CN115104122A - 在多带电粒子束检查中根据检查图像的轮廓提取方法 - Google Patents

在多带电粒子束检查中根据检查图像的轮廓提取方法 Download PDF

Info

Publication number
CN115104122A
CN115104122A CN202180014689.1A CN202180014689A CN115104122A CN 115104122 A CN115104122 A CN 115104122A CN 202180014689 A CN202180014689 A CN 202180014689A CN 115104122 A CN115104122 A CN 115104122A
Authority
CN
China
Prior art keywords
image
pattern
inspection
patch
separated
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
CN202180014689.1A
Other languages
English (en)
Inventor
浦凌凌
方伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Holding NV
Original Assignee
ASML Holding NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ASML Holding NV filed Critical ASML Holding NV
Publication of CN115104122A publication Critical patent/CN115104122A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Image Analysis (AREA)

Abstract

公开了一种用于在多带电粒子束检查系统中从检查图像提取图案轮廓信息的改进的设备和方法。一种用于从检查图像提取图案轮廓信息的改进方法，包括：根据从带电粒子束检查系统获得的检查图像来标识在检查图像中部分重叠的第一图案和第二图案。该方法还包括：通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像。第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除。该方法还包括：基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。

Description

在多带电粒子束检查中根据检查图像的轮廓提取方法
相关申请的交叉引用
本申请要求于2020年2月13日提交的美国申请62/976,216的优先权，该美国申请通过引用被整体并入本文中。
技术领域
本文中所提供的实施例总体涉及轮廓提取技术，更具体地涉及在多带电粒子束检查中根据检查图像的图案轮廓提取。
背景技术
在集成电路(IC)的制造过程中，检查未完成或完成的电路组件以确保它们是根据设计制造的并且没有缺陷。利用光学显微镜或带电粒子(例如，电子)束显微镜(诸如扫描电子显微镜(SEM))的检查系统可以被采用。随着IC组件的物理尺寸不断缩小，缺陷检测的准确性和产率变得更加重要。
从SEM图像测量的图案/结构的临界尺寸可以用于检测被制造的IC的缺陷。例如，图案之间的偏移或边缘布置变化可以有助于控制制造过程以及确定缺陷。
发明内容
本文中所提供的实施例公开了一种粒子束检查设备，更具体地，公开了一种使用多个带电粒子束的检查设备。
在一些实施例中，一种用于从检查图像提取图案轮廓信息的方法，包括：根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案。该方法还包括：通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像。第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除。该方法还包括：基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。
在一些实施例中，一种轮廓提取设备，包括存储指令集的存储器和至少一个处理器，该至少一个处理器被配置为执行指令集以使设备执行：根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案。该至少一个处理器还被配置为执行指令集以使设备还执行：通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像。第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除。该至少一个处理器还被配置为执行指令集以使设备还执行：基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。
在一些实施例中，提供了一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令集，该指令集能够由计算设备的至少一个处理器执行以使计算设备执行用于从检查图像提取图案轮廓信息的方法。该方法包括：根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案。该方法还包括：通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像。第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除。该方法还包括：基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。
在一些实施例中，一种用于根据检查图像测量重叠误差的方法，包括：根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案。该第一图案在掩埋层中。该方法还包括：根据检查图像，生成包括第一图案的第一分离图像和包括第二图案的第二分离图像。该方法还包括：基于第一分离图像和第二分离图像，提取第一图案和第二图案的轮廓信息。该方法还包括：基于所提取的第一图案和第二图案的轮廓信息，确定第一图案与第二图案之间的重叠误差。
在一些实施例中，提供了一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令集，该指令集能够由计算设备的至少一个处理器执行以使计算设备执行用于根据检查图像测量重叠误差的方法。该方法包括：根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案，该第一图案在掩埋层中。该方法还包括：根据检查图像，生成包括第一图案的第一分离图像和包括第二图案的第二分离图像。该方法还包括：基于第一分离图像和第二分离图像，提取第一图案和第二图案的轮廓信息。该方法还包括：基于所提取的第一图案和第二图案的轮廓信息，确定第一图案与第二图案之间的重叠误差。
从以下结合附图的描述中，本公开的实施例的其他优势将变得显而易见，在附图中通过图示和示例的方式阐述了本发明的某些实施例。
附图说明
图1是图示了根据本公开的实施例的示例电子束检查(EBI)系统的示意图。
图2是图示了根据本公开的实施例的可以是图1的电子束检查系统的部分的示例电子束工具的示意图。
图3是具有第一图案和第二图案的检查图像的示例。
图4是根据本公开的实施例的示例轮廓提取设备的框图。
图5A是根据本公开的实施例的用于从检查图像中提取图像补丁的示例。
图5B是根据本公开的实施例的用于标记检查图像的图像补丁的示例。
图6是根据本公开的实施例的图4的轮廓提取设备的示例神经网络模型提供器的框图。
图7A是根据本公开的实施例的检查图像的示例，用于每个图案的参考图像被叠加在该检查图像上。
图7B是根据本公开的实施例的在从检查图像中去除第二图案之后的第一分离图像的示例。
图7C是根据本公开的实施例的在从检查图像中去除第一图案之后的第二分离图像的示例。
图8A是根据本公开的实施例的在恢复第一分离图像中的第一图案之后的第一经恢复图像的示例。
图8B是根据本公开的实施例的在恢复第二分离图像中的第二图案之后的第二经恢复图像的示例。
图9是表示根据本公开的实施例的用于从电子束图像提取轮廓信息的示例方法的处理流程图。
图10是表示根据本公开的实施例的用于训练机器学习模型的示例方法的处理流程图。
具体实施方式
现在将详细参照示例性实施例，其示例在附图中图示。以下描述参照附图，其中除非另外表示，否则不同附图中的相同数字表示相同或类似的元件。在示例性实施例的以下描述中阐述的实现不表示所有实现。反而，它们仅是在所附权利要求中叙述的与所公开的实施例相关的方面一致的设备和方法的示例。例如，尽管一些实施例在使用电子束的上下文中描述，但是本公开不被限于此。其他类型的带电粒子束可以被类似地应用。此外，其他成像系统可以被使用，诸如光学成像、光电检测、x射线检测等。
电子设备由在称为衬底的硅片上形成的电路构成。许多电路可以被一起形成在同一硅片上，并且被称为集成电路或IC。这些电路的尺寸已被显著减小，因此更多的电路可以被安装在衬底上。例如，智能电话中的IC芯片可以像拇指指甲一样小，但可能包括超过20亿个晶体管，每个晶体管的尺寸小于人类头发的尺寸的1/1000。
制造这些极小的IC是复杂、耗时且昂贵的过程，通常涉及数百个单独的步骤。即使在一个步骤中出现误差，也有可能导致在完成的IC中的缺陷，从而使其无法使用。因此，制造过程的一个目标是避免这种缺陷，以使在过程中制造的功能IC的数目最大化，即，提高过程的总体产率。
提高产率的一个组成部分是监测芯片制造过程，以确保它生产足够数目的功能集成电路。监测过程的一种方式是在其形成的各个阶段检查芯片电路结构。检查可以使用扫描电子显微镜(SEM)来执行。SEM可以被用于对这些极小的结构进行成像，实际上是拍摄结构的“图片”。该图像可以被用于确定结构是否被正确形成以及它是否形成在正确的位置。如果结构有缺陷，则过程可以被调整，使得缺陷不太可能再次发生。
当标识缺陷时，可以使用从SEM图像测量的图案/结构的临界尺寸。例如，由测量的临界尺寸确定的图案之间的偏移或边缘布置变化可以用于标识被制造的芯片的缺陷并控制其制造过程。图案的这种临界尺寸可以从SEM图像上的图案的轮廓信息获得。
重叠图案/结构在当今的芯片设计中是常见的(例如，如图3所示)。然而，当从重叠图案中取得SEM图像时，来自掩埋层中的图案的信号通常不够强，这使得从SEM图像中提取重叠图案的可靠轮廓信息具有挑战性。为了从SEM图像获得重叠图案的可靠轮廓信息，本公开的实施例可以提供用于基于图像修复算法来在SEM图像上恢复每个图案的技术。在本公开中，可以借助于与图案对应的GDS文件实时地获得用于每个重叠图案的经恢复图像(诸如通过使用机器学习)。在本公开中，可以从经恢复图像中提取每个重叠图案的轮廓信息。
为了清楚起见，附图中的组件的相对大小可能被夸大。在附图的以下描述内，相同或相似的附图标记指代相同或相似的组件或实体，并且仅相对于单独实施例的差异被描述。如本文使用的，除非另外特别说明，否则术语“或者”涵盖所有可能的组合，除了不可行的情况。例如，如果说明组件可以包括A或B，那么除非另外特别说明或不可行，否则该组件可以包括A或B或A和B。作为第二示例，如果说明组件可以包括A、B或C，那么除非另外特别说明或不可行，否则该组件可以包括A、或B、或C、或A和B、或A和C、或B和C、或A和B和C。
现在参照图1，图1图示了与本公开的实施例一致的示例电子束检查(EBI)系统100。如图1所示，带电粒子束检查系统100包括主室10、装载-锁定室20、电子束工具40以及设备前端模块(EFEM)30。电子束工具40位于主室10内。虽然描述和附图涉及电子束，但应理解，实施例不被用于将本公开限制于特定的带电粒子。
EFEM 30包括第一装载端口30a和第二装载端口30b。EFEM 30可以包括(多个)附加装载端口。第一装载端口30a和第二装载端口30b接收包含要被检查的晶片(例如由(多种)其他材料制成的一个或多个半导体晶片)或样本(晶片和样本在下文中被统称为“晶片”)的晶片前开式整合舱(front opening unified pods,FOUP)。EFEM 30中的一个或多个机械臂(未示出)将晶片传送给装载-锁定室20。
装载-锁定室20被连接到装载/锁定真空泵系统(未示出)，该装载/锁定真空泵系统去除装载-锁定室20中的气体分子以达到低于大气压的第一压力。在达到第一压力后，一个或多个机械臂(未示出)将晶片从装载-锁定室20传送到主室10。主室10被连接到主室真空泵系统(未示出)，该主室真空泵系统去除主室10中的气体分子以达到低于第一压力的第二压力。在达到第二压力之后，晶片经受电子束工具40的检查。在一些实施例中，电子束工具40可以包括单束检查工具。在其他实施例中，电子束工具40可以包括多束检查工具。
控制器50可以被电连接到电子束工具40并且也可以被电连接到其他组件。控制器50可以是被配置为执行对带电粒子束检查系统100的各种控制的计算机。控制器50还可以包括被配置为执行各种信号和图像处理功能的处理电路系统。虽然控制器50在图1中被示出为在包括主室10、装载-锁定室20和EFEM 30的结构的外部，但是应当理解，控制器50可以是该结构的部分。
虽然本公开提供了容纳电子束检查系统的主室10的示例，但是应注意，本公开的各方面在其最广泛的意义上不限于容纳电子束检查系统的室。反而，应当理解，上述原理也可以应用于其他室。
现在参照图2，图2图示了与本公开的实施例一致的示意图，其图示了可以是图1的示例带电粒子束检查系统100的部分的示例电子束工具40。电子束工具40(在本文中也称为设备40)包括电子源101、具有枪孔径103的枪孔径板171、预子束形成机构172、聚束透镜110、源转换单元120、初级投影光学系统130、样本台(未在图2中示出)、次级光学系统150和电子检测设备140。初级投影光学系统130可以包括物镜131。电子检测设备140可以包括多个检测元件140_1、140_2和140_3。束分离器160和偏转扫描单元132可以被放置在初级投影光学系统130内部。可以理解的是，设备40的其他公知组件可以被适当地添加/省略。
电子源101、枪孔径板171、聚束透镜110、源转换单元120、束分离器160、偏转扫描单元132以及初级投影光学系统130可以与设备100的初级光轴100_1对准。次级光学系统150和电子检测设备140可以与设备40的次级光轴150_1对准。
电子源101可以包括阴极、提取器或阳极，其中初级电子可以从阴极发射，并且被提取或被加速以形成初级电子束102，该初级电子束102形成交叉(虚拟或真实的)101s。初级电子束102可以被可视化为从交叉101s发射。
源转换单元120可以包括图像形成元件阵列(未在图2中示出)、像差补偿器阵列(未示出)、束限制孔径阵列(未示出)以及预弯曲微偏振器阵列(未示出)。图像形成元件阵列可以包括多个微偏振器或者微透镜，以与初级电子束102的多个子束形成交叉101s的多个平行图像(虚拟或真实的)。图2示出了三个子束102_1、102_2和102_3作为示例，并且应理解，源转换单元120可以处理任何数目的子束。
在一些实施例中，源转换单元120可以被提供有束限制孔径阵列和图像形成元件阵列(两者均未示出)。束限制孔径阵列可以包括束限制孔径。应当理解，可以适当地使用任何数目的孔径。束限制孔径可以被配置为限制初级电子束102的子束102_1、102_2和102_3的大小。图像形成元件阵列122可以包括图像形成偏转器(未示出)，该偏转器被配置为通过改变朝向初级光轴100_1的角度来使子束102_1、102_2和102_3偏转。在一些实施例中，更远离初级光轴100_1的偏转器可以更大程度地使子束偏转。此外，图像形成元件阵列122可以包括多层(未图示)，并且偏转器可以被设置在分离的层中。偏转器可以被配置为彼此独立地被单独控制。在一些实施例中，偏转器可以被控制，以调整在样本1的表面上形成的探测斑(例如102_1S、102_2S和102_3S)的间距。如本文所提及的，探测斑的间距可以被定义为在样本1的表面上的两个紧邻的探测斑之间的距离。
图像形成元件阵列的位于中心的偏转器可以与电子束工具40的初级光轴100_1对准。因此，在一些实施例中，中心偏转器可以被配置为将子束102_1的轨迹维持为直的。在一些实施例中，中心偏转器可以被省略。然而，在一些实施例中，初级电子源101可能不必与源转换单元120的中心对准。此外，应理解，虽然图2示出了设备40的侧视图，其中子束102_1在初级光轴100_1上，当从不同侧查看时，子束102_1可以偏离初级光轴100_1。即，在一些实施例中，所有子束102_1、102_2和102_3可以离轴。离轴分量可以相对于初级光轴100_1偏移。
被偏转的子束的偏转角度可以基于一个或多个标准来设置。在一些实施例中，偏转器可以使离轴子束从初级光轴100_1径向向外或远离(未图示)偏转。在一些实施例中，偏转器可以被配置为使离轴子束径向向内或朝向初级光轴100_1偏转。子束的偏转角度可以被设置为使得子束102_1、102_2和102_3垂直落在在样本1上。由于透镜(诸如物镜131)引起的图像的离轴像差可以通过调整穿过透镜的子束的路径来降低。因此，离轴子束102_2和102_3的偏转角度可以被设置为使得探测斑102_2S和102_3S具有小的像差。子束可以被偏转以便穿过或靠近物镜131的前焦点，以减小离轴探测斑102_2S和102_3S的像差。在一些实施例中，偏转器可以被设置为使子束102_1、102_2和102_3垂直落在在样本1上，同时探测斑102_1S、102_2S和102_3S具有小的像差。
聚束透镜110被配置为使初级电子束102聚焦。源转换单元102下游的子束102_1、102_2和102_3的电流可以通过调整聚束透镜110的聚焦能力或者通过改变束限制孔径阵列内的对应束限制孔径的径向大小来变化。电流可以通过更改束限制孔径的径向大小和聚束透镜110的聚焦能力来改变。聚束透镜110可以是可调聚束透镜，该可调聚束透镜可以被配置为使得其第一主平面的位置可移动。可调聚束透镜可以被配置为是磁性的，这可能会导致离轴子束102_2和102_3以旋转角度照射源转换单元120。旋转角度可以随可调聚束透镜的第一主平面的聚焦能力或位置而改变。因此，聚束透镜110可以是抗旋转聚束透镜，该抗旋转聚束透镜可以被配置为在聚束透镜110的聚焦能力被改变的同时保持旋转角度不变。在一些实施例中，聚束透镜110可以是可调的抗旋转聚束透镜，其中当聚束透镜110的第一主平面的聚焦能力和位置变化时，旋转角度不改变。
电子束工具40可以包括预子束形成机构172。在一些实施例中，电子源101可以被配置为发射初级电子并形成初级电子束102。在一些实施例中，枪孔径板171可以被配置为阻挡初级电子束102中的外围电子以减小库仑效应。在一些实施例中，预子束形成机构172进一步切掉初级电子束102的外围电子以进一步减小库仑效应。初级电子束102可以在穿过预子束形成机构172之后被修整成三个初级电子子束102_1、102_2和102_3(或任何其他数目的子束)。电子源101、枪孔径板171、预子束形成机构172和聚束透镜110可以与电子束工具40的初级光轴100_1对准。
预子束形成机构172可以包括库仑孔径阵列。预子束形成机构172的中心孔径(在本文中也称为轴上孔径)和源转换单元120的中心偏转器可以与电子束工具40的初级光轴100_1对准。预子束形成机构172可以被提供有多个预修整孔径(例如库仑孔径阵列)。在图2中，三个子束102_1、102_2和102_3在初级电子束102穿过三个预修整孔径时生成，并且初级电子束102的剩余部分中的许多被切掉。即，预子束形成机构172可以修整来自初级电子束102的不形成三个子束102_1、102_2和102_3的电子中的许多或大部分。预子束形成机构172可以在初级电子束102进入源转换单元120之前切掉最终将不被用于形成探测斑102_1S、102_2S和102_3S的电子。在一些实施例中，枪孔径板171可以被设置在电子源101附近以在早期阶段切掉电子，同时预子束形成机构172还可以被设置为进一步切掉多个子束周围的电子。尽管图2展示了预子束形成机构172的三个孔径，但应理解，视情况可以存在任何数目的孔径。
在一些实施例中，预子束形成机构172可以被放置在聚束透镜110下方。将预子束形成机构172放置得更靠近电子源101可以更有效地降低库仑效应。在一些实施例中，当预子束形成机构172能够足够靠近源101同时仍可被制造时，枪孔径板171可以被省略。
物镜131可以被配置为将子束102_1、102_2和102_3聚焦到样本1上以用于检查，并且可以在样本1的表面上形成三个探测斑102_1s、102_2s和102_3s。枪孔径板171可以阻挡初级电子束102中未使用的外围电子，以降低库仑相互作用效应。库仑相互作用效应可以扩大探测斑102_1s、102_2s和102_3s中的每个探测斑的大小，因此退化检查分辨率。
束分离器160可以是维恩滤波器类型的束分离器，包括生成静电偶极场E1和磁偶极场B1(两者均未在图2中示出)的静电偏转器。如果它们被施加，则由静电偶极场E1施加在子束102_1、102_2和102_3的电子上的力与由磁偶极场B1施加在电子上的力在振幅上相等并且在方向上相反。因此，子束102_1、102_2和102_3可以以零偏转角度直接穿过束分离器160。
偏转扫描单元132可以使子束102_1、102_2和102_3偏转，以在样本1的表面的区段中的三个小的扫描区域上扫描探测斑102_1s、102_2s和102_3s。响应于子束102_1、102_2和102_3在探测斑102_1s、102_2s和102_3s处的入射，三个次级电子束102_1se、102_2se和102_3se可以从样本1发射。次级电子束102_1se、102_2se和102_3se中的每个次级电子束可以包括具有能量分布的电子，该电子包括次级电子(能量≤50eV)和背向散射电子(在50eV与子束102_1、102_2和102_3的着落能量之间的能量)。束分离器160可以将次级电子束102_1se、102_2se和102_3se导向次级成像系统150。次级成像系统150可以将次级电子束102_1se、102_2se和102_3se聚焦到电子检测设备140的检测元件140_1、140_2和140_3上。检测元件140_1、140_2和140_3可以检测对应的次级电子束102_1se、102_2se和102_3se，并且生成用于构建样本1的对应扫描区域的图像的对应信号。
在图2中，分别由三个探测斑102_1S、102_2S和102_3S生成的三个次级电子束102_1se、102_2se和102_3se沿着初级光轴100_1朝向电子源101向上行进，相继通过物镜131和偏转扫描单元132。三个次级电子束102_1se、102_2se和102_3se被束分离器160(诸如维恩滤波器)转向，以沿着次级成像系统150的次级光轴150_1进入次级成像系统150。次级成像系统150将三个次级电子束102_1se至102_3se聚焦到包括三个检测元件140_1、140_2和140_3的电子检测装置140上。因此，电子检测装置140可以同时生成分别由三个探测斑102_1S、102_2S和102_3S扫描的三个扫描区的图像。在一些实施例中，电子检测装置140和次级成像系统150形成一个检测单元(未示出)。在一些实施例中，次级电子束路径上的电子光学器件元件(诸如但不限于物镜131、偏转扫描单元132、束分离器160、次级成像系统150和电子检测装置140)可以形成一个检测系统。
在一些实施例中，控制器50可以包括图像处理系统，该图像处理系统包括图像获取器(未示出)和存储装置(未示出)。图像获取器可以包括一个或多个处理器。例如，图像获取器可以包括计算机、服务器、大型主机、终端、个人计算机、任何种类的移动计算设备等或它们的组合。图像获取器可以通过诸如电导体、光纤电缆、便携式存储介质、IR、蓝牙、互联网、无线网络、无线电等或它们的组合的介质被通信地耦合到设备40的电子检测装置140。在一些实施例中，图像获取器可以从电子检测装置140接收信号，并且可以构建图像。图像获取器因此可以获取样本1的图像。图像获取器还可以执行各种后处理功能，诸如生成轮廓，在所获取的图像上叠加指示符等。图像获取器可以被配置为执行对所获取的图像的亮度和对比度等的调整。在一些实施例中，存储装置可以是存储介质，诸如硬盘、闪存驱动器、云存储、随机存取存储器(RAM)、其他类型的计算机可读存储器等。存储装置可以与图像获取器耦合，并且可以被用于将已扫描的原始图像数据保存为初始图像并且保存经后处理的图像。
在一些实施例中，图像获取器可以基于从电子检测装置140接收的一个或多个成像信号来获取样本的一个或多个图像。成像信号可以与用于进行带电粒子成像的扫描操作相对应。所获取的图像可以是包括多个成像区域的单个图像或可以涉及多个图像。单个图像可以被存储在存储装置中。单个图像可以是可以被划分为多个区的初始图像。这些区中的每个区可以包括包含样本1的特征的一个成像区域。所获取的图像可以包括在时间序列上对样本1的单个成像区域多次采样的多个图像或者可以包括样本1的不同成像区域的多个图像。多个图像可以被存储在存储装置中。在一些实施例中，控制器50可以被配置为对样本1的相同位置的多个图像执行图像处理步骤。
在一些实施例中，控制器50可以包括测量电路系统(例如模数转换器)，以获得检测到的次级电子的分布。在检测时间窗口期间收集的电子分布数据与入射到晶片表面上的初级子束102_1、102_2和102_3中的每个初级子束的对应扫描路径数据组合可以被用于重建被检查的晶片结构的图像。经重建图像可以被用于揭示样本1的内部或外部结构的各种特征，因此可以被用于揭示可能存在于晶片中的任何缺陷。
在一些实施例中，控制器50可以控制机动化台(未示出)以在检查期间移动样本1。在一些实施例中，控制器50可以使机动化台能够以恒定速度在某方向上连续移动样本1。在其他实施例中，控制器50可以使机动化台能够取决于扫描过程的步骤来随时间改变样本1的移动速度。在一些实施例中，控制器50可以基于次级电子束102_1se、102_2se和102_3se的图像来调整初级投影光学系统130或次级成像系统150的配置。
尽管图2示出了电子束工具40使用三个初级电子束，但是应理解，电子束工具40可以使用两个或更多个数目的初级电子束。本公开不限制在设备40中使用的初级电子束的数目。
现在参考图3，图3是具有第一图案A和第二图案B的检查图像300的示例，该第一图案A具有矩形形状，该第二图案B具有圆形形状。根据本公开的实施例，检查图像300可以由带电粒子束检查系统(例如，图1的电子束检查系统100)获得。例如，检查图像300可以是基于来自电子检测元件140的电子检测信号而生成的电子束图像。在图3中图示，第一图案A和第二图案B重叠。例如，检查图像300中的第一图案A可以基于来自样本结构的第一层的电子检测信号来生成，并且第二图案B可以基于来自结构的位于第一层顶部的第二层的电子信号来生成。在该示例中，第一图案A在掩埋层中。因此，针对第一图案A的电子束信号可能比针对第二图案B的电子束信号弱。还可能的是，第一图案A的由第二图案B覆盖的部分在检查图像300中不可见或不可辨别。即使对于第二图案B，由于各种原因，诸如与非重叠区域相比不同的信噪比，与第一图案A的重叠区域可能模糊。因此，当多个图案被重叠在检查图像中时，从检查图像中提取图案的轮廓信息是有挑战性的。
图4是与本公开的实施例一致的示例轮廓提取设备的框图。应理解，在各种实施例中，轮廓提取设备400可以是带电粒子束检查系统(例如，图1的电子束检查系统100)的部分或者可以与带电粒子束检查系统分离。在一些实施例中，轮廓提取设备400可以是控制器50的部分，并且可以包括图像获取器、测量电路系统或存储装置等。在一些实施例中，轮廓提取设备400可以包括图像处理系统，并且可以包括图像获取器、存储装置等。
在一些实施例中，如图4所示，轮廓提取设备400可以包括检查图像获取器410、图案标识器420、分离图像生成器430、图案补偿器440和图案测量器450。
根据本公开的实施例，检查图像获取器410可以获取待检查的样本的检查图像。为了说明的目的和简单起见，图3所示的检查图像300将被用作由检查图像获取器410获取的检查图像的示例。在一些实施例中，检查图像获取器410可以基于来自电子束工具40的电子检测装置140的检测信号来生成检查图像300。在一些实施例中，检查图像获取器410可以是被包括在控制器50中的图像获取器的部分或者可以与之分离。在一些实施例中，检查图像获取器410可以获得由被包括在控制器50中的图像获取器生成的检查图像300。在一些实施例中，检查图像获取器410可以从存储检查图像300的存储装置或系统获得检查图像300。
图案标识器420被配置为在与本公开的实施例一致的检查图像300上标识图案。根据本公开的实施例，图案标识器420可以从检查图像300中提取作为图像的部分的图像补丁，并且可以标识与所提取的图像补丁相对应的作为管芯上或布局数据库(例如，GDS图形数据系统)中的特征的图案。在一些实施例中，每个图像补丁可以包括一个图案的不与其他图案重叠的至少一部分。图5A作为示例图示了从检查图像300提取的四个补丁P1至P4。如图5A所示，第一图像补丁P1和第二图像补丁P2中的每一者覆盖第一图案A的不与第二图案B重叠的部分。类似地，第三图像补丁P3和第四图像补丁P4中的每一者覆盖第二图案B的不与第一图案A重叠的部分。根据本公开的一些实施例，可以选择尽可能大的图像补丁以增加图案识别比。例如，在图5A中，对于由第一图像补丁P1覆盖的区域，仅提取一个图像补丁而不是针对同一区域的两个或更多个图像补丁。在本公开的一些实施例中，图像补丁可以被选择为使得每个图像补丁包括对应图案的(多个)边界线，因为边界线可以用于识别图案。在一些实施例中，图案的边界线可以是用于确定图案的外部形状的线、用于确定图案的内部形状的线、图案中不同纹理之间的边界线、或可以用于识别图案的其他类型的线。例如，图5A图示了第一图像补丁P1和第二图像补丁P2包括用于确定第一图案A的外部形状(例如矩形)的部分线，并且第三图像补丁P3和第四图像补丁片P4包括用于确定第二图案B的外部形状(例如圆形)的部分线。
返回参考图4，根据本公开的一些实施例，图案标识器420可以被配置为基于机器学习模型来将每个图像补丁与对应的图案相关联。例如，通过使用所提取的图像补丁P1至P4作为机器学习模型的输入，图案标识器420可以确定第一图像补丁P1和第二图像补丁P2中的每一者是第一图案A的部分并且第三图像补丁P3和第四图像补丁P4中的每一者是第二图案B的部分。在一些实施例中，图案标识器420可以利用对应的图案标识来自动标记每个图像补丁。例如，如图5B所示，第一图像补丁P1和第二图像补丁P2被标记为A1和A2以表示第一图案A，并且第三图像补丁P3和第四图像补丁P4被标记为B1和B2以表示第二图案B。
根据本公开的实施例，图案标识器420可以从机器学习模型提供器460获取机器学习模型。在一些实施例中，机器学习模型提供器460可以训练机器学习模型以标识图像补丁的图案。根据本公开的实施例，机器学习模型提供器460可以预训练机器学习模型并且按需将经训练的机器学习模型提供给图案标识器420。在一些实施例中，从机器学习模型提供器460获得的机器学习模型可以被存储在存储介质(未示出)中，并且可以由图案标识器420访问。在一些实施例中，机器学习模型提供器460可以在获取新的检查图像时更新机器学习模型。
现在参考图6，图6图示了与本公开的实施例一致的示例神经网络模型提供器的框图。如图6所示，机器学习模型提供器460可以包括图像补丁提取器461、机器学习模型训练器462和信息文件463。
图像补丁提取器461可以接收训练检查图像IM，该训练检查图像IM从诸如但不限于工具40或系统100的检查系统获取。在一些实施例中，训练检查图像IM可以包括如在图3中所示的两个或更多个图案。当训练检查图像IM包括多个图案时，图像补丁提取器461可以提取图像补丁，如图5A所示。出于说明的目的并且为了简单起见，将通过使用图3的检查图像300作为训练检查图像IM并且通过使用图5A的图像补丁P1至P4作为训练图像补丁来说明训练机器学习模型的过程。
根据本公开的实施例，机器学习模型训练器462可以被配置为通过使用从训练检查图像IM提取的图像补丁P1至P4作为机器学习模型的输入来训练要提供给图案标识器420的机器学习模型。根据本公开的实施例，机器学习模型训练器462可以通过参考被包含在信息文件463中的参考图像来训练机器学习模型以预测与每个图像补丁相关联的图案。
根据本公开的实施例，信息文件463可以包含与被包括在训练检查图像IM中的图案相对应的参考图像。例如，信息文件463可以包括与第一图案A相对应的第一参考图像和与第二图案B相对应的第二参考图像。在一些实施例中，被包含在信息文件463中的参考图像可以是对应图案的地面上真实图像。地面上真实图像可以包括包含对应图案的晶片或管芯的原始图像，或者可以包括从包含对应图案的晶片或管芯测量的地面上真实晶片图，等等。在一些实施例中，被包含在信息文件463中的参考图像可以是图形数据库系统(GDS)格式、图形数据库系统II(GDSII)格式、开放艺术品系统互换标准(OASIS)格式、Caltech中间格式(CIF)等。在一些实施例中，被包含在信息文件463中的参考图像可以包括对应图案的晶片设计布局。晶片设计布局可以基于用于构造晶片的图案布局。晶片设计布局可以与用于将特征从光刻掩模或掩模板转印到晶片的一个或多个光刻掩模或掩模板相对应。在一些实施例中，GDS或OASIS等的参考图像可以包括以二进制文件格式存储的特征信息，该二进制文件格式表示平面几何形状、文本和与晶片设计布局相关的其他信息。
在一些实施例中，机器学习模型训练器462可以被配置为通过监督学习来训练机器学习模型。在监督学习中，被馈送到机器学习模型的训练数据包括期望的解。例如，在机器学习模型训练器462已知与图像补丁P1至P4对应的图案的条件下，可以利用诸如图像补丁P1至P4的输入训练数据来训练机器学习模型。在训练期间，可以更新或修改机器学习模型的权重，使得机器学习模型可以提供与已知解相对应的推理结果。出于训练目的，当从训练检查图像IM中提取图像补丁时，图像补丁提取器461还可以参考被包含在信息文件463中的参考图像。例如，图像补丁提取器461可以通过参考某图案的参考图像来提取与该某图案相对应的图像补丁。
虽然已经针对包括两个图案的一个训练检查图像IM说明了训练过程，但是应理解，本公开的实施例可以应用于涉及两个或更多个训练检查图像的场景，并且每个图像可以包括一个或多个图案。在这些场景下，用于被包括在两个或更多个训练检查图像中的每个图案的参考图像可以被包括在信息文件463中。应注意，当参考图像和图案的数目很大时，搜索某图像补丁的对应图案的过程耗费时间和资源。因此，预训练机器学习模型允许实时标识检查图像的图案。
返回参考图4，根据本公开的实施例，分离图像生成器430被配置为将检查图像300的图案分离并生成检查图像300的每个图案的分离图像。根据一些实施例，分离图像生成器430可以基于来自图案标识器420的图案标识和基于与图案相对应的参考图像来生成分离图像。用于将检查图像的图案分离的参考图像可以是关于信息文件463所说明的参考图像。在一些实施例中，分离图像生成器430可以访问被包括在机器学习模型提供器460中的信息文件463，或者具有包含参考图像的分离数据库(未示出)。
将参考图7A、图7B和图7C说明用于在检查图像300上分离图案的过程。图7A是与本公开的实施例一致的、其上被叠加有针对每个图案的参考图像的检查图像的示例。基于如图5B所示的图案标识器420的图案标识，可以将参考图像叠加在对应的图案A和B上。当在检查图像300上叠加参考图像时，参考图像可以被对准以尽可能接近地匹配对应的图案。在一些实施例中，参考图像可以被对准以在角位置、外边界等处匹配对应的图案。例如，第一参考图像AR被叠加在第一图案A上，如图7A所示。类似地，第二参考图像BR被叠加在图7A的第二图案B上。
根据本公开的实施例，当在检查图像300上叠加参考图像时，分离图像生成器430可以将参考图像与被确定为与参考图像相对应的图像补丁相匹配。例如，通过在位置、形状、纹理等方面将被确定为与第一图案A相对应的第一图像补丁P1和第二图像补丁P2与第一参考图像AR进行比较，可以将第一参考图像AR叠加在检查图像300上。类似地，通过在位置、形状、纹理等方面将被确定为与第二图案B相对应的第三图像补丁P3和第四图像补丁P4与第二参考图像BR进行比较，可以将第二参考图像BR叠加在检查图像300上。
根据本公开的实施例，分离图像生成器430可以通过从检查图像300中去除由第二图案B覆盖的图像区域来生成第一分离图像。图7B图示了第一分离图像310的示例。在图7B中，被去除的图像区域被表示为IB。在一些实施例中，去除由第二图案B覆盖的图像区域可以根据被叠加在如图7A所示的检查图像300上的第二参考图像BR来执行。在一些实施例中，当去除被第二图案B覆盖的图像区域时，被去除的图像区域IB可以大于第二参考图像BR，以确保第二图案B从第一分离图像310中去除。例如，被去除的图像区域IB的外边界可以位于第二参考图像BR的外部。如图7B所示，应注意，第一图案A的与第二图案B重叠的部分也从检查图像300中去除。
类似地，分离图像生成器430可以通过从检查图像300中去除由第一图案A覆盖的图像区域来生成第二分离图像。图7C图示了第二分离图像320的示例。在图7C中，被去除的图像区域被表示为1A。根据本公开的一些实施例，去除由第一图案A覆盖的图像区域可以根据如图7A所示的被叠加在检查图像300上的第一参考图像AR来执行。在一些实施例中，当去除由第一图案A覆盖的图像区域时，被去除的图像区域IA可以大于第一参考图像AR，以确保第一图案A从第二分离图像320中去除。例如，被去除的图像区域IA的外边界可以位于第一参考图像AR的外部。如图7C所示，应注意，第二图案B的与第一图案A重叠的部分也从检查图像300中去除。
虽然通过使用包括两个图案的检查图像来说明图案分离的过程，并且因此生成两个分离图像，但是应注意，当检查图像包括三个或更多个图案时，本公开也适用。例如，当检查图像包括三个图案(例如，第一图案至第三图案)时，可以生成三个分离图像。可以通过去除由第二图案和第三图案覆盖的图像区域来生成第一分离图像，可以通过去除由第一图案和第三图案覆盖的图像区域来生成第二分离图像，并且可以通过去除由第一图案和第二图案覆盖的图像区域来生成第三分离图像。
如上所述，当如图7B所示从检查图像300中去除第二图案B时，在第一分离图像310中也去除第一图案A的部分，并且当如图7C所示从检查图像300中去除第一图案A时，在第二分离图像320中也去除第二图案B的部分。因此，分离图像可以包括不完整的图案。返回参考图4，根据本公开的实施例，图案补偿器440可以被配置为更新或恢复分离图像中的不完整的图案。根据本公开的一些实施例，图案补偿器440可以基于图像修复算法来更新或恢复图案。图像修复算法可以用于重构图像的丢失/缺失或恶化部分。在一些实施例中，当恢复不完整的图案时，图案补偿器400可以利用分离图像和参考图像的结构信息、文本信息或上下文信息。
图8A是根据本公开的实施例的在恢复第一分离图像中的第一图案A之后的第一经恢复图像的示例。如图8A所示，可以通过在第一分离图像310中恢复或填充第一图案A的被去除部分来生成第一经恢复图像311。第一图案A的被去除部分可以是第一图案A的部分，当去除第二图案B时，在生成第一分离图像310(例如，图7B中所示)时去除该第一图案A的部分。根据一些实施例，图案补偿器440可以基于第一参考图像AR(图7A中所示)在第一分离图像310中恢复或填充第一图案A的被去除部分。例如，图案补偿器440可以通过将第一图案A的未去除部分与第一参考图像AR进行比较来确定第一参考图像AR中的哪个部分与第一图案A在第一分离图像310中的被去除部分相对应。例如，图案补偿器440可以在位置、形状、纹理等方面将第一图案A在第一分离图像310中的未去除部分与第一参考图像AR中所包含的第一图案A进行比较。基于对第一参考图像AR中的与第一图案A在第一分离图像310中的被去除部分相对应的部分的确定，第一恢复部分Ac可以被填充在第一图案A的被去除部分中，并且因此包括经恢复的第一图案A的第一经恢复图像311可以如图8A所示生成。
类似地，图8B是根据本公开的实施例的在恢复第二分离图像中的第二图案之后的第二经恢复图像的示例。如图8B所示，第二经恢复图像321可以通过在第二分离图像320中恢复或填充第二图案B的被去除部分来生成。第二图案B的被去除部分可以是第二图案B的部分，当去除第一图案A时，在生成第二分离图像320(例如，图7C中所示)时去除该第二图案B的部分。类似地，图案补偿器440可以通过将第二图案B的未去除部分与第二参考图像BR进行比较来确定第二参考图像BR中的哪个部分与第二图案B在第二分离图像320中的被去除部分相对应。基于对第二参考图像BR中的与第二图案B在第二分离图像320中的被去除部分相对应的部分的确定，第二恢复部分BC可以用于填充第二图案B的被去除部分，因此可以如图8B所示生成包括被恢复的第二图案B的第二经恢复图像321。
如图8A和图8B所示，包括第一图案A的整个轮廓的第一经恢复图像311和包括第二图案B的整个轮廓的第二经恢复图像321由图案补偿器440生成。返回参考图4，图案测量器450可以被配置为分别从第一经恢复图像311和第二经恢复图像321取得对第一图案A和第二图案B的测量结果。例如，图案测量器450可以从第一经恢复图像311中提取第一图案A的轮廓信息，并且可以从第二经恢复图像321中提取第二图案B的轮廓信息。
根据本公开的一些实施例，图案的轮廓信息可以用于取得图案的临界尺寸以确定图案偏移、边缘布置变化等。在一些实施例中，可以基于图案的轮廓信息来测量重叠误差。例如，在上述示例中，第一图案A的质心和第二图案B的质心可以根据所提取的第一图案A和第二图案B的轮廓信息来确定。通过将第一图案A和第二图案B的两个质心之间的距离与预期距离进行比较，可以确定检查图像中的两个图案之间的重叠误差。在一些实施例中，可以例如根据晶片设计布局获得两个图案之间的预期距离。
图9是表示了根据本公开的实施例的用于从检查图像中提取轮廓信息的示例方法的处理流程图。为了说明的目的，将参考图4的轮廓提取设备400来描述用于从检查图像提取轮廓信息的方法。
在步骤S910中，可以获得样本的检查图像。步骤S910可以由例如检查图像获取器410执行等。为了说明的目的和简单起见，图3所示的检查图像300将用作示例检查图像。在一些实施例中，可以基于来自电子束工具40的电子检测装置140的检测信号来生成检查图像300。在一些实施例中，检查图像300由被包括在控制器50中的图像获取器生成。在一些实施例中，检查图像300可以从存储检查图像300的存储装置获得。
在步骤S920中，在检查图像300上标识图案。步骤S920可以由例如图案标识器420执行等。根据本公开的实施例，可以从检查图像300中提取图像补丁，并且可以标识与所提取的图像补丁相对应的图案。在一些实施例中，每个图像补丁可以包括一个图案的不与其他图案重叠的至少一部分。图5A作为示例图示了从检查图像300中提取的四个图像补丁P1至P4。如图5A所示，第一图像补丁P1和第二图像补丁P2中的每一者覆盖第一图案A的不与第二图案B重叠的部分。类似地，第三图像补丁P3和第四图像补丁P4中的每一者覆盖第二图案B的不与第一图案A重叠的部分。根据本公开的一些实施例，可以选择尽可能大的图像补丁以增加图案识别比。例如，在图5A中，对于由第一图像补丁P1覆盖的区域，仅提取一个图像补丁而不是针对同一区域的两个或更多个图像补丁。在本公开的一些实施例中，图像补丁可以被选择为使得每个图像补丁包括对应图案的(多个)边界线，因为边界线可以用于识别图案。在一些实施例中，图案的边界线可以是用于确定图案的外部形状的线、用于确定图案的内部形状的线、图案中不同纹理之间的边界线、或可以用于识别图案的其他类型的线。例如，图5A图示了第一图像补丁P1和第二图像补丁P2包括用于确定第一图案A的外部形状(例如矩形)的部分线，并且第三图像补丁P3和第四图像补丁P4包括用于确定第二图案B的外部形状(例如圆形)的部分线。
在步骤S920中，根据本公开的一些实施例，每个图像补丁可以与基于机器学习模型的对应图案相关联。例如，通过使用所提取的图像补丁P1至P4作为机器学习模型的输入，可以将第一图像补丁P1和第二图像补丁P2中的每一者确定为第一图案A的部分，并且可以将第三图像补丁P3和第四图像补丁P4中的每一者确定为第二图案B的部分。在一些实施例中，每个图像补丁可以被自动地标记有对应的图案标识。例如，如图5B所示，第一图像补丁P1和第二图像补丁P2被标记为A1和A2以表示第一图案A，并且第三图像补丁P3和第四图像补丁P4被标记为B1和B2以表示第二图案B。
根据本公开的实施例，可以提供经预训练的机器学习模型。机器学习模型可以由例如机器学习模型提供器460等提供。在一些实施例中，机器学习模型可以被训练以标识图像补丁的图案。根据本公开的实施例，机器学习模型可以被预训练并且可以被提供以按需标识图案。在一些实施例中，机器学习模型可以被存储在存储介质(未示出)处，并且可以被访问以标识图案。在一些实施例中，当获取新的检查图像时，可以更新机器学习模型。
现在参考图10，图10是表示根据本公开的实施例的用于训练机器学习模型的示例方法的处理流程图。为了说明的目的，将参考图6说明训练机器学习模型的过程。
在步骤S1100中，从诸如但不限于工具40或系统100的检查系统获取训练检查图像。在一些实施例中，训练检查图像IM可以包括两个或更多个图案，如在图3中所示。在一些实施例中，训练检查图像IM可以包括多个图案。
在步骤S1200中，提取训练图像补丁。步骤S1200可以由例如图像补丁提取器461执行等。在一些实施例中，训练图像补丁可以被提取为图5A所示的图像补丁。出于说明的目的并且为了简单起见，将通过使用图3的检查图像300作为训练检查图像IM并且通过使用图5A的图像补丁P1至P4作为训练图像补丁来说明训练机器学习模型的过程。
在步骤S1300中，根据本公开的实施例，通过使用从训练检查图像IM中提取的训练图像补丁P1至P4作为机器学习模型的输入来训练机器学习模型。步骤S1300可以由例如机器学习模型训练器462执行等。根据本公开的实施例，可以训练机器学习模型以通过参考被包含在信息文件(例如，信息文件463)中的参考图像来预测与每个图像补丁相关联的图案。
根据本公开的实施例，信息文件463可以包含与被包括在训练检查图像IM中的图案相对应的参考图像。例如，信息文件463可以包括与第一图案A相对应的第一参考图像和与第二图案B相对应的第二参考图像。在一些实施例中，被包含在信息文件463中的参考图像可以是对应图案的地面上真实图像。在一些实施例中，被包含在信息文件463中的参考图像可以是图形数据库系统(GDS)格式、图形数据库系统II(GDSII)格式、开放艺术品系统互换标准(OASIS)格式、Caltech中间格式(CIF)等。在一些实施例中，被包含在信息文件463中的参考图像可以包括对应图案的晶片设计布局。晶片设计布局可以基于用于构造晶片的图案布局。晶片设计布局可以与用于将特征从光刻掩模或掩模板转印到晶片的一个或多个光刻掩模或掩模板相对应。在一些实施例中，GDS或OASIS等的参考图像可以包括以二进制文件格式存储的特征信息，该二进制文件格式表示平面几何形状、文本和与晶片设计布局相关的其他信息。
在一些实施例中，可以通过监督学习来训练机器学习模型。在监督学习中，被馈送到机器学习模型的训练数据包括期望的解。例如，在已知与图像补丁P1至P4对应的图案的条件下，可以利用诸如图像补丁P1至P4的输入训练数据来训练机器学习模型。在训练期间，可以更新或修改机器学习模型的权重，使得机器学习模型可以提供与已知解相对应的推理结果。出于训练目的，当从训练检查图像IM中提取图像补丁时，可以参考被包含在信息文件463中的参考图像。例如，可以通过参考某图案的参考图像来提取与该某图案相对应的图像补丁。
虽然已经针对包括两个图案的一个训练检查图像IM说明了训练过程，但是应理解，本公开的实施例可以应用于涉及两个或更多个训练检查图像的场景，并且每个图像可以包括一个或多个图案。在这些场景下，用于被包括在两个或更多个训练检查图像中的每个图案的参考图像可以被包括在信息文件463中。应注意，当参考图像和图案的数目很大时，搜索以定位某图像补丁的对应图案的过程耗费时间和资源。因此，预训练机器学习模型允许实时标识检查图像的图案。
返回参考图9，在步骤S930中，根据本公开的实施例，可以分离检查图像300的图案，并且可以生成检查图像300的每个图案的分离图像。步骤S930可以由例如分离图像生成器430执行等。根据一些实施例，可以基于步骤S920中的图案标识和基于与图案相对应的参考图像来生成分离图像。用于在检查图像上分离图案的参考图像可以是关于信息文件463所说明的参考图像。
图7A是与本公开的实施例一致的、其上被叠加有针对每个图案的参考图像的检查图像的示例。基于如图5B所示的图案标识，可以将参考图像叠加在对应的图案A和B上。当在检查图像300上叠加参考图像时，参考图像可以被对准以尽可能接近地匹配对应的图案。在一些实施例中，参考图像可以被对准以在角位置、外边界等处匹配对应的图案。例如，第一参考图像AR被叠加在第一图案A上，如图7A所示。类似地，第二参考图像BR被叠加在图7A的第二图案B上。
根据本公开的实施例，当在检查图像300上叠加参考图像时，参考图像可以与被确定为与参考图像相对应的图像补丁相匹配。例如，通过在位置、形状、纹理等方面将被确定为与第一图案A相对应的第一图像补丁P1和第二图像补丁P2与第一参考图像AR进行比较，可以将第一参考图像AR叠加在检查图像300上。类似地，通过在位置、形状、纹理等方面将被确定为与第二图案B相对应的第三图像补丁P3和第四图像补丁P4与第二参考图像BR进行比较，可以将第二参考图像BR叠加在检查图像300上。
根据本公开的实施例，第一分离图像可以通过从检查图像300中去除由第二图案B覆盖的图像区域来生成。图7B图示了第一分离图像310的示例。在图7B中，被去除的图像区域被表示为IB。在一些实施例中，去除由第二图案B覆盖的图像区域可以根据被叠加在如图7A所示的检查图像300上的第二参考图像BR来执行。在一些实施例中，当去除被第二图案B覆盖的图像区域时，被去除的图像区域IB可以大于第二参考图像BR，以确保第二图案B从第一分离图像310中去除。例如，被去除的图像区域IB的外边界可以位于第二参考图像BR的外部。如图7B所示，应注意，第一图案A的与第二图案B重叠的部分也从检查图像300中去除。
类似地，第二分离图像可以通过从检查图像300中去除由第一图案A覆盖的图像区域来生成。图7C图示了第二分离图像320的示例。在图7C中，被去除的图像区域被表示为1A。根据本公开的一些实施例，去除由第一图案A覆盖的图像区域可以根据如图7A所示的被叠加在检查图像300上的第一参考图像AR来执行。在一些实施例中，当去除由第一图案A覆盖的图像区域时，被去除的图像区域IA可以大于第一参考图像AR，以确保第一图案A从第二分离图像320中去除。例如，被去除的图像区域IA的外边界可以位于第一参考图像AR的外部。如图7C所示，应注意，第二图案B的与第一图案A重叠的部分也从检查图像300中去除。
虽然通过使用包括两个图案的检查图像来说明图案分离的过程，并且因此生成两个分离图像，但是应注意，当检查图像包括三个或更多个图案时，本公开也适用。例如，当检查图像包括三个图案(例如，第一图案至第三图案)时，可以生成三个分离图像。可以通过去除由第二图案和第三图案覆盖的图像区域来生成第一分离图像，可以通过去除由第一图案和第三图案覆盖的图像区域来生成第二分离图像，并且可以通过去除由第一图案和第二图案覆盖的图像区域来生成第三分离图像。
如上所述，当如图7B所示从检查图像300中去除第二图案B时，在第一分离图像310中也去除第一图案A的部分，并且当如图7C所示从检查图像300中去除第一图案A时，在第二分离图像320中也去除第二图案B的部分。因此，分离图像可以包括不完整的图案。返回参考图4，在步骤S940中，分离图像中的不完整的图案可以根据本公开的一些实施例来恢复。步骤S940可以由例如图案补偿器440执行等。根据本公开的一些实施例，图案可以基于图像修复算法来恢复。在一些实施例中，当恢复不完整的图案时，可以利用分离图像和参考图像的结构信息、文本信息或上下文信息。
图8A是根据本公开的实施例的在恢复第一分离图像中的第一图案A之后的第一经恢复图像的示例。如图8A所示，可以通过在第一分离图像310中恢复或填充第一图案A的被去除部分来生成第一经恢复图像311。第一图案A的被去除部分可以是第一图案A的部分，当去除第二图案B时，在生成第一分离图像310(例如，图7B中所示)时去除该第一图案A的部分。根据一些实施例，可以基于第一参考图像AR在第一分离图像310中恢复或填充第一图案A的被去除部分。例如，可以通过将第一图案A的未去除部分与第一参考图像AR(如图7A中所示)进行比较来确定第一参考图像AR中的哪个部分与第一图案A在第一分离图像310中的被去除部分相对应。例如，可以在位置、形状、纹理等方面将第一图案A在第一分离图像310中的未去除部分与第一参考图像AR中所包含的第一图案A进行比较。基于对第一参考图像AR中的与第一图案A在第一分离图像310中的被去除部分相对应的部分确定，第一恢复部分Ac可以被填充在第一图案A的被去除部分中，并且因此包括经恢复的第一图案A的第一经恢复图像311可以如图8A所示生成。
类似地，图8B是根据本公开的实施例的在恢复第二分离图像中的第二图案之后的第二经恢复图像的示例。如图8B所示，第二经恢复图像321可以通过在第二分离图像320中恢复或填充第二图案B的被去除部分来生成。第二图案B的被去除部分可以是第二图案B的部分，当去除第一图案A时，在生成第二分离图像320(例如，图7C中所示)时去除该第二图案B的部分。类似地，图案补偿器440可以通过将第二图案B的未去除部分与第二参考图像BR进行比较来确定第二参考图像BR中的哪个部分与第二图案B在第二分离图像320中的被去除部分相对应。基于对第二参考图像BR中的与第二图案B在第二分离图像320中的被去除部分相对应的部分的确定，第二恢复部分BC可以用于填充第二图案B的被去除部分，并且因此可以如图8B所示生成包括被恢复的第二图案B的第二经恢复图像321。如图8A和图8B所示，包括第一图案A的整个轮廓的第一经恢复图像311和包括第二图案B的整个轮廓的第二经恢复图像321生成。
返回参考图9，在步骤S950中，可以从在步骤S940中补偿的经恢复的分离图像取得对图案的测量结果。步骤S950可以由例如图案测量器450执行等。在一些实施例中，对第一图案A和第二图案B的测量结果可以分别从第一经恢复图像311和第二经恢复图像321取得。例如，可以从第一经恢复图像311中提取第一图案A的轮廓信息，并且可以从第二经恢复图像321中取得第二图案B的轮廓信息。根据本公开的一些实施例，图案的轮廓信息可以用于取得图案的临界尺寸以确定图案偏移、边缘布置变化等。
可以使用以下条款进一步描述这些实施例：
1.一种用于从检查图像提取图案轮廓信息的方法，该方法包括：
根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案；
通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像，其中第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除；以及
基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。
2.根据条款1的方法，还包括：
从经更新的第一分离图像中提取第一图案的轮廓信息。
3.根据条款1或2的方法，其中更新第一分离图像是通过使用图像修复算法填充第一分离图像中的第一部分来执行的。
4.根据条款1至3中任一项的方法，其中标识第一图案和第二图案包括：
从检查图像中提取第一图像补丁，该第一图像补丁覆盖第一图案的部分，其中第一图案的该部分与第二图案不重叠；
从检查图像中提取第二图像补丁，该第二图像补丁覆盖第二图案的部分，其中第二图案的该部分与第一图案不重叠；以及
将第一图像补丁与第一参考图像相关联，并且将第二图像补丁与对应于第二图案的第二参考图像相关联。
5.根据条款4的方法，其中将第一图像补丁与第一参考图像相关联以及将第二图像补丁与第二参考图像相关联是通过使用第一图像补丁和第二图像补丁作为机器学习模型的输入来执行的。
6.根据条款1至5中任一项的方法，其中标识第一图案和第二图案是实时执行的。
7.根据条款1至3中任一项的方法，其中生成第一分离图像包括：
在检查图像上，在第一图案上叠加第一参考图像，并且在第二图案上叠加第二参考图像，其中第二参考图像对应于第二图案；以及
基于被叠加在第二图案上的第二参考图像，去除与第二图案相对应的图像区域。
8.根据条款1至7中任一项的方法，其中第一参考图像是图形数据库系统(GDS)格式、图形数据库系统II(GDSII)格式、开放艺术品系统互换标准(OASIS)格式、或Caltech中间格式(CIF)。
9.根据条款2至8中任一项的方法，还包括：
提取第二图案的轮廓信息；以及
基于所提取的第一图案和第二图案的轮廓信息，确定第一图案与第二图案之间的重叠误差。
10.根据条款9的方法，其中重叠误差是基于第一图案的质心和第二图案的质心来确定的，并且
其中第一图案和第二图案的质心是基于所提取的第一图案和第二图案的轮廓信息来确定的。
11.根据条款1至10中任一项的方法，其中第一图案在掩埋层中。
12.一种轮廓提取设备，包括：
存储器，存储指令集；以及
至少一个处理器，被配置为执行指令集以使设备执行：
根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案；
通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像，其中第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除；以及
基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。
13.根据条款12的设备，至少一个处理器被配置为执行指令集以使设备还执行：
从经更新的第一分离图像中提取第一图案的轮廓信息。
14.根据条款12或13的设备，其中更新第一分离图像是通过使用图像修复算法填充第一分离图像中的第一部分来执行的。
15.根据条款12至14中任一项的设备，其中标识第一图案和第二图案包括：
从检查图像中提取第一图像补丁，该第一图像补丁覆盖第一图案的部分，其中第一图案的该部分与第二图案不重叠；
从检查图像中提取第二图像补丁，该第二图像补丁覆盖第二图案的部分，其中第二图案的该部分与第一图案不重叠；以及
将第一图像补丁与第一参考图像相关联，并且将第二图像补丁与对应于第二图案的第二参考图像相关联。
16.根据条款15的设备，其中将第一图像补丁与第一参考图像相关联以及将第二图像补丁与第二参考图像相关联是通过使用第一图像补丁和第二图像补丁作为机器学习模型的输入来执行的。
17.根据条款12至16中任一项的设备，其中标识第一图案和第二图案是实时执行的。
18.根据条款12至14中任一项的设备，其中生成第一分离图像包括：
在检查图像上，在第一图案上叠加第一参考图像，并且在第二图案上叠加第二参考图像，其中第二参考图像对应于第二图案；以及
基于被叠加在第二图案上的第二参考图像，去除与第二图案相对应的图像区域。
19.根据条款12至18中任一项的设备，其中第一参考图像是图形数据库系统(GDS)格式、图形数据库系统II(GDSII)格式、开放艺术品系统互换标准(OASIS)格式、或Caltech中间格式(CIF)。
20.一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令集，该指令集能够由计算设备的至少一个处理器执行以使计算设备执行用于从检查图像提取图案轮廓信息的方法，该方法包括：
根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案；
通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像，其中第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除；以及
基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。
21.根据条款20的计算机可读介质，该指令集能够由计算设备的至少一个处理器执行以使计算设备还执行：
从经更新的第一分离图像中提取第一图案的轮廓信息。
22.根据条款20或21的计算机可读介质，其中更新第一分离图像中的第一图案是通过使用图像修复算法填充第一分离图像中的第一部分来执行的。
23.根据条款20至22中任一项的计算机可读介质，其中标识第一图案和第二图案包括：
从检查图像中提取第一图像补丁，该第一图像补丁覆盖第一图案的部分，其中第一图案的该部分与第二图案不重叠；
从检查图像中提取第二图像补丁，该第二图像补丁覆盖第二图案的部分，其中第二图案的该部分与第一图案不重叠；以及
将第一图像补丁与第一参考图像相关联，并且将第二图像补丁与对应于第二图案的第二参考图像相关联。
24.根据条款23的计算机可读介质，其中将第一图像补丁与第一参考图像相关联以及将第二图像补丁与第二参考图像相关联是通过使用第一图像补丁和第二图像补丁作为机器学习模型的输入来执行的。
25.根据条款20至24中任一项的计算机可读介质，其中标识第一图案和第二图案是实时执行的。
26.根据条款20至22中任一项的计算机可读介质，其中生成第一分离图像包括：
在检查图像上，在第一图案上叠加第一参考图像，并且在第二图案上叠加第二参考图像，其中第二参考图像对应于第二图案；以及
基于被叠加在第二图案上的第二参考图像，去除与第二图案相对应的图像区域。
27.根据条款20至26中任一项的计算机可读介质，其中第一参考图像是图形数据库系统(GDS)格式、图形数据库系统II(GDSII)格式、开放艺术品系统互换标准(OASIS)格式、或Caltech中间格式(CIF)。
28.一种用于根据检查图像测量重叠误差的方法，该方法包括：
根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案，该第一图案在掩埋层中；
根据检查图像，生成包括第一图案的第一分离图像和包括第二图案的第二分离图像；
基于第一分离图像和第二分离图像，提取第一图案和第二图案的轮廓信息；以及
基于所提取的第一图案和第二图案的轮廓信息，确定第一图案与第二图案之间的重叠误差。
29.根据条款28的方法，其中重叠误差是基于第一图案的质心和第二图案的质心来确定的，并且
其中第一图案和第二图案的质心是基于所提取的第一图案和第二图案的轮廓信息来确定的。
30.根据条款28或29的方法，其中生成第一分离图像包括：
通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像，其中第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除；以及
基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。
31.根据条款28至30中任一项的方法，其中标识第一图案和第二图案包括：
从检查图像中提取第一图像补丁，该第一图像补丁覆盖第一图案的部分，其中第一图案的该部分与第二图案不重叠；
从检查图像中提取第二图像补丁，该第二图像补丁覆盖第二图案的部分，其中第二图案的该部分与第一图案不重叠；以及
将第一图像补丁与第一参考图像相关联，并且将第二图像补丁与对应于第二图案的第二参考图像相关联。
32.根据条款31的方法，其中将第一图像补丁与第一参考图像相关联以及将第二图像补丁与第二参考图像相关联是通过使用第一图像补丁和第二图像补丁作为机器学习模型的输入来执行的。
33.一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令集，该指令集能够由计算设备的至少一个处理器执行以使计算设备执行用于根据检查图像测量重叠误差的方法，该方法包括：
根据从带电粒子束检查系统获得的检查图像，标识在检查图像中部分重叠的第一图案和第二图案，该第一图案在掩埋层中；
根据检查图像，生成包括第一图案的第一分离图像和包括第二图案的第二分离图像；
基于第一分离图像和第二分离图像，提取第一图案和第二图案的轮廓信息；以及
基于所提取的第一图案和第二图案的轮廓信息，确定第一图案与第二图案之间的重叠误差。
34.根据条款33的计算机可读介质，重叠误差是基于第一图案的质心和第二图案的质心来确定的，并且
其中第一图案和第二图案的质心是基于所提取的第一图案和第二图案的轮廓信息来确定的。
35.根据条款33或34的计算机可读介质，其中生成第一分离图像包括：
通过从检查图像中去除与第二图案相对应的图像区域来生成第一分离图像，其中第一分离图像包括第一图案，当去除与第二图案相对应的图像区域时，第一图案的第一部分被去除；以及
基于与第一图案相对应的第一参考图像，更新第一分离图像以包括表示第一图案的被去除的第一部分的图像数据。
36.根据条款33至35中任一项的计算机可读介质，其中标识第一图案和第二图案包括：
从检查图像中提取第一图像补丁，该第一图像补丁覆盖第一图案的部分，其中第一图案的该部分与第二图案不重叠；
从检查图像中提取第二图像补丁，该第二图像补丁覆盖第二图案的部分，其中第二图案的该部分与第一图案不重叠；以及
将第一图像补丁与第一参考图像相关联，并且将第二图像补丁与对应于第二图案的第二参考图像相关联。
37.根据条款36的计算机可读介质，其中将第一图像补丁与第一参考图像相关联以及将第二图像补丁与第二参考图像相关联是通过使用第一图像补丁和第二图像补丁作为机器学习模型的输入来执行的。
可以提供一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储用于控制器(例如，图1的控制器50)的处理器执行以下的指令：图像检查、图像获取、工作台定位、束聚焦、电场调整、束弯曲、聚束透镜调整、激活带电粒子源、束偏转、以及方法900和1000等。非瞬态介质的常见形式包括例如软盘、柔性盘、硬盘、固态驱动器、磁带或任何其他磁性数据存储介质、光盘只读存储器(CD-ROM)、任何其他光学数据存储介质、具有孔图案的任何物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、和可擦除可编程只读存储器(EPROM)、FLASH-EPROM或任何其他闪速存储器、非易失性随机存取存储器(NVRAM)、高速缓存、寄存器、任何其他存储器芯片或盒式存储器、以及它们的联网版本。
应当理解，本公开的实施例不限于上面已经描述和在附图中示出的确切构造，并且可以在不脱离其范围的情况下进行各种修改和改变。已经结合各种实施例描述了本公开，考虑到本文公开的本发明的说明书和实践，本发明的其他实施例对于本领域技术人员来说将是明显的。说明书和示例仅被认为是示例性的，本发明的真正范围和精神由以下权利要求指出。
以上描述旨在是说明性的，而不是限制性的。因此，对于本领域技术人员来说明显的是，可以在不脱离下面所阐述的权利要求的范围的情况下进行所描述的修改。

Claims (15)

1.一种用于从检查图像提取图案轮廓信息的方法，所述方法包括：
根据从带电粒子束检查系统获得的检查图像，标识在所述检查图像中部分重叠的第一图案和第二图案；
通过从所述检查图像中去除与所述第二图案相对应的图像区域来生成第一分离图像，其中所述第一分离图像包括所述第一图案，当去除与所述第二图案相对应的图像区域时，所述第一图案的第一部分被去除；以及
基于与所述第一图案相对应的第一参考图像，更新所述第一分离图像以包括表示所述第一图案的被去除的所述第一部分的图像数据。
2.一种轮廓提取设备，包括：
存储器，存储指令集；以及
至少一个处理器，被配置为执行所述指令集以使所述设备执行：
根据从带电粒子束检查系统获得的检查图像，标识在所述检查图像中部分重叠的第一图案和第二图案；
通过从所述检查图像中去除与所述第二图案相对应的图像区域来生成第一分离图像，其中所述第一分离图像包括所述第一图案，当去除与所述第二图案相对应的图像区域时，所述第一图案的第一部分被去除；以及
基于与所述第一图案相对应的第一参考图像，更新所述第一分离图像以包括表示所述第一图案的被去除的所述第一部分的图像数据。
3.根据权利要求2所述的设备，所述至少一个处理器被配置为执行所述指令集以使所述设备还执行：
从经更新的第一分离图像中提取所述第一图案的轮廓信息。
4.根据权利要求2所述的设备，其中更新所述第一分离图像是通过使用图像修复算法填充所述第一分离图像中的所述第一部分来执行的。
5.根据权利要求2所述的设备，其中标识所述第一图案和所述第二图案包括：
从所述检查图像中提取第一图像补丁，所述第一图像补丁覆盖所述第一图案的部分，其中所述第一图案的所述部分与所述第二图案不重叠；
从所述检查图像中提取第二图像补丁，所述第二图像补丁覆盖所述第二图案的部分，其中所述第二图案的所述部分与所述第一图案不重叠；以及
将所述第一图像补丁与所述第一参考图像相关联，并且将所述第二图像补丁与对应于所述第二图案的第二参考图像相关联。
6.根据权利要求5所述的设备，其中将所述第一图像补丁与所述第一参考图像相关联以及将所述第二图像补丁与所述第二参考图像相关联是通过使用所述第一图像补丁和所述第二图像补丁作为机器学习模型的输入来执行的。
7.根据权利要求2所述的设备，其中标识所述第一图案和所述第二图案是实时执行的。
8.根据权利要求2的设备，其中生成所述第一分离图像包括：
在所述检查图像上，在所述第一图案上叠加所述第一参考图像，并且在所述第二图案上叠加第二参考图像，其中所述第二参考图像对应于所述第二图案；以及
基于被叠加在所述第二图案上的所述第二参考图像，去除与所述第二图案相对应的图像区域。
9.根据权利要求2所述的设备，其中所述第一参考图像是图形数据库系统(GDS)格式、图形数据库系统II(GDSII)格式、开放艺术品系统互换标准(OASIS)格式、或Caltech中间格式(CIF)。
10.一种非瞬态计算机可读介质，所述非瞬态计算机可读介质存储指令集，所述指令集能够由计算设备的至少一个处理器执行以使所述计算设备执行用于从检查图像提取图案轮廓信息的方法，所述方法包括：
根据从带电粒子束检查系统获得的检查图像，标识在所述检查图像中部分重叠的第一图案和第二图案；
通过从所述检查图像中去除与所述第二图案相对应的图像区域来生成第一分离图像，其中所述第一分离图像包括所述第一图案，当去除与所述第二图案相对应的图像区域时，所述第一图案的第一部分被去除；以及
基于与所述第一图案相对应的第一参考图像，更新所述第一分离图像以包括表示所述第一图案的被去除的所述第一部分的图像数据。
11.根据权利要求10所述的计算机可读介质，所述指令集能够由所述计算设备的至少一个处理器执行以使所述计算设备还执行：
从经更新的第一分离图像中提取所述第一图案的轮廓信息。
12.根据权利要求10所述的计算机可读介质，其中更新所述第一分离图像中的所述第一图案是通过使用图像修复算法填充所述第一分离图像中的所述第一部分来执行的。
13.根据权利要求10所述的计算机可读介质，其中标识所述第一图案和所述第二图案包括：
从所述检查图像中提取第一图像补丁，所述第一图像补丁覆盖所述第一图案的部分，其中所述第一图案的所述部分与所述第二图案不重叠；
从所述检查图像中提取第二图像补丁，所述第二图像补丁覆盖所述第二图案的部分，其中所述第二图案的所述部分与所述第一图案不重叠；以及
将所述第一图像补丁与所述第一参考图像相关联，并且将所述第二图像补丁与对应于所述第二图案的第二参考图像相关联。
14.根据权利要求13所述的计算机可读介质，其中将所述第一图像补丁与所述第一参考图像相关联以及将所述第二图像补丁与所述第二参考图像相关联是通过使用所述第一图像补丁和所述第二图像补丁作为机器学习模型的输入来执行的。
15.根据权利要求10所述的计算机可读介质，其中标识所述第一图案和所述第二图案是实时执行的。
CN202180014689.1A 2020-02-13 2021-01-27 在多带电粒子束检查中根据检查图像的轮廓提取方法 Pending CN115104122A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062976216P 2020-02-13 2020-02-13
US62/976,216 2020-02-13
PCT/EP2021/051897 WO2021160436A1 (en) 2020-02-13 2021-01-27 Contour extraction method from inspection image in multiple charged-particle beam inspection

Publications (1)

Publication Number Publication Date
CN115104122A true CN115104122A (zh) 2022-09-23

Family

ID=74494887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180014689.1A Pending CN115104122A (zh) 2020-02-13 2021-01-27 在多带电粒子束检查中根据检查图像的轮廓提取方法

Country Status (4)

Country Link
US (1) US20230117237A1 (zh)
CN (1) CN115104122A (zh)
TW (2) TWI791191B (zh)
WO (1) WO2021160436A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220245773A1 (en) * 2021-01-29 2022-08-04 Bae Systems Information And Electronic Systems Integration Inc. Burn-in removal from full motion video imagery for video exploitation

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101522804B1 (ko) * 2011-01-26 2015-05-26 가부시키가이샤 히다치 하이테크놀로지즈 패턴 매칭 장치 및 기록 매체
JP2016058637A (ja) * 2014-09-11 2016-04-21 株式会社日立ハイテクノロジーズ オーバーレイ計測方法、装置、および表示装置
US9530199B1 (en) * 2015-07-13 2016-12-27 Applied Materials Israel Ltd Technique for measuring overlay between layers of a multilayer structure
WO2017016903A1 (en) * 2015-07-30 2017-02-02 Asml Netherlands B.V. Inspection apparatus, inspection method and manufacturing method
US10529534B2 (en) * 2018-01-05 2020-01-07 Kla-Tencor Corporation Compensating for scanning electron microscope beam distortion-induced metrology error using design
CN112424826A (zh) * 2018-07-13 2021-02-26 Asml荷兰有限公司 基于机器学习的图案分组方法

Also Published As

Publication number Publication date
TW202318468A (zh) 2023-05-01
WO2021160436A1 (en) 2021-08-19
TWI791191B (zh) 2023-02-01
TW202145285A (zh) 2021-12-01
US20230117237A1 (en) 2023-04-20

Similar Documents

Publication Publication Date Title
TWI723291B (zh) 度量衡系統及方法與相關之非暫時性電腦可讀媒體
US11694312B2 (en) Image enhancement for multi-layered structure in charged-particle beam inspection
TWI758820B (zh) 在多重帶電粒子束檢測中之串擾消除
TWI791191B (zh) 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體
TW202307421A (zh) 帶電粒子檢測中之影像失真校正
US20230162944A1 (en) Image enhancement based on charge accumulation reduction in charged-particle beam inspection
TWI807537B (zh) 影像對準方法及系統
US20230139085A1 (en) Processing reference data for wafer inspection
WO2022207181A1 (en) Improved charged particle image inspection
WO2023088623A1 (en) Systems and methods for defect detection and defect location identification in a charged particle system

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