CN113302728B - 利用自动产生缺陷特征检验半导体结构的方法及系统 - Google Patents

利用自动产生缺陷特征检验半导体结构的方法及系统 Download PDF

Info

Publication number
CN113302728B
CN113302728B CN202080009734.XA CN202080009734A CN113302728B CN 113302728 B CN113302728 B CN 113302728B CN 202080009734 A CN202080009734 A CN 202080009734A CN 113302728 B CN113302728 B CN 113302728B
Authority
CN
China
Prior art keywords
model
attributes
neural network
deep learning
image
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
CN202080009734.XA
Other languages
English (en)
Other versions
CN113302728A (zh
Inventor
J·乔治
S·帕拉马西万
M·普利哈尔
N·拉克希米纳拉辛汉
S·拉舞
P·俄珀鲁里
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 CN113302728A publication Critical patent/CN113302728A/zh
Application granted granted Critical
Publication of CN113302728B publication Critical patent/CN113302728B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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

Abstract

基于从候选缺陷的图像导出的一或多个自动产生属性的值而实现用于所关注缺陷DOI的经改进检测及分类的方法及系统。通过迭代地训练、简化及重新训练深度学习模型而确定自动产生属性。所述深度学习模型使候选缺陷的光学图像与所述缺陷的已知分类相关。在模型简化之后，识别所述简化模型的属性，所述属性使候选缺陷的所述光学图像与所述缺陷的所述已知分类强相关。随后采用所述简化模型来产生与具有未知分类的候选缺陷的图像相关联的所述经识别属性的值。另一方面，采用统计分类器以基于自动产生属性及人工识别属性对缺陷进行分类。

Description

利用自动产生缺陷特征检验半导体结构的方法及系统
相关申请案的交叉参考
本专利申请案依据35U.S.C.§119规定主张2019年1月18日向印度政府专利局申请的第201941002244号专利申请案的优先权，且依据35U.S.C.§119规定主张2019年9月6日申请的序列号为62/896,578的美国临时专利申请案的优先权。每一先前申请的申请案的标的物以全文引用的方式并入本文中。
技术领域
所描述实施例涉及用于样品检验的系统，且更特定来说，涉及半导体晶片检验。
背景技术
通常通过应用于衬底或晶片的一系列处理步骤制造例如逻辑及存储器装置的半导体装置。通过这些处理步骤形成半导体装置的各种特征及多个结构层级。举例来说，尤其光刻是涉及在半导体晶片上产生图案的一个半导体制造过程。半导体制造过程的额外实例包含(但不限于)化学机械抛光、蚀刻、沉积及离子植入。可在单个半导体晶片上制造多个半导体装置且接着将其分离成个别半导体装置。
在半导体制造过程期间的各个步骤使用检验过程以检测未图案化及图案化晶片两者上的缺陷以促进较高良率。随着设计规则及工艺窗的大小不断缩小，要求检验系统以越来越小的最小缺陷大小捕获较宽范围的物理缺陷，同时维持高处理能力。
另外，存储器架构从二维浮动门架构转变为完全三维几何形状。在一些实例中，膜堆叠及蚀刻结构极深(例如，深度高达6微米或更大)。此类高深宽比结构针对图案化晶片检验产生挑战。测量掩埋于这些结构内的缺陷的能力对于实现所要性能水平及装置良率至关重要。
光学检验技术已证明对于与二维结构相关联的缺陷及掩埋于三维结构内的缺陷的高处理能力检测有效。传统上，缺陷发现及检验配方优化基于平面二维结构的检验。采用光学检验工具来测量与定位于晶片的表面处的二维结构(例如，小于1微米厚)相关联的大量候选缺陷。通过利用扫描电子显微镜(SEM)工具检验经识别DOI而验证通过光学检验工具检测的候选缺陷。此通常称为SEM检视。SEM工具能够产生图像，所述图像允许用户将候选缺陷准确地分类为妨害缺陷(即，通过光学检验工具识别的不完全为缺陷的缺陷)或所关注缺陷(DOI)。此外，SEM图像允许用户对DOI的类型准确地分类。SEM检视的结果是识别晶片上的妨害缺陷及DOI的位置及DOI的分类的标记缺陷集合。
在许多实例中，基于在SEM检视期间识别的标记缺陷来配制光学检验工具的检验配方。对于需要从妨害事件识别所关注缺陷的检验任务，半导体层的成功检验配方应最大化检测的所关注缺陷(DOI)的数目同时最小化检测的妨害事件的数目。推而广之，对于需要缺陷的频格化的检验任务，半导体层的成功检验配方应最大化正确频格化缺陷(即，正确分类缺陷)的数目同时最小化检测的妨害事件的数目及不正确分类缺陷的数目。
在一个实例中，通过估计从候选缺陷的图像导出的一或多个属性的值而实现基于光学检验的妨害滤波及缺陷分类。采用训练分类模型以基于一或多个属性的值从妨害缺陷识别DOI、对DOI进行分类或所述两者。通常基于由光学检验系统收集的标记缺陷的图像的属性来训练分类模型。使用人工决策树或经典机器学习算法(例如支持向量机(SVM)、随机森林、K近邻算法等)来训练分类模型。在这些实例中，人工选择(即，由人类产生)从图像导出的一或多个属性。无法保证选定属性或属性集合最佳地捕获DOI与妨害缺陷之间的所要分离。此外，无法保证选定属性或属性集合在光学上对DOI进行分类。因此，基于人工选定属性训练的分类模型很可能将表现不佳。随着检验应用变得越来越具挑战性，此成为限制。
在另一实例中，通过从候选缺陷的图像而非图像的属性直接识别缺陷并对其进行分类而实现基于光学检验的妨害滤波及缺陷分类。采用训练分类模型以基于候选缺陷的图像从妨害缺陷直接识别DOI、对DOI进行分类或所述两者。通常基于由光学检验系统收集的标记缺陷的图像来训练训练分类模型。使用例如卷积神经网络、深度学习神经网络等的机器学习算法来训练分类模型。在这些实例中，神经网络能够学习对于手头分类任务而言最佳的客制特征。然而，执行复杂训练神经网络以用于线上晶片检验的计算成本过高。因此，尚未获得可接受成本的高处理能力。此外，不可能集成人类对缺陷分类的知识或除可用光学图像之外的信息以增强训练过程。因此，当前，基于神经网络训练以直接在图像上操作的分类模型无法受益于可能进一步改进训练分类器的性能的人类知识或额外信号信息。
因此，开发用于产生具有经改进性能的缺陷分类模型以通过光学检验系统增强缺陷发现及复杂结构及垂直半导体装置的分类的方法及/或系统将为有利的。
发明内容
通过估计从候选缺陷的图像导出的一或多个自动产生属性的值而实现用于所关注缺陷(DOI)的经改进检测及分类的方法及系统。训练统计分类器以基于自动产生属性的值对缺陷进行分类。
一方面，通过迭代地训练、简化并重新训练深度学习模型而确定自动产生属性。深度学习模型使候选缺陷的光学图像与所述缺陷的已知分类相关。迭代地降低深度学习模型的复杂性。在模型简化之后，识别简化模型的属性，所述属性使候选缺陷的光学图像与缺陷的已知分类强相关。随后采用简化模型来产生与具有未知分类的候选缺陷的图像相关联的经识别属性的值。由统计分类器采用属性值以对候选缺陷进行分类。
另一方面，训练统计分类器以使输入节点的值与训练神经网络模型的每一层的输出节点相关。每一统计分类器经分析以指导神经网络模型的简化。在一些实例中，每一统计分类器经分析以识别对应层是否将新信息添加到神经网络模型。如果层未添加实质新信息，那么消除整个层。在另一实例中，每一统计分类器经分析以识别对应层的节点是否基本上贡献于层。消除对层的贡献相对较小的节点。类似地，消除对卷积层的输出的贡献相对较小的滤波器。
组合深度学习及独立统计分类器以指导基于深度学习的模型的简化提供直接性能驱动方法以在不损失性能的情况下最小化确定属性的计算成本。
又另一方面，基于自动产生属性的值及具有已知分类的缺陷的人工产生属性的值来训练统计分类器。以此方式，训练统计分类器并入人类用户已知为缺陷的重要指示符的属性，以及通过数学计算确定为相同缺陷的重要指示符的属性。
又另一方面，以迭代方式执行统计分类器的训练同时减少缺陷分类器的训练中采用的属性的数目。
前述内容是发明内容且因此必然含有细节的简化、概括及省略；因此，所属领域的技术人员将了解，发明内容仅为说明性的而绝不为限制性的。将在本文中陈述的非限制详细描述中明白本文中描述的装置及/或过程的其它方面、发明特征及优势。
附图说明
图1是经配置以基于图像对半导体晶片执行缺陷检测及分类的光学检验系统100的一个实施例的简化示意图。
图2是说明包含候选缺陷及在选定候选缺陷处或附近收集的图像的晶片的图式。
图3是经配置以对特定测量应用的缺陷进行分类的系统的一个实施例的简化示意图。
图4是说明一个实施例中的缺陷分类器训练引擎的图式。
图5描绘用于识别可用于缺陷分类的缺陷图像的属性的神经网络模型的简化说明。
图6描绘经训练以模仿训练神经网络模型的层的统计分类器的简化说明。
图7描绘一个实施例中的缺陷分类引擎200的说明。
图8描绘与基于不同分类器的已知分类的缺陷相关联的捕获率相对于妨害率的图。
图9描绘说明基于其如通过统计分类器测量的相对重要性排序的属性列表的图表。
图10描绘处于晶片生产过程的氮化硅移除步骤的3D NAND结构180的简化说明。
图11说明可用于基于缺陷图像的自动产生属性对缺陷进行分类的示范性方法300的流程图。
具体实施方式
现将详细参考本发明的背景实例及一些实施例，在随附图式中说明其的实例。
本文中描述用于半导体结构内的所关注缺陷(DOI)的经改进检测及分类的方法及系统。特定来说，通过估计从候选缺陷的图像导出的一或多个自动产生属性的值而实现基于光学检验的妨害滤波及缺陷分类。统计分类器经训练以基于自动产生属性的值对缺陷进行分类。
通过迭代地训练、简化并重新训练深度学习模型而确定自动产生属性。深度学习模型使候选缺陷的光学图像与所述缺陷的已知分类相关。迭代地降低深度学习模型的复杂性，同时维持足够分类性能。在模型简化之后，识别简化模型的属性，所述属性使候选缺陷的光学图像与缺陷的已知分类强相关。随后采用简化模型来产生与具有未知分类的候选缺陷的图像相关联的经识别属性的值。由统计分类器采用属性值对候选缺陷进行分类。
以此方式，通过计算便宜统计分类器而非在检测到的图像上操作的计算昂贵复杂神经网络执行缺陷的线上分类。仅在训练阶段期间而非在线上检验期间采用计算昂贵深度学习。训练的基于深度学习的模型经简化以最小化过度参数化及网络容量，且简化网络接着在晶片扫描期间用于计算高效属性计算。
基于基于深度学习所识别的属性的缺陷分类实现针对特定使用案例定制的属性的学习。一般来说，所要分类任务指导在训练基于深度学习的模型期间采用的输出及目标函数的选择。以此方式，采用相同数据来学习不同属性，每一属性基于输出及目标函数的选择而最佳地适于特定分类任务。在一些实例中，学习将一个缺陷类型与另一缺陷类型最佳地分离(即，缺陷分类)的属性。在这些实例中，输出是不同缺陷类别中的每一者且目标函数针对每一候选缺陷从缺陷类别中的一者强制进行二进制选择。在一些实例中，学习将妨害缺陷与所关注缺陷(DOI)最佳地分离(即，妨害滤波)的其它属性。在这些实例中，输出是DOI或妨害缺陷且目标函数针对每一候选缺陷强制进行这两个缺陷类别中的一者的二进制选择。
图1是经配置以检测候选缺陷且对半导体结构的所关注缺陷(DOI)进行分类的光学检验系统100的一个实施例的简化示意图。光学检验系统100包含计算系统、晶片定位系统及包含照明子系统、集光子系统及一或多个检测器的光学检验子系统。照明子系统包含照明源101及从照明源到晶片的照明光学路径中的全部光学元件。集光子系统包含从样品到每一检测器的集光光学路径中的全部光学元件。为简化，已省略系统的一些光学组件。通过实例，还可包含折叠镜、偏光器、光束形成光学器件、额外光源、额外集光器及检测器。全部此类变动在本文中描述的本发明的范围内。本文中描述的检验系统可用于检验图案化及未图案化晶片及分划板。
如图1中说明，由通过一或多个照明源101产生的法向入射光束104照明晶片103。替代地，照明子系统可经配置以按倾斜入射角将光束引导到样品。在一些实施例中，系统100可经配置以将例如倾斜入射光束及法向入射光束的多个光束引导到样品。多个光束可基本上同时或循序地引导到样品。
照明源101通过实例可包含宽带激光持续等离子体光源、激光器、超连续谱激光器、二极管激光器、氦氖激光器、氩激光器、固态激光器、二极管泵浦固态(DPSS)激光器、氙弧灯、气体放电灯、LED阵列及白炽灯。光源可经配置以发射近单色光或宽带光。在一些实施例中，照明子系统还可包含可限制引导到样品的光的波长的一或多个光谱滤波器。一或多个光谱滤波器可为带通滤波器及/或边缘滤波器及/或陷波滤波器。可在任何适合波长范围内将照明提供到样品。在一些实例中，照明光包含在260纳米到950纳米的范围内的波长。在一些实例中，照明光包含大于950纳米(例如，延伸到2,500纳米及以上)的波长以捕获高深宽比结构中的缺陷。在一些实施例中，照明子系统还可包含用以控制引导到样品的照明光的偏光的一或多个偏光光学器件。
将由照明源101产生的光束104引导到光束分离器105。光束分离器105将光束引导到物镜109。物镜109将光束111聚焦到晶片103上入射点119处。通过将从照明源101发射的光投射到晶片103的表面上而界定(即，塑形且定大小)入射点119。
检验系统100包含照明孔隙124。如图1中描绘，计算系统130将命令信号122C传递到照明孔隙124。作为响应，照明孔隙124调整提供到晶片103的表面上的照明方向及光束形状。在一个实施例中，照明孔隙124是提供通过从计算系统130传递的命令信号122C控制的不同孔隙形状的组合件。
如图1中描绘，计算系统130将命令信号122A传递到照明源101。作为响应，照明源101调整照明光束111的(若干)光谱范围。一般来说，入射于晶片103上的光束111可以包含偏光、强度、大小及形状等的一或多个方式不同于由照明源101发射的光。
在图1中描绘的实施例中，检验系统100包含可选择照明偏光元件147。在一个实例中，计算系统130将命令信号122E传递到照明偏光元件147。作为响应，照明偏光元件147调整提供到晶片103的表面上的照明光的偏光。
如图1中描绘，检验系统100包含控制递送到晶片103的照明功率的照明功率衰减器102。在一些其它实施例中，照明功率密度衰减器是光束塑形元件，其调整照明点119的大小以减小递送到晶片103的照明功率密度。在一些其它实施例中，采用照明功率缩减及光束定大小的组合来减小递送到晶片103的照明功率密度。如图1中描绘，计算系统130将控制信号122B传递到照明功率衰减器102以基于通过检测器115、120及125中的任何者检测的图像而控制照明功率。一般来说，照明功率衰减器102是任选的。因此，在一些其它实施例中，检验系统100不包含照明功率衰减器102。
在一些实施例中，系统100可包含照明路径中的偏转器(未展示)。在一个实施例中，偏转器可为声光偏转器(AOD)。在其它实施例中，偏转器可包含机械扫描组合件、电子扫描仪、旋转镜、基于多边形的扫描仪、谐振扫描仪、压电扫描仪、振镜、或检流计。偏转器使光束扫描遍及样品。在一些实施例中，偏转器可按近似恒定扫描速度使光束扫描遍及样品。
系统100包含分别用以收集由晶片103散射及/或反射的光且将所述光聚焦到检测器阵列115、120及125上的集光光学器件116、117及118。将检测器115、120及125的输出传递到计算系统130以处理信号且确定存在候选缺陷及其位置。
集光光学器件116到118中的任何者可为透镜、复合透镜或所属领域中已知的任何适当透镜。替代地，集光光学器件116到118中的任何者可为反射或部分反射光学组件，例如镜。另外，尽管图1中说明特定集光角度，但应理解，可以任何适当集光角度布置集光光学器件。集光角度可取决于举例来说入射角及/或样品的形貌特性而变化。
检测器115、120及125中的每一者通常用于将反射及散射光转换成电信号，且因此可基本上包含所属领域中已知的任何光检测器。然而，可基于检测器的所要性能特性、待检验样品的类型及照明的配置来选择特定检测器以在本发明的一或多个实施例内使用。举例来说，如果可用于检验的光量相对较低，那么例如延时积分(TDI)相机的效率增强检测器可提高系统的信噪比及处理能力。然而，取决于可用于检验的光量及执行的检验的类型，可使用例如电荷耦合装置(CCD)相机、光二极管、光电管及光电倍增管(PMT)的其它检测器。在本发明的至少一个实施例中，光电倍增管用于检测从样品散射的光。每一检测器可包含仅一个感测区域或可能数个感测区域(例如，检测器阵列或多阳极PMT)。
系统100可采用多种成像模式，例如明场及暗场模式。举例来说，在一个实施例中，检测器125产生明场图像。如图1中说明，通过物镜109收集以窄角从晶片103的表面散射的一定量的光。此光往回穿过物镜109且照射于光束分离器105上。光束分离器105将光的一部分透射到集光光学器件118，集光光学器件118又将光聚焦到检测器125上。以此方式，通过检测器阵列125产生明场图像。集光光学器件118包含使由物镜109收集的反射光成像到检测器阵列125上的成像透镜107。孔隙182、傅立叶滤波器106或所述两者经放置于物镜109的后焦平面处。可通过使用不同照明孔隙124、集光孔隙、傅立叶滤波器106或其组合而实施例如明场、暗场及相位对比的多种成像模式。可基于DOI信号及收集的图像来确定成像模式的配置，例如照明方向或成像收集立体角。以引用的方式并入本文中的第7,295,303号及第7,130,039号美国专利进一步详细描述这些成像模式。在另一实例中，检测器115及120通过使以较大场角收集的散射光成像而产生暗场图像。以引用的方式并入本文中的第6,208,411号美国专利进一步详细描述这些成像模式。
在图1中描绘的实施例中，检验系统100包含可选择集光偏光元件181。在一个实例中，计算系统130将命令信号122F传递到集光偏光元件181。作为响应，集光偏光元件181调整提供到检测器125的表面上的收集光的偏光。
如图1中描绘，检验系统100包含可选择傅立叶滤波器106。计算系统130将命令信号122D传递到傅立叶滤波器106。作为响应，傅立叶滤波器106调整傅立叶滤波器的傅立叶滤波性质(例如，通过改变定位于集光光束路径中的特定傅立叶滤波器元件)。
检验系统100包含集光孔隙182。如图1中描绘，计算系统130将命令信号122G传递到集光孔隙182。作为响应，集光孔隙182调整从晶片103的表面收集的透射到对应检测器的光量。在一个实施例中，集光孔隙182是提供通过从计算系统130传递的命令信号122G控制的不同孔隙形状的组合件。
系统100还包含处理通过检测器115、120及125中的任何者检测的反射及/或散射信号所需的各种电子组件(未展示)。举例来说，系统100可包含用以从检测器115、120及125中的任何者接收输出信号且将所述输出信号放大预定量的放大器电路及用以将经放大信号转换成适合在处理器131内使用的数字格式的模/数转换器(ADC)。在一个实施例中，处理器可通过传输媒体直接耦合到ADC。替代地，处理器可从耦合到ADC的其它电子组件接收信号。以此方式，处理器可通过传输媒体及任何中介电子组件间接耦合到ADC。
在图1中说明的实施例中，晶片定位系统114基于从计算系统130接收的命令126在光束111下方移动晶片103。晶片定位系统114包含晶片卡盘108、运动控制器113、旋转载物台110、平移载物台112及z平移载物台121。Z平移载物台121经配置以在法向于晶片103的表面的方向(例如，坐标系统123的z方向)上移动晶片103。平移载物台112及旋转载物台110经配置以在平行于晶片103的表面的方向(例如，坐标系统123的x方向及y方向)上移动晶片103。在一些其它实施例中，晶片103通过多个平移载物台的协调运动在平面内方向(例如，x方向及y方向)上移动。
将晶片103支撑于晶片卡盘108上。在一些实施例中，晶片103经定位使得其几何中心与旋转载物台110的旋转轴近似对准。以此方式，旋转载物台110在可接受容限内以指定角速度ω绕其几何中心旋转晶片103。另外，平移载物台112以指定速度VT在近似垂直于旋转载物台110的旋转轴的方向上平移晶片103。运动控制器113协调晶片103通过旋转载物台110的旋转及晶片103通过平移载物台112的平移以实现晶片103在检验系统100内的所要平面内扫描运动。另外，运动控制器113协调晶片103通过平移载物台121的移动以实现晶片103在检验系统100内的所要平面外扫描运动。
可以若干不同模式相对于检验系统100的光学子系统定位晶片103。在检验模式中，在横向方向(例如，x方向及y方向)上重复扫描晶片103以进行二维扫描。另外，可在横向方向上不同z位置处重复扫描晶片103以进行三维扫描。在一些实例中，在对应于穿过分层结构的两个或两个以上深度(例如，晶片表面下方的距离)的两个或两个以上不同z位置处扫描晶片103。在缺陷检视模式中，晶片103经定位于x方向及y方向上的固定位置，同时在z方向上扫描。以此方式，基于被测量结构内的深度范围内的晶片103的固定横向位置处的测量数据而产生三维图像。通常采用缺陷检视模式来执行缺陷的更详细调查(例如，较高图像分辨率、较高焦深分辨率或所述两者)。
在一些实施例中，将晶片相对于检验系统的焦平面移动到若干不同z位置以使晶片堆叠的不同深度成像。在一些其它实施例中，将检验系统的焦平面的位置相对于晶片光学地调整到若干不同z位置以使晶片堆叠的不同深度成像。在一些实例中，在每一z位置处收集的图像经汇总以形成在两个横向维度(例如，平行于晶片表面)及若干不同深度(即，不同z位置)中测量的厚半导体结构的三维体积图像。
一般来说，包含照明子系统及集光子系统两者的光学子系统140在定位于被测量结构(例如，垂直堆叠结构)的多个不同深度处的多个焦平面中的每一者处产生聚焦光学图像。通过在z方向上移动焦平面的光学调整、z方向上的样品定位或所述两者而实现光学子系统的焦平面在每一不同深度处的对准。一或多个检测器检测在多个不同深度中的每一者处收集的光且产生指示在多个不同深度中的每一者处收集的光量的多个输出信号。
在一些实例中，光学检验系统100从在两个横向维度(例如，平行于晶片表面)及深度维度(例如，法向于晶片表面)中测量的体积产生厚半导体结构的三维图像。在图1中描绘的实施例中，计算系统130将来自测量通道的一或多者(例如，来自检测器115、120及125的一或多者)的输出布置到对应于测量体积的体积数据集中。
在缺陷检视实例中，在检验系统的焦平面内的若干不同晶片位置的相同(x,y)位置获取一系列图像。在此实例中，计算系统130通过组装以每一不同焦点偏移获取的一系列二维图像的堆叠而产生测量体积的三维图像。焦点偏移是样品的最具反射性表面与检验系统的焦平面之间的相对距离。一般来说，待扫描参数不限于焦点偏移。在其它实例中，传感器轴向位置、光谱带、照明方向等可经扫描以形成三维缺陷图像。在一些实施例中，通过计算系统130产生具有三个以上维度的缺陷图像。在一个实例中，针对给定(x,y)位置扫描焦点偏移及照明方向两者。在一个实例中，计算系统130通过将以每一不同焦点偏移及每一不同照明角获取的一系列二维图像组装到四阶张量中而产生测量体积的四维图像。在一些实例中，收集预定义焦点偏移集合的一系列图像同时使照明强度及其它系统参数保持不变。
一般来说，通过应用缺陷检测算法而从图像检测缺陷。在一些实施例中，从由检验系统100产生的图像数据直接执行缺陷检测。在一些实施例中，从收集图像数据提取一或多个属性向量且基于经测量属性向量来执行缺陷检测。一般来说，属性向量是表示对象(例如，所关注缺陷、标称结构等)的数值属性的n维向量。在一些实例中，缺陷检测算法包含调整缺陷检测算法的灵敏度的一或多个可选择阈值。在选定高度限制阈值时，缺陷检测算法从图像集合检测较少所关注缺陷。在选定高度允许阈值时，缺陷检测算法从相同图像集合检测更多所关注缺陷。在检测到过少缺陷的情况下可能将错过真实缺陷，且在检测到过多缺陷的情况下将捕获许多妨害(例如，错误)缺陷。因此，调谐到特定测量应用的优化测量配方包含检测算法阈值的选择，此最大化真实缺陷的捕获率，同时最小化妨害(即，错误)缺陷的捕获率。
如关于图1描述，计算系统130产生并传递命令信号122A到122G，使得根据指定光学模式来选定照明功率、照明孔隙、集光孔隙、光谱带、傅立叶滤波器、照明偏光、集光偏光或其任何组合。另外，例如检验系统100的检验系统包含其它可选择光学系统设置，例如入射角、方位角等。光学系统设置的每一相异组合被称为光学检验系统100的相异光学模式。
实践上，针对特定测量应用选择最佳光学模式以实现一或多个性能目标。示范性性能目标包含(但不限于)最小化检测图像中的标称结构的响应、增强检测图像中的缺陷信号的响应、最小化检测图像中的晶片噪声或妨害信号的响应、区分检测图像中的缺陷与晶片噪声或妨害信号的响应、改进来自检测图像的缺陷的估计物理位置的准确性或其任何组合。
在图1中描绘的实施例中，由计算系统130从用户输入源135接收关于考虑中的测量应用的信息136。通常，用户输入源135是实体，例如了解被检验结构及预期缺陷的用户或操作者。通过非限制实例，结构信息136包含所关注缺陷的预期堆叠深度、所关注缺陷的晶片级签章、3-D堆叠的折射率等。在一个实施例中，检验系统100包含可用于从操作者接受输入的外围装置(例如，键盘、鼠标、触控屏幕、通信端口等)以将结构信息136从用户传递到检验系统100。
在一些实施例中，用户还传递用于检验系统100的光学模式的初始集合。检验系统100的用户通常执行初步模型化或采用过去经验来实现检验系统100的光学模式的初始集合，其最可能导致最佳检验结果。通常，光学模式的初始集合包含数十个不同光学模式，但远少于数千个可用光学模式。在一些实例中，用户还将一或多个初始焦点水平传递到检验系统100。一或多个初始焦点水平包含所关注缺陷应处于的焦点水平。
响应于用户输入136及137，检验系统100在光学模式的初始集合中的每一者且在一或多个初始焦点水平中的每一者执行晶片103的检验。通常，在扫描模式中运行检验，其中在一或多个初始焦点水平中的每一者检验晶片的大面积(例如，晶片的整个面积)。在初始检验期间采用的缺陷检测算法的阈值设置在识别许多候选缺陷(即，真实缺陷及妨害缺陷两者)的高度允许值。举例来说，图2描绘通过检验系统100在晶片103上识别的候选缺陷。
在执行初始检验之后，计算系统130选择在初始检验中识别的数个最有前途的候选缺陷(例如，图2中描绘的候选缺陷145A到145C)。最有前途的缺陷是最紧密地匹配由检验系统100的用户提供的预期缺陷的所关注缺陷。
在一些实施例中，检验系统100通过相对于光学检验子系统140定位晶片103使得选定所关注缺陷在检验系统100的视域中而执行选定所关注缺陷的全焦点检视。通过被测量结构始终在若干焦点水平执行一系列测量。基于全焦点检视的结果，计算系统130确定最佳地捕获所关注缺陷的一或多个焦平面或聚焦范围。在一些实例中，基于测量缺陷签章(例如，图像或属性向量)与预期缺陷签章之间的最佳匹配而确定一或多个焦平面或聚焦范围。
在确定一或多个焦平面或聚焦范围之后，检验系统100记录与在一或多个焦平面或聚焦范围处而非贯穿结构的整个深度的初始检验中的每一者中识别的缺陷位置相关联的图像图块(例如，32×32个像素图块、64×64个像素图块等)。图2描绘分别与候选缺陷145A到145C相关联的图像图块146A到146C的集合。在一些实例中，一亿或更多个缺陷位置在多个焦点水平成像并进行记录。以此方式，与缺陷发现相关联的记录数据量限于深度子集。在后续缺陷验证及分类器训练过程期间采用记录数据。通过限制记录数据量，显著简化后续缺陷验证及分类器训练过程。
另一方面，将经验证缺陷图像及相关联缺陷分类映射到通过检验系统100识别的对应缺陷。采用包含相关联记录图像及缺陷分类的经验证缺陷来训练妨害滤波器、统计分类器或所述两者。
图3是用于缺陷发现及验证以检验半导体结构的系统150的一个实施例的简化示意图。系统150包含如参考图1描述的检验系统100、缺陷验证工具151及计算系统160。在一些实施例中，通过计算系统130或另一计算系统实施由如本文中描述的计算系统160执行的任务。
在一些实施例中，缺陷验证工具151是基于电子束的分析工具。在一些其它实施例中，缺陷验证工具151是基于x射线的分析工具。在这些实施例中，可无需材料移除工具以使掩埋缺陷对于基于x射线的分析工具可见。因此，相关联材料移除工具是任选的。
在一些实例中，通过去处理晶片103且用检验系统100检验曝露缺陷而实现缺陷验证。在这些实例中，可无需不同缺陷验证工具151。在一些实施例中，例如SEM检视工具的缺陷验证工具可与检验系统100集成为单个晶片处理工具，或替代地，个别地或以任何组合分离成不同晶片处理系统。
计算系统130协调检验过程，且执行分析、数据处置及通信任务。类似地，计算系统160协调材料移除及检视过程，执行分析，且执行数据处置及通信任务。
可以许多不同方式完成缺陷验证。在一些实施例中，执行电压对比检验以验证缺陷。在这些实施例中，根据小样本计划装饰晶片且通过电压对比检验工具对装饰晶片执行电压对比测量。
在一些其它实施例中，完成晶片制造且对完成晶片执行位映射测试以验证缺陷。
在一些其它实施例中，晶片经去处理以移除考虑中的多层结构的层。可通过化学过程、机械过程或所述两者完成去处理。在一个实例中，采用聚焦离子束(FIB)工具以从晶片的表面移除材料。晶片经去处理直到掩埋缺陷定位于晶片的表面处或附近且可通过缺陷验证工具151(例如，SEM检视工具、检验系统100等)有效地成像。将与缺陷验证测量相关联的缺陷位置及相关联缺陷图像152存储于存储器(例如，计算系统160的板上存储器162)中。在一些实施例中，以KLA结果文件(KLARF)的形式存储缺陷信息。KLARF文件是由缺陷验证工具150产生的平面ASCII文件。使用相同KLARF文件格式来保存来自检验系统100的缺陷信息。
另一方面，将与作为缺陷发现的部分通过检验系统100识别的缺陷相关联的缺陷信息141传递到计算系统160。计算系统160对经识别缺陷取样以产生传递到缺陷验证工具151的候选缺陷153的多样性集合。在一些实施例中，计算系统160频格化在缺陷发现期间通过检验系统100识别的缺陷(例如，1亿或更多个DOI)且从每一频格选择数个缺陷以产生候选缺陷153的多样性集合。将候选缺陷153的多样性集合保存于存储器(例如，计算系统160的板上存储器162)中。
对候选缺陷的多样性集合执行缺陷验证测量。将来自缺陷验证测量的缺陷位置、缺陷分类及相关联缺陷图像存储于存储器(例如，计算系统160的板上存储器162)中。可在人类用户的辅助下或自动执行缺陷分类。缺陷分类将缺陷识别为妨害缺陷或所关注缺陷(DOI)。如果缺陷被分类为DOI，那么识别缺陷的特定分类。在一些实施例中，还以KLARF文件格式存储与候选缺陷的多样性集合相关联的缺陷位置、分类及相关联缺陷图像。
将来自候选缺陷的多样性集合、验证缺陷的任何其它集合或其组合的缺陷验证数据作为标记缺陷数据171映射到保存的缺陷图像图块。采用缺陷验证数据及对应缺陷图像图块来训练妨害滤波器、缺陷分类器或所述两者。
一方面，统计分类器经训练以基于通过属性识别模块从缺陷图像确定的自动产生属性的值对缺陷进行分类。
图4是说明一个实施例中的缺陷分类器训练引擎170的图式。如图4中描绘，基于深度学习的属性模型训练模块172接收与经验证晶片缺陷相关联的图像数据171A(例如，图像图块)以及每一缺陷的已知分类171B。从标记缺陷数据171提取与每一缺陷相关联的图像数据171A及分类171B。
用于基于自动产生属性来训练分类器的图像数据可个别地、与相同标称结构的其它例子组合或所述两者而与每一缺陷例子相关联。在一些实例中，用于基于自动产生属性来训练分类器的图像数据可与测试晶片上的缺陷、参考晶片上的对应缺陷位置、测试晶片与参考晶片上的缺陷图像之间的差异、或其组合相关联。
在一些实例中，图像数据与半导体结构的特定例子相关联。在一些实例中，图像数据与相同标称半导体结构的两个不同例子相关联。在一些其它实例中，图像数据与相同标称半导体结构的两个不同例子之间的差分图像(即，逐像素差异)相关联。在一些实例中，相同标称结构的两个不同例子是制造在相同晶片上的不同裸片上的相同标称结构。在一些实例中，相同标称结构的两个不同例子是制造在不同晶片上的不同裸片上的相同标称结构。
基于深度学习的属性模型训练模块172产生具有缺陷图像数据作为输入及缺陷的已知分类作为输出的基于深度学习的模型。在一些实施例中，基于深度学习的模型是包含包括若干图像滤波器的至少一个卷积层及包含若干节点(即，神经元)的至少一个连接层的神经网络模型。图5描绘包含对应于考虑中的每一图像图块的图像像素的输入节点191的集合的神经网络模型190的简化说明。举例来说，如果采用32×32个像素图像图块，那么输入节点191的数目是32*32。神经网络模型190包含卷积层192及N个连接层195。卷积层包含对存在于输入节点191上的图像数据操作的若干滤波器193(例如，32个滤波器)。滤波器中的每一者的输出存在于LAYER1的输入节点上。在一个实例中，如果采用32×32个像素图像图块及32个滤波器，那么LAYER1的节点的数目是32*32*32。然而，一般来说，可采用减少卷积层的输出处的节点的数目的不同集区方案。每一连接层包含输入节点集合及输出节点集合。一组权重使连接层的每一输入节点与连接层的输出节点相关。如图5中描绘，节点194是LAYER1的输入节点且节点194通过一组权重(例如，WI1到WIK)耦合到LAYER1的输出节点中的每一者。在一些实例中，连接层如通过LAYERN说明那样完全连接(即，每一输入节点通过加权值连接到每一输出节点)。在一些实例中，连接层稀疏地连接(即，并非全部输入节点连接到全部输出节点)。
一般来说，通过非限制实例呈现神经网络模型190。可在本专利档案的范围内预期其它深度学习模型。举例来说，神经网络模型190可包含任何数目个卷积层、任何数目个连接层或所述两者。
基于缺陷图像数据及对应分类来训练神经网络模型190。举例来说，神经网络190的最后连接层(例如，LAYERN)的输出节点中的每一者对应于不同分类。举例来说，如图5中说明，存在LAYERN的三个输出节点，每一输出节点对应于不同缺陷分类。举例来说，针对具有已知分类Class1的缺陷的LAYERN的输出节点的值理想地为{1,0,0}。针对具有已知分类Class2的缺陷的LAYERN的输出节点的值理想地为{0,1,0}。针对具有已知分类Class3的缺陷的LAYERN的输出节点的值理想地为{0,0,1}。在模型训练期间，每一连接层的权重及卷积层的每一滤波器的滤波器值经调整以最接近地实现与考虑中的全部成像缺陷的已知分类相关联的理想模型输出。
在一些实例中，神经网络模型经训练以识别与妨害滤波器相关联的属性。在这些实例中，存在LAYERN的两个输出节点。在此实例中，针对妨害缺陷的LAYERN的输出节点的值是{1,0}，且针对DOI的LAYERN的输出节点的值是{0,1}。以此方式，神经网络可经训练以通过调谐神经网络模型的结构及用于驱动模型训练的性能目标函数而基于相同图像数据识别与不同分类目标相关联的属性。
原则上，作为线上检验过程的部分，可采用经训练神经网络模型以基于收集的图像数据直接对缺陷进行分类。然而，实施此模型的计算成本在高处理能力半导体晶片检验的上下文中是令人望而却步的。
另一方面，通常以迭代方式降低经训练神经网络模型的复杂性以实现保持原始模型的预测能力的较小尺寸模型。在一些实施例中，通过减少模型层(卷积层、连接层或所述两者)的数目、减少卷积层的图像滤波器的数目、减少与一或多个连接层相关联的节点的数目或其任何组合而简化神经网络模型。在执行简化步骤之后，在相同图像数据及已知分类上重新训练简化的神经网络模型。通过比较驱动训练过程的性能目标函数的残差而比较简化的神经网络模型的性能与原始模型。迭代地简化神经网络模型直到简化的神经网络模型的性能基本上不同于原始训练模型的性能。
另一方面，统计分类器经训练以使输入节点的值与经训练神经网络模型的每一层的输出节点相关。举例来说，图6描绘经训练以模仿LAYER1的统计分类器196。每一统计分类器经分析以指导神经网络模型的简化。在一些实例中，每一统计分类器经分析以识别对应层是否将新信息添加到神经网络模型。如果层未添加实质新信息，那么消除整个层。在另一实例中，每一统计分类器经分析以识别对应层的节点是否基本上贡献于层。消除对层的贡献相对较小的节点。类似地，基于经训练以模仿LAYER1的统计分类器来分析LAYER1的输入节点。发现未基本上贡献于LAYER1的LAYER1的输入节点指示卷积层的哪些滤波器未将实质新信息贡献于模型。消除这些滤波器。
组合深度学习及独立统计分类器以指导基于深度学习的模型的简化提供直接性能驱动方法以在不损失性能的情况下最小化确定属性的计算成本。
一般来说，在本专利档案的范围内预期简化基于深度学习的模型的其它方法。举例来说，可采用单独或与经训练统计分类器组合实施传统权重稀疏性分析及激活图以在最小性能影响的情况下实现模型简化。
又另一方面，从简化深度学习模型提取与每一训练图像或图像集合相关联的自动产生属性的值。如图4中描绘，基于深度学习的属性模型训练模块172产生简化属性模型173。简化属性模型173是在最终模型简化步骤之后的经训练的基于深度学习的模型。
自动产生属性是简化属性模型173的元素或元素组合。在一个实例中，自动产生属性是通过卷积层192的滤波器193的一或多者滤波的输入图像的最大像素强度。在另一实例中，自动产生属性是一或多个连接层的节点、或节点的组合的值。一般来说，从简化属性模型173提取的属性是展现对特定分类应用的最大敏感性的简化属性模型173的元素。
自动产生属性识别模块174通过针对每一晶片缺陷图像计算从简化属性模型173的一或多个元素导出的属性的值而针对每一晶片缺陷图像或图像的组合确定每一自动产生属性的值175。
另一方面，基于具有已知分类的缺陷的自动产生属性的值来训练统计分类器。如图4中描绘，将与标记缺陷数据171相关联的自动产生属性的值175传递到缺陷分类器训练模块178。另外，还将对应于标记缺陷数据的已知缺陷分类171B传递到缺陷分类器训练模块178。缺陷分类器训练模块178训练统计模型，所述统计模型基于与缺陷相关联的自动产生属性的值来预测所述缺陷的分类。一般来说，统计模型可为任何适合模型(例如，决策树、支持向量机(SVM)、随机森林、K近邻算法等)。从缺陷分类器训练模块178传递经训练缺陷分类器179。
又另一方面，基于自动产生属性的值及具有已知分类的缺陷的人工产生属性的值来训练统计分类器。如图4中描绘，将与标记缺陷数据171相关联的自动产生属性的值175及人工产生属性的值177传递到缺陷分类器训练模块178。缺陷分类器训练模块178训练统计模型，所述统计模型基于与如上文中描述的缺陷相关联的自动及人工产生属性的值来预测所述缺陷的分类。
以此方式，经训练统计分类器并入人类用户已知为缺陷的重要指示符的属性以及由数学计算确定为相同缺陷的重要指示符的属性。重要的是，一些人工产生属性与不同于用于训练属性模型173的光学图块(例如，GDS数据、度量衡测量等)的输入源相关联。在一些实例中，人工产生属性与通过检验系统收集的整个图像帧而非图像图块相关联。
如图4中描绘，通过人工产生属性识别模块176基于晶片缺陷图像数据171A而确定人工产生属性的值177。
缺陷的人工产生属性包含由人类而非机器产生的缺陷的属性。举例来说，人工产生属性包含像素亮度量值、MDAT偏移、MDAT灰阶(参考灰阶)及能量。另外，人工产生属性可包含响应于来自在扫描期间检测的缺陷的光的特性(例如，强度)或甚至像素群组之间的相对响应的缺陷的属性。缺陷的人工产生属性可尽可能通用。其可包含非强度型属性，例如缺陷位置、缺陷大小等。其可包含从图形数据库系统(GDS)文件或其它源导出的设计属性(即，参考几何形状及材料规格)。
另一方面，采用经训练缺陷分类器以基于从具有未知分类的缺陷的图像导出的自动产生属性的值对缺陷进行分类。
图7描绘一个实施例中的缺陷分类引擎200的说明。将与具有未知分类的候选缺陷相关联的图像数据201传递到参考图4描述的自动产生属性识别模块174。通过自动产生属性识别模块174使用参考图4描述的相同简化属性模型173基于缺陷图像数据201来确定与未分类缺陷相关联的自动产生属性202的值。在一些实施例中，将自动产生属性202的值传递到经训练缺陷分类器179，且经训练缺陷分类器179基于自动产生属性202的值来确定经成像缺陷的分类204。在这些实施例中，仅基于如参考图4描述的自动产生属性来训练经训练缺陷分类器179。
在一些其它实施例中，还将图像数据201传递到如参考图4描述的人工产生属性识别模块174。通过如参考图4描述的人工产生属性识别模块174基于缺陷图像数据201而确定与未分类缺陷相关联的人工产生属性202的值。在这些实施例中，将自动产生属性202的值及人工产生属性203的值传递到经训练缺陷分类器179，且经训练缺陷分类器179基于值202及203来确定经成像缺陷的分类204。在这些实施例中，基于如参考图4描述的自动产生属性及人工产生属性的组合来训练经训练缺陷分类器179。
图8描绘与基于不同分类器的已知分类的缺陷相关联的捕获率相对于妨害率的图210。检验应用是在化学机械抛光(CMP)过程步骤之后的铜金属层上的缺陷的分类。标绘线214描绘运用仅使用人工产生属性训练的统计分类器实现的分类结果。标绘线212描绘运用使用如本文中描述的人工产生属性及自动产生属性两者训练的统计分类器实现的分类结果。标绘线213描绘运用经训练以基于图像数据直接对缺陷进行分类的单层卷积神经网络实现的类结果。类似地，标绘线211描绘运用经训练以基于图像数据直接对缺陷进行分类的双层卷积神经网络实现的分类结果。
归因于计算成本，使用经训练卷积神经网络以基于图像数据直接对缺陷进行分类当前不适于高处理能力线上检验。然而，运用使用人工产生属性及自动产生属性两者训练的统计分类器实现的分类结果与这些计算密集型技术相比具有优势。另外，图8说明与仅使用人工产生属性训练的统计分类器相比，运用使用人工产生属性及自动产生属性两者训练的统计分类器实现的分类性能的改进。
图9描绘说明如通过使用参考图8描述的检验应用的人工产生属性及自动产生属性两者训练的统计分类器测量的基于其相对重要性排序的属性列表的图表220。如图9中描绘，仅标记为“斑点相似度”及“图块缺陷信号”的属性为人工产生属性。自动产生全部其它属性。如图9中描绘，对于此特定检验应用，许多自动产生属性的排序明显高于人工产生属性。
又另一方面，可通过迭代地减少分类器的训练中采用的属性的数目以迭代方式执行如参考图4描述的统计分类器的训练。
在图4中描绘的实施例中，缺陷分类器训练模块178确定提供为训练统计分类器的输入的一或多个属性中的每一者的重要性的相对测量。图9描绘提供为统计分类器的输入的若干属性的相对重要性的测量的说明。另外，缺陷分类器训练模块178基于与一或多个属性中的每一者相关联的重要性的相对测量来确定属性的子集。举例来说，缺陷分类器训练模块178确定消除具有低于预定阈值的重要性值的全部属性。在一个实例中，缺陷分类器训练模块178确定消除具有低于25的重要性值的全部属性。随后基于与一或多个训练图像中的每一者相关联的作为统计分类器的输入的剩余属性及与一或多个训练图像中的每一者相关联的作为统计分类器的输出的已知分类来重新训练统计分类器。可迭代地重复统计分类器的评估、简化及重新训练，同时分类器性能保持高于可接受水平。
检验系统100包含处理器131及一定量的计算机可读存储器132。处理器131及存储器132可经由总线133通信。存储器132包含存储一定量的程序代码的一定量的存储器134，程序代码在由处理器131执行时导致处理器131执行本文中描述的缺陷检测及分类功能性。
系统150包含处理器161及一定量的计算机可读存储器162。处理器161及存储器162可经由总线163通信。存储器162包含存储一定量的程序代码的一定量的存储器164，程序代码在由处理器161执行时导致处理器161执行本文中描述的缺陷检测及分类功能性。
在一些实施例中，经训练缺陷分类器179经传递到检验系统100且应用于由检验系统100产生的缺陷图像。与每一光学模式相关联的检测阈值经调整以实现所要妨害率。在图1中描绘的实施例中，检验系统100实施经训练缺陷分类器179以基于生产设置中的半导体结构的二维或三维图像的分析识别缺陷并对缺陷进行分类。在一些实例中，处理器131经配置以从如本文中描述的图像检测缺陷并对缺陷进行分类。
另外，检验系统100可包含可用于接受来自操作者的输入(例如，键盘、鼠标、触控屏幕等)及向操作者显示输出(例如，显示监视器)的外围装置。来自操作者的输入命令可由计算系统130使用以调整用于控制照明功率的阈值。所得功率级可在显示监视器上以图形方式呈现给操作者。
图11说明可用于基于半导体结构的图像来检测缺陷的示范性方法300的流程图。在一些非限制实例中，参考图1描述的检验系统100经配置以实施方法300。然而，一般来说，方法300的实施不受本文中描述的特定实施例的限制。
在框301中，举例来说由检验系统100产生包含一或多个候选缺陷的一或多个训练图像。一或多个候选缺陷中的每一者具有已知缺陷分类。
在框302中，训练基于深度学习的模型，所述模型具有一或多个候选缺陷的一或多个训练图像作为输入及一或多个候选缺陷中的每一者的已知分类作为输出。在一些实施例中，基于深度学习的模型是包含包括多个图像滤波器的至少一个卷积层及包含多个节点的至少一个连接层的神经网络模型。
在框303中，通过减少神经网络模型的层的数目、神经网络模型的图像滤波器的数目、神经网络模型的节点的数目或其任何组合而确定简化深度学习模型。
在框304中，重新训练简化的基于深度学习的模型，所述模型具有一或多个候选缺陷的一或多个图像作为简化深度学习模型的输入及一或多个候选缺陷中的每一者的已知分类作为输出。
在框305中，确定与一或多个训练图像中的每一者相关联的简化的基于深度学习的模型的一或多个属性中的每一者的值。
在框306中，训练统计分类器，所述统计分类器包含与一或多个训练图像中的每一者相关联的一或多个属性作为输入及与一或多个训练图像中的每一者相关联的已知分类作为输出。
一般来说，可在半导体装置的制造的研究开发、生产量渐增及大批量生产阶段期间应用本文中描述的分类技术，且所述分类技术适用于任何光学基于图像的测量技术。另外，这些技术可应用于光学及x射线检验模态。
不管制造过程的特定类型，需要在多层堆叠的全部层级中且在特定过程中尽可能早地检测缺陷。特定检验实施例优选地包含贯穿堆叠(包含堆叠表面及贯穿堆叠的各个深度)检测缺陷。举例来说，特定实施例允许在最多约3微米的深度处发现缺陷。在另一实施例中，可在大到约8微米的堆叠深度处检测缺陷。被检验的垂直ONON或OPOP堆叠的厚度仅受照明光的穿透深度的限制。通过氧化物-氮化物-氧化物-氮化物(ONON)或氧化物-多晶硅-氧化物-多晶硅(OPOP)堆叠的透射较不受较长波长的吸收的限制。因此，可采用较长照明波长来有效地检验极深结构。
本文中描述的检验系统及分类技术可应用于复杂垂直堆叠结构的三维图像，包含(但不限于)3D与非(NAND)门存储器装置、垂直NAND(VNAND)存储器结构、任何适合3D或垂直半导体结构(例如使用兆位单元阵列晶体管(TCAT)、垂直堆叠阵列晶体管(VSAT)、位成本可扩展技术(BiCST)、管道形BiCS技术(P-BiCS)等形成的NAND或NOR存储器装置)。垂直方向大体上是垂直于衬底表面的方向。此外，尽管采用特定制造步骤、过程及材料来形成此等3D结构，但可在制造流程中的任何点应用检验实施例且此类层可包含任何数目及类型的材料。
图10描绘处于晶片生产过程的氮化硅(例如，SiN或Si3N4)移除步骤的3D NAND结构180的简化说明以用于说明性目的。经制造3D NAND结构包含额外特征及元件。在一个实例中，经制造3D NAND结构包含许多额外层且一些描绘结构(例如，结构182)包含额外材料。围绕氧化物核心结构181的多晶硅结构182在多层3D NAND结构中垂直地(例如，法向于衬底186的表面)延伸。氧化硅层187通过随后蚀除的氮化硅层(未展示)彼此隔开。图10中出于说明的目的未蚀除氮化硅层183。过程中的下一步骤是在氧化硅层之间的空间中生长钨。然而，如图10中说明，不完全蚀刻已留下氮化硅缺陷184及185。电子装置将因缺陷184及185而不起作用。因此，重要的是在制造过程中尽可能早地测量此缺陷以防止与将发生故障的装置的进一步处理相关联的时间及资源的损失。
本文中针对可用于检验样品的检验系统或工具描述各个实施例。本文中使用术语“样品”来指代晶片、分划板、或可检验缺陷、特征或所属领域中已知的其它信息(例如，一定量的雾度或膜性质)的任何其它样本。
如本文中使用，术语“晶片”大体上是指由半导体或非半导体材料形成的衬底。实例包含(但不限于)单晶硅、砷化镓及磷化铟。通常可在半导体制造设备中发现及/或处理此类衬底。在一些情况中，晶片可仅包含衬底(即，裸晶片)。替代地，晶片可包含在衬底上形成的不同材料的一或多个层。在晶片上形成的一或多个层可为“图案化”或“未图案化”。举例来说，晶片可包含具有可重复图案特征的多个裸片。
“分划板”可为处于分划板制造过程的任何阶段的分划板，或可或可不释放以用于半导体制造设备中的完成分划板。分划板或“掩模”大体上定义为具有在其上形成且配置成图案的基本上不透明区的基本上透明衬底。衬底可包含举例来说玻璃材料，例如石英。可在光刻过程的曝光步骤期间将分划板安置于抗蚀剂覆盖晶片上方，使得可将分划板上的图案转印到抗蚀剂。
在一或多个示范性实施例中，可在硬件、软件、固件或其任何组合中实施所描述功能。如果在软件中实施，那么功能可作为一或多个指令或程序代码存储于计算机可读媒体上或经由计算机可读媒体传输。计算机可读媒体包含计算机存储媒体及通信媒体两者，包含促成将计算机程序从一个位置转移到另一位置的任何媒体。存储媒体可为可由通用或专用计算机存取的任何可用媒体。通过实例且非限制的方式，此类计算机可读媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储器、磁盘存储器或其它磁性存储装置、或可用于以指令或数据结构的形式载送或存储所要程序代码构件且可由通用或专用计算机或通用或专用处理器存取的任何其它媒体。此外，任何连接适当地称为计算机可读媒体。举例来说，如果使用同轴缆线、光纤缆线、双绞线、数字用户线(DSL)或无线技术(例如红外线、无线电及微波)从网站、服务器或其它远程源传输软件，那么同轴缆线、光纤缆线、双绞线、DSL或无线技术(例如红外线、无线电及微波)包含于媒体的定义中。如本文中使用的磁盘及磁盘包含光盘(CD)、激光磁盘、光盘、数字多功能磁盘(DVD)、软盘及蓝光磁盘，其中磁盘通常磁性地复制数据，而磁盘利用激光光学地复制数据。上述内容的组合也应包含于计算机可读媒体的范围内。
尽管上文出于指导目的描述某些特定实施例，但本专利档案的教示具有普遍适用性且不限于上文描述的特定实施例。在一个实例中，检测器可包含纤维阵列。在一个实例中，检验系统100可包含一个以上光源(未展示)。可不同或相同地配置光源。举例来说，光源可经配置以产生具有不同特性的光，光可在相同或不同时间以相同或不同入射角在相同或不同照明区域引导到晶片。可根据本文中描述的实施例中的任何者来配置光源。另外，可根据本文中描述的实施例中的任何者来配置光源中的一者，且另一光源可为所属领域中已知的任何其它光源。在一些实施例中，检验系统可同时在一个以上照明区域上照明晶片。多个照明区域可在空间上重叠。多个照明区域可在空间上相异。在一些实施例中，检验系统可在不同时间在一个以上照明区域上照明晶片。不同照明区域可在时间上重叠(即，在某一时段内同时照明)。不同照明区域可在时间上相异。一般来说，照明区域的数目可为任意的，且每一照明区域可具有相等或不同大小、定向及入射角。在又另一实例中，检验系统100可为具有独立于晶片103的任何运动进行扫描的一或多个照明区域的扫描点系统。在一些实施例中，使照明区域沿扫描线以重复图案扫描。扫描线可或可不与晶片103的扫描运动对准。尽管如本文中呈现，晶片定位系统114通过协调的旋转及平移移动而产生晶片103的运动，但在又另一实例中，晶片定位系统114可通过协调两个平移移动而产生晶片103的运动。举例来说，晶片定位系统114可沿两个正交线性轴产生运动(例如，X-Y运动)。
因此，可在不脱离如权利要求书中陈述的本发明的范围的情况下实践所描述实施例的各种修改、调适及各种特征的组合。

Claims (20)

1.一种用于半导体晶片检验的方法，其包括：
产生包含一或多个候选缺陷的一或多个训练图像，所述一或多个候选缺陷中的每一者具有已知缺陷分类；
训练基于深度学习的模型，所述模型具有所述一或多个候选缺陷的所述一或多个训练图像作为所述深度学习模型的输入及所述一或多个候选缺陷中的每一者的所述已知缺陷分类作为所述深度学习模型的输出，其中所述基于深度学习的模型是包含包括多个图像滤波器的至少一个卷积层及包含多个节点的至少一个连接层的神经网络模型；
通过减少所述神经网络模型的层的数目、所述神经网络模型的图像滤波器的数目、所述神经网络模型的节点的数目或其任何组合而确定简化深度学习模型；
重新训练所述简化的基于深度学习的模型，所述模型具有所述一或多个候选缺陷的所述一或多个图像作为所述简化深度学习模型的输入及所述一或多个候选缺陷中的每一者的所述已知缺陷分类作为所述简化深度学习模型的输出；
确定与所述一或多个训练图像中的每一者相关联的所述简化的基于深度学习的模型的一或多个属性中的每一者的值；及
训练统计分类器，所述统计分类器包含与所述一或多个训练图像中的每一者相关联的所述一或多个属性作为所述统计分类器的输入及与所述一或多个训练图像中的每一者相关联的所述已知缺陷分类作为所述统计分类器的输出。
2.根据权利要求1所述的方法，其中所述一或多个属性包含滤波图像的最大像素强度，其中所述滤波图像是通过所述多个图像滤波器中的任何者操作的所述一或多个训练图像中的任何者。
3.根据权利要求1所述的方法，其中所述一或多个属性包含所述神经网络模型的一或多个节点的值。
4.根据权利要求1所述的方法，其进一步包括：
确定与所述一或多个候选缺陷中的每一者相关联的一或多个人工产生属性中的每一者的值，其中所述统计分类器的所述输入还包含所述一或多个人工产生属性。
5.根据权利要求1所述的方法，其进一步包括：
训练使所述神经网络模型的层的节点的值与所述神经网络模型的后续层的节点的值相关的统计模型；
基于经训练的所述统计模型来确定所述层的重要性的相对测量、所述层的每一节点的重要性的相对测量、每一图像滤波器的重要性的相对测量或其任何组合，其中所述减少所述神经网络模型的层的所述数目、所述神经网络模型的图像滤波器的所述数目、所述神经网络模型的节点的所述数目或其任何组合基于所述层的重要性的所述经确定相对测量、所述层的每一节点的重要性的所述相对测量、每一图像滤波器的重要性的所述相对测量或其任何组合。
6.根据权利要求1所述的方法，其中所述一或多个训练图像包含包括与所述一或多个候选缺陷相关联的结构的第一例子的第一图像及包含所述结构的第二例子的第二图像。
7.根据权利要求6所述的方法，其中所述一或多个训练图像包含差分图像，其中所述差分图像是所述第一图像与所述第二图像之间的逐像素差异。
8.根据权利要求6所述的方法，其中从相同晶片收集所述第一图像及所述第二图像。
9.根据权利要求1所述的方法，其进一步包括：
产生包含一或多个候选缺陷的一或多个样本图像，所述一或多个候选缺陷中的每一者具有未知缺陷分类；
确定与所述一或多个样本图像中的每一者相关联的所述简化的基于深度学习的模型的所述一或多个属性中的每一者的值；及
基于所述训练统计分类器来确定所述一或多个候选缺陷中的每一者的分类，其中所述训练统计分类器的输入包含与所述一或多个样本图像中的每一者相关联的所述一或多个属性的所述值且所述训练统计分类器的所述输出是所述一或多个候选缺陷中的每一者的所述分类。
10.根据权利要求1所述的方法，其进一步包括：
基于所述训练统计分类器来确定所述一或多个属性中的每一者的重要性的相对测量；
基于与所述一或多个属性中的每一者相关联的重要性的所述相对测量来确定所述一或多个属性的子集；
重新训练所述统计分类器，所述统计分类器包含与所述一或多个训练图像中的每一者相关联的所述一或多个属性的所述子集作为所述统计分类器的输入及与所述一或多个训练图像中的每一者相关联的所述已知缺陷分类作为所述统计分类器的输出。
11.一种用于半导体晶片检验的系统，其包括：
照明源，其在半导体晶片上的一或多个候选缺陷的位置处将第一量的照明光提供到半导体晶片，所述一或多个候选缺陷中的每一者具有已知缺陷分类；
检测器，其响应于所述第一量的照明光而检测来自所述半导体晶片的一定量的光且产生包含所述一或多个候选缺陷的多个训练图像；及
计算系统，其经配置以：
训练基于深度学习的模型，所述模型具有所述一或多个候选缺陷的所述一或多个训练图像作为所述深度学习模型的输入及所述一或多个候选缺陷中的每一者的所述已知缺陷分类作为所述深度学习模型的输出，其中所述基于深度学习的模型是包含包括多个图像滤波器的至少一个卷积层及包含多个节点的至少一个连接层的神经网络模型；
通过减少所述神经网络模型的层的数目、所述神经网络模型的图像滤波器的数目、所述神经网络模型的节点的数目或其任何组合而确定简化的深度学习模型；
重新训练所述简化的基于深度学习的模型，所述模型具有所述一或多个候选缺陷的所述一或多个图像作为所述简化的深度学习模型的输入及所述一或多个候选缺陷中的每一者的所述已知缺陷分类作为所述简化的深度学习模型的输出；
确定与所述一或多个训练图像中的每一者相关联的所述简化的基于深度学习的模型的一或多个属性中的每一者的值；及
训练统计分类器，所述统计分类器包含与所述一或多个训练图像中的每一者相关联的所述一或多个属性作为所述统计分类器的输入及与所述一或多个训练图像中的每一者相关联的所述已知缺陷分类作为所述统计分类器的输出。
12.根据权利要求11所述的系统，其中所述一或多个属性包含滤波图像的最大像素强度，其中所述滤波图像是通过所述多个图像滤波器中的任何者操作的所述一或多个训练图像中的任何者。
13.根据权利要求11所述的系统，其中所述一或多个属性包含所述神经网络模型的一或多个节点的值。
14.根据权利要求11所述的系统，所述计算系统进一步经配置以：
确定与所述一或多个候选缺陷中的每一者相关联的一或多个人工产生属性中的每一者的值，其中所述统计分类器的所述输入还包含所述一或多个人工产生属性。
15.根据权利要求11所述的系统，所述计算系统进一步经配置以：
训练使所述神经网络模型的层的节点的值与所述神经网络模型的后续层的节点的值相关的统计模型；及
基于经训练的所述统计模型来确定所述层的重要性的相对测量、所述层的每一节点的重要性的相对测量、每一图像滤波器的重要性的相对测量或其任何组合，其中所述减少所述神经网络模型的层的所述数目、所述神经网络模型的图像滤波器的所述数目、所述神经网络模型的节点的所述数目或其任何组合基于所述层的重要性的所述经确定相对测量、所述层的每一节点的重要性的所述相对测量、每一图像滤波器的重要性的所述相对测量或其任何组合。
16.根据权利要求11所述的系统，所述照明源在具有未知缺陷分类的半导体晶片上的一或多个候选缺陷的位置处将第二量的照明光提供到半导体晶片，所述检测器响应于入射量的照明光而检测来自所述半导体晶片的第二量的光且产生包含具有未知缺陷分类的所述一或多个候选缺陷的多个样本图像，所述计算系统进一步经配置以：
确定与所述一或多个样本图像中的每一者相关联的所述简化的基于深度学习的模型的所述一或多个属性中的每一者的值；及
基于所述训练统计分类器来确定所述一或多个候选缺陷中的每一者的分类，其中所述训练统计分类器的输入包含与所述一或多个样本图像中的每一者相关联的所述一或多个属性的所述值且所述训练统计分类器的所述输出是所述一或多个候选缺陷中的每一者的所述分类。
17.一种用于半导体晶片检验的系统，其包括：
照明源，其在半导体晶片上的一或多个候选缺陷的位置处将第一量的照明光提供到半导体晶片，所述一或多个候选缺陷中的每一者具有已知缺陷分类；
检测器，其响应于所述第一量的照明光而检测来自所述半导体晶片的一定量的光且产生包含所述一或多个候选缺陷的多个训练图像；及
计算系统，其包括：
一或多个处理器；及
非暂时性计算机可读媒体，其存储指令，所述指令在由所述一或多个处理器执行时导致所述计算系统：
训练基于深度学习的模型，所述模型具有所述一或多个候选缺陷的所述一或多个训练图像作为所述深度学习模型的输入及所述一或多个候选缺陷中的每一者的所述已知缺陷分类作为所述深度学习模型的输出，其中所述基于深度学习的模型是包含包括多个图像滤波器的至少一个卷积层及包含多个节点的至少一个连接层的神经网络模型；
通过减少所述神经网络模型的层的数目、所述神经网络模型的图像滤波器的数目、所述神经网络模型的节点的数目或其任何组合而确定简化的深度学习模型；
重新训练所述简化的基于深度学习的模型，所述模型具有所述一或多个候选缺陷的所述一或多个图像作为所述简化的深度学习模型的输入及所述一或多个候选缺陷中的每一者的所述已知缺陷分类作为所述简化的深度学习模型的输出；
确定与所述一或多个训练图像中的每一者相关联的所述简化的基于深度学习的模型的一或多个属性中的每一者的值；及
训练统计分类器，所述统计分类器包含与所述一或多个训练图像中的每一者相关联的所述一或多个属性作为所述统计分类器的输入及与所述一或多个训练图像中的每一者相关联的所述已知缺陷分类作为所述统计分类器的输出。
18.根据权利要求17所述的系统，其中所述一或多个属性包含滤波图像的最大像素强度，其中所述滤波图像是通过所述多个图像滤波器中的任何者操作的所述一或多个训练图像中的任何者。
19.根据权利要求17所述的系统，所述非暂时性计算机可读媒体进一步存储指令，所述指令在由所述一或多个处理器执行时导致所述计算系统：
确定与所述一或多个候选缺陷中的每一者相关联的一或多个人工产生属性中的每一者的值，其中所述统计分类器的所述输入还包含所述一或多个人工产生属性。
20.根据权利要求17所述的系统，所述非暂时性计算机可读媒体进一步存储指令，所述指令在由所述一或多个处理器执行时导致所述计算系统：
训练使所述神经网络模型的层的节点的值与所述神经网络模型的后续层的节点的值相关的统计模型；及
基于经训练的所述统计模型来确定所述层的重要性的相对测量、所述层的每一节点的重要性的相对测量、每一图像滤波器的重要性的相对测量或其任何组合，其中所述减少所述神经网络模型的层的所述数目、所述神经网络模型的图像滤波器的所述数目、所述神经网络模型的节点的所述数目或其任何组合基于所述层的重要性的所述经确定相对测量、所述层的每一节点的重要性的所述相对测量、每一图像滤波器的重要性的所述相对测量或其任何组合。
CN202080009734.XA 2019-01-18 2020-01-17 利用自动产生缺陷特征检验半导体结构的方法及系统 Active CN113302728B (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN201941002244 2019-01-18
IN201941002244 2019-01-18
US201962896578P 2019-09-06 2019-09-06
US62/896,578 2019-09-06
US16/744,385 2020-01-16
US16/744,385 US11379967B2 (en) 2019-01-18 2020-01-16 Methods and systems for inspection of semiconductor structures with automatically generated defect features
PCT/US2020/013969 WO2020150538A1 (en) 2019-01-18 2020-01-17 Methods and systems for inspection of semiconductor structures with automatically generated defect features

Publications (2)

Publication Number Publication Date
CN113302728A CN113302728A (zh) 2021-08-24
CN113302728B true CN113302728B (zh) 2024-02-09

Family

ID=71609095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080009734.XA Active CN113302728B (zh) 2019-01-18 2020-01-17 利用自动产生缺陷特征检验半导体结构的方法及系统

Country Status (6)

Country Link
US (1) US11379967B2 (zh)
KR (1) KR102539921B1 (zh)
CN (1) CN113302728B (zh)
IL (1) IL284248B2 (zh)
TW (1) TWI809243B (zh)
WO (1) WO2020150538A1 (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
KR20220091544A (ko) 2019-11-04 2022-06-30 도쿄엘렉트론가부시키가이샤 복수의 웨이퍼 검사 시스템(wis) 모듈을 교정하는 시스템 및 방법
US11624607B2 (en) 2020-01-06 2023-04-11 Tokyo Electron Limited Hardware improvements and methods for the analysis of a spinning reflective substrates
US11435391B2 (en) * 2020-01-22 2022-09-06 Nanya Technology Corporation Dual-sided wafer imaging apparatus and methods thereof
US11360030B2 (en) * 2020-02-04 2022-06-14 Applied Materials Isreal Ltd Selecting a coreset of potential defects for estimating expected defects of interest
CN111429415B (zh) * 2020-03-18 2020-12-08 东华大学 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法
US11022566B1 (en) * 2020-03-31 2021-06-01 Applied Materials Israel Ltd. Examination of a semiconductor specimen
US11150200B1 (en) * 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
TWI732618B (zh) * 2020-07-02 2021-07-01 撼訊科技股份有限公司 影像辨識方法及其系統
IL276478B2 (en) * 2020-08-03 2023-07-01 Inspekto A M V Ltd Adaptive system and method for inspecting photographed objects
WO2022029771A1 (en) * 2020-08-03 2022-02-10 Inspekto A.M.V Ltd Adaptive system and method for inspection of imaged items
US11328410B2 (en) * 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
US11776108B2 (en) * 2020-08-05 2023-10-03 KLA Corp. Deep learning based defect detection
WO2022059135A1 (ja) * 2020-09-17 2022-03-24 株式会社日立ハイテク エラー要因の推定装置及び推定方法
CN112365491A (zh) * 2020-11-27 2021-02-12 上海市计算技术研究所 容器焊缝检测的方法、电子设备及存储介质
CN114626538A (zh) * 2020-12-09 2022-06-14 艾聚达信息技术(苏州)有限公司 人工智能模型自动提升训练系统及方法
US11216932B1 (en) * 2021-03-26 2022-01-04 Minds AI Technologies Ltd Electronic substrate defect detection
TWI812091B (zh) * 2021-04-21 2023-08-11 德商卡爾蔡司Ｓｍｔ有限公司 訓練機器學習邏輯及分析高深寬比結構中奈米柱橫截面環之方法、半導體檢測裝置、電腦程式及實體儲存媒體
US11738363B2 (en) 2021-06-07 2023-08-29 Tokyo Electron Limited Bath systems and methods thereof
CN113469997B (zh) * 2021-07-19 2024-02-09 京东科技控股股份有限公司 平面玻璃的检测方法、装置、设备和介质
US11791184B2 (en) 2021-07-26 2023-10-17 Samsung Electronics Co., Ltd. Semiconductor fabrication process and method of optimizing the same
US20230051330A1 (en) * 2021-08-16 2023-02-16 Applied Materials Inc. Using defect models to estimate defect risk and optimize process recipes
US20230057295A1 (en) * 2021-08-23 2023-02-23 Element8 Technology Investment Group Inc. System and method for providing a multi-sided platform for broadband and content delivery networks
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
US11955358B2 (en) 2021-09-24 2024-04-09 Applied Materials, Inc. Model-based failure mitigation for semiconductor processing systems
CN114881934A (zh) * 2022-04-13 2022-08-09 华南理工大学 一种基于神经网络的柔性ic基板表面缺陷分层分类方法
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
CN116504663B (zh) * 2023-06-20 2023-08-22 深圳市芯片测试技术有限公司 一种晶圆多等级测试方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6271916B1 (en) 1994-03-24 2001-08-07 Kla-Tencor Corporation Process and assembly for non-destructive surface inspections
US5608526A (en) 1995-01-19 1997-03-04 Tencor Instruments Focused beam spectroscopic ellipsometry method and system
US5859424A (en) 1997-04-08 1999-01-12 Kla-Tencor Corporation Apodizing filter system useful for reducing spot size in optical measurements and other applications
US6201601B1 (en) 1997-09-19 2001-03-13 Kla-Tencor Corporation Sample inspection system
US6208411B1 (en) 1998-09-28 2001-03-27 Kla-Tencor Corporation Massively parallel inspection and imaging system
US6429943B1 (en) 2000-03-29 2002-08-06 Therma-Wave, Inc. Critical dimension analysis with simultaneous multiple angle of incidence measurements
US7130039B2 (en) 2002-04-18 2006-10-31 Kla-Tencor Technologies Corporation Simultaneous multi-spot inspection and imaging
US7295303B1 (en) 2004-03-25 2007-11-13 Kla-Tencor Technologies Corporation Methods and apparatus for inspecting a sample
US7478019B2 (en) 2005-01-26 2009-01-13 Kla-Tencor Corporation Multiple tool and structure analysis
US7567351B2 (en) 2006-02-02 2009-07-28 Kla-Tencor Corporation High resolution monitoring of CD variations
JP2009014510A (ja) 2007-07-04 2009-01-22 Hitachi High-Technologies Corp 検査方法及び検査装置
US9581430B2 (en) 2012-10-19 2017-02-28 Kla-Tencor Corporation Phase characterization of targets
US8912495B2 (en) 2012-11-21 2014-12-16 Kla-Tencor Corp. Multi-spectral defect inspection for 3D wafers
US9075027B2 (en) 2012-11-21 2015-07-07 Kla-Tencor Corporation Apparatus and methods for detecting defects in vertical memory
US10769320B2 (en) 2012-12-18 2020-09-08 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
US9291554B2 (en) 2013-02-05 2016-03-22 Kla-Tencor Corporation Method of electromagnetic modeling of finite structures and finite illumination for metrology and inspection
US9389349B2 (en) 2013-03-15 2016-07-12 Kla-Tencor Corporation System and method to determine depth for optical wafer inspection
US9696264B2 (en) 2013-04-03 2017-07-04 Kla-Tencor Corporation Apparatus and methods for determining defect depths in vertical stack memory
US9816940B2 (en) 2015-01-21 2017-11-14 Kla-Tencor Corporation Wafer inspection with focus volumetric method
US9524450B2 (en) * 2015-03-04 2016-12-20 Accenture Global Services Limited Digital image processing using convolutional neural networks
CN105719188B (zh) * 2016-01-22 2017-12-26 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
US10346740B2 (en) * 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US10223615B2 (en) 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
US10115040B2 (en) 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
BR102016028266A2 (pt) * 2016-12-01 2018-06-19 Autaza Tecnologia Ltda - Epp Método e sistema para a inspeção automática de qualidade de materiais
WO2018165753A1 (en) 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
US10810721B2 (en) * 2017-03-14 2020-10-20 Adobe Inc. Digital image defect identification and correction
GB201704373D0 (en) * 2017-03-20 2017-05-03 Rolls-Royce Ltd Surface defect detection
US10453366B2 (en) 2017-04-18 2019-10-22 Samsung Display Co., Ltd. System and method for white spot mura detection
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类

Also Published As

Publication number Publication date
KR102539921B1 (ko) 2023-06-02
CN113302728A (zh) 2021-08-24
TWI809243B (zh) 2023-07-21
US20200234428A1 (en) 2020-07-23
IL284248A (en) 2021-08-31
IL284248B1 (en) 2023-12-01
WO2020150538A1 (en) 2020-07-23
IL284248B2 (en) 2024-04-01
US11379967B2 (en) 2022-07-05
KR20210107149A (ko) 2021-08-31
TW202044443A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN113302728B (zh) 利用自动产生缺陷特征检验半导体结构的方法及系统
US11047806B2 (en) Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
CN109791897B (zh) 用于半导体晶片检验的三维成像
US9805462B2 (en) Machine learning method and apparatus for inspecting reticles
TWI648533B (zh) 用於相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之電腦實施方法及經組態以相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之系統
TWI797382B (zh) 在極端紫外光光罩上所檢測到之缺陷處理
TWI778258B (zh) 缺陷偵測之方法、系統及非暫時性電腦可讀媒體
US11644756B2 (en) 3D structure inspection or metrology using deep learning
TW202226027A (zh) 用於光學或其他模式選擇之深度生成模型
TW202201154A (zh) 用於模擬樣本影像之生成對抗網路(GANs)
TW202212802A (zh) 針對具有樣品內及樣品間變異之樣品使用無監督學習及適應性資料庫產生方法之影像對準設定
TW202300900A (zh) 以經呈現設計影像之設計照護區域之分段
TW202407331A (zh) 多模式光學檢測
CN117529756A (zh) 快速及模糊的图案分组

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