CN113222884B - 检查样本的方法和其系统 - Google Patents

检查样本的方法和其系统 Download PDF

Info

Publication number
CN113222884B
CN113222884B CN202011609247.5A CN202011609247A CN113222884B CN 113222884 B CN113222884 B CN 113222884B CN 202011609247 A CN202011609247 A CN 202011609247A CN 113222884 B CN113222884 B CN 113222884B
Authority
CN
China
Prior art keywords
potential
potential defects
defects
defect
group
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
CN202011609247.5A
Other languages
English (en)
Other versions
CN113222884A (zh
Inventor
尤塔姆·索弗
肖尔·恩格勒
波阿斯·科恩
萨尔·沙比
阿米尔·巴尔
马塞洛·加布里埃尔
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.)
Applied Materials Israel Ltd
Original Assignee
Applied Materials Israel Ltd
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 Applied Materials Israel Ltd filed Critical Applied Materials Israel Ltd
Priority to CN202311299416.3A priority Critical patent/CN117522779A/zh
Publication of CN113222884A publication Critical patent/CN113222884A/zh
Application granted granted Critical
Publication of CN113222884B publication Critical patent/CN113222884B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • 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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

提供了一种用于检查样本的系统、方法和计算机可读介质，所述方法包括：从检验工具接收的潜在缺陷群组中选择的审查子集获得关注缺陷(DOI)和错误报警(FA)，每个潜在缺陷与属性值相关联，所述属性值定义潜在缺陷在属性空间中的位置；产生所述群组的代表子集，包括根据潜在缺陷在属性空间中的分布来选择的潜在缺陷，并且将代表子集中的潜在缺陷指示为FA；和在使用提供DOI的属性值、代表子集的潜在缺陷、和其作为DOI或FA的相应指示的信息的数据训练分类器之后，将分类器应用于至少一些潜在缺陷以获得对样本中的预期DOI的数量的估计。

Description

检查样本的方法和其系统
技术领域
本文所公开的主题一般涉及检查样本的领域，并且更具体来说，涉及用于检测样本缺陷的方法和系统。
背景技术
当前对与所制造装置的超大规模集成相关联的高密度和性能的需求需要亚微米的特征、增加晶体管和电路速度和改善可靠性。这类需求需要形成具有高精确度和均匀性的装置特征，这继而有必要小心监控制造工艺，包含在装置仍处于半导体晶片的形式时自动检查所述装置。注意到，制造工艺可以包括制造前、制造中和/或制造后操作。
在本说明书中使用的术语“样本”应当被广泛地解释为涵盖用于制造半导体集成电路、磁头、平板显示器和其他半导体制造的物品的任何种类的晶片、掩模和其他结构、其组合和/或部分。
在本说明书中使用的术语“检查”应当被广泛地解释为涵盖任何种类的计量有关操作以及关于在样本制造期间检测和/或分类样本中的缺陷的操作。检查通过在制造要检查的样本期间或之后使用无损检查工具来执行。举个非限制性的例子，检查工艺可以包含使用相同或不同的检查工具来运行时扫描(单次或多次扫描)、取样、审查、测量、分类和/或关于样本或其部分提供的其他操作。同样，至少一些检查可以在制造要检查的样本之前执行，并且可以包含例如产生检查方案、训练相应分类器或其他机器学习有关的工具和/或其他设置操作。注意到，除非另外特别声明，否则在本说明书中使用的术语“检查”或其衍生词不限制所检验区域的分辨率或大小。举个非限制性的例子，各种无损检查工具包括扫描电子显微镜、原子力显微镜、光学检验工具等等。
举个非限制的例子，运行时检查可以采用两阶段过程，例如，检验样本接着审查取样位置是否有潜在缺陷。在第一阶段期间，以高速和相对低的分辨率检验样本的表面。在第一阶段中，产生缺陷图来图示怀疑具有高缺陷概率的样本上的位置。在第二阶段期间，以相对高的分辨率更透彻地分析这种怀疑位置中的至少一些位置。在一些情况下，两个阶段皆可以由相同检验工具来实现，并且在一些其他情况下，这两个阶段由不同的检验工具来实现。
在半导体制造期间的各个步骤处使用检查工艺，来检测和分类样本上的缺陷。检查大体上涉及通过将光或电子引导至晶片，并检测来自晶片的光或电子，来产生针对晶片的一些输出(例如，图像、信号等等)。一旦已产生输出，通常通过对输出应用缺陷检测方法和/或算法来执行缺陷检测。最经常是，检查的目的是提供对关注缺陷的高敏感度，同时抑制对晶片上噪扰和噪声的检测。
发明内容
根据本文所公开的主题的某些方面，提供了一种检查样本的系统，所述系统包括：处理和存储电路(PMC)，包括可操作地耦合到存储器的处理器，PMC被配置为：从检验工具接收的潜在缺陷群组中选择的审查子集获得多个关注缺陷(DOI)和多个错误报警(FA)，其中每个潜在缺陷与多个属性值相关联，所述属性值定义潜在缺陷在属性空间中的位置；产生潜在缺陷群组的代表子集，代表子集包括根据潜在缺陷群组在属性空间内的分布而选择的潜在缺陷，并且将代表子集中的潜在缺陷指示为FA；和在使用提供DOI的属性值、代表子集的潜在缺陷、和其作为DOI或FA的相应指示的信息的数据训练分类器之后，将分类器应用于至少一些潜在缺陷以获得对样本中的预期DOI的数量的估计。
除了以上特征之外，根据本文所公开的主题的此方面的方法可以包括以技术上可能的任何预期组合或排列的下文列出的特征(i)至(x)中的一个或多个：
(i)在检查系统内，PMC可以被配置为选择代表子集作为潜在缺陷群组的核心集。
(ii)在检查系统内，PMC可以被配置为使用K均值并行算法选择潜在缺陷群组的核心集。
(iii)在检查系统内，可以产生代表子集，以便不与DOI重叠。
(iv)在检查系统内，PMC可以被配置为获得多个DOI和多个FA如下：从潜在缺陷群组中选择潜在缺陷的审查子集；对于来自潜在缺陷的审查子集的每个给定潜在缺陷：获得关于给定潜在缺陷是关注缺陷还是错误报警的指示，所述指示基于给定缺陷的所接收审查工具图像；和将给定潜在缺陷分别指派给多个DOI或多个FA。
(v)在检查系统内，PMC可以被配置为选择潜在缺陷的审查子集、获得指示、并且指派给定潜在缺陷如下：群集潜在缺陷群组以获得多个群集；根据使用一个或多个效用函数获得的潜在缺陷的评分来从多个群集中的每一者取样潜在缺陷的初始群组；接收潜在缺陷的初始群组中的潜在缺陷的审查结果，并且将指示其中的每个缺陷是关注缺陷还是错误报警的标签与每个缺陷相关联；决定预定审查预算是否耗尽；和若未耗尽，则基于审查结果来更新剩余潜在缺陷的评分，并且重复取样、接收审查结果和关联。
(vi)在检查系统内，潜在缺陷群组可以是潜在缺陷群集，并且将分类器训练且应用于群集中的潜在缺陷。
(vii)在检查系统内，可验证预期DOI的数量用于确认分类器。
(viii)在检查系统内，PMC可以进一步被配置为使用预期DOI的数量来估计错误报警率(FAR)。
(ix)在检查系统内，评估样本中预期的关注缺陷的数量可以用于当检查与样本相同类型的额外样本时确定要由审查工具审查的潜在缺陷的预算。
(x)在检查系统内，PMC可以是检验工具的部分、或审查工具的部分、或在不同模式下操作的组合的检验和审查工具的部分、或与检验工具和审查工具分离。
根据本文所公开的主题的其他方面，提供了一种检查样本的方法，包括：从检验工具接收的潜在缺陷群组中选择的审查子集获得多个关注缺陷(DOI)和多个错误报警(FA)，其中每个潜在缺陷与多个属性值相关联，所述属性值定义潜在缺陷在属性空间中的位置；产生潜在缺陷群组的代表子集，所述代表子集包括根据潜在缺陷群组在属性空间中的分布来选择的潜在缺陷，并且将代表子集中的潜在缺陷指示为FA；和在使用提供DOI的属性值、代表子集的潜在缺陷、和其作为DOI或FA的相应指示的信息的数据训练分类器之后，将分类器应用于至少一些潜在缺陷以获得对样本中的预期DOI的数量的估计。
所公开的主题的这方面可以包括以技术上可能的任何预期组合或排列的上文关于所述系统列出的特征(i)至(x)中的一个或多个，已作必要的修正。
根据本文所公开的主题的其他方面，提供了一种非暂时性计算机可读介质，包括当由计算机执行时导致计算机执行检查样本的方法的指令，所述方法包括：从检验工具接收的潜在缺陷群组中选择的审查子集获得多个关注缺陷(DOI)和多个错误报警(FA)，其中每个潜在缺陷与多个属性值相关联，所述属性值定义潜在缺陷在属性空间中的位置；产生潜在缺陷群组的代表子集，所述代表子集包括根据潜在缺陷群组在属性空间中的分布来选择的潜在缺陷，并且将代表子集中的潜在缺陷指示为FA；和在使用提供DOI的属性值、代表子集的潜在缺陷、和其作为DOI或FA的相应指示的信息的数据训练分类器之后，将分类器应用于至少一些潜在缺陷以获得对样本中的预期DOI的数量的估计。
所公开的主题的这方面可以包括以技术上可能的任何预期组合或排列的上文关于所述系统列出的特征(i)至(x)中的一个或多个，已作必要的修正。
附图说明
为了理解本发明并且明白在实践中可以如何执行，将参考附图举出非限制的例子来描述实施方式，其中：
图1示出根据本文所公开的主题的某些实施方式的检查系统的方框图；
图2示出根据本文所公开的主题的某些实施方式的检查样本的示例性流程图；
图3A示出根据本文所公开的主题的某些实施方式的选择、审查和将标签指派给潜在缺陷的示例性流程图；
图3B示出根据本文所公开的主题的某些实施方式的每个群集的缺陷分类的示例性流程图；和
图4A和图4B图示根据本文所公开的主题的某些实施方式的用于估计群集内的潜在缺陷的错误报警率的示例性方法。
具体实施方式
在以下详细描述中，阐述一些具体细节来提供对本发明的透彻理解。然而，本领域的技术人员将理解，本文所公开的主题可在不具有这些具体细节的情况下实践。在其他情况中，尚未详细描述熟知方法、过程、部件和电路，以便不混淆本文所公开的主题。
除非另外具体声明，如从以下讨论显而易见的，了解到在整个本说明书的讨论中，采用术语诸如“获得”、“产生”、“接收”、“训练”、“应用”、“确定”、“选择”、“指派”、“群集”、“取样”、“关联”、“更新”、“重复”、“验证”、“估计”等等指将数据操纵和/或变换为其他数据的计算机的动作和/或处理，所述数据表示为物理的，诸如电子、数量和/或所述数据表示实体物品。术语“计算机”应当被广泛地解释为涵盖任何种类的具有数据处理能力的基于硬件的电子装置，举个非限制的例子，所述电子装置包含在本申请中公开的检查系统和其相应部分。
本文使用的术语“非暂时性存储器”和“非暂时性存储介质”应当被广泛地解释为涵盖适用于本文所公开的主题的任何易失性或非易失性计算机存储器。
本说明书中使用的术语“缺陷”应当被广泛地解释为涵盖任何种类的异常或在样本上或样本内形成的不当特征。
本说明书中使用的术语“设计数据”应当被广泛地解释为涵盖指示样本的分层实体设计(布局)的任何数据。设计数据可以由相应设计者提供和/或可以从实体设计(例如，通过复杂模拟、简单几何和布尔运算等等)导出。举个非限制的例子，设计数据可以不同格式提供为GDSII格式、OASIS格式等等。设计数据可以矢量格式、灰度强度图像格式、或其他方式存在。
本文所使用的术语“取样”应被广泛地解释为涵盖从检验工具或任何其他来源获得的样本位置的集合中的一个或多个样本位置的任何选择，例如从用户接收、从设计数据提取、由先前工艺报告、从外部来源接收、或其他的样本位置。所取样的样本位置可以从要由审查工具审查的样本位置的集合中选择。如下文详述，每个位置可以被描述为属性值的集合，因此位置集合跨越属性空间。取样可以被广泛地解释为选择表示所跨越属性空间的位置集合。
了解到，除非另外具体声明，在独立实施方式的上下文中描述的本文所公开的主题的某些特征也可以在单个实施方式中作为组合提供。相反，在单个实施方式的上下文中描述的本文所公开的主题的各种特征也可以分别提供或以任何合适的子组合提供。在以下详细描述中，阐述一些具体细节以提供对方法和设备的透彻理解。
鉴于此，注意到图1，示出根据本文所公开的主题的某些实施方式的检查系统的一般方框图。图1中示出的检查系统100可以用于检查(例如，晶片和/或其部分的)样本作为样本制造的一部分。检查可以为样本制造的一部分，并且可以在制造样本期间或其后执行。检查系统可以包括各种检查工具，例如，被配置为捕获检验图像(例如，通常由光学检验系统、低分辨率SEM等等以相对高速和/或低分辨率捕获的)和输出潜在缺陷(例如，可能发现缺陷的位置)的一个或多个检验工具101以及被配置为例如通常由扫描电子显微镜(SEM)或原子力显微镜(AFM)以相对低速和/或高分辨率捕获由检验工具101检测的至少一些潜在缺陷的审查图像的一个或多个审查工具102。
如上文提及，可以在不同分辨率下捕获样本上的所需位置的图像。在一些实施方式中，相同位置的图像(具有相同或不同分辨率)可以包括其间对准的(registered)数个图像。
样本可以由检验工具101检查。所得图像和/或衍生图像可以被处理(视情况与其他数据一起，例如，作为设计数据和/或缺陷分类数据)以选择用于审查的潜在缺陷、评估缺陷数量、和/或表征样本中的缺陷。
所示出的检查系统100包括基于计算机的自动缺陷分类工具103。缺陷分类工具103可以可操作地连接到一个或多个检验工具101和/或一个或多个审查工具102。视情况，缺陷分类工具103可以是独立工具、或者与一个或多个检验工具101或审查工具102完全或部分集成或由所述工具托管。缺陷分类工具103可以进一步可操作地连接到设计服务器110和/或数据存储库109。
举个非限制的例子，缺陷分类工具103可以用于不同目的。例如，为了将检验检查工具101提供的潜在缺陷自动分类为多个类别，并且具体来说分类为关注缺陷(DOI)和错误报警(FA)；从DOI过滤FA，识别特定DOI、评估在样本中的DOI的数量或其特性、选择由检验工具101提供的一些潜在缺陷用于由审查工具102审查、建立帕累托(Pareto)以便识别统计工艺控制(SPC)中的偏差、和/或其他。
缺陷可以表示为属性集合，其中每个缺陷与一个或多个属性的值相关联。一些属性可以是数字并且可以被指派有来自有限或无限范围的任何值；其他属性可以被指派有离散数字或非数字的值。因此，每个缺陷表示由可能的属性值产生的属性空间中的点。度量可被定义为用于基于其属性值来确定在属性空间中的两个缺陷之间的距离。
缺陷分类工具103可被配置为经由输入接口105接收输入数据。输入数据可以包含由检验工具101和/或审查工具102产生的图像数据(和/或其衍生物和/或与其相关联的元数据)和/或在设计数据服务器110和/或一个或多个数据存储库中存储的数据。在一些实施方式中，输入数据可以包括一个或多个运行时图像。
缺陷分类工具103包括处理器和存储电路(PMC)104，PMC 104可操作地连接到基于硬件的输入接口105和基于硬件的输出接口106。PMC 104可以是检验工具101的一部分、审查工具102的一部分、或组合在不同模式下操作的检验工具101和审查工具102的组合工具的一部分。
PMC 104被配置为提供操作如下文进一步详述的缺陷分类工具103所需要的处理，并且包括处理器和存储器(在PMC内未分开图示)。参考下文的图2至图4进一步详述缺陷分类工具103和PMC 104的操作。
PMC 104可被配置为根据在非暂时性计算机可读存储介质上实施的计算机可读指令执行数个功能模块。此类功能模块后文被称为包括在PMC 104中。PMC 104可以包括缺陷分类单元115，被配置为评估样本内的DOI的数量和特性、选择要由审查工具102审查的由检验系统工具101提供的一些缺陷、识别统计工艺控制(SPC)中的偏差等等。
缺陷分类单元115可以包括群集引擎114，被配置为接收属性空间中的点的集合并且将所述点群集为两个或更多个群集，使得在第一点与相同群集中的另一点之间的距离小于在第一点与指派给另一群集的第三点之间的距离。因此，群集引擎114可用于根据针对属性空间定义的一个或多个度量来群集多个潜在缺陷。
缺陷分类单元115可以包括代表子集产生引擎116，被配置为从给定缺陷群组中选择缺陷。代表子集产生引擎116可以根据给定缺陷群组在属性空间中的分布来选择缺陷。
缺陷分类单元115可以包括训练集合获得引擎118，用于聚集训练分类器的训练集合。训练集合可以包括已经由审查工具102审查并根据审查结果标记为DOI或FA的由检验检查工具101提供的潜在缺陷。此外，训练集合可以包括由检验检查工具101提供的潜在缺陷子集，例如，由代表子集产生引擎116选择并且标记为FA的潜在缺陷子集，如下文详述。
缺陷分类单元115可以包括训练引擎120，被配置为在训练集合包括由训练集合获得引擎118获得的对应标记时训练一个或多个引擎，诸如分类引擎121。训练引擎120因此能够接收包含缺陷和其标签的训练集合，并且确定要由分类器使用的分离平面和概率分布平面。分离平面在属性空间内形成子空间，使得相同子空间中的所有缺陷与相同类别(例如一个或多个FA类别或者一个或多个DOI类别)相关联。训练集合越能代表潜在缺陷群体，分类效果越好，因为在训练集合时确定的平面可应用于潜在缺陷群体。将了解，本公开内容等效地应用于任何类型的分类器，例如经典分类器、深度神经网络、或其他。
缺陷分类单元115可以包括分类引擎121，所述分类引擎由训练引擎120训练并且可以用于分类由检验检查工具101提供的潜在缺陷。在一些实施方式中，分类引擎121可用于仅分类尚未由审查工具102审查的缺陷。例如根据在训练期间确定的分离平面，分类引擎121能够自动分类缺陷。分类引擎121可以被配置为为每个给定缺陷定义指示缺陷属于某一类别的概率的置信水平，并且若置信水平满足相应置信阈值，则将给定缺陷指派给某一类别。
分类引擎121也可出于任何目的使用分类结果，例如在不审查所有潜在缺陷的情况下(因为这是不切实际的)评估由检验检查工具101提供的潜在缺陷中的DOI的数量、获得其分类、选择要由审查工具102审查的缺陷等等。
所示出的检查系统100可以包括数据存储库109，所述数据存储库可以存储例如关于样本、样本的检验结果等等的数据。
所示出的检查系统100可以包括存储系统107，用于存储关于样本检查的数据，诸如所检测的ODI、所检测的FA、额外潜在缺陷、阈值等等。
所示出的检查系统100可以包括设计服务器110，包含样本的设计数据，诸如计算机辅助设计(CAD)数据。
所示出的检查系统100可以包括GUI 108，用于从用户接收输入(诸如要审查的潜在缺陷的数量)并且向用户提供输出(诸如在样本中的DOI中的估计数量、其特性等等)。GUI108可以进一步被配置为实现关于操作系统100的用户指定输入。将参考下文的图2至图4进一步详述系统100、PMC 104和其中的功能模块的操作。
本领域技术人员将容易了解，本文所公开的主题的教示不限于图1所示的系统；等效和/或修改的功能可以另一方式合并或分开，并且可以软件与固件和硬件的任何适当组合来实现。
注意到，图1所示的检查系统可以在分布式计算环境中实施，其中先前提及的图1所示的功能模块可以分布在数个本地和/或远端装置上，并且可以通过通信网络连接。进一步注意到，在其他实施方式中，检查工具101和/或102、数据存储库109、存储系统107和/或GUI 108中的至少一些可以在检查系统100外部并且与缺陷分类工具103数据通信地操作。缺陷分类工具103可以实现为与一个或多个检查工具结合使用的独立式计算机。视情况，缺陷分类工具103可以对数据存储库109和/或存储系统107中存储的预请求的检验数据121’进行操作。替代地或另外地，缺陷分类工具103的相应功能可以至少部分与一个或多个检查工具、处理控制工具、方案产生工具、用于自动缺陷审查和/或分类的系统、和/或有关检查的其他系统集成。
现参考图2，图示根据本文所公开的主题的某些实施方式的检查样本的方法的流程图。
PMC 104可以例如从检验检查工具101、从数据存储库109、或从任何其他来源获得(200)多个潜在缺陷。在常见晶片中，潜在缺陷的数量的数量级可在数万与数百万之间，因此尽管检测DOI非常重要，但是审查各个和每一个潜在缺陷以确定所述缺陷为DOI、FA、还是噪扰是不切实际的。由此，可审查潜在缺陷的小部分(例如，在数十与数千之间的缺陷)，并且可从审查结果得出结论。
PMC 104可以因此获得(204)多个DOI和FA。DOI和FA可以用作训练分类器的训练集合的一部分来用于获得关于样本的进一步信息。
具体来说，为了获得DOI和FA，PMC 104可以选择(206)例如要由审查工具102审查的潜在缺陷的子集、获得(208)针对每个审查的潜在缺陷的DOI或FA指示、并且取决于接收的指示将每个审查的缺陷指派(201)给DOI或FA。
根据本文所公开的主题的某些实施方式，关于下文的图3A进一步详述选择步骤(206)，获得指示步骤(208)和指派步骤(210)。
代表子集产生引擎116可以根据潜在缺陷在属性空间内的分布来产生(212)潜在缺陷的代表子集。因此，选择的目的可以为获得表示潜在缺陷的致密区域的子集，但也表示来自更稀疏区域的潜在缺陷，尽管数量更小。代表子集可选择为不包含任何审查的潜在缺陷。
子集可以各种方式选择。一个此种方式是随机取样。然而，为了贴切地表示潜在缺陷群体，需要选择大量潜在缺陷，例如20％。
通过考虑到群体分布的智能选择，数量小得多的潜在缺陷可能是足够的。这种智能选择的子集在本文中被称为核心集，并且选择核心集的一个示例性方法是K均值并行算法。通常，K均值并行算法操作如下：随机选择第一缺陷，随后选择最远离第一缺陷的第二缺陷，选择最远离第一和第二缺陷的第三缺陷，并且依此类推。代表集合可选择为使得所述集合不与审查的缺陷重叠。
由于光学扫描的特性和性质，由检验检查工具101提供的绝大部分潜在缺陷(例如超过95％)为FA。由此，代表子集的缺陷也被认为如此，并且由此标记为FA，尽管所述缺陷尚未被审查。将了解，即使代表集合的一些缺陷实际上为DOI而非FA，这种错误对下面的训练将不具有任何明显影响。
训练集合获得引擎118可以收集定义为由FA组成的在步骤212产生的代表子集(诸如核心集)、在步骤204获得的DOI和视情况在步骤204获得的FA，由此获得训练集合。
训练引擎120可以随后使用至少包括审查结果的训练集合(即，由审查工具102确定的DOI)和包括均定义为FA的潜在缺陷的在步骤212选择的代表子集来训练(216)分类引擎121，也称为分类器。在一些实施方式中，由审查工具102确定的FA也可以用于训练。
在训练分类引擎121之后，所训练的分类引擎121可以随后应用(220)于潜在缺陷，以获得DOI和FA估计。在一些实施方式中，分类引擎121可以仅应用于尚未审查的潜在缺陷。然而，分类引擎121可以应用于潜在缺陷的整个群体，也包括已经审查的潜在缺陷，并且因此已知所述潜在缺陷为DOI还是FA，以便评估分类引擎121的准确性。在一些实施方式中，可以为由分离平面分离的每个区域内的潜在缺陷提供估计。
可以各种方式利用(224)应用分类引擎121的结果，例如，可以确定与FA类别中的一个或多个DOI类别相关联的潜在缺陷群组。分类结果也可以使用户能够进行有意义的统计工艺控制(SCP)、获得每个潜在缺陷为DOI的概率、估计潜在缺陷中的DOI的数量与FA的数量等等。分类器的结果也可用于确定当检查正检查的该种类型的样本的另外样本时要执行的审查的数量，即，审查预算。举另一个例子，可以估计错误报警率(FAR)。结合下文的图4A和图4B详述FAR计算。
在一些实施方式中，分类结果的确认(228)可以例如由客户(诸如样本的制造商)执行。举例来说，由分类器分类的DOI或其部分可以由客户审查，用于验证所述DOI是否分类正确，由此评估在上文的步骤216训练的分类器的准确性。
根据某些实施方式，上文参考图2描述的缺陷分类工艺可以群集实施，将进一步参考图3B进一步详述。
现参考图3A，图示根据本文所公开的主题的某些实施方式的选择步骤(206)、获得指示步骤(208)和指派步骤(210)的详细流程图。
群集引擎114可以群集(300)从检验工具101接收的潜在缺陷。潜在缺陷可以在属性空间中被群集为两个或更多个群集，其中在指派给相同群集的第一和第二潜在缺陷之间的距离低于在第一或第二潜在缺陷与指派给其他群集的其他潜在缺陷之间的距离。基于度量确定在两个潜在缺陷之间的距离，所述度量可以取决于属性和其类型。群集可以为自动、人工或其组合，其中自动群集可进行人工介入。例如，用户可提供初始群集，发现群集应当被分为两个或更多个群集，因为所述群集含有本质上不同的潜在缺陷。用户也可以发现应当统一的两个分离的群集。用户可以改变从样本检验提取的属性，和/或应用于计算在潜在缺陷之间的距离的度量，然而这种改变将一般用于未来的样本检查。
初始子集产生引擎116可以从每个群集取样(304)潜在缺陷的子集。
取样步骤(304)可以迭代方法执行。例如，可以使用一个或多个效用函数从所有群集中选择第一取样批次，每个效用函数将一评分指派给每个潜在缺陷，并且可以例如使用权重组合来组合所述评分。
在一些实施方式中，效用函数可包含至少一个无监督效用函数和至少一个受监督效用函数。所有效用函数可执行涉及潜在缺陷的属性值的计算。如下文详述，取样步骤(304)可以迭代地执行。在第一迭代中，当没有数据可用时，仅可以使用无监督效用函数，而后续迭代也可涉及受监督效用函数，所述受监督效用函数提供关于群集的进一步信息。
可随后例如使用审查工具102对所取样缺陷成像。PMC 104可接收(308)审查结果并且将DOI或FA的标签与每个审查的潜在缺陷相关联。
可审查所选潜在缺陷并且PMC 104可接收(308)审查结果并将DOI或FA的标签与每个审查的潜在缺陷相关联。
PMC 104可以随后基于审查结果来更新(312)效用函数的应用。举例来说，所审查结果可以用于针对每个剩余的潜在缺陷重新计算评分(基于受监督和无监督函数)并且可以获得针对每个潜在缺陷更新的评分。在一个示例中，评分的重新计算可以关于在剩余潜在缺陷与所审查DOI之间的距离。在一些情形中，在第二迭代中，可以将权重给予受监督效用函数，并且在另一些迭代中，可以增加受监督效用函数的权重。
PMC 104可随后确定(316)是否已经达到预定审查预算(例如，为整个潜在缺陷群体分配的审查数量)。若未达到，则执行可以返回到取样步骤(304)，用于基于所更新的评分来取样潜在缺陷的额外批次。若审查预算耗尽，则图3A中描述的流程已经完成且过程返回到图2，并且如上文描述，继续步骤212。
将了解，尽管在移动到下一个群集之前为每个群集相继提供步骤，但这并非必需，并且当第一群集仍进行时，可以针对第二群集开始执行。然而，这种排列需要监控所执行审查的总数，而非为每个群集执行的数量。
也将了解到，取样、审查和标签指派方法可直接应用于整个潜在缺陷群体而非相应群集。在这种实施方式中，群集步骤(300)和进一步的群集确定步骤(320)可省去，并且如步骤304、308、312和316中描述的迭代取样过程可以应用于整个潜在缺陷群体。
现参考图3B，图示根据本文所公开的主题的某些实施方式的每群集的缺陷分类的详细流程图。
在上文参考图3A描述步骤300、304、308、和312，并且因此本文不再重复。一旦接收审查结果(步骤308)并且更新效用函数应用(步骤312)，PMC 104可以确定(318)是否接收针对任何给定群集的预定数量的ODI。若存在对此接收预定数量的DOI的给定群集，则训练引擎120可以针对给定群集接收所审查潜在缺陷连同DOI和FA标签，并且针对给定群集训练(324)对应分类器。
在一些实施方式中，可以从给定群集(例如核心集)选择进一步的潜在缺陷来用于训练集合。如在上文的产生代表子集(212)的步骤中详述，可以将所选的进一步潜在缺陷假设为错误报警。在这种情形中，可以使用接收的DOI和FA、以及指示为FA的核心集来训练(324)分类器。
所训练的分类器可应用(328)于给定群集的未审查的潜在缺陷(或应用于群集中的整个群体)。在分类之后，可以与上文参考步骤224所描述者类似的方式利用每群集的结果。
PMC 104可以确定(328)用于潜在缺陷的整个群体的预定审查预算是否耗尽，并且若耗尽，则过程已经完成。若未耗尽，则可以从群体中排除(332)给定群集(对此训练分类器)，从而产生将根据步骤304进一步取样的剩余群集。
将了解到，图3B的方法可以针对一些或所有群集重复，直至审查预算耗尽。
也将了解到，一旦满足318中的条件，可以立即针对给定群集执行参考步骤324和328描述的训练分类器和将分类器应用于群集中的潜在缺陷，或替代地一旦审查预算耗尽并且图3B的方法完成，则可以针对所有群集执行这些步骤。
现参考图4A和图4B，图示了根据本文所公开的主题的某些实施方式的用于估计群集内的潜在缺陷的FAR的示例性方法作为利用将分类器应用于潜在缺陷(步骤224)的结果的一个可能方式。
现参考图4A，其中步骤404显示一种估计方法，为贝叶斯(Bayesian)方法，所述方法可以包括：
在步骤408，可以计算群集内的DOI和FA的密度。在一些实施方式中，密度可以使用核密度估计(KDF)来计算。
在步骤412，可以计算每个潜在缺陷为DOI(或FA)的对数似然值；和
在步骤416，可针对在对数似然值范围(例如，作用点)中的每个值执行以下动作：
-基于可用于群集的DOI和FA的数量来计算错误报警率(FAR)；
-识别符合这个值的取样并且将所述取样添加到预测的子集；和
-估计FAR置信水平。
现参考图4B，其中步骤420显示第二估计方法，为2类支持向量机(SVM)方法，所述方法可以包括：
在步骤424，可以基于DOI的数量和未知的潜在缺陷群体来计算对数似然值。
在步骤428，可针对在对数似然值范围(例如，作用点)中的每个值执行以下动作：
-基于DOI和FA的数量来计算FAR；
-识别符合这个值的未知潜在缺陷并且将所述潜在缺陷添加到选择的子集；和
-估计FAR置信水平。
所估计的FAR提供对特定群集中的缺陷为错误报警的概率的指示。
将理解，本发明不限于应用到在本文含有的描述中阐述或在图示中示出的细节。本发明能够具有其他实施方式并且以各种方式实践和执行。因此，将理解，本文采用的措辞和术语是出于描述的目的并且不应当被认为是限制。因此，本领域的技术人员将了解，本公开内容所基于的概念可容易用作设计其他结构、方法和系统的基础，用于实现本文所公开的主题的数个目的。
也将理解，根据本发明的系统可至少部分地在合适的程序化计算机上实施。同样，本发明预期可由计算机读取的计算机程序用于执行本发明的方法。本发明进一步预期一种有形地实现指令程序的非暂时性计算机可读存储器，所述指令可由计算机执行来用于执行本发明的方法。
本领域技术人员将容易了解，各种修改和改变可以应用于如上文描述的本发明的实施方式。

Claims (16)

1.一种检查样本的系统，所述系统包括：
处理和存储电路PMC，包括可操作地耦合到存储器的处理器，所述PMC被配置为：
从检验工具接收的潜在缺陷群组中选择的审查子集获得多个关注缺陷DOI和多个错误报警FA，其中每个潜在缺陷与多个属性值相关联，所述属性值定义属性空间中的所述潜在缺陷的位置；
产生所述潜在缺陷群组的代表子集，所述代表子集包括选择来表示所述潜在缺陷群组在所述属性空间内的分布的潜在缺陷，并且将所述代表子集中的所述潜在缺陷指示为FA，其中使用K均值并行算法选择所述代表子集作为所述潜在缺陷群组的核心集；和
在使用提供所述DOI的所述属性值、所述代表子集的所述潜在缺陷、和其作为DOI或FA的相应指示的信息的数据训练分类器之后，将所述分类器应用于至少一些所述潜在缺陷以获得对所述样本中的预期DOI的数量的估计。
2.根据权利要求1所述的检查系统，其中所述PMC被配置为获得所述多个DOI和所述多个FA如下：
从所述潜在缺陷群组中选择所述潜在缺陷的审查子集；
针对来自所述潜在缺陷的审查子集的每个给定潜在缺陷：
获得关于给定潜在缺陷是关注缺陷还是错误报警的指示，所述指示基于所述给定潜在缺陷的接收的审查工具图像；和
将所述给定潜在缺陷分别指派给所述多个DOI或所述多个FA。
3.根据权利要求2所述的检查系统，其中所述PMC被配置为选择所述潜在缺陷的审查子集、获得所述指示并且指派所述给定潜在缺陷如下：
群集所述潜在缺陷群组以获得多个群集；
根据使用一个或多个效用函数获得的所述潜在缺陷群组中的所述潜在缺陷的评分，从所述多个群集中的每一者取样潜在缺陷的初始群组；
接收所述潜在缺陷的初始群组中的所述潜在缺陷的审查结果，并且将指示其中的每个潜在缺陷是关注缺陷还是错误报警的标签与每个潜在缺陷相关联；
确定预定审查预算是否耗尽；和
响应于所述预定审查预算未耗尽，基于所述审查结果更新所述潜在缺陷群组中的剩余潜在缺陷的评分，并且重复所述取样、所述接收所述审查结果和所述关联。
4.根据权利要求1所述的检查系统，其中所述潜在缺陷群组是潜在缺陷群集，并且训练所述分类器且应用于所述群集中的所述潜在缺陷。
5.根据权利要求1所述的检查系统，其中验证预期DOI的所述数量来用于确认所述分类器。
6.根据权利要求1所述的检查系统，其中所述PMC进一步被配置为使用预期DOI的所述数量来估计错误报警率FAR。
7.根据权利要求1所述的检查系统，其中所述对所述样本中的预期关注缺陷的数量的估计可用于当检查与所述样本相同类型的额外样本时确定要由审查工具审查的潜在缺陷的预算。
8.根据权利要求1所述的检查系统，其中所述PMC是以下至少之一：所述检验工具的一部分、审查工具的一部分、在不同模式下操作的组合的检验和审查工具的一部分、或与所述检验工具和所述审查工具分离。
9.一种检查样本的方法，包括：
从检验工具接收的潜在缺陷群组中选择的审查子集获得多个关注缺陷DOI和多个错误报警FA，其中每个潜在缺陷与多个属性值相关联，所述属性值定义属性空间中的所述潜在缺陷的位置；
产生所述潜在缺陷群组的代表子集，所述代表子集包括选择来表示所述潜在缺陷群组在所述属性空间内的分布的潜在缺陷，并且将所述代表子集中的所述潜在缺陷指示为FA，其中使用K均值并行算法选择所述代表子集作为所述潜在缺陷群组的核心集；和
在使用提供所述DOI的所述属性值、所述代表子集的所述潜在缺陷、和其作为DOI或FA的相应指示的信息的数据训练分类器之后，将所述分类器应用于至少一些所述潜在缺陷以获得对所述样本中的预期DOI的数量的估计。
10.根据权利要求9所述的方法，其中产生所述代表子集以便不与所述审查的子集重叠。
11.根据权利要求9所述的方法，其中所述获得所述多个DOI和所述多个FA执行如下：
从所述潜在缺陷群组中选择所述潜在缺陷的审查子集；
针对来自所述潜在缺陷的审查子集的每个给定潜在缺陷：
获得关于给定潜在缺陷是关注缺陷还是错误报警的指示，所述指示基于所述给定潜在缺陷的接收的审查工具图像；和
将所述给定潜在缺陷分别指派给所述多个DOI或所述多个FA。
12.根据权利要求11所述的方法，其中选择所述潜在缺陷的审查子集、获得所述指示、并且指派所述给定潜在缺陷执行如下：
群集所述潜在缺陷群组以获得多个群集；
根据使用一个或多个效用函数获得的所述潜在缺陷群组中的所述潜在缺陷的评分，从所述多个群集中的每一者取样潜在缺陷的初始群组；
接收所述潜在缺陷的初始群组中的所述潜在缺陷的审查结果，并且将指示其中的每个潜在缺陷是关注缺陷还是错误报警的标签与每个潜在缺陷相关联；
确定预定审查预算是否耗尽；和
响应于所述预定审查预算未耗尽，基于所述审查结果更新所述潜在缺陷群组中的剩余潜在缺陷的评分，并且重复所述取样、所述接收所述审查结果和所述关联。
13.根据权利要求9所述的方法，其中所述潜在缺陷群组是潜在缺陷群集，并且所述分类器被训练且应用于所述群集中的所述潜在缺陷。
14.根据权利要求9所述的方法，其中验证预期DOI的所述数量来用于确认所述分类器。
15.根据权利要求9所述的方法，其中使用预期DOI的所述数量来估计错误报警率FAR。
16.一种包括指令的非暂时性计算机可读介质，所述指令当由计算机执行时导致所述计算机执行检查样本的方法，所述方法包括：
从检验工具接收的潜在缺陷群组中选择的审查子集获得多个关注缺陷DOI和多个错误报警FA，其中每个潜在缺陷与多个属性值相关联，所述属性值定义属性空间中的所述潜在缺陷的位置；
产生所述潜在缺陷群组的代表子集，所述代表子集包括选择来表示所述潜在缺陷群组在所述属性空间内的分布的潜在缺陷，并且将所述代表子集中的所述潜在缺陷指示为FA，其中使用K均值并行算法选择所述代表子集作为所述潜在缺陷群组的核心集；和
在使用提供所述DOI的所述属性值、所述代表子集的所述潜在缺陷、和其作为DOI或FA的相应指示的信息的数据训练分类器之后，将所述分类器应用于至少一些所述潜在缺陷以获得对所述样本中的预期DOI的数量的估计。
CN202011609247.5A 2020-02-04 2020-12-30 检查样本的方法和其系统 Active CN113222884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311299416.3A CN117522779A (zh) 2020-02-04 2020-12-30 检查样本的方法和其系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/782,005 US11360030B2 (en) 2020-02-04 2020-02-04 Selecting a coreset of potential defects for estimating expected defects of interest
US16/782,005 2020-02-04

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311299416.3A Division CN117522779A (zh) 2020-02-04 2020-12-30 检查样本的方法和其系统

Publications (2)

Publication Number Publication Date
CN113222884A CN113222884A (zh) 2021-08-06
CN113222884B true CN113222884B (zh) 2023-10-27

Family

ID=77061713

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011609247.5A Active CN113222884B (zh) 2020-02-04 2020-12-30 检查样本的方法和其系统
CN202311299416.3A Pending CN117522779A (zh) 2020-02-04 2020-12-30 检查样本的方法和其系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202311299416.3A Pending CN117522779A (zh) 2020-02-04 2020-12-30 检查样本的方法和其系统

Country Status (4)

Country Link
US (2) US11360030B2 (zh)
KR (1) KR20210100028A (zh)
CN (2) CN113222884B (zh)
TW (1) TW202146884A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11694319B2 (en) * 2020-04-10 2023-07-04 Samsung Display Co., Ltd. Image-based defects identification and semi-supervised localization
FR3135554A1 (fr) * 2022-05-13 2023-11-17 Commissariat à l'énergie atomique et aux énergies alternatives Procédé et dispositif de traitement d’image pour la localisation de gouttes représentatives de défauts ou irrégularités

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107004123A (zh) * 2014-10-23 2017-08-01 应用材料公司 迭代式缺陷滤除工艺
CN107820620A (zh) * 2015-05-08 2018-03-20 科磊股份有限公司 用于缺陷分类的方法和系统
CN108020561A (zh) * 2016-11-03 2018-05-11 应用材料以色列公司 用于在检查对象时自适应采样的方法和其系统
CN109813717A (zh) * 2017-11-20 2019-05-28 台湾积体电路制造股份有限公司 缺陷检查方法

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5586058A (en) * 1990-12-04 1996-12-17 Orbot Instruments Ltd. Apparatus and method for inspection of a patterned object by comparison thereof to a reference
JP4095860B2 (ja) * 2002-08-12 2008-06-04 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
US9002497B2 (en) * 2003-07-03 2015-04-07 Kla-Tencor Technologies Corp. Methods and systems for inspection of wafers and reticles using designer intent data
US7844100B2 (en) * 2004-11-29 2010-11-30 Applied Materials Israel, Ltd. Method for filtering nuisance defects
US8255172B2 (en) * 2008-09-24 2012-08-28 Applied Materials Israel, Ltd. Wafer defect detection system and method
JP2012078140A (ja) * 2010-09-30 2012-04-19 Hitachi High-Technologies Corp 基板表面欠陥検査方法およびその装置
US9063097B2 (en) * 2011-02-11 2015-06-23 Taiwan Semiconductor Manufacturing Company, Ltd. Systems and methods eliminating false defect detections
US9293298B2 (en) * 2013-12-23 2016-03-22 Kla-Tencor Corp. Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
US9835566B2 (en) * 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter
US10312161B2 (en) * 2015-03-23 2019-06-04 Applied Materials Israel Ltd. Process window analysis
US9613255B2 (en) * 2015-03-30 2017-04-04 Applied Materials Israel Ltd. Systems, methods and computer program products for signature detection
US10436720B2 (en) * 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
US10360477B2 (en) * 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10267748B2 (en) * 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
US11047806B2 (en) * 2016-11-30 2021-06-29 Kla-Tencor Corporation Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
US11237119B2 (en) * 2017-01-10 2022-02-01 Kla-Tencor Corporation Diagnostic methods for the classifiers and the defects captured by optical tools
US20190238796A1 (en) * 2017-05-11 2019-08-01 Jacob Nathaniel Allen Object Inspection System And Method For Inspecting An Object
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US10408764B2 (en) * 2017-09-13 2019-09-10 Applied Materials Israel Ltd. System, method and computer program product for object examination
US11060981B2 (en) * 2018-03-20 2021-07-13 Applied Materials Israel Ltd. Guided inspection of a semiconductor wafer based on spatial density analysis
US10921334B2 (en) * 2018-03-22 2021-02-16 Applied Materials Israel Ltd. System, method and computer program product for classifying defects
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
KR102638267B1 (ko) * 2018-12-03 2024-02-21 삼성전자주식회사 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법
US11379967B2 (en) * 2019-01-18 2022-07-05 Kla Corporation Methods and systems for inspection of semiconductor structures with automatically generated defect features
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
US11415531B2 (en) * 2019-10-11 2022-08-16 KLA Corp. Statistical learning-based mode selection for multi-mode inspection
CN111161246B (zh) * 2019-12-30 2024-05-14 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107004123A (zh) * 2014-10-23 2017-08-01 应用材料公司 迭代式缺陷滤除工艺
CN107820620A (zh) * 2015-05-08 2018-03-20 科磊股份有限公司 用于缺陷分类的方法和系统
CN108020561A (zh) * 2016-11-03 2018-05-11 应用材料以色列公司 用于在检查对象时自适应采样的方法和其系统
CN109813717A (zh) * 2017-11-20 2019-05-28 台湾积体电路制造股份有限公司 缺陷检查方法

Also Published As

Publication number Publication date
US20210239623A1 (en) 2021-08-05
TW202146884A (zh) 2021-12-16
US11940390B2 (en) 2024-03-26
US20220291138A1 (en) 2022-09-15
US11360030B2 (en) 2022-06-14
CN113222884A (zh) 2021-08-06
KR20210100028A (ko) 2021-08-13
CN117522779A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN109598698B (zh) 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质
TWI750553B (zh) 對樣本的缺陷檢測的方法及其系統
CN109583465B (zh) 对半导体样本中的缺陷进行分类的方法和其系统
US11307150B2 (en) Automatic optimization of an examination recipe
US11940390B2 (en) Selecting a representative subset of potential defects to improve defect classifier training and estimation of expected defects of interest
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
KR102530950B1 (ko) 반도체 시편에서의 결함들의 분류
US10921334B2 (en) System, method and computer program product for classifying defects
KR20190098271A (ko) 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법
US10190991B2 (en) Method for adaptive sampling in examining an object and system thereof
TWI772735B (zh) 對半導體取樣中的缺陷進行分類的方法及其系統
US11423529B2 (en) Determination of defect location for examination of a specimen
KR20200088012A (ko) 반도체 제조 공정에서 특징 선택 기법에 따른 멀티 분류기를 활용한 불량 패턴 예측 장치 및 방법

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