CN115516297B - 用于有噪图像的图像对准 - Google Patents
用于有噪图像的图像对准 Download PDFInfo
- Publication number
- CN115516297B CN115516297B CN202180031010.XA CN202180031010A CN115516297B CN 115516297 B CN115516297 B CN 115516297B CN 202180031010 A CN202180031010 A CN 202180031010A CN 115516297 B CN115516297 B CN 115516297B
- Authority
- CN
- China
- Prior art keywords
- image
- denoised
- reference image
- sample
- test image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 claims abstract description 148
- 238000000034 method Methods 0.000 claims abstract description 125
- 238000003384 imaging method Methods 0.000 claims abstract description 91
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 claims 4
- 230000007547 defect Effects 0.000 description 60
- 230000008569 process Effects 0.000 description 53
- 238000001514 detection method Methods 0.000 description 40
- 238000007689 inspection Methods 0.000 description 37
- 230000003287 optical effect Effects 0.000 description 30
- 235000012431 wafers Nutrition 0.000 description 26
- 238000005286 illumination Methods 0.000 description 25
- 239000004065 semiconductor Substances 0.000 description 25
- 238000010894 electron beam technology Methods 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 238000010884 ion-beam technique Methods 0.000 description 6
- 238000001878 scanning electron micrograph Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000012552 review Methods 0.000 description 3
- SVDVJBWDBYSQLO-UHFFFAOYSA-N 5-(4-hydroxy-3-methoxyphenyl)-5-phenylimidazolidine-2,4-dione Chemical compound C1=C(O)C(OC)=CC(C2(C(NC(=O)N2)=O)C=2C=CC=CC=2)=C1 SVDVJBWDBYSQLO-UHFFFAOYSA-N 0.000 description 2
- 101000937642 Homo sapiens Malonyl-CoA-acyl carrier protein transacylase, mitochondrial Proteins 0.000 description 2
- 102100027329 Malonyl-CoA-acyl carrier protein transacylase, mitochondrial Human genes 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 101100173048 Mus musculus Mcat gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- -1 helium Ion Chemical class 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G01N21/8851—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Eye Examination Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供用于对准样本的图像的方法及系统。一种方法包含减少通过成像子系统针对样本而产生的测试图像中的噪声,由此产生经去噪测试图像。所述方法还包含检测所述经去噪测试图像中的至少在水平方向或垂直方向上延伸的一或多个经图案化特征。另外,所述方法包含将所述经去噪测试图像的所述所检测一或多个经图案化特征位于其中的区指定为所述经去噪测试图像中的所关注区域。所述方法进一步包含:仅使用所述经去噪测试图像中的所述所关注区域及所述样本的参考图像中的对应区将所述经去噪测试图像与所述参考图像对准。
Description
技术领域
本发明一般来说涉及用于对准包含尤其有噪样本图像的样本的图像的方法及系统。
背景技术
以下说明及实例并不鉴于其包含于此章节中而被视为现有技术。
制作例如逻辑装置及存储器装置等半导体装置通常包含:使用大量半导体制作工艺来处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。举例来说,光刻是涉及将图案从光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制作工艺。半导体制作工艺的额外实例包含但不限于化学机械抛光(CMP)、蚀刻、沉积及离子植入。可将多个半导体装置制作于单个半导体晶片上的布置中,且然后将其分离成个别半导体装置。
在半导体制造过程期间在各个步骤处使用检验工艺来检测晶片上的缺陷,以促进制造过程中的较高合格率且因此促进较高利润。检验一直以来都是制作例如IC的半导体装置的重要部分。然而,随着半导体装置的尺寸减小,检验对于成功制造出可接受半导体装置变得甚至更重要,这是因为较小缺陷可致使装置发生故障。
缺陷再检验通常涉及重新检测如通过检验工艺所检测的缺陷,且使用高放大光学系统或扫描电子显微镜(SEM)在较高分辨率下产生关于缺陷的额外信息。因此,在已通过检验来检测缺陷所位于的晶片上的离散位置处执行缺陷再检验。用于通过缺陷再检验来产生的缺陷的较高分辨率数据更适合于确定缺陷的属性,例如简档、粗糙度、更准确大小的信息等。
还在半导体制造过程期间在各个步骤处使用计量工艺来监测并控制过程。计量工艺与检验工艺的不同之处在于:不像其中检测晶片上的缺陷的检验工艺,计量工艺被用来测量使用当前所使用的检验工具无法确定的晶片的一或多个特性。举例来说,计量工艺被用来测量晶片的一或多个特性,例如在过程期间形成于晶片上的特征的尺寸(例如,线宽度、厚度等),使得可依据一或多个特性来确定过程的性能。另外,如果晶片的一或多个特性是不可接受的(例如,在特性的预定范围之外),则晶片的一或多个特性的测量可用于变更过程的一或多个参数,使得通过过程制造的额外晶片具有可接受特性。
计量工艺与缺陷再检验工艺的不同之处还在于:不像其中在缺陷再检验中再次探访通过检验来检测的缺陷的缺陷再检验工艺,可在未检测到缺陷的位置处执行计量工艺。换句话说,不像缺陷再检验,在晶片上执行计量工艺的位置可独立于对晶片执行的检验工艺的结果。特定来说,可独立于检验结果来选择执行计量工艺的位置。另外,由于可独立于检验结果来选择执行计量的晶片上的位置,因此不像其中无法确定待执行的缺陷再检验的晶片上的位置直到产生针对晶片的检验结果且所述结果可供使用的缺陷再检验,可在已对晶片执行检验工艺之前确定执行计量工艺所位于的位置。
质量控制类型过程(例如上文所描述的那些过程)中的挑战中的一者以充足准确度将一个图像与另一图像对准。通常执行图像对准以将测试图像与参考图像对准,使得可确定测试图像与参考图像之间的差。接着,此类差可用于在检验及缺陷再检验的情形中检测缺陷且在计量的情形中确定相对测量。因此,显而易见地,如果测试图像与参考图像未经准确对准,则对准的误差可导致通过此类过程产生的结果中的误差。
用于在半导体质量控制类型过程中的图像对准的一些当前所使用的方法使用了两个原始图像,且借助正规化交叉相关(NCC)将其彼此直接对准。NCC是用于计算两个样品之间的相关性的基于统计学的方法。NCC的最简单形式是两个矢量a与b之间的角度的余弦:
当模板(即,参考图像)及测试图像具有明显共同特征及相对较小噪声时,此方法有效且实际。
然而,用于图像对准的当前所使用的方法及系统存在若干缺点。举例来说,当前所使用的方法及系统并未考虑噪声对图像中的垂直特征或水平特征的影响。另外,在一些图像中,仅存在几个水平特征或垂直特征,且对准位置可被噪声误导。
因此,开发不具有上文所描述的缺点中的一或多者的用于对准样本的图像的系统及/或方法将是有利的。
发明内容
各种实施例的以下说明决不应以任何方式被视为限制所附技术方案的标的物。
一个实施例涉及一种经配置以用于对准样本的图像的系统。所述系统包含经配置以产生样本图像的成像子系统。所述系统还包含一或多个计算机子系统,其经配置以用于减少通过所述成像子系统针对所述样本而产生的测试图像中的噪声,由此产生经去噪测试图像。一或多个计算机子系统也经配置以用于至少检测经去噪测试图像中的在水平方向或垂直方向上延伸的一或多个经图案化特征。另外,所述一或多个计算机子系统经配置以用于将所述经去噪测试图像的所述所检测一或多个经图案化特征位于其中的区指定为所述经去噪测试图像中的所关注区域(ROI)。所述一或多个计算机子系统进一步经配置以用于:仅使用所述经去噪测试图像中的所述ROI及所述样本的参考图像中的对应区将所述经去噪测试图像与所述参考图像对准。可如本文中所描述地进一步配置所述系统。
另一实施例涉及用于对准样本的图像的计算机实施方法。所述方法包含上文所描述的减少噪声、检测一或多个经图案化特征、指定区及对准步骤。通过耦合到如上文所描述地配置的成像子系统的一或多个计算机子系统来执行所述方法的所述步骤。
可如本文中进一步所描述地执行上文所描述的所述方法的所述步骤中的每一者。上文所描述的所述方法的所述实施例可包含本文中所描述的任何其它方法的任何其它步骤。可通过本文中所描述的所述系统中的任一者来执行上文所描述的所述方法。
另一实施例涉及一种存储可在计算机系统上执行以便执行用于对准样本的图像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。所述计算机实施方法包含上文所描述的所述方法的所述步骤。可如本文中所描述地进一步配置所述计算机可读媒体。可如本文中进一步所描述地执行所述计算机实施方法的所述步骤。另外,可执行所述程序指令所使用的所述计算机实施方法可包含本文中所描述的任何其它方法的任何其它步骤
附图说明
在受益于对优选实施例的以下详细说明的情况下且在参考随附图式之后,所属领域的技术人员将明了本发明的进一步优点,其中:
图1及2是图解说明如本文中所描述地配置的系统的实施例的侧视图的示意图;
图3包含在去噪之前及之后的测试图像的实例;
图4到6是图解说明可通过本文中所描述的用于对准样本的图像的一或多个计算机子系统来执行的步骤的实施例的流程图;且
图7是图解说明非暂时性计算机可读媒体的一个实施例的框图,所述非暂时性计算机可读媒体存储用于致使计算机系统执行本文中所描述的计算机实施方法的程序指令。
虽然易于对本发明做出各种修改及替代形式,但本发明的特定实施例以实例方式展示于图式中且将在本文中详细描述。各图式可未按比例绘制。然而,应理解,图式及对图式的详细说明并不旨在将本发明限制于所公开的特定形式,而是相反,本发明旨在涵盖在如由所附技术方案界定的本发明的精神及范围内的所有修改、等效形式及替代形式。
具体实施方式
现转到各图式,应注意,各图并未按比例绘制。特定来说,各图的元件中的一些的比例被极大地放大以强调元件的特性。还应注意,各图并未按相同比例绘制。已使用相同元件符号指示可经类似配置的在一个以上图中展示的元件。除非本文中另外提及,否则所描述及所展示的元件中的任一者都可包含任何适合可商购元件。
一个实施例涉及一种经配置以用于对准样本的图像的系统。一些实施例涉及使用去噪及所关注区域(ROI)指定来改进图像(例如扫描电子显微镜(SEM)图像)的对准。图像处理领域中的主要挑战之一是图像对准,尤其当目标是在子像素准确度内对准两个图像时。当存在具有重复的经图案化特征而不具有任何其它(或具有有限)可区分结构的图像(例如SEM图像)时,所述问题变得甚至更具挑战性。本文中所描述的实施例引入了用于改进图像对准以达到子像素准确度的新方法及系统。
本文中所描述的实施例可用于改进例如包含SEM测试及参考图像的测试图像与参考图像之间的图像对准过程的准确度。如上文所提及,规则SEM图像是相对有噪的且优选地在像素准确度内经对准。图像对准中的一个主要挑战来自以下事实:当图像中存在伪像(即,噪声)时,例如边缘的特征可变成锯齿状的且平行线可变得失真。另外,在一些图像中,仅存在几个水平特征或垂直特征,且那些特征在例如正规化交叉相关(NCC)的图像对准过程中可比噪声具有更小权重。因此,由于图像中经图案化特征边缘的粗糙度,使对准失效的机会增加了。
如本文中进一步所描述,所述实施例提供用于经改进图像对准的新方法。一种方法包含使用基于结构的去噪方法来将图像去噪。另一方法是使用奇异值分解(SVD)以通过仅保留图像的主要特征来实现所期望结果。在运算预算允许的情况下,这两种方法还可经组合以进一步改进对准。也如本文中进一步所描述,所述实施例将本文中所描述的去噪方法中的一者与以下各项组合:检测图像中的水平特征或垂直特征、将所述特征设定到所关注区域(ROI)及仅将ROI用作到对准方法(例如,NCC)的输入。
在一个实施例中,样本是晶片。晶片可包含半导体技术中已知的任何晶片。在另一实施例中,样本是光罩。光罩可包含半导体技术中已知的任何光罩。尽管本文中可关于一或多个晶片描述一些实施例,但并未将所述实施例限制在其可用于的样本中。举例来说,本文中所描述的实施例可用于例如光罩、扁平面板、个人计算机(PC)板及其它半导体样本等样本。
图1中展示此种系统的一个实施例。在一些实施例中,系统包含经配置以产生样本的图像的成像子系统。成像子系统至少可包含能量源及检测器。能量源经配置以产生被引导到样本的能量。检测器经配置以检测来自样本的能量且回应于所检测能量而产生输出。
在一个实施例中,成像子系统是基于光的成像子系统。举例来说,在图1中所展示的系统的实施例中,成像子系统10包含经配置以将光引导到样本14的照射子系统。照射子系统包含至少一个光源。举例来说,如图1中所展示,照射子系统包含光源16。在一个实施例中,照射子系统经配置以依一或多个入射角(其可包含一或多个倾斜角及/或一或多个法向角)将光引导到样本。举例来说,如图1中所展示,将来自光源16的光引导穿过光学元件18且然后穿过透镜20而到达分束器21,分束器21依法向入射角将光引导到样本14。入射角可包含任何适合入射角,所述入射角可取决于(举例来说)样本及样本上所执行的过程的特性而发生变化。
照射子系统可经配置以在不同时间依不同入射角将光引导到样本。举例来说,成像子系统可经配置以变更照射子系统的一或多个元件的一或多个特性,使得可依不同于图1中所展示的入射角的入射角将光引导到样本。在一个此种实例中,成像子系统可经配置以移动光源16、光学元件18及透镜20,使得依不同入射角将光引导到样本。
在一些例子中,成像子系统可经配置以在同一时间依一个以上入射角将光引导到样本。举例来说,成像子系统可包含一个以上照射通道,所述照射通道中的一者可包含如图1中所展示的光源16、光学元件18及透镜20,且所述照射通道中的另一者(未展示)可包含可以不同或相同方式配置的类似元件,或者可包含至少光源以及可能地一或多个其它组件(例如本文中进一步所描述的那些组件)。如果此种光与其它光在同一时间被引导到样本,则依不同入射角被引导到样本的光的一或多个特性(例如,波长、偏光等)可有所不同,使得由依不同入射角对样本进行照射所产生的光可在检测器处彼此区别开。
在另一例子中,照射子系统可仅包含一个光源(例如,图1中所展示的源16),且可通过照射子系统的一或多个光学元件(未展示)将来自所述光源的光分离到不同光学路径中(例如,基于波长、偏光等)。然后,可将不同光学路径中的每一者中的光引导到样本。多个照射通道可经配置以在同一时间或在不同时间(例如,当不同照射通道用于依序照射样本时)将光引导到样本。在另一例子中,相同照射通道可经配置以将在不同时间具有不同特性的光引导到样本。举例来说,在一些例子中,光学元件18可被配置为光谱滤光器,且可以多种不同方式(例如,通过替换光谱滤光器)改变光谱滤光器的性质,使得可在不同时间将不同光波长引导到样本。照射子系统可具有所属领域中已知的任何其它适合配置,所述其它适合配置用于依序或同时依不同入射角或相同入射角将具有不同特性或相同特性的光引导到样本。
在一个实施例中,光源16可包含宽带等离子(BBP)光源。以此方式,由光源产生且被引导到样本的光可包含宽带光。然而,光源可包含例如激光器等任何其它适合光源,所述激光器可以是所述领域中已知的任何适合激光器且可经配置以产生所述领域中已知的任何适合波长下的光。另外,所述激光器可经配置以产生单色光或几乎单色之光。以此方式,所述激光可以是窄带激光器。光源还可包含产生多个离散波长或波带下的光的多色光源。
来自光学元件18的光可通过透镜20聚焦到分束器21。尽管透镜20在图1中展示为单个折射光学元件,但实际上,透镜20可包含将来自光学元件的光以组合方式聚焦到样本的若干折射及/或反射光学元件。图1中所展示且本文中所描述的照射子系统可包含任何其它适合光学元件(未展示)。此类光学元件的实例包含但不限于偏光组件、光谱滤光器、空间滤光器、反射光学元件、切趾器、分束器、光圈以及可包含所属领域中已知的任何此类适合光学元件的类似光学元件。另外,所述系统可经配置以基于待用于成像的照射类型而变更照射子系统的一或多个元件。
成像子系统还可包含经配置以致使光对样本进行扫描的扫描子系统。举例来说,成像子系统可包含载台22,在成像期间将样本14安置在载台22上。扫描子系统可包含可经配置以移动样本使得光可对样本进行扫描的任何适合机械及/或机器人组合件(其包含载台22)。另外或另一选择是,成像子系统可经配置使得成像子系统的一或多个光学元件执行光对样本的某一扫描。光可以任何适合方式对样本进行扫描。
成像子系统进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器,所述检测器经配置以通过成像子系统来检测由于样本的照射的来自样本的光且回应于所检测光而产生输出。举例来说,图1中所展示的成像子系统包含两个检测通道,一者由集光器24、元件26及检测器28形成且另一者由集光器30、元件32及检测器34形成。如图1中所展示,两个检测通道经配置以依不同聚集角度聚集并检测光。在一些例子中,一个检测通道经配置以检测经镜面反射的光,且另一检测通道经配置以检测不从样本镜面反射(例如,散射、衍射等)的光。然而,检测通道中的两者或更多者可经配置以检测来自样本的同一类型的光(例如,经镜面反射的光)。尽管图1展示包含两个检测通道的成像子系统的实施例,但成像子系统可包含不同数目的检测通道(例如,仅一个检测通道或者两个或更多个检测通道)。尽管图1中将集光器中的每一者展示为单个折射光学元件,但集光器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域中已知的任何适合检测器,例如光电倍增管(PMT)、电荷耦合装置(CCD)及时间延迟积分(TDI)相机。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,则检测器中的每一者可经配置以检测散射光的一些特性(例如强度),但不可配置为依据成像平面内的位置来检测此类特性。如此,由包含于检测通道中的每一者中的检测器中的每一者产生的输出可以是信号或数据,但并非图像信号或图像数据。在此类例子中,计算机子系统(例如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本的图像。然而,在其它例子中,检测器可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,所述系统可经配置以用若干种方式来产生图像。
应注意,本文中提供图1以大体上图解说明可包含于本文中所描述的系统实施例中的成像子系统的配置。显而易见地,可变更本文中所描述的成像子系统配置以最优化系统的性能,如在设计商业成像系统时通常所执行。另外,可使用例如可从KLA商购的29xx及39xx系列工具的现有成像系统来实施本文中所描述的系统(例如,通过将本文中所描述的功能性添加到现有检验系统)。对于一些此类系统,本文中所描述的实施例可提供为成像系统的可选功能性(例如,除成像系统的其它功能性之外)。另一选择是,本文中所描述的成像子系统可“从头开始”设计以提供全新成像系统。
系统的计算机子系统36可以任何适合方式(例如,经由一或多个传输媒体,其可包含“有线”及/或“无线”传输媒体)耦合到成像子系统的检测器,使得计算机子系统可接收在对样本进行扫描期间由检测器产生的输出。计算机子系统36可经配置以如本文中所描述地使用检测器的输出来执行若干功能且执行本文中进一步所描述的任何其它功能。可如本文中所描述地进一步配置此计算机子系统。
此计算机子系统(以及本文中所描述的其它计算机子系统)在本文中还可称为计算机系统。本文中所描述的计算机子系统或系统中的每一者可呈各种形式,包含个人计算机系统、图像计算机、大型计算机系统、工作站、网络器具、因特网器具或其它装置。一般来说,可将术语“计算机系统”宽泛地定义为囊括具有一或多个处理器的任何装置,所述一或多个处理器执行来自存储器媒体的指令。计算机子系统或系统还可包含所属领域中已知的任何适合处理器,例如并行处理器。另外,计算机子系统或系统可包含具有高速度处理及软件的计算机平台作为独立工具或网络连接工具。
如果系统包含一个以上计算机子系统,则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。举例来说,计算机子系统36可通过任何适合传输媒体耦合到计算机子系统102(如图1中的虚线所展示),所述传输媒体可包含所属领域中已知的任何适合有线及/或无线传输媒体。此类计算机子系统中的两者或更多者还可通过共享计算机可读存储媒体(未展示)来进行有效耦合。
尽管上文将成像子系统描述为光学子系统或基于光的子系统,但在另一实施例中,成像子系统是基于电子的成像子系统。举例来说,在一个实施例中,被引导到样本的能量包含电子,且从样本检测的能量包含电子。以此方式,能量源可以是电子束源。在图2中所展示的一个此种实施例中,成像子系统包含耦合到计算机子系统124的电子柱122。
还如图2中所展示,电子柱包含电子束源126,电子束源126经配置以产生通过一或多个元件130聚焦到样本128的电子。电子束源可包含(举例来说)阴极源或发射体尖端,且一或多个元件130可包含(举例来说)枪透镜、阳极、限束孔径、门阀、束电流选择孔径、物镜透镜以及扫描子系统,所有所述元件都可包含所属领域中已知的任何此类适合元件。
从样本返回的电子(例如,次级电子)可通过一或多个元件132聚焦到检测器134。一或多个元件132可包含(举例来说)扫描子系统,所述扫描子系统可以是包含于元件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适合元件。另外,可如以下美国专利中所描述地进一步配置电子柱:2014年4月4日颁布的江(Jiang)等人的美国专利第8,664,594号、2014年4月8日颁布的小岛(Kojima)等人的美国专利第8,692,204号、2014年4月15日颁布的古博恩斯(Gubbens)等人的美国专利第8,698,093号以及2014年5月6日颁布的麦克唐纳(MacDonald)等人的美国专利第8,716,662号,所述美国专利如被完全陈述那样以引用方式并入本文中。
尽管电子柱在图2中展示为经配置使得电子依倾斜入射角被引导到样本且依另一倾斜角从所述样本散射,但应理解,电子束可依任何适合角度被引导到样本且从样本散射。另外,电子束子系统可经配置以使用多种模式来产生样本的图像(例如,依不同照射角度、不同聚集角度等)。电子束子系统的多种模式在子系统的任何图像产生参数中可有所不同。
计算机子系统124可耦合到检测器134,如上文所描述。检测器可检测从样本的表面返回的电子,由此形成样本的电子束图像。电子束图像可包含任何适合电子束图像。计算机子系统124可经配置以使用检测器的输出及/或电子束图像来执行本文中所描述的功能中的任一者。计算机子系统124可经配置以执行本文中所描述的任何额外步骤。可如本文中所描述地进一步配置包含图2中所展示的成像子系统的系统。
应注意,本文中提供图2以大体上图解说明可包含于本文中所描述的实施例中的基于电子束的成像子系统的配置。正如上文所描述的光学子系统,可变更本文中所描述的电子束子系统配置以最优化子系统的性能,如在设计商业成像系统时通常所执行。另外,可使用现有成像系统来实施本文中所描述的系统(例如,通过将本文中所描述的功能性添加到现有成像系统)。对于一些此类系统,本文中所描述的实施例可提供为系统的可选功能性(例如,除系统的其它功能性之外)。另一选择是,本文中所描述的系统可“从头开始”设计以提供全新系统。
尽管上文将成像子系统描述为基于光的测量子系统或基于电子束的测量子系统,但所述成像子系统可以是基于离子束的子系统。此种成像子系统可如图2中所展示地经配置,惟电子束源可用所属领域中已知的任何适合离子束源替换。因此,在一个实施例中,被引导到样本的能量包含离子。另外,成像子系统可以是任何其它适合的基于离子束的成像子系统,例如包含于可商购的聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及次级离子质谱学(SIMS)系统中的那些子系统。
本文中所描述的成像子系统可经配置以用多种模式来产生样本的输出(例如,图像)。一般来说,“模式”由用于产生样本的图像(或用以产生样本的图像的输出)的成像子系统的参数值定义。因此,成像子系统的参数中的至少一者的值的模式可有所不同(不同于在样本上产生输出的位置)。举例来说,在光学子系统中,不同模式可使用不同波长的光来进行照射。模式可在照射波长上有所不同(例如,通过使用不同模式的不同光源、不同光谱滤光器等),如本文中进一步所描述。在另一实例中,不同模式可使用光学子系统的不同照射通道。举例来说,如上文所提及,光学子系统可包含一个以上照射通道。如此,不同照射通道可用于不同模式。模式在光学子系统的一或多个聚集/检测参数上还可或另一选择是有所不同。模式在成像子系统的任何一或多个可变更参数(例如,照射偏光、照射角度、照射波长等;检测偏光、检测角度、检测波长等)上可有所不同。成像子系统可经配置以在相同扫描或不同扫描中用不同模式扫描样本,例如,取决于在同一时间使用多种模式来扫描样本的能力。
以类似方式,由电子束子系统产生的输出可包含由电子束子系统依据电子束子系统的参数的两个或更多个不同值来产生的输出,例如,图像。电子束子系统的多种模式可由用于针对样本而产生输出及/或图像的电子束子系统的参数值定义。因此,模式在电子束子系统的电子束参数中的至少一者的值上可有所不同。举例来说,不同模式可使用不同入射角进行照射。
取决于本文中所描述以及图1及2中所展示的子系统将用于的应用,可在一或多个参数上对所述子系统进行修改以提供不同成像能力。在一个此种实例中,若图1中所展示的成像子系统系用于缺陷再检验或计量而非用于检验,则所述成像子系统可经配置以具有较高分辨率。换句话说,图1及2中所展示的成像子系统的实施例描述一些一般配置及各种配置,所述配置可用于以所属领域的技术人员将显而易见的若干种方式来裁适以产生具有或多或少适合于不同应用的不同输出产生能力的成像子系统。
如上文所提及,光学子系统、电子子系统及离子束子系统经配置以用于对样本的物理版本进行能量(例如,光、电子等)扫描,由此产生样本的物理版本的图像。以此方式,光学子系统、电子子系统及离子束子系统可被配置为“真实”子系统而非“虚拟”子系统。然而,存储媒体(未展示)及图1中所展示的计算机子系统102可被配置为“虚拟”系统。特定来说,存储媒体及计算机子系统可被配置为“虚拟”成像子系统,如以下美国专利中所描述:共同转让的2012年2月28日颁布的巴斯卡(Bhaskar)等人的美国专利第8,126,255号以及2015年12月29日颁布的达菲(Duffy)等人的美国专利第9,222,895号,所述美国专利如被完全陈述那样以引用方式并入本文中。可如这些专利中所描述地进一步配置本文中所描述的实施例。
一或多个计算机子系统经配置以用于减少通过成像子系统针对样本而产生的测试图像中的噪声,由此产生经去噪测试图像。图3展示在去噪之前及之后的图像的实例。特定来说,图像300是原始SEM测试图像,且图像302是所述SEM测试图像的经去噪版本。如可通过将图像300与图像302进行比较所看到,在去噪之后,经去噪图像中的经图案化特征的边缘更平滑。另外,去噪已减少图像的未经图案化部分中的噪声(例如,经图案化特征之间的相对较大空间),并且使得图像更明亮且在图像中的特征与背景之间具有经增加对比度。这些改变中的任一改变或所有改变将如本文中所描述地使得图像对准更容易且更准确。尽管图3中的图像展示经图案化特征的特定数目、布置、类型、定向、形状等,但本文中所描述的实施例并未限制在所述实施例可用于的图像类型、图像中的经图案化特征、样本类型等中。换句话说,本文中所描述的实施例并未限制在所述实施例可用于的图像及样本中。
在一些实施例中,测试图像包含重复的经图案化特征。举例来说,如图3中所展示,原始测试图像300中的经图案化特征中的一些在图像内重复。如上文所描述,在不具有任何其它(或有限)可区分特征的情况下,当存在重复特征时,图像对准可更具挑战性。在图3中所展示的测试图像实例的情形中,在测试图像中存在可与图像中的所有其它经图案化特征区分开的至少一个经图案化特征。然而,对于本文中所描述的过程,保证必须彼此对准的一些图像甚至具有可与图像中的其它经图案化特征区分开的一个特征。然而,本文中所描述的实施例可用于对准具有极少或甚至没有经图案化特征的图像,所述经图案化特征相对于图像中的其它经图案化特征是唯一的。
在一个实施例中,减少噪声包含基于结构的去噪。如本文中所使用的术语“基于结构的去噪”是用以指代基于并保留图像中可见的结构的图像去噪的一般术语。一种可用于减少本文中所描述的图像的噪声的适合的基于结构的去噪方法的一个实施例是块匹配及3D滤波(BM3D)算法。一般来说,BM3D算法基于相似度而将图像片段分组。图像片段无需被分离,但确实必须具有相同大小。可通过将阈值应用于片段与参考片段的相异度来确定是否将所述片段分组。此分组技术通常被称为块匹配。然而,BM3D可将单个图框内的巨块分组,且接着将群组中的所有图像片段堆叠以形成3D圆柱状形状。接着,BM3D可包含对每个片段群组执行的滤波,后续接着线性变换。然后,可执行例如Wiener滤波的变换域收缩步骤,后续接着将线性变换反转以再现所有(经滤波)片段。图像接着变回为其2D形式。另外,可对所有重叠图像片段进行权重平均,以确保所述重叠图像片段在滤除噪声的同时仍保持其独特信号。可如由程(Cheng)等人在2016年第12届国际计算智能及安全会议(2016年12月,IEEE,第147至151页)的“基于结构及纹理部分的图像去噪算法(Image denoising algorithmbased on structure and texture part)”中所描述地进一步执行基于结构的去噪,所述文献如被完全陈述那样以引用方式并入本文中。可如本参考文献中所描述地进一步配置本文中所描述的实施例。
在另一实施例中,减少噪声包含奇异值分解。奇异值分解(SVD)可用于预处理图像(例如,SEM图像),且因此改进对准的成功率。SVD将矩阵分解成正交分量,可借助所述正交分量来获得最优子秩近似值。使用SVD找到的图像中的最大对象分量通常对应于与最大奇异值相关联的本征图像,而图像噪声对应于与最小奇异值相关联的本征图像。因此,在本文中所描述的实施例中,SVD可以是用于将噪声从经图案化特征图像分离的尤其有用工具。
在一些实施例中,减少噪声包含:SVD;选择在由SVD输出的一或多个矩阵中具有最大值的预定数目的本征矢量;及从所选择本征矢量重构测试图像,由此产生经去噪测试图像。在一个此种实施例中,如图6中所展示,可分别输入测试图像600及参考图像602以将SVD步骤604与SVD步骤606分离。在这些步骤中,每一输入图像可被分解成左矩阵、右矩阵及对角矩阵。可将每一SVD步骤的输出输入到移除较小本征矢量步骤。举例来说,可将SVD步骤604的输出输入到移除较小本征矢量步骤608,且可将SVD步骤606的输出输入到移除较小本征矢量步骤610。在所述移除较小本征矢量步骤中,可保持最大本征矢量(EgV)中的仅几(例如,10)个最大本征矢量且可移除其余最大本征矢量。以此方式,可移除可对图像的对准具有负面影响的相对较小非必要特征。
之后,一或多个计算机子系统可重构仅含有相对较大主要结构的图像,且接着将所述图像馈送到主要对准方法中。举例来说,如图6中所展示,可将移除较小本征矢量步骤608的输出输入到图像重构及ROI步骤612,且可将移除较小本征矢量步骤610的输出输入到图像重构及ROI步骤614。可如上文所描述地执行图像重构,且可如本文作进一步所描述地执行ROI识别及指定。可将图像重构及ROI步骤的输出输入到可如本文中进一步所描述地执行的对准步骤616。以此方式,本文中所描述的实施例可在将对准方法或算法应用于图像之前采用SVD来移除图像(例如SEM图像)中的边缘粗糙度及噪声。
在又一实施例中,减少噪声包含基于结构的去噪,后续接着奇异值分解。举例来说,图6中所展示的输入图像(即,测试图像600及参考图像602)可以是先前已通过根据本文中所描述的实施例中的任一者执行的基于结构的去噪来去噪的图像。以此方式,当计算预算允许时,基于结构的去噪可与SVD组合,以比任一去噪方法单独提供的进一步改进对准。
一或多个计算机子系统还经配置以用于检测经去噪测试图像中的至少在水平方向或垂直方向上延伸的一或多个经图案化特征。如本文中所使用的所述短语“至少在水平方向或垂直方向上延伸”旨在意指经图案化特征在这些方向中的任一方向上具有某一经延伸横向尺寸。举例来说,样本(例如晶片)上的线或沟槽将被视为至少在一个方向上延伸的经图案化特征,而接触孔或其它圆形或正方形结构将不会被视为至少在水平方向或垂直方向上延伸的经图案化特征。以此方式,一般来说,“至少在水平方向或垂直方向上延伸的经图案化特征”可以是在样本的x方向或y方向上具有一个尺寸的经图案化特征,所述尺寸大于在相反方向上延伸的经图案化特征的另一尺寸。“至少在水平方向或垂直方向上延伸的经图案化特征”还可以是其全部至少不在水平垂直方向上延伸(例如,如当并非经图案化特征的所有部分都在同一方向上延伸时)及/或在水平方向及垂直方向两者上延伸(例如,如当经图案化特征的一个部分在水平方向上延伸且所述经图案化特征的另一部分在垂直方向上延伸时)的经图案化特征。
在图3中的经去噪测试图像302的区304中展示至少在水平方向或垂直方向上延伸的不同经图案化特征的一些实例。特定来说,经图案化特征304a在垂直方向上延伸而并非在水平方向上延伸。经图案化特征304b在垂直方向上延伸且可被视为或可不被视为在水平方向上延伸。当一个经图案化特征横穿此经图案化特征时,经图案化特征304c仅在垂直方向上延伸,且经图案化特征304d在垂直方向上、接着在水平方向上且然后再次在垂直方向上延伸。通过本文中所描述的实施例,可将所有这些经图案化特征确定为至少在水平方向或垂直方向上延伸。
可以例如基于灰阶的阈值、图像投影等任何适合方式检测至少在水平方向上延伸的经图案化特征(即,“水平经图案化特征”)或者在垂直方向上延伸的经图案化特征(即,“垂直经图案化特征”)。可使用经去噪测试图像自身在经去噪测试图像中检测水平经图案化特征及/或垂直经图案化特征,例如通过将经去噪测试图像输入到检测步骤。检测水平经图案化特征及/或垂直经图案化特征对于识别适合于在本文中所描述的对准步骤中使用的特征可以是至关重要的。水平特征及/或垂直特征是否被检测到并用于如本文中所描述地对准可取决于样本、在样本上的成像区中在样本上形成何种经图案化特征以及可能的图像对准算法而发生变化(例如,当存在水平经图案化特征及垂直经图案化特征两者时,哪一个被检测到并用于对准可取决于何种类型的特征可用于对准算法;何时对仅在水平方向或垂直方向上而不是在两个方向上延伸的经图案化特征优选地执行对准算法;等等)。
一或多个计算机子系统进一步经配置以用于将经去噪测试图像的所检测一或多个经图案化特征位于其中的区指定为经去噪测试图像中的所关注区域(ROI)。经去噪测试图像中的ROI可仅包含经去噪测试图像中的单个邻接区。举例来说,在图3中所展示的经去噪测试图像中,可通过一或多个计算机子系统将含有至少在水平方向或垂直方向上延伸的经图案化特征304a、304b、304c及304d的区304指定为ROI。另一选择是,ROI可包含不止一个区,所述区中的一些是离散的或者是彼此相互排它的。举例来说,取决于经成像区中针对样本的设计,可在经去噪测试图像中在各个位置处找到水平经图案化特征及/或垂直经图案化特征。因此,对于一些经成像区,例如,在也不包含不可用于(或者甚至不利于)对准的经去噪测试图像的经图案化特征或区的情况下,指定经去噪测试图像的所有(或充足数目的)水平经图案化特征及/或垂直经图案化特征位于其中的单个邻接区可以是可能的或有利的。
然后在一些此类例子中,可将所指定ROI定义为包含少于所有所检测水平经图案化特征及/或所检测垂直经图案化特征的区。在其它此类例子中,可定义不止一个所指定ROI,且所指定ROI中的每一者可包含水平经图案化特征及/或垂直经图案化特征的不同子集。此外,在一些例子中,在于水平方向或垂直方向上延伸的其它经图案化特征附近,可存在不在水平方向或垂直方向上延伸的经图案化特征。在此类例子中,若使得在运算上有意义,则那些非水平经图案化特征及/或垂直经图案化特征连同水平经图案化特征及/或垂直经图案化特征一起可包含于ROI中。因此,一般来说,本文中所描述的实施例可将ROI指定为包含至少一个水平图案化特征及/或垂直经图案化特征的经去噪测试图像中的任一区,并非所有经去噪测试图像中所检测的水平经图案化特征及/或垂直经图案化特征都可包含于ROI中,且所述ROI可包含并非水平经图案化特征及/或垂直经图案化特征的一些经图案化特征。
一或多个计算机子系统还经配置以用于仅使用经去噪测试图像中的ROI及参考图像中的对应区来将经去噪测试图像与样本的参考图像对准。通过将经去噪测试图像与参考图像对准,计算机子系统将原始测试图像与参考图像有效地对准。指定ROI且仅使用用于对准步骤的ROI对于实现所期望的图像对准的准确度可以是至关重要的。举例来说,本文中所描述的去噪方法可能无法移除可经选择以用于图像对准的所有测试图像中的所有噪声。仅使用用于图像对准的ROI可减小剩余噪声的影响且由此改进图像对准的准确度。
在一些实施例中,将经去噪测试图像与参考图像对准会以子像素准确度将测试图像与参考图像对准。如本文中所使用的所述术语“子像素”一般可被定义为小于由成像子系统产生的输出的像素。以此方式,如本文中所使用的所述术语“子像素准确度”一般可被定义为确定具有小于由成像子系统所获取的图像中的单个像素的大小(从一个侧到另一侧的距离)的误差的某事物(例如图像对准)。去噪步骤、所指定ROI及仅使用本文中所描述的所指定ROI来执行对准使得能够以子像素准确度来执行图像对准。换句话说,可如本文中所描述地执行去噪步骤、指定ROI步骤及对准步骤,以由此以子像素准确度将测试图像与参考图像对准。
在又一实施例中,将经去噪测试图像与参考图像对准包含正规化交叉相关。可如本文中进一步所描述地或以所属领域中已知的任何其它方式执行NCC。尽管可由本文中所描述的系统及方法中的一些共同使用NCC以执行实际对准步骤,但可使用所属领域中已知的任何其它相关类型算法或方法来执行本文中所描述的对准。换句话说,尽管NCC是一种用以将本文中所描述的测试图像与参考图像对准的尤其适合方式,但可将经去噪测试参考图像连同其所指定ROI一起输入到用于本文中所描述的对准步骤的任何适合对准方法或算法。
在一些实施例中,至少在测试图像中的水平方向或垂直方向上延伸的大多数经图案化特征在NCC中具有比测试图像中的噪声小的权重。举例来说,本文中所描述的实施例对于对准有噪的及/或含有适合于对准的极少经图案化特征使得对准方法比经图案化特征图像更严重地依赖于图像中的噪声的图像可尤其有利。特定来说,甚至在存在显著测试图像噪声及/或适合于对准的极少或最少经图案化特征的情况下,通过如本文中所描述地将测试图像去噪、在适合在对准中使用的经图案化特征位于其中的经去噪测试图像中指定ROI以及仅使用ROI来进行对准,本文中所描述的实施例使得图像对准基本上准确(例如,以子像素准确度)。
取决于所述参考图像正用于的应用,本文中所描述的实施例中所使用的参考图像可以是不同类型的参考图像。从过程正被执行所针对的样本产生一些参考图像。在一个实施例中,参考图像是经去噪参考图像,由成像子系统在样本上与产生测试图像的位置对应的位置处针对样本而产生初始参考图像,且一或多个计算机子系统经配置以用于在对准之前减少初始参考图像中的噪声,由此产生经去噪参考图像。在一个此种实例中,可在样本上的不同邻近裸片中且在那些不同裸片内的粗略对应的位置处获取测试图像及参考图像。当使用样本来获取测试图像及参考图像两者时,测试图像及参考图像两者可展现相对类似水平的噪声。因此,如果如本文中所描述地出于对准目的而将测试图像去噪,则还受益于出于对准目的而将参考图像去噪是可能的。在此类例子中,可以同一方式使用相同参数将测试图像及参考图像两者去噪(由于图像中相对类似水平或类型的噪声,此可以是适合的)。可如本文中所描述地及图4到6中所展示地进一步执行测试图像及参考图像两者的此种去噪。
在另一实施例中,不使用样本来产生参考图像。举例来说,在本文中所描述的一些应用中,可以不涉及将样本成像的方式产生参考图像。在一个此种实例中,参考图像可以是从样本的设计再现的图像,所述设计模拟如果透过样本成像将如何显现参考图像。针对样本的设计可包含任何适合设计数据或信息,例如图像数据流(GDS)文件。在另一实例中,可从在其上印刷同一设计的另一样本产生参考图像。
以此方式,本文中所描述的实施例中所使用的参考图像可展现或可不展现与测试图像相同的类型及水平的噪声。举例来说,自针对样本的设计再现的参考图像可不具有与测试图像相同的类型及水平的噪声,且因此,可无需执行此种参考图像的去噪来实现本文中所描述的图像对准准确度。在其它例子中,从同一设计的另一样本产生的参考图像可具有与测试图像相对类似的水平及类型的噪声,且因此可出于对准目的而对此种参考图像执行去噪。
在一些例子中,产生参考图像的系统或方法可执行参考图像的去噪,由此使得通过本文中所描述的实施例对参考图像的去噪变得没有必要。举例来说,可通过另一系统或方法来执行将参考图像再现,且在使得参考图像可用于由本文中所描述的实施例使用之前,所述另一系统或方法可将参考图像去噪。因此,本文中所描述的实施例可能够在不进行任何额外去噪的情况下使用参考图像。
在一些实施例中,参考图像是经去噪参考图像,不使用样本来产生初始参考图像,且一或多个计算机子系统经配置以用于在对准之前减少初始参考图像中的噪声,由此产生经去噪参考图像。举例来说,本文中所描述的实施例可经配置以用于在未如上文所描述地使用物理样本自身的情况下产生参考图像(例如,通过从设计再现参考图像、通过使用同一设计的另一样本来获取参考图像等)。另外以所属领域中已知的任何适合方式,可执行以此种方式产生参考图像。接着,在一些此类例子中,可在将样本成像及产生由本文中所描述的实施例所使用的测试图像之前产生参考图像。因此,如果此种参考图像是尤其有噪的,则在将经执行以产生测试图像的样本成像之前,可如本文中所描述地将参考图像去噪。以此方式,当不从测试样本产生参考图像时,可在设置阶段而非运行时间阶段期间执行将参考图像去噪。然而,甚至当使用测试样本来产生参考图像时,还可在设置阶段而非运行时间阶段期间执行将参考图像去噪。
在一个实施例中,参考图像是经去噪参考图像,由成像子系统在样本上与产生测试图像的位置对应的位置处针对样本而产生初始参考图像,一或多个计算机子系统经配置以用于在对准之前减少初始参考图像中的噪声,由此产生经去噪参考图像,且减少测试图像中的噪声及减少初始参考图像中的噪声包含针对测试图像及初始参考图像单独执行的基于结构的去噪。图4中展示一个此种实施例。如图4中所展示,可分别将测试图像400及参考图像402单独馈送到不同的基于结构的去噪及ROI步骤404及406中。可如本文中进一步所描述地执行基于结构的去噪及ROI步骤。接着,可将具有在其中所识别的ROI的经去噪测试及参考图像输入到对准步骤408。可如本文中进一步所描述地在步骤408中执行对准。因此,在此相对简单的实施例中,在将所述两个图像馈送到主要对准步骤中之前,系统会对两个图像单独执行基于结构的去噪。
在又一实施例中,参考图像是经去噪参考图像,由成像子系统在样本上与产生测试图像的位置对应的位置处针对样本而产生初始参考图像,一或多个计算机子系统经配置以用于在对准之前减少初始参考图像中的噪声,由此产生经去噪参考图像,且减少测试图像中的噪声及减少初始参考图像中的噪声包含将测试图像及初始参考图像同时输入到基于结构的去噪中。因此,在此实施例中,在对测试图像及参考图像执行基于结构的去噪之前,计算机子系统可从测试图像及参考图像产生“堆叠”。举例来说,如图5中所展示,计算机子系统可产生测试及参考堆叠500且将图像堆叠输入到基于结构的去噪步骤502。本文中所使用的所述术语将图像“堆叠”不包含以任何方式组合或改变图像。相反,本文中所使用的所述术语“堆叠”旨在指示将多个图像作为不同输入通道中的不同图像同时馈送到去噪算法中。可如本文中进一步所描述地执行此去噪步骤。以此方式,在针对主要对准方法而分离测试图像与参考图像之前,计算机子系统可对测试图像与参考图像的堆叠采用基于结构的去噪。
在去噪之后,图像可再次被分离且接着被馈送到对准过程中。在一个此种实施例中,基于结构的去噪同时输出经去噪测试图像及经去噪参考图像,且一或多个计算机子系统经配置以用于在检测之前将经去噪测试图像与经去噪参考图像分离。举例来说,如图5中所展示,可将基于结构的去噪502的输出输入到将经去噪测试图像506从经去噪参考图像508分离的分裂步骤504。接着,可分别在ROI识别步骤510及512中对经去噪测试图像506及经去噪参考图像508单独执行ROI识别。然后,可将经去噪测试图像及经去噪参考图像以及其所识别ROI输入到对准步骤514,此可如本文中进一步所描述地得到执行。
计算机子系统可经配置以用于将对准步骤的结果存储在任何适合计算机可读存储媒体中。所述结果可与本文中所描述的其它结果中的任一者一起被存储且可以所属领域中已知的任何方式被存储。存储媒体可包含本文中所描述的任何存储媒体或所属领域中已知的任何其它适合存储媒体。在已存储所述结果之后,所述结果可在存储媒体中进行存取且可由本文中所描述的方法或系统实施例中的任一者使用、可经格式化以显示给用户、可由另一软件模块、方法或系统使用,等等。
在一个此种实例中,本文中所描述的实施例可经配置以用于针对样本执行检验工艺。以此方式,可通过本文中所描述的实施例将已彼此对准的(原始及/或经去噪)图像测试及参考图像输入到缺陷检测方法或算法。此种缺陷检测方法或算法的一个实例可包含从参考图像已对准到的经去噪测试图像减去参考图像,由此产生差图像,且接着将缺陷检测阈值应用于差图像。举例来说,可将大于阈值的差图像中的图像信号或数据指定为缺陷或潜在缺陷,且不可将不大于阈值的差图像中的图像信号或数据指定为缺陷或潜在缺陷。当然,此仅是可使用本文中所描述的对准步骤的结果的缺陷检测方法或算法的简单实例。一般来说,依赖于测试图像与参考图像之间的对准的任何缺陷检测方法或算法可使用本文中所描述的对准步骤之输出来进行检验。
不同检验工具可使用不同缺陷检测方法及算法。由可从KLA商购的检验工具所使用的缺陷检测算法的一些实例包含多裸片适应性阈值(MDAT)算法,所述算法通过图像图框减法来执行候选图像与参考图像的比较且透过双检测(将候选图像与两个参考图像比较)或单检测(当与不止两个图框的中间参考图框比较时)基于信噪比来识别离群值。另一此种缺陷检测算法包含经多次运算的裸片适应性阈值(MCAT)算法,所述算法类似于MDAT算法但在执行图像减法之前会将类似于测试图像图框的参考图像图框最优化。额外此种缺陷检测算法包含MCAT+算法,所述算法是类似于MCAT但使用来自跨越晶片的参考的算法。又一此种缺陷检测算法是单参考裸片(SRD)缺陷检测算法,所述算法将来自同一晶片或不同晶片的参考裸片用作参考(用于从测试图像减去)。
缺陷检测方法还可以是一维(1D)或二维(2D)版本的这些缺陷检测方法中的任一者。针对检测器输出而产生1D直方图的缺陷检测方法可被称为“1D缺陷检测方法”。在一个此种实施例中,从自经对准图像产生的差图像中的灰阶产生1D直方图。举例来说,在于x轴线上具有差灰阶的情况下,1D缺陷检测方法或算法可使用1D直方图来进行离群值检测。因此,1D直方图可展示差灰阶上的缺陷计数。相比来说,本文中所使用的所述术语“2D缺陷检测算法”是使用2D直方图的算法,其中(举例来说)一个轴线是n>1参考图框(y轴线)的中间灰阶,且x轴线是从如本文中所描述地对准的图像产生的差图像的差灰阶。
在另一此种实例中,本文中所描述的实施例可经配置以用于针对样本而执行计量工艺。以此方式,可将已彼此对准的(原始及/或去噪)测试图像及参考图像输入到测量方法或算法,此可由本文中所描述的实施例执行。可在计量期间执行将图像彼此对准,以确定将测试图像中的特征与参考图像中的特征比较的相对特性(例如相对临界尺寸(CD))。以此方式,可确定测试图像与参考图像中的特征之间的差,出于计量目的,所述差可用于监测对样本执行的过程的性能、可用于识别此种制作过程中的问题、可用于确定对此种制作过程的校正等。本文中将进一步描述这些过程及校正。
在又一实例中,本文中所描述的实施例可经配置以用于针对样本来执行缺陷再检验工艺。以此方式,如本文中所描述地已彼此对准的(原始及/或去噪)测试图像及参考图像可用于重新检测检验中所检测的缺陷且可能地确定缺陷的额外信息,此可由本文中所描述的实施例执行。举例来说,一旦已通过已从参考图像所对准到的测试图像减去所述参考图像来重新检测缺陷,对应于缺陷的测试图像的部分就可用于确定相比于已通过检验所确定的针对所述缺陷的额外信息及/或以比已通过检验所确定的信息的分辨率高的分辨率确定的信息。在一个此种实例中,由于以比检验图像高的分辨率产生缺陷再检验图像,因此与检验相比,可通过缺陷再检验来确定更准确及/或更详细的信息。出于此目的,由于可使用经去噪测试图像,可从本文中所描述的测试图像确定的缺陷信息还可更准确及/或更详细。在一些例子中,使用原始测试图像及经去噪测试图像两者来确定通过再检验来重新检测的缺陷的一或多个特性还可以是有用的。
通过本文中所描述的实施例及/或其它系统及方法,可以各种方式使用基于如本文中所描述地对准的图像通过针对样本执行过程所产生的结果及信息。此类功能包含但不限于已以或将以反馈方式或前馈方式对样本或另一样本执行变更过程,例如制作过程或步骤。举例来说,计算机子系统可经配置以使用所检测缺陷、测量、经再检验缺陷等来确定已对如本文中所描述地检验、测量、缺陷再检验的样本所执行的过程及/或将对样本执行的过程的一或多个改变。过程的改变可包含过程的一或多个参数的任何适合改变。计算机子系统优选地确定那些改变,使得:可在对其执行经修正过程的其它样本上减少或防止缺陷;可在对样本执行的另一过程中在样本上校正缺陷及/或测量;可在对样本执行的另一过程中补偿缺陷及/或测量;等等。计算机子系统可以所属领域中已知的任何适合方式来确定这些改变。
接着,可将那些改变发送到半导体制作系统(未展示)或可对计算机子系统及半导体制作系统进行存取的存储媒体(未展示)。半导体制作系统可以是或可并非是本文中所描述的系统实施例的一部分。举例来说,本文中所描述的其它计算机子系统及/或成像子系统可(例如)经由一或多个共同元件(例如壳体、电力供应器、样本处置装置或机构等)耦合到半导体制作系统。半导体制作系统可包含所属领域中已知的任何半导体制作系统,例如光刻工具、蚀刻工具、化学机械抛光(CMP)工具、沉积工具等等。
本文中所描述的实施例经由先前针对图像对准所使用的方法及系统来提供若干优点。举例来说,本文中所描述的实施例使得对先前使用较旧对准方法而具有相对不良的性能的相对有噪图像(例如SEM图像)进行图像对准成为可能。通过采用本文中所描述的基于结构的去噪及/或SVD来使得实现对有噪图像进行优选图像对准成为可能。在另一实例中,当测试图像及参考图像具有较不明显共同特征及/或具有噪声时,本文中所描述的实施例可闭合当前图像对准(例如,当前SEM图像对准)中的间隙。通过检测水平特征及/或垂直特征且将所述特征设定到ROI作为到可包含NCC或一些其它合适对准方法或算法的对准步骤的输入,对于具有相对有限数目的结构的图像,本文中所描述的实施例能够胜过较旧对准方法。
可将上文所描述的系统中的每一者的实施例中的每一者组合在一起成为一个单个实施例。
另一实施例涉及用于对准样本的图像的计算机实施方法。所述方法包含上文所描述的减少噪声、检测一或多个经图案化特征、指定区及对准步骤。
可如本文中进一步所描述地执行所述方法的步骤中的每一者。所述方法还可包含可由本文中所描述的成像子系统及/或计算机子系统或系统执行的任何其它步骤。通过耦合到成像子系统的一或多个计算机子系统来执行减少噪声、检测一或多个经图案化特征、指定区及对准步骤,所有这些可根据本文中所描述的实施例中的任一者来配置。另外,可通过本文中所描述的系统实施例中的任一者来执行上文所描述的方法。
额外实施例涉及存储可在计算机系统上执行以便执行用于对准样本上的图像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。图7中展示一个此种实施例。特定来说,如图7中所展示,非暂时性计算机可读媒体700包含可在计算机系统704上执行的程序指令702。计算机实施方法可包含本文中所描述的任何方法的任何步骤。
实施例如本文中所描述的方法的方法的程序指令702可存储于计算机可读媒体700上。计算机可读媒体可以是例如磁盘或光盘、磁带的存储媒体或者所属领域中已知的任何其它适合的非暂时性计算机可读媒体。
可以各种方式中的任一者来实施程序指令,所述方式包含基于过程的技术、基于组件的技术及/或面向对象的技术以及其它技术。举例来说,可使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(流式SIMD扩展)或者其它技术或方法来实施所述程序指令。
可根据本文中所描述的实施例中的任一者来配置计算机系统704。
鉴于此说明,所属领域的技术人员将明了本发明的各个方面的进一步修改及替代实施例。举例来说,提供用于对准样本的图像的方法及系统。因此,此说明应被视为仅具说明性,且出于教导所属领域的技术人员实施本发明的一般方式的目的。应理解,本文中所展示及所描述的本发明的形式应被视为目前优选实施例。如所属领域的技术人员在受益于对本发明的此说明之后将全部明了,元件及材料可替代本文中所图解说明及描述的元件及材料,可颠倒零件及过程,且可独立地利用本发明的一些特征。可在不脱离如以下权利要求书中所描述的本发明的精神及范围的情况下对本文中所描述的元件做出改变。
Claims (20)
1.一种经配置以用于对准样本的图像的系统,其包括:
成像子系统,其经配置以产生样本的图像;及
一或多个计算机子系统,其经配置以用于:
减少通过所述成像子系统针对所述样本而产生的测试图像中的噪声,由此产生经去噪测试图像;
检测所述经去噪测试图像中的至少在水平方向或垂直方向上延伸的一或多个经图案化特征;
将所述经去噪测试图像的所述检测一或多个经图案化特征位于其中的区指定为所述经去噪测试图像中的所关注区域;及
仅使用所述经去噪测试图像中的所述所关注区域及所述样本的参考图像中的对应区将所述经去噪测试图像与所述参考图像对准。
2.根据权利要求1所述的系统,其中所述参考图像是经去噪参考图像,其中通过所述成像子系统在所述样本上与产生所述测试图像的位置对应的位置处针对所述样本而产生初始参考图像,且其中所述一或多个计算机子系统进一步经配置以用于在所述对准之前减少所述初始参考图像中的噪声,由此产生所述经去噪参考图像。
3.根据权利要求1所述的系统,其中不使用所述样本来产生所述参考图像。
4.根据权利要求1所述的系统,其中所述参考图像是经去噪参考图像,其中不使用所述样本来产生初始参考图像,且其中所述一或多个计算机子系统进一步经配置以用于在所述对准之前减少所述初始参考图像中的噪声,由此产生所述经去噪参考图像。
5.根据权利要求1所述的系统,其中所述减少噪声包括基于结构的去噪。
6.根据权利要求1所述的系统,其中所述参考图像是经去噪参考图像,其中通过所述成像子系统在所述样本上与产生所述测试图像的位置对应的位置处针对所述样本而产生初始参考图像,其中所述一或多个计算机子系统进一步经配置以用于在所述对准之前减少所述初始参考图像中的噪声,由此产生所述经去噪参考图像,且其中所述减少所述测试图像中的噪声及所述减少所述初始参考图像中的噪声包括针对所述测试图像及所述初始参考图像而单独执行的基于结构的去噪。
7.根据权利要求1所述的系统,其中所述参考图像是经去噪参考图像,其中通过所述成像子系统在所述样本上与产生所述测试图像的位置对应的位置处针对所述样本而产生初始参考图像,其中所述一或多个计算机子系统进一步经配置以用于在所述对准之前减少所述初始参考图像中的噪声,由此产生所述经去噪参考图像,且其中所述减少所述测试图像中的噪声及所述减少所述初始参考图像中的噪声包括将所述测试图像及所述初始参考图像同时输入到基于结构的去噪中。
8.根据权利要求7所述的系统,其中所述基于结构的去噪同时输出所述经去噪测试图像及所述经去噪参考图像,且其中所述一或多个计算机子系统进一步经配置以用于在所述检测之前将所述经去噪测试图像与所述经去噪参考图像分离。
9.根据权利要求1所述的系统,其中所述减少噪声包括奇异值分解。
10.根据权利要求1所述的系统,其中所述减少噪声包括:奇异值分解;选择在通过所述奇异值分解而输出的一或多个矩阵中具有最大值的预定数目的本征矢量;及依据所述选择本征矢量重构所述测试图像,由此产生所述经去噪测试图像。
11.根据权利要求1所述的系统,其中所述减少噪声包括基于结构的去噪,后续接着奇异值分解。
12.根据权利要求1所述的系统,其中所述将所述经去噪测试图像与所述参考图像对准会以子像素准确度将所述测试图像与所述参考图像对准。
13.根据权利要求1所述的系统,其中所述对准包括正规化交叉相关。
14.根据权利要求1所述的系统,其中在所述测试图像中至少在所述水平方向或所述垂直方向上延伸的大多数经图案化特征在正规化交叉相关中具有比所述测试图像中的噪声小的权重。
15.根据权利要求1所述的系统,其中所述测试图像包括重复的经图案化特征。
16.根据权利要求1所述的系统,其中所述样本是晶片。
17.根据权利要求1所述的系统,其中所述成像子系统是基于光的成像子系统。
18.根据权利要求1所述的系统,其中所述成像子系统是基于电子的成像子系统。
19.一种非暂时性计算机可读媒体,其存储可在计算机系统上执行以便执行用于对准样本的图像的计算机实施方法的程序指令,其中所述计算机实施方法包括:
减少通过成像子系统针对样本而产生的测试图像中的噪声,由此产生经去噪测试图像;
检测所述经去噪测试图像中的至少在水平方向或垂直方向上延伸的一或多个经图案化特征;
将所述经去噪测试图像的所述检测一或多个经图案化特征位于其中的区指定为所述经去噪测试图像中的所关注区域;及
仅使用所述经去噪测试图像中的所述所关注区域及所述样本的参考图像中的对应区将所述经去噪测试图像与所述参考图像对准,其中通过耦合到所述成像子系统的所述计算机系统来执行所述减少、检测、指定及对准。
20.一种用于对准样本的图像的计算机实施方法,其包括:
减少通过成像子系统针对样本而产生的测试图像中的噪声,由此产生经去噪测试图像;
检测所述经去噪测试图像中的至少在水平方向或垂直方向上延伸的一或多个经图案化特征;
将所述经去噪测试图像的所述检测一或多个经图案化特征位于其中的区指定为所述经去噪测试图像中的所关注区域;及
仅使用所述经去噪测试图像中的所述所关注区域及所述样本的参考图像中的对应区将所述经去噪测试图像与所述参考图像对准,其中通过耦合到所述成像子系统的一或多个计算机子系统来执行所述减少、检测、指定及对准。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063016309P | 2020-04-28 | 2020-04-28 | |
US63/016,309 | 2020-04-28 | ||
US17/094,607 | 2020-11-10 | ||
US17/094,607 US11494924B2 (en) | 2020-04-28 | 2020-11-10 | Image alignment for noisy images |
PCT/US2021/028265 WO2021221965A1 (en) | 2020-04-28 | 2021-04-21 | Image alignment for noisy images |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115516297A CN115516297A (zh) | 2022-12-23 |
CN115516297B true CN115516297B (zh) | 2023-07-14 |
Family
ID=78222570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180031010.XA Active CN115516297B (zh) | 2020-04-28 | 2021-04-21 | 用于有噪图像的图像对准 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11494924B2 (zh) |
KR (1) | KR20230003051A (zh) |
CN (1) | CN115516297B (zh) |
IL (1) | IL297079A (zh) |
TW (1) | TW202208836A (zh) |
WO (1) | WO2021221965A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11922619B2 (en) | 2022-03-31 | 2024-03-05 | Kla Corporation | Context-based defect inspection |
US20230314336A1 (en) | 2022-03-31 | 2023-10-05 | Kla Corporation | Multi-mode optical inspection |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7295695B1 (en) * | 2002-03-19 | 2007-11-13 | Kla-Tencor Technologies Corporation | Defect detection via multiscale wavelets-based algorithms |
KR101535010B1 (ko) * | 2014-02-07 | 2015-07-08 | (주) 넥스트칩 | 잡음 제거 장치 및 방법 |
WO2019090533A1 (en) * | 2017-11-08 | 2019-05-16 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for diagnositic and treatment |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5923430A (en) * | 1993-06-17 | 1999-07-13 | Ultrapointe Corporation | Method for characterizing defects on semiconductor wafers |
US6885775B2 (en) * | 2000-01-21 | 2005-04-26 | Matsushita Electric Industrial Co., Ltd. | Image processing method and image processing apparatus |
US6763142B2 (en) | 2001-09-07 | 2004-07-13 | Nline Corporation | System and method for correlated noise removal in complex imaging systems |
JP2006029881A (ja) | 2004-07-14 | 2006-02-02 | Hitachi High-Technologies Corp | パターン欠陥検査方法および装置 |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US8126255B2 (en) | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
KR20100001133A (ko) | 2008-06-26 | 2010-01-06 | 주식회사 하이닉스반도체 | 광 근접 효과 보상 방법 |
US8664594B1 (en) | 2011-04-18 | 2014-03-04 | Kla-Tencor Corporation | Electron-optical system for high-speed and high-sensitivity inspections |
US8692204B2 (en) | 2011-04-26 | 2014-04-08 | Kla-Tencor Corporation | Apparatus and methods for electron beam detection |
US8716662B1 (en) | 2012-07-16 | 2014-05-06 | Kla-Tencor Corporation | Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US8995749B2 (en) * | 2013-03-28 | 2015-03-31 | Mitutoyo Corporation | Enhanced edge detection tool for edges of irregular surfaces |
US9442077B2 (en) * | 2013-08-28 | 2016-09-13 | Kla-Tencor Corp. | Scratch filter for wafer inspection |
US10211025B2 (en) * | 2015-08-12 | 2019-02-19 | Kla-Tencor Corp. | Determining a position of a defect in an electron beam image |
US10186028B2 (en) * | 2015-12-09 | 2019-01-22 | Kla-Tencor Corporation | Defect signal to noise enhancement by reducing die to die process noise |
IL298488B1 (en) * | 2016-09-23 | 2024-04-01 | Curemetrix Inc | Mapping breast artery calcification and prediction of heart disease |
US10504213B2 (en) | 2016-11-22 | 2019-12-10 | Kla-Tencor Corporation | Wafer noise reduction by image subtraction across layers |
US10755404B2 (en) * | 2017-12-07 | 2020-08-25 | International Business Machines Corporation | Integrated circuit defect detection using pattern images |
US10685212B2 (en) * | 2018-06-25 | 2020-06-16 | Texas Instruments Incorporated | Three dimensional (3d) object detection |
US11663700B2 (en) * | 2019-06-29 | 2023-05-30 | Intel Corporation | Automatic elimination of noise for big data analytics |
US11947270B2 (en) * | 2020-02-26 | 2024-04-02 | Fei Company | Metrology of semiconductor devices in electron micrographs using fast marching level sets |
-
2020
- 2020-11-10 US US17/094,607 patent/US11494924B2/en active Active
-
2021
- 2021-04-21 WO PCT/US2021/028265 patent/WO2021221965A1/en active Application Filing
- 2021-04-21 CN CN202180031010.XA patent/CN115516297B/zh active Active
- 2021-04-21 KR KR1020227041282A patent/KR20230003051A/ko active Search and Examination
- 2021-04-21 IL IL297079A patent/IL297079A/en unknown
- 2021-04-28 TW TW110115280A patent/TW202208836A/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7295695B1 (en) * | 2002-03-19 | 2007-11-13 | Kla-Tencor Technologies Corporation | Defect detection via multiscale wavelets-based algorithms |
KR101535010B1 (ko) * | 2014-02-07 | 2015-07-08 | (주) 넥스트칩 | 잡음 제거 장치 및 방법 |
WO2019090533A1 (en) * | 2017-11-08 | 2019-05-16 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for diagnositic and treatment |
Also Published As
Publication number | Publication date |
---|---|
US11494924B2 (en) | 2022-11-08 |
US20210334989A1 (en) | 2021-10-28 |
KR20230003051A (ko) | 2023-01-05 |
IL297079A (en) | 2022-12-01 |
TW202208836A (zh) | 2022-03-01 |
WO2021221965A1 (en) | 2021-11-04 |
CN115516297A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI679710B (zh) | 用於判定樣品上缺陷之系統、非暫時性電腦可讀媒體及方法 | |
KR102369848B1 (ko) | 관심 패턴 이미지 집단에 대한 이상치 검출 | |
US10365232B2 (en) | High accuracy of relative defect locations for repeater analysis | |
CN113678236A (zh) | 用于半导体应用的可学习缺陷检测 | |
CN115516297B (zh) | 用于有噪图像的图像对准 | |
US11416982B2 (en) | Controlling a process for inspection of a specimen | |
US20210010945A1 (en) | Systems and methods for selecting defect detection methods for inspection of a specimen | |
KR102347052B1 (ko) | 리피터 분석을 위한 높은 정확도의 상대적 결함 위치 | |
US11748872B2 (en) | Setting up inspection of a specimen | |
US11494895B2 (en) | Detecting defects in array regions on specimens | |
US20240161272A1 (en) | Multimode defect detection | |
US20220327796A1 (en) | Salient feature point based image alignment | |
TW202420233A (zh) | 多模式缺陷偵測 | |
CN117355930A (zh) | 通过基于图像投影的修补对设计对准的晶片对准改进 |
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 |