CN115917246A - 使用深度学习的3d结构检验或计量 - Google Patents
使用深度学习的3d结构检验或计量 Download PDFInfo
- Publication number
- CN115917246A CN115917246A CN202180045618.8A CN202180045618A CN115917246A CN 115917246 A CN115917246 A CN 115917246A CN 202180045618 A CN202180045618 A CN 202180045618A CN 115917246 A CN115917246 A CN 115917246A
- Authority
- CN
- China
- Prior art keywords
- sample
- images
- image
- computer systems
- dimensional structures
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 61
- 238000013135 deep learning Methods 0.000 title abstract description 101
- 238000003384 imaging method Methods 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 95
- 230000002950 deficient Effects 0.000 claims abstract description 22
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 48
- 238000010894 electron beam technology Methods 0.000 claims description 21
- 238000013461 design Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 235000012431 wafers Nutrition 0.000 description 47
- 238000001514 detection method Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 34
- 230000007547 defect Effects 0.000 description 33
- 230000003287 optical effect Effects 0.000 description 28
- 239000004065 semiconductor Substances 0.000 description 27
- 238000005286 illumination Methods 0.000 description 26
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000005259 measurement Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000010884 ion-beam technique Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- 244000273928 Zingiber officinale Species 0.000 description 1
- 235000006886 Zingiber officinale Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008397 ginger Nutrition 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70653—Metrology techniques
- G03F7/70666—Aerial image, i.e. measuring the image of the patterned exposure light at the image plane of the projection system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/529—Depth or shape recovery from texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/586—Depth or shape recovery from multiple images from multiple light sources, e.g. photometric stereo
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
-
- 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
- G01N21/8806—Specially adapted optical and illumination features
- G01N2021/8822—Dark field detection
- G01N2021/8825—Separate detection of dark field and bright field
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
-
- 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
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10148—Varying focus
-
- 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
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10152—Varying illumination
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供用于确定样品的信息的方法及系统。特定实施例涉及使用深度学习人工智能进行凸块高度3D检验及计量。例如,一个实施例包含深度学习(DL)模型,其经配置用于基于由成像子系统产生的样品的一或多个图像预测形成于所述样品上的一或多个3D结构的高度。一或多个计算机系统经配置用于基于所述经预测高度确定所述样品的信息。确定所述信息可包含例如基于所述经预测高度确定所述3D结构中的任何者是否有缺陷。在另一实例中,针对所述样品确定的所述信息可包含所述一或多个3D结构的平均高度度量。
Description
技术领域
本发明大体上涉及经配置用于确定样品的信息的方法及系统。特定实施例涉及用于使用深度学习(DL)人工智能(AI)进行凸块高度三维(3D)检验及/或计量的方法及系统。
背景技术
以下描述及实例不因其包含于此章节中而被承认是现有技术。
制造例如逻辑及存储器装置的半导体装置通常包含使用大量半导体制造工艺处理衬底(例如半导体晶片)以形成半导体装置的各种特征及多个层级。例如,光刻是涉及将图案从分划板转印到布置于半导体晶片上的抗蚀剂的半导体制造工艺。半导体制造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。多个半导体装置可制造于单个半导体晶片上的布置中且接着被分成个别半导体装置。
在半导体制造工艺期间的各个步骤使用检验工艺来检测晶片上的缺陷以促进制造工艺中的更高良率及因此更高利润。检验始终为制造半导体装置(例如IC)的重要部分。然而,随着半导体装置尺寸的减小,检验对于可接受半导体装置的成功制造变得更为重要,这是因为较小缺陷可能引起装置故障。
缺陷检查通常涉及再检测由检验工艺检测为缺陷的缺陷及使用高放大率光学系统或扫描电子显微镜(SEM)以较高分辨率产生关于缺陷的额外信息。因此,在晶片上的已通过检验检测到缺陷的离散位置处执行缺陷检查。由缺陷检查产生的缺陷的较高分辨率数据更适于确定缺陷的属性,例如轮廓、粗糙度、更准确大小信息等。
还在半导体制造工艺期间的各个步骤使用计量工艺来监测且控制工艺。计量工艺不同于检验工艺,这是因为不同于其中在晶片上检测缺陷的检验工艺,计量工艺用于测量无法使用当前使用的检验工具确定的晶片的一或多个特性。例如,计量工艺用于测量晶片的一或多个特性(例如在工艺期间形成于晶片上的特征的尺寸(例如,线宽、厚度等)),使得可从所述一或多个特性确定工艺的性能。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),那么晶片的一或多个特性的测量可用于更改工艺的一或多个参数,使得由工艺制造的额外晶片具有可接受特性。
计量工艺不同于缺陷检查工艺还因为:不同于其中在缺陷检查中重访由检验检测到的缺陷的缺陷检查工艺,可在尚未检测到缺陷的位置处执行计量工艺。换句话说,不同于缺陷检查,在其处对晶片执行计量工艺的位置可与对晶片执行的检验工艺的结果无关。特定来说,可独立于检验结果选择在其处执行计量工艺的位置。另外,由于可独立于检验结果选择晶片上在其处执行计量的位置,因此不同于缺陷检查(其中在晶片的检验结果产生且可供使用之前,可能无法确定晶片上将在其处执行缺陷检查的位置),可在已对晶片执行检验工艺之前确定在其处执行计量工艺的位置。
归因于大规模的电路集成及半导体装置的尺寸减小,分划板及经制造装置已变得对特征变化(例如临界尺寸(CD)、高度、膜厚度及组合物等)越来越敏感。在特定实例中,通常在半导体工业中使用三维(3D)检验及计量例如用于评估TSV(穿硅通路)及凸块结构或颗粒形状(大小及高度)。高度变化(如果未经校正)可能引起最终装置归因于电气时序误差而未能满足所要性能。更糟的是,其可能引起最终装置故障且不利地影响良率。
测量3D结构的高度且基于高度确定此类结构是否有缺陷可存在不同于其它结构测量及缺陷检测的问题。例如,经设计用于检验及测量晶片以及其它半导体技术相关样品的许多系统及方法可用于通过在不同焦点偏移下使样品成像,且接着基于哪一焦点偏移产生呈现为最佳聚焦的结构的图像确定结构的高度,而测量高度及检测高度相关缺陷。特定来说,当结构在不同焦点设置下产生的数个图像中的一个图像中看起来聚焦时,此大体上意味着所成像的结构的表面与对应于用于产生所述一个图像的焦点设置的焦平面的位置重合。接着,可基于所述焦点设置确定所述表面的高度。
因此,用于测量3D结构的高度及/或基于高度检测缺陷的系统及方法可存在数个明显缺点。特定来说,在一些此类系统及方法中,可同时产生在不同焦点偏移下的样品的图像,且虽然此当然可行,但此类系统的硬件趋于相对复杂且不同于现今使用的大多数检验及计量工具。因此,测量高度或确定高度相关缺陷可需要相对昂贵的工具及特定于此类测量及检验的工具(即,不同于可更普遍用于检验及计量的工具)。避免此复杂及昂贵工具硬件的一种方式是执行样品的多个扫描,每一扫描在不同焦点设置下。然而,此类方法将具有其自身的缺点,包含明显增加的成本及在执行多个扫描而非仅一个扫描时涉及的时间。
无论是否在仅一个扫描或多个扫描中在不同焦点偏移下产生图像,此类系统及方法还不利地依赖于对应于用于成像的焦点偏移中的一者的焦平面位置中的一者将与所测量或检验的结构的高度重合的可能性。显然,大多数此类系统及方法将出于实用性目的而使用有限数目个焦点偏移,且因此,焦平面是否碰巧对应于所测量或检验的高度可影响测量的准确程度及检验的灵敏程度。用于此类方法的焦点偏移的明智选择可有助于最大化其准确度及/或灵敏度,但无法完全消除归因于焦点偏移选择的测量及检验误差的可能性。
因此,开发出用于确定形成于样品上的3D结构的信息且不具有上文描述的缺点中的一或多者的系统及方法将为有利的。
发明内容
各个实施例的以下描述绝不应理解为限制随附权利要求书的主题。
一个实施例涉及一种经配置以确定样品的信息的系统。所述系统包含经配置以产生样品的图像的成像子系统。一或多个三维(3D)结构形成于所述样品上。所述系统还包含一或多个计算机系统及由所述一或多个计算机系统执行的一或多个组件。所述一或多个组件包含经配置用于基于所述图像中的一或多者预测所述一或多个3D结构的高度的深度学习(DL)模型。所述一或多个计算机系统经配置用于基于所述一或多个3D结构的所述经预测高度确定所述样品的信息。所述系统可如本文中描述般进一步配置。
另一实施例涉及一种用于确定样品的信息的计算机实施方法。所述方法包含运用成像子系统产生样品的图像。一或多个3D结构形成于所述样品上。所述方法还包含通过将所述图像中的一或多者输入到包含于由一或多个计算机系统执行的一或多个组件中的DL模型中而基于所述图像中的所述一或多者预测所述一或多个3D结构的高度。另外,所述方法包含基于所述一或多个3D结构的所述经预测高度确定所述样品的信息。所述确定由所述一或多个计算机系统执行。
可如本文中描述般进一步执行上文描述的方法的步骤中的每一者。另外,上文描述的方法的实施例可包含本文中描述的任何其它方法的任何其它步骤。此外,上文描述的方法可由本文中描述的系统中的任何者执行。
另一实施例涉及一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在一或多个计算机系统上执行以执行用于确定样品的信息的计算机实施方法。所述计算机实施方法包含上文描述的方法的步骤。计算机可读媒体可如本文中描述般进一步配置。可如本文中进一步描述般执行计算机实施方法的步骤。另外,程序指令可执行的计算机实施方法可包含本文中描述的任何其它方法的任何其它步骤。
附图说明
在受益于优选实施例的以下详细描述的情况下且在参考随附图式时,所属领域的技术人员将明白本发明的另外优点,其中:
图1及1a是说明如本文中描述般配置的系统的实施例的侧视图的示意图;
图2是说明凸块的实例的横截面视图及其设计如何随时间改变的示意图;
图3是说明具有各种高度的凸块的实例的横截面视图及可由本文中描述的实施例针对凸块确定的信息的示意图;
图4是说明由本文中描述的成像子系统实施例扫描的样品上的凸块的实例的横截面视图及由成像子系统产生的图像的平面图的示意图;
图5是说明用于确定样品的信息的方法的一个实施例的流程图;及
图6是说明存储用于引起一或多个计算机系统执行本文中描述的计算机实施方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。
虽然本发明易于以各种修改及替代形式呈现,但本发明的特定实施例在图式中通过实例展示且在本文中详细描述。图式可不按比例。然而,应理解,图式及其详细描述不希望将本发明限于所公开的特定形式,恰相反,本发明将涵盖落入如由随附权利要求书定义的本发明的精神及范围内的全部修改、等效物及替代物。
具体实施方式
现参考图式,应注意,图未按比例绘制。特定来说,极大地放大图的一些元件的比例以强调元件的特性。还应注意,图未按相同比例绘制。已使用相同元件符号指示在多于一个图中展示的可类似配置的元件。除非本文中另有提及,否则所描述且展示的任何元件可包含任何适合市售元件。
一般来说,本文中描述的实施例涉及用于确定样品的信息的方法及系统。本文中描述的一些实施例经配置用于使用深度学习(DL)人工智能(AI)进行凸块高度三维(3D)检验及计量。
图1中展示经配置以确定样品的信息的系统的一个实施例。系统包含一或多个计算机系统(例如,计算机子系统46及计算机系统102)及由所述一或多个计算机系统执行的一或多个组件100。系统还包含经配置以产生样品的图像的成像子系统10。在一个实施例中,成像子系统经配置为基于光的子系统。例如,在图1的实施例中,成像子系统经配置以用光在样品的物理版本上方扫描或将光引导到所述物理版本,同时从样品检测光,以借此产生样品的图像。成像子系统还可经配置以用多种模式执行扫描(或引导)及检测,如本文中进一步描述。
在图1中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品14的照明子系统。照明子系统包含至少一个光源。如图1中展示,照明子系统包含光源16及/或光源34。照明子系统可经配置以按一或多个入射角将光引导到样品,所述一或多个入射角可包含一或多个倾斜角及/或一或多个法向角。例如,如图1中展示,来自光源16的光按倾斜入射角经引导穿过光学元件18及接着穿过透镜20而到样品14。倾斜入射角可包含任何适合倾斜入射角,其可取决于例如样品的特性而变化。来自光源34的光可按法向(或基本上法向)入射角经引导穿过光学元件36、光束分离器38及26及接着穿过透镜24而到样品14。如果将来自光源34的光引导到样品的角度并非完全法向,那么可如上文描述般例如基于样品的特性选择基本上法向入射角。
成像子系统可经配置以在不同时间按不同入射角将光引导到样品。例如,成像子系统可经配置以将来自光源中的一者的光引导到样品且接着将来自光源的另一者的光引导到样品。成像子系统还可或替代地可经配置以在相同时间按多于一个入射角将光引导到样品。例如,照明子系统可包含多于一个照明通道,照明通道中的一者可包含光源16、光学元件18及透镜20,如图1中展示,且照明通道的另一者可包含光源34、光学元件36及透镜24。如果将来自多个照明通道的光同时引导到样品,那么按不同入射角引导到样品的光的一或多个特性(例如,波长、偏光等)可不同,使得源自按不同入射角照明样品的光可彼此分开且在检测器处单独检测。
相同照明通道还可经配置以在不同时间将具有不同特性的光引导到样品。例如,在一些例子中,光学元件18及36可配置为光谱滤光片,且可以多种不同方式(例如,通过调换出光谱滤光片)改变光谱滤光片的性质,使得可在不同时间将不同波长的光引导到样品。照明子系统可具有所属领域中已知的用于循序或同时按不同或相同入射角将具有不同或相同特性的光引导到样品的任何其它适合配置。
在一个实施例中,光源16及34可各自包含宽带等离子体(BBP)光源。以此方式,由光源产生且引导到样品的光可包含宽带光。然而,光源可包含所属领域中已知的经配置以产生所属领域中已知的任何适合波长的光的任何其它适合光源,例如任何适合激光器、弧光灯、多个彩色发光二极管(LED)等。激光器或其它光源可经配置以产生单色或近单色的光。以此方式,激光器或其它光源可为窄带激光器或光源。光源还可包含产生多个离散波长或波带的光的多色光源。光源16及34还可为可能具有一或多个不同发光特性的相同类型的光源(例如,发射不同波长的激光器)或不同类型的光源(例如,一个光源可为BBP光源且另一光源可为激光器)。
来自光学元件18的光可由透镜20聚焦到样品14上,且来自光学元件36的光可由透镜24聚焦到样品14上。虽然透镜20及24在图1中展示为单折射光学元件,但实践上,透镜20及24可各自包含将来自其相应光学元件的光组合地聚焦到样品的若干折射及/或反射光学元件。在图1中展示且在本文中描述的照明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、光谱滤光片、空间滤光片、反射光学元件、变迹器、光束分离器、孔隙及类似者,其可包含所属领域中已知的任何此类适合光学元件。另外,成像子系统可经配置以基于待用于成像的照明类型而更改照明子系统的元件中的一或多者。
成像子系统还可包含经配置以引起光在样品上方扫描的扫描子系统。例如,成像子系统可包含在成像期间样品14安置于其上的载物台22。扫描子系统可包含可经配置以使样品移动使得光可在样品上方扫描的任何适合机械及/或机器人组合件(其包含载物台22)。另外或替代地,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在样品上方的某一扫描。可以任何适合方式(例如以蛇形路径或以螺旋路径)用光在样品上方扫描。
成像子系统进一步包含一或多个检测通道。一般来说,检测通道中的每一者包含检测器,所述检测器经配置以检测归因于由其对应照明子系统照明样品而来自样品的光,且响应于经检测光而产生输出。例如,图1中展示的成像子系统包含两个检测通道,一个检测通道由透镜24、光束分离器26、透镜28、元件30及检测器32形成,且另一检测通道由透镜24、光束分离器38、透镜40、元件42及检测器44形成。两个检测通道可经配置以依不同或相同收集角收集且检测光。在一些例子中,包含检测器32的检测通道经配置以检测归因于运用来自光源16的光的照明而从样品散射的光,且包含检测器44的检测通道经配置以检测归因于运用来自光源34的光的照明而从样品镜面反射的光。因此,包含检测器32的检测通道可配置为暗场(DF)通道,且包含检测器44的检测通道可配置为明场(BF)通道。
虽然图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个检测通道(例如,仅一个检测通道或两个或更多个检测通道)。在一个此例子中,成像子系统可包含一或多个DF通道及/或一或多个BF通道。因此,本文中描述的成像子系统可经配置以用于仅DF成像、仅BF成像或DF成像及BF成像两者(同时或循序)。
虽然在图1中将透镜28及40展示为单折射光学元件,但透镜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。光束分离器26及38可具有所属领域中已知的任何适合配置。如图1中展示,透镜24可经配置以将来自光源34的光引导到样品,且收集归因于运用来自光源16的光的照明而从样品散射的光及归因于运用来自光源34的光的照明而从样品镜面反射的光。因此,检测通道可共享共同透镜。然而,检测通道可能不共享任何共同元件或可共享多于一个共同元件(未展示;例如,如同共同光谱滤光片)。元件30及42可各自包含所属领域中已知的任何一或多个适合元件,例如孔隙、空间滤光片、分析器、其它偏光元件或滤光片、光谱滤光片及类似者。另外,虽然仅一个元件被展示为定位于到检测器中的每一者的光的路径中,但多于一个此元件可用于每一检测通道中(例如光谱滤光片及空间滤光片的组合)。
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,那么检测器中的每一者可经配置以检测散射光的特定特性(例如强度),但可能未经配置以检测依据在成像平面内的位置而变化的此类特性。因而,由包含于成像子系统的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为信号或数据,而非图像信号或图像数据。在此类例子中,计算机子系统(例如计算机子系统46)可经配置以从检测器的非成像输出产生样品的图像。然而,在其它例子中,检测器可配置为经配置以产生图像信号或图像数据的成像检测器。因此,成像子系统可经配置以依若干方式产生图像。
应注意,在本文中提供图1以大体上说明可包含于本文中描述的系统实施例中的一成像子系统的配置。显然,可更改本文中描述的成像子系统配置以如在设计商业成像系统时所通常执行般优化成像子系统的性能。另外,可使用例如商业上可购自加利福尼亚州米尔皮塔斯市(Milpitas,Calif.)的KLA公司的Altair系列工具的现存系统(例如,通过将本文中描述的功能性添加到现存系统)来实施本文中描述的系统。对于一些此类系统,本文中描述的实施例可提供为系统的任选功能性(例如,除系统的其它功能性之外)。替代地,可“从头开始”设计本文中描述的成像子系统以提供全新成像子系统。成像子系统可如2010年8月24日颁予梅哈尼安(Mehanian)等人的第7,782,452号美国专利及由梅哈尼安等人在2009年3月5日发表的第2009/0059215号美国专利申请公开案中描述般进一步配置,所述案以宛如全文陈述引用的方式并入本文中。本文中描述的实施例可如这些参考文献中描述般进一步配置。
计算机子系统46可以任何适合方式(例如,经由一或多个传输媒体,所述一或多个传输媒体可包含“有线”及/或“无线”传输媒体)耦合到成像子系统的检测器,使得计算机子系统可接收在样品的扫描期间由检测器产生的输出。计算机子系统46可经配置以使用检测器的输出来执行本文中进一步描述的若干功能。
图1中展示的计算机子系统(以及本文中描述的其它计算机子系统)在本文中还可称为计算机系统。本文中描述的计算机子系统或系统中的每一者可采取各种形式,包含个人计算机系统、图像计算机、主计算机系统、工作站、网络器具、因特网器具或其它装置。一般来说,术语“计算机系统”可广泛地定义为涵盖具有执行来自存储器媒体的指令的一或多个处理器的任何装置。计算机子系统或系统还可包含所属领域中已知的任何适合处理器,例如并行处理器。另外,所述计算机子系统或所述系统可包含具有高速处理及软件的计算机平台作为独立工具或联网工具。
如果系统包含多于一个计算机子系统,那么不同计算机子系统可彼此耦合使得可在计算机子系统之间发送图像、数据、信息、指令等。例如,计算机子系统46可由任何适合传输媒体(其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)耦合到计算机系统102,如由图1中的虚线展示。此类计算机子系统中的两者或更多者还可由共享计算机可读存储媒体(未展示)有效地耦合。
虽然上文将成像子系统描述为光学或基于光的成像子系统,但在一些实施例中,成像子系统经配置为电子束子系统。在图1a中展示的一个此实施例中,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1a中展示,电子柱包含经配置以产生由一或多个元件130聚焦到样品128的电子的电子束源126。电子束源可包含例如阴极源或射极尖端,且一或多个元件130可包含例如枪透镜、阳极、限束孔隙、闸阀、束电流选择孔隙、物镜及扫描子系统,所有这些可包含所属领域中已知的任何此类适合元件。
从样品返回的电子(例如,二次电子)可由一或多个元件132聚焦到检测器134。一或多个元件132可包含例如扫描子系统,所述扫描子系统可为包含于元件130中的相同扫描子系统。
电子柱可包含所属领域中已知的任何其它适合元件。另外,电子柱可如2014年4月4日颁予姜(Jiang)等人的第8,664,594号美国专利、2014年4月8日颁予小岛(Kojima)等人的第8,692,204号美国专利、2014年4月15日颁予古本斯(Gubbens)等人的第8,698,093号美国专利及2014年5月6日颁予麦克唐纳(MacDonald)等人的第8,716,662号美国专利中描述般进一步配置,所述专利以宛如全文陈述引用的方式并入本文中。
虽然在图1a中将电子柱展示为经配置使得电子按倾斜入射角引导到样品且按另一倾斜角从样品散射,但电子束可按任何适合角度引导到样品及从样品散射。另外,电子束子系统可经配置以使用多种模式(例如,用不同照明角、收集角等)来产生样品的图像,如本文中进一步描述。电子束子系统的多种模式可在成像子系统的任何图像产生参数方面不同。
计算机子系统124可耦合到检测器134,如上文描述。检测器可检测从样品的表面返回的电子,借此形成样品的电子束图像。电子束图像可包含任何适合电子束图像。计算机子系统124可经配置以使用由检测器134产生的输出来针对样品执行本文中进一步描述的一或多个功能。计算机子系统124可经配置以执行本文中描述的任何额外步骤。包含图1a中展示的成像子系统的系统可如本文中描述般进一步配置。
应注意,在本文中提供图1a以大体上说明可包含于本文中描述的实施例中的电子束子系统的配置。正如上文描述的光学子系统,可更改本文中描述的电子束子系统配置以如在设计商业成像系统时所通常执行般优化成像子系统的性能。另外,可使用现存系统(例如,通过将本文中描述的功能性添加到现存系统)来实施本文中描述的系统。对于一些此类系统,可将本文中描述的实施例提供为系统的任选功能性(例如,除系统的其它功能性之外)。替代地,可“从头开始”设计本文中描述的系统以提供全新系统。
虽然上文将成像子系统描述为光学或电子束子系统,但成像子系统可为离子束子系统。此成像子系统可如图1a中展示般配置,例外之处在于可用所属领域中已知的任何适合离子束源取代电子束源。另外,成像子系统可为任何其它适合离子束子系统,例如包含于市售聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及二次离子质谱仪(SIMS)系统中的离子束子系统。
本文中描述的成像子系统可经配置以运用多种模式产生样品的输出,例如,图像。一般来说,“模式”是由用于产生样品的图像的成像子系统的参数的值(或用于产生样品的图像的输出)定义。因此,模式可在成像子系统的参数中的至少一者的值方面不同(除了样品上在其处产生输出的位置外)。例如,在光学子系统中,不同模式可使用不同波长的光进行照明。模式可在照明波长方面不同,如本文中进一步描述(例如,通过针对不同模式使用不同光源、不同光谱滤光片等)。在另一实例中,不同模式可使用光学子系统的不同照明通道。例如,如上文提及,光学子系统可包含多于一个照明通道。因而,不同照明通道可用于不同模式。模式还可或替代地可在光学子系统的一或多个收集/检测参数方面不同。模式可在成像子系统的任何一或多个可更改参数(例如,照明偏光、角度、波长等,检测偏光、角度、波长等)方面不同。例如,取决于使用多种模式同时扫描样品的能力,成像子系统可经配置以在相同扫描或不同扫描中运用不同模式扫描样品。
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运用电子束子系统的参数的两个或更多个不同值产生的输出,例如,图像。电子束子系统的多种模式可由用于产生样品的输出及/或图像的电子束子系统的参数的值定义。因此,模式可在电子束子系统的电子束参数中的至少一者的值方面不同。例如,不同模式可使用不同入射角进行照明。
可在一或多个参数方面修改在本文中描述且在图1及1a中展示的子系统,以取决于其将用于的应用而提供不同成像能力。在一个实施例中,成像子系统经配置为检验子系统。在另一实施例中,成像子系统经配置为计量子系统。例如,图1中展示的成像子系统可经配置以在其将用于计量而非用于检验的情况下具有较高分辨率。换句话说,图1及1a中展示的成像子系统的实施例描述成像子系统的一些一般及各种配置,其可以对于所属领域的技术人员而言将显而易见的若干方式定制,以产生具有或多或少适合于不同应用的不同成像能力的成像子系统。
在其中成像子系统经配置为检验子系统的一些实施例中,检验子系统经配置以用于宏观检验。以此方式,本文中描述的系统可被称为宏观检验工具。宏观检验工具尤其适用于相对嘈杂BEOL层(例如RDL及切割后应用)的检验。在本文中将宏观检验工具定义为系统,所述系统不一定有衍射限制且具有约200nm到约2.0微米及更高的空间分辨率。此空间分辨率意味着此类系统可检测的最小缺陷具有大于约200nm的尺寸,所述尺寸远大于现今市场上的最先进检验工具可检测的最小缺陷,因此被称为“宏观”检验器。相较于现今市场上的最先进检验工具,此类系统趋于利用更长波长的光(例如,约500nm到约700nm)。可在所关注缺陷(DOI)具有相对较大尺寸时,且还可能在需要100个晶片/小时(wph)或更多的处理量(晶片处理量在此处指每小时检验的300mm晶片的数目)时使用这些系统。
如上文提及,成像子系统经配置以用能量(例如,光、电子等)在样品的物理版本上方扫描,借此针对样品的物理版本产生输出。在此方式,成像子系统可配置为“实际”子系统而非“虚拟”子系统。然而,图1中展示的存储媒体(未展示)及计算机系统102可配置为“虚拟”系统。特定来说,存储媒体及计算机子系统可配置为“虚拟”检验系统,如在共同让与的以下案中描述:在2012年2月28日颁予巴斯卡尔(Bhaskar)等人的第8,126,255号美国专利及2015年12月29日颁予达菲(Duffy)等人的第9,222,895号美国专利,所述两案以宛如全文陈述引用的方式并入本文中。本文中描述的实施例可如这些专利中描述般进一步配置。
在一个实施例中,样品是晶片。晶片可包含半导体领域中已知的任何晶片。虽然本文中可关于晶片描述一些实施例,但实施例在其可用于的样品方面不受限制。例如,本文中描述的实施例可用于例如分划板、平板、个人计算机(PC)板及其它半导体样品的样品。
在本文中描述的实施例中,一或多个3D结构形成于样品上。在一个此实施例中,一或多个3D结构形成于晶片上的一或多个凸块。虽然本文中可关于“凸块”描述一些实施例,但本文中描述的实施例可用于确定具有形成于其上的其高度为用户所关注及/或其高度可呈现结构有缺陷的结构的任何样品的信息。一或多个3D结构还可包含3D结构的一或多个例子,其中每一例子具有相同设计(即使其在形成于样品上时可具有稍微不同的特性)。例如,3D结构中的每一者可包含凸块,所有所述凸块具有相同设计,但如果其形成于具有不同设计或不同图案的样品的不同区域中,那么可能具有不同上下文信息。以此方式,由本文中描述的实施例预测其高度的全部3D结构可为具有3D结构本身的相同设计特性的相同类型的结构。
然而,并非由本文中描述的实施例预测其高度的全部3D结构可为相同类型。例如,一些样品可具有形成于其上的具有与所设计不同的特性的多种类型的3D结构(例如,凸块及迹线),且本文中描述的实施例可用于预测为用户所关注的3D结构中的任何者或全部的高度。在一些此类例子中,单独训练的不同DL模型可用于预测不同类型的3D结构的高度(使得DL模型中的每一者学习3D结构类型中的一者的样品图像与经预测结构高度之间的准确变换)。另外,计算机系统可单独地确定不同3D结构类型的不同信息,例如,仅基于经训练用于凸块高度预测的DL模型的输出确定哪些凸块有缺陷,且仅基于经训练用于预测迹线高度的DL模型的输出单独确定哪些迹线有缺陷。无论如何,当确定不同类型的3D结构的信息时,可如本文中进一步描述般执行那些确定步骤中的每一者,且可将相同样品图像输入到每一结构类型的DL模型。
图2展示凸块的一些实例及预期其如何随时间改变。特定来说,图2用展示沿着工业凸块蓝图的进展的箭头214展示形成于假设晶片200上的不同凸块。以此方式,仅图2中展示的一种类型的凸块技术将用于单个晶片设计中,这是因为图2描绘随时间(年)改变的凸块的工业技术。一般来说,如由此图中展示的凸块可见,凸块大小及间距两者随时间变小。展示于工业凸块蓝图中的最早点处的凸块202是具有100um的大小及150um到200um的间距的标准C4型凸块。展示于下一时间点处的凸块204是具有50um的大小及100um的间距的细间距C4型凸块。凸块206是具有20um到30um的大小及30um到60um的间距的微C4型凸块。凸块208是具有15um到20um的大小及20um到40um的间距的铜(Cu)柱型凸块。凸块210是具有10um的大小及20um的间距的平坦CU型凸块。凸块212是具有5um的大小及10um的间距的无凸块型凸块。本文中描述的实施例可用于预测图2中展示的凸块中的任何者的高度且确定图2中展示的凸块中的任何者的信息。
在一个实施例中,3D结构包含形成于晶片上的3D NAND结构。3D NAND(其中NAND代表非AND,半导体装置中的逻辑门类型)是包含多个存储器单元层的垂直堆叠的非易失性快闪存储器类型。例如,3D NAND的结构大体上包含由形成于晶片上的交替导电及绝缘层形成且由一或多个高纵横比(HAR)结构(例如由如同氮化硅的材料形成的电荷陷阱及形成于硅上的通道)分离的硅位单元栅极。存储器单元的所述垂直堆叠向3D NAND结构赋予其3D质量。
本文中描述的3D结构还可包含所属领域中已知的任何其它HAR结构。如本文中使用,术语“HAR结构”指特征在于超过10:1的纵横比且在未来一代装置中可高达100:1的任何结构。HAR结构通常包含硬掩模层(例如,参见2012年8月7日颁予刘(Liu)的第8,237,213号美国专利,所述案以宛如全文陈述引用的方式并入本文中)以促进HAR的蚀刻工艺。除垂直NAND或太位(terabit)单元阵列晶体管(TCAT)结构之外,本文中描述的实施例还可用于其高度是被关注的其它HAR结构。
除上文描述的3D结构之外,一般来说,本文中描述的实施例还可用于预测样品上的任何结构的高度,而无关于其纵横比或其它物理特性。例如,本文中描述的实施例可用于预测例如迹线、垫及类似者的结构的高度,即使所述结构本质上并不为非常3D。一般来说,所需的全部是已学习如何将样品图像变换为结构高度的经适当训练的DL模型。
如上文提及,系统包含一或多个计算机系统(例如,图1中展示的计算机子系统46及/或计算机系统102)及由所述一或多个计算机系统执行的一或多个组件(例如,组件100)。一或多个组件包含经配置用于基于图像中的一或多者预测一或多个3D结构的高度的DL模型104。在本文中描述的实施例的一些尤其有用的实施方案中,在于单个检验焦点下运行的检验期间,成像子系统可收集检验图像(BF及DF),一或多个计算机系统可如本文中进一步描述般从检验图像切出凸块,且经预训练的DL模型可使用这些经切出凸块图像预测凸块高度。
图4大体上展示本文中描述的图像为何可由DL模型使用以预测凸块高度。特定来说,成像子系统(例如本文中描述的成像子系统)可包含光学元件400,例如本文中进一步描述的透镜,其经配置以在用光在扫描方向406上在样品上方扫描时将光402聚焦到样品404。如图4中展示,具有不同高度的两个不同凸块408及410可形成于样品上且在用光在样品上方扫描时由成像子系统成像。因此,此扫描可产生包含凸块408的图像414及凸块410的图像416的图像412。
如图4中可见,具有不同高度的凸块将产生彼此不同的凸块图像。特定来说,凸块顶部失焦随着凸块高度而变化。例如,凸块408可为标称凸块,此意味着其高度是可接受的,而凸块410可为短凸块,此意味着其高度小于可接受。因而,凸块408无缺陷而凸块410有缺陷。这些高度差异造成凸块顶部的图像的对焦外观的差异。特定来说,标称凸块顶部图像414可更离焦而短凸块顶部图像416可更对焦。
因此,通过运用包含针对具有不同高度的凸块产生的图像及那些凸块的已知(或经模拟)高度的训练集来训练DL模型,DL模型可学习如何将输入图像变换为凸块高度。DL模型的输出在本文中被称为“经预测”高度,这是因为其并非高度的实况测量。换句话说,经由针对具有已知(或经模拟)不同高度的凸块产生的训练凸块图像之间的经学习关系来预测凸块的高度。
一般来说,“深度学习”(DL)(还称为深度结构化学习、阶层式学习或深度机器学习)是基于尝试模型化数据中的高阶抽象的一组算法的机器学习(ML)的分支。在简单情况中,可存在两组神经元:接收输入信号的神经元及发送输出信号的神经元。当输入层接收输入时,其将输入的经修改版本传递到下一层。在基于DL的模型中,输入与输出之间通常存在许多层(且层并非由神经元制成,但将所述层视为由神经元制成可为有帮助的),从而允许算法使用由多个线性及非线性变换组成的多个处理层。
DL是基于数据的学习表示的一系列更广泛ML方法的部分。观察(例如,图像)可以许多方式(例如每像素的强度值向量)或以更抽象方式(如一组边缘、特定形状的区等)表示。一些表示在简化学习任务方面比其它表示更好。DL的前景之一是用有效率算法取代手工特征用于无监督式或半监督式特征学习及阶层式特征提取。特定来说,如本文中进一步描述,可基于适合训练数据集学习DL模型(其中可学习其参数)。
在一个实施例中,DL模型经配置为卷积(convolutional)神经网络(CNN)。CNN通常包含用于提取局部特征的卷积及池化(pooling)层的堆叠。卷积层可具有所属领域中已知的任何适合配置,且大体上经配置以通过使用一或多个滤波器将卷积函数应用于输入图像而确定依据跨图像的位置而变化的图像的特征(即,特征图)。一或多个池化层还可具有所属领域中已知的任何适合配置(例如,最大池化层),且大体上经配置用于减少由一或多个卷积层产生的特征图的维数同时维持最重要的特征。DL模型可具有所属领域中已知的任何适合CNN配置或架构。
在另一实施例中,DL模型包含卷积层及完全连接层的组合。卷积层可如上文描述般配置。“完全连接层”可大体上定义为其中节点中的每一者连接到先前层中的节点中的每一者的层。完全连接层基于由卷积层提取的特征执行分类。例如,卷积层可经配置以产生特征图,借此确定可包含本文中进一步描述的图像及输入中的任何者的图像的特征。完全连接层经配置用于特征选择及高度预测。换句话说,完全连接层从特征图选择特征且接着预测一或多个3D结构的高度。所选择的特征可包含特征图中的全部特征(如果适当)或仅特征图中的一些特征。此DL网络(包含卷积层及完全连接层)输出高度预测,所述高度预测可包含每3D结构的高度预测与相关联于每一高度预测的可信度。
在又一实施例中,DL模型经配置为AlexNet。一般来说,AlexNet包含若干卷积层(例如,5个),其后接着若干完全连接层(例如,3个),它们组合地经配置且经训练以对图像进行分类。配置为AlexNet的神经网络的实例描述于克里热夫斯基(Krizhevsky)等人的“具有深度卷积神经网络的ImageNet分类(ImageNet Classification with DeepConvolutional Neural Networks)”(NIPS 2012年)中,所述案以宛如全文陈述引用的方式并入本文中。本文中描述的DL模型可如本参考文献中描述般进一步配置。
在可用作DL模型的AlexNet的一个简化版本中,到AlexNet的输入可包含输入图像,所述输入图像可包含本文中描述的图像中的任何者,例如针对在由成像子系统产生的图像中定位且隔离的凸块候选者中的任何者的具有约32个像素乘32个像素的大小的图块图像。图像被输入到卷积层,其后接着池化层、卷积层及池化层。这些层可如本文中进一步描述般配置。最终池化层的输出被输入到完全连接层(其可包含例如两组不同的完全连接层)。完全连接层可如本文中进一步描述般配置。最后的完全连接层可产生输出,所述输出可包含本文中描述的输出中的任何者。例如,如本文中进一步描述,输出可包含其图像被输入到DL模型的凸块中的每一者的高度度量。
在另一实施例中,DL模型配置为GoogleNet。GoogleNet可包含卷积、池化及完全连接层,例如本文中进一步描述的经配置且经训练以对图像进行分类的卷积、池化及完全连接层。虽然GoogleNet架构可包含相对大量的层(尤其相较于本文中描述的一些其它网络),但一些层可并行操作,且彼此并行运作的层的群组通常称为起始模块。其它层可循序操作。因此,GoogleNet与本文中描述的其它网络的不同之处在于并非全部层都以循序结构布置。配置为GoogleNet的神经网络的实例描述于塞格迪(Szegedy)等人的“深入了解卷积(GoingDeeper with Convolutions)”(CVPR 2015年)中,所述案以宛如全文陈述引用的方式并入本文中。本文中描述的DL模型可如本参考文献中描述般进一步配置。
在又一实施例中,DL模型配置为VGG网络。通过增加卷积层的数目同时固定架构的其它参数而建立VGG网络。通过在全部层中使用基本上小的卷积滤波器可添加卷积层以增加深度。如同本文中描述的其它网络,VGG网络经产生且经训练以对图像进行分类。VGG网络还包含卷积层,其后接着完全连接层。配置为VGG的神经网络的实例描述于西蒙尼扬(Simonyan)等人的“用于大规模图像辨识的超深度卷积网络(Very Deep ConvolutionalNetworks for Large-Scale Image Recognition)”(ICLR 2015年)中,所述案以宛如全文陈述引用的方式并入本文中。本文中描述的DL模型可如本参考文献中描述般进一步配置。
在一些实施例中,DL模型配置为深度残差网络。如同本文中描述的一些其它网络,深度残差网络可包含卷积层,其后接着完全连接层,它们组合地经配置且经训练用于图像分类。在深度残差网络中,层经配置以参考层输入来学习残差功能而非学习无参考功能。特定来说,代替希望每一少数堆叠层直接拟合所要底层映射,明确允许这些层拟合残差映射,此由具有快捷方式连接的前馈神经网络实现。快捷方式连接是略过一或多个层的连接。可通过取得包含卷积层的普通神经网络结构且插入快捷方式连接而产生深度残差网,此借此取得普通神经网络且将其转变为其残差学习对应物。深度残差网的实例描述于何(He)等人的“用于图像辨识的深度残差学习(Deep Residual Learning for Image Recognition)”(NIPS 2015年)中,所述案以宛如全文陈述引用的方式并入本文中。本文中描述的DL模型可如本参考文献中描述般进一步配置。
本文中描述的DL模型可由或可未由一或多个计算机系统及/或所述计算机系统执行的组件中的一者训练。例如,另一方法或系统可训练DL模型,所述DL模型接着可经存储以用作由计算机系统执行的组件。还可在运行时间之前的任何时间训练或建立DL模型。在一个此实例中,可在检验配方训练或设置期间建立DL模型。还可在经训练模型的设置及/或部署之后在任何时间更新、再训练或修正本文中描述的DL模型。
在另一实施例中,计算机系统经配置用于产生训练集,所述训练集包含运用成像子系统产生的样品或不同样品上的3D结构的训练图像及训练图像中的3D结构的对应高度信息。可以本文中进一步描述的各种方式产生训练集。接着,计算机系统可使用训练集以训练DL模型,或训练集可由另一方法或系统使用以训练DL模型。
在本文中描述的实施例中的任何者中,产生训练集可包含:以任何适合方式且运用任何适合格式存储训练图像及对应高度信息使得训练集可用于训练DL模型。计算机系统可将训练集的信息存储于本文中描述的计算机可读存储媒体中的任何者中。训练集可由计算机系统以所属领域中已知的任何适合方式使用(包含分离成用于训练及确认的子集、随着时间或当工艺改变时更新、修改或替换等)。
接着,可基于包含样品图块图像与对应高度信息的训练集来训练DL模型。样品图像是训练输入,且对应高度信息是训练输出。训练可包含将训练输入输入到DL模型中且更改DL模型的一或多个参数,直到由DL模型产生的输出匹配(或基本上匹配)训练输出。训练可包含更改DL模型的任何一或多个可训练参数。例如,所训练的DL模型的一或多个参数可包含具有可训练权重的DL模型的任何层的一或多个权重。在一个此实例中,权重可包含卷积层而非池化层的权重。
在一个实施例中,一或多个计算机系统经配置用于运用由成像子系统以两个或更多个焦点偏移产生的样品或不同样品的图像训练DL模型。如果图像是不同样品的图像,那么所述不同样品优选为与样品相同的类型(即,由相同材料以相同设计及制造工艺形成)。以此方式,为了训练,实施例可在各种焦点偏移下收集晶片图像。在一个此实例中,成像子系统可在晶片表面周围从-30um到+30um的z焦点切片处产生图像,且那些图像可用于训练DL模型,如本文中描述。在另一此实例中,成像子系统可在晶片表面上方从0um到80um的z焦点切片处产生图像,且那些图像可用于训练DL模型,如本文中描述。一般来说,所产生且用于训练的训练数据越多(例如,焦点切片越多且凸块越多),那么由经训练DL模型预测的高度的准确度越佳。
在每一经产生图像中,计算机系统可定位且切出2D凸块图像图块,此可以本文中描述的任何适合方式执行。例如,给定在不同z焦点偏移下的相对较大帧图像,计算机系统可从帧剪切图块,每凸块一个图块。接着,计算机系统可运用具有焦点偏移的这些图像图块作为凸块高度实况数据来训练DL模型。可如本文中进一步描述般执行所述训练。
然而,计算机系统可运用来自其它来源的图像图块作为凸块高度实况数据来训练DL模型。例如,当具有各种已知凸块高度的样品无法用于训练时,从在各种焦点偏移下运行的成像子系统抓取完整图像以模拟不同高度的凸块可为有用的。计算机系统可采用在各种焦点偏移下抓取的那些图像,剪切其且遮蔽除凸块顶部之外的全部图像,且运用其训练DL模型,如同其是各种高度的凸块。
然而,在另一实施例中,一或多个计算机系统经配置用于运用由成像子系统产生的具有以3D结构的特性的多个已知值形成于其上的3D结构的不同样品的图像来训练DL模型。换句话说,如果具有以不同经编程高度形成于其上的凸块的晶片可用,那么晶片可由成像子系统在单个聚焦值下成像。可如本文中描述般定位且隔离晶片图像中的凸块。基于晶片的设计的信息,可将不同凸块的已知经编程高度指派给其凸块图像。以此方式,经定位且经隔离凸块图像可为训练输入,且已知凸块高度可为训练输出。因此,已知预定凸块高度及凸块图像可用作用于DL训练的实况。还可如本文中进一步描述般执行此训练。
实况训练数据还可来自实况凸块高度测量的任何其它来源。例如,如果实况凸块高度测量工具可供使用,那么所述实况凸块高度测量工具可用于测量一或若干晶片上的凸块高度,只要所述晶片上的凸块具有相对多样化的凸块高度。接着,所述晶片可由成像子系统成像,所述成像子系统将用于产生用于其它晶片上的凸块高度预测的图像。接着,可如本文中进一步描述般对那些图像执行凸块图像定位及隔离。基于在样品上产生凸块图像的位置,可从实况测量数据及晶片上测量其的位置确定其对应实况凸块高度。以此方式,成像子系统凸块图像及对应实况凸块高度测量数据可与训练数据成对地相关且如本文中描述般用于DL模型训练。
在一个实施例中,由成像子系统在样品的单个遍次中收集用于预测高度的图像中的一或多者。在另一实施例中,由成像子系统在单个焦点值下收集用于预测高度的图像中的一或多者。例如,用于确定样品的信息(例如寻找有缺陷凸块及/或确定凸块高度度量)的图像可包含在单个晶片图像收集遍次中产生的图像。另外,可使用现存缺陷检验遍次作为本文中描述的实施例的图像源。换句话说,通过DL模型的适当训练,本文中描述的实施例可能够使用当前检验配方以产生输入到DL模型的图像。
因此,本文中描述的实施例的一个优点是其远快于现存方法(例如需要在多个焦点偏移(即因此可能多个遍次)下产生的图像以进行基本上准确的凸块高度预测的现存方法)。本文中描述的实施例的另一优点是其可使用工具(例如商业上可购自KLA的Altair检验工具)的现存成像及机械硬件。例如,在于单个检验焦点下运行的检验期间,成像子系统可收集检验图像(BF及DF),一或多个计算机系统可如本文中进一步描述般切出凸块,且经预训练的DL模型可使用这些经切出凸块图像预测凸块高度。由于本文中描述的实施例可使用与用于工具的现存缺陷检验算法相同的物镜及焦点偏移图像获得全部凸块高度,因此本文中描述的实施例可节省用户晶片检验工具时间。工具可抓取正常晶片图像以用于缺陷检验且接着使用相同图像以用于凸块高度测量。相较于可需要通常运用一组独有光学器件的单独图像抓取的旧方法,此能力可节省大量时间。
在一个实施例中,图像包含样品的BF图像或样品的DF图像。在另一实施例中,图像包含样品的BF图像及样品的DF图像。以此方式,经抓取用于训练及运行时间的图像可包含使用BF及DB成像模式两者或所述模式中的仅一者抓取的图像。一般来说,使用BF及DF图像两者(或其它多模式图像)用于本文中描述的实施例可为优选的,但还可能以不如使用BF及DF图像两者(或其它多模式图像)时良好的性能(例如,可能具有稍微低的准确度)仅使用BF图像或仅使用DF图像(或其它单模式图像)。以类似方式,更小或更大光学器件放大率还可由本文中描述的实施例以更小或更大准确度及速度使用。多模式及单模式图像可由如本文中进一步描述的成像子系统产生。
在一个实施例中,一或多个计算机系统经配置用于定位且隔离对应于一或多个3D结构的图像的部分,且输入到DL模型的图像仅包含对应于一或多个3D结构的图像的经隔离部分。例如,在由成像子系统产生的样品的每一图像中,计算机系统可定位且切出2D凸块图像图块。在一个此实例中,给定运行时间期间在单个焦点偏移下或在训练期间在不同z焦点偏移下的相对较大帧图像,计算机系统可从帧剪切图块,每凸块一个图块。
此定位及隔离步骤可为任选的,但可增加凸块高度预测的准确度。例如,由本文中描述的成像子系统针对本文中描述的样品产生的图像将大体上包含多个结构及包围所述结构的区域(其出于与如成像子系统布置、最佳操作参数(如速度对放大率)等的事物相关的若干原因可或可不包含其它经图案化结构)。换句话说,本文中描述的成像子系统大体上未经配置以仅产生样品上的单个结构的图像(例如本文中描述的图像)。代替性地,其有利地经设计以在相对较短时间量内产生样品上的相对较大区域的图像。即使本文中描述的DL模型可经训练以使用包含样品上的其它结构的图像、来自包围凸块的区域的图像数据、信号或噪声等的凸块图像预测所述凸块的凸块高度,预测的准确度仍将大体上高于输入图像仅包含凸块的图像的情况。因此,虽然定位及隔离步骤是任选的且可以某些方式被视为微不足道,但其可为本文中描述的实施例提供优点。另外,如本文中进一步描述,定位及隔离步骤可以不同方式执行,且归因于例如由本文中描述的成像子系统产生的图像的复杂性,可能不一定为微不足道的。
在另一实施例中,一或多个计算机系统经配置用于定位且隔离分别对应于一或多个3D结构的图像的一或多个部分,且分别基于经隔离的一或多个部分产生个别一或多个3D结构的个别一或多个经剪切图块图像。例如,如上文描述,可有利地修改由成像子系统产生的样品图像,使得输入到DL模型的每一图像仅包含样品上的单个凸块的图像。以此方式,可在每凸块基础上产生输入图像。如果样品图像包含以多于一种模式产生的图像(例如,DF图像及BF图像两者),那么可在每凸块及每模式基础上产生输入图像。以此方式,针对样品上的预测其高度的每一凸块,可针对用于产生样品图像的每一模式产生输入图像且针对所述凸块产生的每一输入图像可仅包含经切出凸块图像。可如本文中描述般执行定位及隔离步骤。可如本文中进一步描述般(例如,使用掩模)执行产生个别一或多个经剪切图块图像。
在又一实施例中,一或多个计算机系统经配置用于通过模板匹配定位且隔离对应于一或多个3D结构的图像的部分。图5展示可由本文中描述的实施例执行的包含使用模板识别且隔离图像中的凸块的步骤的一个流程图。特定来说,成像子系统(图5中未展示)可经配置用于产生样品(图5中未展示)的DF图像500及BF图像502两者。图5中展示的图像对应于样品上的相同区域且因此两者在图像内包含呈相同图案的凸块504。图5中展示的“图像”不希望展示可由本文中描述的成像子系统产生的任何实际图像。具体来说,BF及DF图像将大体上看起来彼此非常不同而非如图5中展示般呈现为基本上相同。另外,并非全部凸块将呈现为具有与图5中展示的图像中的相同尺寸的完美圆形。代替性地,这些“图像”仅经包含于图5中以说明本文中描述的实施例可如何将输入图像变换为经预测凸块高度。如在本文中描述的其它实施例中,当DL模型用于凸块高度的运行时间预测时,图像500及502有利地仅需要包含用于凸块高度检验及计量的标称焦点图像,而非在多个焦点设置下产生的图像。
可使用模板506在两个图像中寻找个别凸块。特定来说,可比较模板506与图像以试图寻找匹配模板的图像部分。因此,当模板具有基于预期凸块图像确定的特性时,模板可用于识别凸块图像在更大图像500及502内的位置。一旦已将图像的部分识别为含有凸块图像,便可将掩模508应用于图像的那个部分以尽可能多地消除那个图像部分中的非凸块相关图像数据或信号,借此仅留下凸块相关图像数据或信号。因此,通过针对在图像500及502中找到的任何一个凸块图像部分应用模板及掩模,可分别产生经隔离凸块图块图像510及512。因此,每一经隔离凸块图块图像是针对单个凸块及单个模式。
接着,这些图像可由一或多个计算机系统以所属领域中已知的任何适合方式输入到DL模型514中。DL模型514可包含本文中描述的AI DL模型中的任何者,例如每凸块产生线性输出的多层CNN。换句话说,DL模型可针对每一凸块产生回归输出或数字。DL模型的输出518可包含每3D结构的经预测高度,例如凸块高度列表。接着,一或多个计算机系统可使用每3D结构的经预测高度以产生样品信息输出520,样品信息输出520可包含以本文中描述的任何方式确定的本文中描述的样品信息中的任何者。
除由一或多个计算机系统输入到DL模型的图像之外,DL模型还可具有可由成像子系统在样品的扫描期间产生及/或由所述计算机系统基于成像子系统的输出产生的用于输入的一或多个额外通道(例如额外扫描输出516)。此额外扫描输出可包含(但不限于)工具遥测自动对焦数据、载物台位置、温度等。所述计算机系统可以任何适合方式将此数据输入到DL模型中。DL模型可经训练以使用此额外信息通道以依与执行本文中描述的其它训练相同的方式进行凸块高度预测。
在额外实施例中,一或多个计算机系统经配置用于基于样品的设计信息定位且隔离对应于一或多个3D结构的图像的部分。例如,如果样品的设计信息可供本文中描述的实施例使用,那么可相对简单地使用某一类型的图像到设计对准方法或系统来识别样品的所产生图像中的3D结构的位置。一般来说,大多数图像到设计对准包含将样品上的独有结构的样品图像对准到其对应设计信息,及接着使用所述对准步骤的结果以例如经由坐标变换将额外样品图像对准到设计信息。可在以下专利中找到有用的图像到设计对准方法的一些实例:2010年3月9日颁予库尔卡尼(Kulkarni)等人的第7,676,077号美国专利;2011年10月18日颁予库尔卡尼(Kulkarni)等人的第8,041,103号美国专利;2017年11月28日颁予巴塔查里亚(Bhattacharyya)等人的第9,830,421号美国专利;2018年11月13日颁予达菲(Duffy)等人的第10,127,653号美国专利;及2020年8月4日颁予哈(Ha)等人的第10,733,744号美国专利;由布劳尔(Brauer)等人在2021年4月1日发表的第2021/0097704号美国专利申请公开案;及由布劳尔(Brauer)等人在2021年5月5日申请的共同让与的序号第17/308,878号美国专利申请案;及由布劳尔(Brauer)等人在2021年5月28日申请的共同让与的序号第17/334,179号美国专利申请案,所有这些专利以宛如全文陈述引用的方式并入本文中。本文中描述的实施例可如这些参考文献中描述般进一步配置。
在另一实施例中,一或多个计算机系统经配置用于通过将图像输入到YOLO网络中而定位且隔离对应于一或多个3D结构的图像的部分,所述YOLO网络经配置用于所述定位且包含于由一或多个计算机系统执行的一或多个组件中。在此实施例中,除本文中描述的DL模型之外,还可使用YOLO DL网络。YOLO网络可经训练以首先寻找凸块且可比上文描述的模板匹配方法可靠得多地执行。
一般来说,YOLO网络可包含将较大图像划分为较小区且预测每一区的定界方框及(类别)概率的单个CNN。定界方框可由经预测概率加权。可如本文中描述般训练YOLO网络(例如,运用输入到YOLO网络的训练图像且运用定界方框及其相关联类别作为训练输出),且YOLO网络可具有所属领域中已知的任何适合配置。在此类实施例中,接着,可使用YOLO网络寻找凸块,一或多个计算机系统可切出凸块顶部且使用本文中描述的DL模型中的一者(例如AlexNet)以预测凸块顶部高度。
YOLO网络尤其为本文中描述的实施例所关注,因为其可经训练以寻找可测量的大多数任何“所关注对象”。此能力对于本文中描述的实施例可尤其有用,因为其可用于测量具有基本上不同物理特性的3D结构(如凸块对比深通孔、具有显著不同形状的结构、即使具有类似形状但可由可引起其图像的实质差异的不同材料形成的结构等)的高度。YOLO网络具有包含其可同时预测图像中的多个定界方框的额外优点,此是有用的,因为由成像子系统产生的图像通常含有多个凸块的图像,相较于其它对象检测方法,其极其快速,且其可编码关于对象图像的上下文信息,因为其在训练期间看见整个图像。可在雷德蒙(Redmon)等人的“YOLO9000:更好、更快、更强(YOLO9000:Better,Faster,Stronger)”(arXiv:1613.08242,2016年12月25日,9页)中找到关于YOLO网络的另外细节,所述案以宛如全文陈述引用的方式并入本文中。本文中描述的实施例可如本参考文献中描述般进一步配置。
虽然YOLO网络对于上文描述的对象检测可尤其有利,但本文中描述的实施例可经配置以使用所属领域中已知的适用于对象检测以寻找图像中的凸块的任何其它DL模型。例如,YOLO网络仅为对象寻找DL网络的一个可能实施例,且任何其它适合DL网络可用于对象检测(例如基于区的卷积神经网络(R-CNN),其在功能上类似于YOLO网络)。以此方式,在另一实施例中,一或多个计算机系统经配置用于通过将图像输入到额外DL模型中而定位且隔离对应于一或多个3D结构的图像的部分,所述额外DL模型经配置用于所述定位且包含于由一或多个计算机系统执行的一或多个组件中。额外DL模型可与预测高度信息的DL模型完全分离。两个DL模型还可具有不同配置,例如不同类型的DL模型,及/或可为相同类型的DL模型但经不同地训练,即,一者经训练用于对象检测且一者经训练用于高度预测。可如本文中描述般执行此类训练中的每一者。
YOLO网络或功能上类似的网络还可用于本文中描述的实施例中不仅用于对象检测而且还用于高度预测。例如,在一个实施例中,DL模型配置为YOLO网络,且YOLO网络经配置用于定位且隔离对应于一或多个3D结构的图像的部分。以此方式,YOLO网络可用于对象检测及对象高度预测两者。具有经训练用于寻找凸块及预测凸块或其它3D对象的高度两者的YOLO网络或另一单个DL模型可为本文中描述的实施例提供优点,这是因为在单个网络中组合功能通常比具有用于不同功能的单独网络更具计算机效率。然而,YOLO网络可经配置用于高度预测,且不同DL模型可配置为用于对象检测。可如本文中进一步描述般训练经配置用于对象检测及高度预测两者的YOLO网络。
一或多个计算机系统还经配置用于基于一或多个3D结构的经预测高度确定样品的信息。一般来说,由计算机系统基于经预测高度确定的信息可为任何检验式及/或计量式信息,例如本文中描述的检验式及/或计量式信息。另外,针对样品基于一或多个3D结构的经预测高度确定的信息可为本文中描述的多种类型的信息的组合(例如,哪(些)3D结构有缺陷的识别及高度度量(如平均高度或凸块高度图)两者)。
在一个实施例中,确定信息包含:确定一或多个3D结构中的任何者是否有缺陷。以此方式,计算机系统可寻找有缺陷凸块,包含短的凸块。在用于检验的一个此实施例中,一或多个计算机系统可标记高于阈值的凸块高度误差。在一个说明性实例中,图3展示形成于样品300上的柱型凸块实例302、304及306。由成像子系统针对样品产生的图像可输入到DL模型(可能运用本文中描述的预处理),且DL模型输出凸块中的每一者的经预测高度。可比较所述经预测高度与标称凸块高度308(其可为经设计或所要凸块高度)。如果经预测高度中的任何者低于所述标称凸块高度,那么一或多个计算机系统可将具有此类经预测高度的凸块指定为有缺陷或缺陷候选者。例如,如图3中展示,凸块302及304具有标称凸块高度308,而凸块306具有有缺陷短凸块高度310且因此可由计算机系统指定为有缺陷短凸块。
至于任何缺陷检测算法或方法,计算机系统可比较每一凸块的经预测高度与阈值(或若干阈值),所述阈值可对应于对于凸块来说不可接受的低于(及可能高于)标称或经设计凸块高度的凸块高度范围。如果凸块具有低于或高于可接受的经预测高度,那么其可由计算机系统经由此类比较检测。其它算法及方法还可用于确定凸块中的哪一者有缺陷(例如比较标称凸块高度与经预测凸块高度之间的差与对应于凸块高度的可接受变化的阈值,而找到相较于样品上的其它凸块具有离群经预测高度的凸块等)。
在另一实施例中,信息包含一或多个3D结构的平均高度度量。以此方式,计算机系统可产生基本上准确的凸块高度度量,例如晶片的区域内的平均凸块高度。在计量的一个此实施例中,一或多个计算机系统可平均化区域中的数个凸块高度以进行准确测量。在图3中展示的一个此实例中,计算机系统可使用凸块302、304及306的经预测高度来确定由水平虚线312展示的区域平均高度。
用于确定此平均高度度量的经预测凸块高度的数目显然可从图3中展示的数目变化且可包含远多于3个凸块。平均高度度量可为局部高度度量(其是从样品上的少于全部凸块及仅样品上的局部区域中的凸块确定),或全局高度度量(其是从样品上的全部(或至少大部分)凸块或样品上的少于全部但跨样品上的整个区域散布的凸块确定)。还可针对裸片或样品确定多个此类度量。
一或多个计算机系统可经配置用于产生样品的结果,所述结果可包含本文中描述的信息中的任何者,例如关于确定为有缺陷的3D结构中的任何者的信息,高度度量信息、跨样品的凸块高度图、个别3D结构的经预测高度等中的任何者。有缺陷3D结构的结果可包含(但不限于)有缺陷3D结构的位置、检测分数、关于有缺陷3D结构分类的信息(例如类别标记或ID等)或所属领域中已知的任何此适合信息。样品的结果可由计算机系统以任何适合方式产生。
本文中描述的全部实施例可经配置用于将实施例的一或多个步骤的结果存储于计算机可读存储媒体中。结果可包含本文中描述的结果中的任何者且可以所属领域中已知的任何方式存储。样品的结果可具有任何适合形式或格式,例如标准文件类型。存储媒体可包含本文中描述的任何存储媒体或所属领域中已知的任何其它适合存储媒体。在已存储信息之后,结果可存取在存储媒体中且由本文中描述的方法或系统实施例中的任何者使用,经格式化以显示给用户,由另一软件模块、方法或系统等使用以执行样品或相同类型的另一样品的一或多个功能。
此类功能包含(但不限于)更改工艺,例如对或将对样品以反馈或前馈方式执行的制造工艺或步骤等。例如,计算机系统可经配置以基于有缺陷3D结构确定对于对样品执行的工艺及/或将对样品执行的工艺的一或多个改变。对于工艺的改变可包含对于工艺的一或多个参数的任何适合改变。计算机系统优选地确定所述改变使得可减少或防止对其执行经修正工艺的其它样品上的有缺陷3D结构,可在对样品执行的另一工艺中校正或消除样品上的有缺陷3D结构,可在对样品执行的另一工艺中补偿有缺陷3D结构等。计算机系统可以所属领域中已知的任何适合方式确定此类改变。
接着,可将所述改变发送到半导体制造系统(未展示)或可供计算机系统及半导体制造系统两者存取的存储媒体(未展示)。半导体制造系统可为或可并非为本文中描述的系统实施例的部分。例如,本文中描述的成像子系统及/或计算机系统可例如经由一或多个共同元件(例如外壳、电源供应器、样品处置装置或机构等)耦合到半导体制造系统。半导体制造系统可包含所属领域中已知的任何半导体制造系统,例如光刻工具、蚀刻工具、化学-机械抛光(CMP)工具、沉积工具及类似者。
可将上文描述的系统中的每一者的实施例中的每一者在一起组合到一个单个实施例中。
另一实施例涉及一种用于确定样品的信息的计算机实施方法。方法包含运用成像子系统产生样品的图像。一或多个3D结构形成于样品上。方法还包含通过将图像中的一或多者输入到包含于由一或多个计算机系统执行的一或多个组件中的DL模型中而基于图像中的一或多者来预测一或多个3D结构的高度。另外,方法包含基于一或多个3D结构的经预测高度确定样品的信息。确定是由一或多个计算机系统执行。
可如本文中进一步描述般执行方法的步骤中的每一者。方法还可包含可由本文中描述的系统、计算机系统及/或成像子系统执行的任何其它步骤。一或多个计算机系统、一或多个组件、DL模型及成像子系统可根据本文中描述的实施例中的任何者(例如,分别地,计算机系统102、组件100、DL模型104及成像子系统10)配置。另外,上文描述的方法可由本文中描述的系统实施例中的任何者执行。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在一或多个计算机系统上执行以执行用于确定样品的信息的计算机实施方法。在图6中展示一个此实施例。特定来说,如图6中展示,非暂时性计算机可读媒体600包含可在计算机系统604上执行的程序指令602。计算机实施方法可包含本文中描述的任何方法的任何步骤。
实施例如本文中描述的方法的方法的程序指令602可存储于计算机可读媒体600上。计算机可读媒体可为存储媒体,例如磁盘或光盘、磁带或所属领域中已知的任何其它适合非暂时性计算机可读媒体。
可以各种方式(包含基于过程的技术、基于组件的技术及/或面向对象技术等等)中的任何者实施程序指令。例如,可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(串流SIMD扩展)或其它技术或方法论来实施程序指令。
计算机系统604可根据本文中描述的实施例中的任何者配置。
鉴于此描述,所属领域的技术人员将明白本发明的各种方面的另外修改及替代实施例。例如,提供用于确定样品的信息的方法及系统。因此,此描述仅应被解释为说明性的且是出于教示所属领域的技术人员实行本发明的一般方式的目的。应理解,本文中展示且描述的本发明的形式应被视为当前优选实施例。元件及材料可取代本文中说明且描述的元件及材料,零件及工艺可颠倒,且可独立利用本发明的特定特征,全部如所属领域的技术人员在获益于本发明的此描述之后将明白。可在不脱离如在随附权利要求书中描述的本发明的精神及范围的情况下对本文中描述的元件作出改变。
Claims (27)
1.一种经配置以确定样品的信息的系统,其包括:
成像子系统,其经配置以产生样品的图像,其中一或多个三维结构形成于所述样品上;
一或多个计算机系统;及
一或多个组件,其由所述一或多个计算机系统执行,其中所述一或多个组件包括经配置用于基于所述图像中的一或多者预测所述一或多个三维结构的高度的深度学习模型;且
其中所述一或多个计算机系统经配置用于基于所述一或多个三维结构的所述经预测高度确定所述样品的信息。
2.根据权利要求1所述的系统,其中所述一或多个三维结构是形成于晶片上的一或多个凸块。
3.根据权利要求1所述的系统,其中确定所述信息包括:确定所述一或多个三维结构中的任何者是否有缺陷。
4.根据权利要求1所述的系统,其中所述信息包括所述一或多个三维结构的平均高度度量。
5.根据权利要求1所述的系统,其中由所述成像子系统在所述样品的单个遍次中收集用于预测所述高度的所述图像中的所述一或多者。
6.根据权利要求1所述的系统,其中由所述成像子系统在单个焦点值下收集用于预测所述高度的所述图像中的所述一或多者。
7.根据权利要求1所述的系统,其中所述图像包括所述样品的明场图像或所述样品的暗场图像。
8.根据权利要求1所述的系统,其中所述图像包括所述样品的明场图像及所述样品的暗场图像。
9.根据权利要求1所述的系统,其中所述一或多个计算机系统进一步经配置用于运用由所述成像子系统以两个或更多个焦点偏移产生的所述样品或不同样品的所述图像来训练所述深度学习模型。
10.根据权利要求1所述的系统,其中所述一或多个计算机系统进一步经配置用于运用由所述成像子系统产生的具有以所述三维结构的特性的多个已知值形成于其上的所述三维结构的不同样品的图像来训练所述深度学习模型。
11.根据权利要求1所述的系统,其中所述一或多个计算机系统进一步经配置用于定位且隔离对应于所述一或多个三维结构的所述图像的部分,且其中输入到所述深度学习模型的所述图像仅包括对应于所述一或多个三维结构的所述图像的所述经隔离部分。
12.根据权利要求1所述的系统,其中所述一或多个计算机系统进一步经配置用于定位且隔离分别对应于所述一或多个三维结构的所述图像的一或多个部分,且分别基于所述经隔离的一或多个部分产生个别一或多个三维结构的个别一或多个经剪切图块图像。
13.根据权利要求1所述的系统,其中所述一或多个计算机系统进一步经配置用于通过模板匹配定位且隔离对应于所述一或多个三维结构的所述图像的部分。
14.根据权利要求1所述的系统,其中所述一或多个计算机系统进一步经配置用于基于所述样品的设计信息定位且隔离对应于所述一或多个三维结构的所述图像的部分。
15.根据权利要求1所述的系统,其中所述一或多个计算机系统进一步经配置用于通过将所述图像输入到YOLO网络中而定位且隔离对应于所述一或多个三维结构的所述图像的部分,所述YOLO网络经配置用于所述定位且包含于由所述一或多个计算机系统执行的所述一或多个组件中。
16.根据权利要求1所述的系统,其中所述一或多个计算机系统进一步经配置用于通过将所述图像输入到额外深度学习模型中而定位且隔离对应于所述一或多个三维结构的所述图像的部分,所述额外深度学习模型经配置用于所述定位且包含于由所述一或多个计算机系统执行的所述一或多个组件中。
17.根据权利要求1所述的系统,其中所述深度学习模型进一步配置为卷积神经网络。
18.根据权利要求1所述的系统,其中所述深度学习模型包括卷积层及完全连接层的组合。
19.根据权利要求1所述的系统,其中所述深度学习模型进一步配置为AlexNet。
20.根据权利要求1所述的系统,其中所述深度学习模型进一步配置为YOLO网络,且其中所述YOLO网络进一步经配置用于定位且隔离对应于所述一或多个三维结构的所述图像的部分。
21.根据权利要求1所述的系统,其中所述成像子系统进一步配置为检验子系统。
22.根据权利要求1所述的系统,其中所述成像子系统进一步配置为计量子系统。
23.根据权利要求1所述的系统,其中所述成像子系统进一步配置为基于光的子系统。
24.根据权利要求1所述的系统,其中所述成像子系统进一步配置为电子束子系统。
25.根据权利要求1所述的系统,其中所述样品是晶片。
26.一种存储程序指令的非暂时性计算机可读媒体,所述程序指令能够在一或多个计算机系统上执行以执行用于确定样品的信息的计算机实施方法,其中所述计算机实施方法包括:
运用成像子系统产生样品的图像,其中一或多个三维结构形成于所述样品上;
通过将所述图像中的一或多者输入到包含于由所述一或多个计算机系统执行的一或多个组件中的深度学习模型中而基于所述图像中的所述一或多者来预测所述一或多个三维结构的高度;及
基于所述一或多个三维结构的所述经预测高度确定所述样品的信息。
27.一种用于确定样品的信息的计算机实施方法,其包括:
运用成像子系统产生样品的图像,其中一或多个三维结构形成于所述样品上;
通过将所述图像中的一或多者输入到包含于由一或多个计算机系统执行的一或多个组件中的深度学习模型中而基于所述图像中的所述一或多者来预测所述一或多个三维结构的高度;及
基于所述一或多个三维结构的所述经预测高度确定所述样品的信息,其中所述确定是由所述一或多个计算机系统执行。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063062446P | 2020-08-07 | 2020-08-07 | |
US63/062,446 | 2020-08-07 | ||
US17/393,979 | 2021-08-04 | ||
US17/393,979 US11644756B2 (en) | 2020-08-07 | 2021-08-04 | 3D structure inspection or metrology using deep learning |
PCT/US2021/044859 WO2022032046A1 (en) | 2020-08-07 | 2021-08-06 | 3d structure inspection or metrology using deep learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115917246A true CN115917246A (zh) | 2023-04-04 |
Family
ID=80114982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180045618.8A Pending CN115917246A (zh) | 2020-08-07 | 2021-08-06 | 使用深度学习的3d结构检验或计量 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11644756B2 (zh) |
EP (1) | EP4153939A4 (zh) |
JP (1) | JP2023536564A (zh) |
CN (1) | CN115917246A (zh) |
IL (1) | IL299069B1 (zh) |
TW (1) | TW202225677A (zh) |
WO (1) | WO2022032046A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220189806A1 (en) * | 2020-12-16 | 2022-06-16 | Samsung Electronics Co., Ltd. | Estimating heights of defects in a wafer |
TWI820815B (zh) * | 2022-07-22 | 2023-11-01 | 合晶科技股份有限公司 | 平坦度缺陷特徵檢測方法 |
IL299017B1 (en) * | 2022-12-12 | 2024-05-01 | Applied Materials Israel Ltd | Automatic segmentation of an image of a semiconductor sample and use of measurements |
CN117824505B (zh) * | 2024-03-05 | 2024-05-07 | 四川京炜交通工程技术有限公司 | 一种公路护栏梁板中心离地高度快速检测装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170191946A1 (en) * | 2014-06-05 | 2017-07-06 | University Of The West Of England, Bristol | Apparatus for and method of inspecting surface topography of a moving object |
CN107683400A (zh) * | 2015-06-29 | 2018-02-09 | 科磊股份有限公司 | 用于测量在半导体晶片上的高度的方法及设备 |
CN109887018A (zh) * | 2019-02-28 | 2019-06-14 | 中国计量大学 | 一种基于深度学习的光子3d成像系统 |
US20190333199A1 (en) * | 2018-04-26 | 2019-10-31 | The Regents Of The University Of California | Systems and methods for deep learning microscopy |
CN110443882A (zh) * | 2019-07-05 | 2019-11-12 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN110554046A (zh) * | 2019-09-05 | 2019-12-10 | 西安多维机器视觉检测技术有限公司 | 一种用于电子元器件引脚的检测系统和方法 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
CN110945528A (zh) * | 2018-02-07 | 2020-03-31 | 应用材料以色列公司 | 产生可用于检查半导体样品的训练集的方法及其系统 |
CN111047681A (zh) * | 2019-11-07 | 2020-04-21 | 北京理工大学 | 基于深度学习的单像素三维端到端重建方法及装置 |
CN111260720A (zh) * | 2020-01-13 | 2020-06-09 | 浙江大学 | 一种基于深度学习方法的目标高度测定系统 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7126699B1 (en) | 2002-10-18 | 2006-10-24 | Kla-Tencor Technologies Corp. | Systems and methods for multi-dimensional metrology and/or inspection of a specimen |
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8041103B2 (en) | 2005-11-18 | 2011-10-18 | Kla-Tencor Technologies Corp. | Methods and systems for determining a position of inspection data in design data space |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US7782452B2 (en) | 2007-08-31 | 2010-08-24 | Kla-Tencor Technologies Corp. | Systems and method for simultaneously inspecting a specimen with two distinct channels |
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 |
US8237213B2 (en) | 2010-07-15 | 2012-08-07 | Micron Technology, Inc. | Memory arrays having substantially vertical, adjacent semiconductor structures and the formation thereof |
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 |
NL2009168A (en) * | 2011-08-19 | 2013-02-21 | Asml Netherlands Bv | Lithographic apparatus and method. |
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 |
US10127653B2 (en) | 2014-07-22 | 2018-11-13 | Kla-Tencor Corp. | Determining coordinates for an area of interest on a specimen |
US9830421B2 (en) | 2014-12-31 | 2017-11-28 | Kla-Tencor Corp. | Alignment of inspection to design using built in targets |
US10473454B1 (en) * | 2017-01-06 | 2019-11-12 | Kla-Tencor Corporation | Imaging-based height measurement based on known geometric information |
CN106846463B (zh) * | 2017-01-13 | 2020-02-18 | 清华大学 | 基于深度学习神经网络的显微图像三维重建方法及系统 |
US10733744B2 (en) | 2017-05-11 | 2020-08-04 | Kla-Tencor Corp. | Learning based approach for aligning images acquired with different modalities |
US20190130188A1 (en) | 2017-10-26 | 2019-05-02 | Qualcomm Incorporated | Object classification in a video analytics system |
PL3814759T3 (pl) | 2018-06-29 | 2024-02-26 | Universiteit Antwerpen | Kontrola przedmiotu poprzez obrazowanie z wykorzystaniem promieniowania przy użyciu iteracyjnego podejścia opartego na dopasowywaniu projekcji |
TW202020577A (zh) * | 2018-09-28 | 2020-06-01 | 荷蘭商Asml荷蘭公司 | 基於晶圓量測判定熱點排序 |
US11580650B2 (en) | 2019-10-01 | 2023-02-14 | KLA Corp. | Multi-imaging mode image alignment |
KR102228957B1 (ko) | 2019-12-30 | 2021-03-17 | 주식회사 고영테크놀러지 | 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체 |
US11574413B2 (en) * | 2020-02-03 | 2023-02-07 | Nanotronics Imaging, Inc. | Deep photometric learning (DPL) systems, apparatus and methods |
-
2021
- 2021-08-04 US US17/393,979 patent/US11644756B2/en active Active
- 2021-08-06 JP JP2022578865A patent/JP2023536564A/ja active Pending
- 2021-08-06 CN CN202180045618.8A patent/CN115917246A/zh active Pending
- 2021-08-06 WO PCT/US2021/044859 patent/WO2022032046A1/en unknown
- 2021-08-06 IL IL299069A patent/IL299069B1/en unknown
- 2021-08-06 TW TW110129043A patent/TW202225677A/zh unknown
- 2021-08-06 EP EP21852542.6A patent/EP4153939A4/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170191946A1 (en) * | 2014-06-05 | 2017-07-06 | University Of The West Of England, Bristol | Apparatus for and method of inspecting surface topography of a moving object |
CN107683400A (zh) * | 2015-06-29 | 2018-02-09 | 科磊股份有限公司 | 用于测量在半导体晶片上的高度的方法及设备 |
CN110945528A (zh) * | 2018-02-07 | 2020-03-31 | 应用材料以色列公司 | 产生可用于检查半导体样品的训练集的方法及其系统 |
US20190333199A1 (en) * | 2018-04-26 | 2019-10-31 | The Regents Of The University Of California | Systems and methods for deep learning microscopy |
CN109887018A (zh) * | 2019-02-28 | 2019-06-14 | 中国计量大学 | 一种基于深度学习的光子3d成像系统 |
CN110443882A (zh) * | 2019-07-05 | 2019-11-12 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN110554046A (zh) * | 2019-09-05 | 2019-12-10 | 西安多维机器视觉检测技术有限公司 | 一种用于电子元器件引脚的检测系统和方法 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
CN111047681A (zh) * | 2019-11-07 | 2020-04-21 | 北京理工大学 | 基于深度学习的单像素三维端到端重建方法及装置 |
CN111260720A (zh) * | 2020-01-13 | 2020-06-09 | 浙江大学 | 一种基于深度学习方法的目标高度测定系统 |
Non-Patent Citations (1)
Title |
---|
ZHOU XIAOWEI 等: "Surface height map estimation from a single image using convolutional neural networks", EIGHTH INTERNATIONAL CONFERENCE ON GRAPHIC AND IMAGE PROCESSING(ICGIP2016), PROC. OF SPIE, vol. 10225, pages 2 - 4 * |
Also Published As
Publication number | Publication date |
---|---|
JP2023536564A (ja) | 2023-08-28 |
EP4153939A4 (en) | 2024-07-17 |
IL299069A (en) | 2023-02-01 |
IL299069B1 (en) | 2024-04-01 |
US20220043357A1 (en) | 2022-02-10 |
TW202225677A (zh) | 2022-07-01 |
WO2022032046A1 (en) | 2022-02-10 |
KR20230046279A (ko) | 2023-04-05 |
US11644756B2 (en) | 2023-05-09 |
EP4153939A1 (en) | 2023-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113302728B (zh) | 利用自动产生缺陷特征检验半导体结构的方法及系统 | |
KR102438824B1 (ko) | 3차원 반도체 구조체들의 검사를 위한 결함 발견 및 레시피 최적화 | |
KR102412022B1 (ko) | 큰 오프셋 다이-다이 검사를 위한 다단계 이미지 정렬 방법 | |
KR102295266B1 (ko) | 내장 타겟을 사용한 설계에 대한 검사의 정렬 | |
US11644756B2 (en) | 3D structure inspection or metrology using deep learning | |
KR20200037869A (ko) | 웨이퍼 상에서 검출되는 결함에서 주목하는 결함 및 방해물의 식별 | |
US9767548B2 (en) | Outlier detection on pattern of interest image populations | |
TW202201154A (zh) | 用於模擬樣本影像之生成對抗網路(GANs) | |
US9702827B1 (en) | Optical mode analysis with design-based care areas | |
WO2022046677A1 (en) | Wafer level spatial signature grouping using transfer learning | |
US10151706B1 (en) | Inspection for specimens with extensive die to die process variation | |
US20220318986A1 (en) | Semantic image segmentation for semiconductor-based applications | |
CN115280479B (zh) | 使用检验工具以确定用于样本的类计量的信息 | |
KR102685758B1 (ko) | 딥 러닝을 사용한 3d 구조물 검사 또는 계측 | |
TWI844777B (zh) | 針對具有樣品內及樣品間變異之樣品使用無監督學習及適應性資料庫產生方法之影像對準設定 | |
US20240193798A1 (en) | Image-to-design alignment for images with color or other variations suitable for real time applications | |
CN117561539A (zh) | 用于基于半导体应用的无监督或自我监督的深度学习 | |
CN117529756A (zh) | 快速及模糊的图案分组 | |
TW202407331A (zh) | 多模式光學檢測 |
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 |