CN114503245A - 用于多模式检验的基于统计学习模式选择 - Google Patents

用于多模式检验的基于统计学习模式选择 Download PDF

Info

Publication number
CN114503245A
CN114503245A CN202080070822.0A CN202080070822A CN114503245A CN 114503245 A CN114503245 A CN 114503245A CN 202080070822 A CN202080070822 A CN 202080070822A CN 114503245 A CN114503245 A CN 114503245A
Authority
CN
China
Prior art keywords
sample
determining
modes
inspection system
different combinations
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
Application number
CN202080070822.0A
Other languages
English (en)
Other versions
CN114503245B (zh
Inventor
V·盖德
B·布拉尔
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 CN114503245A publication Critical patent/CN114503245A/zh
Application granted granted Critical
Publication of CN114503245B publication Critical patent/CN114503245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • 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
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • 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
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—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 based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/05—Investigating materials by wave or particle radiation by diffraction, scatter or reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Signal Processing (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明提供用于选择用于检验样品的模式的方法及系统。一种方法包含统计预测集合中的数据点是否对应于样品上的缺陷或扰乱点。所述数据点包含针对所述样品上的离散位置从通过检验系统的两个或更多个模式产生的输出确定的属性。已在所述离散位置处使用所述模式中的至少一者检测事件。所述方法还包含确定所述模式的两个或更多个不同组合中的每一者的定量测量，借此确定不同定量测量。所述不同组合中的每一者的所述定量测量是响应于所述组合中的一者检测所述缺陷且最小化所述扰乱点的检测的良好程度。所述方法进一步包含基于经确定定量测量选择用于检验与所述样品的类型相同的样品的所述模式中的一或多者。

Description

用于多模式检验的基于统计学习模式选择
技术领域
本发明大体上涉及在半导体技术中用于样品的多模式检验的基于统计学习模式选择的方法及系统。
背景技术
以下描述及实例不因其包含于此段落中而被承认是现有技术。
在半导体制造过程期间的各个步骤使用检验过程以检测晶片上的缺陷以促进制造过程中的更高良率及因此更高利润。检验始终是制造半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对于可接受半导体装置的成功制造变得更为重要，这是因为较小缺陷可引起装置故障。
许多检验工具具有关于工具的许多输出(例如，图像)产生元件的可调整参数。关于一或多个元件(例如能量源、偏光器、透镜、检测器及类似者)的参数可取决于所检验样品的类型及样品上的所关注缺陷(DOI)的特性更改。例如，不同类型的样品可具有显著不同特性，此可引起具有相同参数的相同工具以显著不同方式使样品成像。另外，由于不同类型的DOI可具有显著不同特性，因此适合于检测一个类型的DOI的检验系统参数可能不适合于检测另一类型的DOI。此外，不同类型的样品可具有不同噪声源，此可以不同方式干扰样品上的DOI的检测。
具有可调整参数的检验工具的开发还已导致检验过程的增加使用，其涉及使用参数值(另外称为“模式”)的一个以上组合扫描样品使得可使用不同模式检测不同缺陷类型。例如，一个模式可具有用于检测一个类型的缺陷的更大灵敏度而另一模式可具有用于检测另一类型的缺陷的更大灵敏度。因此，使用两个模式，检验系统可能够以可接受灵敏度检测两个类型的缺陷。
若干当前使用的方法可用于光学模式选择(OMS)以寻找用于检验的最好模式。当检验过程仅使用检验工具的一个模式时，模式选择可相对直观。例如，可针对每一模式比较性能度量(例如DOI捕获对扰乱点抑制)以识别具有最好性能的模式。然而，当使用一个以上模式用于检验时，此过程以指数方式变得更复杂且困难。例如，可简单地比较不同模式的性能度量且接着选择前两者或更多者用于检验，但此将不一定导致比仅使用顶级模式的情况下更好的检验过程。
代替性地，使用一个以上模式用于检验的动力通常是检验相对难以开始，例如，DOI相对难以与噪声分开及/或扰乱点相对难以抑制。针对此类检验，理想地，两个或更多个模式将以某一方式互补，例如，使得由一个模式产生的结果将增强由另一模式产生的结果。在一个此实例中，即使由一个模式产生的结果自身并不特别“良好”，但在正确情况中，所述结果可用于分离在由另一模式产生的其它结果中的DOI与扰乱点，借此增强由另一模式产生的结果。
通常，因为数个原因，此类互补模式难以识别。一个此原因可为检验工具上的可变设置的数目大体上较大，从而导致可评估的大量模式及甚至更大数目个模式组合。一些检验模式选择过程的目的为通过在甚至开始评估之前消除一些模式或模式组合而简化此过程。即使如此，模式及模式组合的数目可大到抑制全部模式及模式组合被评估。例如，不仅使用每一模式扫描测试样品可为不可取的，而且针对每一模式及模式组合评估数据可为耗时且昂贵的，使得无法针对每一样品及每一检验过程执行此模式评估。另外，模式及模式组合的评估不可能手动执行。例如，在模式选择过程中产生的数据的量仅太大而无法以及时方式手动评估。
因此，开发用于选择用于检验样品的一或多个模式而无上文描述的一或多个缺点的系统及方法将是有利的。
发明内容
各个实施例的以下描述绝不应理解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用于选择用于检验样品的一或多个模式的系统。所述系统包含经配置用于统计预测集合中的数据点是否对应于样品上的缺陷或扰乱点的一或多个计算机系统。所述数据点包含针对所述样品上的离散位置从通过检验系统的两个或更多个模式产生的输出确定的一或多个属性。已在所述离散位置处使用所述两个或更多个模式中的至少一者检测事件。所述一或多个计算机系统还经配置用于确定所述两个或更多个模式的两个或更多个不同组合中的每一者的定量测量，借此确定不同定量测量。所述两个或更多个不同组合中的每一者的所述定量测量是响应于所述两个或更多个不同组合中的一者检测所述缺陷且最小化所述扰乱点的检测的良好程度。另外，所述一或多个计算机系统经配置用于基于所述经确定定量测量选择用于检验与所述样品的类型相同的样品的所述检验系统的所述两个或更多个模式中的一或多者。可如本文中描述那样进一步配置所述系统。
另一实施例涉及一种用于选择用于检验样品的一或多个模式的方法。所述方法包含通过一或多个计算机系统执行的上文描述的统计预测、确定及选择步骤。可如本文中进一步描述那样进一步执行上文描述的方法的每一步骤。另外，上文描述的方法的实施例可包含本文中描述的任何其它方法的任何其它步骤。此外，上文描述的方法可由本文中描述的任何系统执行。
另一实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于选择用于检验样品的一或多个模式的计算机实施方法。所述计算机实施方法包含上文描述的方法的步骤。可如本文中描述那样进一步配置计算机可读媒体。可如本文中进一步描述那样执行计算机实施方法的步骤。另外，程序指令可执行的计算机实施方法可包含本文中描述的任何其它方法的任何其它步骤。
附图说明
在受益于优选实施例的以下详细描述的情况下且在参考所附图式之后，所属领域的技术人员将明白本发明的进一步优点，其中：
图1及1a是说明如本文中描述那样配置的系统的实施例的侧视图的示意图；
图2是说明存储用于引起计算机系统执行本文中描述的计算机实施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；及
图3到6是说明可经执行用于选择用于检验样品的一或多个模式的步骤的实施例的流程图。
虽然本发明易于以各种修改及替代形式呈现，但本发明的特定实施例通过图式中的实例展示且在本文中经详细描述。图式可不按比例绘制。然而，应理解，图式及其详细描述不希望将本发明限于所公开的特定形式，相反，本发明将涵盖落于如由所附权利要求书界定的本发明的精神及范围内的全部修改、等效物及替代物。
具体实施方式
如本文中使用的术语“扰乱点”(其有时可与“扰乱点缺陷”互换地使用)通常被定义为用户不关心的缺陷及/或在样品上被检测到但实际上并非样品上的实际缺陷的事件。并非实际缺陷的扰乱点可归因于样品上的非缺陷噪声源(例如，样品上的金属线中的增益、来自样品上的底层或材料的信号、线边缘粗糙度(LER)、图案化属性的相对小临界尺寸(CD)变化、厚度变化等)及/或归因于检验系统自身或用于检验的其配置中的边缘性而被检测为事件。
如本文中使用的术语“所关注缺陷(DOI)”被定义为在样品上被检测到且实际上是样品上的实际缺陷的缺陷。因此，DOI为用户所关注，这是因为用户通常关心在经检验的样品上的实际缺陷的数量及种类。在一些背景内容中，术语“DOI”用于指代样品上的全部实际缺陷的子集，其仅包含用户关注的实际缺陷。例如，在任何给定样品上可存在多个类型的DOI，且用户对其中的一或多者可比对一或多个其它类型更关注。然而，在本文中描述的实施例的背景内容中，术语“DOI”用于指代样品上的任何及全部真实缺陷。
现参考图式，应注意，图未按比例绘制。特定来说，在很大程度上放大图的一些元件的尺度以强调元件的特性。还应注意，所述图未按相同比例绘制。已使用相同元件符号指示可经类似配置的展示于一个以上图中的元件。除非本文中另有说明，否则所描述且展示的任何元件可包含任何合适市售元件。
一般来说，本文中描述的实施例经配置用于多模式检验的基于统计学习模式选择。例如，本文中描述的系统及方法使用本文中描述的基于统计学习的方法中的一者以选择用于多模式检验中的扰乱点减少(例如，以最小化在多模式检验中检测的扰乱点，此也通常称为扰乱点抑制)的最好模式组合。
在一些实施例中，样品是晶片。晶片可包含半导体技术中已知的任何晶片。虽然本文中关于晶片或若干晶片描述一些实施例，但实施例不限于可使用其样品。例如，本文中描述的实施例可用于例如光罩、平板、个人计算机(PC)板及其它半导体样品的样品。
一个实施例涉及一种经配置以选择用于检验样品的一或多个模式的系统。在图1中展示此系统的一个实施例。系统包含一或多个计算机系统102。在一些实施例中，系统包含耦合到一或多个计算机系统的检验系统。例如，在图1中，系统包含耦合到计算机系统102的检验系统100。在图1中展示的实施例中，检验系统经配置为基于光的检验系统。然而，在本文中描述的其它实施例中，检验系统经配置为电子束或带电粒子束检验系统。
一般来说，本文中描述的检验系统包含至少一能量源、检测器及扫描子系统。所述能量源经配置以产生通过检验系统经引导到样品的能量。所述检测器经配置以检测来自所述样品的能量且响应于所述经检测能量而产生输出。扫描子系统经配置以改变样品上能量经引导到其且从其检测能量的位置。
在基于光的检验系统中，经引导到样品的能量包含光，且从样品检测的能量包含光。例如，在图1中展示的系统的实施例中，检验系统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。例如，如图1中展示，照明子系统包含光源16。在一个实施例中，照明子系统经配置以按可包含一或多个倾斜角及/或一或多个法向角的一或多个入射角将光引导到样品。例如，如图1中展示，按倾斜入射角引导来自光源16的光穿过光学元件18且接着穿过透镜20到样品14。倾斜入射角可包含任何合适倾斜入射角，其可取决于(例如)样品及将在样品上检测的缺陷的特性而变化。
照明子系统可经配置以在不同时间按不同入射角将光引导到样品。例如，检验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按不同于图1中展示的入射角的入射角将光引导到样品。在一个此实例中，检验系统可经配置以移动光源16、光学元件18及透镜20使得按不同倾斜入射角或法向(或近法向)入射角将光引导到样品。
在一些例子中，检验系统可经配置以在相同时间按一个以上入射角将光引导到样品。例如，照明子系统可包含一个以上照明通道，照明通道中的一者可包含如图1中展示的光源16、光学元件18及透镜20，且照明通道中的另一者(未展示)可包含可不同或相同配置的类似元件或可包含至少光源及可能一或多个其它组件(例如本文中进一步描述的组件)。如果在与其它光相同的时间将此光引导到样品，那么按不同入射角引导到样品的光的一或多个特性(例如，波长、偏光等)可不同，使得可在检测器处将源自按不同入射角照明样品的光彼此区分。
在另一例子中，照明子系统可仅包含一个光源(例如，图1中展示的源16)且可由照明子系统的一或多个光学元件(未展示)将来自所述光源的光区分成不同光学路径(例如，基于波长、偏光等)。接着，可将不同光学路径中的每一者中的光引导到样品。多个照明通道可经配置以在相同时间或不同时间(例如，当使用不同照明通道以依序照明样品时)将光引导到样品。在另一例子中，相同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。例如，在一些例子中，光学元件18可经配置为光谱滤波器且可以各种不同方式(例如，通过将一个光谱滤波器调换成另一光谱滤波器)改变光谱滤波器的性质使得可在不同时间将不同波长的光引导到样品。照明子系统可具有所属领域中已知的用于依序或同时按不同或相同入射角将具有不同或相同特性的光引导到样品的任何其它合适配置。
光源16可包含宽带等离子体(BBP)光源。以此方式，由光源产生且引导到样品的光可包含宽带光。然而，光源可包含任何其它合适光源(例如激光)。激光可包含所属领域中已知的任何合适激光且可经配置以产生所属领域中已知的任何合适波长的光。另外，激光可经配置以产生单色或近单色光。以此方式，激光可为窄带激光。光源还可包含产生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。虽然透镜20在图1中展示为单折射光学元件，但实际上，透镜20可包含将来自光学元件的光组合地聚焦到样品的数个折射及/或反射光学元件。图1中展示且本文中描述的照明子系统可包含任何其它合适光学元件(未展示)。此类光学元件的实例包含(但不限于)偏光组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、光束分离器、孔径及类似者，其可包含所属领域中已知的任何此类合适光学元件。另外，系统可经配置以基于用于检验的照明的类型更改照明子系统的一或多个元件。
检验系统还包含经配置以改变样品上光经引导到其且从其检测光的位置且可能引起光经扫描遍及样品的扫描子系统。例如，检验系统可包含样品14在检验期间安置于其上的载物台22。扫描子系统可包含可经配置以移动样品使得光可经引导到样品上的不同位置且从样品上的不同位置经检测的任何合适机械及/或机器人组合件(其包含载物台22)。另外或替代地，检验系统可经配置使得检验系统的一或多个光学元件执行光遍及样品的某一扫描使得光可经引导到样品上的不同位置且从样品上的不同位置经检测。在其中使光扫描遍及样品的例子中，可以任何合适方式(例如以蛇形路径或以螺旋路径)使光扫描遍及样品。
检验系统进一步包含一或多个检测通道。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通过系统照明样品而来自样品的光且响应于经检测光产生输出。例如，图1中展示的检验系统包含两个检测通道，一个检测通道由集光器24、元件26及检测器28形成且另一检测通道由集光器30、元件32及检测器34形成。如图1中展示，两个检测通道经配置以按不同收集角收集且检测光。在一些例子中，两个检测通道经配置以检测散射光，且检测通道经配置以检测按不同角度从样品散射的光。然而，一或多个检测通道可经配置以从样品检测另一类型的光(例如，反射光)。
如图1中进一步展示，两个检测通道经展示定位于纸平面中且照明子系统也经展示定位于纸平面中。因此，在此实施例中，两个检测通道定位(例如，居中)于入射平面中。然而，一或多个检测通道可定位于入射平面外。例如，由集光器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从入射平面散射的光。因此，此检测通道可通常称为“侧”通道，且此侧通道可在大体上垂直于入射平面的平面中居中。
虽然图1展示包含两个检测通道的检验系统的实施例，但检验系统可包含不同数目个检测通道(例如，仅一个检测通道或两个或更多个检测通道)。在一个此例子中，由集光器30、元件32及检测器34形成的检测通道可如上文描述那样形成一个侧通道，且检验系统可包含形成为定位于入射平面的相对侧上的另一侧通道的额外检测通道(未展示)。因此，检验系统可包含检测通道，所述检测通道包含集光器24、元件26及检测器28且在入射平面中居中且经配置以按法向于或接近法向于样品表面的散射角收集且检测光。因此，此检测通道可通常称为“顶部”通道，且检验系统还可包含如上文描述那样配置的两个或更多个侧通道。因而，检验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集光器，每一集光器经配置以按与每一其它集光器不同的散射角收集光。
如上文进一步描述，包含于检验系统中的每一检测通道可经配置以检测散射光。因此，图1中展示的检验系统可经配置用于样品的暗场(DF)检验。然而，检验系统还可或替代地包含经配置用于样品的明场(BF)检验的检测通道。换句话说，检验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，本文中描述的检验系统可经配置用于仅DF检验、仅BF检验或DF检验及BF检验两者。虽然在图1中将每一集光器展示为单折射光学元件，但应理解，每一集光器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。
所述一或多个检测通道可包含所属领域中已知的任何合适检测器。例如，所述检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)，及延时积分(TDI)相机。所述检测器还可包含非成像检测器或成像检测器。如果检测器是非成像检测器，那么每一检测器可经配置以检测散射光的某些特性(例如强度)但不可经配置以检测依据成像平面内的位置而变化的此类特性。因而，由包含于检验系统的每一检测通道中的每一检测器产生的输出可为信号或数据，而非图像信号或图像数据。在此类例子中，计算机子系统(例如检验系统的计算机子系统36)可经配置以从检测器的非成像输出产生样品的图像。然而，在其它例子中，检测器可经配置为经配置以产生成像信号或图像数据的成像检测器。因此，检验系统可经配置以按数个方式产生图像。
应注意，在本文中提供图1以大体上说明可包含于本文中描述的系统实施例中的检验系统的配置。显然，可更改本文中描述的检验系统配置以如在设计商业检验系统时通常执行那样最好化检验系统的性能。另外，可使用例如商业上可购自加利福尼亚州米尔皮塔斯市科磊公司(KLA,Milpitas,Calif)的29xx/39xx系列的工具的现有检验系统(例如，通过将本文中描述的功能性添加到现有检验系统)实施本文中描述的系统。对于一些此类系统，本文中描述的方法可提供为检验系统的任选功能性(例如，除了检验系统的其它功能性之外)。替代地，可“从头开始”设计本文中描述的检验系统以提供全新检验系统。
计算机子系统36可以任何合适方式(例如，经由一或多个传输媒体，所述一或多个传输媒体可包含“有线”及/或“无线”传输媒体)耦合到检验系统的检测器使得计算机子系统可接收由检测器产生的输出。计算机子系统36可经配置以使用检测器的输出执行数个功能。例如，计算机子系统可经配置以使用检测器的输出检测样品上的事件。检测样品上的事件可通过将某一缺陷检测算法及/或方法应用到由检测器产生的输出而执行。缺陷检测算法及/或方法可包含所属领域中已知的任何合适算法及/或方法。例如，计算机子系统可比较检测器的输出与阈值。可将具有高于阈值的值的任何输出识别为事件(例如，潜在缺陷)，而可不将具有低于阈值的值的任何输出识别为事件。
可如本文中描述那样进一步配置检验系统的计算机子系统。例如，计算机子系统36可为本文中描述的一或多个计算机系统的部分或可经配置为本文中描述的一或多个计算机系统。特定来说，计算机子系统36可经配置以执行本文中描述的统计预测、确定及选择步骤。因而，本文中描述的步骤可通过计算机系统或是检验系统的部分的子系统“在工具上”执行。
检验系统的计算机子系统(以及本文中描述的其它计算机子系统)在本文中也可称为计算机系统。本文中描述的计算机子系统或系统中的每一者可采取各种形式，包含个人计算机系统、图像计算机、主机计算机系统、工作站、网络设备、因特网设备或其它装置。一般来说，术语“计算机系统”可经广泛定义以涵盖具有执行来自存储器媒体的指令的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所属领域中已知的任何合适处理器(例如平行处理器)。另外，所述计算机子系统或所述系统可包含具有高速处理及软件的计算机平台(作为独立工具或联网工具)。
如果系统包含一个以上计算机子系统，那么不同计算机子系统可彼此耦合使得可在计算机子系统之间发送图像、数据、信息、指令等。例如，计算机子系统36可通过可包含所属领域中已知的任何合适有线及/或无线传输媒体的任何合适传输媒体如由图1中的虚线展示那样耦合到计算机系统102。两个或更多个此类计算机子系统还可通过共享计算机可读存储媒体(未展示)有效地耦合。
虽然上文将检验系统描述为光学或光检验系统，但在另一实施例中，检验系统经配置为电子束检验系统。在电子束检验系统中，经引导到样品的能量包含电子，且从样品检测的能量包含电子。在图1a中展示的一个此实施例中，检验系统包含电子柱122，且系统包含耦合到检验系统的计算机子系统124。计算机子系统124可如上文描述那样经配置。另外，此检验系统可以上文描述且在图1中展示的相同方式耦合到另一或多个计算机系统。
也如图1a中展示，电子柱包含经配置以产生由一或多个元件130聚焦到样品128的电子的电子束源126。电子束源可包含(例如)阴极源或发射极尖端，且一或多个元件130可包含(例如)枪透镜、阳极、限束孔径、闸阀、束电流选择孔径、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类合适元件。
从样品返回的电子(例如，二次电子)可由一或多个元件132聚焦到检测器134。一或多个元件132可包含(例如)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。
电子柱可包含所属领域中已知的任何其它合适元件。另外，可如2014年4月4日颁予蒋(Jiang)等人的第8,664,594号美国专利、2014年4月8日颁予小岛(Kojima)等人的第8,692,204号美国专利、2014年4月15日颁予顾本思(Gubbens)等人的第8,698,093号美国专利及2014年5月6日颁予麦克唐纳(MacDonald)等人的第8,716,662号美国专利中所描述那样进一步配置电子柱，所述专利以宛如全文陈述引用的方式并入本文中。
虽然在图1a中将电子柱展示为经配置使得电子按倾斜入射角引导到样品且按另一倾斜角从样品散射，但电子束可按任何合适角度引导到样品且从样品散射。另外，电子束检验系统可经配置以使用多个模式(例如，使用不同照明角、收集角等)来产生关于样品的输出，如本文中进一步描述。电子束检验系统的多个模式在检验系统的任何输出产生参数方面可为不同的。
计算机子系统124可耦合到检测器134，如上文描述。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(或关于样品的其它输出)。所述电子束图像可包含任何合适电子束图像。计算机子系统124可经配置以使用通过检测器134产生的输出检测样品上的事件，此可如上文描述那样或以任何其它合适方式执行。计算机子系统124可经配置以执行本文中描述的任何额外步骤。可如本文中描述那样进一步配置包含图1a中展示的检验系统的系统。
应注意，在本文中提供图1a以大体上说明可包含于本文中描述的实施例中的电子束检验系统的配置。如同上文描述的光学检验系统，可更改本文中描述的电子束检验系统配置以如在设计商业检验系统时通常执行那样最好化检验系统的性能。另外，可使用例如商业上可购自KLA的工具的现有检验系统(例如，通过将本文中描述的功能性添加到现有检验系统)实施本文中描述的系统。对于一些此类系统，本文中描述的方法可提供为系统的任选功能性(例如，除了系统的其它功能性之外)。替代地，可“从头开始”设计本文中描述的系统以提供全新系统。
虽然上文将检验系统描述为光或电子束检验系统，但检验系统可为离子束检验系统。可如图1a中展示那样配置此检验系统，区别仅在于可使用所属领域中已知的任何合适离子束源替换电子束源。另外，检验系统可包含任何其它合适离子束成像系统，例如包含于市售聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及二次离子质谱仪(SIMS)系统中的离子束成像系统。
如上文进一步提及，检验系统经配置以具有多个模式。一般来说，“模式”可由用于产生关于样品的输出的检验系统的参数的值定义。因此，(除样品上产生输出的位置之外)不同模式可在检验系统的光学或电子束参数中的至少一者的值方面不同。例如，针对基于光的检验系统，不同模式可使用光的不同波长。模式可在经引导到样品的光的波长方面不同，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、不同光谱滤波器等)。在另一实施例中，不同模式可使用不同照明通道。例如，如上文提及，检验系统可包含一个以上照明通道。因而，不同照明通道可用于不同模式。
多个模式还可在照明及/或集光/检测方面不同。例如，如上文进一步描述，检验系统可包含多个检测器。因此，一个检测器可用于一个模式且另一检测器可用于另一模式。另外，模式可以本文中描述的一种以上方式彼此不同(例如，不同模式可具有一或多个不同照明参数及一或多个不同检测参数)。例如，取决于使用多个模式同时扫描样品的能力，检验系统可经配置以在相同扫描或不同扫描中使用不同模式扫描样品。
如果在不同扫描中使用不同模式来产生关于样品的输出，那么在不同扫描中产生的输出可以某一方式对准。例如，如果在不同扫描中产生图像，那么可将图像彼此对准使得在样品上的相同位置处产生的图像可被共同用于检验。在其它例子中，在不同扫描中针对相同位置产生的输出可彼此对准，使得使用在不同扫描中产生的输出执行的任何缺陷检测的结果可彼此对准。例如，如果在不同扫描中使用不同模式产生输出，那么输出可彼此对准，使得使用不同模式检测的缺陷检测的结果(例如，缺陷候选者)彼此对准。以此方式，对准结果可易于用于确定哪些结果跨不同模式具有样品上的彼此空间重合。
上文描述的对准可以数个不同方式执行。在一些例子中，对准可使用某一图案匹配或另一合适技术以图像间对准执行。对准还可以对准设计方式执行，其一些实例在2010年3月9日颁予库尔卡尼(Kulkarni)的第7,676,077号美国专利中描述，所述专利以宛如全文陈述引用的方式并入本文中。还可使用深度学习技术执行对准，例如在2018年11月15日由哈(Ha)等人发表的第2018/0330511号美国专利申请公开案中描述的深度学习技术，所述公开案以宛如全文陈述引用的方式并入本文中。可如这些参考案中描述那样进一步配置本文中描述的实施例。
系统包含一或多个计算机系统，所述一或多个计算机系统可包含上文描述的任何计算机子系统或系统的任何配置。一或多个计算机系统经配置用于统计预测集合中的数据点是否对应于样品上的缺陷或扰乱点，如图3的步骤300中展示。数据点包含针对样品上的离散位置从通过检验系统的两个或更多个模式产生的输出确定的一或多个属性。已在离散位置处使用两个或更多个模式中的至少一者检测事件。换句话说，离散位置不包含样品上使用两个或更多个模式中的至少一者未检测事件的位置。仍换句话说，离散位置仅包含样品上已使用两个或更多个模式中的至少一者检测事件的位置。例如，虽然检验系统可在包含至少部分重叠照明点的跨样品的扫描带或路径中扫描样品，借此在样品上经扫描的每一位置处产生输出，但将不会在每一位置处检测事件。因此，针对检测事件的任何离散位置，可针对所述位置从在所述位置处产生的输出确定一或多个属性(例如，针对离散位置x的属性a及/或b、针对离散位置y的属性a及/或b等)。因而，将针对少于全部经扫描位置且在不使用在扫描期间通过检验系统产生的全部输出的情况下确定属性。另外，虽然在离散位置处确定属性，但检验系统不如移动捕获测量仪器那样仅在离散位置处产生输出。可如本文中进一步描述那样执行统计确定步骤。
计算机系统还经配置用于确定两个或更多个模式的两个或更多个不同组合中的每一者的定量测量，借此确定不同定量测量，如图3的步骤302中展示。两个或更多个不同组合中的每一者的定量测量是响应于两个或更多个不同组合中的一者检测缺陷且最小化扰乱点的检测的良好程度。可以各种不同方式识别及/或选择两个或更多个模式的两个或更多个不同组合。例如，两个或更多个不同模式组合可包含检验系统上的全部可用模式组合。然而，归因于此类评估中涉及的时间及成本，甚至针对本文中描述的实施例，评估此数个模式组合可为非所要的。因此，两个或更多个不同组合可包含检验系统上的少于全部可用模式组合。模式组合的此子集可由用户或以某一其它方式(例如，基于至少标称上成功检验样品(其类似于针对其选择模式的样品)的模式组合)选择。因此，在本文中描述的实施例中评估的模式组合可由用户手动或由本文中描述的实施例自动选择。可如本文中进一步描述那样执行上文描述的确定步骤。
计算机系统进一步经配置用于基于经确定定量测量选择用于检验与所述样品的类型相同的样品的检验系统的两个或更多个模式中的一或多者，如图3的步骤304中展示。样品及相同类型的样品可包含已使用相同制造步骤处理的不同样品。例如，用于选择用于检验的一或多个模式的样品可为与为其选择模式的晶片同一层的晶片。所选择的一或多个模式可包含至少两个模式，例如，两个模式、三个模式等。然而，虽然本文中描述的实施例尤其适用于选择用于检验过程中的模式的组合，但本文中描述的实施例还可用于单个模式检验设置。可如本文中进一步描述那样执行选择步骤。
本文中进一步描述用于执行用于多模式检验的模式选择的上述步骤的两个方式。第一方式是非监督式，且第二方式是监督式。由发明者执行的试验已展示其在结果方面大多一致。
上文描述的步骤可使用用于寻找最好模式组合的基于异常检测的方法执行。例如，存在与每一缺陷候选者(包含经确定为DOI或扰乱点的缺陷候选者)相关联的多个属性。每一属性“测量”缺陷候选者的不同方面(例如，信噪比)。因此，多模式选择问题实质上变为组合搜素问题，其中目标是通过模式及属性空间搜素其中DOI与扰乱点之间的分离最大的组合。换句话说，由于检验过程基于针对缺陷候选者确定的任何属性(或属性的某一子集)将缺陷候选者分离成DOI及扰乱点，因此识别产生针对DOI及扰乱点充分不同(或在属性空间中分离)且因此可用于分离DOI及扰乱点(无论其是通过缺陷检测算法、扰乱点过滤器或缺陷分类器完成)的属性的模式对于产生成功检验过程至关重要。
由于以此方式产生的数据集偏向于扰乱点严重不平衡(例如，仅归因于将在将使用本文中描述的实施例的任何给定样品上检测的扰乱点的数目，所述数目相较于将存在于此样品上的DOI的数目显著更大)，此方法是基于离群点检测(非监督式方法)。因此，在一个此实施例中，统计预测、确定定量测量及选择一或多个模式的步骤是非监督式的。相较于监督式方法，非监督式方法的益处是存在典型扰乱点的外观的许多可用实例，而DOI的数目大体上较少(例如，每一样品约5到10个)。
在一个实施例中，如图4的步骤300中展示，统计预测包含：将密度函数拟合到整个数据点，如图4的步骤400中展示；确定两个或更多个数据点中的每一者的密度值，借此确定数据点的密度值，如图4的步骤402中展示，密度值估计数据点对应于扰乱点的概率；及确定测量在基于阈值将数据点分为二的情况下熵的改变的信息增益分数，如图4的步骤404中展示。例如，可假定，针对样品(例如晶片)产生的检验系统输出的大多数像素是扰乱点，且DOI是扰乱点分布中的离群点。因此，针对每一模式组合ijk及对应模式的属性m、n、q(例如，针对模式i的属性m、针对模式j的属性n、针对模式k的属性q等)，假定每一数据点(无论随后经确定为DOI或扰乱点)为扰乱点，计算机系统可将密度函数(例如，高斯(Gaussian))拟合到整个数据集。以此方式，可基于等于组合中的模式的数目的属性(例如，针对模式三重态，3个属性)确定每一模式组合(例如，模式三重态)的密度函数。
属性可包含可由计算机系统或检验系统基于由检验系统产生的输出确定的任何合适缺陷属性，且计算机系统或检验系统可以所属领域中已知的任何合适方式确定缺陷属性。因此，针对任一样品上的任一缺陷确定的属性可取决于检验系统的配置以及用户所关注的属性(例如，并非可使用输出确定的全部属性可用于检验过程及/或对用户有用)变化。可针对每一数据点(每一经检测事件、缺陷候选者等)及每一给定模式确定属性。
接着，针对每一数据点计算密度值，且此密度估计数据点为扰乱点的概率。例如，想象给定模式及属性组合的缺陷候选者的大体上大数据集。针对全部这些缺陷候选者，可在属性空间中产生直方图。如果直方图经正规化使得全部条形相加达1，那么每一条形表示密度(也称为概率或概率密度)，这是因为其告诉你你观察到此特定属性值组合的可能性。
在此之后，计算机系统计算信息增益(IG)分数，所述IG分数测量在基于阈值T将缺陷候选者集合分为二的情况下熵的改变。IG分数是针对每一模式/属性组合单独确定。例如，当设置分离DOI及扰乱点的阈值时，集合中的熵将可能减小(这是因为较不可能将DOI及扰乱点混淆)。接着比较此熵与原始分布的熵。如果熵的差异相对大，那么已使用阈值相对良好地分离DOI及扰乱点。这是所谓的信息增益。此增益越高，分离越好。
针对本文中描述的实施例使用IG分数尤其有利，这是因为为其选择模式组合的检验的目标是将数据成功地分离成(至少)两个不同类别，即，DOI及扰乱点。因此，如本文中描述那样确定的IG分数用作不同组合将执行的良好程度的相对良好估计。具有较高IG分数的模式组合展示相对良好地在数据集中分离DOI及扰乱点的能力，而具有较低IG分数的模式组合将最有可能无法在其产生的数据集中充分地分离DOI与扰乱点。
在非监督式方法的一个此实施例中，针对第i、第j、第k模式组合，产生数据集
Figure BDA0003586034890000131
其中
Figure BDA0003586034890000132
是表示第i模式的第m属性的行矢量。每一列矢量含有缺陷候选者信息及因此DOI及扰乱点信息两者。针对每一
Figure BDA0003586034890000133
寻找估计每一缺陷候选者(DOI及扰乱点两者)的概率密度的函数F(使用密度估计算法)：
Figure BDA0003586034890000134
使用
Figure BDA0003586034890000135
当基于阈值Tmnq将DOI及扰乱点划分为两个类别时，计算信息增益。
Figure BDA0003586034890000136
其中H是熵(∑i-pilog2pi)。接着寻找最大化IG的T。
在另一此实施例中，如图4的步骤302中展示，确定定量测量包含：通过比较针对两个或更多个不同组合中的每一者确定的信息增益分数而将排名指派到两个或更多个不同组合中的每一者，如图4的步骤406中展示，且排名经指派使得较高排名对应于较高信息增益分数。例如，如果将缺陷候选者集合完美地分成DOI及扰乱点(完全分离)，那么IG最大。另外，如上文进一步描述，较高IG分数将指示用于分离DOI与扰乱点的优选能力，而较低IG分数将指示用于分离DOI与扰乱点的较小能力。接着根据IG分数对模式及属性组合进行排名。因此，所得排名提供不同模式相对于所评估的其它模式执行的良好程度的测量。在此步骤中，在模式组合ijk中，计算机系统可将属性组合从最高信息增益排序到最低。此经排序列表可称为
Figure BDA0003586034890000141
在一些此类实施例中，如图4中的步骤302中展示，确定定量测量还包含确定经指派最高排名的两个或更多个不同组合中的预定数目者的一或多个性能特性，如图4中的步骤408中展示，且选择所基于的经确定定量测量包含一或多个经确定性能特性。例如，可针对前x(例如，10)个模式组合候选者运算一或多个性能特性。以此方式，在对模式组合进行排名之后，可从进一步评估消除一些模式组合。虽然从进一步评估消除一些模式组合对于使额外步骤更快且更便宜是有利的，但此并非必要的且可视需要进一步考虑全部模式组合。确定一或多个性能特性且基于此类性能特性选择一或多个模式可如本文中进一步描述那样以其它方式执行。
在额外此实施例中，如图4的步骤408中展示，确定一或多个性能特性包含：针对两个或更多个不同组合中的预定数目者中的每一者产生接收器操作特性曲线，如图4的步骤410中展示；及从针对两个或更多个不同组合中的预定数目者中的每一者的接收器操作特性曲线确定扰乱点减少百分比的范围内的平均所关注缺陷保留，如图4的步骤412中展示，且图4的步骤304中展示的选择所基于的一或多个经确定性能特性包含经确定平均所关注缺陷保留。例如，可针对前x(例如，10)个候选者运算接收器操作特性曲线(ROC曲线)。可以所属领域中已知的任何合适方式产生ROC曲线。选择步骤可接着包含选择具有最高平均DOI保留(例如，平均5％到35％的扰乱点减少)的模式组合候选者作为用于多模式检验的模式组合。例如，计算机系统可选取在ROC曲线下具有最大面积(即，在5％到35％之间的扰乱点减少)的模式及属性组合Mi、Mj、Mk。换句话说，计算机系统可计算在0.05与0.35之间的误报(或扰乱点)的面积，其中误报率1意谓全部扰乱点实例在样本内。接着比较此曲线下面积与全部其它模式属性组合以借此确定用于检验的最好模式组合。
现将描述用于寻找最好模式组合的基于随机森林决策树的方法。例如，在另一实施例中，如图5中的步骤300中展示，统计预测包含将数据点输入到随机森林决策树中，如图5中的步骤500中展示，所述随机森林决策树经配置用于将数据点分离成两个或更多个区域且基于被分离成两个或更多个区域的训练样本的最常出现类别而将类别指派到数据点。在一个此实施例中，统计预测、确定定量测量及选择一或多个模式是监督式的。在另一此实施例中，两个或更多个区域是由针对离散位置确定的一或多个属性的值的不同非重叠范围界定的非重叠区域。
在上述实施例中，可在两个步骤中建立决策树。第一，将由针对给定缺陷候选者计算的全部属性界定的预测器空间划分为相异非重叠区域Rm，其中m在从1到n的范围中。第二，针对落到区域Rm中的每一缺陷候选者，我们预测每一缺陷候选者属于其所属的区域中的训练观察的最常出现类别。决策树可由本文中描述的实施例或由另一系统或方法建立。
在额外此实施例中，一或多个计算机系统经配置用于：使用自举(bootstrapped)训练样本产生初始随机森林决策树，如图5的步骤502中展示；通过每次考虑分离时选取针对自举训练样本确定的属性的随机子集而使初始随机森林决策树解相关，如图5的步骤504中展示；及选择随机子集中的属性的最好分离类别的属性以供使用，借此确定随机森林决策树，如图5的步骤506中展示。例如，为了减小统计变异数(对测试数据的预测误差)，可使用自举训练样本(也称为引导总计法(bagging))产生许多树。为了使树解相关，执行以下步骤：每次考虑分离时，选取属性的随机子集(通常为属性的总数的平方根)且接着使用最好分离类别的属性(随机森林的概念)。可接着将在特定训练数据集上导出的此随机森林模型应用到测试数据集，例如，如图5的步骤500中展示，且可计算每一缺陷候选者为DOI的概率。
在进一步此实施例中，随机森林决策树经配置以使用基于集成学习的技术。如果测试数据集的大小大体上较小，那么可使用基于集成学习的技术。使用此基于集成学习的技术的一个可能方式是产生两个或更多个(例如，n＝5)个等效数据集。可将数据集中的每一者随机地分成训练(例如，事件的70％)及测试集合(剩余事件)。针对每一含有特定数目个属性的模式组合中的每一者，可将所得(例如，n＝50)DOI捕获对扰乱点捕获分布相加并正规化。
在另一此实施例中，如图5的步骤302中展示，确定定量测量包含：针对两个或更多个不同组合中的每一者产生ROC曲线，如图5的步骤508中展示；及从针对两个或更多个不同组合中的每一者的ROC曲线确定扰乱点减少百分比的范围内的平均DOI保留，如图5的步骤510中展示，且图5中的步骤304中展示的选择所基于的经确定定量测量包含经确定平均DOI保留。以此方式，ROC类型曲线下面积可用于确定最好模式组合，此可如本文中进一步描述那样执行。
在额外此实施例中，随机森林决策树经配置用于在自举期间仅使用数据点的第一部分，且如图6的步骤300中展示，统计预测还包含：将数据点的第二部分输入到随机森林决策树中，如图6的步骤600中展示；针对由随机森林决策树针对数据点的第二部分产生的结果确定袋外误差，如图6的步骤602中展示；及使用袋外误差确定数据点中的每一者为DOI的概率值，如图6的步骤604中展示。例如，随着在模式选择器作业阶段中使用的属性数目及缺陷候选者计数变得更大且调查更多模式，所提出集成学习涉及的时间增加且可考虑用于平均化随机森林模型的更有效方式。应注意，在自举期间，随机森林仅使用样本的1-1/e＝63％。剩余37％被称为袋外(OOB)样本且可用于计算OOB误差，这是对于测试误差的相对良好近似值。又，在此情况中，我们获得每一事件为DOI的概率值且因此，我们可使用ROC类型曲线下面积以确定最好模式组合。
在进一步此实施例中，如图6的步骤302中展示，确定定量测量包含：针对两个或更多个不同组合中的每一者产生ROC曲线，如图6的步骤606中展示；及从针对两个或更多个不同组合中的每一者的ROC曲线确定扰乱点减少百分比的范围内的DOI的平均保留，如图6的步骤608中展示，且图6的步骤304中展示的选择所基于的经确定定量测量包含经确定平均DOI保留。以此方式，ROC类型曲线下面积可用于确定最好模式组合，此可如本文中进一步描述那样执行。
在一些实施例中，计算机系统经配置用于存储一或多个选定模式的信息以用于通过检验系统对样品执行的检验过程中。计算机系统可经配置以将信息存储于配方中或通过产生其中将使用选定模式的检验过程的配方。如本文中使用的术语“配方”可通常被定义为可由工具使用以对样品执行过程的一组指令。以此方式，产生配方可包含产生关于待如何执行过程的信息，所述信息可接着用于产生用于执行所述过程的指令。由计算机系统存储的一或多个选定模式的信息可包含可用于识别及/或使用选定模式的任何信息(例如，例如文件名称及存储其位置，且文件可包含关于模式的信息，例如模式名称、模式参数值等)。
如上文提及，使用一个以上模式用于检验的动力通常是检验相对难以开始，例如，DOI相对难以与噪声分开及/或扰乱点相对难以抑制。针对此类检验，理想地，两个或更多个模式将以某一方式互补，例如，使得由一个模式产生的结果将增强由另一模式产生的结果。在一个此实例中，即使由一个模式产生的结果自身并不特别“良好”，但在正确情况中，所述结果可用于分离在由另一模式产生的其它结果中的DOI与扰乱点，借此增强由另一模式产生的结果。
通过本文中描述的实施例选择的模式可以此方式互补。例如，可选择用于检测样品上的事件(即，缺陷候选者)的主要模式。然而，所述主要模式可导致包含扰乱点的显著数量、比例、百分比等的缺陷候选者群体。检验系统可能无法通过处理分离所述扰乱点与缺陷，例如，来自使用主要模式获得的缺陷及扰乱点的信号、所述缺陷及扰乱点的图像及/或针对所述缺陷及扰乱点确定的属性可能无法仅以任何方式分离。可接着使用辅助模式以从缺陷滤出扰乱点。例如，即使辅助模式比主要模式更不灵敏(例如，辅助模式将自身不检测相较于主要模式相同多的缺陷)，但通过辅助模式在通过主要模式检测的缺陷及扰乱点的位置处产生的输出可具有充分不同以用于缺陷/扰乱点分离目的的特性。以此方式，可以不同于两个模式检测的方式使用模式。换句话说，主要模式可用于检测，且辅助模式可用于将由主要模式检测的事件分离成缺陷(或DOI)及扰乱点。
在一些此类例子中，当仅使用辅助模式用于分离目的时，检验系统可仅在逐位置基础上将其视场定位于已在主要模式中检测的缺陷候选者的经报告位置处以使用辅助模式收集其新输出(例如，图像信息等)。以此方式，检验系统可经配置以仅在样品上使用主要模式在样品上检测事件的离散位置处执行输出产生，而非执行使用主要模式扫描的样品的整个区域的重新扫描。因而，检验系统可使用辅助模式以移动捕获测量方式执行输出产生。接着，在此类检验过程中，可依序使用主要模式及辅助模式，首先用于样品上的整个经检验区域的扫描且接着用于经检测事件的位置处的标定输出产生。另外，检验过程可不一定包含使用辅助模式在使用主要模式检测的每一事件的位置处产生输出。例如，使用辅助模式在使用主要模式检测的一些事件的位置处产生的结果可用于滤出使用主要模式检测的其它事件。在另一实例中，可执行使用主要模式检测的事件的初步过滤以分离显然是缺陷或显然是扰乱点的任何事件，且接着可使用辅助模式以在无法明显地分离的剩余事件处产生输出。
然而，本文中描述的实施例明显不限于可针对其执行模式选择的检验过程。换句话说，本文中描述的实施例可用于任何检验过程(包含单个模式检验过程)的模式选择。另外，可使用本文中描述的实施例为其选择模式的检验过程可包含其中多个模式执行检测且共同结果用于执行分离(“多模式检测”)的检验过程、其中多个模式用于同时或单独扫描样品的整个区域的检验过程、使用两个以上模式的检验过程等。
计算机系统可经配置用于将选定模式的信息存储于任何合适计算机可读存储媒体中。信息可与本文中描述的任何结果一起存储且可以所属领域中已知的任何方式存储。存储媒体可包含本文中描述的任何存储媒体或所属领域中已知的任何其它合适存储媒体。在已存储信息之后，信息可在存储媒体中存取且由本文中描述的任何方法或系统实施例使用，经格式化以显示给用户，由另一软件模块、方法或系统使用等。例如，本文中描述的实施例可产生如上文描述的检验配方。所述检验配方可接着由系统或方法(或另一系统或方法)存储并使用以检验样品或其它样品以借此产生样品或其它样品的信息(例如，缺陷信息)。
一或多个计算机系统及/或检验系统可经配置以使用选择步骤的结果以对样品执行检验过程。此检验过程可产生在样品上检测的任何缺陷的结果，例如经检测缺陷的定界框的信息(例如，位置等)、检测分数、关于缺陷分类的信息(例如类别标记或ID等)或所属领域中已知的任何此合适信息。缺陷的结果可通过计算机系统及/或检验系统以任何合适方式产生。缺陷的结果可具有任何合适形式或格式，例如标准文件类型。计算机系统及/或检验系统可产生结果且存储结果使得结果可由计算机系统及/或另一系统或方法使用以执行样品或相同类型的另一样品的一或多个功能。此类功能包含(但不限于)：以反馈方式更改对样品执行的工艺，例如制造工艺或步骤；以前馈方式更改将对样品执行的工艺，例如制造工艺或步骤等。
本文中描述的实施例具有优于用于选择用于检验的模式的其它方法及系统的数个优点。例如，本文中描述的技术可用于选择用于多模式检验的最好辅助模式。另外，仅需要少量DOI以识别用于多模式检验的最好模式。此外，本文中描述的实施例允许可增加检验对某些DOI的灵敏度的检验配置(例如，模式选择)的发现。因此，此类检验的结果可实现作出关于工艺控制的更好决策(例如，改变用于制造样品的工艺的一或多个参数以减少且甚至最小化相同类型的其它样品上的DOI)。
本文中描述的实施例的优点由实施例与用于选择用于检验的模式的其它方法及系统之间的数个重要差异提供。例如，本文中描述的实施例可使用异常检测以寻找用于多模式检验的最好模式。另外，本文中描述的实施例可使用多模式、多属性空间中的扰乱点分布以产生异常检测器。此外，本文中描述的实施例可使用随机森林技术以寻找用于多模式检验的最好模式。此外，本文中描述的实施例可使用OOB误差以寻找用于多模式检验的最好模式。
本文中描述的实施例还可在其主用户界面(UI)中集成到当前使用的光学器件选择器产品中，其中可将曲线下面积(AUC)呈现给用户以找出执行最好的模式组合。换句话说，例如，可经由任何合适显示装置及UI将ROC曲线及从其确定的任何性能特性(例如，在扰乱点减少百分比的范围内的平均DOI保留)呈现给用户，其具有从用户接收对于待选择用于检验的模式组合的偏好的功能性。当可存在一个以上合适模式组合时，当似乎不存在任何合适模式组合时及/或当性能特性指示可存在对于用户输入的某一需要时，允许用户提供关于选择哪一模式组合的输入可为有利的。此显示及UI功能性还可用于将选定模式组合及本文中描述的任何其它步骤的任何其它结果呈现给用户以供同意或拒绝。
本文中描述的实施例还可如在2018年10月30日由布劳尔(Brauer)颁布的共同拥有的第10,115,040号美国专利及2019年5月8日由布劳尔等人申请的第16/406,374号美国专利申请案中描述那样经配置，所述专利申请案以宛如全文陈述引用的方式并入本文中。
可将上文描述的系统的每一实施例一起组合为一个单个实施例。换句话说，除非本文中另外提及，否则无系统实施例与任何其它系统实施例相互排斥。
另一实施例涉及一种用于选择用于检验样品的一或多个模式的方法。方法包含上文描述的统计预测、确定定量测量及选择两个或更多个模式中的一或多者的步骤。步骤由一或多个计算机系统执行，所述一或多个计算机系统可根据本文中描述的任何实施例配置。
可如本文中进一步描述那样执行方法的每一步骤。方法还可包含可由本文中描述的检验系统及/或计算机系统执行的任何其它步骤。另外，上文描述的方法可由本文中描述的任何系统实施例执行。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于选择用于检验样品的一或多个模式的计算机实施方法。在图2中展示一个此实施例。特定来说，如图2中展示，非暂时性计算机可读媒体200包含可在计算机系统204上执行的程序指令202。计算机实施方法可包含本文中描述的任何方法的任何步骤。
实施例如本文中描述的方法的方法的程序指令202可存储于计算机可读媒体200上。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带或所属领域中已知的任何其它合适非暂时性计算机可读媒体。
可以各种方式(包含基于程序的技术、基于组件的技术及/或面向对象技术等等)中的任何者实施程序指令。例如，可根据需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(流式传输SIMD扩展)或其它技术或方法论实施程序指令。
可根据本文中描述的任何实施例配置计算机系统204。
鉴于此描述，所属领域的技术人员将明白本发明的各种方面的进一步修改及替代实施例。例如，提供用于选择用于检验样品的一或多个模式的方法及系统。因此，此描述应仅解释为阐释性且是出于教示所属领域的技术人员实行本发明的一般方式的目的。应理解，本文中展示及描述的本发明的形式将视为当前优选实施例。如所属领域的技术人员在获益于本发明的此描述之后将明白，元件及材料可取代本文中说明及描述的元件及材料，部分及过程可颠倒，且可独立利用本发明的特定属性。在不脱离如在以下权利要求书中描述的本发明的精神及范围的情况下可对本文中描述的元件做出改变。

Claims (20)

1.一种经配置用于选择用于检验样品的一或多个模式的系统，其包括：
一或多个计算机系统，其经配置用于：
统计预测集合中的数据点是否对应于样品上的缺陷或扰乱点，其中所述数据点包括针对所述样品上的离散位置从通过检验系统的两个或更多个模式产生的输出确定的一或多个属性，且其中已在所述离散位置处使用所述两个或更多个模式中的至少一者检测事件；
确定所述两个或更多个模式的两个或更多个不同组合中的每一者的定量测量，借此确定不同定量测量，其中所述两个或更多个不同组合中的每一者的所述定量测量是响应于所述两个或更多个不同组合中的一者检测所述缺陷且最小化所述扰乱点的检测的良好程度；及
基于经确定定量测量选择用于检验与所述样品的类型相同的样品的所述检验系统的所述两个或更多个模式中的一或多者。
2.根据权利要求1所述的系统，其中所述统计预测包括将密度函数拟合到整个所述数据点，确定两个或更多个所述数据点中的每一者的密度值，借此确定所述数据点的密度值，其中所述密度值估计所述数据点对应于所述扰乱点的概率，及确定测量在基于阈值将所述数据点分为二的情况下熵的改变的信息增益分数。
3.根据权利要求2所述的系统，其中所述统计预测、确定所述定量测量及选择所述一或多个模式是非监督式的。
4.根据权利要求2所述的系统，其中确定所述定量测量包括通过比较针对所述两个或更多个不同组合中的每一者确定的所述信息增益分数而将排名指派到所述两个或更多个不同组合中的每一者，且其中所述排名经指派使得较高排名对应于较高信息增益分数。
5.根据权利要求4所述的系统，其中确定所述定量测量进一步包括确定经指派最高排名的所述两个或更多个不同组合中的预定数目者的一或多个性能特性，且其中所述选择所基于的所述经确定定量测量包括经确定一或多个性能特性。
6.根据权利要求5所述的系统，其中确定所述一或多个性能特性包括针对所述两个或更多个不同组合中的所述预定数目者中的每一者产生接收器操作特性曲线，及从针对所述两个或更多个不同组合中的所述预定数目者中的每一者的所述接收器操作特性曲线确定扰乱点减少百分比的范围内的平均所关注缺陷保留，且其中所述选择所基于的所述经确定一或多个性能特性包括经确定平均所关注缺陷保留。
7.根据权利要求1所述的系统，其中所述统计预测包括将所述数据点输入到随机森林决策树中，所述随机森林决策树经配置用于将所述数据点分离成两个或更多个区域且基于被分离成所述两个或更多个区域的训练样本的最常出现类别而将类别指派到所述数据点。
8.根据权利要求7所述的系统，其中所述统计预测、确定所述定量测量及选择所述一或多个模式是监督式的。
9.根据权利要求7所述的系统，其中所述两个或更多个区域是由针对所述离散位置确定的所述一或多个属性的值的不同非重叠范围界定的非重叠区域。
10.根据权利要求7所述的系统，其中所述一或多个计算机系统进一步经配置用于使用自举训练样本产生初始随机森林决策树，通过每次考虑分离时选取针对所述自举训练样本确定的属性的随机子集而使所述初始随机森林决策树解相关，及选择所述随机子集中的所述属性的最好分离所述类别的属性以供使用，借此确定所述随机森林决策树。
11.根据权利要求7所述的系统，其中所述随机森林决策树进一步经配置以使用基于集成学习的技术。
12.根据权利要求7所述的系统，其中确定所述定量测量包括针对所述两个或更多个不同组合中的每一者产生接收器操作特性曲线，及从针对所述两个或更多个不同组合中的每一者的所述接收器操作特性曲线确定扰乱点减少百分比的范围内的平均所关注缺陷保留，且其中所述选择所基于的所述经确定定量测量包括所述经确定平均所关注缺陷保留。
13.根据权利要求7所述的系统，其中所述随机森林决策树进一步经配置用于在自举期间仅使用所述数据点的第一部分，且其中所述统计预测进一步包括：将所述数据点的第二部分输入到所述随机森林决策树中；针对由所述随机森林决策树针对所述数据点的所述第二部分产生的结果确定袋外误差；及使用所述袋外误差确定所述数据点中的每一者为所关注缺陷的概率值。
14.根据权利要求13所述的系统，其中确定所述定量测量包括针对所述两个或更多个不同组合中的每一者产生接收器操作特性曲线，及从针对所述两个或更多个不同组合中的每一者的所述接收器操作特性曲线确定扰乱点减少百分比的范围内的所述所关注缺陷的平均保留，且其中所述选择所基于的所述经确定定量测量包括所述经确定平均所关注缺陷保留。
15.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进一步经配置用于存储经选定一或多个模式的信息以用于通过所述检验系统对所述样品执行的检验过程中。
16.根据权利要求1所述的系统，其进一步包括耦合到所述一或多个计算机系统的所述检验系统。
17.根据权利要求1所述的系统，其中所述检验系统经配置为基于光的检验系统。
18.根据权利要求1所述的系统，其中所述检验系统经配置为基于电子束的检验系统。
19.一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于选择用于检验样品的一或多个模式的计算机实施方法，其中所述计算机实施方法包括：
统计预测集合中的数据点是否对应于样品上的缺陷或扰乱点，其中所述数据点包括针对所述样品上的离散位置从通过检验系统的两个或更多个模式产生的输出确定的一或多个属性，且其中已在所述离散位置处使用所述两个或更多个模式中的至少一者检测事件；
确定所述两个或更多个模式的两个或更多个不同组合中的每一者的定量测量，借此确定不同定量测量，其中所述两个或更多个不同组合中的每一者的所述定量测量是响应于所述两个或更多个不同组合中的一者检测所述缺陷且最小化所述扰乱点的检测的良好程度；及
基于经确定定量测量选择用于检验与所述样品的类型相同的样品的所述检验系统的所述两个或更多个模式中的一或多者，其中所述统计预测、确定及选择是通过所述计算机系统执行。
20.一种用于选择用于检验样品的一或多个模式的方法，其包括：
统计预测集合中的数据点是否对应于样品上的缺陷或扰乱点，其中所述数据点包括针对所述样品上的离散位置从通过检验系统的两个或更多个模式产生的输出确定的一或多个属性，且其中已在所述离散位置处使用所述两个或更多个模式中的至少一者检测事件；
确定所述两个或更多个模式的两个或更多个不同组合中的每一者的定量测量，借此确定不同定量测量，其中所述两个或更多个不同组合中的每一者的所述定量测量是响应于所述两个或更多个不同组合中的一者检测所述缺陷且最小化所述扰乱点的检测的良好程度；及
基于经确定定量测量选择用于检验与所述样品的类型相同的样品的所述检验系统的所述两个或更多个模式中的一或多者，其中所述统计预测、确定及选择是通过一或多个计算机系统执行。
CN202080070822.0A 2019-10-11 2020-10-08 用于多模式检验的基于统计学习模式选择的方法及系统 Active CN114503245B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962914358P 2019-10-11 2019-10-11
US62/914,358 2019-10-11
US16/883,794 US11415531B2 (en) 2019-10-11 2020-05-26 Statistical learning-based mode selection for multi-mode inspection
US16/883,794 2020-05-26
PCT/US2020/054647 WO2021071996A1 (en) 2019-10-11 2020-10-08 Statistical learning-based mode selection for multi-mode inspection

Publications (2)

Publication Number Publication Date
CN114503245A true CN114503245A (zh) 2022-05-13
CN114503245B CN114503245B (zh) 2023-06-06

Family

ID=75382730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080070822.0A Active CN114503245B (zh) 2019-10-11 2020-10-08 用于多模式检验的基于统计学习模式选择的方法及系统

Country Status (5)

Country Link
US (1) US11415531B2 (zh)
KR (1) KR102629852B1 (zh)
CN (1) CN114503245B (zh)
TW (1) TW202129262A (zh)
WO (1) WO2021071996A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11360030B2 (en) * 2020-02-04 2022-06-14 Applied Materials Isreal Ltd Selecting a coreset of potential defects for estimating expected defects of interest
US11828714B2 (en) * 2020-09-30 2023-11-28 Applied Materials Israel Ltd. Image acquisition by an electron beam examination tool for metrology measurement
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110320149A1 (en) * 2009-02-06 2011-12-29 Kla-Tencor Corporation Selecting One or More Parameters for Inspection of a Wafer
CN105793970A (zh) * 2013-11-06 2016-07-20 科磊股份有限公司 计量优化检验
CN105960702A (zh) * 2014-02-06 2016-09-21 科磊股份有限公司 基于从标准参考图像确定的属性的缺陷检测及分类

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006006148A2 (en) 2004-07-12 2006-01-19 Negevtech Ltd. Multi mode inspection method and apparatus
US7676077B2 (en) 2005-11-18 2010-03-09 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
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
JP2013072788A (ja) 2011-09-28 2013-04-22 Hitachi High-Technologies Corp 基板表面欠陥検査方法および検査装置
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
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10115040B2 (en) 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
KR102440742B1 (ko) * 2017-05-25 2022-09-05 삼성전자주식회사 반도체 소자 검사 시스템 및 그 동작 방법
EP3652749A4 (en) 2017-07-14 2021-03-24 The Regents of The University of California NEW PROCESSES FOR PREDICTING THE RISK OF GRAFT REJECTION
US10677742B2 (en) 2018-03-09 2020-06-09 Kla-Tencor Corp. Detecting die repeating programmed defects located in backgrounds with non-repeating features
US10670536B2 (en) 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
CN109783906B (zh) 2018-12-29 2023-07-07 东北大学 一种管道内检测漏磁数据智能分析系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110320149A1 (en) * 2009-02-06 2011-12-29 Kla-Tencor Corporation Selecting One or More Parameters for Inspection of a Wafer
CN105793970A (zh) * 2013-11-06 2016-07-20 科磊股份有限公司 计量优化检验
CN105960702A (zh) * 2014-02-06 2016-09-21 科磊股份有限公司 基于从标准参考图像确定的属性的缺陷检测及分类

Also Published As

Publication number Publication date
US20210109041A1 (en) 2021-04-15
US11415531B2 (en) 2022-08-16
KR102629852B1 (ko) 2024-01-26
TW202129262A (zh) 2021-08-01
WO2021071996A1 (en) 2021-04-15
KR20220077146A (ko) 2022-06-08
CN114503245B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN114503245B (zh) 用于多模式检验的基于统计学习模式选择的方法及系统
US10416088B2 (en) Virtual inspection systems with multiple modes
US9518934B2 (en) Wafer defect discovery
US9098891B2 (en) Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
US10670536B2 (en) Mode selection for inspection
TWI673489B (zh) 以使用一適應性滋擾過濾器產生針對一樣本之檢驗結果之系統及方法，以及非暫時性電腦可讀媒體
US11580650B2 (en) Multi-imaging mode image alignment
US9891538B2 (en) Adaptive sampling for process window determination
JP5450161B2 (ja) 欠陥検査装置および欠陥検査方法
WO2023121778A1 (en) Machine learning using a global texture characteristic for semiconductor-based applications
US10062012B1 (en) Finding patterns in a design based on the patterns and their surroundings
US11114324B2 (en) Defect candidate generation for inspection
US20230136110A1 (en) Knowledge distillation for semiconductor-based applications
TW202316105A (zh) 設置用於檢查樣品之關注區域

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant