CN115699282A - 使用机器学习的半导体叠对测量 - Google Patents

使用机器学习的半导体叠对测量 Download PDF

Info

Publication number
CN115699282A
CN115699282A CN202180042124.4A CN202180042124A CN115699282A CN 115699282 A CN115699282 A CN 115699282A CN 202180042124 A CN202180042124 A CN 202180042124A CN 115699282 A CN115699282 A CN 115699282A
Authority
CN
China
Prior art keywords
region
structures
process layer
edge
machine learning
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
CN202180042124.4A
Other languages
English (en)
Inventor
A·亚提
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 CN115699282A publication Critical patent/CN115699282A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

获得展示第一过程层中的一或多个结构及第二过程层中的一或多个结构的半导体裸片的部分的图像。使用机器学习，在所述图像上定义至少部分包含所述第一过程层中的所述一或多个结构的第一区域。还使用机器学习，在所述图像上定义至少部分包含所述第二过程层中的所述一或多个结构的第二区域。使用所述第一区域及所述第二区域计算所述第一过程层中的所述一或多个结构与所述第二过程层中的所述一或多个结构之间的叠对偏移。

Description

使用机器学习的半导体叠对测量
相关申请案
本申请案主张2020年6月24日申请的第202041026631号印度临时专利申请案及2020年8月11日申请的第63/063,973号美国临时专利申请案的优先权，所述两个案的全部内容为所有目的以引用方式并入。
技术领域
本发明涉及测量半导体装置的叠对(即，叠对偏移)且更具体来说，涉及使用机器学习测量叠对偏移。
背景技术
在半导体制造中，过程层之间的错位引起一个过程层中的结构的位置相较于另一过程层中的结构的位置的非所要移位。此移位(即，位移)被称为叠对或等效地，被称为叠对偏移。测量这些移位被称为叠对度量衡。尤其在新半导体过程及/或装置的斜升周期期间，准确叠对度量衡对于测量过程漂移且因此对于建立且维持过程控制是重要的。
扫描电子显微镜(SEM)是用于叠对度量衡的有用工具，这是因为其具有高分辨率且可成像结构而无关于其形状或大小。然而，识别SEM图像中的结构(例如，所关注图案)用于叠对测量提出显著挑战。尤其在斜升周期期间，过程变动可引起结构的形状、大小及定向显著变动。因此，传统对象辨识算法可能无法在待测量重叠的两个结构上对准。
发明内容
可通过使用机器学习来定义对应于半导体裸片的各自过程层中的各自结构(或结构群组)的区域且使用所述区域来计算所述结构之间的叠对偏移而执行叠对度量衡。
在一些实施例中，一种方法包含获得展示第一过程层中的或多个结构及第二过程层中的一或多个结构的半导体裸片的部分的图像。所述方法还包含使用机器学习以在所述图像上定义至少部分包含所述第一过程层中的所述一或多个结构的第一区域且在所述图像上定义至少部分包含所述第二过程层中的所述一或多个结构的第二区域。所述方法进一步包含使用所述第一区域及所述第二区域以计算所述第一过程层中的所述一或多个结构与所述第二过程层中的所述一或多个结构之间的叠对偏移。
在一些实施例中，一种非暂时性计算机可读存储媒体存储用于由一或多个处理器执行的一或多个程序。所述一或多个程序包含用于执行上述方法的指令。
在一些实施例中，一种系统包含扫描电子显微镜(SEM)、一或多个处理器及存储用于由所述一或多个处理器执行的一或多个程序的存储器。所述一或多个程序包含用于执行上述方法的指令。
附图说明
为了更佳理解各种所述实施方案，应结合以下附图参考下文的“具体实施方式”。
图1A是半导体裸片的部分的SEM图像的说明，其展示第一过程层中的第一结构及第二过程层中的多个第二结构。
图1B是根据一些实施例的具有使用机器学习定义的界定第一过程层中的第一结构的界限的第一区域及使用机器学习定义的界定第二过程层中的多个第二结构的界限的第二区域的图1A的SEM图像的说明。
图2A是半导体裸片的部分的另一SEM图像的说明，其展示第一过程层中的结构及第二过程层中的结构。
图2B是根据一些实施例的具有使用机器学习定义的界定第一过程层中的结构中的一者的界限的第一区域及使用机器学习定义的部分包含第二过程层中的结构的第二区域的图2A的SEM图像的说明。
图3A是半导体裸片的部分的又一SEM图像的说明，其展示第一过程层中的结构及第二过程层中的一对结构。
图3B是根据一些实施例的具有使用机器学习定义的部分包含第一过程层中的结构的第一区域及使用机器学习定义的部分包含第二过程层中的所述对结构中的各自结构的第二区域的图3B的SEM图像的说明。
图4A是半导体裸片的部分的又另一SEM图像的说明，其展示第一过程层中的多个结构及第二过程层中的结构。
图4B是具有使用机器学习定义的界定第一过程层中的多个结构的界限的第一区域及使用机器学习定义的界定第二过程层中的结构的界限的第二区域的图4A的SEM图像的说明。
图4C是具有使用机器学习定义的部分包含第一过程层中的多个结构中的各自结构的多个第一区域及使用机器学习定义的部分包含第二过程层中的结构的多个第二区域的图4A的SEM图像的说明。
图5是展示根据一些实施例的叠对度量衡方法的流程图。
图6是根据一些实施例的半导体检验系统的框图。
贯穿附图及说明书，相同元件符号是指对应零件。
具体实施方式
现将详细参考各项实施例，在附图中说明所述实施例的实例。在以下详细描述中，阐述多个具体细节以便提供各项所述实施例的透彻理解。然而，一般技术人员将明白，可在没有这些具体细节的情况下实践各项所述实施例。在其它例子中，未详细描述熟知方法、过程、组件、电路及网络以免不必要地使本发明的方面不清楚。
机器学习分类器可经训练以定义对应于半导体裸片的图像中的各自结构或结构群组的区域。例如，图像是扫描电子显微镜(SEM)图像。结构及/或结构群组是在裸片上的不同过程层中被制造。区域用于计算结构之间的叠对偏移。
图1A是半导体裸片的部分的扫描电子显微镜(SEM)图像100的说明。SEM图像100包含结构102及多个结构104。结构102及/或多个结构104可为导电的(例如，金属)。例如，结构102及/或多个结构104可为导电(例如，金属)插塞。在一些实施例中，结构102是将第一对金属层导电连接的通路且结构104是将第二对金属层导电连接的通路或是将导电层(例如，金属层)导电连接到硅的触点。结构102在半导体裸片的与多个结构104不同的过程层中。在一些实施例中，结构102在第一通路层中，而多个结构104在第二通路层中(例如，第一通路层下方)或接触层中。其它实例是可行的。
在图1B中，机器学习(例如，机器学习分类器，其可根据下文的方法500的步骤502训练)已用于定义对应于结构102的第一区域106及对应于多个结构104的第二区域108。在一些实施例中，第一区域106界定结构102的界限及/或第二区域108界定多个结构104的界限。因此，第一区域106可包围且围封结构102，使得其完全包含结构102，且第二区域108可包围且围封多个结构104，使得其完全包含多个结构104。例如，第一区域106可为界定结构102的界限的框(例如，矩形框)且第二区域108可为界定多个结构104的界限的框(例如，矩形框)。使用机器学习定义以界定一个结构或多个结构的界限的框被称为定界框。第一区域106及/或第二区域108可替代地经定义以具有除框之外的其它形状。
第一区域106及第二区域108可用于计算结构102与多个结构104之间的叠对偏移。在一些实施例中，计算第一区域106与第二区域108之间(例如，在SEM图像100的平面中的两个维度上或在SEM图像100的平面的水平或垂直维度上)的间距以确定叠对偏移。例如，可将叠对偏移计算为第一区域106的中心与第二区域108的中心之间的距离。
图2A是半导体裸片的部分的另一SEM图像200的说明。SEM图像200包含在第一过程层中的第一结构201及第二结构202以及在处于第一过程层下方的第二过程层中的第三结构204。第一结构201具有具备水平及垂直臂的L形状，第二结构202是矩形，且第三结构204是在第一结构201的水平臂下方且平行于第一结构201的垂直臂伸展的线。第三结构204在第二结构202与第一结构201的垂直臂之间垂直伸展但在低于第一结构201及第二结构202的过程层的过程层中。在一些实施例中，第一及第二过程层是金属层：第一结构201及第二结构202是在第一金属层中的金属结构，而第三结构204是在低于第一金属层的第二金属层中的金属线。其它实例是可行的。
在图2B中，机器学习(例如，机器学习分类器，其可根据下文的方法500的步骤502训练)已用于定义对应于第二结构202的第一区域206及对应于第三结构204的第二区域208。在一些实施例中，第一区域206界定第二结构202的界限及/或第二区域208包含第三结构204的部分(即，部分包含第三结构204)。例如，第一区域206是界定第二结构202的界限的定界框(例如，矩形定界框)及/或第二区域208是围封第三结构204的部分的框(例如，矩形框)。除框之外，第一区域206及/或第二区域208可替代地经定义以还具有其它形状。
第一区域206及第二区域208可用于计算第二结构202与第三结构204之间的叠对偏移。在一些实施例中，计算第一区域206与第二区域208之间(例如，在SEM图像200的水平维度上)的间距以确定叠对偏移。例如，可将叠对偏移计算为第一区域206的中心与第二区域208的中心之间的距离(例如，水平距离)。
图1B及2B展示其中使用运用机器学习定义的区域之间的间距计算叠对偏移的实例。替代地，使用机器学习定义的区域可用作在其内检测结构的边缘的起始区域，且使用经检测边缘之间的经测量距离计算叠对偏移。
图3A是半导体裸片的部分的又一SEM图像300的说明。SEM图像300包含在第一过程层中的结构302及在第二过程层中的一对结构304-1及304-2。结构302是具有修圆隅角的线(例如，金属线)。结构304-1及304-2可为接触结构302的导电插塞(例如，导电通路或触点，其可为金属)。在一些实施例中，结构304-1及304-2可为在第一过程层(其为金属层)正上方(或正下方)的通路层中的金属通路。其它实例是可行的。结构304-1及304-2的形状大体上是圆形，但其可在一定过程上是椭圆形的(例如，由于过程变动)。
在图3B中，机器学习(例如，机器学习分类器，其可根据下文的方法500的步骤502训练)已用于定义对应于且包含结构302的部分(即，部分包含结构302)的第一区域306及对应于且包含结构304-1的部分(即，部分包含结构304-1)的第二区域308。第一区域306包含结构302的边缘307的部分。在图3B的实例中，第一区域306包含结构302的端，使得边缘307的部分在结构302的端处。第二区域308包含结构304-1的边缘309的部分。在图3B的实例中，第二区域308包含结构304-1的圆周的部分(即，边缘309的部分是结构304-1的圆周的部分)。在一些实施例中，第一区域306及第二区域308是框(例如，矩形框)。除框之外，第一区域306及/或第二区域308可替代地经定义以还具有其它形状。
第一区域306及第二区域308可用于通过用作在其内执行边缘检测以检测部分307及309的起始区域而计算结构302与结构304-1之间的叠对偏移。一旦部分307及309已分别在第一区域306及第二区域308内经检测，便计算其之间的距离310。距离310给出结构302与结构304-1之间的叠对偏移(例如，叠对偏移等于距离310或等于距离310加上常数)。
图4A是半导体裸片的部分的仍另一SEM图像400的说明。SEM图像400包含在第一过程层中的多个结构402及在第二过程层中的结构404。结构404是水平线(例如，金属线)。以阵列布置的结构402可为导电插塞(例如，导电通路或触点，其可为金属)。在一些实施例中，结构402可为通路层中的通路或接触层中的触点。其它实例是可行的。结构402的形状大体上是圆形，但其可在一定过程上是椭圆形的(例如，由于过程变动)。结构402大体上均匀间隔，但其位置可在一定程度上从理想均匀间隔位置变动(例如，由于过程变动)。
在图4B中，机器学习(例如，机器学习分类器，其可根据下文的方法500的步骤502训练)已用于定义对应于多个结构402的第一区域406及对应于结构404的第二区域408。在一些实施例中，第一区域406界定多个结构402的界限，使得全部结构402在第一区域406内(即，第一区域406包含全部结构402)。在一些实施例中，第二区域408界定结构404的界限，使得整个结构404在第二区域408内(即，第二区域408包含结构404)。例如，第一区域406是界定多个结构402的界限的定界框(例如，矩形定界框)及/或第二区域408是界定结构404的界限的定界框(例如，矩形定界框)。除框之外，第一区域406及/或第二区域408可替代地经定义以还具有其它形状。
第一区域406及第二区域408可用于计算多个结构402与结构404之间的叠对偏移。在一些实施例中，计算第一区域406与第二区域408之间(例如，在SEM图像400的平面中的两个维度上，或在SEM图像400的平面中的垂直或水平维度中的任一者上)的间距以确定叠对偏移。例如，可将叠对偏移计算为第一区域406的中心与第二区域408的中心之间的距离(或距离加上常数)。
在图4C中，机器学习(例如，机器学习分类器，其可根据下文的方法500的步骤502训练)已用于定义对应于且包含多个结构402中的各自结构402(例如，在多个结构402的底部行中的各自结构402)的各自部分的第一区域410-1到410-4。机器学习(例如，机器学习分类器)还已用于定义对应于且包含结构404的各自部分的第二区域412-1到412-4。第一区域410-1到410-4中的每一者包含各自结构402的边缘的部分(例如，面向结构404的边缘部分)。第二区域412-1到412-4中的每一者包含结构404的边缘的各自部分(例如，在各自结构402对面的结构402的顶部边缘的部分)。在一些实施例中，第一区域410-1到410-4及第二区域412-1到412-4是框(例如，矩形框)。除框之外，第一区域410-1到410-4及/或第二区域412-1到412-4可替代地经定义以还具有其它形状。
第一区域410-1到410-4及第二区域412-1到412-4可用于通过用作在其内执行边缘检测的起始区域而计算各自结构402与结构404之间的各自叠对偏移。执行边缘检测以检测第一区域410-1到410-4及第二区域412-1到412-4中的边缘部分。一旦已检测这些边缘部分，便计算其之间的距离：计算第一区域410-1中的结构402的边缘部分与第二区域412-1中的结构404的边缘部分之间的第一距离，计算第一区域410-2中的结构402的边缘部分与第二区域410-2中的结构404的边缘部分之间的第二距离，计算第一区域410-3中的结构402的边缘部分与第二区域412-3中的结构404的边缘部分之间的第三距离，且计算第一区域410-4中的结构402的边缘部分与第二区域412-4中的结构404的边缘部分之间的第四距离。(虽然在图4C的实例中展示四个第一区域410及四个第二区域412，但其它数目个区域是可行的。)可通过与距离310(图3B)的模拟计算的这些距离给出各自结构402与结构404之间的各自叠对偏移(例如，叠对偏移等于各自距离或等于各自距离加上常数)。可使用这些距离的平均值确定多个结构402与结构404之间的平均叠对偏移。
图5是展示根据一些实施例的叠对度量衡方法500的流程图。方法500可通过计算机系统(例如，图6的半导体检验系统600的计算机系统)执行。
在一些实施例中，使用来自各自半导体裸片的裸片部分的各自例子的图像训练(502)机器学习分类器。图像是使用第一区域及第二区域的各自例子批注。例如，图像已由用户使用图形绘制程序批注以指示第一区域及第二区域的各自例子。在一些实施例中，机器学习分类器是神经网络。例如，机器学习分类器是卷积神经网络(CNN)(例如，Mask-R-CNN)。替代地，除神经网络之外，机器学习分类器还为不同类型的神经网络或不同类型的机器学习分类器。
获得(504)展示第一过程层中的一或多个结构及第二过程层中的一或多个结构的半导体裸片的部分的图像。在一些实施例中，图像是(506)SEM图像。图像可从成像工具(例如，图6的SEM 632)直接获得或可从其中先前存储图像的存储器获得。图像的实例包含(但不限于)图像100(图1A)、图像200(图2A)、图像300(图3A)或图像400(图4A)。
使用机器学习，在图像上定义(508)至少部分包含第一过程层中的一或多个结构的第一区域。在一些实施例中，使用(510)在步骤502中训练的机器学习分类器定义第一区域。第一区域可为(512)第一框(例如，矩形框)。例如，第一框是界定第一过程层中的一或多个结构的界限的定界框(例如，图1B的区域106、图2B的区域206、图4B的区域406)。替代地，第一区域可包含第一结构(其是第一过程层中的一或多个结构中的一者)的边缘的部分(即，仅边缘的部分且非整个边缘)。例如，第一区域可为包含第一结构的边缘的部分的第一框(例如，矩形框)(例如，图3B的区域306、图4C的区域410-1到410-4的中一者)。
还使用机器学习，在图像上定义(514)至少部分包含第二过程层中的一或多个结构的第二区域。在一些实施例中，使用(516)在步骤502中训练的机器学习分类器定义第二区域。第二区域可为(518)第二框(例如，矩形框)。例如，第二框是界定第二过程层中的一或多个结构的界限的定界框(例如，图1B的区域108、图4B的区域408)。替代地，第二区域(例如，图2B的区域208、图3B的区域308、图4C的区域412-1到412-4中的一者)可包含第二结构(其是第二过程层中的一或多个结构中的一者)的边缘的部分(即，仅边缘的部分且非整个边缘)。例如，第二区域可为包含第二结构的边缘的部分的第二框(例如，矩形框)。
在一些实施例中，使用神经网络实施步骤508及514的机器学习。例如，使用卷积神经网络(CNN)(例如，Mask-R-CNN)。在其它实施例中，使用不同类型的机器学习分类器以实施步骤508及514的机器学习。
使用第一区域及第二区域，计算(520)第一过程层中的一或多个结构与第二过程层中的一或多个结构之间的叠对偏移。
在一些实施例中，为了计算叠对偏移，计算(522)第一区域与第二区域之间的间距(例如，如针对图1B、2B及4B描述)。例如，计算(524)第一区域的中心与第二区域的中心之间的距离。距离可为在特定方向上(例如，可为向量差)。距离可在图像的平面中的两个维度上，或在图像的平面中的垂直或水平维度上。
在一些实施例中，为了计算叠对偏移，检测(526)第一区域中的第一结构的边缘的部分及第二区域中的第二结构的边缘的部分。第一结构是第一过程层中的一或多个结构中的一者且第二结构是第二过程层中的一或多个结构中的一者。通过将边缘检测算法应用到第一区域及第二区域而检测这些边缘部分。因此，第一区域及第二区域可用作在其内执行边缘检测(即，在其内搜寻边缘)的各自搜寻区域。计算(528)第一区域中的第一结构的边缘的部分与第二区域中的第二结构的边缘的部分之间的距离(例如，图3B的距离310)(例如，如针对图3B及4C描述)。
方法500在其使用机器学习来定义区域的情况下提供比使用传统对象辨识算法的技术更稳健的用于叠对度量衡的方法。因此，方法500容许叠对度量衡在其中过程变动引起使用传统对象辨识算法的技术失效的情境中经成功且准确地执行。
叠对偏移可用于识别用于建立或改良过程控制的过程改变。叠对偏移还可或替代地用于安置晶片。例如，是否继续处理、重工或报废晶片的决策可整个或部分基于晶片上的半导体裸片的叠对偏移。
图6是根据一些实施例的半导体检验系统600的框图。半导体检验系统600可用于叠对度量衡(例如，用于执行图5的叠对度量衡方法500)。半导体检验系统600包含SEM632(或其它成像工具)及具有一或多个处理器602(例如，CPU及/或GPU)、用户接口606、存储器610及将这些组件互连的通信总线604的计算机系统。在一些实施例中，SEM 632通过一或多个有线及/或无线网络630通信地耦合到计算机系统。在一些实施例中，半导体检验系统600包含(例如，通过一或多个有线及/或无线网络630)与计算机系统通信地耦合的多个SEM632(或其它成像工具)。
用户接口606可包含显示器607及一或多个输入装置608(例如，键盘、鼠标、显示器607的触敏表面等)。显示器607可显示结果，所述结果包含使用机器学习定义的叠对偏移及/或区域(例如，图5的方法500中定义的第一区域及第二区域)。
存储器610包含易失性及/或非易失性存储器。存储器610(例如，存储器610内的非易失性存储器)包含非暂时性计算机可读存储媒体。存储器610任选地包含与处理器602远程定位的一或多个存储装置及/或可抽换地插入半导体检验系统600的计算机系统中的非暂时性计算机可读存储媒体。
在一些实施例中，存储器610(例如，存储器610的非暂时性计算机可读存储媒体)存储以下模块及数据或其的子集或超集：操作系统612，其包含用于处置各种基本系统服务且用于执行硬件相依任务的过程；图像614(例如，SEM图像)，待计算其的叠对偏移；训练模块616，其用于训练机器学习分类器(例如，按照图5的方法500的步骤502)；机器学习模块620，其用于定义图像614上的区域(例如，按照图5的方法500的步骤508及514)(例如，使用通过训练模块616训练的机器学习分类器)；叠对计算模块622，其用于计算叠对偏移(例如，按照图5的方法500的步骤520)；及报告模块628，其用于报告结果(例如，用于将结果显示于显示器607上)。在一些实施例中，训练模块616包含用于训练机器学习分类器的经批注图像618(例如，经批注SEM图像)。在一些实施例中，训练模块616不存在且机器学习模块620使用在不同计算机系统上训练的机器学习分类器。在一些实施例中，叠对计算模块622包含用于检测经定义区域中的边缘的边缘检测模块624(例如，按照图5的方法500的步骤526)及/或用于计算经定义区域之间的间距(例如，按照图5的方法500的步骤522)及/或经检测边缘之间的距离(例如，按照图5的方法500的步骤528)的间距计算模块626。存储器610(例如，存储器610的非暂时性计算机可读存储媒体610)可包含用于执行方法500(图500)的全部或部分的指令。
存储于存储器610中的每一模块对应于用于执行本文中描述的一或多个功能的指令集。单独模块不需要被实施为单独软件程序。可结合或以其它方式重新布置模块及模块的各种子集。在一些实施例中，存储器610存储上文识别的模块及/或数据结构的子集或超集。
相较于作为结构示意图，图6希望更多地作为可存在于半导体检验系统中的各种特征的功能描述。例如，半导体检验系统600中的计算机系统的功能性可在多个装置之间分割。存储于存储器610中的模块的部分可替代地存储于通过一或多个网络与半导体检验系统600的计算机系统通信地耦合的一或多个其它计算机系统中。
为了解释的目的，已参考特定实施例描述前述描述。然而，上述阐释性论述不旨在为穷举性或将权利要求书的范围限于所揭示的精确形式。鉴于上文中的教示，许多修改及变动是可行的。选取实施例以便最佳解释作为权利要求书及其实际应用的基础的原理以由此使其它所属领域的技术人员能够最佳地使用具有如适合所预期特定使用的各种修改的实施例。

Claims (26)

1.一种方法，其包括：
获得展示第一过程层中的一或多个结构及第二过程层中的一或多个结构的半导体裸片的部分的图像；
使用机器学习，在所述图像上定义至少部分包含所述第一过程层中的所述一或多个结构的第一区域；
使用机器学习，在所述图像上定义至少部分包含所述第二过程层中的所述一或多个结构的第二区域；及
使用所述第一区域及所述第二区域，计算所述第一过程层中的所述一或多个结构与所述第二过程层中的所述一或多个结构之间的叠对偏移。
2.根据权利要求1所述的方法，其中所述图像是扫描电子显微镜(SEM)图像。
3.根据权利要求1所述的方法，其中使用所述第一区域及所述第二区域计算所述叠对偏移包括计算所述第一区域与所述第二区域之间的间距。
4.根据权利要求3所述的方法，其中计算所述第一区域与所述第二区域之间的所述间距包括计算所述第一区域的中心与所述第二区域的中心之间的距离。
5.根据权利要求3所述的方法，其中：
所述第一区域是第一框；且
所述第二区域是第二框。
6.根据权利要求5所述的方法，其中：
所述第一框界定所述第一过程层中的所述一或多个结构的界限；且
所述第二框界定所述第二过程层中的所述一或多个结构的界限。
7.根据权利要求1所述的方法，其中：
所述第一过程层中的所述一或多个结构包括第一结构；
所述第二过程层中的所述一或多个结构包括第二结构；
所述第一区域包含所述第一结构的边缘的部分；
所述第二区域包含所述第二结构的边缘的部分；且
使用所述第一区域及所述第二区域计算所述叠对偏移包括：
检测所述第一区域中的所述第一结构的所述边缘的所述部分，
检测所述第二区域中的所述第二结构的所述边缘的所述部分，及
计算所述第一区域中的所述第一结构的所述边缘的所述部分与所述第二区域中的所述第二结构的所述边缘的所述部分之间的距离。
8.根据权利要求7所述的方法，其中：
所述第一区域是第一框；且
所述第二区域是第二框。
9.根据权利要求1所述的方法，其中：
使用机器学习分类器执行定义所述第一区域及定义所述第二区域；且
所述方法进一步包括使用来自各自半导体裸片的所述部分的各自例子的图像训练所述机器学习分类器，所述图像是使用所述第一区域及所述第二区域的各自例子批注。
10.一种非暂时性计算机可读存储媒体，其存储用于由一或多个处理器执行的一或多个程序，所述一或多个程序包括用于以下各者的指令：
获得展示第一过程层中的一或多个结构及第二过程层中的一或多个结构的半导体裸片的部分的图像；
使用机器学习，在所述图像上定义至少部分包含所述第一过程层中的所述一或多个结构的第一区域；
使用机器学习，在所述图像上定义至少部分包含所述第二过程层中的所述一或多个结构的第二区域；及
使用所述第一区域及所述第二区域，计算所述第一过程层中的所述一或多个结构与所述第二过程层中的所述一或多个结构之间的叠对偏移。
11.根据权利要求10所述的计算机可读存储媒体，其中所述图像是扫描电子显微镜(SEM)图像。
12.根据权利要求10所述的计算机可读存储媒体，其中用于使用所述第一区域及所述第二区域计算所述叠对偏移的所述指令包括用于计算所述第一区域与所述第二区域之间的间距的指令。
13.根据权利要求12所述的计算机可读存储媒体，其中用于计算所述第一区域与所述第二区域之间的所述间距的所述指令包括用于计算所述第一区域的中心与所述第二区域的中心之间的距离的指令。
14.根据权利要求12所述的计算机可读存储媒体，其中：
所述第一区域是第一框；且
所述第二区域是第二框。
15.根据权利要求14所述的计算机可读存储媒体，其中：
所述第一框界定所述第一过程层中的所述一或多个结构的界限；且
所述第二框界定所述第二过程层中的所述一或多个结构的界限。
16.根据权利要求10所述的计算机可读存储媒体，其中：
所述第一过程层中的所述一或多个结构包括第一结构；
所述第二过程层中的所述一或多个结构包括第二结构；
所述第一区域包含所述第一结构的边缘的部分；
所述第二区域包含所述第二结构的边缘的部分；且
用于使用所述第一区域及所述第二区域计算所述叠对偏移的所述指令包括用于以下各者的指令：
检测所述第一区域中的所述第一结构的所述边缘的所述部分，
检测所述第二区域中的所述第二结构的所述边缘的所述部分，及
计算所述第一区域中的所述第一结构的所述边缘的所述部分与所述第二区域中的所述第二结构的所述边缘的所述部分之间的距离。
17.根据权利要求16所述的计算机可读存储媒体，其中：
所述第一区域是第一框；且
所述第二区域是第二框。
18.根据权利要求10所述的计算机可读存储媒体，其中：
用于定义所述第一区域且定义所述第二区域的所述指令包括用于使用机器学习分类器来定义所述第一区域及所述第二区域的指令；且
所述一或多个程序进一步包括用于使用来自各自半导体裸片的所述部分的各自例子的图像训练所述机器学习分类器的指令，所述图像是使用所述第一区域及所述第二区域的各自例子批注。
19.一种系统，其包括：
扫描电子显微镜(SEM)；
一或多个处理器；及
存储器，其存储用于由所述一或多个处理器执行的一或多个程序，所述一或多个程序包括用于以下各者的指令：
从所述SEM获得展示第一过程层中的一或多个结构及第二过程层中的一或多个结构的半导体裸片的部分的SEM图像；
使用机器学习，在所述SEM图像上定义至少部分包含所述第一过程层中的所述一或多个结构的第一区域；
使用机器学习，在所述SEM图像上定义至少部分包含所述第二过程层中的所述一或多个结构的第二区域；及
使用所述第一区域及所述第二区域，计算所述第一过程层中的所述一或多个结构与所述第二过程层中的所述一或多个结构之间的叠对偏移。
20.根据权利要求19所述的系统，其中用于使用所述第一区域及所述第二区域计算所述叠对偏移的所述指令包括用于计算所述第一区域与所述第二区域之间的间距的指令。
21.根据权利要求20所述的系统，其中用于计算所述第一区域与所述第二区域之间的所述间距的所述指令包括用于计算所述第一区域的中心与所述第二区域的中心之间的距离的指令。
22.根据权利要求20所述的系统，其中：
所述第一区域是第一框；且
所述第二区域是第二框。
23.根据权利要求22所述的系统，其中：
所述第一框界定所述第一过程层中的所述一或多个结构的界限；且
所述第二框界定所述第二过程层中的所述一或多个结构的界限。
24.根据权利要求19所述的系统，其中：
所述第一过程层中的所述一或多个结构包括第一结构；
所述第二过程层中的所述一或多个结构包括第二结构；
所述第一区域包含所述第一结构的边缘的部分；
所述第二区域包含所述第二结构的边缘的部分；且
用于使用所述第一区域及所述第二区域计算所述叠对偏移的所述指令包括用于以下各者的指令：
检测所述第一区域中的所述第一结构的所述边缘的所述部分，
检测所述第二区域中的所述第二结构的所述边缘的所述部分，及
计算所述第一区域中的所述第一结构的所述边缘的所述部分与所述第二区域中的所述第二结构的所述边缘的所述部分之间的距离。
25.根据权利要求24所述的系统，其中：
所述第一区域是第一框；且
所述第二区域是第二框。
26.根据权利要求19所述的系统，其中：
用于定义所述第一区域且定义所述第二区域的所述指令包括用于使用机器学习分类器来定义所述第一区域及所述第二区域的指令；且
所述一或多个程序进一步包括用于使用来自各自半导体裸片的所述部分的各自例子的SEM图像训练所述机器学习分类器的指令，所述SEM图像是使用所述第一区域及所述第二区域的各自例子批注。
CN202180042124.4A 2020-06-24 2021-06-23 使用机器学习的半导体叠对测量 Pending CN115699282A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN202041026631 2020-06-24
IN202041026631 2020-06-24
US202063063973P 2020-08-11 2020-08-11
US63/063,973 2020-08-11
US17/135,998 US11967058B2 (en) 2020-06-24 2020-12-29 Semiconductor overlay measurements using machine learning
US17/135,998 2020-12-29
PCT/US2021/038563 WO2021262778A1 (en) 2020-06-24 2021-06-23 Semiconductor overlay measurements using machine learning

Publications (1)

Publication Number Publication Date
CN115699282A true CN115699282A (zh) 2023-02-03

Family

ID=79031289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180042124.4A Pending CN115699282A (zh) 2020-06-24 2021-06-23 使用机器学习的半导体叠对测量

Country Status (8)

Country Link
US (1) US11967058B2 (zh)
EP (1) EP4150662A4 (zh)
JP (1) JP7490094B2 (zh)
KR (1) KR20230027074A (zh)
CN (1) CN115699282A (zh)
IL (1) IL298625A (zh)
TW (1) TW202205160A (zh)
WO (1) WO2021262778A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12014961B2 (en) * 2021-04-19 2024-06-18 Nanya Technology Corporation Method of semiconductor overlay measuring and method of semiconductor structure manufacturing
US20240142883A1 (en) * 2022-10-31 2024-05-02 Kla Corporation Overlay Estimation Based on Optical Inspection and Machine Learning

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110155904A1 (en) * 2009-12-29 2011-06-30 Hitachi, Ltd. Method and Apparatus for Pattern Position and Overlay Measurement
CN109844918A (zh) * 2016-10-14 2019-06-04 科磊股份有限公司 用于经配置用于半导体应用的深度学习模型的诊断系统及方法
CN110647012A (zh) * 2015-07-13 2020-01-03 应用材料以色列公司 用于测量多层结构的层之间叠对的技术

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100834832B1 (ko) 2006-11-29 2008-06-03 삼성전자주식회사 오버레이 계측설비를 이용한 패턴의 임계치수 측정방법
JP5081276B2 (ja) 2010-06-02 2012-11-28 株式会社日立ハイテクノロジーズ パターン計測装置、パターン計測方法、およびプログラム
JP6029293B2 (ja) * 2012-03-07 2016-11-24 株式会社日立ハイテクノロジーズ 走査型電子顕微鏡の画像処理装置、および、走査方法
WO2016086138A1 (en) * 2014-11-25 2016-06-02 Stream Mosaic, Inc. Improved process control techniques for semiconductor manufacturing processes
US10545490B2 (en) * 2015-06-01 2020-01-28 Applied Materials Israel Ltd. Method of inspecting a specimen and system thereof
KR102278879B1 (ko) 2016-01-27 2021-07-19 주식회사 히타치하이테크 계측 장치, 방법 및 표시 장치
US10546790B2 (en) 2016-03-01 2020-01-28 Asml Netherlands B.V. Method and apparatus to determine a patterning process parameter
US10817999B2 (en) 2017-07-18 2020-10-27 Kla Corporation Image-based overlay metrology and monitoring using through-focus imaging
CN116758012A (zh) 2018-06-08 2023-09-15 Asml荷兰有限公司 确定与在衬底上的结构相关的感兴趣的特性的方法、掩模版、衬底
US11094053B2 (en) 2018-10-08 2021-08-17 Kla Corporation Deep learning based adaptive regions of interest for critical dimension measurements of semiconductor substrates
JP7209835B2 (ja) 2018-11-30 2023-01-20 エーエスエムエル ネザーランズ ビー．ブイ． 機械学習モデル予測における不確実性を減少させる方法
CN114270484A (zh) 2019-08-30 2022-04-01 株式会社日立高新技术 测量系统、生成在进行包含预定结构的半导体的图像测量时使用的学习模型的方法、以及存储用于使计算机执行生成在进行包含预定结构的半导体的图像测量时使用的学习模型的处理的程序的存储介质
US20220269184A1 (en) * 2021-02-25 2022-08-25 Taiwan Semiconductor Manufacturing Co., Ltd. Machine learning on overlay management

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110155904A1 (en) * 2009-12-29 2011-06-30 Hitachi, Ltd. Method and Apparatus for Pattern Position and Overlay Measurement
CN110647012A (zh) * 2015-07-13 2020-01-03 应用材料以色列公司 用于测量多层结构的层之间叠对的技术
CN109844918A (zh) * 2016-10-14 2019-06-04 科磊股份有限公司 用于经配置用于半导体应用的深度学习模型的诊断系统及方法

Also Published As

Publication number Publication date
TW202205160A (zh) 2022-02-01
JP2023531530A (ja) 2023-07-24
US20210407073A1 (en) 2021-12-30
EP4150662A1 (en) 2023-03-22
IL298625A (en) 2023-01-01
JP7490094B2 (ja) 2024-05-24
KR20230027074A (ko) 2023-02-27
US11967058B2 (en) 2024-04-23
WO2021262778A1 (en) 2021-12-30
EP4150662A4 (en) 2024-06-12

Similar Documents

Publication Publication Date Title
CN108562250B (zh) 基于结构光成像的键盘键帽平整度快速测量方法与装置
TWI519801B (zh) 使用參考晶圓區域以檢查晶圓區域的系統、方法及程式儲存裝置
TWI605529B (zh) 用於根據ｃａｄ之註冊的系統、方法及電腦程式產品
JP5543872B2 (ja) パターン検査方法およびパターン検査装置
US20140320627A1 (en) Pattern evaluation method and pattern evaluation device
US10074167B2 (en) Reducing registration and design vicinity induced noise for intra-die inspection
JP7490094B2 (ja) 機械学習を用いた半導体オーバーレイ測定
CN106017313B (zh) 边缘检测偏差校正值计算、边缘检测偏差校正方法及设备
US10545490B2 (en) Method of inspecting a specimen and system thereof
JP2009252959A (ja) パターン検査装置、パターン検査方法および半導体装置の製造方法
JP2016091053A (ja) 情報処理装置および容器形状の推定方法、ワークピッキングシステム、プログラム
JP5364528B2 (ja) パターンマッチング方法、パターンマッチングプログラム、電子計算機、電子デバイス検査装置
US9978558B2 (en) Scanning-electron-microscope image processing device and scanning method
KR101653861B1 (ko) 묘화 데이터 생성 방법, 묘화 방법, 묘화 데이터 생성 장치, 및 묘화 장치
CN114078114A (zh) 用于生成用于晶片分析的校准数据的方法和系统
JP7062563B2 (ja) 輪郭抽出方法、輪郭抽出装置、及びプログラム
KR102227341B1 (ko) 위치 어긋남량 취득 장치, 검사 장치, 위치 어긋남량 취득 방법 및 검사 방법
CN109084721B (zh) 用于确定半导体器件中的目标结构的形貌参数的方法和设备
CN112446895B (zh) 棋盘格角点自动提取方法、系统、设备及介质
JP2008046012A (ja) 欠陥検出装置および欠陥検出方法
KR20160117302A (ko) 기준 위치 취득 방법, 기준 위치 취득 장치, 패턴 묘화 방법, 패턴 묘화 장치 및 기록 매체에 기록된 프로그램
JP2017032671A (ja) 位置計測装置、データ補正装置、位置計測方法、およびデータ補正方法
TWI600898B (zh) 資料修正裝置、描繪裝置、檢查裝置、資料修正方法、描繪方法、檢查方法及記錄有程式之記錄媒體
WO2023166748A1 (ja) プロファイル検出方法及びプロファイル検出装置
CN115937273A (zh) 图像对位方法、系统、记录媒体、以及计算机程序产品

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