CN113919276A - 在半导体样本中的阵列的识别 - Google Patents
在半导体样本中的阵列的识别 Download PDFInfo
- Publication number
- CN113919276A CN113919276A CN202110671133.1A CN202110671133A CN113919276A CN 113919276 A CN113919276 A CN 113919276A CN 202110671133 A CN202110671133 A CN 202110671133A CN 113919276 A CN113919276 A CN 113919276A
- Authority
- CN
- China
- Prior art keywords
- regions
- image
- array
- repeating structural
- structural elements
- 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.)
- Granted
Links
- 238000003491 array Methods 0.000 title claims abstract description 42
- 239000004065 semiconductor Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 108
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000002087 whitening effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004630 atomic force microscopy Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004626 scanning electron microscopy Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 125000003821 2-(trimethylsilyl)ethoxymethyl group Chemical group [H]C([H])([H])[Si](C([H])([H])[H])(C([H])([H])[H])C([H])([H])C(OC([H])([H])[*])([H])[H] 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67271—Sorting devices
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Power Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Architecture (AREA)
- Image Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
提供了一种方法和一种系统，所述方法和所述系统被配置为：获得半导体样本的图像，所述半导体样本包括：一个或多个阵列，每个阵列包括重复结构元素；以及一个或多个区，每个区至少部分地包围对应阵列并且包括与重复结构元素不同的特征，其中PMC被配置为在半导体样本的运行时扫描期间：在图像的像素强度与提供重复结构元素中的至少一者的信息的参考图像的像素强度之间执行相关分析，以获得相关矩阵；使用相关矩阵来区分与一个或多个阵列相对应的图像的一个或多个第一区域和与一个或多个区相对应的图像的一个或多个第二区域；以及输出提供图像的一个或多个第一区域的信息的数据。
Description
技术领域
当前公开的主题总体涉及样本检验的领域，并且更具体地，涉及使样本的检验自动化。
背景技术
当前对与所制造的器件的超大规模集成相关联的高密度和高性能的需求要求亚微米特征、增加的晶体管和电路速度，以及提高的可靠性。这种需求要求形成具有高精确度和均匀性的器件特征，这进而使得必需仔细地监测制造工艺，包括在器件仍然呈半导体晶片的形式时自动地检验所述器件。
在半导体制造期间的各种步骤处使用检验工艺来检测和分类在样本上的缺陷。可通过使(多个)工艺自动化(例如，自动化缺陷分类(ADC)、自动化缺陷审查(ADR)等)来提高检验有效性。
发明内容
根据当前公开的主题的某些方面，提供了一种检验半导体样本的系统，所述系统包括处理器和存储器电路系统(PMC)，所述处理器和存储器电路系统(PMC)被配置为：获得半导体样本的图像，所述半导体样本包括：一个或多个阵列，每个阵列包括重复结构元素；一个或多个区，每个区至少部分地包围对应阵列并且包括与重复结构元素不同的特征，其中PMC被配置为在半导体样本的运行时扫描期间：在图像的像素强度与提供重复结构元素中的至少一者的信息的参考图像的像素强度之间执行相关分析，以获得相关矩阵；使用相关矩阵来区分与一个或多个阵列相对应的图像的一个或多个第一区域和与一个或多个区相对应的图像的一个或多个第二区域；以及输出提供图像的一个或多个第一区域的信息的数据。
根据一些实施例，所述系统被配置为：确定与满足振幅标准的相关矩阵的值相对应的图像的子区域，基于提供在阵列中的重复结构元素之间的距离的信息的数据来将子区域聚类为一个或多个群集，以及至少基于一个或多个群集来确定一个或多个第一区域。
根据一些实施例，一个或多个阵列由一个或多个边界与一个或多个区分隔，其中系统被配置为估计仅包括直至边界的至少一个或多个阵列的图像的一个或多个第一区域。
根据一些实施例，所述系统被配置为对参考图像应用图像处理，其中图像处理衰减参考图像的重复图案。
根据一些实施例，所述系统被配置为：基于提供沿着第一轴线在阵列中的重复结构元素之间的距离的信息的数据来将子区域聚类为一个或多个第一群集，基于提供沿着第二轴线在阵列中的重复结构元素之间的距离的信息的数据来将子区域聚类为一个或多个第二群集，以及使用第一群集和第二群集来区分与一个或多个阵列相对应的图像的一个或多个第一区域和与一个或多个区相对应的图像的一个或多个第二区域。
根据一些实施例，所述系统对于每个群集被配置为：确定包围一个或多个群集的多边形，以及将多边形输出为图像的第一区域。
根据一些实施例，所述系统被配置为仅选择子区域的数量满足阈值的群集。
根据一些实施例，所述系统被配置为在半导体样本的运行时检验之前的设置阶段中获得提供振幅标准的信息的数据。
根据一些实施例，所述系统被配置为：在图像的一个或多个第一区域的像素强度与提供重复结构元素中的至少一者的信息的第二参考图像的像素强度之间执行相关分析，以得到第二相关矩阵，确定与满足振幅标准的第二相关矩阵的值相对应的图像的一个或多个第一区域的子区域，至少基于在图像的一个或多个第一区域中的子区域的位置和提供在阵列中的重复结构元素的预期位置的信息的数据来确定在图像的一个或多个第一区域与阵列之间的形变图，以及基于形变图来生成校正图像。
根据一些实施例，所述系统被配置为生成校正图像，使得在校正图像中的子区域的位置和提供在阵列中的重复结构元素的期望位置的信息的数据满足接近度标准。
根据一些实施例，所述系统被配置为：确定在图像的一个或多个第一区域中的子区域的位置与提供阵列中的重复结构元素的预期位置的信息的数据之间的变形DF中心，以及基于至少应用到DF中心的内插方法来确定在图像的一个或多个第一区域与半导体样本的阵列之间的形变图。
根据一些实施例，所述系统被配置为：获得提供重复结构元素中的至少一者的信息的参考图像，以及仅选择参考图像的子集作为第二参考图像。
根据当前公开的主题的其他方面，提供了一种检验半导体样本的方法，所述方法包括由处理器和存储器电路系统(PMC)：获得半导体样本的图像，所述半导体样本包括：一个或多个阵列，每个阵列包括重复结构元素；一个或多个区，每个区至少部分地包围对应阵列并且包括与重复结构元素不同的特征；在半导体样本的运行时扫描期间：在图像的像素强度与提供重复结构元素中的至少一者的信息的参考图像的像素强度之间执行相关分析，以获得相关矩阵；使用相关矩阵来区分与一个或多个阵列相对应的图像的一个或多个第一区域和与一个或多个区相对应的图像的一个或多个第二区域；以及输出提供图像的一个或多个第一区域的信息的数据。
根据一些实施例，所述方法包括：确定与满足振幅标准的相关矩阵的值相对应的图像的子区域，基于提供在阵列中的重复结构元素之间的距离的信息的数据来将子区域聚类为一个或多个群集，以及至少基于一个或多个群集来确定一个或多个第一区域。
根据一些实施例，一个或多个阵列由一个或多个边界与一个或多个区分隔，其中所述方法包括估计仅包括直至边界的至少一个或多个阵列的图像的一个或多个第一区域，以及排除对应于一个或多个区的一个或多个第二区域。
根据一些实施例，所述方法包括：基于提供沿着第一轴线在阵列中的重复结构元素之间的距离的信息的数据来将子区域聚类为一个或多个第一群集，基于提供沿着第二轴线在阵列中的重复结构元素之间的距离的信息的数据来将子区域聚类为一个或多个第二群集，以及使用第一群集和第二群集来区分与一个或多个阵列相对应的图像的一个或多个第一区域和与一个或多个区相对应的图像的一个或多个第二区域。
根据一些实施例，所述方法包括仅选择子区域的数量满足阈值的群集。
根据一些实施例，所述方法包括：在图像的一个或多个第一区域的像素强度与提供重复结构元素中的至少一者的信息的第二参考图像的像素强度之间执行相关分析，以得到第二相关矩阵，确定与满足强度标准的第二相关矩阵的值相对应的图像的一个或多个第一区域的子区域，至少基于在图像的一个或多个第一区域中的子区域的位置和提供在阵列中的重复结构元素的预期位置的信息的数据来确定在图像的一个或多个第一区域与阵列之间的形变图，以及基于形变图来生成校正图像。
根据一些实施例，所述方法包括：确定在图像的一个或多个第一区域中的子区域的位置与提供阵列中的重复结构元素的预期位置的信息的数据之间的变形DF中心，以及基于至少应用到DF中心的内插方法来确定在图像的一个或多个第一区域与半导体样本的阵列之间的形变图。
根据当前公开的主题的其他方面，提供了一种包括指令的非暂时性计算机可读介质，所述指令在由PMC执行时使PMC执行如上所述的操作。
根据当前公开的主题的其他方面，提供了一种检验半导体样本的系统，所述系统包括处理器和存储器电路系统(PMC)，所述处理器和存储器电路系统(PMC)被配置为：获得半导体样本的图像，所述半导体样本包括：一个或多个阵列，每个阵列包括重复结构元素；一个或多个区，每个区至少部分地包围对应阵列并且包括与重复结构元素不同的特征，获得提供一个或多个阵列和一个或多个区中的至少一者的像素强度的信息的数据D阈值，其中PMC被配置为在半导体样本的运行时扫描期间：确定表示沿着图像中的多个轴线的像素强度的数据DX、DY，使用DX、DY和D阈值来区分与一个或多个阵列相对应的图像的一个或多个第一区域和与一个或多个区相对应的图像的一个或多个第二区域，以及输出提供图像的一个或多个第一区域的信息的数据。
根据一些实施例，所述系统被配置为：确定表示沿着图像的多个行中的每一行的像素强度的数据DX，确定表示沿着图像的多个列中的每一列的像素强度的数据DY，使用DX、DY和D阈值来区分与一个或多个阵列相对应的图像的一个或多个第一区域和与一个或多个区相对应的图像的一个或多个第二区域，以及输出提供图像的一个或多个第一区域的信息的数据。
根据一些实施例，一个或多个阵列中的每一者包括通过对图像的视觉检查不可区分的结构元素。
根据一些实施例，所述系统被配置为：确定表示沿着图像的多个行中的每一行的像素强度的数据DX，选择包括DX高于第一阈值的图像的行的图像的子集SL，确定表示沿着子集SL的多个列中的每一列的像素强度的数据DY,SL，确定DY,L高于第二阈值的SL的列的子集CSL，至少基于CSL来确定一个或多个第一区域。
根据一些实施例，所述系统被配置为：确定表示沿着图像的多个列中的每一列的像素强度的数据DY，选择包括DY高于第一阈值的图像的列的图像的子集SC，确定表示沿着子集SC的多个行中的每一行的像素强度的数据DX,SC，确定DX,SC高于第二阈值的SC的行的子集LSC，以及至少基于LSC来确定一个或多个第一区域。
根据一些实施例，第一阈值比第二阈值更严格。根据一些实施例，第一阈值比第三阈值更严格。
根据一些实施例，提供了一种对应方法(包括如上文参考所述系统所述的操作)和一种包括指令的非暂时性计算机可读介质，所述指令在由PMC执行时使PMC进行对应操作。
根据一些实施例，提出的解决方案使得能够在半导体样本的图像中区分包括重复结构元素的阵列与包括与重复结构元素不同的特征的周围区。根据一些实施例，提出的解决方案是高效的并且在半导体样本的运行时扫描期间是可操作的。根据一些实施例，提供了对阵列的精确识别，使得能够提取直至将阵列与周围区分隔的阵列的边界的阵列。根据一些实施例，提出的解决方案使得能够校正存在于阵列的图像中的失真。特别地，实现了高效且精确的校正。
附图说明
为了理解本公开内容并知晓在实践中如何进行本公开内容，现在将参考附图仅通过非限制性示例来描述实施例，在附图中：
图1示出了根据当前公开的主题的某些实施例的检验系统的一般化框图。
图2示出了识别在样本的图像中包括重复结构元素的阵列的方法的一般化流程图。
图2A示出了包括具有重复结构元素的阵列以及周围区的图像的非限制性示例。
图3示出了图2的方法的操作的可能的实现方式的一般化流程图。
图3A示出了使用图2的方法获得的相关矩阵的非限制性示例。
图3B示出了包括重复结构元素的阵列的非限制性示例。
图3C示出了使用图2的方法获得的相关矩阵的另一个非限制性示例。
图4示出了处理在图2的方法中使用的参考图像的方法的一般化流程图。
图4A和图4B示出了使用图4的方法的非限制性示例。
图5示出了在样本的图像中识别包括重复结构元素的阵列的另一种方法的一般化流程图。
图5A示出了图5的方法的应用的非限制性示例。
图6示出了在样本的图像中识别包括重复结构元素的阵列的方法的另一个实施例的一般化流程图。
图6A至图6C示出了图6的方法的应用的非限制性示例。
图7示出了包括重复结构元素的阵列的失真图像的非限制性示例。
图8示出了校正图7的图像中的失真的方法的一般化流程图。
图8A至图8C示出了图8的方法的应用的非限制性示例。
图9示出了处理在图8的方法中使用的参考图像的方法的一般化流程图。
图9A示出了图9的方法的应用的非限制性示例。
具体实施方式
在以下详细描述中，阐述了许多具体细节，以便提供对本公开内容的透彻理解。然而，本领域的技术人员将理解，当前公开的主题可在没有这些具体细节的情况下实践。在其他情况下，并未详细地描述熟知的方法、过程、部件和电路，以免模糊当前公开的主题。
除非另外特别说明，否则如从以下讨论中将显而易见的，应理解，贯穿本说明书讨论利用的术语诸如“处理”、“获取”、“选择”、“确定”、“生成”、“输出”、“使用”、“执行”等是指计算机的将数据操纵和/或变换为其他数据的(多个)动作和/或(多个)处理，所述数据被表示为物理(诸如电子)量和/或所述数据表示物理对象。术语“计算机”应广义地解释为涵盖具有数据处理能力的任何种类的基于硬件的电子装置，作为非限制性示例，包括本申请中公开的系统103及其相应部分。
本文中使用的术语“非暂时性存储器”和“非暂时性存储介质”应广义地解释为涵盖适合当前公开的主题的任何易失性或非易失性计算机存储器。
本说明书中使用的术语“样本”应广义地解释为涵盖用来制造半导体集成电路、磁头、平板显示器和其他半导体制造的物品的任何种类的晶片、掩模和其他结构、以上各项的组合和/或以上各项的部分。
本说明书中使用的术语“检验”应广义地解释为涵盖任何种类的计量相关操作以及与在样本的制造期间所述样本中的缺陷的检测和/或分类有关的操作。检验通过在要检验的样本的制造期间或之后使用例如非破坏性检验工具提供。作为非限制性示例，检验过程可包括使用相同或不同检查工具进行运行时扫描(以单次扫描或以多次扫描)、采样、审查、测量、分类和/或关于样本或其部分提供的其他操作。同样地，检验可在要检验的样本的制造之前提供并可包括例如生成(多个)检验方案和/或其他设置操作。要注意，除非另外特别说明，否则本说明书中使用的术语“检验”或其衍生词在检查区域的分辨率或大小方面不受限制。作为非限制性示例，各种非破坏性检验工具包括扫描电子显微镜、原子力显微镜、光学检查工具等。
作为非限制性示例，运行时检验可采用两阶段过程，例如，先是检查样本，接着审查潜在缺陷的采样位置。在第一阶段期间，以高速度和相对低的分辨率检查样本的表面。在第一阶段中，产生缺陷图，以示出在样本上高概率有缺陷的可疑位置。在第二阶段期间，以相对高的分辨率更彻底地分析所述可疑位置中的至少一些。在一些情况下，两个阶段可由同一检查工具实施，并且在一些其他情况下，这两个阶段由不同检查工具实施。
本说明书中使用的术语“缺陷”应广义地解释为涵盖在样本上或样本内形成的任何种类的异常或不期望的特征。
本说明书中使用的术语“设计数据”应广义地解释为涵盖指示样本的分层物理设计(布局)的任何数据。设计数据可由相应设计者提供和/或可从物理设计导出(例如，通过复杂模拟、简单几何和布尔运算等)。设计数据可以以不同格式提供，作为非限制性示例，诸如GDSII格式、OASIS格式等。设计数据可以以矢量格式、灰度强度图像格式或以其他方式呈现。
将理解，除非另外特别说明，否则在分开的实施例的上下文中描述的当前公开的主题的某些特征也可在单个实施例中被组合地提供。相反地，在单个实施例的上下文中所述的当前公开的主题的各种特征也可分开地提供或以任何合适的子组合提供。在以下详细描述中，阐述了许多具体细节，以便提供对方法和设备的透彻理解。
考虑到这一点，注意力转向图1，图1示出了根据当前公开的主题的某些实施例的检验系统的功能框图。图1中示出的检验系统100可用于作为样本制造工艺的一部分进行的(例如，晶片和/或其部分的)样本的检验。所示出的检验系统100包括基于计算机的系统103，基于计算机的系统103能够使用在样本制造期间获得的图像来自动地确定计量相关和/或缺陷相关信息。系统103可操作地连接到一个或多个低分辨率检验工具101和/或一个或多个高分辨率检验工具102和/或其他检验工具。检验工具被配置为捕获图像和/或审查(多个)所捕获的图像和/或实现或提供与(多个)所捕获的图像有关的测量。系统103可进一步可操作地连接到CAD服务器110和数据存储库109。
系统103包括可操作地连接到基于硬件的输入接口105和基于硬件的输出接口106的处理器和存储器电路系统(PMC)104。PMC 104被配置为操作系统103提供所需的所有处理，如下文进一步详述(参见例如图2至图5、图6、图8和图9中描述的可至少部分地由系统103执行的方法)并且包括处理器(未单独地示出)和存储器(未单独地示出)。PMC 104的处理器可被配置为根据实现在PMC中包括的非暂时性计算机可读存储器上的计算机可读指令来执行若干功能模块。此类功能模块在下文被称为包括在PMC中。PMC 104中包括的功能模块包括深度神经网络(DNN)112。DNN 112被配置为使用用于基于样本的图像来输出应用相关数据的机器学习算法来实现数据处理。
作为非限制性示例，可根据卷积神经网络(CNN)架构、循环神经网络架构、递归神经网络架构、生成性对抗网络(GAN)架构或其他架构来组织DNN 112的层。可选地，层中的至少一些可被组织在多个DNN子网中。DNN的每个层可包括多个基本计算元素(CE)，在本领域中，所述多个基本计算元素(CE)被典型地称为维度、神经元或节点。
一般来讲，给定层的计算元素可与前一层和/或后一层的CE连接。在前一层的CE与后一层的CE之间的每个连接与加权值相关联。给定CE可经由相应连接从前一层的CE接收输入，每个给定连接与可应用于给定连接的输入的加权值相关联。加权值可确定连接的相对强度并由此确定相应输入对给定CE的输出的相对影响。给定CE可被配置为计算激活值(例如，输入的加权和)并通过将激活函数应用于所计算的激活来进一步导出输出。激活函数可为例如恒等函数、确定性函数(例如，线性、S形、阈值等)、随机函数或其他合适的函数。来自给定CE的输出可经由相应连接传输到后一层的CE。同样地，如上所述，在CE的输出处的每个连接可与可在被接收作为后一层的CE的输入之前被应用于CE的输出的加权值相关联。除加权值外，还可存在与连接和CE相关联的阈值(包括限制函数)。
可在训练之前首先选择DNN 112的加权值和/或阈值，并且可在训练期间进一步迭代地调整或修改所述加权值和/或阈值，以在所训练的DNN中实现最佳加权值和/或阈值集。在每次迭代之后，可确定在由DNN 112产生的实际输出与和相应数据训练集相关联的目标输出之间的差值(也称损失函数)。所述差值可称为误差值。当指示误差值的成本或损失函数小于预定值时，或者当实现在迭代之间的性能的有限改变时，可确定训练已经完成。可选地，在训练整个DNN之前，可单独地训练DNN子网(如果有的话)中的至少一些。
系统103被配置为经由输入接口105接收输入数据。输入数据可包括由检验工具产生的数据(和/或其衍生物和/或与其相关联的元数据)和/或产生和/或存储在一个或多个数据存储库109和/或CAD服务器110和/或另一个相关数据存储库中的数据。要注意，输入数据可包括图像(例如，所捕获的图像、从所捕获的图像导出的图像、模拟图像、合成图像等)和相关联的数值数据(例如，元数据、手工制定的属性等)。要进一步注意，图像数据可包括与感兴趣层和/或与样本的一个或多个其他层有关的数据。
系统103进一步被配置为处理接收到的输入数据中的至少部分，并且经由输出接口106将结果(或其部分)发送到存储系统107、(多个)检查工具、基于计算机的图形用户界面(GUI)108以用于呈现结果和/或将结果呈现到外部系统(例如，FAB的产量管理系统(YMS))。GUI 108可进一步被配置为实现与操作系统103有关的用户指定的输入。
作为非限制性示例，可通过一个或多个低分辨率检验机器101(例如，光学检查系统、低分辨率SEM等)来检验样本。提供样本的低分辨率图像的信息的结果数据(下文中称为低分辨率图像数据121)可直接地或经由一个或多个中间系统传输到系统103。替代地或附加地，可通过高分辨率机器102来检验样本(例如，可通过扫描电子显微镜(SEM)或原子力显微镜(AFM)来审查被选择用于进行审查的潜在缺陷位置子集)。提供样本的高分辨率图像的信息的结果数据(下文中称为高分辨率图像数据122)可直接地或经由一个或多个中间系统传输到系统103。
要注意，可以以不同分辨率捕获在样本上的期望位置的图像。通过非限制性示例，期望位置的所谓的“缺陷图像”可用于区分缺陷和误报警，而期望位置的所谓的“类图像”是以更高的分辨率获得的并可用于缺陷分类。在一些实施例中，相同位置的图像(具有相同或不同分辨率)可包括在其间配准的若干图像(例如，从给定位置捕获的图像和与给定位置相对应的一个或多个参考图像)。
要注意，图像数据可以和与图像数据相关联的元数据(例如，像素大小、缺陷类型的文本描述、图像捕获过程的参数等)一起被接收和处理。
在处理输入数据(例如，低分辨率图像数据和/或高分辨率图像数据，可选地连同其他数据，例如设计数据、合成数据等)后，系统103可将结果(例如，指令相关数据123和/或124)发送到(多个)检验工具中的任一者，将结果(例如，缺陷属性、缺陷分类等)存储在存储系统107中，经由GUI 108呈现结果，和/或将结果发送到外部系统(例如，发送到FAB)。
本领域的技术人员将容易理解，当前公开的主题的教导不受图1中示出的系统束缚；等同和/或修改的功能可以以另一种方式合并或划分并且可实施在软件与固件和/或硬件的任何适当的组合中。
在不以任何方式限制本公开内容的范围的情况下，还应注意，检验工具可被实施为各种类型的检查机器，诸如光学成像机器、电子束检查机器等。在一些情况下，同一检验工具可提供低分辨率图像数据和高分辨率图像数据。在一些情况下，至少一个检验工具可具有计量能力。
要注意，图1中示出的检验系统可在分布式计算环境中实施，其中图1中示出的前述功能模块可分布在若干本地和/或远程装置之上，并且可通过通信网络来进行链接。要进一步注意，在其他实施例中，至少一些检验工具101和/或102、数据存储库109、存储系统107和/或GUI 108可在检验系统100外部并且可以以经由输入接口105和输出接口106与系统103进行数据通信的方式操作。系统103可实施为(多个)独立计算机，以结合检验工具进行使用。替代地，所述系统的相应功能可至少部分地与一个或多个检验工具集成。
现在将注意转向图2。一种方法包括获得(操作200)样本的图像250。根据一些实施例，在样本的运行时扫描期间通过检验工具(诸如检验工具101)获得图像250。样本包括一个或多个阵列260。阵列260包括重复结构元素(表示为在阵列中的一个阵列中的附图标记261)。重复结构元素包括例如存储器单元(诸如SRAM、DRAM、FRAM、闪存存储器)、可编程逻辑单元等。这些示例不是限制性的。一般来讲，重复结构元素根据重复图案或网格布置在每个阵列中。例如，在各个阵列间，在两个相邻重复结构元素之间的距离(根据水平轴线和垂直轴线)是恒定的或至少基本上恒定的。
样本包括一个或多个区265。每个区265至少部分地包围对应阵列260。区265不包括存在于阵列260中的重复结构元素。在图2A的非限制性示例中，样本包括包围阵列260的垂直和水平区265。区265可对应于例如拼接块。
每个区265包括与重复结构元素260不同的特征。在一些实施例中，区265可包括非重复特征和/或与重复结构元素260不同的重复特征。非重复特征的示例包括例如逻辑。然而，这不是限制性的。
方法进一步包括在图像250的像素强度与提供重复结构元素中的至少一者的信息的参考图像的像素强度之间执行(操作210)相关分析。参考图像可包括例如重复结构元素中的一者的图像。参考图像也被称为“黄金单元”。根据一些实施例，参考图像是基于设计数据生成的。根据一些实施例，参考图像是从已知(例如，根据先前分析)没有缺陷的结构元素的图像获得的。根据一些实施例，在样本的运行时检验之前的设置阶段期间获得参考图像。在设置阶段中，时间和处理约束不太严格，并且因此可获得将构成参考图像的重复结构元素中的一者的图像。
在210处执行的相关分析的输出可包括相关矩阵，所述相关矩阵包括多个值。每个值与图像250的子区域相关联并且指示在子区域中的像素强度与参考图像中的像素强度之间的相关水平。
方法可进一步包括使用(操作220)相关矩阵来在与一个或多个阵列260相对应的图像250的一个或多个第一区域和与一个或多个区265相对应的图像的一个或多个第二区域之间进行区分。图2A示出了一个或多个第一区域270的示例和一个或多个第二区域275的示例。在一些实施例中，未被识别为属于一个或多个第一区域270的图像的所有区域被认为是一个或多个第二区域275的部分。
方法进一步包括输出230提供图像250的一个或多个第一区域270的信息的数据。这可包括例如输出在图像250中的一个或多个第一区域270的位置，和/或输出对包括一个或多个第一区域270的图像250的选择。根据一些实施例，方法可包括输出一个或多个第二区域275的位置，和/或输出仅包括一个或多个第二区域275的图像250的选择。
根据一些实施例，在样本的运行时扫描期间至少执行操作210、220和230。换句话说，识别图像中的阵列的方法是高效的，并且因此可在运行时阶段期间执行。
根据一些实施例，在样本的运行时扫描期间例如由被配置为确定表示阵列中的缺陷的数据(例如，缺陷的位置、缺陷的类别等)的PMC使用对图像中的一个或多个第一区域270的识别。特别地，PMC可实施用于检测缺陷的算法，所述算法被特别地调适为检测包括重复结构元素的阵列中的缺陷。
如图2A所示，一个或多个阵列260与一个或多个区265由一个或多个边界266分隔。边界266在阵列260与对应周围区265之间限定物理极限。
根据一些实施例，方法使得能够估计仅包括直到边界266的至少一个或多个阵列260的图像250的一个或多个第一区域270。特别地，根据一些实施例，方法使得能够识别直到边界266的阵列260，而排除对应于一个或多个区265的一个或多个第二区域275。
注意图3，其描绘了操作210至230的非限制性实现方式。
如参考操作210所说明的，获得相关矩阵。图3A中描绘了针对图像250的给定区获得的相关矩阵365的非限制性示例。
因此，方法可包括确定(操作300)与满足振幅标准的相关矩阵365的值相对应的图像250的子区域。振幅标准可例如定义在其中识别出局部最大相关峰(在一些实施例中，可设置绝对阈值)的图像250的子区域对应于在图像250中的重复结构元素的位置。根据一些实施例，在样本的运行时检验之前的设置阶段期间，获得针对包括重复结构元素中的一者的子区域获得的相关峰的振幅的第一估计，所述第一估计可用于确定在运行时检验期间使用的振幅标准并对于所述振幅标准认为存在结构元素。
如图3A所示，相关矩阵365包括位于图像的子区域375处的相关峰367(最大值)。这些子区域375对应于重复结构元素的位置的估计。实际上，由于相关分析涉及将图像的像素强度与提供重复结构元素的信息的参考图像的像素强度相关，因此预期的是，包括重复结构元素的图像的子区域将相对于不包括重复结构元素的图像的子区域(区265)提供高相关值。
方法可进一步包括(操作310)基于提供在阵列中的重复结构元素之间的距离的信息的数据来将子区域375聚类为一个或多个群集。
如上所述，重复结构元素通常根据重复图案或网格布置。因此，可能获得在阵列中的两个连续结构元素之间的距离。在一些实施例中，可获得提供沿着第一轴线(例如，水平轴线，对应于图像的行)在阵列中的重复结构元素361之间的距离的信息的数据(参见图3B中的附图标记368)和提供沿着第二轴线(例如，垂直轴线，对应于图像中的列)在阵列中的重复结构元素之间的距离的信息的数据(参见图3B中的附图标记369)。如图所示，可评估在结构元素的中心之间的距离。
根据一些实施例，操作310可包括基于提供沿着第一轴线372在阵列中的重复结构元素之间的距离的信息的数据来将子区域375聚类为一个或多个第一群集。根据一些实施例，在给定群集中，任何子区域375位于与群集的另一个子区域375相距小于或等于沿着第一轴线在重复结构元素之间的距离的距离处。图3A中示出了非限制性示例，其中沿着第一轴线372将子区域指派给同一群集370。如图所示，子区域374未指派给群集370，因为从每个子区域到群集370的距离大于沿着第一轴线372在两个重复结构元素之间的距离。
根据一些实施例，操作310可包括基于提供沿着第二轴线373在阵列中的重复结构元素之间的距离的信息的数据来将子区域聚类为一个或多个第二群集。根据一些实施例，在给定群集中，任何子区域位于与群集的另一个子区域相距小于或等于沿着第二轴线373在重复结构元素之间的距离的距离处。图3A中示出了非限制性示例，其中沿着第二轴线373将子区域指派给相同群集381。如图所示，子区域383未指派给群集381，因为从子区域383到群集381的距离大于沿着第二轴线373在两个重复结构元素之间的距离。
方法包括至少基于一个或多个群集来确定(操作320)一个或多个第一区域。特别地，第一群集可用于确定沿着第一轴线372的一个或多个第一区域的大小和位置，并且第二群集可用于确定沿着第二轴线373的一个或多个第一区域的大小和位置。例如，群集370提供沿着轴线372的第一区域的大小和位置，并且与群集370相交的群集381提供沿着轴线373的相同的第一区域的大小和位置。因此，识别出第一区域384。可对所有群集执行此操作，这些群集用于确定不同的第一区域的极限。
根据一些实施例，执行另一个操作以使用群集来识别第一区域。特别地，方法可包括确定包围一个或多个群集的被识别为定义第一区域的多边形(例如，矩形或正方形)，并且将多边形输出为第一区域。例如，在图3A的示例中，可生成矩形392，矩形392覆盖基于第一群集370和第二群集381识别的第一区域。
现在将注意转向图3C。根据一些实施例，方法可包括仅选择(操作330)以下群集：在群集中存在的子区域的数量满足阈值(例如，高于阈值)。这在图3C中示出。已经沿着轴线372识别出多个群集3831至3835。被称为3831的群集仅包括一个子区域384。由于已知阵列包括沿着重复图案(例如，网格)布置的重复结构元素，因此可假定子区域384不对应于结构元素，因为重复图案不包括孤立的结构元素。因此，当在操作320处确定一个或多个第一区域时，可忽略或删除此群集。这同样可应用于沿着第二轴线373确定的群集(第二群集)：如果给定群集包括低于阈值的数量的子区域，则当在操作320处确定一个或多个第一区域时，忽略给定群集。
现在将注意转向图4。根据一些实施例，可使用图像处理算法来处理提供重复结构元素中的至少一者的信息的参考图像。根据一些实施例，图像处理算法衰减参考图像的重复图案。例如，可将部分白化应用于参考图像。部分白化可包括例如在频域中变换参考图像(例如，将指示参考图像的像素的X(i,j)变换为频域中的X(f))、降低高/强频率(例如，
)和执行反变换以恢复为图像(例如，将X'(f)变换为X'(i,j))。
图4A中描绘了图4的方法的非限制性示例。如图所示，阵列460包括重复结构元素410和导线411。导线411延伸直至包围阵列460的区465。如图4B所示，已经获得提供重复结构元素410的信息的参考图像470。衰减重复图案的图像处理(例如，部分白化)被应用于参考图像470，以便获得校正的参考图像475。如图所示，导线411(其对应于重复图案)和结构元素410(其也对应于重复图案)在校正的参考图像475中均被衰减。因此，当在校正的参考图像475与图像之间执行相关时(如参考操作210所说明的)，与结构元素相对应的子区域将提供比与区相对应的子区域更高的相关值，但在此实施例中子区域和区两者包括共同的重复特征(导线411)，从而便于区分阵列与周围区。
根据一些实施例，方法可包括获得(操作500)包括一个或多个阵列和一个或多个周围区的样本的图像。操作500类似于上述操作200。在一些实施例中，图像由电子束检验工具获取。在一些情况下，图像可具有低信噪比，并且因此，涉及与参考图像的相关的图2的方法并非始终适用。低信噪比可能是由于样本中存在的特征的大小、电荷效应等所致。在一些实施例中，由于低信噪比，通过对图像的视觉检查无法在阵列内识别/区分阵列的结构元素。在一些实施例中，图像中的像素的大小可大于结构元素的大小，并且因此通过视觉检查无法区分结构元素。
方法进一步包括获得(操作510)提供阵列和周围区中的至少一者的像素强度的信息的数据D阈值。D阈值可特别地在样本的运行时检验之前的设置阶段期间获得。例如，在设置阶段期间，获得与在运行时期间接受检验的样本类似的样本的图像。操作员或自动算法(例如，K-均值算法)提供在图像内的阵列的位置和周围区的位置的第一估计。计算阵列的像素强度的平均值P阵列，并且计算周围区的像素强度的平均值P区。由于阵列和周围区包含不同的结构特征，因此这两个值预期是不同的。D阈值可基于例如P阵列和P区来计算。D阈值可对应于例如这两个值之间的平均值，但这不是限制性的。
方法进一步包括确定(操作520)表示沿着图像中的多个轴线的像素强度的数据。特别地，这可包括确定表示沿着图像的多个行中的每一行的像素强度的数据DX，以及表示沿着图像的多个列中的每一列的像素强度的数据DY。数据DX(相应地DY)可计算为例如沿着图像的每一行(相应地每一列)的像素强度的平均值。
方法进一步包括使用(操作530)DX、DY和D阈值来区分与一个或多个阵列相对应的图像的一个或多个第一区域和与一个或多个区相对应的图像的一个或多个第二区域。
操作530可包括识别DX高于(或低于，这取决于像素强度对于阵列还是对于周围区而言更高)阈值D阈值(其在例如设置阶段期间获得)的图像的行，以及DY高于阈值D阈值(其在例如设置阶段期间获得)的图像的列。已经识别的行和列的交叉点提供了对阵列的位置的识别。
图5A中提供了非限制性示例。例如，假设在设置阶段期间，已经确定像素强度(在平均上)对于阵列而言要比对于周围区而言更高(P阵列大于P区)，并且已将D阈值设置为P阵列和P区的平均值。提供沿着行的像素强度的信息的数据DX被描绘为曲线545(此曲线仅是说明性的，而非限制性的)。如图所示，对于阵列562所位于的图像的行，曲线在阈值D阈值(被称为548)上方。提供沿着列的像素强度的信息的数据DY被描绘为曲线561(此曲线仅是说明性的，而非限制性的)。如图所示，对于阵列562所位于的图像的列，曲线在阈值D阈值(被称为548)上方。
方法进一步包括输出(操作540)提供图像的一个或多个第一区域的信息的数据。操作540类似于上述操作230。特别地，根据一些实施例，曲线545高于阈值548的行与曲线561高于阈值549的列之间的交叉点提供与阵列的位置相对应的第一区域的位置的估计。
根据一些实施例，在样本的运行时扫描期间至少执行操作510、530和540。换句话说，识别图像中的阵列的方法是高效的，并且因此可在运行时阶段期间执行。
现在将注意转向图6。在一些情况下，表示沿着阵列所位于的图像的行和/或列的像素强度的数据可接近于表示沿着其他行和/或列的像素强度的数据。图6A中示出了非限制性示例，其中阵列660位于图像的左下角并且被大的区665包围。图6的方法是使得能够改善阵列所位于的图像的行和列与其他行和列之间的区分的解决方案的可能的实施例。
方法包括确定(操作610)表示沿着图像的多个行中的每一行的像素强度的数据DX(例如，沿着行的像素强度的平均值)。DX在图6A中表示为曲线668。假设已经获得第一阈值D阈值,1(例如，在运行时检验之前的设置阶段期间)。D阈值,1提供阵列和区中的至少一者的像素强度的信息。在一些实施例中，D阈值,1可选择为严格阈值(高阈值)，以最大化区分与阵列相对应的图像的行和其他行的概率。例如，假设在(对与在运行时期间接受检验的样本类似的样本的图像执行的)设置阶段期间，已经计算出阵列的像素强度的平均值P阵列，并且已经计算出周围区的像素强度的平均值P区(如上文所说明的)。例如假设P阵列高于P区。D阈值,1可选择为高于P区的值，以最大化移除与周围区相对应的行的概率。例如，D阈值,1可如下选择：D阈值,1＝P区+N×σ(其中σ是周围区的像素强度的标准偏差，并且N是等于例如2的整数)。
方法包括选择包括DX高于D阈值,1的图像的行的图像的子集SL(表示为682)。如图所示，子集SL包括阵列660所位于的图像的行683，以及不包括阵列660的图像的附加行684(然而，这些附加行的像素强度高于D阈值,1)。方法进一步包括确定(操作630)表示沿着子集SL的多个列中的每一列的像素强度(例如，沿着列的像素强度的平均值)的数据DY,SL(图6B中的曲线686)。方法包括确定(操作640)DY,SL高于第二阈值690的SL的列的子集CSL(被称为689)。可基于在运行时检验之前的设置阶段期间执行的测量来获得此第二阈值690。例如，第二阈值可被设置为等于P阵列(阵列的平均像素强度)和P区(周围区的平均像素强度)的平均值。然而，这不是限制性的。
列CSL(附图标记689)指示沿着行轴线的阵列的位置。然后可执行对沿着图像的列轴线(Y轴)的阵列的位置和大小的确定，从而产生与图像中的(多个)阵列相对应的一个或多个第一区域(操作650)。可提供图像中的一个或多个第一区域(对应于(多个)阵列)的位置和/或可提供图像中的一个或多个第二区域(对应于周围区)的位置(这对应于未被识别为第一区域的所有区域)。
实际上，一旦已经识别出与阵列相对应的图像的列689，则更容易区分包括阵列的图像的行与图像的其他行，如图6C可见。考虑了图像的子集S’L(在图6C中被称为692)。此子集S’L包括图像的所有行，并且限于在先前操作中识别的图像的列689。方法进一步包括确定表示沿着子集S’L(692)的多个行中的每一行的像素强度(例如，平均像素强度)的数据(被称为693)，并且确定数据693高于第三阈值695(在一些实施例中，第三阈值695等于第二阈值690，但这不是强制性的)的图像的行694。如图6C可见，现在更容易基于像素强度来区分包括阵列的图像的行与其他行。这些行694与列689一起限定与(多个)阵列相对应的图像的一个或多个第一区域。图像的其他区域对应于与包围(多个)阵列的(多个)区相对应的图像的第二区域。
在图6至图6C的示例中，方法开始于选择图像的子集SL，图像的子集SL包括平均像素强度高于阈值的行。应理解，所述方法可通过首先选择列的子集来等效地执行。在这种情况下，所述方法可包括：
-确定表示沿着图像的多个列中的每一列的像素强度的数据DY(等同于操作610)；
-选择包括DY高于第一阈值的图像的列的图像的子集SC(等同于操作620)；
-确定表示沿着子集SC的多个行中的每一行的像素强度的数据DX,SC(等同于操作630)；
-确定DX,SC高于第二阈值的SC的行的子集LSC(等同于操作640)；
-至少基于LSC来确定与(多个)阵列相对应的一个或多个第一区域(等同于操作650，由于已知与阵列相对应的图像的行，因此识别与阵列相对应的图像的列变得更容易，这类似于参考图6C所说明的那样)。
根据一些实施例，方法还使得能够估计仅包括直至将(多个)阵列与(多个)周围区分隔的边界的至少一个或多个阵列的图像的一个或多个第一区域。特别地，根据一些实施例，方法使得能够识别直至边界的阵列，而排除对应于一个或多个区的一个或多个第二区域。
现在将注意转向图7。假设已经获得样本的图像，其中已经识别出与各自包括重复结构元素720的一个或多个阵列710相对应的一个或多个第一区域。此识别可依赖于例如上述各种实施例，或者可依赖于其他识别方法。因此，可提供限于一个或多个第一区域(对应于阵列)的图像700，而没有包围一个或多个阵列的(多个)域。在一些实施例中，图像700包括一个或多个第一区域(对应于阵列)和一个或多个第二区域(对应于区)两者。由于已知第一区域的位置，因此可能仅在第一区域上进行操作。在下文中将参考仅包括第一区域(对应于(多个)阵列)的图像700，但应理解，通过仅在图像的第一区域上应用方法，所述方法可类似地应用于包括第一区域和第二区域两者的图像。
如图7可见，在一些实施例中，(多个)阵列的图像700是失真的。特别地，在图像700中可见的阵列中的结构元素720的位置与它们在阵列中的预期位置(在样本中的真实位置)不一致。这可能是由于各种因素引起的，诸如检验工具的测量误差等。
当试图将图像700用于诸如缺陷检测和/或分类之类的各种应用时，失真可能是成问题的。因此，要求校正此失真。图8示出了校正存在于(多个)阵列的图像中的失真的方法的实施例。
方法包括在图像700的像素强度与提供重复结构元素中的至少一者的信息的参考图像的像素强度之间执行相关分析(操作800)。在操作800处使用的参考图像可与在操作210处使用的参考图像不同，以识别与阵列相对应的图像的第一区域(在这种情况下，在操作800处使用第二参考图像，而不是像在操作210处那样使用第一参考图像)。然而，这不是强制性的。相关分析的输出是第二相关矩阵(其可与在操作210处获得的相关矩阵不同)。在一些实施例中，可重复使用在操作210处获得的相关矩阵(在这种情况下，仅使用对应于一个或多个第一区域的值)。
方法可进一步包括确定(操作810)与满足振幅标准的第二相关矩阵的值相对应的图像的子区域。特别地，振幅标准可指示与第二相关矩阵的最大值(例如，局部最大值)相关联的图像的子区域被识别。
如图8A所示，第二相关矩阵860包括位于给定子区域685处的相关峰(最大值)。这些子区域865对应于重复结构元素的位置的估计(特别是对应于每个结构元素的中心区域)。实际上，由于相关分析涉及将图像的像素强度与提供重复结构元素的信息的参考图像的像素强度相关，因此预期的是包括重复结构元素的图像700的子区域将相对于不包括重复结构元素的图像700的子区域提供高相关值。
方法可进一步包括确定(操作820)图像700与阵列之间的形变图。形变图可基于子区域的位置(如使用第二相关矩阵所确定)和基于提供在阵列中的重复结构元素的预期位置的信息的数据来确定。
图8B中描绘了非限制性示例，其示出了与第二相关矩阵的最大值相对应的子区域865的位置以及在阵列中的结构元素的预期位置866。对于每个子区域，可确定变形矢量867，变形矢量867指示在图像中的结构元素的位置(使用第二相关矩阵的最大值估计)与对应结构元素的预期位置866之间的差异。
根据一些实施例，可确定整个图像的形变图。实际上，如上所述，确定在图像中的子区域865的位置与提供在阵列中的重复结构元素的预期位置的信息的数据之间的变形(参见867，下文中称为“DF中心”)。这对应于结构元素中的每一者的中心部分相对于其预期位置的变形。为了确定图像的其他像素(其不一定对应于结构元素的中心部分)的变形，方法可包括对整个图像的DF中心的值应用内插方法。这提供了对位于不同子区域865之间的所有其他像素的变形的估计。根据一些实施例，内插方法被分别地应用于沿着X轴(图像的行)的变形和沿着Y轴(图像的列)的变形。
方法可进一步包括基于形变图来生成(操作830)校正图像880(参见图8C)。这可包括基于形变图来移动图像的像素，使得在校正图像880中的子区域865的位置(对应于第二相关矩阵的峰)和提供在阵列中的重复结构元素的预期位置的信息的数据满足接近度标准(例如，位置的差异低于阈值)。
现在注意图9。根据一些实施例，一种方法可包括获得(900)提供重复结构元素中的至少一者的信息的参考图像，以及仅选择(910)参考图像的子集作为第二参考图像。根据一些实施例，子集的大小基于折衷。一方面，子集的大小必须足够大以能够识别在图像上的结构元素的位置，另一方面，子集的大小必须足够小以获得足够数量的相关值。
图9A中示出了非限制性示例。
已经获得参考图像920。选择参考图像920的子集930。此子集可用作图8的方法中的第二参考图像。
根据一些实施例，子集930可例如在设置阶段期间使用迭代方法来选择。方法从第一子集(此子集的最大大小可例如由用户设置)开始。使用此第一子集执行图8的方法。然后，增大分辨率，这意味着减小第一子集的大小。使用此新子集再次执行图8的方法，并且将输出的性能与先前迭代进行比较。如果性能得到改善，则以较小大小的新子集重复所述方法。如果性能没有改善，则停止所述方法，并且选择在先前迭代中获得的子集。
将理解，本发明的应用不限于在本文中包含的描述中阐述或在附图中示出的细节。
还将理解，根据本发明的系统可至少部分地实现在合适地编程的计算机上。同样地，本发明设想了可由计算机读取以执行本发明的方法的计算机程序。本发明进一步设想了有形地体现可由计算机执行以执行本发明的方法的指令程序的非暂时性计算机可读存储器。
本发明能够具有其他实施例并能够以各种方式实践或实行。因此，将理解，本文中采用的措辞和术语是出于描述目的并且不应被视为限制性的。因此，本领域的技术人员将理解，本公开内容所基于的概念可容易地用作设计用于实行当前公开的主题的若干目的的其他结构、方法和系统的基础。
本领域的技术人员将容易地理解，在不脱离在所附权利要求书中并由所附权利要求书限定的本发明的范围的情况下，可对如上所述的本发明的实施例应用各种修改和改变。
Claims (20)
1.一种用于检验半导体样本的系统，所述系统包括处理器和存储器电路系统(PMC)，所述处理器和存储器电路系统(PMC)被配置为：
获得所述半导体样本的图像，所述半导体样本包括：
一个或多个阵列，每个阵列包括重复结构元素；
一个或多个区，每个区至少部分地包围对应阵列并且包括与所述重复结构元素不同的特征；
其中所述PMC被配置为在所述半导体样本的运行时扫描期间：
在所述图像的像素强度与提供所述重复结构元素中的至少一者的信息的参考图像的像素强度之间执行相关分析，以得到相关矩阵，
使用所述相关矩阵来区分与所述一个或多个阵列相对应的所述图像的一个或多个第一区域和与所述一个或多个区相对应的所述图像的一个或多个第二区域，以及
输出提供所述图像的所述一个或多个第一区域的信息的数据。
2.如权利要求1所述的系统，所述系统被配置为：
确定与满足振幅标准的所述相关矩阵的值相对应的所述图像的子区域，
基于提供在所述阵列中的所述重复结构元素之间的距离的信息的数据来将所述子区域聚类为一个或多个群集，以及
至少基于所述一个或多个群集来确定所述一个或多个第一区域。
3.如权利要求1所述的系统，其中所述一个或多个阵列由一个或多个边界与所述一个或多个区分隔，其中所述系统被配置为估计仅包括直至所述边界的所述至少一个或多个阵列的所述图像的所述一个或多个第一区域。
4.如权利要求1所述的系统，所述系统被配置为对所述参考图像应用图像处理，其中所述图像处理衰减所述参考图像的重复图案。
5.如权利要求1所述的系统，所述系统被配置为：
基于提供沿着第一轴线在所述阵列中的所述重复结构元素之间的距离的信息的数据来将所述子区域聚类为一个或多个第一群集，
基于提供沿着第二轴线在所述阵列中的所述重复结构元素之间的距离的信息的数据来将所述子区域聚类为一个或多个第二群集，以及
使用所述第一群集和所述第二群集来区分与所述一个或多个阵列相对应的所述图像的一个或多个第一区域和与所述一个或多个区相对应的所述图像的一个或多个第二区域。
6.如权利要求2所述的系统，所述系统对于每个群集被配置为：
-确定包围一个或多个群集的多边形，以及
-将所述多边形输出为所述图像的第一区域。
7.如权利要求2所述的系统，所述系统被配置为仅选择子区域的数量满足阈值的群集。
8.如权利要求2所述的系统，所述系统被配置为在所述半导体样本的运行时检验之前的设置阶段中获得提供所述振幅标准的信息的数据。
9.如权利要求1所述的系统，所述系统被配置为：
在所述图像的所述一个或多个第一区域的像素强度与提供所述重复结构元素中的至少一者的信息的第二参考图像的像素强度之间执行相关分析，以得到第二相关矩阵，
确定与满足振幅标准的所述第二相关矩阵的值相对应的所述图像的所述一个或多个第一区域的子区域，
至少基于在所述图像的所述一个或多个第一区域中的所述子区域的位置和提供在所述阵列中的所述重复结构元素的预期位置的信息的数据来确定在所述图像的所述一个或多个第一区域与所述阵列之间的形变图，以及
基于所述形变图来生成校正图像。
10.如权利要求9所述的系统，所述系统被配置为生成所述校正图像，使得在所述校正图像中的所述子区域的位置和提供在所述阵列中的所述重复结构元素的期望位置的信息的数据满足接近度标准。
11.如权利要求9所述的系统，所述系统被配置为：
确定在所述图像的所述一个或多个第一区域中的所述子区域的位置与提供所述阵列中的所述重复结构元素的预期位置的信息的数据之间的变形DF中心，以及
基于至少应用到DF中心的内插方法来确定在所述图像的所述一个或多个第一区域与所述半导体样本的所述阵列之间的形变图。
12.如权利要求9所述的系统，所述系统被配置为：获得提供所述重复结构元素中的至少一者的信息的参考图像，以及仅选择所述参考图像的子集作为所述第二参考图像。
13.一种检验半导体样本的方法，所述方法包括由处理器和存储器电路系统(PMC)：
获得所述半导体样本的图像，所述半导体样本包括：
一个或多个阵列，每个阵列包括重复结构元素；
一个或多个区，每个区至少部分地包围对应阵列并且包括与所述重复结构元素不同的特征；
在所述半导体样本的运行时扫描期间：
在所述图像的像素强度与提供所述重复结构元素中的至少一者的信息的参考图像的像素强度之间执行相关分析，以得到相关矩阵，
使用所述相关矩阵来区分与所述一个或多个阵列相对应的所述图像的一个或多个第一区域和与所述一个或多个区相对应的所述图像的一个或多个第二区域，以及
输出提供所述图像的所述一个或多个第一区域的信息的数据。
14.如权利要求13所述的方法，所述方法包括：
确定与满足振幅标准的所述相关矩阵的值相对应的所述图像的子区域，
基于提供在所述阵列中的所述重复结构元素之间的距离的信息的数据来将所述子区域聚类为一个或多个群集，以及
至少基于所述一个或多个群集来确定所述一个或多个第一区域。
15.如权利要求13所述的方法，其中所述一个或多个阵列由一个或多个边界与所述一个或多个区分隔，其中所述方法包括估计仅包括直至所述边界的所述至少一个或多个阵列的所述图像的所述一个或多个第一区域，以及排除对应于所述一个或多个区的所述一个或多个第二区域。
16.如权利要求13所述的方法，所述方法包括：
基于提供沿着第一轴线在所述阵列中的所述重复结构元素之间的距离的信息的数据来将所述子区域聚类为一个或多个第一群集，
基于提供沿着第二轴线在所述阵列中的所述重复结构元素之间的距离的信息的数据来将所述子区域聚类为一个或多个第二群集，以及
使用所述第一群集和所述第二群集来区分与所述一个或多个阵列相对应的所述图像的一个或多个第一区域和与所述一个或多个区相对应的所述图像的一个或多个第二区域。
17.如权利要求13所述的方法，所述方法包括仅选择子区域的数量满足阈值的群集。
18.如权利要求13所述的方法，所述方法包括：
在所述图像的所述一个或多个第一区域的像素强度与提供所述重复结构元素中的至少一者的信息的第二参考图像的像素强度之间执行相关分析，以得到第二相关矩阵，
确定与满足振幅标准的所述第二相关矩阵的值相对应的所述图像的所述一个或多个第一区域的子区域，
至少基于在所述图像的所述一个或多个第一区域中的所述子区域的位置和提供在所述阵列中的所述重复结构元素的预期位置的信息的数据来确定在所述图像的所述一个或多个第一区域与所述阵列之间的形变图，以及
基于所述形变图来生成校正图像。
19.如权利要求18所述的方法，所述方法包括：
确定在所述图像的所述一个或多个第一区域中的所述子区域的位置与提供所述阵列中的所述重复结构元素的预期位置的信息的数据之间的变形DF中心，以及
基于至少应用到DF中心的内插方法来确定在所述图像的所述一个或多个第一区域与所述半导体样本的所述阵列之间的形变图。
20.一种包括指令的非暂时性计算机可读介质，所述指令在由PMC执行时使所述PMC执行包括以下各项的操作：
获得所述半导体样本的图像，所述半导体样本包括：
一个或多个阵列，每个阵列包括重复结构元素；
一个或多个区，每个区至少部分地包围对应阵列并且包括与所述重复结构元素不同的特征；
在所述半导体样本的运行时扫描期间：
在所述图像的像素强度与提供所述重复结构元素中的至少一者的信息的参考图像的像素强度之间执行相关分析，以得到相关矩阵，
使用所述相关矩阵来区分与所述一个或多个阵列相对应的所述图像的一个或多个第一区域和与所述一个或多个区相对应的所述图像的一个或多个第二区域，以及
输出提供所述图像的所述一个或多个第一区域的信息的数据。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/922,977 US11645831B2 (en) | 2020-07-07 | 2020-07-07 | Identification of an array in a semiconductor specimen |
| US16/922,977 | 2020-07-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113919276A true CN113919276A (zh) | 2022-01-11 |
| CN113919276B CN113919276B (zh) | 2024-07-05 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010053245A1 (en) * | 2000-06-15 | 2001-12-20 | Kaoru Sakai | Image alignment method, comparative inspection method, and comparative inspection device for comparative inspections |
| US20050069207A1 (en) * | 2002-05-20 | 2005-03-31 | Zakrzewski Radoslaw Romuald | Method for detection and recognition of fog presence within an aircraft compartment using video images |
| CN101297321A (zh) * | 2005-10-25 | 2008-10-29 | 布拉科成像S.P.A.公司 | 配准图像的方法，用于执行配准图像的方法的算法，用于使用所述算法配准图像的程序以及处理生物医学图像以减少由对象移动导致的成像伪影的方法 |
| CN101566585A (zh) * | 2008-04-22 | 2009-10-28 | 以色列商·应用材料以色列公司 | 评估物体的方法和系统 |
| US20110299782A1 (en) * | 2009-12-02 | 2011-12-08 | Qualcomm Incorporated | Fast subspace projection of descriptor patches for image recognition |
| CN102820238A (zh) * | 2011-06-08 | 2012-12-12 | Fei公司 | 用于局部区域导航的高精确度射束放置 |
| US20170083762A1 (en) * | 2015-06-22 | 2017-03-23 | Photomyne Ltd. | System and Method for Detecting Objects in an Image |
| US20200126830A1 (en) * | 2018-10-19 | 2020-04-23 | Kla-Tencor Corporation | Defect-Location Determination Using Correction Loop for Pixel Alignment |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010053245A1 (en) * | 2000-06-15 | 2001-12-20 | Kaoru Sakai | Image alignment method, comparative inspection method, and comparative inspection device for comparative inspections |
| US20050069207A1 (en) * | 2002-05-20 | 2005-03-31 | Zakrzewski Radoslaw Romuald | Method for detection and recognition of fog presence within an aircraft compartment using video images |
| CN101297321A (zh) * | 2005-10-25 | 2008-10-29 | 布拉科成像S.P.A.公司 | 配准图像的方法，用于执行配准图像的方法的算法，用于使用所述算法配准图像的程序以及处理生物医学图像以减少由对象移动导致的成像伪影的方法 |
| CN101566585A (zh) * | 2008-04-22 | 2009-10-28 | 以色列商·应用材料以色列公司 | 评估物体的方法和系统 |
| US20110299782A1 (en) * | 2009-12-02 | 2011-12-08 | Qualcomm Incorporated | Fast subspace projection of descriptor patches for image recognition |
| CN102820238A (zh) * | 2011-06-08 | 2012-12-12 | Fei公司 | 用于局部区域导航的高精确度射束放置 |
| US20170083762A1 (en) * | 2015-06-22 | 2017-03-23 | Photomyne Ltd. | System and Method for Detecting Objects in an Image |
| US20200126830A1 (en) * | 2018-10-19 | 2020-04-23 | Kla-Tencor Corporation | Defect-Location Determination Using Correction Loop for Pixel Alignment |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022014880A (ja) | 2022-01-20 |
| TW202217274A (zh) | 2022-05-01 |
| KR20220005988A (ko) | 2022-01-14 |
| US20230230349A1 (en) | 2023-07-20 |
| US11645831B2 (en) | 2023-05-09 |
| US20220012861A1 (en) | 2022-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11010665B2 (en) | Method of deep learning-based examination of a semiconductor specimen and system thereof | |
| CN110945528B (zh) | 产生可用于检查半导体样品的训练集的方法及其系统 | |
| US20190257767A1 (en) | Generating a training set usable for examination of a semiconductor specimen | |
| CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
| CN114219749B (zh) | 样本的模拟图像的确定 | |
| JP2020115131A (ja) | 試験片の調査の方法およびそのシステム | |
| US20220222806A1 (en) | Machine learning-based classification of defects in a semiconductor specimen | |
| JP7169393B2 (ja) | 半導体試料の検査に使用可能な訓練セットの生成 | |
| US11423529B2 (en) | Determination of defect location for examination of a specimen | |
| US20230230349A1 (en) | Identification of an array in a semiconductor specimen | |
| CN113919276B (zh) | 检验半导体样本的系统、方法及非暂时性计算机可读介质 | |
| CN113947561B (zh) | 半导体样本的图像分割 | |
| US11854184B2 (en) | Determination of defects and/or edge roughness in a specimen based on a reference image | |
| US20230306580A1 (en) | Machine learning based examination of a semiconductor specimen and training thereof | |
| CN111512324B (zh) | 半导体样品的基于深度学习的检查的方法及其系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |