CN113272820A - 用于电子束图像增强的全自动sem采样系统 - Google Patents

用于电子束图像增强的全自动sem采样系统 Download PDF

Info

Publication number
CN113272820A
CN113272820A CN201980087128.7A CN201980087128A CN113272820A CN 113272820 A CN113272820 A CN 113272820A CN 201980087128 A CN201980087128 A CN 201980087128A CN 113272820 A CN113272820 A CN 113272820A
Authority
CN
China
Prior art keywords
image
training
quality
machine learning
patterns
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
CN201980087128.7A
Other languages
English (en)
Inventor
周文天
于良江
王腾
浦凌凌
方伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Netherlands BV
Original Assignee
ASML Netherlands BV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ASML Netherlands BV filed Critical ASML Netherlands BV
Publication of CN113272820A publication Critical patent/CN113272820A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本文中公开了一种自动获取训练图像以训练提高图像质量的机器学习模型的方法。该方法可以包括分析与产品的布局相关的数据的多个图案，以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。该方法可以包括：针对多个训练位置中的每个训练位置获取具有第一质量的第一图像，并且针对多个训练位置中的每个训练位置获取具有第二质量的第二图像，第二质量高于第一质量。该方法可以包括使用第一图像和第二图像来训练机器学习模型。

Description

用于电子束图像增强的全自动SEM采样系统
相关申请的交叉引用
本申请要求于2018年12月31日提交的美国申请62/787,031的优先权，该申请通过整体引用并入本文。
技术领域
本公开总体上涉及用于图像获取的系统和图像增强方法，并且更具体地涉及通过自动获取训练图像以训练提高图像质量的机器学习模型来改进量测的系统和方法。
背景技术
在用于制造集成电路(IC)的制造工艺中，检查未完成或已完成的电路组件以确保它们是根据设计而制造的并且没有缺陷。可以采用如下的检查系统：利用光学显微镜或带电粒子(例如，电子)束显微镜(诸如扫描电子显微镜(SEM))。随着IC元件的物理尺寸不断缩小，缺陷检测的准确性和产率变得越来越重要。然而，检测工具的成像分辨率和产量难以跟上不断减小的IC组件的特征尺寸。本领域需要进一步的改进。
发明内容
以下呈现一个或多个方面的简化概述以提供对这些方面的基本理解。该概述不是对所有预期方面的广泛概述，并且既不旨在标识所有方面的主要或关键元素，也不旨在界定任何或所有方面的范围。其唯一目的是以简化的形式呈现一个或多个方面的一些概念，作为稍后呈现的更详细描述的序言。
在本公开的一个方面，提供了一种自动获取训练图像以训练机器学习模型的方法。该方法可以包括分析与产品的布局相关的数据的多个图案，以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。该方法可以包括针对多个训练位置中的每个训练位置获取具有第一质量的第一图像，并且针对多个训练位置中的每个训练位置获取具有第二质量的第二图像，第二质量高于第一质量。该方法可以包括使用第一图像和第二图像来训练机器学习模型。
在本公开的另一方面，提供了一种用于自动获取训练图像以训练机器学习模型的装置。该装置可以包括存储器和耦合到存储器的一个或多个处理器。处理器可以被配置为分析与产品的布局相关的数据的多个图案，以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。处理器可以进一步被配置为针对多个训练位置中的每个训练位置获取具有第一质量的第一图像，并且针对多个训练位置中的每个训练位置获取具有第二质量的第二图像，第二质量高于第一质量。处理器可以进一步被配置为使用第一图像和第二图像来训练机器学习模型。
在本公开的另一方面，提供了一种存储指令集的非暂态计算机可读介质，该指令集由设备的控制器可执行来使该设备执行方法，该方法包括：分析与产品的布局相关的数据的多个图案，以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用；针对多个训练位置中的每个训练位置获取具有第一质量的第一图像；针对多个训练位置中的每个训练位置获取具有第二质量的第二图像，第二质量高于第一质量；并且使用第一图像和第二图像来训练机器学习模型。
在本公开的另一方面，提供了一种电子束检查设备，该电子束检查设备包括控制器，该控制器具有用以使电子束检查设备执行以下操作的电路系统：分析与产品的布局相关的数据的多个图案，以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用；针对多个训练位置中的每个训练位置获取具有第一质量的第一图像；针对多个训练位置中的每个训练位置获取具有第二质量的第二图像，第二质量高于第一质量；并且使用第一图像和第二图像来训练机器学习模型。
为了实现前述和相关目的，实施例的各方面包括在下文中描述和在权利要求中特别指出的特征。以下描述和附图详细阐述了一个或多个方面的某些说明性特征。然而，这些特征仅指示可以采用各个方面的原理的各种方式中的几种，并且本说明书旨在包括所有这些方面及其等同物。
附图说明
图1是用于改进由SEM采样系统获取的图像的过程的流程图。
图2是示出根据本公开的一些方面的自动SEM采样系统的示例的框图。
图3是示出根据本公开的一些方面的电子束检查(EBI)系统的示例的示意图。
图4是示出根据本公开的一些方面的可以是图3的示例电子束检查(EBI)系统的一部分的电子束工具的示例的示意图。
图5A-图5C示出了根据本公开的一些方面的产品的图形数据库系统(GDS)的多个设计图案。
图5D是示出根据本公开的一些方面的多个训练位置的图。
图6A是示出根据本公开的一些方面的自动获取训练图像以训练机器学习模型的方法的示例的流程图。
图6B是示出根据本公开的一些方面的自动SEM采样系统的细节的框图。
图7是示出根据本公开的一些方面的自动获取训练图像以训练提高图像质量的机器学习模型的方法的示例的框图。
具体实施方式
现在将详细参考实施例的示例方面，其示例在附图中示出。以下描述参考附图，除非另有说明，否则不同附图中的相同数字表示相同或相似的元素。在对实施例的示例方面的以下描述中阐述的实现不代表与本发明一致的所有实现。相反，它们仅是与权利要求中陈述的与本发明相关的实施例的各方面一致的装置和方法的示例。例如，虽然在利用诸如扫描电子显微镜(SEM)等电子束检查(EBI)系统来生成晶片图像的上下文中描述实施例的一些方面，但是本公开不限于此。其他类型的检查系统和图像生成系统类似地被应用。
增强电子设备的计算能力同时减小设备的物理尺寸，可以通过显著增加IC芯片上诸如晶体管、电容器、二极管等电路组件的封装密度来实现。例如，在智能电话中，IC芯片(拇指大小)可以包括超过20亿个晶体管，每个晶体管的大小不到人类头发的1/1000。毫不奇怪，半导体IC制造是一个复杂的过程，有数百个个体步骤。甚至在一个步骤中出现误差，也会显著影响最终产品的功能。甚至一个“致命缺陷”也会导致设备故障。制造工艺的目标是提高工艺的总体产率。例如，针对用以获取75％的产率的50步工艺，每个个体步骤的产率必须大于99.4％，而如果个体步骤的产率为95％，则总体工艺产率将下降到7％。
在半导体制造工艺的各个步骤中，图案缺陷可能出现在晶片、芯片或掩模中的至少一个上，并且可能导致所制造的半导体设备失效，从而在很大程度上降低产率。随着半导体设备尺寸(连同任何缺陷)不断变得越来越小，标识缺陷变得更具挑战性且成本更高。目前，半导体生产线的工程师通常要花费数小时(有时甚至数天)来标识小缺陷的位置，以最小化它们对最终产品的影响。
常规光学检查技术在检查小缺陷(例如，纳米级缺陷)方面是无效的。已经开发出先进的电子束检查(EBI)工具，诸如具有高分辨率和大焦深的SEM，以满足半导体行业的需求。电子束图像可以用于监测半导体制造工艺，特别是对于其中光学检测无法提供足够信息的更高级节点。
电子束图像可以根据一个或多个量来表征，诸如对比度、亮度、噪声水平等。一般而言，低质量图像通常需要更少的参数调谐和更少的扫描，但是嵌入在低质量图像中的信息(诸如缺陷类型和位置)难以提取，这可能会对分析产生负面影响。可以通过增加扫描次数获取高质量图像，高质量图像不会遭受该问题。然而，高质量图像可能具有低产量。
此外，电子束图像获取过程可以经过很多步骤，诸如标识感兴趣图案、设置用于检查的扫描区域、调谐SEM条件、确定质量增强方法等。这些设置和参数中的很多是影响系统产量和电子束图像质量的因素。在产量与图像质量之间可以存在折衷。
为了获取高质量图像并且同时实现高产量，操作人员通常需要设置很多参数并且决定应当如何获取图像。然而，确定这些参数通常并不简单。为了最小化可能的操作人员间的差异，可以训练基于机器学习的增强方法来学习增强框架/网络。在这种情况下，获取足够且有代表性的训练样品有利于提高训练系统的最终性能。然而，获取SEM图像样品的常见过程需要大量人工干预，包括搜索用于扫描的适当的设计图案、确定要收集的许多图像以及各种成像条件等。这种密集的人工参与阻碍了对基于先进机器学习的增强方法的充分利用。因此，需要开发一种用于电子束图像质量增强的全自动智能采样系统。
本文中尤其公开了一种自动获取训练图像以训练提高图像质量的机器学习模型的设备、以及由该设备使用的方法。电子束(E-beam)成像在检查半导体制造工艺中的非常小的缺陷(例如，0.000000001米的纳米级缺陷)方面发挥着重要作用。通常，可以非常快速地获取很多质量相对较低的电子束图像，但图像可能无法提供有关诸如缺陷类型和位置等问题的足够的有用信息。另一方面，可以获取高质量的图像，但这样做需要更多时间，因此降低了设备能够被分析的速度。这增加了制造成本。可以多次扫描样品以提高图像质量，诸如通过对多个图像进行平均来减少噪声。然而，多次扫描每个样品会降低系统产量，并且可能导致电荷积聚或可能损坏样品。
本文中公开的一些系统和方法体现了用于通过减少样品的扫描次数(在一些实施例中，通过自动选择用以使用来生成用于机器学习(ML)算法的训练图像的样品位置)来获取高质量图像的方式。术语“质量”是指分辨率、对比度、灵敏度、亮度或噪声水平等。本文中公开的一些系统和方法可以获取更高质量图像的益处而不会过度减慢生产。该系统的一些实施例可以自动分析与产品的布局相关的数据的多个图案，以便标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。数据图案可以是产品的SEM图像、或产品的布局设计(例如，图形数据库系统(GDS)、开放艺术品系统交换标准(OASIS)、加州理工学院中间格式(CIF)等)表示。例如，GDS分析器可以被用于确定样品上的要用于训练ML算法的良好位置。这些位置被多次扫描，从而产生图像资产，其中一些图像随着每次扫描而逐步改进，诸如由于噪声平均或在SEM上使用更高分辨率设置。这些图像(例如，较低质量的图像和相关的较高质量的图像)被用作用以训练ML算法的训练样品。样品上的其他位置的扫描次数减少，并且ML算法修改图像以近似如何通过附加扫描或通过使用更高分辨率设置的扫描来逐步改进图像。
本公开提供了一种自动获取训练图像以训练提高图像质量的机器学习模型的方法。该方法可以包括分析与产品的布局相关的数据的多个图案，以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。例如，该方法可以包括分析来自产品的图形数据库系统(GDS)的多个图案，并且基于该分析来标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。
作为示例，该方法可以针对多个训练位置中的每个训练位置获取一个或多个低质量图像和一个或多个高质量图像。该方法可以使用低质量图像和高质量图像来训练机器学习模型。例如，机器学习模型可以学习图像如何在低质量图像与高质量图像之间变化，并且可以被训练以从低质量图像生成能够近似高质量图像的图像。在训练之后，机器学习模型可以被用于针对产品从低质量图像自动生成高质量图像。以这种方式，可以快速获取高质量图像。此外，该方法可以最小化所需要的人工监督量，防止由不同操作人员使用而导致的不一致，并且避免各种人为误差。因此，该方法可以提高检查准确性。因此，该方法可以提高制造效率并且降低制造成本。
作为示例，该方法还可以包括使用机器学习模型来修改图像以近似通过扫描次数增加而获取的结果。术语“近似”是指在质量上接近或相似。例如，使用机器学习模型的图像质量可以与通过增加扫描次数而获取的图像的质量相差在5％、10％、15％或20％以内。
本文中公开的一些方法有利于以高产量生成高质量图像。此外，一些方法可以需要最少的人为干预，减少或消除不同操作人员的不一致和各种人为误差，从而提高检查的准确性。以这种方式，可以提高制造效率并且可以降低制造成本。
一些公开的实施例提供了一种用于电子束图像增强的全自动智能电子束图像采样系统，该系统包括GDS图案分析器和智能检查采样计划器，用于收集样品图像以馈送到机器学习质量增强系统中以生成非参数化的质量增强模块。自动智能电子束图像采样系统可以用于增强以较高产量模式收集的较低质量图像。自动智能电子束图像采样系统的优势在于需要最少的人工干预并且生成具有高产量的高质量图像以用于检查和量测分析。有利地，自动智能电子束图像采样系统可以提高制造效率并且降低制造成本。
图1是根据本公开的一些方面的用于改进由SEM采样系统102获取的图像的过程的流程图100。自动智能SEM采样系统102可以例如是图3的EBI系统300。SEM采样系统102可以被配置为获取训练图像以训练提高图像质量的机器学习模型。自动智能SEM采样系统102可以被配置为分析与产品的布局相关的数据的多个图案，以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。例如，数据可以在数据库中。例如，数据库可以是GDS、开放艺术品系统交换标准或加州理工学院中间格式中的任何一种。例如，GDS可以包括GDS和GDSII。此外，自动智能SEM采样系统102可以包括被配置为分析来自产品的图形数据库系统(GDS)101的多个图案的GDS图案分析器。自动智能SEM采样系统102可以另外包括智能检查采样计划器，智能检查采样计划器被配置为基于该分析来标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。
自动智能SEM采样系统102可以被配置为针对多个训练位置中的每个训练位置获取具有第一质量的第一图像。例如，系统102可以被配置为针对多个训练位置中的每个训练位置启用第一扫描以针对多个训练位置中的每个训练位置获取第一图像。自动智能SEM采样系统102可以被配置为基于第一扫描针对多个训练位置中的每个训练位置获取第一图像。此外，系统102可以被配置为针对多个训练位置中的每个训练位置获取具有第一质量的一个以上的第一图像。例如，第一扫描可以包括较少次数的扫描并且第一图像可以是低质量图像。该较少次数的扫描可以是次数大约为例如1到大约10次范围内的扫描。自动智能SEM采样系统102可以被配置为针对多个训练位置中的每个训练位置获取第二图像，其中第二图像具有高于第一质量的第二质量。例如，第二图像可以是高质量图像。由于具有更高的分辨率、更高的对比度、更高的灵敏度、更高的亮度或更低的噪声水平等、或者这些的某种组合，第二图像可以是更高质量的图像。
例如，系统102可以被配置为针对多个训练位置中的每个训练位置获取具有第二质量的一个以上的第二图像。例如，第二图像可以通过启用第二组(或系列)扫描来获取，其中该组(或系列)扫描可以包括增加扫描次数，从而产生更高质量的图像。例如，该增加扫描次数可以是大约32到大约256次范围内的次数的扫描。作为另一示例，可以通过获取多个低质量图像并且对这些图像求平均以产生更高质量的图像(例如，由于平均而产生的噪声更少)来获取更高质量的图像。作为又一示例，可以通过组合多个低质量图像以产生更高质量的图像来获取更高质量的图像。作为又一示例，通过可选的用户输入，第二图像可以被接收作为参考图像，如105所示。作为又一示例，可以基于改进质量的扫描获取第二图像，诸如使用更高的分辨率或能够提高扫描质量的其他设置改变。
自动智能SEM采样系统102可以使用多个训练位置中的每个训练位置的第一图像和第二图像作为训练图像来训练机器学习模型。在一些方面，自动智能SEM采样系统102可以被配置为针对每个训练位置多次启用扫描以针对每个位置创建多个训练图像，其中一些训练图像反映了由训练位置的附加次数的扫描所产生的图像质量的改进。例如，可以获取多个低质量图像和高质量图像对并将其用作训练图像来训练机器学习模型。例如，自动智能SEM采样系统102可以收集样品图像(例如，训练图像对)以馈送到基于机器学习的质量增强系统107中以生成非参数化质量增强模块。自动智能SEM采样系统可以用于增强在高产量模式的操作期间收集的低质量图像108，以生成增强的高质量图像109。例如，自动智能SEM采样系统102可以被配置为使用机器学习模型来修改图像以近似通过扫描次数增加而获取的结果。全自动智能SEM采样系统102的优点是需要最少的人工干预，同时能够生成具有高产量的高质量图像以用于检查和量测分析。
图2是示出根据本公开的一些方面的自动SEM采样系统202的示例的框图200。如图2所示，自动SEM采样系统200可以包括与检查系统212和参考存储设备210通信的计算机系统202(例如，图3中的计算机系统309)。例如，检查系统212可以是EBI工具(例如，图3的EBI系统300)。计算机系统202可以包括处理器204、存储介质206和用户界面208。处理器204可以包括多个处理器，并且存储介质206和参考存储设备210可以是同一存储介质。计算机系统202可以经由有线或无线通信来与检查系统212和参考存储设备210通信。例如，计算机系统可以是EBI工具的控制器，并且控制器可以具有用以使EBI工具执行自动SEM采样的电路系统。
计算机系统202可以包括但不限于个人计算机、工作站、网络计算机或具有一个或多个处理器的任何设备。存储介质206存储SEM采样指令，并且处理器204被配置(经由其电路系统)为执行SEM采样指令以控制自动SEM采样过程。处理器204可以被配置为获取训练图像以训练改进图像质量的机器学习模型，如结合图1所描述的。例如，处理器204可以被配置为分析产品的多个GDS图案并且标识产品的样品上的多个训练位置。处理器204可以与检查系统212通信以针对多个训练位置中的每个训练位置启用第一扫描，以针对多个训练位置中的每个训练位置获取第一图像。例如，处理器204可以指示检查系统212执行第一扫描以获取至少一个图像，该至少一个图像可以是具有较少扫描次数的低质量图像。处理器204可以基于来自检查系统212的第一扫描针对多个训练位置中的每个训练位置获取第一图像。处理器204还可以针对多个训练位置中的每个训练位置获取第二图像，第二图像可以是高质量图像。例如，处理器204可以指示检查系统212执行具有增加扫描次数的第二扫描以获取高质量图像。又例如，处理器204可以通过可选的用户输入从参考存储设备210获取高质量图像作为参考图像。处理器202可以被配置为使用多个训练位置中的每个训练位置的第一图像(例如，低质量图像)和第二图像(例如，高质量图像)作为训练图像来训练机器学习模型。在一些方面，可以获取多个低质量图像和高质量图像对并将其用作训练图像来训练机器学习模型。处理器204可以进一步被配置为使用机器学习模型修改具有低质量的新位置的第一图像并且生成新位置的高质量图像。
用户界面208可以包括被配置为显示晶片图像的显示器、被配置为向计算机系统202传输用户命令的输入设备等。显示器可以是用于向计算机用户显示信息的、可以示出文本和图形图像的任何类型的计算机输出表面和投影机构，包括但不限于阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)、气体等离子体、触摸屏或其他图像投影技术。输入设备可以是用于从操作人员向计算机系统202提供数据和控制信号的任何类型的计算机硬件设备。输入设备可以包括但不限于用于向处理器传送方向信息和命令选择或用于控制显示器上的光标移动的键盘、鼠标、扫描仪、数码相机、操纵杆、轨迹球、光标方向键、触摸屏显示器或音频/视频指令器等。
参考存储设备210可以存储在自动SEM采样过程中由计算机系统202访问的参考文件数据库。在一些实施例中，参考存储设备210可以是计算机系统202的一部分。用于检查晶片的参考图像文件可以由操作人员手动提供给计算机系统202。备选地，参考存储设备210可以用处理器来实现并且参考图像文件可以由参考存储设备210自动提供给计算机系统202。参考存储设备210可以是被配置为存储和提供任何参考图像的远程服务器计算机，可以是云存储等等。
检查系统212可以是能够生成晶片图像的任何检查系统。例如，晶片可以是产品的样品，其中由处理器204分析GDS的多个设计图案。晶片可以是半导体晶片衬底、具有一个或多个外延层或工艺膜的半导体晶片衬底。本公开的实施例不限于用于晶片检测系统212的特定类型，只要晶片检测系统能够生成具有足够高分辨率的晶片图像，以观察晶片上的关键特征(例如，小于20nm)，这与当代半导体代工技术一致。在本公开的一些方面，检查系统212是关于图3描述的电子束检查(EBI)系统304。
一旦晶片图像被检查系统212获取，晶片图像就可以被传送到计算机系统202。计算机系统202和参考存储设备210可以是检查系统212的一部分或远离检查系统212。
在实施例的一些方面，自动SEM采样系统202还可以包括检查系统212和参考存储设备210。例如，自动SEM采样系统202可以进一步被配置为针对多个训练位置中的每个训练位置执行第一扫描以针对多个训练位置中的每个训练位置获取至少一个第一图像。又例如，自动SEM采样系统202可以进一步被配置为针对多个训练位置中的每个训练位置执行第二扫描以针对多个训练位置中的每个训练位置获取至少一个第二图像。例如，由于增加扫描次数，至少一个第二图像可以具有增强的质量。
图3是示出根据本公开的一些方面的示例电子束检查系统的示意图。如图3所示，电子束检测系统300包括主室302、加载/锁定室304、电子束工具306、计算机系统309和设备前端模块308。计算机系统309可以是电子束检查系统300的控制器。电子束工具306位于主室302内。设备前端模块308包括第一加载端口308a和第二加载端口308b。设备前端模块308可以包括附加加载端口。第一加载端口308a和第二加载端口308b接收晶片盒，晶片盒容纳要检查的晶片(例如，半导体晶片或由其他材料制成的晶片)或样品(晶片和样品在下文中统称为“晶片”)。设备前端模块308中的一个或多个机械臂(未示出)将晶片传送到加载/锁定室304。加载/锁定室304连接到加载/锁定真空泵系统(未示出)，该加载/锁定真空泵系统去除加载/锁定室304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)将晶片从加载/锁定室304传送到主室302。主室302连接到主室真空泵系统(未示出)，该主室真空泵系统去除主室302中的气体分子以达到低于第一压力的第二压力。在达到第二压力之后，晶片受到电子束工具306的检查。电子束工具306可以多次扫描某个位置以获取图像。通常，低质量图像可以通过较少次数的扫描以高产量获取，而高质量图像可以通过大量扫描以低产量获取。
图4是示出根据本公开的一些方面的可以是图3的示例电子束检查系统的一部分的电子束工具400(例如，306)的示例的示意图。图4示出了根据本公开的一些方面的电子束工具306的组件的示例。如图4所示，电子束工具400可以包括机动台架400和晶片保持器402，晶片保持器402由机动台架400支撑以保持待检查的晶片403。电子束工具400还包括物镜组件404、电子检测器406(其包括电子传感器表面)、物镜孔径408、聚光透镜410、光束限制孔径412、枪孔径414、阳极416和阴极418。在一些方面，物镜组件404可以包括改进的摆动物镜阻滞浸没透镜(SORIL)，该SORIL包括极靴404a、控制电极404b、偏转器404c和励磁线圈404d。电子束工具400还可以包括能量色散X射线光谱仪(EDS)检测器(未示出)以表征晶片上的材料。
通过在阳极416与阴极418之间施加电压，初级电子束420从阴极418被发射。初级电子束420穿过枪孔径414和光束限制孔径412，枪孔径414和光束限制孔径412两者都可以确定进入位于光束限制孔径412之下的聚光透镜410的电子束的尺寸。聚光透镜410在光束进入物镜孔径408之前聚焦初级电子束420以在电子束进入物镜组件404之前设置电子束的尺寸。偏转器404c偏转初级电子束420以促进晶片上的光束扫描。例如，在扫描过程中，偏转器404c可以被控制以在不同时间点将初级电子束420依次偏转到晶片403的顶表面的不同位置上，以针对晶片403不同部分的图像重构提供数据。此外，偏转器404c可以进一步被控制以在不同时间点在特定位置将初级电子束420偏转到晶片403的不同侧，以针对晶片结构在该位置处的立体图像重构提供数据。此外，在一些方面，阳极416和阴极418可以被配置为生成多个初级电子束420，并且电子束工具400可以包括多个偏转器404c以将多个初级电子束420同时投射到晶片的不同部分/侧，以针对晶片203不同部分的图像重构提供数据。
励磁线圈404d和极靴404a生成从极靴404a的一端开始并且在极靴404a的另一端终止的磁场。被初级电子束420扫描的晶片403的一部分可以浸没在磁场中并且可以被充电，这进而产生电场。在光束与晶片碰撞之前，电场降低了撞击晶片表面附近的初级电子束420的能量。与极靴404a电隔离的控制电极404b控制晶片上的电场以防止晶片的微拱并且确保正确的光束聚焦。
在接收到初级电子束420时，二次电子束422可以从晶片403的一部分被发射。二次电子束422可以在电子检测器406的传感器的表面上形成束斑。电子检测器406可以生成代表束斑强度的信号(例如，电压、电流等)并且将该信号提供给处理系统(未示出)。二次电子束422的强度、和产生的束斑可以根据晶片403的外部或内部结构而变化。此外，如上所述，初级电子束420可以被投射到晶片顶表面的不同位置上，以生成不同强度的二次电子束422(和产生的束斑)。因此，通过将束斑的强度映射到晶片403的位置，处理系统可以重构反映晶片403的内部或外部结构的图像。一旦电子束工具126获取晶片图像，晶片图像就可以被传输给计算机系统402(例如，如图2所示的202)。
图5A-图5C示出了根据本公开的一些方面的诸如产品的GDS数据库的数据库的多个设计图案。本文中公开的自动SEM采样系统可以被配置为执行自动获取训练图像以训练提高图像质量的机器学习模型的方法。例如，自动SEM采样系统可以是EBI工具的控制器，并且控制器可以具有用以使EBI工具执行自动SEM采样的电路系统。例如，自动SEM采样系统可以包括GDS分析器(例如，GDS分析器组件)。GDS分析器可以被配置为基于各种特征来执行图案分析和分类，即，线图案、逻辑图案、1D/2D图案、密集/隔离图案等。相同图案可以经由图案分组被分组在一起。
例如，可以从GDS输入渲染多个制造设计图案。在这个阶段，多个图案是散射图案。可以分析和提取每个图案的各种特征，诸如管芯内的图案位置、形状、大小、密度、邻域布局、图案类型等。
此外，可以基于所提取的特征将多个设计图案分类为不同类别。如图5A-图5C所示，可以经由图案分组将具有相似或相同形状的图案子集分组在一起。例如，第一图案子集(组1)可以包括与图案501a具有相同或相似形状的图案。例如，第二图案子集(组2)可以包括与图案501b具有相同或相似形状的图案。例如，第三图案子集(组3)可以包括与图案501c具有相同或相似形状的图案。每个图案组可以与对应元数据相关联，元数据可以包括管芯内的图案位置、图案类型、形状、大小和其他提取特征的信息。
自动SEM采样系统可以包括智能检查采样计划器(例如，检查采样计划器组件)。智能检查采样计划器可以基于分析器的分析结果标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。产品的GDS数据库可以具有和与每个图案组相关联的位置相关的信息。因此，从GDS渲染的设计图案可以包含位置信息。因此，通过分析和标识来自GDS的图案组，可以确定对应图案组在产品的晶片上的位置。
图5D是示出晶片503(例如，结合图4描述的403)上的多个训练位置506t的图500d。对于每个图案组，有多个潜在位置506来获取训练图像，如图5D所示。自动SEM采样系统可以进一步被配置为确定用于获取训练图像的一个或多个特定训练位置506t。例如，根据分析器的分析结果，SEM采样系统可以基于管芯内的位置、检查区域、视场(FOV)、或诸如晶片中的覆盖区域上的局部对准点(LAP)和自动聚焦点等其他成像参数中的一个或多个，来标识一个或多个训练位置。例如，对于每个图案组，SEM采样系统可以至少部分基于管芯内的位置来确定一个或多个训练位置。计划器可以自动生成整个晶片上的管芯采样。
可以基于所有图案组的总体扫描区域来分析和创建扫描路径。扫描路径可以由诸如位置、FOV等参数或这些的某种组合来确定。此外，可以根据电子束工具的方案来使用扫描路径以及其他参数，诸如FOV、形状、类型等。电子束工具可以被配置为按照方案自动扫描和捕获用于机器学习模块的训练图像。例如，可以基于诸如视场(FOV)数和每个FOV之间的距离等因素来确定LAP和自动聚焦点。
图6A是示出根据本公开的一些方面的用于自动获取训练图像610以训练提高图像质量的机器学习模型615的系统的流程图的框图600a。图6B是示出根据本公开的一些方面的自动SEM采样系统的细节的框图600b。参考图6A和图6B，由该系统实现的方法可以由与EBI工具612(例如，EBI系统300)通信的自动SEM采样系统602(例如，处理器604、计算机系统309)执行。例如，自动SEM采样系统可以是EBI工具的控制器，并且控制器可以具有用以使EBI工具执行该方法的电路系统。例如，该方法可以包括通过GDS分析器603(例如，处理器的GDS分析器组件603)执行图案分析和分类。图案分析和分类可以基于各种特征来执行，例如，线图案、逻辑图案、1D/2D图案、密集/孤立图案等。该方法还可以包括经由图案分组将相同或相似图案分组在一起。
该方法可以包括通过采样计划器605(例如，处理器的采样计划器组件605)基于分析步骤的分析结果，确定作为训练位置的扫描区域。分析步骤的分析结果可以包括具有管芯的图案位置、检查区域、FOV大小以及LAP点和自动聚焦点以及基于晶片中的覆盖区域的其他成像参数。
该方法可以包括通过用户界面608针对每个训练位置多次启用扫描，以针对每个训练位置创建多个训练图像610，并且从EBI工具612获取多个训练图像610。例如，多个图像中的一些可以是低质量图像，例如，使用较少次数的扫描而生成的。例如，多个图像中的一些可以具有增强的图像质量，例如，使用增加次数的扫描而生成的。增强的图像质量可以指代更高的分辨率、更高的对比度、更高的灵敏度、更高的亮度或更低的噪声水平等。例如，一些训练图像610可以反映由训练位置的附加次数的扫描产生的图像质量的改进。在一些方面，可以经由用户界面608获取多个低质量图像和高质量图像对，并且将其用作训练图像610来训练机器学习模型615。例如，低质量SEM图像模式可以基于默认设置或用户输入的产量要求。例如，高质量SEM图像模式可以基于默认设置或用户输入的质量要求。在一些方面，用户还可以选择直接输入高质量参考图像611。例如，高质量参考图像611可以存储在存储介质606中。在这种情况下，可以跳过高质量图像的获取。
该方法还可以包括使用机器学习模型615(例如，处理器的机器学习模型组件)来修改图像以近似通过扫描次数增加而获取的结果。可以在机器学习模型615中采用各种机器学习方法来从训练图像对610学习增强框架。机器学习模型615可以是参数化的。可以为机器学习模型615收集数据。
质量增强模块617(例如，处理器的质量增强模块617)可以针对每种类型的感兴趣图案在使用机器学习模型的步骤结束时被学习。质量增强模块617可以在高产量模式下直接用于检查或量测目的。在基于从自动采样系统602采样的图像被训练之后，质量增强模块617可以在没有训练数据的情况下用于图像增强。因此，质量增强模块617可以是非参数化，其不涉及使用过多参数设置(这可能导致过多开销)。因此，质量增强模块617有利于以高产量生成高质量图像，从而提高制造效率并且降低制造成本。
图7是示出根据本公开的一些方面的自动获取训练图像以训练提高图像质量的机器学习模型的方法的示例的流程图700。该方法可由与EBI工具(例如，212、612)通信的自动SEM采样系统(例如，102、202、602)执行。例如，自动SEM采样系统可以是EBI工具的控制器，并且控制器可以具有用以使EBI工具执行该方法的电路系统。
如图7所示，在步骤702，该方法可以包括分析与产品的布局相关的数据的多个图案，以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用。例如，数据可以在数据库中。例如，数据库可以是图形数据库系统(GDS)、开放艺术品系统交换标准或加州理工学院中间格式等中的任何一种。例如，GDS可以包括GDS和GDSII。
例如，分析与产品的布局相关的数据的多个图案的步骤还可以包括将多个图案分类为多个图案子集。例如，分析与产品的布局相关的数据的多个图案的步骤还可以包括从多个图案中提取特征。例如，将多个图案分类为多个图案子集可以基于所提取的特征。例如，多个图案子集中的每个子集可以与以下项相关联：与位置、类型、形状、大小、密度或邻域布局相关的信息。例如，标识多个训练位置可以基于视场、局部对准点或自动聚焦点。例如，标识多个训练位置可以包括针对每个图案子集标识一个或多个训练位置。
在步骤704，该方法可以包括针对多个训练位置中的每个训练位置获取具有第一质量的第一图像。例如，针对多个训练位置中的每个训练位置获取具有第一质量的第一图像的步骤包括针对多个训练位置中的每个训练位置获取具有第一质量的一个以上的第一图像。
例如，该方法还可以包括确定第一扫描路径，第一扫描路径包括用于获取第一图像的第一扫描。例如，第一扫描路径可以基于多个训练位置的总体扫描区域。例如，第一扫描路径可以由诸如位置、FOV等一些参数确定。此外，第一扫描路径连同诸如FOV、形状、类型等其他参数可以向电子束工具提供第一方案。电子束工具可以被配置为遵循第一方案以自动扫描和捕获用于机器学习模块的图像。
在步骤706，该方法可以包括针对多个训练位置中的每个训练位置获取具有第二质量的第二图像。例如，第二质量可以高于第一质量。例如，针对多个训练位置中的每个训练位置获取具有第二质量的第二图像的步骤包括针对多个训练位置中的每个训练位置获取具有第二质量的一个以上的第二图像。
例如，该方法可以包括确定第二扫描路径，第二扫描路径包括用于获取第二图像的第二扫描。例如，第二扫描路径基于多个训练位置的总体扫描区域。例如，第二扫描路径可以由诸如位置、FOV等一些参数确定。此外，第二扫描路径连同诸如FOV、形状、类型等其他参数可以向电子束工具提供第二方案。电子束工具可以被配置为遵循第二方案来自动扫描和捕获用于机器学习模块的图像。例如，第一扫描可以包括第一扫描次数，第二扫描可以包括第二扫描次数，其中第二扫描次数可以大于第一扫描次数。
例如，第二图像可以通过可选的用户输入被获取作为参考图像。
在步骤708，该方法可以包括使用第一图像和第二图像来训练机器学习模型。
在步骤710，该方法可以包括使用机器学习模型来修改图像以近似通过扫描次数增加而获取的结果。
例如，该方法还可以包括使用机器学习模型来修改某一位置的第一图像以获取该位置的第二图像，其中第二图像具有比第一图像增强的质量。以这种方式，该方法有利于以高产量获取高质量图像，从而提高制造效率并且降低制造成本。此外，该方法是全自动的。因此，该方法可以防止来自不同操作人员的人为误差和不一致。因此，该方法更有利于提高检测准确性。
现在再次参考图2，计算机系统202可以是检查系统212(例如，电子束检查系统)的控制器，并且该控制器可以包括用于以下操作的电路系统：分析与产品的布局相关的数据的多个图案以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用；针对多个训练位置中的每个训练位置获取具有第一质量的第一图像；针对多个训练位置中的每个训练位置获取具有第二质量的第二图像，第二质量高于第一质量；并且使用第一图像和第二图像来训练机器学习模型。
进一步参考图2，存储介质206可以是存储指令集的非暂态计算机可读介质，该指令集由设备的控制器可执行来使该设备执行方法，该方法包括：分析与产品的布局相关的数据的多个图案以标识产品的样品上的多个训练位置，用以与训练机器学习模型相关地使用；针对多个训练位置中的每个训练位置获取具有第一质量的第一图像；针对多个训练位置中的每个训练位置获取具有第二质量的第二图像，第二质量高于第一质量；并且使用第一图像和第二图像来训练机器学习模型。
可以使用以下条款进一步描述实施例：
1.一种自动获取用于训练机器学习模型的训练图像的方法，所述方法包括：
分析与产品的布局相关的数据的多个图案，来标识用以与训练所述机器学习模型相关地使用的多个训练位置；
针对所述多个训练位置中的每个训练位置获取具有第一质量的第一图像；
针对所述多个训练位置中的每个训练位置获取具有第二质量的第二图像，所述第二质量高于所述第一质量；以及
使用所述第一图像和所述第二图像来训练所述机器学习模型。
2.根据条款1所述的方法，其中所述数据在数据库中。
3.根据条款2所述的方法，其中所述数据库是图形数据库系统(GDS)、开放艺术品系统交换标准或加州理工学院中间格式中的任何一种。
4.根据条款3所述的方法，其中所述GDS包括GDS格式数据或GDSII格式数据。
5.根据条款1所述的方法，其中针对所述多个训练位置中的每个训练位置获取具有第一质量的第一图像的步骤包括：针对所述多个训练位置中的每个训练位置获取具有第一质量的一个以上的第一图像。
6.根据条款1所述的方法，其中针对所述多个训练位置中的每个训练位置获取具有第二质量的第二图像的步骤包括：针对所述多个训练位置中的每个训练位置获取具有第二质量的一个以上的第二图像。
7.根据条款1所述的方法，其中分析与产品的布局相关的数据的多个图案的步骤还包括：将所述多个图案分类为多个图案子集。
8.根据条款1至7中任一项所述的方法，其中分析与产品的布局相关的数据的多个图案的步骤还包括从所述多个图案中提取特征。
9.根据条款8所述的方法，其中所提取的特征包括形状、大小、密度或邻域布局。
10.根据条款7所述的方法，其中将所述多个图案分类为多个图案子集是基于所提取的特征。
11.根据条款7所述的方法，其中所述多个图案子集中的每个子集与以下项相关联：与位置、类型、形状、大小、密度或邻域布局相关的信息。
12.根据条款1至11中任一项所述的方法，其中标识所述多个训练位置基于视场、局部对准点或自动聚焦点。
13.根据条款1至12中任一项所述的方法，其中所述方法还包括确定包括用于获取所述第一图像的第一扫描的第一扫描路径，所述第一扫描路径基于所述多个训练位置的总体扫描区域。
14.根据条款13所述的方法，其中所述方法还包括
确定包括用于获取所述第二图像的第二扫描的第二扫描路径，所述第二扫描路径基于所述多个训练位置的总体扫描区域。
15.根据条款14所述的方法，其中所述第一扫描包括第一扫描次数，其中所述第二扫描包括第二扫描次数，并且其中所述第二扫描次数大于所述第一扫描次数。
16.根据条款1至13中任一项所述的方法，其中所述第二图像通过可选的用户输入被获取作为参考图像。
17.根据条款1至16中任一项所述的方法，还包括
使用所述机器学习模型来修改位置的第一图像以获取所述位置的第二图像，其中所述第二图像具有比所述第一图像增强的质量。
18.根据条款1至17中任一项所述的方法，其中标识所述多个训练位置包括针对每个图案子集标识一个或多个训练位置。
19.根据条款1至18中任一项所述的方法，其中所述质量包括分辨率、对比度、亮度或噪声水平。
20.根据条款1至19中任一项所述的方法，还包括
使用所述机器学习模型来修改图像以近似通过扫描次数增加而获取的结果。
21.一种用于自动获取训练图像以训练提高图像质量的ML模型的装置，所述装置包括：
存储器；以及
至少一个处理器，耦合到所述存储器并且被配置为：
分析与产品的布局相关的数据的多个图案，来标识用以与训练所述机器学习模型相关地使用的多个训练位置；
针对所述多个训练位置中的每个训练位置获取具有第一质量的第一图像；
针对所述多个训练位置中的每个训练位置获取具有第二质量的第二图像，所述第二质量高于所述第一质量；以及
使用所述第一图像和所述第二图像来训练所述机器学习模型。
22.根据条款21所述的装置，其中所述数据在数据库中。
23.根据条款22所述的装置，其中所述数据库是图形数据库系统(GDS)、开放艺术品系统交换标准或加州理工学院中间格式中的任何一种。
24.根据条款23所述的装置，其中所述GDS包括GDS格式数据或GDSII格式数据。
25.根据条款21所述的装置，其中所述至少一个处理器进一步被配置为针对所述多个训练位置中的每个训练位置获取具有第一质量的一个以上的第一图像。
26.根据条款21所述的装置，其中所述至少一个处理器进一步被配置为针对所述多个训练位置中的每个训练位置获取具有第二质量的一个以上的第二图像。
27.根据条款21所述的装置，其中所述至少一个处理器进一步被配置为将所述多个图案分类为多个图案子集。
28.根据条款21所述的装置，其中所述至少一个处理器进一步被配置为从所述多个图案中提取特征。
29.根据条款28所述的装置，其中所提取的特征包括形状、大小、密度或邻域布局。
30.根据条款27所述的装置，其中所述至少一个处理器进一步被配置为基于所提取的特征将所述多个图案分类为多个图案子集。
31.根据条款27所述的装置，其中所述多个图案子集中的每个子集与以下项相关联：与位置、类型、形状、大小、密度或邻域布局相关的信息。
32.根据条款21至31中任一项所述的装置，其中所述至少一个处理器进一步被配置为基于视场、局部对准点或自动聚焦点来标识所述多个训练位置。
33.根据条款21至32中任一项所述的装置，其中所述至少一个处理器进一步被配置为
确定包括用于获取所述第一图像的第一扫描的第一扫描路径，所述第一扫描路径基于针对所述多个训练位置的总体扫描区域。
34.根据条款33所述的装置，其中所述至少一个处理器进一步被配置为
确定包括用于获取所述第二图像的第二扫描的第二扫描路径，所述第二扫描路径基于针对所述多个训练位置的总体扫描区域。
35.根据条款34所述的装置，其中所述第一扫描包括第一扫描次数，其中所述第二扫描包括第二扫描次数，并且其中所述第二扫描次数大于所述第一扫描次数。
36.根据条款21至33中任一项所述的装置，其中所述第二图像通过可选的用户输入被接收作为参考图像。
37.根据条款21至36中任一项所述的装置，其中所述至少一个处理器进一步被配置为
使用所述机器学习模型来修改位置的第一图像以获取所述位置的第二图像，其中所述第二图像具有比所述第一图像增强的质量。
38.根据条款21至37中任一项所述的装置，其中所述至少一个处理器进一步被配置为
针对每个图案子集标识一个或多个训练位置。
39.根据条款21至38中任一项所述的装置，其中所述质量包括分辨率、对比度、亮度或噪声水平。
40.根据条款21至39中任一项所述的装置，其中所述至少一个处理器进一步被配置为
使用所述机器学习模型来修改图像以近似通过扫描次数增加而获取的结果。
41.一种存储指令集的非暂态计算机可读介质，所述指令集由设备的控制器可执行来使所述设备执行方法，所述方法包括：
分析与产品的布局相关的数据的多个图案，来标识用以与训练机器学习模型相关地使用的多个训练位置；
针对所述多个训练位置中的每个训练位置获取具有第一质量的第一图像；
针对所述多个训练位置中的每个训练位置获取具有第二质量的第二图像，所述第二质量高于所述第一质量；以及
使用所述第一图像和所述第二图像来训练所述机器学习模型。
42.根据条款41所述的非暂态计算机可读介质，其中所述数据在数据库中。
43.根据条款42所述的非暂态计算机可读介质，其中所述数据库是图形数据库系统(GDS)、开放艺术品系统交换标准、加州理工学院中间格式或电子设计交换格式中的任何一种。
44.根据条款43所述的非暂态计算机可读介质，其中所述GDS包括GDS或GDSII中的至少一种。
45.根据条款41所述的非暂态计算机可读介质，其中针对所述多个训练位置中的每个训练位置获取具有第一质量的第一图像的步骤还包括：针对所述多个训练位置中的每个训练位置获取具有第一质量的一个以上的第一图像。
46.根据条款41所述的非暂态计算机可读介质，其中针对所述多个训练位置中的每个训练位置获取具有第二质量的第二图像的步骤包括：针对所述多个训练位置中的每个训练位置获取具有第二质量的一个以上的第二图像。
47.根据条款41所述的非暂态计算机可读介质，其中分析与产品的布局相关的数据的多个图案的步骤还包括：将所述多个图案分类为多个图案子集。
48.根据条款41至47中任一项所述的非暂态计算机可读介质，其中分析与产品的布局相关的数据的多个图案的步骤还包括：从所述多个图案中提取特征。
49.根据条款48所述的非暂态计算机可读介质，其中所提取的特征包括形状、大小、密度或邻域布局。
50.根据条款47所述的非暂态计算机可读介质，其中将所述多个图案分类为多个图案子集是基于所提取的特征。
51.根据条款47所述的非暂态计算机可读介质，其中所述多个图案子集中的每个子集与以下项相关联：与位置、类型、形状、大小、密度或邻域布局相关的信息。
52.根据条款41至51中任一项所述的非暂态计算机可读介质，其中标识所述多个训练位置基于视场、局部对准点或自动聚焦点。
53.根据条款41至52中任一项所述的非暂态计算机可读介质，其中所述方法还包括
确定包括用于获取所述第一图像的第一扫描的第一扫描路径，所述第一扫描路径基于所述多个训练位置的总体扫描区域。
54.根据条款53所述的非暂态计算机可读介质，其中所述方法还包括
确定包括用于获取所述第二图像的第二扫描的第二扫描路径，所述第二扫描路径基于所述多个训练位置的总体扫描区域。
55.根据条款54所述的非暂态计算机可读介质，其中所述第一扫描包括第一扫描次数，其中所述第二扫描包括第二扫描次数，并且其中所述第二扫描次数大于所述第一扫描次数。
56.根据条款41至53中任一项所述的非暂态计算机可读介质，其中所述第二图像通过可选的用户输入被获取作为参考图像。
57.根据条款41至56中任一项所述的非暂态计算机可读介质，其中所述方法还包括使用所述机器学习模型来修改位置的第一图像以获取所述位置的第二图像，其中所述第二图像具有比所述第一图像增强的质量。
58.根据条款41至57中任一项所述的非暂态计算机可读介质，其中标识所述多个训练位置包括：针对每个图案子集标识一个或多个训练位置。
59.根据条款41至58中任一项所述的非暂态计算机可读介质，其中所述质量包括分辨率、对比度、亮度或噪声水平。
60.根据条款41至59中任一项所述的非暂态计算机可读介质，其中所述方法还包括
使用所述机器学习模型来修改图像以近似通过扫描次数增加而获取的结果。
61.一种电子束检查设备，包括：
控制器，具有用以使所述电子束检查设备执行以下操作的电路系统：
分析与产品的布局相关的数据的多个图案，来标识用以与训练机器学习模型相关地使用的多个训练位置；
针对所述多个训练位置中的每个训练位置获取具有第一质量的第一图像；
针对所述多个训练位置中的每个训练位置获取具有第二质量的第二图像，所述第二质量高于所述第一质量；以及
使用所述第一图像和所述第二图像来训练所述机器学习模型。
62.根据条款61所述的电子束检查设备，其中所述数据在数据库中。
63.根据条款62所述的电子束检查设备，其中所述数据库是图形数据库系统(GDS)、开放艺术品系统交换标准或加州理工学院中间格式中的任何一种。
64.根据条款63所述的电子束检查设备，其中所述GDS包括GDS或GDSII中的至少一种。
65.根据条款61所述的电子束检查设备，其中针对所述多个训练位置中的每个训练位置获取具有第一质量的第一图像的步骤包括：针对所述多个训练位置中的每个训练位置获取具有第一质量的一个以上的第一图像。
66.根据条款61所述的电子束检查设备，其中针对所述多个训练位置中的每个训练位置获取具有第二质量的第二图像的步骤包括：针对所述多个训练位置中的每个训练位置获取具有第二质量的一个以上的第二图像。
67.根据条款61所述的电子束检查设备，其中分析与产品的布局相关的数据的多个图案的步骤还包括将所述多个图案分类为多个图案子集。
68.根据条款61至67中任一项所述的电子束检查设备，其中分析与产品的布局相关的数据的多个图案的步骤还包括从所述多个图案中提取特征。
69.根据条款68所述的电子束检查设备，其中所提取的特征包括形状、大小、密度或邻域布局。
70.根据条款67所述的电子束检查设备，其中将所述多个图案分类为多个图案子集是基于所提取的特征。
71.根据条款67所述的电子束检查设备，其中所述多个图案子集中的每个子集与以下项相关联：与位置、类型、形状、大小、密度或邻域布局相关的信息。
72.根据条款61至71中任一项所述的电子束检查设备，其中标识所述多个训练位置基于视场、局部对准点或自动聚焦点。
73.根据条款61至72中任一项所述的电子束检查设备，其中所述控制器具有用以使所述电子束检查设备进一步执行以下操作的电路系统：
确定包括用于获取所述第一图像的第一扫描的第一扫描路径，所述第一扫描路径基于所述多个训练位置的总体扫描区域。
74.根据条款73所述的电子束检查设备，其中所述控制器具有用以使所述电子束检查设备进一步执行以下操作的电路系统：
确定包括用于获取所述第二图像的第二扫描的第二扫描路径，所述第二扫描路径基于所述多个训练位置的总体扫描区域。
75.根据条款74所述的电子束检查设备，其中所述第一扫描包括第一扫描次数，其中所述第二扫描包括第二扫描次数，并且其中所述第二扫描次数大于所述第一扫描次数。
76.根据条款61至73中任一项所述的电子束检查设备，其中所述第二图像通过可选的用户输入被获取作为参考图像。
77.根据条款61至76中任一项所述的电子束检查设备，其中所述控制器具有用以使所述电子束检查设备进一步执行以下操作的电路系统：
使用所述机器学习模型修改来位置的第一图像以获取所述位置的第二图像，其中所述第二图像具有比所述第一图像增强的质量。
78.根据条款61至77中任一项所述的电子束检查设备，其中标识所述多个训练位置包括针对每个图案子集标识一个或多个训练位置。
79.根据条款61至78中任一项所述的电子束检查设备，其中所述质量包括分辨率、对比度、亮度或噪声水平。
80.根据条款61至79中任一项所述的电子束检查设备，其中所述控制器具有用以使所述电子束检查设备进一步执行以下操作的电路系统：
使用所述机器学习模型来修改图像以近似通过扫描次数增加而获取的结果。
81.根据条款1所述的方法，其中所述数据的图案是所述产品的扫描电子显微镜(SEM)图像。
82.根据条款1所述的方法，其中所述第二图像是基于多个低质量图像而获取的。
83.根据条款1所述的方法，其中所述第二图像是通过对多个低质量图像求平均而获取的。
84.根据条款1所述的方法，其中所述第二图像是通过组合多个低质量图像而获取的。
85.根据条款1所述的方法，其中所述第一图像和所述第二图像是通过一个或多个扫描电子显微镜获取的图像，并且其中所述第二图像是比所述第一图像质量更高的图像。
86.根据条款85所述的方法，其中与所述第一图像相比，所述第二图像具有更高的分辨率、更高的对比度、更高的亮度或降低的噪声水平。
87.根据条款21所述的装置，其中所述数据的图案是所述产品的扫描电子显微镜(SEM)图像。
88.根据条款21所述的装置，其中所述第二图像是基于多个低质量图像而获取的。
89.根据条款21所述的装置，其中所述第二图像是通过对所述多个低质量图像求平均而获取的。
90.根据条款21所述的装置，其中所述第二图像是通过组合多个低质量图像而获取的。
91.根据条款41所述的非暂态计算机可读介质，其中所述数据的图案是所述产品的扫描电子显微镜(SEM)图像。
92.根据条款41所述的非暂态计算机可读介质，其中所述第二图像是基于多个低质量图像而获取的。
93.根据条款41所述的非暂态计算机可读介质，其中所述第二图像是通过对多个低质量图像求平均而获取的。
94.根据条款41所述的非暂态计算机可读介质，其中所述第二图像是通过组合多个低质量图像而获取的。
95.根据条款61所述的电子束检查设备，其中所述数据的图案是所述产品的扫描电子显微镜(SEM)图像。
96.根据条款61所述的电子束检查设备，其中所述第二图像是基于多个低质量图像而获取的。
97.根据条款61所述的电子束检查设备，其中所述第二图像是通过对多个低质量图像求平均而获取的。
98.根据条款61所述的电子束检查设备，其中所述第二图像是通过组合多个低质量图像而获取的。
上面参考方法、装置(系统)和计算机程序产品的流程图或框图描述了示例方面或实施例。应当理解，流程图或框图的每个框、以及流程图或框图中的框的组合可以由计算机程序产品或计算机程序产品上的指令来实现。这些计算机程序指令可以被提供给计算机的处理器或其他可编程数据处理装置以生产机器，使得经由计算机的处理器或其他可编程数据处理装置执行的指令创建用于实现在流程图或框图框中指定的功能/动作的模块。
这些计算机程序指令还可以存储在计算机可读介质中，该介质可以引导计算机的硬件处理器核心、其他可编程数据处理装置或其他设备以特定方式运行，使得存储在计算机可读介质中的指令形成包括实现在流程图或框图框中指定的功能/动作的指令的制品。
计算机程序指令可以进一步被加载到计算机、其他可编程数据处理装置或其他设备上，以引起在计算机、其他可编程装置或其他设备上执行一系列操作步骤以产生计算机实现的过程，使得在计算机或其他可编程装置上执行的指令提供用于实现在流程图或框图框中指定的功能/动作的过程。
可以利用一种或多种计算机可读介质的任何组合。计算机可读介质可以是非暂态计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子、磁、光、电磁、红外或半导体系统、装置或设备、或前述各项的任何合适的组合。计算机可读存储介质的更具体示例(非详尽列表)包括：具有一个或多个电线的电连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM、EEPROM或闪存)、光纤、云存储、便携式光盘只读存储器(CD-ROM)、光存储设备、磁存储设备、或上述各项的任何合适的组合。在本文档的上下文中，计算机可读存储介质可以是可以包含或存储由指令执行系统、装置或设备使用或与其结合使用的程序的任何有形介质。
包含在计算机可读介质上的程序代码可以使用任何合适的介质来传输，包括但不限于无线、有线、光纤电缆、RF、IR等、或者前述各项的任何合适的组合。
用于执行示例实施例的操作的计算机程序代码可以用一种或多种编程语言的任何组合来编写，包括诸如Java、Smalltalk、C++等面向对象的编程语言和诸如“C”编程语言或类似编程语言等传统过程编程语言。程序代码可以完全在用户的计算机上、部分在用户计算机上、作为独立软件包、部分在用户计算机上并且部分在远程计算机上或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)、或者可以进行的到外部计算机(例如，使用互联网服务提供商通过互联网)的连接。
附图中的流程图和框示出出了根据各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作的示例。在这点上，流程图或框图中的每个框可以表示代码的模块、分段或部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。还应当注意，在一些替代实现中，框中标注的功能可以不按照图中标注的顺序出现。例如，根据所涉及的功能，连续示出的两个框实际上可以基本同时执行，或者这些框有时可以以相反的顺序执行。还应当注意，框图或流程图说明的每个框、以及框图或流程图说明中的框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，或者由专用硬件和计算机指令的组合来实现。
应当理解，所描述的实施例不是相互排斥的，并且结合一个示例实施例而描述的元素、组件、材料或步骤可以以合适的方式与其他实施例组合或从其他实施例中去除以实现期望的设计目标。
本文中对“一些方面”、“一些实施例”或“一些示例性实施例”的引用表示结合该实施例描述的特定特征、结构或特性可以被包括在至少一个方面或一个实施例中。短语“一个方面”、“一些方面”、“一个实施例”、“一些实施例”或“一些示例性实施例”在说明书中各个地方的出现不一定指代同一实施例，单独或替代实施例也不一定与其他实施例相互排斥。
应当理解，本文中阐述的示例方法的步骤不一定需要按照所描述的顺序执行，并且这样的方法的步骤的顺序应当理解为仅仅是示例。同样，在与各种实施例一致的方法中，在这样的方法中可以包括附加步骤，并且可以省略或组合某些步骤。
如本文中使用的，除非另外具体说明，否则术语“或”涵盖所有可能的组合，除非不可行。例如，如果声明一个组件可以包括A或B，则除非另外具体说明或不可行，否则该组件可以包括A、或B、或A和B。作为第二示例，如果声明一个组件可以包括A、B或C，则除非另外具体说明或不可行，否则该组件可以包括A、或B、或C、或A和B、或A和C、或B和C、或A和B和C。
如本申请中使用的，词语“示例性”在本文中用于表示用作示例、实例或说明。本文中描述为“示例性”的任何方面或设计不一定被解释为比其他方面或设计优选或有利。相反，该词语的使用旨在以具体的方式呈现概念。
此外，除非另有说明或从上下文中清楚地指向单数形式，否则本申请和所附权利要求中使用的冠词“一个(a)”和“一个(an)”通常应当被解释为表示“一个或多个”。
除非另外明确说明，否则每个数值和范围应当被解释为近似值，就好像单词“大约”或“近似”在值或值范围之前一样。
在权利要求中使用附图编号或附图参考标签旨在标识所要求保护的主题的一个或多个可能的实施例以促进对权利要求的解释。这种使用不应当被解释为必然将那些权利要求的范围限制为对应附图中所示的实施例。
尽管以下方法权利要求中的元素(如果有的话)以特定顺序引用并且带有对应标签，但是除非权利要求引用另外暗示用于实现这些元素中的一些或全部元素的特定顺序，否则这些元素不一定旨在仅限于以该特定顺序来实现。
将进一步理解，本领域技术人员可以在不脱离所附权利要求中所表达的范围的前提下，对为了解释所描述的各方面或实施例的性质而描述和示出的部件的细节、材料和布置进行各种改变。

Claims (15)

1.一种用于自动获取训练图像以训练提高图像质量的机器学习模型的装置，所述装置包括：
存储器；以及
至少一个处理器，耦合到所述存储器，并且被配置为：
分析与产品的布局相关的数据的多个图案，来标识用以与训练所述机器学习模型相关地使用的多个训练位置；
针对所述多个训练位置中的每个训练位置，获取具有第一质量的第一图像；
针对所述多个训练位置中的每个训练位置，获取具有第二质量的第二图像，所述第二质量高于所述第一质量；以及
使用所述第一图像和所述第二图像来训练所述机器学习模型。
2.根据权利要求1所述的装置，其中所述数据在数据库中。
3.根据权利要求2所述的装置，其中所述数据库是图形数据库系统GDS、开放艺术品系统交换标准或加州理工学院中间格式中的任何一种。
4.根据权利要求3所述的装置，其中所述GDS包括GDS格式数据或GDSII格式数据。
5.根据权利要求1所述的装置，其中所述至少一个处理器进一步被配置为针对所述多个训练位置中的每个训练位置，获取具有第一质量的一个以上的第一图像。
6.根据权利要求1所述的装置，其中所述至少一个处理器进一步被配置为针对所述多个训练位置中的每个训练位置，获取具有第二质量的一个以上的第二图像。
7.根据权利要求1所述的装置，其中所述至少一个处理器进一步被配置为将所述多个图案分类为多个图案子集。
8.根据权利要求1所述的装置，其中所述至少一个处理器进一步被配置为从所述多个图案中提取特征。
9.根据权利要求8所述的装置，其中所提取的特征包括形状、大小、密度或邻域布局。
10.根据权利要求7所述的装置，其中所述至少一个处理器进一步被配置为基于所提取的特征，将所述多个图案分类为多个图案子集。
11.根据权利要求7所述的装置，其中所述多个图案子集中的每个子集与以下项相关联：与位置、类型、形状、大小、密度或邻域布局相关的信息。
12.根据权利要求1所述的装置，其中所述至少一个处理器进一步被配置为基于视场、局部对准点或自动聚焦点来标识所述多个训练位置。
13.根据权利要求1所述的装置，其中所述至少一个处理器进一步被配置为
确定包括用于获取所述第一图像的第一扫描的第一扫描路径，所述第一扫描路径基于针对所述多个训练位置的总体扫描区域。
14.根据权利要求13所述的装置，其中所述至少一个处理器进一步被配置为
确定包括用于获取所述第二图像的第二扫描的第二扫描路径，所述第二扫描路径基于针对所述多个训练位置的总体扫描区域。
15.一种存储指令集的非暂态计算机可读介质，所述指令集由设备的控制器可执行来使所述设备执行方法，所述方法包括：
分析与产品的布局相关的数据的多个图案，来标识用以与训练机器学习模型相关地使用的多个训练位置；
针对所述多个训练位置中的每个训练位置，获取具有第一质量的第一图像；
针对所述多个训练位置中的每个训练位置，获取具有第二质量的第二图像，所述第二质量高于所述第一质量；以及
使用所述第一图像和所述第二图像来训练所述机器学习模型。
CN201980087128.7A 2018-12-31 2019-12-17 用于电子束图像增强的全自动sem采样系统 Pending CN113272820A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862787031P 2018-12-31 2018-12-31
US62/787,031 2018-12-31
PCT/EP2019/085720 WO2020141072A1 (en) 2018-12-31 2019-12-17 Fully automated sem sampling system for e-beam image enhancement

Publications (1)

Publication Number Publication Date
CN113272820A true CN113272820A (zh) 2021-08-17

Family

ID=69061340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980087128.7A Pending CN113272820A (zh) 2018-12-31 2019-12-17 用于电子束图像增强的全自动sem采样系统

Country Status (7)

Country Link
US (2) US11769317B2 (zh)
JP (1) JP7232911B2 (zh)
KR (2) KR20240038156A (zh)
CN (1) CN113272820A (zh)
IL (1) IL284031A (zh)
TW (1) TWI738157B (zh)
WO (1) WO2020141072A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021026926A (ja) * 2019-08-07 2021-02-22 株式会社日立ハイテク 画像生成方法、非一時的コンピューター可読媒体、及びシステム
US11379972B2 (en) 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
CN111862255B (zh) * 2020-07-17 2024-07-26 上海联影医疗科技股份有限公司 正则化图像重建方法、系统、可读存储介质和设备
TW202238110A (zh) * 2021-02-23 2022-10-01 以色列商奧寶科技有限公司 使用混合成像系統之自動光學檢測
CN113177497B (zh) * 2021-05-10 2024-04-12 百度在线网络技术（北京）有限公司 视觉模型的训练方法、车辆识别方法及装置
JP7538174B2 (ja) 2022-05-23 2024-08-21 日本電子株式会社 マスイメージ処理装置及び方法
WO2023238384A1 (ja) * 2022-06-10 2023-12-14 株式会社日立ハイテク 試料観察装置および方法
CN117115048B (zh) * 2023-10-25 2024-02-02 国仪量子(合肥)技术有限公司 图像降噪方法、系统以及存储介质、电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140301630A1 (en) * 2013-04-08 2014-10-09 Kla-Tencor Corporation Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology
CN105023240A (zh) * 2015-07-08 2015-11-04 北京大学深圳研究生院 基于迭代投影重建的字典类图像超分辨率系统及方法
CN108475417A (zh) * 2016-01-04 2018-08-31 科磊股份有限公司 针对半导体应用由低分辨率图像产生高分辨率图像
US20180342045A1 (en) * 2017-05-26 2018-11-29 Microsoft Technology Licensing, Llc Image resolution enhancement using machine learning

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003059441A (ja) 2002-05-24 2003-02-28 Hitachi Ltd 走査電子顕微鏡
JP4061289B2 (ja) 2004-04-27 2008-03-12 独立行政法人科学技術振興機構 画像検査方法及び装置
US9799098B2 (en) 2007-04-24 2017-10-24 Massachusetts Institute Of Technology Method and apparatus for image processing
JP5050944B2 (ja) 2008-03-13 2012-10-17 ソニー株式会社 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム
JP5366855B2 (ja) 2010-02-16 2013-12-11 富士フイルム株式会社 画像処理方法及び装置並びにプログラム
JP6391170B2 (ja) 2015-09-03 2018-09-19 東芝メモリ株式会社 検査装置
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
JP6662654B2 (ja) 2016-02-12 2020-03-11 東方晶源微電子科技（北京）有限公司 画像取得方法及び電子ビーム検査・測長装置
JP6668278B2 (ja) * 2017-02-20 2020-03-18 株式会社日立ハイテク 試料観察装置および試料観察方法
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10546085B2 (en) 2017-04-12 2020-01-28 Anchor Semiconductor Inc. Pattern centric process control
US20190377814A1 (en) * 2018-06-11 2019-12-12 Augmented Radar Imaging Inc. Annotated dataset based on different sensor techniques

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140301630A1 (en) * 2013-04-08 2014-10-09 Kla-Tencor Corporation Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology
CN105023240A (zh) * 2015-07-08 2015-11-04 北京大学深圳研究生院 基于迭代投影重建的字典类图像超分辨率系统及方法
CN108475417A (zh) * 2016-01-04 2018-08-31 科磊股份有限公司 针对半导体应用由低分辨率图像产生高分辨率图像
US20180342045A1 (en) * 2017-05-26 2018-11-29 Microsoft Technology Licensing, Llc Image resolution enhancement using machine learning

Also Published As

Publication number Publication date
US11769317B2 (en) 2023-09-26
TW202143281A (zh) 2021-11-16
TWI738157B (zh) 2021-09-01
IL284031A (en) 2021-08-31
JP7232911B2 (ja) 2023-03-03
TW202042273A (zh) 2020-11-16
KR20210094022A (ko) 2021-07-28
KR102649132B1 (ko) 2024-03-20
US20240046620A1 (en) 2024-02-08
WO2020141072A1 (en) 2020-07-09
JP2022515353A (ja) 2022-02-18
US20200211178A1 (en) 2020-07-02
KR20240038156A (ko) 2024-03-22

Similar Documents

Publication Publication Date Title
JP7232911B2 (ja) 電子ビーム画像向上のための完全自動ｓｅｍサンプリングシステム
US10818000B2 (en) Iterative defect filtering process
US11982634B2 (en) Adaptive specimen image acquisition
TWI515813B (zh) Charged particle - ray device
US8502146B2 (en) Methods and apparatus for classification of defects using surface height attributes
TWI697849B (zh) 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
JP6391170B2 (ja) 検査装置
KR102219788B1 (ko) 자동화 결정 기반 에너지 분산 엑스레이 방법 및 장치
KR20180113572A (ko) 결함 분류 장치 및 결함 분류 방법
CN110796631A (zh) 使用模拟样本图像训练人工神经网络
KR102607148B1 (ko) 물리학 기반의 이미지 교란을 사용하여 결함을 결정하기 위한 시스템 및 방법
CN112955926A (zh) 用于自适应对准的方法和装置
JPWO2010106837A1 (ja) パターン検査装置及びその検査方法
JP2024012432A (ja) 検査システム、及び非一時的コンピュータ可読媒体
JP2016111166A (ja) 欠陥観察装置および欠陥観察方法
US12085523B2 (en) Adaptive specimen image acquisition using an artificial neural network
TWI845876B (zh) 電子束檢測設備、用於對準一晶圓影像與一參考影像之方法及相關之非暫時性電腦可讀媒體
US20230394852A1 (en) Automatic selection of structures-of-interest for lamella sample preparation
CN117893478A (zh) 一种样品图像的颗粒检测方法和系统

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