CN113678236A - 用于半导体应用的可学习缺陷检测 - Google Patents

用于半导体应用的可学习缺陷检测 Download PDF

Info

Publication number
CN113678236A
CN113678236A CN202080027481.9A CN202080027481A CN113678236A CN 113678236 A CN113678236 A CN 113678236A CN 202080027481 A CN202080027481 A CN 202080027481A CN 113678236 A CN113678236 A CN 113678236A
Authority
CN
China
Prior art keywords
sample
defect detection
images
reference image
test
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
CN202080027481.9A
Other languages
English (en)
Inventor
张晶
袁周宁
董宇杰
K·巴哈斯卡尔
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.)
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 CN113678236A publication Critical patent/CN113678236A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • 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
    • G06N3/04—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
    • 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
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • 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
    • G06T2207/20—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)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明提供用于半导体应用的可学习缺陷检测方法及系统。一种系统包含深度度量学习缺陷检测模型，其经配置以用于将样品的测试图像及对应参考图像投影到潜在空间中，确定在所述潜在空间中所述测试图像的一或多个不同部分与所述对应参考图像的对应部分之间的距离，及基于所述经确定距离而检测所述测试图像的所述一或多个不同部分中的缺陷。另一系统包含可学习低秩参考图像产生器，其经配置以用于从样品的一或多个测试图像移除噪声，借此产生对应于所述一或多个测试图像的一或多个参考图像。

Description

用于半导体应用的可学习缺陷检测
技术领域
本发明大体来说涉及用于半导体应用的可学习缺陷检测方法及系统。某些实施例涉及用于使用深度度量学习缺陷检测模型及/或可学习低秩参考图像产生器来检测样品上的缺陷的系统及方法。
背景技术
以下说明及实例并不由于其包含于此章节中而被认为是现有技术。
制作例如逻辑及存储器装置等半导体装置通常包含使用众多半导体制作过程来处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。举例来说，光刻是涉及将图案从光罩转印到布置于半导体晶片上的抗蚀剂的半导体制作过程。半导体制作过程的额外实例包含但不限于化学机械抛光(CMP)、蚀刻、沉积及离子植入。可将多个半导体装置制作于单个半导体晶片上的布置中且然后将其分离成个别半导体装置。
在半导体制造过程期间在各个步骤处使用检验过程来检测晶片上的缺陷以促成在制造过程中的较高合格率及因此较高利润。检验一直是制作半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对可接受半导体装置的成功制造变得甚至更加重要，这是因为较小缺陷可导致装置不合格。
大多数检验方法包含两个主要步骤：产生参考图像，后续接着执行缺陷检测。存在用以执行每一步骤的诸多不同方式。举例来说，可通过确定多个图像的中值或平均值而产生参考图像。在另一实例中，参考图像可为基于低秩近似的经构造参考及替代物。缺陷检测还可以若干种不同方式执行。举例来说，缺陷检测可为无监督式的，使用基于减法的检测算法(例如，MDAT、LCAT等)。替代地，缺陷检测可为监督式的，使用像素级检测算法(例如，使用深度学习(DL)模型及电子束图像执行的单个图像检测)。
然而，当前使用的各种缺陷检测方法存在若干个缺点。举例来说，通过计算中值或平均值而产生参考图像通常不足以处理裸片间过程差异，尽管基于低秩近似的经构造参考及替代物部分地解决此问题。然而，经构造参考及替代物对于晶片上的子区可能无效且可能毁坏缺陷信号。当前使用的无监督式缺陷检测方法是不利的，这是因为检测取决于参考图像及测试图像的质量。此类无监督式缺陷检测方法也不提供针对目标缺陷类型或相对小的缺陷的选择性灵敏度增强。监督式缺陷检测方法需要大量经标记缺陷候选者来进行训练，此在实践中对于处方设置可为耗时的。
因此，开发用于半导体应用的不具有上文所描述的缺点中的一或多者的可学习缺陷检测系统及方法将是有利的。
发明内容
各种实施例的以下说明不应以任何方式被视为限制所附权利要求书的标的物。
一个实施例涉及一种经配置以检测样品上的缺陷的系统。所述系统包含一或多个计算机系统及由所述一或多个计算机系统执行的一或多个组件。所述一或多个组件包含深度度量学习(DML)缺陷检测模型，所述DML缺陷检测模型经配置以用于将针对样品产生的测试图像及对应参考图像投影到潜在空间中。针对所述测试图像的一或多个不同部分，所述DML缺陷检测模型还经配置以用于确定在所述潜在空间中所述一或多个不同部分与所述对应参考图像的对应一或多个部分之间的距离。另外，所述DML缺陷检测模型经配置以用于基于针对所述测试图像的所述一或多个不同部分确定的所述距离而检测所述测试图像的所述一或多个不同部分中的缺陷。可如本文中所描述地进一步配置所述系统。
另一实施例涉及一种用于检测样品上的缺陷的计算机实施的方法。所述方法包含将针对样品产生的测试图像及对应参考图像投影到潜在空间中。所述方法还包含针对所述测试图像的一或多个不同部分，确定在所述潜在空间中所述一或多个不同部分与所述对应参考图像的对应一或多个部分之间的距离。另外，所述方法包含分别基于针对所述测试图像的所述一或多个不同部分确定的距离而检测所述测试图像的所述一或多个不同部分中的缺陷。所述投影、确定及检测步骤是由包含于由一或多个计算机系统执行的一或多个组件中的DML缺陷检测模型执行。
可如本文中所描述进一步执行上文所描述的方法的步骤中的每一者。另外，上文所描述的方法的实施例可包含本文中所描述的任何其它方法的任何其它步骤。此外，上文所描述的方法可由本文中所描述的系统中的任一者来执行。
额外实施例涉及一种非暂时性计算机可读媒体，其存储可在一或多个计算机系统上执行以执行用于检测样品上的缺陷的计算机实施的方法的程序指令。所述计算机实施的方法包含上文所描述的方法的步骤。可如本文中所描述地进一步配置所述计算机可读媒体。可如本文中进一步所描述地执行所述计算机实施的方法的步骤。另外，可为其执行所述程序指令的所述计算机实施的方法可包含本文中所描述的任何其它方法的任何其它步骤。
又一实施例涉及一种经配置以产生样品的参考图像的系统。所述系统包含一或多个计算机系统及由所述一或多个计算机系统执行的一或多个组件。所述一或多个组件包含低秩参考图像产生器。所述一或多个计算机系统经配置以用于将样品的一或多个测试图像输入到所述可学习低秩参考图像产生器中。所述一或多个测试图像是针对与所述样品的设计中的同一位置对应的所述样品上的不同位置而产生。所述可学习低秩参考图像产生器经配置以用于从所述一或多个测试图像移除噪声，借此产生对应于所述一或多个测试图像的一或多个参考图像。缺陷检测组件基于所述一或多个测试图像及其对应一或多个参考图像检测所述样品上的缺陷。可如本文中所描述地进一步配置所述系统。
另一实施例涉及一种用于产生样品的参考图像的计算机实施的方法。所述方法包含将样品的一或多个测试图像输入到可学习低秩参考图像产生器中。所述可学习低秩参考图像产生器包含于由一或多个计算机系统执行的一或多个组件中。所述一或多个测试图像是针对与所述样品的设计中的同一位置对应的所述样品上的不同位置而产生。所述可学习低秩参考图像产生器经配置以用于从所述一或多个测试图像移除噪声，借此产生对应于所述一或多个测试图像的一或多个参考图像。缺陷检测组件基于所述一或多个测试图像及其对应一或多个参考图像检测所述样品上的缺陷。
可如本文中所描述进一步执行上文所描述的方法的步骤中的每一者。另外，上文所描述的方法的实施例可包含本文中所描述的任何其它方法的任何其它步骤。此外，上文所描述的方法可由本文中所描述的系统中的任一者来执行。
额外实施例涉及一种非暂时性计算机可读媒体，其存储可在一或多个计算机系统上执行以执行用于产生样品的参考图像的计算机实施的方法的程序指令。所述计算机实施的方法包含上文所描述的方法的步骤。可如本文中所描述地进一步配置所述计算机可读媒体。可如本文中进一步所描述地执行所述计算机实施的方法的步骤。另外，可为其执行所述程序指令的所述计算机实施的方法可包含本文中所描述的任何其它方法的任何其它步骤。
附图说明
在受益于对优选实施例的以下详细说明的情况下且在参考附图之后，所属领域的技术人员将明了本发明的另外的优点，附图中：
图1及1a是图解说明如本文中所描述地配置的系统的实施例的侧视图的示意图；
图2及3是图解说明可用于本文中所描述的一或多个组件的网络架构的实施例的示意图；及
图4是图解说明存储用于致使计算机系统执行本文中所描述的计算机实施的方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。
虽然易于对本发明做出各种修改及替代形式，但其特定实施例是以实例方式展示于图式中且将在本文中详细地描述。所述图式可未按比例。然而，应理解，图式及对其的详细说明并非打算将本发明限制于所揭示的特定形式，而是相反，本发明将涵盖归属于如由所附权利要求书所定义的本发明的精神及范围内的所有修改、等效形式及替代形式。
具体实施方式
现在转到图式，应注意各图并未按比例绘制。特定来说，所述图的元件中的一些元件的比例被大为放大以强调所述元件的特性。还应注意，所述图并未按同一比例绘制。已使用相同参考编号指示可类似地配置的在多于一个图中展示的元件。除非本文中另外提及，否则所描述及所展示的元件中的任一者可包含任何适合可商购元件。
一个实施例涉及一种经配置以检测样品上的缺陷的系统。本文中所描述的实施例大体来说涉及用于例如光学检验工具等工具的基于深度学习(DL)及机器学习(ML)的缺陷检测方法。一些实施例通常经配置以用于半导体检验及计量应用的可学习低秩缺陷检测。
本文中所描述的系统可包含成像系统，所述成像系统包含至少能量源及检测器。能量源经配置以产生被引导到样品的能量。检测器经配置以检测来自样品的能量且响应于所检测能量而产生图像。在一个实施例中，成像系统是配置为光学成像系统。图1中展示此成像系统的一个实施例。
在一个实施例中，样品是晶片。所述晶片可包含半导体技术领域中已知的任何晶片。尽管本文中可关于一晶片或若干晶片描述一些实施例，但实施例不在其可用于的样品上受限制。举例来说，本文中所描述的实施例可用于例如光罩、平板、个人计算机(PC)板等样品及其它半导体样品。在另一实施例中，样品是光罩。所述光罩可包含本技术领域中已知的任何光罩。
图1中所展示的成像系统通过将光引导到样品或使光在样品上方扫描且检测来自样品的光而产生光学图像。在于图1中展示的系统的实施例中，成像系统10包含经配置以将光引导到样品14的照明子系统。照明子系统包含至少一个光源。举例来说，如在图1中所展示，照明子系统包含光源16。照明子系统可经配置而以一或多个入射角(其可包含一或多个倾斜角及/或一或多个法向角)将光引导到样品。举例来说，如图1中所展示，以倾斜入射角将来自光源16的光引导穿过光学元件18且接着穿过透镜20而到样品14。所述倾斜入射角可包含任何适合倾斜入射角，其可取决于例如样品的特性而变化。
成像系统可经配置以在不同时间以不同入射角将光引导到样品。举例来说，成像系统可经配置以更改照明子系统的一或多个元件的一或多个特性，使得可以与图1中展示的入射角不同的入射角将光引导到样品。在一个此类实例中，成像系统可经配置以移动光源16、光学元件18及透镜20，使得以不同倾斜入射角或者法向(或接近法向)入射角将光引导到样品。
在一些例子中，成像系统可经配置而同时以多于一个入射角将光引导到样品。举例来说，照明子系统可包含多于一个照明通道，所述照明通道中的一者可包含如图1中所展示的光源16、光学元件18及透镜20，且所述照明通道中的另一者(未展示)可包含可不同地或相同地配置的类似元件，或者可包含至少光源以及可能地一或多个其它组件(例如本文中进一步描述的那些组件)。如果此光与其它光同时被引导到样品，那么以不同入射角被引导到样品的光的一或多个特性(例如，波长、偏光等)可为不同的，使得由以不同入射角对样品的照明引起的光可在检测器处彼此区别开。
在另一例子中，照明子系统可包含仅一个光源(例如，图1中展示的源16)，且来自光源的光可通过照明子系统的一或多个光学元件(未展示)而被分离到不同光路径中(例如，基于波长、偏光等)。不同光路径中的每一者中的光可接着被引导到样品。多个照明通道可经配置以同时或在不同时间(例如，当使用不同照明通道来依序照明样品时)将光引导到样品。在另一例子中，同一照明通道可经配置以在不同时间将具有不同特性的光引导到样品。举例来说，光学元件18可经配置为光谱滤光器，且光谱滤光器的性质可以各种不同方式(例如，通过换出光谱滤光器)被改变，使得可在不同时间将不同波长的光引导到样品。照明子系统可具有本技术领域中已知的用于以不同或相同入射角依序或同时将具有不同或相同特性的光引导到样品的任何其它适合配置。
在一个实施例中，光源16是宽带等离子体(BBP)光源。以此方式，由光源产生且被引导到样品的光可包含宽带光。然而，所述光源可包含本技术领域中已知的经配置以产生处于任何适合波长的光的任何其它适合光源，例如任何适合激光器。另外，激光器可经配置以产生单色或几乎单色的光。以此方式，所述激光器可为窄带激光器。所述光源还可包含产生处于多个离散波长或波带的光的多色光源。
来自光学元件18的光可通过透镜20聚焦到样品14上。尽管透镜20在图1中展示为单个折射光学元件，但应理解，在实践中，透镜20可包含组合地将来自光学元件的光聚焦到样品的若干个折射及/或反射光学元件。照明子系统可包含任何其它适合光学元件(未展示)。此类光学元件的实例包含(但不限于)偏光组件、光谱滤光器、空间滤波器、反射光学元件、切趾器、分束器、光圈等，其可包含本技术领域中已知的任何此类适合光学元件。另外，成像系统可经配置以基于将用于成像的照明的类型而更改照明子系统的元件中的一或多者。
成像系统还可包含经配置以致使光在样品上方进行扫描的扫描子系统。举例来说，成像系统可包含载台22，在成像期间将样品14安置于载台22上。扫描子系统可包含可经配置以移动样品使得光可在样品上方进行扫描的任何适合机械及/或机器人组合件(其包含载台22)。另外或替代地，成像系统可经配置使得成像系统的一或多个光学元件执行光在样品上方的某一扫描。光可以任何适合方式(例如在蛇形路径中或在螺旋形路径中)在样品上方进行扫描。
成像系统进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，所述检测器经配置以检测归因于对样品的照明的来自样品的光且响应于所检测光而产生输出。举例来说，图1中展示的成像系统包含两个检测通道，其中一者是由聚光器24、元件26及检测器28形成且另一者是由聚光器30、元件32及检测器34形成。如图1中所展示，所述两个检测通道经配置而以不同收集角度收集且检测光。在一些例子中，两个检测通道均经配置以检测经散射光，且所述检测通道经配置以检测以不同角度从样品散射的光。然而，检测通道中的一或多者可经配置以检测来自样品的另一类型的光(例如，经反射光)。
如图1中进一步展示，两个检测通道均展示为定位于纸的平面中，且照明子系统也展示为定位于纸的平面中。因此，在此实施例中，两个检测通道均定位于入射平面中(例如，在其中居中)。然而，检测通道中的一或多者可定位于入射平面外。举例来说，由聚光器30、元件32及检测器34形成的检测通道可经配置以收集且检测散射出入射平面外的光。因此，此检测通道可通常称为“侧”通道，且此侧通道可在基本上垂直于入射平面的平面中居中。
尽管图1展示包含两个检测通道的成像系统的实施例，但成像系统可包含不同数目个检测通道(例如，仅一个检测通道或者两个或多于两个检测通道)。在一个此类例子中，由聚光器30、元件32及检测器34形成的检测通道可形成如上文所描述的一个侧通道，且成像系统可包含额外检测通道(未展示)作为定位于入射平面的相对侧上的另一侧通道。因此，成像系统可包含包括聚光器24、元件26及检测器28且在入射平面中居中并且经配置以收集并检测处于法向于样品表面或接近法向于样品表面的散射角度的光的检测通道。此检测通道可因此通常称为“顶部”通道，且成像系统还可包含如上文所描述地配置的两个或更多个侧通道。如此，成像系统可包含至少三个通道(即，一个顶部通道及两个侧通道)，且至少三个通道中的每一者具有其自身的聚光器，所述聚光器中的每一者经配置以相比于其它聚光器中的每一者收集处于不同散射角度的光。
如上文进一步描述，包含于成像系统中的检测通道中的每一者可经配置以检测经散射光。因此，图1中所展示的成像系统可经配置以用于样品的暗视场(DF)成像。然而，成像系统还可或替代地包含经配置以用于样品的亮视场(BF)成像的检测通道。换句话说，成像系统可包含经配置以检测从样品镜面反射的光的至少一个检测通道。因此，本文中所描述的成像系统可经配置以用于仅DF成像、仅BF成像或DF成像及BF成像两者。尽管聚光器中的每一者在图1中展示为单个折射光学元件，但应理解聚光器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
一或多个检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、时间延迟积分(TDI)相机及本技术领域中已知的任何其它适合检测器。所述检测器还可包含非成像检测器或成像检测器。如果所述检测器是非成像检测器，那么检测器中的每一者可经配置以检测经散射光的某些特性(例如强度)但不可经配置以依据在成像平面内的位置而检测此类特性。如此，由检测器中的每一者产生的输出可为信号或数据，但非图像信号或图像数据。在此类例子中，计算机子系统(例如计算机子系统36)可经配置以依据检测器的非成像输出产生样品的图像。然而，在其它例子中，检测器可经配置为成像检测器，所述成像检测器经配置以产生成像信号或图像数据。因而，成像子系统可经配置而以若干种方式产生本文中所描述的图像。
应注意，本文中提供图1以大体图解说明可包含于本文中所描述的系统实施例中或可产生本文中所描述的系统实施例所使用的图像的光学成像系统的配置。显然地，可更改本文中所描述的光学成像系统配置以优化系统的性能，如在设计商业成像系统时通常所执行。另外，本文中所描述的系统可使用例如可从KLA(加利福尼亚州苗必达市)商购的29xx/39xx系列工具的现有系统来实施(例如，通过将本文中所描述的功能性添加到现有系统)来实施。针对一些此类系统，本文中所描述的实施例可经提供作为系统的任选功能性(例如，作为系统的其它功能性的补充)。替代地，可“从头开始”设计本文中所描述的光学成像系统以提供全新光学成像系统。
计算机子系统36可以任何适合方式(例如，经由一或多个传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到成像系统的检测器，使得计算机子系统可接收由检测器针对样品产生的输出。计算机子系统36可经配置以使用检测器的输出来执行本文中进一步描述的若干个功能。
系统还可包含可以不同方式或以相同方式配置的多于一个计算机子系统(例如，图1中所展示的计算机子系统36及计算机子系统102)。图1中所展示的计算机子系统(以及本文中所描述的其它计算机子系统)还可称为计算机系统。计算机子系统或系统中的每一者可采用各种形式，包含个人计算机系统、图像计算机、主机计算机系统、工作站、网络器具、因特网器具或其它装置。大体来说，术语“计算机系统”可广泛定义为涵盖执行来自存储器媒体的指令的具有一或多个处理器的任何装置。计算机子系统或系统还可包含本技术领域中已知的任何适合处理器，例如并行处理器。另外，计算机子系统或系统可包含具有高速度处理及软件的计算机平台作为独立工具或经联网工具。
如果所述系统包含多于一个计算机子系统，那么不同计算机子系统可彼此耦合使得图像、数据、信息、指令等可在计算机子系统之间发送，如本文中进一步描述。举例来说，计算机子系统36可通过可包含本技术领域中已知的任何适合有线及/或无线传输媒体的任何适合传输媒体而耦合到计算机子系统102(如图1中的虚线所展示)。此类计算机子系统中的两者或多于两者还可通过共享计算机可读存储媒体(未展示)而有效地耦合。
尽管成像系统在上文描述为光学或基于光的成像系统，但在另一实施例中，成像系统是配置为电子束成像系统。举例来说，所述系统还可或替代地包含经配置以产生样品的电子束图像的电子束成像系统。电子束成像系统可经配置以将电子引导到样品或使电子在样品上方扫描且检测来自样品的电子。在图1a中所展示的一个此类实施例中，电子束成像系统包含耦合到计算机子系统124的电子柱122。
还如图1a中所展示，电子柱包含电子束源126，电子束源126经配置以产生通过一或多个元件130而聚焦到样品128的电子。电子束源可包含(举例来说)阴极源或发射体尖端，且一或多个元件130可包含(举例来说)枪透镜、阳极、限束孔径、门阀、束电流选择孔径、物镜以及扫描子系统，所有所述元件均可包含本技术领域中已知的任何此类适合元件。
从样品返回的电子(例如，次级电子)可通过一或多个元件132而聚焦到检测器134。一或多个元件132可包含(举例来说)扫描子系统，所述扫描子系统可为包含于元件130中的相同扫描子系统。
电子柱可包含本技术领域中已知的任何其它适合元件。另外，电子柱可如以下美国专利中所描述地进一步配置：2014年4月4日颁发给姜(Jiang)等人的第8,664,594号、2014年4月8日颁发给小岛(Kojima)等人的第8,692,204号、2014年4月15日颁发给古本斯(Gubbens)等人的第8,698,093号及2014年5月6日颁发给麦克唐纳(MacDonald)等人的第8,716,662号，所述专利如同完全陈述一般以引用方式并入本文中。
尽管电子柱在图1a中展示为经配置使得电子以倾斜入射角被引导到样品且以另一倾斜角从所述样品散射，但应理解电子束可以任何适合角度被引导到样品及从样品散射。另外，电子束成像系统可经配置以使用如本文中进一步描述的多个模式(例如，以不同照明角度、收集角度等)来产生样品的图像。电子束成像系统的多个模式可在电子束成像系统的任何图像产生参数方面是不同的。
计算机子系统124可如上文所描述地耦合到检测器134。检测器可检测从样品的表面返回的电子，借此形成样品的电子束图像。所述电子束图像可包含任何适合电子束图像。计算机子系统124可经配置以使用由检测器134产生的输出来针对样品执行本文中进一步描述的一或多个功能。计算机子系统124可经配置以执行本文中所描述的任何额外步骤。可如本文中所描述地进一步配置包含图1a中所展示的电子束成像系统的系统。
应注意，本文中提供图1a以大体上图解说明可包含于本文中所描述的实施例中的电子束成像系统的配置。正如上文所描述的光学成像系统，可更改本文中所描述的电子束成像系统以优化成像系统的性能，如在设计商业成像系统时通常所执行。另外，本文中所描述的系统可使用例如可从KLA商购的工具的现有系统来实施(例如，通过将本文中所描述的功能性添加到现有系统)。针对一些此类系统，本文中所描述的实施例可经提供作为系统的任选功能性(例如，作为对系统的其它功能性的补充)。替代地，可“从头开始”设计本文中所描述的系统以提供全新系统。
尽管成像系统在上文描述为光束或电子束成像系统，但成像系统可为离子束成像系统。此成像系统可如图1a中所展示地配置，除了电子束源可被替换为本技术领域中已知的任何适合离子束源以外。另外，成像系统可为任何其它适合离子束成像系统，例如包含于可商购聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统以及次级离子质谱学(SIMS)系统中的那些系统。
如上文所提及，成像系统可经配置以用于将能量(例如，光、电子)引导到样品的物理版本及/或使能量在样品的物理版本上方扫描，借此产生样品的物理版本的实际图像。以此方式，成像系统可配置为“实际”成像系统，而非“虚拟”系统。然而，存储媒体(未展示)及图1中所展示的计算机子系统102可配置为“虚拟”系统。特定来说，存储媒体及计算机子系统并非是成像系统10的一部分且不具有处置样品的物理版本的任何能力，但可经配置为使用所存储检测器输出执行类似于检验的功能的虚拟检验器。配置为“虚拟”检验系统的系统及方法描述于以下共同让与的美国专利中：在2012年2月28日颁发给巴斯卡尔(Bhaskar)等人的第8,126,255号、在2015年12月29日颁发给达菲(Duffy)等人的第9,222,895号及在2017年11月14日颁发给达菲等人的第9,816,939号，所述专利如同完全陈述一般以引用方式并入本文中。可如这些专利中所描述地进一步配置本文中所描述的实施例。举例来说，可如这些专利中所描述地进一步配置本文中所描述的一或多个计算机子系统。
如上文进一步提及，成像系统可经配置而以多个模式产生样品的图像。大体来说，“模式”可由用于产生样品的图像的成像系统的参数值或用于产生样品的图像的输出来定义。因此，不同的模式可在成像系统的成像参数中的至少一者的值上是不同的。举例来说，在光学成像系统中，不同模式可使用不同波长的光进行照明。模式可在照明波长方面是不同的，如本文中针对不同模式进一步描述(例如，通过使用不同光源、不同光谱滤光器等)。在另一实施例中，不同模式使用成像系统的不同照明通道。举例来说，如上文所提及，成像系统可包含多于一个照明通道。如此，不同照明通道可用于不同模式。
本文中所描述的成像系统可经配置为检验子系统。如果情形如此，那么计算机子系统可经配置以从如上文所描述的检验子系统(例如，从成像系统的检测器)接收输出，且可经配置以基于所述输出而检测样品上的缺陷，如本文中进一步描述。
本文中所描述的成像系统可经配置为另一类型的半导体相关过程/质量控制型系统，例如缺陷再检测系统及计量系统。举例来说，本文中所描述以及图1及1a中所展示的成像系统的实施例可在一或多个参数上修改以取决于其将用于的应用而提供不同成像能力。在一个实施例中，成像系统是配置为电子束缺陷再检测系统。举例来说，如果图1a中所展示的成像系统将用于缺陷再检测或计量而非检验，那么其可经配置以具有较高分辨率。换句话说，图1及1a中所展示的成像系统的实施例描述成像系统的一些大体及各种配置，所述成像系统可以所属领域的技术人员将显而易见的若干个方式修整以产生具有较适合于或较不适合于不同应用的不同成像能力的成像系统。
经配置以检测样品上的缺陷的系统包含一或多个计算机系统及由一或多个计算机系统执行的一或多个组件。一或多个计算机系统可如上文所描述地配置。一或多个组件包含深度度量学习(DML)缺陷检测模型。DML缺陷检测模型可具有本文中进一步描述的若干个不同架构。一或多个组件可由计算机系统以本技术领域中已知的任何适合方式执行。
DML缺陷检测模型经配置以用于将针对样品产生的测试图像及对应参考图像投影到潜在空间中。以此方式，当被提供两个图像(测试及参考)时，DML缺陷检测模型将把所述图像投影到潜在空间中。举例来说，如下文所描述，DML缺陷检测模型可包含分别用于输入到模型的不同图像的不同CNN。不同CNN中的每一者可将其输入图像投影到潜在空间中。如本文中所使用的术语“潜在空间”是指DML缺陷检测模型中含有输入的隐藏表示的隐藏层。对术语潜在空间的额外说明(如其在本技术领域中通常所使用)可在昌(Chang)于2018年12月在arXiv上公开的“生成概念表示及深度生成模型的潜在变量建模(Latent VariableModeling for Generative Concept Representations and Deep Generative Models)”(18页)中找到，所述文献如同完全陈述一般以引用方式并入本文中。关于图2中所展示的块A进一步描述此类CNN。尽管可关于“测试图像”描述投影步骤(及其它步骤)，但可针对为样品产生的多于一个测试图像执行这些步骤。举例来说，对于针对样品产生的每一测试图像(或者至少一或多个测试图像)，可独立地且单独地执行投影步骤。可针对样品上的任何适合测试(例如，检验、再检测、计量)区域产生测试图像。测试图像可具有不同大小(例如，片块图像，裸片图像、作业区、帧等)，且可以像素为单位(例如，片块图像的32像素×32像素)或以任何其它适合方式测量所述大小。还可针对不同测试图像单独地且独立地执行本文中所描述的其它步骤。
如果使用DML缺陷检测模型来检测在样品上的不同位置处产生的测试图像中的缺陷，那么可在投影步骤中使用不同参考图像(例如，在不同测试图像对应于具有一或多个不同特性(例如不同经图案化特征、具有一或多个不同特性的相同经图案化特征等)的样品的设计的不同部分时)。换句话说，不同参考图像可对应于不同测试图像，且可基于在样品上的何处及/或在样品的设计中的何处产生测试图像及参考图像而确定针对任何测试图像投影到潜在空间中的参考图像。参考图像还可包含本文中进一步描述的不同类型的参考图像，其可以本文中所描述的各种方式产生。
在一个实施例中，测试图像及对应参考图像是针对样品上的不同裸片中的对应位置。在另一实施例中，测试图像及对应参考图像是针对样品上的不同单元中的对应位置。举例来说，本文中所描述的DML可用于裸片间类型检验或单元间类型检验。传统裸片间检验需要从工具收集且可能已经处理的参考图像。本文中所描述的实施例可针对测试图像及对应参考图像使用裸片图像或针对测试图像及对应参考图像使用单元图像来执行。可如本文中进一步描述地产生及/或获取来自不同裸片及不同单元的对应图像。可如本文中所描述地进一步配置裸片图像及单元图像。以此方式，可使用样品产生测试图像及参考图像两者。
在一些实施例中，在不使用样品的设计数据的情况下针对样品产生测试图像及对应参考图像。举例来说，本文中所描述的缺陷检测可在无设计数据的情况下执行，且用于缺陷检测的图像可全部通过将样品成像而产生。在此类例子中，缺陷检测也可独立于样品的设计数据而执行。换句话说，出于缺陷检测目的而对图像执行的任何步骤可不使用或不基于样品的设计数据而执行。举例来说，本文中所描述的缺陷检测可在针对样品产生的所有测试图像(及针对样品产生的任一测试图像中的所有像素)中以相同方式(利用相同参数)执行，而无论样品的设计数据如何。以此方式，缺陷检测可以相同方式执行，而无论对应于测试图像(或测试图像中的像素)的设计数据如何。
在额外实施例中，由将能量引导到样品及检测来自样品的能量的成像系统针对样品产生测试图像，且在不使用样品的情况下产生对应参考图像。在一个此类实施例中，从含有样品的设计数据的数据库获取对应参考图像。举例来说，本文中所描述的DML可用于裸片对数据库缺陷检测。以此方式，本文中所描述的实施例可利用测试图像的裸片图像及对应参考图像的数据库图像而非来自样品的参考图像来执行。可如本文中进一步描述地针对样品产生且可如本文中所描述地进一步配置测试图像。在不使用样品的情况下产生参考图像可通过依据样品的设计或设计信息模拟参考图像或以本技术领域中已知的任何其它适合方式来执行。参考图像优选地模拟样品的测试图像在产生所述测试图像所针对的样品部分不含缺陷的情况下将是什么样的。设计、设计数据或设计信息可包含本技术领域中已知的任何适合设计、设计数据或设计信息，且这些术语在本文中互换地使用。可以任何适合方式从数据库获取参考图像，且所述数据库可具有任何适合配置。
在另一实施例中，一或多个计算机系统经配置以用于将样品的设计数据输入到DML缺陷检测模型中，且DML缺陷检测模型经配置以用于使用设计数据执行检测。以此方式，所呈现设计可为到DML缺陷检测模型的输入的一部分。另外，设计数据可被DML缺陷检测模型视为额外图像通道。然后，DML缺陷检测模型可使用所呈现设计执行缺陷检测。DML缺陷检测模型可以若干个不同方式使用所呈现设计。举例来说，DML缺陷检测模型可经配置以使用所呈现设计来将不同图像彼此对准(例如，通过将多个图像与设计对准，借此将所述图像与共同参考对准)。所呈现设计还可如本文中进一步描述地用作参考图像，或用于产生本文中所描述的参考图像。DML缺陷检测模型还可使用所呈现设计来在检测缺陷步骤中设定或调整缺陷检测参数，及将缺陷分类。DML缺陷检测模型还可经配置而以缺陷检测领域中已知的任何其它方式使用设计数据。
在额外实施例中，利用从样品的关注区域确定的一或多个参数执行检测。在一些此类实施例中，一或多个计算机系统经配置以用于将关注区域的信息输入到DML缺陷检测模型中。以此方式，DML缺陷检测模型可将关注区域视为额外图像通道。可以任何适合方式依据样品的设计数据确定关注区域。另外，可由配置有以基本上高的准确度及精确度将测试图像及/或参考图像与设计数据对准的能力的可商购系统(例如来自KLA的那些系统)产生关注区域。关注区域可界定样品上的将被检验的区域，借此固有地也界定样品上的将不被检验的区域。关注区域还可经设计或经配置以指示样品上的哪些区域将利用不同参数(例如，不同检测灵敏度)来检验。样品的关注区域可由一或多个计算机系统以任何适合方式依据设计来确定且然后可由一或多个计算机系统输入到DML缺陷检测模型中，使得DML缺陷检测模型可识别测试图像及对应参考图像中的关注区域。用于执行检测的一或多个参数也可由一或多个计算机系统确定且输入到DML缺陷检测模型。因此，当测试图像中的关注区域由DML缺陷检测模型使用由计算机系统输入的关于关注区域的信息而识别出时，DML缺陷检测模型可依据来自计算机系统的输入确定用于所述关注区域中的缺陷检测的一或多个参数且相应地执行缺陷检测。
在另一实施例中，在无样品的关注区域的信息的情况下执行检测。举例来说，尽管使用关注区域对本文中所描述的样品执行诸多检验过程，但本文中所描述的缺陷检测不必使用任何关注区域来执行。在此类情形中，可针对为样品产生的所有测试图像执行本文中所描述的缺陷检测。另外，可针对为样品产生的所有测试图像中的所有像素利用相同参数执行本文中所描述的缺陷检测。举例来说，用于所有测试图像中的所有像素的缺陷检测灵敏度可为相同的。
在一些实施例中，测试图像是在样品的逻辑区域中产生。在另一实施例中，测试图像是在样品的阵列区域中产生。举例来说，本文中所描述的实施例可被使用且经配置以用于样品的逻辑区域及阵列区域两者中的缺陷检测。样品的逻辑区域及阵列区域可包含本技术领域中已知的任何此类区域。
针对测试图像的一或多个不同部分，DML缺陷检测模型经配置以用于确定在潜在空间中所述一或多个不同部分与对应参考图像的对应一或多个部分之间的距离。举例来说，测试特征及参考特征两者通过本文中进一步描述的块B以基于来自块B的输出而测量其之间在潜在空间中的距离。换句话说，DML缺陷检测模型基于测试图像与参考图像的特征的差异程度(通过在潜在空间中的距离而测量)而确定测试图像与参考图像的相似程度，所述相似程度然后可如本文中进一步描述地用于确定哪些部分含有缺陷(或缺陷候选者)或是有缺陷的(或潜在地有缺陷的)。
通过DML缺陷检测模型确定的在潜在空间中的距离可为各种不同距离。举例来说，可由DML缺陷检测模型确定及使用的距离度量包含欧几里得(Euclidean)距离、L1距离、L_infinity距离、佩尔松距离(Person’s distance)(即，互相关)、曼哈顿(Manhattan)距离、广义Lp范数(Lp-norm)、余弦距离等。此类距离可以本技术领域中已知的任何适合方式来确定。
在一个实施例中，测试图像的不同部分包含测试图像中的不同像素。举例来说，测试图像的不同部分可包含任何适合部分，例如个别像素或相对小的像素阵列(例如，9×9像素邻域)。测试图像的不同部分还可以像素为单位或以任何其它适合量度来测量。以此方式，DML缺陷检测模型逐测试图像部分地确定在潜在空间中的距离。换句话说，可针对测试图像的不同部分单独地且独立地确定在潜在空间中的距离，使得那些距离可用于检测测试图像的不同部分中的每一者中的缺陷。
DML缺陷检测模型进一步经配置以用于分别基于针对测试图像的一或多个不同部分确定的距离而检测测试图像的一或多个不同部分中的缺陷。举例来说，使用在潜在空间中的距离来决定测试图像中的每一部分(例如，每一像素)相对于参考图像是否是有缺陷的。以此方式，DML缺陷检测模型可做出每一像素是否是缺陷的二进制决策。然而，DML缺陷检测模型还可确定每一缺陷像素的缺陷类型。因此，DML缺陷检测模型可执行检测(是或否)及分类(哪一缺陷类型)两者。在本技术领域中，此应用称作缺陷检测，且所述方法称作分类。可进一步如本文中所描述地执行基于在潜在空间中的距离而检测缺陷。
在一个实施例中，DML缺陷检测模型具有孪生网络架构。在另一实施例中，DML缺陷检测模型具有三元组网络架构。在额外实施例中，DML缺陷检测模型具有四元组网络架构。举例来说，DML可由孪生网络、三元组网络、四元组网络等构造而成。
可将经典孪生分类模型扩展为与裸片间检测使用情形及本文中所描述的其它使用情形一起工作。孪生网络在本技术领域中通常定义为含有两个相同子网络组件的神经网络。发明人针对本文中所描述的实施例利用此概念，这是因为孪生模型对于涉及找出两个相当的事物之间的相似度或关系的任务是有用的，此自然适用于可从KLA商购的一些检验系统所使用的多裸片自动阈值(MDAT)缺陷检测算法所使用的裸片间比较方案。通过使用非线性模型(例如，卷积神经网络(CNN))，可将测试图像及参考(片块)图像两者变换成潜在空间，且如本文中进一步所描述，可将其之间的距离(即，其相似度的量度)构造为缺陷性的指示符。
由图2图解说明，在可用于本文中所描述的实施例中的孪生检测模型的一种构造中，测试图像可包含来自N个邻近裸片的N个BBP图像202及204以及一个设计图像200。这些图像可选自具有相同视场(FOV)的相同裸片坐标(即，多个裸片中在裸片位置内以同一裸片为中心的相同裸片坐标)。块A、B及C是三个不同深度CNN。块B中所展示的两个网络具有相同架构配置。块B中的两个网络除了具有相同架构外，两个网络的权重也必须由网络共享以使网络具有孪生架构。首先，测试图像通过块A以计算参考特征，所述参考特征为来自块A的N个输出的平均值。其次，测试特征及参考特征通过块B以基于来自块B的输出而测量其间的距离。第三，应用块C以针对每一图像像素位置产生最后标记(有缺陷的对比无缺陷的)。
举例来说，如图2中所展示，设计图像200被输入到块A 208中的第一CNN 206，光学图像202被输入到块A中的CNN 210，且光学图像204被输入到块A中的CNN 212。CNN 206、210及212分别针对输入图像中的每一者产生参考特征。这些CNN可具有本技术领域中已知的任何适合配置。
CNN 206及210的输出可输入到切割层214且CNN 210及212的输出可输入到切割层216。切割层可具有本技术领域中已知的任何适合配置。切割层214及216的输出可分别输入到批次正规化(BN)层218及222，且CNN 210的输出可输入到BN层220。批次正规化可以例如约飞(Ioffe)等人的“批次正规化：通过减少内部协变量移位而加速深度网络训练(BatchNormalization:Accelerating Deep Network Training by Reducing InternalCovariate Shift)”(arXiv:1502.03167，2015年3月2日，11页)中所描述地执行，所述文献如同完全陈述一般以引用方式并入本文中。可如此参考中所描述地进一步配置本文中所描述的实施例。BN层218及220的输出可输入到级联层224，且BN层220及222的输出可输入到级联层226。级联层可具有本技术领域中已知的任何适合配置。
级联层224及226的输出可分别输入到块B 232中的网络228及230。尽管网络228及230在图2中示意性地展示为在本技术领域中通常定义为其中一些层之间存在跳过其间的层的捷径的网络的残差神经网络(ResNet)，但所述网络可具有本技术领域中已知的任何适合配置，包含普通网络(不包含捷径的网络)及包含捷径的各种类型的网络(例如，高速公路网络及密集网络(DenseNet))。一些此类适合网络配置的实例描述于黄(Huang)等人的“密集连接的卷积网络(Densely Connected Convolutional Networks)”(arXiv:1608.06993，2018年1月28日，9页)及赫(He)等人的“用于图像辨识的深度残差学习(Deep ResidualLearning for Image Recognition)”(arXiv:1512.03385，2015年12月10日，12页)中，所述文献如同完全陈述一般以引用方式并入本文中。如上文所描述，为了使网络228与230具有孪生配置，所述网络将具有相同配置且共享相同权重。
如上文也提及，块B中的网络可具有三元组或四元组网络配置。可用于块B中的网络的适合三元组网络架构的实例可在霍费尔(Hoffer)等人的“使用三元组网络的深度度量学习(Deep Metric Learning Using Triplet Network)”(arXiv:1412.6622，2018年12月4日，8页)中找到，所述文献如同完全陈述一般以引用方式并入本文中。可用于块B中的网络的适合四元组网络架构的实例可在董(Dong)等人的“用于快速视觉对象跟踪的具有一次性学习的四元组网络(Quadruplet Network with One-Shot Learning for Fast VisualObject Tracking)”(arXiv:1705.07222，12页)中找到，所述文献如同完全陈述一般以引用方式并入本文中。可如这些参考中所描述地进一步配置本文中所描述的实施例。
网络228及230的输出输入到块C 236中的完全连接层与SoftMax层组合234，完全连接层与SoftMax层组合234产生包含上文所描述的最终标记(即，有缺陷的或无缺陷的)的输出238。完全连接层及SoftMax层可具有本技术领域中已知的任何适合配置。举例来说，完全连接层及SoftMax层可如赫等人的2019年3月7日公开的第2019/0073568号美国专利申请公开案中所描述地配置，所述专利申请公开案如同完全陈述一般以引用方式并入本文中。
在另一实施例中，DML缺陷检测模型包含一或多个DL卷积滤波器，且一或多个计算机系统经配置以用于基于产生测试图像时所涉及的物理现象而确定一或多个DL卷积滤波器的配置。DL卷积滤波器(未展示)可位于神经网络的开始或神经网络的任何其它层处。举例来说，DL卷积滤波器可位于图2中所展示的块A之前。产生图像时所涉及的物理现象可包含用于产生测试图像的成像过程中所涉及的任何已知参数、经模拟参数、经测量参数、所估计参数、经计算参数等，可能地与样品的任何已知或经模拟特性(例如，材料、尺寸等)的组合。举例来说，产生测试图像时所涉及的物理现象可包含用于产生测试图像的成像工具的硬件配置及用于产生测试图像的成像工具的元件的任何硬件设定。样品的已知或经模拟特性可以本技术领域中已知的任何适合方式获取、产生、确定或模拟。
在又一实施例中，DML缺陷检测模型包含一或多个DL卷积滤波器，且一或多个计算机系统经配置以用于基于用于产生测试图像的成像硬件而确定一或多个DL卷积滤波器的配置。举例来说，DL卷积滤波器可基于光学(或其它，例如，电子束、离子束)硬件(包含硬件的参数，例如孔径、波长、数值孔径(NA)等)而设计。此类DL卷积滤波器可以其它方式如本文中所描述地配置。
在一个此类实施例中，确定DL卷积滤波器的配置包含基于成像硬件的点扩散函数(PSF)而确定一或多个DL卷积滤波器的一或多个参数。举例来说，光学硬件信息可用于基于工具的经测量或经模拟PSF而确定DL卷积滤波器的一或多个参数。工具的PSF可以本技术领域中已知的任何适合方式来测量或模拟。以此方式，本文中所描述的实施例可经配置以用于基于PSF的缺陷检测。不同于取决于像素级信息的检测算法(例如，MDAT)，本文中所描述的实施例可依赖于PSF级签名来执行缺陷检测。基本假设为，缺陷信号(即，信息内容)是局限在由PSF近似地定义的光学相互作用所支配的本地邻居上下文内。通过在CNN中利用滤波器大小来控制FOV，发明人研究相对于PSF上的截止半径的检测准确度。发明人发现随着FOV被放大直到其达到与经计算PSF面积一致的面积，检测准确度增加。所述面积可以像素或任何其它适合量度为单位来确定。
在一个此类实施例中，DL卷积滤波器的一或多个参数包含滤波器大小、滤波器对称性及滤波器深度中的一或多者。举例来说，成像硬件信息可用于决定滤波器大小、滤波器对称性、滤波器深度等(基于工具的经测量或经模拟PSF)。在一个此类实例中，滤波器大小可设定为等于或粗略地等于成像工具的PSF。
在另一此类实施例中，确定一或多个DL卷积滤波器的一或多个参数包含通过对损失函数进行优化而学习所述一或多个参数。举例来说，例如上文所描述的那些的一或多个参数可基于例如上文所描述的所述信息的信息通过学习所述参数(通过对损失函数进行优化)来确定。对损失函数进行优化可以本技术领域中已知的任何适合方式来执行，且损失函数可为本技术领域中已知的任何适合损失函数。
在一些此类实施例中，确定所述配置包含基于成像硬件的PSF而从预定组DL卷积滤波器选择一或多个DL卷积滤波器。举例来说，确定所述配置可包含决定滤波器本身(例如，基于工具的经测量或经模拟PSF)。预定组DL卷积滤波器可包含任何或所有适合已知DL卷积滤波器。在一个此类实施例中，所述预定组中的一或多个DL卷积滤波器的一或多个参数是固定的。举例来说，滤波器参数可为固定的。换句话说，DL卷积滤波器可在不对预定参数进行任何调整的情况下使用。在另一此类实施例中，确定所述配置包含通过对损失函数进行优化而精细调谐一或多个DL滤波器的一或多个初始参数。举例来说，可通过对损失函数进行优化而精细调谐滤波器参数。对损失函数进行优化可以任何适合方式执行，且损失函数可包含本技术领域中已知的任何适合损失函数。被优化的滤波器参数可包含任何适合滤波器参数，包含上文所描述的那些。
在又一实施例中，一或多个组件包含经配置以用于产生对应参考图像的可学习低秩参考图像产生器，一或多个计算机系统经配置以用于将针对样品产生的一或多个测试图像输入到可学习低秩参考图像产生器中，所述一或多个测试图像是针对样品上的不同位置而产生，所述不同位置对应于用于样品的设计中的同一位置，且可学习低秩参考图像产生器经配置以用于从一或多个测试图像移除噪声，借此产生对应参考图像。可如本文中所描述地进一步配置可学习低秩参考图像产生器。
在另一实施例中，DML缺陷检测模型经配置以用于将额外对应参考图像投影到潜在空间中且确定对应参考图像及额外对应参考图像与潜在空间中的参考区的平均值，且用于确定距离的对应参考图像的一或多个部分包含所述参考区。举例来说，如果被提供了测试图像及多个参考图像(即，1+N个图像)，那么DML缺陷检测模型将把所有图像投影到潜在空间中且使用潜在空间中的N个参考点来估计“经平均”参考点及可能参考区，所述“经平均”参考点及可能参考区用于决定测试图像中的每一部分相对于参考区是否是缺陷。多个参考图像可包含本文中所描述的参考图像(例如，来自邻近于测试裸片或单元的多个裸片或单元的图像)的任何组合及/或本技术领域中已知的任何其它适合参考图像。
在又一实施例中，对应参考图像包含样品的无缺陷测试图像，投影对应参考图像包含学习潜在空间中的参考区，且用于确定距离的对应参考图像的一或多个部分包含所述参考区。举例来说，如果仅被提供了测试图像，那么DML缺陷检测模型可将“有缺陷的”测试图像及“无缺陷的”测试图像两者投影到潜在空间中，学习潜在空间中的参考区，且使用其来确定测试图像的一或多个部分相对于参考区是否是缺陷。“无缺陷的”测试图像可使用样品例如通过将样品的已知无缺陷部分成像而产生。“无缺陷的”测试图像还可或替代地从具有未知缺陷性的测试图像(利用经配置以从具有未知缺陷性的测试图像产生参考图像的网络或模型)产生。此类网络或模型的实例描述于在2019年7月23日颁发给巴斯卡尔等人的第10,360,477号美国专利中，所述专利如同完全陈述一般以引用方式并入本文中。可如此参考中所描述地进一步配置本文中所描述的实施例。
在一些实施例中，分别利用成像系统的不同模式针对样品产生测试图像及额外测试图像；DML缺陷检测模型经配置以用于将测试图像及对应参考图像投影到第一潜在空间中，将额外测试图像及额外对应参考图像投影到第二潜在空间中，且将第一潜在空间及第二潜在空间组合成联合潜在空间；且用于确定距离的潜在空间是联合潜在空间。举例来说，本文中所描述的实施例可经配置以用于多模态DML。特定来说，可将多个模式图像作为额外通道输入到DML缺陷检测模型。另外，可将独立DML应用于每一模式图像以构造多个独立潜在空间且将其组合为用于距离计算的联合潜在空间。成像系统的不同多个模式可包含本文中所描述的任何模式(例如，BF及DF、不同检测通道，例如顶部通道及一个或两个侧通道等)。
在另一实施例中，一或多个计算机系统经配置以用于将样品的设计数据输入到DML缺陷检测模型中；分别利用成像系统的不同模式针对样品产生测试图像及额外测试图像；DML缺陷检测模型进一步经配置以用于将测试图像及对应参考图像投影到第一潜在空间中，将额外测试图像及额外对应参考图像投影到第二潜在空间中，将设计数据投影到第三潜在空间中，且将第一潜在空间、第二潜在空间及第三潜在空间组合成联合潜在空间；且用于确定距离的潜在空间是联合潜在空间。举例来说，可通过将DML缺陷检测模型配置成将设计数据、关注区域等投影到其自身的潜在空间中而将设计或关注区域作为额外图像“模式”来处理，然后将所述潜在空间与来自两个或更多个模式的测试图像(及其对应参考图像)的潜在空间组合以产生用于缺陷检测的联合潜在空间。特定来说，可将独立DML单独地应用于每一模式图像及每一其它输入(设计数据、关注区域等)以构造多个独立潜在空间，然后将所述独立潜在空间组合成用于距离计算的联合潜在空间。此实施例中所使用的成像系统的不同多个模式可包含本文中所描述的模式中的任一者。此实施例的步骤可以其它方式如本文中进一步描述地执行。
在额外实施例中，一或多个计算机系统经配置以用于将样品的设计数据输入到DML缺陷检测模型中；DML缺陷检测模型进一步经配置以用于将测试图像及对应参考图像投影到第一潜在空间中，将设计数据投影到第二潜在空间中，且将第一潜在空间及第二潜在空间组合成联合潜在空间；且用于确定距离的潜在空间是联合潜在空间。举例来说，即使仅有一个模式用于缺陷检测，DML缺陷检测模型也可投影设计数据。以此方式，DML缺陷检测模型可经配置以用于其中将设计数据投影到单独潜在空间中的单模式缺陷检测，所述单独潜在空间与测试图像被投影到其中的潜在空间组合以产生接着用于缺陷检测的联合潜在空间。此实施例的步骤可以其它方式如本文中所描述地执行。
在又一实施例中，一或多个计算机系统经配置以用于将样品的设计数据输入到DML缺陷检测模型中；分别利用成像系统的不同模式针对样品产生测试图像及额外测试图像；DML缺陷检测模型进一步经配置以用于将包含测试图像及对应参考图像、额外测试图像及额外对应参考图像以及设计数据中的一或多者的第一集合投影到第一潜在空间中，将包含测试图像及对应参考图像、额外测试图像及额外对应参考图像以及设计数据中的一或多者的第二集合投影到第二潜在空间中，且将第一潜在空间及第二潜在空间组合成联合潜在空间；且用于确定距离的潜在空间是联合潜在空间。举例来说，DML缺陷检测模型可将第一模式的图像及设计数据投影到第一潜在空间中，将第二模式的图像及设计数据投影到第二潜在空间中，将所述两个潜在空间组合成联合潜在空间，且使用联合潜在空间来进行缺陷检测。以此方式，用于投影步骤的第一及第二集合可为到DML缺陷检测模型的输入的不同组合，且所述不同组合中的一些可包含相同输入中的一或多者。替代地，用于投影步骤的第一及第二集合可为互斥的，因为不同组合中的任一者均不包含相同输入。举例来说，第一集合可包含两个或更多个模式的图像，且第二集合可仅包含设计数据。在其它方面，此实施例的步骤可如本文中进一步描述地执行。
因此，总的来说，在本文中所描述的实施例中，存在DML缺陷检测模型可经配置以使用各种可能输入的若干个不同方式。举例来说，DML缺陷检测模型可将设计数据、关注区域等及其它非样品图像输入视为额外图像通道。如果将设计数据、关注区域等视为用于单模式检验的额外图像通道，那么DML缺陷检测模型可经配置以组合单个通道图像与设计、关注区域等且然后将其投影到潜在空间中。如果将设计数据，关注区域等视为用于多模式检验的额外图像通道，那么DML缺陷检测模型可经配置以将图像的多个通道与设计数据、关注区域等组合为多通道张量且然后将其投影到潜在空间中。以此方式，可在将数据的多个通道投影到潜在空间中之前组合数据的多个通道。
在替代实施例中，可将数据的不同通道个别地投影到单独潜在空间中，借此将不同通道视为不同模式。举例来说，在无设计、关注区域等的情况下，DML缺陷检测模型可将不同模式的图像投影到其相应潜在空间中、组合潜在空间，且计算距离。当设计、关注区域等可用时，DML缺陷检测模型可将每一成像模式图像投影到其相应潜在空间，将设计投影到另一潜在空间，然后组合所有成像潜在空间与设计潜在空间以进行距离计算。
在以上实施例中，存在所有通道被投影到其中的仅一个潜在空间，或者不同通道被单独且独立地投影到其中的潜在空间的数目等于输入通道的数目(例如，组合成联合潜在空间的潜在空间数目＝用于检验的模式的数目+与设计相关的输入的数目)。然而，如上文所描述，在一些实施例中，DML缺陷检测模型可经配置使得群组(图像及/或设计、关注区域等)被定义为多通道输入，且每一群组可被投影到一个潜在空间。以此方式，经组合以形成联合潜在空间的潜在空间数目可大于一个并且不同于输入的总数目。
使用DML缺陷检测模型可存在两个阶段：设置及运行时间。在设置时，可以像素标记方式提供缺陷候选者。针对给定训练图像，为每一像素预定缺陷。使用这些像素级训练数据来在像素级下训练DML模型。在运行时间，使用DML缺陷检测模型来决定“每一像素是否是缺陷”及可能地检验区域的每一作业帧的“缺陷类型”。本文中所描述的步骤还可针对像素、作业帧或本文中所描述的任何其它测试图像部分执行。
本文中所描述的实施例可经配置以训练DML缺陷检测模型。然而，另一系统或方法可替代地经配置以训练DML缺陷检测模型。以此方式，本文中所描述的实施例可以或可以不执行DML缺陷检测模型的训练。
在一个实施例中，一或多个计算机系统经配置以用于利用一或多个训练图像及一或多个训练图像的像素级实况信息来训练DML缺陷检测模型。在一个此类实施例中，一或多个训练图像及像素级实况信息是从过程窗鉴定(PWQ)晶片产生。举例来说，PWQ晶片是上面的不同装置区域是利用一或多个不同参数(例如光刻过程的曝光及剂量)形成的晶片。用于形成不同装置区域的一或多个不同参数可经选择使得使用此晶片产生的缺陷检测相关数据会模拟过程差异及漂移。然后，可将来自PWQ晶片的经收集数据用作训练数据来训练DML缺陷检测模型以针对过程差异达成模型稳定性。换句话说，通过利用捕获可能过程差异及漂移的训练数据集合训练DML缺陷检测模型，DML缺陷检测模型将相比于不利用PWQ类型数据对其进行训练的情况针对那些过程差异更稳定。使用此数据的训练可在其它方面如本文中所描述地执行。
PWQ方法可如以下美国专利中所描述地执行：在2005年6月7日颁发给彼得森(Peterson)等人的第6,902,855号、在2008年8月26日颁发给彼得森等人的第7,418,124号、在2010年6月1日颁发给吴(Wu)等人的第7,729,529号、在2010年8月3日颁发给凯卡雷(Kekare)等人的第7,769,225号、在2011年10月18日颁发给派克(Pak)等人的第8,041,106号、在2012年2月7日颁发给吴等人的第8,111,900号及在2012年7月3日颁发给彼得森等人的第8,213,704号，所述专利如同完全陈述一般以引用方式并入本文中。本文中所描述的实施例可包含在这些专利中描述的任何方法的任何步骤且可如这些专利中所描述地进一步配置。可如在这些专利中所描述地印刷PWQ晶片。
在另一实施例中，一或多个计算机系统经配置以用于执行主动学习来训练DML缺陷检测模型。举例来说，可针对低缺陷候选者情况或半导体工厂内部的线内学习情况将DML缺陷检测模型的训练过程与主动学习组合。主动学习可如张(Zhang)等人的2019年12月5日公开的第2019/0370955号美国专利申请公开案中所描述地执行，所述专利申请公开案如同完全陈述一般以引用方式并入本文中。可如此公开案中所描述地进一步配置本文中所描述的实施例。
用于训练DML缺陷检测模型的训练数据还可包含任何其它实况数据，例如通过电子束系统、基于光的系统、用户及物理模拟产生的信息，包含本文中进一步描述的此类数据。训练数据还可包含此类数据的任何组合。
到经训练DML模型的输入可如本文中所描述地变化。举例来说，输入图像可包含每模式1个测试帧图像及1个参考帧图像，无论存在仅一个模式还是多个模式。在另一实例中，输入图像可包含每模式1个测试帧图像及N个参考帧图像，无论存在仅一个模式还是多个模式。在额外实例中，输入图像可包含每模式1个测试帧(且无参考图像)，无论存在仅一个模式还是多个模式。到DML缺陷检测模型的输入还可任选地包含关注区域(即，其中将执行检验或另一测试功能的区域)。到DML缺陷检测模型的另一任选输入包含样品的设计信息。如果将DML缺陷检测模型与可学习主分量分析(LPCA)参考图像产生(本文中进一步描述)一起使用，那么使用测试及参考图像来形成LPCA参考图像，LPCA参考图像然后被馈送到DML缺陷检测模型。DML缺陷检测模型的输出可针对测试帧(或另一适合测试图像部分)中的每一像素包含像素是否是缺陷及像素是哪一类型的缺陷(在像素是缺陷的决策的情形中)的决策。所述输出可在其它方面具有本技术领域中已知的任何适合文件或格式。
另一实施例涉及经配置以产生样品的参考图像的系统。所述系统包含一或多个计算机系统及由所述一或多个计算机系统执行的一或多个组件。可如本文中进一步所描述地配置所述一或多个计算机系统。所述一或多个组件可由所述一或多个计算机系统以任何适合方式执行。在这些系统中，所述一或多个组件包含可学习低秩参考图像(LLRI)产生器。
一或多个计算机系统经配置以用于将样品的一或多个测试图像输入到LLRI产生器中。所述一或多个测试图像是针对与所述样品的设计中的同一位置对应的所述样品上的不同位置而产生。举例来说，可在样品上的不同裸片、样品上的不同单元等中的对应位置处产生一或多个测试图像。因此，除相同FOV(样品上或图像中的区域)外，对应位置还可具有相同裸片坐标、相同单元坐标等。计算机系统可以任何适合方式将测试图像输入到LLRI产生器中。
LLRI产生器经配置以用于从一或多个测试图像移除噪声，借此产生对应于一或多个测试图像的一或多个参考图像。举例来说，测试图像的对应于缺陷的部分可比测试图像的其它部分显现为具更多噪声(例如，其可具有相对于图像的其它部分是离群值的信号，且信号是否是离群值可以本技术领域中已知的若干个不同方式来定义)。因此，通过从一或多个测试图像识别及移除噪声，所得图像可适合用作用于缺陷检测(及其它)目的的参考。一或多个参考图像可然后如本文中进一步描述地用于缺陷检测。LLRI产生器可具有本文中所描述的各种配置中的一者且可如本文中进一步描述地执行噪声移除。
本技术领域中称作“低秩约束”的技术可在离群值检测算法(例如计算参考(CR)及张量分解(TD))中使用。本文中所描述的实施例可将低秩约束技术扩展到空间上下文且在DL分类中利用此概念。
主分量分析(PCA)是发明人针对CR中的低秩约束开发的一种工具。当将PCA应用于多图像重构问题时，问题陈述可总结为如下。在给出X是具有(w*h,c)的维度的3D张量(通常移除了DC分量)(其中w、h及c分别是图像宽度、高度及数目)的情况下，PCA尝试找出具有(c,1)的维度的主分量向量w，此将方差估计最大化，
Figure BDA0003293963180000231
其中T是矩阵转置运算符。主分量是定义为：
p.c.＝Xw (方程式2)
多个主分量向量可经由迭代PCA、矩阵正交化、奇异值分解(SVD)等来计算。低秩近似通常经由基于主分量的特征值对主分量进行滤波来应用。较大特征值对应于图像数据的较大方差方向。依据低秩近似，X的重构可通过以下方程式达成：
X′＝(XW)WT (方程式3)
其中W是由呈列格式(即，{w1,w2,…})的选定主分量向量组成的2D矩阵。
以上问题陈述是非常经典的且是本技术领域中已知的。此问题陈述的一个缺点是其将图像中的像素视为独立值群组。因此，如果重新排列同一图像中的像素，那么PCA将产生完全相同的主分量及重构，此通常被认为不足以描述2D图像中的空间信息。
在另一实施例中，LLRI产生器包含空间低秩神经网络模型。举例来说，LPCA可为空间神经PCA。为了扩展PCA以捕获空间相关，下文介绍具有空间上下文的PCA或SpatialPCA。首先，将X重新定义为具有(w,h,c)的维度的3D张量，且将主分量向量w定义为具有(w’,h’,c,1)的维度的X的空间内核的集合。类似于PCA，可经由2D卷积层将主分量计算为
Figure BDA0003293963180000232
SpatialPCA的目标是
Figure BDA0003293963180000233
等效地，通过使用自动相关AC(·)，
Figure BDA0003293963180000234
自动相关函数AC(·)计算输入X与其自身的经移位版本的协方差矩阵。主分量向量可类似地通过迭代PCA、正交化及SVD而求解。
针对可学习PCA，将SpatialPCA扩展为并入有监督式分类器，以便调适DL分类中的低秩约束。
在演示经组合解决方案之前，需要使用2D卷积运算调适SpatialPCA实施方案。有三个计算需要映射到conv2d：
·计算X的自动相关。
·在给出X及w的情况下，计算主分量。
·在给出经截断p.c.及w的情况下，计算X的重构。
在给出具有(n,w,h,c)的维度的X的输入图像及具有(w’,h’,c,o)的维度的可学习主分量向量w的情况下，其中w及h(或w’及h’)是输入(或滤波器)的宽度及高度，n是微型批次的大小，c是用于输入的通道数目(w的第三维度等于c)，且o是conv2D的输出维度并且其在未截断PCA中满足o＝w’*h’*c。
主分量及X的重构可经由张量流或替代DL框架而计算。
在给出滤波器w截断到i的情况下，X可重构为如下。
Figure BDA0003293963180000241
因此，SpatialPCA可通过以下优化而求解
Figure BDA0003293963180000242
s.t.wT·w＝I (方程式8b)
发明人在数值实验中做出的数个观察包含：
·正交化约束是强的，以使模型保持更接近于PCA。
·重构的L1损失比L2更佳。
·模型可用于取决于目标而增强差信号。
在一个实施例中，LLRI产生器包含可学习主分量分析(PCA)模型。在本文中所描述的实施例中引入可学习PCA(LPCA)以在存在色彩差异的情况下增强较弱信号。传统上，PCA是一种通过移除较高阶主分量而选择性地构造低频参考的方法。LPCA的焦点比PCA稍微更广泛；除移除色彩差异外，LPCA还被预期同时增强显著信号。
Figure BDA0003293963180000243
LPCA是通过将原始PCA重构公式扩展到空间2D PCA而从原始PCA重构公式衍生的，如方程式9所演示。(注意，方程式9中的*运算符是卷积运算符。)T是矩阵转置运算符。因此，PCA重构可表达为具有两个卷积层的浅CNN。
Figure BDA0003293963180000251
s.t.ωT·ω＝1 (方程式10)
LPCA经由优化(参见方程式10)而非对角化来对低秩滤波器求解。此方法提供直接链接LPCA网络，随后链接任何检测或分类网络的自由。
在另一实施例中，LLRI产生器包含可学习独立分量分析(ICA)模型或可学习典型相关分析(CCA)模型。以此方式，LLRI产生器可为PCA、ICA、CCA等类型的模型。另外，LLRI产生器可为张量分解模型。供在本文中所描述的实施例中使用的适合ICA模型配置的实例可在海韦里恩
Figure BDA0003293963180000252
等人的“独立分量分析：算法与应用(Independent ComponentAnalysis:Algorithms and Applications)”(神经网络，13(4-5):411-430，2000年)中找到，所述文献如同完全陈述一般以引用方式并入本文中。可适于供在本文中所描述的实施例中使用的CCA模型的实例的说明描述于乌尔蒂奥(UUrtio)等人的“关于典型相关方法的指南(A Tutorial on Canonical Correlation Methods)”(arXiv:1711.02391，2017年11月7日，33页)中，所述文献如同完全陈述一般以引用方式并入本文中。可适于供在本文中所描述的实施例中使用的适合张量分解模型的实例描述于拉班泽(Rabanser)等人的“对张量分解及其在机器学习中的应用的介绍(Introduction to Tensor Decompositions andtheir Applications in Machine Learning)”(arXiv:1711.10781，2017年11月29日，13页)中，所述文献如同完全陈述一般以引用方式并入本文中。可如这些参考中所描述地进一步配置本文中所描述的实施例。
在一些实施例中，LLRI产生器包含线性或非线性回归模型。本技术领域中已知的任何适合线性或非线性回归模型可适于用作本文中所描述的LLRI产生器。
在又一实施例中，LLRI产生器包含空间低秩概率模型。举例来说，LLRI产生器可为贝叶斯(Bayesian)CNN。贝叶斯CNN的实例可在什里达尔(Shridhar)等人的“具变分推理的贝叶斯卷积神经网络综合指南(A Comprehensive guide to Bayesian ConvolutionalNeural Network with Variational Inference)”(arXiv:1901.02731，2019年1月8日，38页)中找到，所述文献如同完全陈述一般以引用方式并入本文中。空间低秩概率模型也可为概率PCA模型，概率PCA模型的实例可适于供在本文中所描述的实施例中使用，可在蒂平(Tipping)及毕夏普(Bishop)的“概率主分量分析(Probabilistic Principal ComponentAnalysis)”(皇家统计学会杂志，系列B，61，第3部分，第611-622页，1999年9月27日)及赵(Zhao)等人的“2D数据的概率主分量分析(Probabilistic Principal ComponentAnalysis for 2D data)”(统计研究所：第58界世界统计大会，2011年8月，都柏林，第4416-4421页)中找到，所述文献如同完全陈述一般以引用方式并入本文中。可如这些参考中所描述地进一步配置本文中所描述的实施例。
在一个实施例中，不同位置包含样品上的不同裸片中的位置。在另一实施例中，不同位置包含样品上的仅一个裸片中的多个位置。举例来说，可针对样品上的不同裸片中的对应位置、样品上的不同单元中的对应位置等产生一或多个测试图像。多个单元可位于样品上的每一裸片中。因此，可在样品上的仅一个裸片中在所述裸片中的一或多个单元的一或多个位置处产生测试图像。
在又一实施例中，一或多个测试图像对应于由成像系统针对样品产生的作业帧，且一或多个计算机系统经配置以用于针对与由成像系统为样品产生的不同作业帧对应的一或多个其它测试图像重复输入，使得LLRI产生器针对所述作业帧及所述不同作业帧单独地产生一或多个参考图像。举例来说，使用LLRI产生器可存在两个阶段：设置及运行时间。在设置时，可使用缺陷候选者来针对每一裸片学习LLRI产生。如果无缺陷候选者可用，那么将LPCA精简为正常PCA。在运行时间，针对检验区域的每一作业帧产生LLRI。换句话说，可分别针对不同作业帧产生不同参考图像。产生参考图像所针对的作业帧可包含其中执行测试(检验、缺陷再检测、计量等)的所有作业帧。以此方式，到经训练LLRI产生器的输入可包含在裸片间类型检验的情形中针对不同裸片在相同相对裸片位置处的N个帧图像或针对单元间类型检验来自不同单元的N个单元图像，且经训练LLRI产生器可输出N个参考图像。
在一些实施例中，由成像系统使用成像系统的仅单个模式针对样品产生一或多个测试图像。举例来说，产生参考图像所针对的测试图像可仅包含使用相同模式产生的测试图像。成像系统的模式可包含本文中所描述的模式中的任一者。
在另一实施例中，由成像系统使用成像系统的仅单个模式针对样品产生一或多个测试图像，且一或多个计算机系统经配置以用于重复针对由成像系统使用成像系统的不同模式针对样品产生的一或多个其它测试图像的输入，使得LLRI产生器针对一或多个其它测试图像产生一或多个参考图像。以此方式，可针对以不同模式产生的测试图像产生不同参考图像。针对以不同模式产生的测试图像单独地且独立地产生参考图像将对于多模式检验及其它测试是重要的，这是因为测试图像及测试图像中的噪声可从一种模式到另一模式发生显著变化。因此，适合于与一种模式一起使用的经产生参考图像可能不同样地适合于与不同模式一起使用。产生参考图像所针对的不同模式可包含本文中所描述的多个模式中的任一者。
缺陷检测组件基于一或多个测试图像及其对应一或多个参考图像检测样品上的缺陷。因此，由LLRI产生器产生的参考图像可用于检测样品上的缺陷。利用所产生参考图像执行的缺陷检测可包含本文中所描述的缺陷检测或本技术领域中已知的任何其它适合缺陷检测。换句话说，由LLRI产生器产生的参考图像可在任何缺陷检测方法中以与任何其它参考图像相同的方式使用。
在一个实施例中，缺陷检测组件包含于由一或多个计算机系统执行的一或多个组件中。以此方式，实施例可包含LLRI产生器与缺陷检测组件的组合，所述缺陷检测组件可为本文中所描述的监督式或无监督式检测器/分类器中的一者。缺陷检测组件可因此包含于由包含于系统中的一或多个计算机系统执行的组件中。换句话说，本文中所描述的系统可使用所产生参考图像执行缺陷检测。替代地，缺陷检测组件可包含于执行缺陷检测的另一系统中。举例来说，如本文中所描述地产生的参考图像可存储于可由另一系统存取的计算机可读媒体中或以其它方式传输到其它系统或可由其它系统使用，使得其它系统可使用所产生参考图像执行缺陷检测。
在一个此类实施例中，一或多个计算机系统经配置以用于利用一或多个训练图像及一或多个训练图像的像素级实况信息联合地训练LLRI产生器及缺陷检测组件。像素级实况信息可包含通过手动分类、电子束检测模型或混合检验器产生的标记。混合检验可如巴斯卡尔等人的2017年7月6日公开的第2017/0194126号美国专利申请公开案中所描述地执行，所述专利申请公开案如同完全陈述一般以引用方式并入本文中。然后，可使用图像(例如，光学图像)及像素级实况信息训练经组合LLRI产生器及缺陷检测组件。训练经组合LLRI产生器及/或缺陷检测组件可以本技术领域中已知的任何适合方式执行(例如，修改产生器及/或缺陷检测组件的一或多个参数直到由产生器及/或缺陷检测组件产生的检测及/或分类结果匹配输入的实况信息为止)。
在一些此类实施例中，一或多个训练图像包含由用户选择的一或多个缺陷类别的图像。举例来说，用户可决定给定样品层中的关键缺陷类型；否则，按照默认，所有缺陷类型被视为同等重要。可例如从用户通过BBP缺陷发现或电子束检验缺陷发现而获得选定关键缺陷类型的候选缺陷样本。以此方式，可将选定(并非所有)或所有缺陷类型指派给模型学习以实现目标灵敏度增强。以类似方式，可将选定(或并非所有)或所有缺陷类型指派给模型学习以实现目标扰乱减少。
在另一此类实施例中，一或多个训练图像包含由用户选择的样品上的一或多个热点的图像。“热点”通常在本技术领域中定义为样品的设计中已知(或被怀疑)更易于出现缺陷的位置。可由用户以任何适合方式选择热点。热点还可如以下美国专利中所描述地定义及发现：在2009年8月4日颁发给萨法尔(Zafar)等人的第7,570,796号及在2010年3月9日颁发给库尔卡尼(Kulkarni)等人的第7,676,077号，所述专利如同完全陈述一般以引用方式并入本文中。可如这些专利中所描述地进一步配置本文中所描述的实施例。
在额外此类实施例中，一或多个训练图像包含由用户选择的样品的设计中的一或多个弱图案的图像。“弱图案”通常在本技术领域中定义为样品的设计中已知(或被怀疑)比所述设计中的其它图案更易于出现缺陷的图案。弱图案可由用户以任何适合方式选择。弱图案也可如上文所参考的萨法尔及库尔卡尼的专利中所描述地定义及发现。在一些例子中，弱图案也可指定为热点(且反之亦然)，尽管其未必总是真的(即，弱图案可识别为设计中的热点，但热点未必必须在弱图案处定义，且反之亦然)。
在一个实施例中，由电子束成像系统产生像素级实况信息。举例来说，训练实况数据可来自电子束系统，例如电子束检验系统、电子束缺陷再检测系统、SEM、透射式电子显微镜(TEM)等。电子束成像系统可如文中所描述地进一步配置且可为或可并非是系统的一部分。举例来说，本文中所描述的系统可经配置以使用电子束成像产生像素级实况信息，且本文中所描述的计算机系统可产生电子束图像的实况信息。替代地，另一系统或方法可产生电子束实况信息，且此信息可通过本文中所描述的实施例来获取。
在另一实施例中，由基于光的系统产生像素级实况信息。举例来说，训练实况数据可来自基于光的系统，例如基于光的检验系统(可能地，经配置以用于基本上高分辨率或在高分辨率模式中使用的系统)、基于光的缺陷再检测系统等。基于光的系统可如本文中所描述地进一步配置且可为或可并非是系统的一部分。举例来说，本文中所描述的系统可经配置以使用基于光的成像产生像素级实况信息，且本文中所描述的计算机系统可产生基于光的图像的实况信息。替代地，另一系统或方法可产生基于光的实况信息，且此信息可通过本文中所描述的实施例来获取。
在一些实施例中，像素级实况信息包含从用户接收的信息。举例来说，系统可从用户接收针对训练样品产生的一或多个训练图像的实况信息。在一个此类实例中，可将训练样品的电子束图像显示给用户，且用户可输入电子束图像的信息，例如图像是否包含缺陷及可能地在图像中展示何种类型的缺陷。此信息可由本文中所描述的系统通过将图像显示给用户及为用户提供输入信息的能力而获取。此信息还可或替代地通过本文中所描述的实施例从另一方法或系统获取，所述另一方法或系统从用户获取信息。
在又一实施例中，像素级实况信息包含从利用一或多个训练图像执行的物理模拟的结果产生的一或多个训练图像的信息。物理模拟可包含本技术领域中已知的任何模拟。举例来说，针对在训练图像中展示的缺陷，物理模拟可包含模拟所述缺陷将如何影响使用缺陷位于上面的样品形成的装置的物理现象。此类模拟可以本技术领域中已知的任何适合方式执行。然后，可使用物理模拟的结果来产生缺陷的额外信息，所述额外信息用作像素级实况信息。举例来说，物理模拟的结果可展示缺陷将在装置中导致一种类型的问题(例如，短路、断开等)，且然后可为缺陷指派指示所述类型的问题的分类。然后，可将此些分类用作缺陷的像素级实况信息。可从此物理模拟产生的任何其它信息也可或替代地用作像素级实况信息。此像素级实况信息可通过本文中所描述的实施例执行。替代地，使用物理模拟产生的像素级实况信息可从产生此像素级实况信息的另一方法或系统获取。
在又一实施例中，像素级实况信息包含从呈不同于第一格式的第二格式的已知缺陷位置转换成第一格式的信息。举例来说，可将已知缺陷位置转换成像素级实况数据。另外，可将呈一种格式的缺陷信息(例如，KLARF文件(其是由可从KLA商购的工具使用的专属文件格式)、由是可从KLA商购的工具的Klarity产生的结果文件、批量结果等)转换成像素级实况数据。缺陷信息被转换成的格式(即，像素级实况信息)可为将在使用期间输入到DML缺陷检测模型的图像及将由DML缺陷检测模型通过图像产生的输出(即，输入图像及将由DML缺陷检测模型针对输入图像产生的标记)的格式。
已知缺陷位置可以若干个不同方式经由检验及再检测、经由经编程缺陷或合成缺陷、经由模拟等“知晓”。可以任何适合方式将已知缺陷位置转换成像素级实况数据。可通过本文中所描述的实施例的一或多个计算机系统将已知缺陷位置转换成像素级实况数据。替代地，另一系统或方法可将已知缺陷信息转换成像素级实况数据，且本文中所描述的实施例可以任何适合方式从其它方法或系统获取所述像素级实况数据。可获取可转换成像素级实况数据以供在本文中所描述的实施例中使用的已知缺陷位置数据的系统及方法的一些实例描述于巴斯卡尔等人的2019年10月3日公开的第2019/0303717号美国专利申请公开案中，所述专利申请公开案如同完全陈述一般以引用方式并入本文中。可如此公开案中所描述地进一步配置本文中所描述的实施例。
在一个实施例中，缺陷检测组件包含DL缺陷检测组件。在此实施例中，DL检测组件可为或可并非是如本文中进一步描述的DML缺陷检测模型。以此方式，在基于LLRI的检测的一个实施例中，可将LLRI产生器与DL CNN组合以形成端对端学习系统，以同时学习“最佳”近似低秩变换及用于用户选择的缺陷类别的像素级检测/分类器。此实施例因此将低秩的稳定性与DL检测器/分类器的能力结合在一起。DL缺陷检测组件还可为基于机器学习(ML)特征的检测模型，例如决策树、随机森林、支持向量机器(SVM)等。DL缺陷检测组件还可为基于DL的检测模型，例如CNN、贝叶斯CNN、度量CNN、存储器CNN等。存储器CNN的实例描述于布雷曼(Braman)等人的“使用卷积LSTM网络在弱注释体积医学图像中进行疾病检测(DiseaseDetection in Weakly Annotated Volumetric Medical Images using a ConvolutionalLSTM Network)”(arXiv:1812.01087，2018年12月3日，4页)及卢奥(Luo)等人的“LSTM姿势机器(LSTM Pose Machines)”(arXiv:1712.06316，2018年3月9日，9页)中，所述文献如同完全陈述一般以引用方式并入本文中。度量CNN是使用相似度量度(度量)来确定两个事物(例如，图像)是否匹配的一类型的CNN。度量CNN的实例描述于贝尔(Bell)等人的“使用卷积神经网络学习产品设计的视觉相似性(Learning visual similarity for product designwith convolutional neural networks)”(ACM图形学会刊(TOG)，第34卷，第4期，2015年7月，论文编号：98，第1-10页)及王(Wang)等人的“DARI：用于人员验证的距离度量及表示集成(DARI:Distance Metric and Representation Integration for PersonVerification)”(第三十界AAAI人工智能会议的会议记录，第3611-3617页，2016年2月，由加利福尼亚州帕洛阿尔托AAAI出版社公开)中，所述文献如同完全陈述一般以引用方式并入本文中。可如以上参考中的任一者或全部中所描述地进一步配置本文中所描述的实施例。
在一些实施例中，缺陷检测组件不被配置为缺陷分类器。换句话说，缺陷检测组件可检测样品上的事件但不识别事件是任一类型的缺陷。此缺陷检测组件还可或可不执行经检测事件的扰乱性滤波。然而，所述缺陷检测组件还可如本文中进一步描述地执行缺陷分类及扰乱性滤波。替代地，缺陷分类组件(其可以或可以不包含于由包含于系统中的一或多个计算机系统执行的组件中)可执行由缺陷检测组件检测的缺陷的分类。也可执行缺陷分类且是基于ML的缺陷检测组件的一些实例描述于赫等人的2019年3月7日公开的第2019/0073568号美国专利申请公开案中，所述专利申请公开案如同完全陈述一般以引用方式并入本文中。基于ML的缺陷检测器的一些实例描述于卡尔桑迪(Karsenti)等人的2019年1月22日颁发的第10,186,026号美国专利中，所述专利如同完全陈述一般以引用方式并入本文中。可如这些参考中所描述地进一步配置本文中所描述的实施例。
在又一实施例中，缺陷检测组件包含非DL缺陷检测组件。举例来说，缺陷检测组件可执行经典缺陷检测，例如从对应测试图像减去LLRI以产生差图像且然后使用差图像来检测样品上的缺陷。在一个此类实例中，缺陷检测组件可为基于阈值的缺陷检测组件，其中从对应测试图像减去如本文中所描述地产生的参考图像，且将所得差图像与阈值进行比较。在阈值算法的最简单版本中，可将具有高于阈值的值的任何信号或输出识别为潜在缺陷或缺陷候选者，且不将不具有高于阈值的值的任何信号或输出识别为潜在缺陷或缺陷候选者。然而，与可用于可从KLA商购的一些系统上的上文在MDAT算法及/或LCAT算法中所描述的相比，阈值算法可为相对复杂的。
在另一实施例中，缺陷检测组件包含DML缺陷检测模型。以此方式，可组合LLRI产生器与DML检测。在一个此类实施例中，将LLRI产生器展示为图3中的包含用于数学的两个卷积层的LPCA块300。到LPCA块的输入是相同相对裸片位置但不同裸片(或单元，取决于将如何执行缺陷检测)的N个裸片图像。举例来说，如图3中所展示，到LPCA块300的输入可包含N个裸片图像302，N个裸片图像302中的每一者是在相同相对裸片位置但不同裸片处获取。LPCA块的输出是在移除低频及高频噪声两者之后的N个参考图像。举例来说，如图3中所展示，LPCA块的输出是N个参考图像304，针对输入裸片图像中的每一者有一个参考图像304。
在此构造(其它构造是可能的)中，原始裸片图像及LPCA后参考图像两者被输入到DML检测模型。举例来说，如图3中所展示，一对测试与对应LPCA产生的参考图像(例如，一对测试图像306与对应LPCA产生的参考图像308)可输入到DL特征发现器310，DL特征发现器310可输出测试图像的特征312及参考图像的特征314。确定潜在空间中的距离以决定测试图像中的每一像素是否是缺陷。举例来说，如图3中所展示，特征312及314可输入到可将特征投影于潜在空间318中的DL潜在投影316。然后，可基于潜在空间中特征之间的距离执行缺陷检测，如本文中进一步描述。检测块中的层不同于LPCA块中的层。损失函数是LPCA损失及DML损失的组合(例如，孪生损失)。尽管与其它检测方法及系统相比，使用LPCA产生的参考图像与DML检测可提供相对高灵敏度，但LPCA产生的参考图像可与任何其它缺陷检测算法(例如本文中进一步描述的那些)一起使用。
在一个实施例中，LLRI产生器及缺陷检测组件经配置以用于线内缺陷检测。举例来说，可在由成像系统扫描样品时(即，在产生测试图像时实时地)产生参考图像且可使用所产生参考图像执行缺陷检测。以此方式，可不在样品扫描之前产生参考图像。
在另一实施例中，LLRI产生器及缺陷检测组件经配置以用于线外缺陷检测。举例来说，可在成像系统已扫描样品之后(即，在已产生测试图像之后)产生参考图像且可使用所产生参考图像执行缺陷检测。在一个此类实例中，可产生测试图像且由包含产生测试图像的成像系统的系统将其存储于计算机可读存储媒体中。本文中所描述的实施例可然后存取存储媒体中的测试图像且如本文中所描述地使用测试图像。
在一些实施例中，一或多个组件包含缺陷分类组件，所述缺陷分类组件经配置以用于将所检测缺陷分成两个或更多个类型，且所述缺陷分类组件是DL缺陷分类组件。DL缺陷分类组件可如巴斯卡尔等人的在2018年8月7日颁发的第10,043,261号美国专利及巴斯卡尔等人的在2019年7月23日颁发的第10,360,477号美国专利以及赫等人的2019年3月7日公开的第2019/0073568号美国专利申请公开案中所描述地配置，所述专利如同完全陈述一般以引用方式并入本文中。可如这些公开案中所描述地进一步配置本文中所描述的实施例。
在一个实施例中，样品是晶片，已使用多个光刻曝光步骤在所述晶片上形成经图案化特征的层。举例来说，样品可为经双重图案化晶片或其它经图案化晶片，其中在一个光刻曝光步骤中在晶片的一个层上形成一组经图案化特征且在另一光刻曝光步骤中在晶片的同一层上形成另一组经图案化特征。多个光刻曝光步骤可以本技术领域中已知的任何适合方式执行。在另一实施例中，样品是晶片，已使用极紫外(EUV)光刻在所述晶片上形成经图案化特征的层。EUV光刻可以本技术领域中已知的任何适合方式执行。举例来说，本文中所描述的实施例提供具有针对目标缺陷、尤其针对双重/四重图案以及光学及其它检验工具上的EUV光刻中的较小缺陷的经增强灵敏度的近似低秩监督式/半监督式缺陷检测算法。
本文中所描述的实施例的构造的实施方案可完全在GPU加速度上实施。举例来说，可将LPCA块实施为两个卷积层，所述两个卷积层可构造为相对小的神经网络。训练(设置)及推理两者可直接在GPU上运行。所述构造还可在CPU或其它加速度器芯片上运行。
上文所描述的系统中的每一者的实施例中的每一者可一起组合成单个实施例。本文中所描述的实施例还可如以下美国专利申请公开案中所描述地进一步配置：巴斯卡尔等人的2017年7月6日公开的第2017/0194126号及塞兹吉娜(Sezginer)等人的2018年11月19日公开的第2018/0342051号，所述专利申请公开案如同完全陈述一般以引用方式并入本文中。
本文中所描述的实施例具有优于用于缺陷检测的其它方法及系统的若干个优点。举例来说，本文中所描述的实施例可处理晶片内及(可能地)晶片间过程差异(例如，这是因为如本文中所描述地产生的参考图像将基本上不受晶片内及晶片间过程差异影响)。另一优点是通过本文中所描述的实施例产生的参考图像可被学习以实现针对用户规定的缺陷、热点或弱图案的最优缺陷检测。此方法将限制不可预测的灵敏度降级。另外，本文中所描述的实施例可增强针对目标缺陷类型的缺陷灵敏度，从而扩展BBP缺陷灵敏度限制。此外，本文中所描述的实施例可通过在研究及开发以及大量制造使用情形中提供目标灵敏度的较佳可用性而极大地增强BBP灵敏度且减少BBP工具的购置成本。本文中所描述的实施例还可有利地将缺陷分类器学习与参考产生结合，此准许选择性灵敏度增强。此外，在应用近似低秩约束时，本文中所描述的实施例具有对经标记缺陷候选者的低得多的需求。本文中所描述的实施例的额外优点是其可用于各种不同检验类型。举例来说，如本文中进一步描述，系统可经配置以用于裸片间检验、单元间检验及标准参考检验，其中的每一者可在仅单个光学模式或多个光学模式下执行。
另一实施例涉及一种用于检测样品上的缺陷的计算机实施的方法。所述方法包含将针对样品产生的测试图像及对应参考图像投影到潜在空间中。所述方法还包含针对所述测试图像的一或多个不同部分，确定在所述潜在空间中所述一或多个不同部分与所述对应参考图像的对应一或多个部分之间的距离。另外，所述方法包含分别基于针对所述测试图像的所述一或多个不同部分确定的所述距离而检测所述测试图像的所述一或多个不同部分中的缺陷。所述投影、确定及检测步骤是由包含于由一或多个计算机系统执行的一或多个组件中的DML缺陷检测模型执行。
可如本文中进一步描述地执行所述方法的步骤中的每一者。所述方法还可包含本文中所描述的任何其它步骤。计算机系统可根据本文中所描述的实施例中的任一者来配置，例如，计算机子系统102。另外，上文所描述的方法可由本文中所描述的系统实施例中的任一者执行。
又一实施例涉及一种用于产生样品的参考图像的方法。所述方法包含通过将样品的一或多个测试图像输入到LLRI产生器中而从所述一或多个测试图像移除噪声，借此产生对应于所述一或多个测试图像的一或多个参考图像。所述一或多个测试图像是针对与所述样品的设计中的同一位置对应的所述样品上的不同位置而产生。所述LLRI产生器包含于由一或多个计算机系统执行的一或多个组件中。所述方法还可包含基于所述一或多个测试图像及其对应一或多个参考图像而检测所述样品上的缺陷。所述检测可由可以或可以不包含于由所述一或多个计算机系统执行的所述一或多个组件中的缺陷检测组件执行。
可如本文中进一步描述地执行此方法的步骤中的每一者。此方法还可包含本文中所描述的任何其它步骤。这些计算机系统可根据本文中所描述的实施例中的任一者来配置，例如，计算机子系统102。另外，上文所描述的方法可由本文中所描述的系统实施例中的任一者执行。
额外实施例涉及一种非暂时性计算机可读媒体，其存储程序指令，所述程序指令可在一或多个计算机系统上执行以执行用于检测样品上的缺陷及/或产生样品的参考图像的计算机实施的方法。图4中展示一个此类实施例。特定来说，如图4中所展示，非暂时性计算机可读媒体400包含可在计算机系统404上执行的程序指令402。计算机实施的方法可包含上文所描述的任何方法的任何步骤。
实施例如本文中所描述的那些的方法的程序指令402可存储于计算机可读媒体400上。计算机可读媒体可为例如磁盘或光盘、磁带的存储媒体，或本技术领域中已知的任何其它适合非暂时性计算机可读媒体。
可以包含基于程序步骤的技术、基于组件的技术及/或面向对象的技术以及其它技术的各种方式中的任一者来实施程序指令。举例来说，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(流式SIMD扩展)或者其它技术或方法来实施所述程序指令。
计算机系统404可根据本文中所描述的实施例中的任一者而配置。
鉴于此说明，所属领域的技术人员将明了本发明的各个方面的另外的修改及替代实施例。举例来说，提供用于半导体应用的可学习缺陷检测方法及系统。因此，此说明应视为仅是说明性的，且是出于教示所属领域的技术人员实施本发明的一般方式的目的。应理解，本文中所展示及所描述的本发明的形式应视为目前优选的实施例。如所属领域的技术人员在受益于本发明的此说明之后将全部明了，元件及材料可替代本文中所图解说明及描述的那些元件及材料，部件及过程可颠倒，且本发明的某些特征可独立地利用。可在不背离如所附权利要求书中所描述的本发明的精神及范围的情况下对本文中所描述的元件做出改变。

Claims (65)

1.一种经配置以检测样品上的缺陷的系统，其包括：
一或多个计算机系统；及
一或多个组件，其由所述一或多个计算机系统执行，其中所述一或多个组件包括深度度量学习缺陷检测模型，所述深度度量学习缺陷检测模型经配置以用于：
将针对样品产生的测试图像及对应参考图像投影到潜在空间中；
针对所述测试图像的一或多个不同部分，确定在所述潜在空间中所述一或多个不同部分与所述对应参考图像的对应一或多个部分之间的距离；及
分别基于针对所述测试图像的所述一或多个不同部分确定的所述距离而检测所述测试图像的所述一或多个不同部分中的缺陷。
2.根据权利要求1所述的系统，其中所述测试图像及所述对应参考图像是针对所述样品上的不同裸片中的对应位置。
3.根据权利要求1所述的系统，其中所述测试图像及所述对应参考图像是针对所述样品上的不同单元中的对应位置。
4.根据权利要求1所述的系统，其中所述测试图像及所述对应参考图像是在不使用所述样品的设计数据的情况下针对所述样品产生。
5.根据权利要求1所述的系统，其中所述测试图像是由成像系统针对所述样品产生，所述成像系统将能量引导到所述样品且检测来自所述样品的能量，且其中所述对应参考图像是在不使用所述样品的情况下产生。
6.根据权利要求5所述的系统，其中所述对应参考图像是从含有所述样品的设计数据的数据库获取。
7.根据权利要求1所述的系统，其中所述一或多个计算机系统经配置以用于将所述样品的设计数据输入到所述深度度量学习缺陷检测模型中，且其中所述深度度量学习缺陷检测模型进一步经配置以用于使用所述设计数据执行所述检测。
8.根据权利要求1所述的系统，其中所述检测是利用从所述样品的关注区域确定的一或多个参数而执行。
9.根据权利要求8所述的系统，其中所述一或多个计算机系统经配置以用于将所述关注区域的信息输入到所述深度度量学习缺陷检测模型中。
10.根据权利要求1所述的系统，其中所述检测是在不具有所述样品的关注区域的信息的情况下执行。
11.根据权利要求1所述的系统，其中所述测试图像是在所述样品的逻辑区域中产生。
12.根据权利要求1所述的系统，其中所述测试图像是在所述样品的阵列区域中产生。
13.根据权利要求1所述的系统，其中所述测试图像的所述不同部分包括所述测试图像中的不同像素。
14.根据权利要求1所述的系统，其中所述深度度量学习缺陷检测模型进一步经配置以用于将额外对应参考图像投影到所述潜在空间中且确定所述对应参考图像及所述额外对应参考图像与所述潜在空间中的参考区的平均值，且其中用于确定所述距离的所述对应参考图像的所述一或多个部分包括所述参考区。
15.根据权利要求1所述的系统，其中所述对应参考图像包括所述样品的无缺陷测试图像，其中投影所述对应参考图像包括学习所述潜在空间中的参考区，且其中用于确定所述距离的所述对应参考图像的所述一或多个部分包括所述参考区。
16.根据权利要求1所述的系统，其中所述深度度量学习缺陷检测模型具有孪生网络架构。
17.根据权利要求1所述的系统，其中所述深度度量学习缺陷检测模型具有三元组网络架构。
18.根据权利要求1所述的系统，其中所述深度度量学习缺陷检测模型具有四元组网络架构。
19.根据权利要求1所述的系统，其中所述深度度量学习缺陷检测模型包括一或多个深度学习卷积滤波器，且其中所述一或多个计算机系统经配置以用于基于产生所述测试图像时所涉及的物理现象而确定所述一或多个深度学习卷积滤波器的配置。
20.根据权利要求1所述的系统，其中所述深度度量学习缺陷检测模型包括一或多个深度学习卷积滤波器，且其中所述一或多个计算机系统经配置以用于基于用于产生所述测试图像的成像硬件而确定所述一或多个深度学习卷积滤波器的配置。
21.根据权利要求20所述的系统，其中确定所述配置包括基于所述成像硬件的点扩散函数而确定所述一或多个深度学习卷积滤波器的一或多个参数。
22.根据权利要求21所述的系统，其中所述一或多个深度学习卷积滤波器的所述一或多个参数包括滤波器大小、滤波器对称性及滤波器深度中的一或多者。
23.根据权利要求21所述的系统，其中确定所述一或多个深度学习卷积滤波器的所述一或多个参数包括通过对损失函数进行优化而学习所述一或多个参数。
24.根据权利要求20所述的系统，其中确定所述配置包括基于所述成像硬件的点扩散函数而从预定组深度学习卷积滤波器选择所述一或多个深度学习卷积滤波器。
25.根据权利要求24所述的系统，其中所述预定组中的所述一或多个深度学习卷积滤波器的一或多个参数是固定的。
26.根据权利要求24所述的系统，其中确定所述配置进一步包括通过对损失函数进行优化而精细调谐所述一或多个深度学习卷积滤波器的一或多个初始参数。
27.根据权利要求1所述的系统，其中所述一或多个组件进一步包括经配置以用于产生所述对应参考图像的可学习低秩参考图像产生器，其中所述一或多个计算机系统经配置以用于将针对所述样品产生的一或多个测试图像输入到所述可学习低秩参考图像产生器中，其中所述一或多个测试图像是针对所述样品上的不同位置产生，所述不同位置对应于所述样品的设计中的同一位置，且其中所述可学习低秩参考图像产生器进一步经配置以用于从所述一或多个测试图像移除噪声，借此产生所述对应参考图像。
28.根据权利要求1所述的系统，其中分别利用成像系统的不同模式针对所述样品产生所述测试图像及额外测试图像；其中所述深度度量学习缺陷检测模型进一步经配置以用于将所述测试图像及所述对应参考图像投影到第一潜在空间中，将所述额外测试图像及额外对应参考图像投影到第二潜在空间中，且将所述第一潜在空间及所述第二潜在空间组合成联合潜在空间；且其中用于确定所述距离的所述潜在空间是所述联合潜在空间。
29.根据权利要求1所述的系统，其中所述一或多个计算机系统经配置以用于将所述样品的设计数据输入到所述深度度量学习缺陷检测模型中；其中分别利用成像系统的不同模式针对所述样品产生所述测试图像及额外测试图像；其中所述深度度量学习缺陷检测模型进一步经配置以用于将所述测试图像及所述对应参考图像投影到第一潜在空间中，将所述额外测试图像及额外对应参考图像投影到第二潜在空间中，将所述设计数据投影到第三潜在空间中，且将所述第一潜在空间、所述第二潜在空间及所述第三潜在空间组合成联合潜在空间；且其中用于确定所述距离的所述潜在空间是所述联合潜在空间。
30.根据权利要求1所述的系统，其中所述一或多个计算机系统经配置以用于将所述样品的设计数据输入到所述深度度量学习缺陷检测模型中；其中所述深度度量学习缺陷检测模型进一步经配置以用于将所述测试图像及所述对应参考图像投影到第一潜在空间中，将所述设计数据投影到第二潜在空间中，且将所述第一潜在空间及所述第二潜在空间组合成联合潜在空间；且其中用于确定所述距离的所述潜在空间是所述联合潜在空间。
31.根据权利要求1所述的系统，其中所述一或多个计算机系统经配置以用于将所述样品的设计数据输入到所述深度度量学习缺陷检测模型中；其中分别利用成像系统的不同模式针对所述样品产生所述测试图像及额外测试图像；其中所述深度度量学习缺陷检测模型进一步经配置以用于将包括所述测试图像及所述对应参考图像、所述额外测试图像及额外对应参考图像以及所述设计数据中的一或多者的第一集合投影到第一潜在空间中，将包括所述测试图像及所述对应参考图像、所述额外测试图像及所述额外对应参考图像以及所述设计数据中的一或多者的第二集合投影到第二潜在空间中，且将所述第一潜在空间及所述第二潜在空间组合成联合潜在空间；且其中用于确定所述距离的所述潜在空间是所述联合潜在空间。
32.根据权利要求1所述的系统，其中所述一或多个计算机系统经配置以用于利用一或多个训练图像及所述一或多个训练图像的像素级实况信息来训练所述深度度量学习缺陷检测模型。
33.根据权利要求32所述的系统，其中所述一或多个训练图像及所述像素级实况信息是从过程窗鉴定晶片产生。
34.根据权利要求1所述的系统，其中所述一或多个计算机系统经配置以用于执行主动学习来训练所述深度度量学习缺陷检测模型。
35.根据权利要求1所述的系统，其中所述样品是晶片。
36.根据权利要求1所述的系统，其中所述样品是光罩。
37.一种经配置以产生样品的参考图像的系统，其包括：
一或多个计算机系统；及
一或多个组件，其由所述一或多个计算机系统执行，其中所述一或多个组件包括可学习低秩参考图像产生器，其中所述一或多个计算机系统经配置以用于将样品的一或多个测试图像输入到所述可学习低秩参考图像产生器中，其中所述一或多个测试图像是针对所述样品上的不同位置产生，所述不同位置对应于所述样品的设计中的同一位置，且其中所述可学习低秩参考图像产生器经配置以用于从所述一或多个测试图像移除噪声，借此产生对应于所述一或多个测试图像的一或多个参考图像；且
其中缺陷检测组件基于所述一或多个测试图像及其对应一或多个参考图像而检测所述样品上的缺陷。
38.根据权利要求37所述的系统，其中所述缺陷检测组件包括深度学习缺陷检测组件。
39.根据权利要求37所述的系统，其中所述缺陷检测组件包括深度度量学习缺陷检测模型。
40.根据权利要求37所述的系统，其中所述缺陷检测组件包括非深度学习缺陷检测组件。
41.根据权利要求37所述的系统，其中所述样品是晶片，在所述晶片上已使用多个光刻曝光步骤形成经图案化特征的层。
42.根据权利要求37所述的系统，其中所述样品是晶片，在所述晶片上已使用极紫外光刻形成经图案化特征的层。
43.根据权利要求37所述的系统，其中所述可学习低秩参考图像产生器包括可学习主分量分析模型。
44.根据权利要求37所述的系统，其中所述可学习低秩参考图像产生器包括可学习独立分量分析模型或可学习典型相关分析模型。
45.根据权利要求37所述的系统，其中所述可学习低秩参考图像产生器包括线性或非线性回归模型。
46.根据权利要求37所述的系统，其中所述可学习低秩参考图像产生器包括空间低秩神经网络模型。
47.根据权利要求37所述的系统，其中所述可学习低秩参考图像产生器包括空间低秩概率模型。
48.根据权利要求37所述的系统，其中所述缺陷检测组件包含于由所述一或多个计算机系统执行的所述一或多个组件中。
49.根据权利要求48所述的系统，其中所述一或多个计算机系统进一步经配置以用于利用一或多个训练图像及所述一或多个训练图像的像素级实况信息来联合地训练所述可学习低秩参考图像产生器及所述缺陷检测组件。
50.根据权利要求49所述的系统，其中所述一或多个训练图像包括由用户选择的一或多个缺陷类别的图像。
51.根据权利要求49所述的系统，其中所述一或多个训练图像包括由用户选择的所述样品上的一或多个热点的图像。
52.根据权利要求49所述的系统，其中所述一或多个训练图像包括由用户选择的所述样品的设计中的一或多个弱图案的图像。
53.根据权利要求49所述的系统，其中所述像素级实况信息是由电子束成像系统产生。
54.根据权利要求49所述的系统，其中所述像素级实况信息是由基于光的系统产生。
55.根据权利要求49所述的系统，其中所述像素级实况信息包括从用户接收的信息。
56.根据权利要求49所述的系统，其中所述像素级实况信息包括依据利用所述一或多个训练图像执行的物理模拟的结果产生的所述一或多个训练图像的信息。
57.根据权利要求49所述的系统，其中所述像素级实况信息包括被从呈第二格式的已知缺陷位置转换成第一格式的信息，所述第二格式不同于所述第一格式。
58.根据权利要求37所述的系统，其中所述可学习低秩参考图像产生器及所述缺陷检测组件进一步经配置以用于线内缺陷检测。
59.根据权利要求37所述的系统，其中所述可学习低秩参考图像产生器及所述缺陷检测组件进一步经配置以用于线外缺陷检测。
60.根据权利要求37所述的系统，其中所述一或多个组件进一步包括缺陷分类组件，所述缺陷分类组件经配置以用于将所述经检测缺陷分成两个或更多个类型，且其中所述缺陷分类组件是深度学习缺陷分类组件。
61.根据权利要求37所述的系统，其中所述不同位置包括所述样品上的不同裸片中的位置。
62.根据权利要求37所述的系统，其中所述不同位置包括所述样品上的仅一个裸片中的多个位置。
63.根据权利要求37所述的系统，其中所述一或多个测试图像对应于由成像系统针对所述样品产生的作业帧，且其中所述一或多个计算机系统进一步经配置以用于针对与由所述成像系统为所述样品产生的不同作业帧对应的一或多个其它测试图像重复所述输入，使得所述可学习低秩参考图像产生器针对所述作业帧及所述不同作业帧单独地产生所述一或多个参考图像。
64.根据权利要求37所述的系统，其中所述一或多个测试图像是由成像系统使用所述成像系统的仅单个模式针对所述样品产生。
65.根据权利要求37所述的系统，其中所述一或多个测试图像是由成像系统使用所述成像系统的仅单个模式针对所述样品产生，且其中所述一或多个计算机系统进一步经配置以用于针对由所述成像系统使用所述成像系统的不同模式为所述样品产生的一或多个其它测试图像重复所述输入，使得所述可学习低秩参考图像产生器针对所述一或多个其它测试图像产生所述一或多个参考图像。
CN202080027481.9A 2019-04-09 2020-04-07 用于半导体应用的可学习缺陷检测 Pending CN113678236A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962831532P 2019-04-09 2019-04-09
US62/831,532 2019-04-09
US16/838,037 2020-04-02
US16/838,037 US11551348B2 (en) 2019-04-09 2020-04-02 Learnable defect detection for semiconductor applications
PCT/US2020/026980 WO2020210178A1 (en) 2019-04-09 2020-04-07 Learnable defect detection for semiconductor applications

Publications (1)

Publication Number Publication Date
CN113678236A true CN113678236A (zh) 2021-11-19

Family

ID=72748062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080027481.9A Pending CN113678236A (zh) 2019-04-09 2020-04-07 用于半导体应用的可学习缺陷检测

Country Status (6)

Country Link
US (2) US11551348B2 (zh)
KR (1) KR20210138116A (zh)
CN (1) CN113678236A (zh)
IL (2) IL299819B2 (zh)
TW (1) TWI812856B (zh)
WO (1) WO2020210178A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11431976B2 (en) * 2019-01-28 2022-08-30 Kla Corporation System and method for inspection using tensor decomposition and singular value decomposition
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
CN113850749B (zh) * 2020-06-09 2024-07-09 英业达科技有限公司 训练缺陷侦测器的方法
TWI744999B (zh) * 2020-07-23 2021-11-01 和碩聯合科技股份有限公司 焊點檢測模型訓練方法、焊點檢測方法及焊點檢測裝置
US12067708B2 (en) * 2020-09-08 2024-08-20 Rakuten Group, Inc. Image judgement apparatus, image judgement method and non-transitory computer readable medium
KR102651974B1 (ko) * 2021-02-01 2024-03-27 에스케이실트론 주식회사 웨이퍼 비전검사 장치 및 방법
WO2022187057A1 (en) * 2021-03-05 2022-09-09 Applied Materials, Inc. Detecting an excursion of a cmp component using time-based sequence of images
US20220383456A1 (en) * 2021-05-31 2022-12-01 Kla Corporation Deep learning image denoising for semiconductor-based applications
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
US20230136110A1 (en) * 2021-11-01 2023-05-04 Kla Corporation Knowledge distillation for semiconductor-based applications
US11921052B2 (en) 2022-03-31 2024-03-05 Kla Corporation Inspection with previous step subtraction
US11922619B2 (en) 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection
WO2024000420A1 (zh) * 2022-06-30 2024-01-04 宁德时代新能源科技股份有限公司 缺陷检测方法和装置
US12067745B2 (en) * 2022-09-27 2024-08-20 Kla Corporation Image pre-processing for overlay metrology using decomposition techniques

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003168640A (ja) * 2001-12-03 2003-06-13 Hitachi Ltd 半導体装置の製造方法
US6902855B2 (en) 2002-07-15 2005-06-07 Kla-Tencor Technologies Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns
US7418124B2 (en) 2002-07-15 2008-08-26 Kla-Tencor Technologies Corp. Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns
DE102004055250A1 (de) 2004-11-16 2006-05-18 Leica Microsystems Semiconductor Gmbh Verfahren zur Inspektion eines Wafers
US7729529B2 (en) 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
US7769225B2 (en) 2005-08-02 2010-08-03 Kla-Tencor Technologies Corp. Methods and systems for detecting defects in a reticle design pattern
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US8213704B2 (en) 2007-05-09 2012-07-03 Kla-Tencor Corp. Methods and systems for detecting defects in a reticle design pattern
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US8041106B2 (en) 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
TW201117128A (en) * 2009-11-06 2011-05-16 Inotera Memories Inc Advanced WAT predict and warning system
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
US8716662B1 (en) 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9816939B2 (en) 2014-07-22 2017-11-14 Kla-Tencor Corp. Virtual inspection systems with multiple modes
US10359371B2 (en) 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10360477B2 (en) * 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
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
US10365617B2 (en) * 2016-12-12 2019-07-30 Dmo Systems Limited Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
US11270430B2 (en) 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
US10607119B2 (en) 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training

Also Published As

Publication number Publication date
IL286407A (en) 2021-10-31
KR20210138116A (ko) 2021-11-18
US11551348B2 (en) 2023-01-10
IL299819B1 (en) 2023-09-01
IL286407B1 (en) 2023-03-01
IL299819A (en) 2023-03-01
US20200327654A1 (en) 2020-10-15
US20230118839A1 (en) 2023-04-20
TW202105264A (zh) 2021-02-01
TWI812856B (zh) 2023-08-21
WO2020210178A1 (en) 2020-10-15
IL299819B2 (en) 2024-01-01
IL286407B2 (en) 2023-07-01

Similar Documents

Publication Publication Date Title
TWI812856B (zh) 用於缺陷偵測之系統及電腦實施方法，非暫時性電腦可讀媒體，及用於產生參考影像之系統
CN110494894B (zh) 基于轮廓的缺陷检测
CN111819676B (zh) 训练用于低分辨率图像中的缺陷检测的神经网络
KR102321953B1 (ko) 다양한 모댈리티들로 획득된 이미지들의 정렬을 위한 학습 기반 접근 방식
CN111052331B (zh) 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法
US11580398B2 (en) Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10186026B2 (en) Single image detection
CN108431937B (zh) 光学裸片对数据库检查
JP2019522897A (ja) 半導体用途のための、入力画像からのシミュレーション画像の生成
KR20240082266A (ko) 반도체 기반 애플리케이션을 위한 비지도형 또는 자기 지도형 딥 러닝
US11494924B2 (en) Image alignment for noisy images
US20220318986A1 (en) Semantic image segmentation for semiconductor-based applications
US12080050B2 (en) Machine learning using a global texture characteristic for semiconductor-based applications
TWI844777B (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
US20240161272A1 (en) Multimode defect detection
CN117561539A (zh) 用于基于半导体应用的无监督或自我监督的深度学习
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

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