CN115943429B - 用于光学或其它模式选择的深度生成模型 - Google Patents
用于光学或其它模式选择的深度生成模型 Download PDFInfo
- Publication number
- CN115943429B CN115943429B CN202180043739.9A CN202180043739A CN115943429B CN 115943429 B CN115943429 B CN 115943429B CN 202180043739 A CN202180043739 A CN 202180043739A CN 115943429 B CN115943429 B CN 115943429B
- Authority
- CN
- China
- Prior art keywords
- sample
- tool
- design data
- image
- mode
- 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
- 230000003287 optical effect Effects 0.000 title description 61
- 238000013461 design Methods 0.000 claims abstract description 232
- 238000000034 method Methods 0.000 claims abstract description 185
- 230000007547 defect Effects 0.000 claims abstract description 177
- 230000008569 process Effects 0.000 claims abstract description 118
- 230000008485 antagonism Effects 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims description 133
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000003384 imaging method Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 description 63
- 238000012549 training Methods 0.000 description 32
- 239000004065 semiconductor Substances 0.000 description 26
- 238000005286 illumination Methods 0.000 description 24
- 238000010894 electron beam technology Methods 0.000 description 17
- 235000012431 wafers Nutrition 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 16
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 12
- 239000002131 composite material Substances 0.000 description 12
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000013480 data collection Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000000295 complement effect Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010884 ion-beam technique Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001629 suppression Effects 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
- 241001647769 Mirza Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/0475—Generative 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
- G06N3/08—Learning methods
-
- 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
Abstract
本发明提供用于选择用于对样品执行的工艺的工具的模式的方法及系统。一种系统包含一或多个计算机子系统及由所述一或多个计算机子系统执行的一或多个组件。所述一或多个组件包含生成对抗网络(GAN),例如条件GAN(cGAN)。所述计算机子系统经配置以用于修改样品的设计数据的一部分以生成所述设计数据的人为缺陷部分,且通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到所述GAN中而产生所述样品的经模拟图像。所述计算机子系统还经配置以用于确定所述经模拟图像的一或多个特性,且基于所述一或多个所确定特性而选择用于对所述样品执行的工艺的工具的模式。
Description
技术领域
本发明一般来说涉及用于选择用于对样品执行的工艺的工具的模式的方法及系统。
背景技术
以下描述及实例并不由于其包含于此章节中而被认为是现有技术。
制作例如逻辑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等衬底以形成所述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。
在半导体制造工艺期间在各个步骤处使用检验工艺来检测晶片上的缺陷以推动在所述制造工艺中的合格率变高且因此利润变高。检验始终是制作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的半导体装置变得更加重要,这是因为较小缺陷可能会导致装置出故障。
设置大多数检验工艺的一个重大障碍是识别充足数目个所关注缺陷(DOI),所述充足数目个所关注缺陷然后可用来设定检验工艺的各种参数。举例来说,旧方法依赖于DOI的可用性;然而,在许多情形中,DOI实例的数目大体上受限制,而且例如在基于印刷检查的缺陷应用的情形中可通过数据收集过程容易地损坏所述DOI实例。通常需要此类DOI来设定硬件参数(例如光学或其它成像参数)及软件类型参数(例如缺陷分类设定、滋扰滤波器参数等等)两者。当光学或其它检验工具更改缺陷及/或晶片时或当缺陷是不可用的时,不可能进行恰当光学模式选择。以此方式,如果可能未在一或若干设置样品上找到足够DOI实例,那么所得检验处方对于检测及识别其它样品上的那些DOI可为次优的。
虽然滋扰实例对于设置此类硬件及软件参数也可为有用的,但滋扰实例往往是极其容易地可用的。举例来说,当设置新检验工艺时,可对设置样品执行热扫描,其中用于缺陷检测的阈值设定在检验系统输出的噪声基底处、所述噪声基底附近或甚至所述噪声基底中。因此,此扫描可产生比所需要的多得多的滋扰实例,且那些滋扰可使识别DOI实例特别困难,这是因为所述DOI实例需要与所有所检测事件分离,大部分所述所检测事件是滋扰。
因此,开发用于选择用于对样品执行的工艺的工具的模式的系统及方法将是有利的,所述方法及系统不具有上文所描述的缺点中的一或多者。
发明内容
对各种实施例的以下描述不应以任何方式解释为限制所附权利要求书的标的物。
一个实施例涉及一种经配置以选择用于对样品执行的工艺的工具的模式的系统。所述系统包含一或多个计算机子系统及由所述一或多个计算机子系统执行的一或多个组件。所述一或多个组件包含生成对抗网络(GAN)。一或多个计算机子系统经配置以用于修改样品的设计数据的一部分以产生所述设计数据的人为缺陷部分。所述一或多个计算机子系统还经配置以用于通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到所述GAN中而产生所述样品的经模拟图像。另外,所述一或多个计算机子系统经配置以用于确定所述经模拟图像的一或多个特性且基于所述一或多个所确定特性而选择用于对所述样品执行的工艺的工具的模式。所述系统可按照本文中的描述来进一步配置。
另一实施例涉及一种用于选择用于对样品执行的工艺的工具的模式的计算机实施方法。所述方法包含上文所描述的修改、产生、确定及选择步骤,所述步骤由一或多个计算机系统执行。可按照本文中的详尽描述来进一步执行所述方法的所述步骤中的每一者。所述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。所述方法可由本文中所描述的所述系统中的任一者执行。
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选择用于对样品执行的工艺的工具的模式的计算机实施方法。所述计算机实施方法包含上文所描述的方法的步骤。所述计算机可读媒体可按照本文中的描述来进一步配置。可按照本文中的详尽描述来执行所述计算机实施方法的所述步骤。另外,其中可执行所述程序指令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描述的情况下且在参考附图之后,所属领域的技术人员将明了本发明的其它优点,其中:
图1及1a是图解说明按照本文中的描述来配置的系统的实施例的侧视图的示意图;
图2到4是图解说明可由本文中所描述的实施例执行的步骤的流程图;
图5是图解说明可包含于生成对抗网络(GAN)的实施例中的生成器的一个实例的示意图;
图6是图解说明可包含于GAN的实施例中的鉴别器的一个实例的示意图;且
图7是图解说明存储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,所述程序指令用于致使(若干)计算机系统执行本文中所描述的计算机实施方法。
虽然易于对本发明做出各种修改及替代形式,但其特定实施例是以实例方式展示于图式中且在本文中详细地描述。所述图式可未按比例绘制。然而,应理解,图式及对图式的详细描述并不打算将本发明限制于所揭示的特定形式,而是相反,本发明打算涵盖在由所附权利要求书所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
如本文中互换地使用的术语“设计”、“设计数据”及“设计信息”一般是指IC或其它半导体装置的物理设计(布局)以及通过复杂模拟或简单几何及布尔运算从物理设计导出的数据。所述设计可包含在共同拥有的在2009年8月4日颁予扎法尔(Zafar)等人的美国专利第7,570,796号及在2010年3月9日颁予库尔卡尼(Kulkarni)等人的美国专利第7,676,077号中所描述的任何其它设计数据或设计数据代理,所述两个美国专利如同完整陈述一般以引用方式并入本文中。另外,所述设计数据可为标准单元库数据、整合布局数据、一或多个层的设计数据、设计数据的导出物及全部或部分芯片设计数据。此外,本文中所描述的“设计”、“设计数据”及“设计信息”是指由半导体装置设计者在设计工艺中产生且因此在将设计印刷于任何物理样品(例如光罩及晶片)上之前可良好地用于本文中所描述的实施例中的信息及数据。
如在本文中使用所述术语,“滋扰”(其有时与“滋扰缺陷”或“滋扰事件”互换地使用)一般定义为用户不关心的缺陷及/或在样品上检测到但并非所述样品上的真正实际缺陷的事件。由于样品上的非缺陷噪声源(例如,所述样品上的金属线中的粒度、来自下伏层或所述样品上的材料的信号、线边缘粗糙度(LER)、经图案化特征的相对小临界尺寸(CD)变化、厚度变化等)及/或由于检验系统自身中的边缘性或其用于检验的配置,因此可将实际上并非缺陷的滋扰检测为事件。
如本文中所使用的术语“所关注缺陷(DOI)”经定义为在样品上检测到且并非所述样品上的实际缺陷的缺陷。因此,所述DOI受用户关注,这是因为用户一般关心经检验的样品上有多少实际缺陷及何种实际缺陷。在一些情况下,术语“DOI”用来指样品上的所有实际缺陷的子集,所述子集仅包含用户关心的实际缺陷。举例来说,任一给定样品上可存在多个类型的DOI,且所述DOI中的一或多者可能比一或多个其它类型受到用户更大关注。然而,在本文中所描述的实施例的上下文中,术语“DOI”用来指样品上的任何及所有真实缺陷。
现在转向图式,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元件的比例经极大地放大以强调所述元件的特性。还应注意,各图并未按相同比例绘制。已使用相同参考编号指示可具有类似配置的在多于一个图中展示的元件。除非本文中另外提及,否则所描述及所展示的元件中的任何元件可包含任何适合的可商业购得元件。
一般来说,本文中所描述的实施例包含用于经改进光学或其它模式选择的例如生成对抗网络(GAN)等深度生成模型或例如条件GAN(cGAN)等类型的GAN。如本文中详尽描述,一些实施例形成出于模式选择目的而使用GAN或cGAN来执行缺陷扩增的新方式。所述实施例形成通过利用GAN网络结构执行例如亮场检验工具等工具的光学及其它模式选择的若干新方式。
在一些实施例中,所述样品是晶片。所述晶片可包含半导体技术中已知的任何晶片。尽管可在本文中关于一或若干晶片描述一些实施例,但所述实施例不限于可使用所述实施例的样品。举例来说,本文中所描述的实施例可用于例如光罩、平板、个人计算机(PC)板及其它半导体样品的样品。
一个实施例涉及一种经配置以选择用于对样品执行的工艺的工具的模式的系统。在图1中展示此系统的一个实施例。所述系统包含一或多个计算机子系统102及由所述一或多个计算机子系统执行的一或多个组件104。在一些实施例中,所述系统包含耦合到所述一或多个计算机子系统的工具,例如检验工具。举例来说,在图1中,所述系统包含耦合到计算机子系统102的检验工具100。在图1中所展示的实施例中,所述工具配置为基于光的检验工具。然而,在本文中所描述的其它实施例中,所述工具配置为电子束或带电粒子束检验工具。
一般来说,本文中所描述的检验工具至少包含能量源、检测器及扫描子系统。所述能量源经配置以产生由检验工具引导到样品的能量。所述检测器经配置以检测来自样品的能量且响应于所检测能量而产生输出。所述扫描子系统经配置以改变在样品上的位置,所述能量被引导到所述位置且从所述位置检测所述能量。
在基于光的检验工具中,被引导到样品的能量包含光,且从样品检测的能量包含光。在图1中所展示的系统的实施例中,所述检验工具包含经配置以将光引导到样品14的照明子系统。所述照明子系统包含至少一个光源,例如,光源16,如图1中所展示。所述照明子系统可经配置以将光依一或多个入射角(其可包含一或多个倾斜角及/或一或多个法向角)引导到样品。举例来说,如图1中所展示,来自光源16的光穿过光学元件18及然后透镜20依倾斜入射角被引导到样品14。所述倾斜入射角可包含任何适合倾斜入射角,其可取决于(例如)样品以及样品上的待检测缺陷的特性而变化。
所述照明子系统可经配置以在不同时间将光依不同入射角引导到样品。举例来说,所述检验工具可经配置以更改所述照明子系统的一或多个元件的一或多个特性,使得可将光依与图1中展示的不同的入射角引导到样品。在一个此实例中,所述检验工具可经配置以移动光源16、光学元件18及透镜20,使得将光依不同倾斜入射角或法向(或几乎法向)入射角引导到样品。
在一些实例中,所述检验工具可经配置以同时将光依多于一个入射角引导到样品。举例来说,所述照明子系统可包含多于一个照明通道,所述照明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,且所述照明通道中的另一者(未展示)可包含可具有不同或相同配置的类似元件,或可至少包含光源且可能包含一或多个其它组件(例如本文中详尽描述的组件)。如果此光与其它光同时被引导到样品,那么依不同入射角被引导到样品的光的一或多个特性(例如,波长、偏光等)可为不同的,使得由依不同入射角照明样品产生的光可在检测器处彼此区别开。
在另一实例中,照明子系统可仅包含一个光源(例如,图1中所展示的源16),且可通过照明子系统的一或多个光学元件(未展示)将来自所述光源的光分离到不同光学路径中(例如,基于波长、偏光等)。所述不同光学路径中的每一者中的光然后可被引导到样品。多个照明通道可经配置以同时或在不同时间(例如,当使用不同照明通道来依序照明样品时)将光引导到样品。在另一实例中,同一照明通道可经配置以在不同时间将具有不同特性的光引导到样品。举例来说,在一些实例中,光学元件18可经配置为光谱滤波器,且所述光谱滤波器的性质可以各种不同方式(例如,通过将一个光谱滤波器换成另一光谱滤波器)来改变,使得可在不同时间将不同光波长引导到样品。照明子系统可具有此项技术中已知的用于依序或同时将具有不同或相同特性的光依不同或相同入射角引导到样品的任何其它适合配置。
光源16可包含宽带等离子体(BBP)光源。以此方式,由所述光源产生且被引导到样品的光可包含宽带光。然而,所述光源可包含任何其它适合光源,例如激光器。所述激光器可包含此项技术中已知的任何适合激光器,且可经配置以产生此项技术中已知的任一(任何)适合波长下的光。所述激光器可经配置以产生单色或接近单色的光。以此方式,所述激光器可为窄带激光器。所述光源还可包含产生多个离散波长或波段下的光的多色光源。
可通过透镜20将来自光学元件18的光聚焦到样品14上。尽管在图1中将透镜20展示为单个折射光学元件,但实际上,透镜20可包含组合地将来自光学元件的光聚焦到样品的若干个折射及/或反射光学元件。在图1中所展示且在本文中所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、光谱滤波器、空间滤波器、反射光学元件、变迹器、分束器、光阑等等,其等可包含此项技术中已知的任何此类适合光学元件。另外,所述系统可经配置以基于待用于工艺的照明类型而更改照明子系统的元件中的一或多者。
检验工具还包含经配置以改变在样品上的位置(将光引导到其且从其检测光)且可能致使光在样品上方进行扫描的扫描子系统。举例来说,检验工具可包含载台22,在检验期间样品14安置于所述载台上。扫描子系统可包含任何适合机械及/或机器人组合件(其包含载台22),所述机械及/或机器人组合件可经配置以移动样品使得可将光引导到在样品上的不同位置及从所述不同位置检测光。另外或替代地,所述检验工具可经配置使得所述检验工具的一或多个光学元件执行光在样品上方进行某一扫描,使得可将光引导到在样品上的不同位置且从所述不同位置检测光。在其中使光在样品上方进行扫描的实例中,可使光在样品上方以任何适合方式(例如以蛇形样路径或以螺旋形路径)扫描。
检验工具进一步包含一或多个检测通道。所述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工具检测由于照明样品而产生的来自样品的光且响应于所检测光而产生输出。举例来说,图1中所展示的检验工具包含两个检测通道,一个检测通道由集光器24、元件26及检测器28形成且另一检测通道由集光器30、元件32及检测器34形成。如图1中所展示,所述两个检测通道经配置以依不同收集角度收集光且检测光。在一些实例中,两个检测通道均经配置以检测经散射光,且所述检测通道经配置以检测依不同角度从样品散射的光。然而,所述检测通道中的一或多者可经配置以检测来自样品的另一类型的光(例如,经反射光)。
如图1中详尽展示,两个检测通道均展示为定位于纸张的平面中且照明子系统也展示为定位于纸张的平面中。因此,在此实施例中,两个检测通道均定位于(例如,定中心于)入射平面中。然而,所述检测通道中的一或多者可定位于入射平面以外。举例来说,由集光器30、元件32及检测器34形成的检测通道可经配置以收集并检测散射到入射平面以外的光。因此,此检测通道可通常称为“侧”通道,且此侧通道可定中心于大体上垂直于入射平面的平面中。
尽管图1展示包含两个检测通道的检验工具的实施例,但检验工具可包含不同数目个检测通道(例如,仅一个检测通道或者两个或多于两个检测通道)。在一个此实例中,由集光器30、元件32及检测器34形成的检测通道可形成如上文所描述的一个侧通道,且所述检验工具可包含形成为定位于入射平面的相对侧上的另一侧通道的额外检测通道(未展示)。因此,检验工具可包含检测通道,所述检测通道包含集光器24、元件26及检测器28且定中心于入射平面中并经配置以依处于或接近于样品表面的法线的(若干)散射角收集光且检测光。此检测通道因此可通常称为“顶部”通道,且所述检验工具还可包含按照上文的描述来配置的两个或多于两个侧通道。如此,所述检验工具可包含至少三个通道(即,一个顶部通道及两个侧通道),且所述至少三个通道中的每一者具有其自身的集光器,所述集光器中的每一者经配置以依与其它集光器中的每一者不同的散射角收集光。
如上文详尽描述,包含于检验工具中的检测通道中的每一者可经配置以检测经散射光。因此,图1中所展示的检验工具可经配置以用于样品的暗场(DF)检验。然而,而且或替代地,检验工具可包含经配置以用于样品的亮场(BF)检验的(若干)检测通道。换句话说,检验工具可包含经配置以检测从样品镜面反射的光的至少一个检测通道。因此,本文中所描述的检验工具可经配置以用于仅DF、仅BF或DF与BF两者的检验。尽管在图1中将集光器中的每一者展示为单个折射光学元件,但应理解,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此项技术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光的特定特性(例如强度),但不可经配置以依据在成像平面内的位置而检测此类特性。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为信号或数据,而非图像信号或图像数据。在此类实例中,计算机子系统(例如检验工具的计算机子系统36)可经配置以依据检测器的非成像输出产生样品的图像。然而,在其它实例中,所述检测器可经配置为成像检测器,所述成像检测器经配置以产生成像信号或图像数据。因此,所述检验工具可经配置以依若干种方式产生图像。
应注意,本文中提供图1以大体图解说明可包含于本文中所描述的系统实施例中的检验工具的配置。显然,本文中所描述的检验工具配置可经变更以优化检验工具的性能,如在设计商业检验系统时通常所执行。另外,可使用例如可从加利福尼亚州苗必达市的KLA-Tencor商业购得的29xx/39xx系列工具等现有检验工具(例如,通过将本文中所描述的功能性添加到现有检验工具)来实施本文中所描述的系统。针对一些此类系统,可提供本文中所描述的方法作为检验工具的任选功能性(例如,除检验工具的其它功能性之外)。替代地,本文中所描述的检验工具可“从头开始”设计以提供全新检验工具。
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)耦合到检验工具的检测器,使得计算机子系统可接收由检测器产生的输出。计算机子系统36可经配置以使用检测器的输出执行若干个功能。例如,所述计算机子系统可经配置以使用检测器的输出检测样品上的事件。可通过将某一缺陷检测算法及/或方法(其可包含此项技术中已知的任何适合算法及/或方法)施加到由检测器产生的输出而执行检测样品上的事件。举例来说,所述计算机子系统可对检测器的输出与阈值进行比较。具有高于阈值的值的任何输出可被识别为事件(例如,可能缺陷),而具有低于阈值的值的任何输出可未被识别为事件。
检验工具的计算机子系统可按照本文中的描述来进一步配置。举例来说,计算机子系统36可为本文中所描述的一或多个计算机子系统的一部分或可配置为本文中所描述的一或多个计算机子系统。特定来说,计算机子系统36可经配置以执行本文中所描述的步骤。如此,可由是检验工具的一部分的计算机系统或子系统“在工具上”执行本文中所描述的步骤。
检验工具的计算机子系统(以及本文中所描述的其它计算机子系统)还可在本文中称为(若干)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、主机计算机系统、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”可广义地定义为囊括具有一或多个处理器的执行来自存储器媒体的指令的任何装置。所述计算机子系统或系统还可包含此项技术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系统可包含具有高速处理及软件的计算机平台作为独立或网络连接工具。
如果所述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,使得图像、数据、信息、指令等可在计算机子系统之间发送。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,如在图1中由虚线所展示,所述传输媒体可包含此项技术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多于两者还可通过共享计算机可读存储媒体(未展示)而有效地耦合。
尽管检验工具在上文描述为是光学或基于光的检验工具,但在另一实施例中,所述工具配置为电子束检验工具。在电子束检验工具中,被引导到样品的能量包含电子,且从样品检测到的能量包含电子。在图1a中所展示的一个此实施例中,检验工具包含电子柱122,且系统包含耦合到检验工具的计算机子系统124。计算机子系统124可按照上文的描述来配置。另外,此检验工具可以上文所描述且图1中所展示的相同方式耦合到另外一或多个计算机子系统。
还如图1a中所展示,电子柱包含电子束源126,所述电子束源经配置以产生通过一或多个元件130而聚焦到样品128的电子。所述电子束源可包含(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、闸阀、束电流选择孔径、物镜以及扫描子系统,所有所述元件均可包含此项技术中已知的任何此类适合元件。
从样品返回的电子(例如,次级电子)可通过一或多个元件132而聚焦到检测器134。一或多个元件132可包含(举例来说)扫描子系统,所述扫描子系统可为包含于元件130中的相同扫描子系统。
电子柱可包含此项技术中已知的任何其它适合元件。另外,电子柱可按照以下各项中的描述来进一步配置:在2014年4月4日颁予江(Jiang)等人的美国专利第8,664,594号、在2014年4月8日颁予小岛(Kojima)等人的美国专利第8,692,204号、在2014年4月15日颁予古本斯(Gubbens)等人的美国专利第8,698,093号以及在2014年5月6日颁予麦克唐纳(MacDonald)等人的美国专利第8,716,662号,所述美国专利如同完整陈述一般以引用方式并入本文中。
尽管电子柱在图1a中展示为经配置使得电子以倾斜入射角被引导到样品且以另一倾斜角从样品散射,但电子束可以任何适合角度被引导到样品及从样品散射。另外,如本文中详尽描述,电子束检验工具可经配置以使用多个模式来产生样品的输出(例如,以不同照明角度、收集角度等)。电子束检验工具的多个模式可在检验工具的任何输出产生参数方面不同。
计算机子系统124可耦合到检测器134,如上文所描述。所述检测器可检测从样品的表面返回的电子,借此形成样品的电子束图像(或其它输出)。所述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产生的输出检测样品上的事件,此操作可按照上文的描述或以任何其它适合方式来执行。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。包含图1a中所展示的检验工具的系统可按照本文中的描述来进一步配置。
应注意,在本文中提供图1a以大体图解说明可包含于本文中所描述的实施例中的电子束检验工具的配置。正如上文所描述的光学检验工具,可更改本文中所描述的电子束检验工具以优化检验工具的性能,如在设计商业检验系统时通常所执行。另外,本文中所描述的系统可使用现有检验工具来实施(例如,通过将本文中所描述的功能性添加到现有检验工具),例如可从KLA商业购得的工具。针对一些此类系统,可提供本文中所描述的方法作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,本文中所描述的系统可“从头开始”设计以提供全新系统。
尽管检验工具在上文描述为是光或电子束检验工具,但所述工具可为离子束检验工具。此检验工具可如图1a中所展示而配置,除了电子束源可替换为此项技术中已知的任何适合离子束源。另外,检验工具可包含任何其它适合离子束成像工具,例如包含于可商业购得的聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及次级离子质谱(SIMS)系统中的离子束成像工具。
如上文详尽所述,所述工具可经配置以具有多个模式。一般来说,“模式”由用来产生样品的输出的工具的参数值定义。因此,不同的模式在工具的光学或电子束参数中的至少一者的值方面可为不同的(除产生输出的样品上的位置以外)。举例来说,对于基于光的检验工具,不同模式可使用不同波长的光。所述模式可在被引导到样品的光波长方面有所不同,如本文中针对不同模式详尽描述(例如,通过使用不同光源、不同光谱滤波器等)。在另一实施例中,不同模式可使用不同照明通道。举例来说,如上文所述,检验工具可包含多于一个照明通道。如此,不同照明通道可用于不同模式。
多个模式还可在照明及/或收集/检测方面有所不同。举例来说,如上文详尽描述,工具可包含多个检测器。所述检测器中的一者可用于一个模式,且所述检测器中的另一者可用于另一模式。此外,所述模式可以本文中所描述的多于一个方式彼此不同(例如,不同模式可具有一或多个不同照明参数及一或多个不同检测参数)。工具可经配置以在同一扫描或不同扫描中以不同模式扫描样品,例如,取决于使用多个模式来同时扫描样品的能力。
本文中所描述的工具可配置为另一类型的半导体相关工艺/质量控制类型工具,例如缺陷再检测工具及度量工具。举例来说,本文中所描述以及图1及1a中所展示的工具的实施例可取决于将使用所述工具的应用而在一或多个参数方面经修改以提供不同成像能力。在一个实施例中,本文中所描述的电子束检验工具配置可经修改以配置为电子束缺陷再检测工具。举例来说,图1a中所展示的工具可经配置以在其将用于缺陷再检测或度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中所展示的工具的实施例描述工具的一些一般性及各种配置,所述配置可以所属领域的技术人员将熟知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成像能力的工具。
如上文所述,所述工具可经配置以将能量(例如,光、电子)引导到样品的物理版本及/或使能量在样品的物理版本上方进行扫描,借此生成样品的所述物理版本的实际图像。以此方式,所述工具可配置为“实际”成像工具,而非“虚拟”工具。图1中所展示的存储媒体(未展示)及计算机子系统102可配置为“虚拟”工具。共同让与的在2012年2月28日颁予巴斯卡尔(Bhaskar)等人的美国专利第8,126,255号及在2015年12月29日颁予达菲(Duffy)等人的美国专利第9,222,895号中描述了配置为“虚拟”检验工具的系统及方法,所述两个美国专利如同完整陈述一般以引用方式并入本文中。本文中所描述的实施例可按如此类专利中的描述来进一步配置。
由一或多个计算机子系统执行的一或多个组件包含图1中所展示的生成对抗网络(GAN)106。在一个实施例中,利用由工具产生的样品或与样品相同类型的另一样品的图像以及样品或另一样品的设计数据来训练所述GAN。可能或可能不由一或多个计算机子系统及/或所述计算机子系统所执行的组件中的一者训练GAN。举例来说,另一方法或系统可训练所述GAN,其然后可经存储以用作由计算机子系统执行的组件。
图2展示使用GAN或cGAN以使用各种不同光学或其它模式生成光学或其它图像的光学或其它模式选择的一个可能流程。在图2中展示可由一或多个计算机子系统执行以训练所述GAN的一些步骤。尽管图2展示可在将GAN用于数据扩增的方法中执行的步骤,但还可针对其它应用执行图2中所展示的步骤中的一些步骤。举例来说,可执行步骤200、202及204以训练GAN,而不管所述GAN将用于本文中所描述的应用中的哪一者。
如步骤200中所展示,所述计算机子系统可针对工具的各种模式将光学图像与设计对准。可使用像素与设计对准(PDA)或另一适合对准方法执行此对准。如果正在针对不同种类的图像训练GAN,那么可在图2中所展示的步骤中将光学图像替换为另一类型的(例如,电子束)图像。可以此项技术中已知的任何适合方式执行PDA,在库尔卡尼等人的上文所引用专利中描述PDA的一些实例。可针对样品上的任何一或多个对准目标执行PDA以借此确定图像与设计偏移,所述图像与设计偏移然后可由所述计算机子系统用来识别样品的设计的哪一部分对应于针对样品所产生的图像。
如步骤202中所描述,所述计算机子系统可针对工具的不同光学模式执行图像数据收集。尽管在图2中关于“光学模式”描述一些步骤,但而且或替代地,可针对本文中所描述的任何其它模式选择(例如,电子或离子束模式选择)执行此图中所展示的步骤。图像数据收集可包含针对不同模式中的所有(或至少一些)模式运行热扫描或目标位置扫描以获得若干对光学图像及设计剪辑。如在本文中使用所述术语,“设计剪辑”一般定义为样品的整个设计的相对小部分。所述术语“设计剪辑”在本文中与短语“设计数据的部分”互换地使用。
可以此项技术中已知的任何适合方式执行热扫描。一般来说,“热”扫描涉及扫描样品且使用“热”阈值(例如,在通过扫描而产生的输出的噪声基底处、在所述噪声基底附近或甚至在所述噪声基底中的阈值)检测所述样品上的事件。当使用热扫描执行数据收集时,工具可扫描样品上的(相对大)预选定区,甚至多达样品的全部。相比之下,对于目标位置扫描,可扫描样品上的仅预选定数目个离散区。可以任何方式来选择所述预选定离散区,例如基于样品上的所关注区、可能定位有DOI的区、不预期DOI的区等。
当数据收集包含目标位置扫描时,可在将阈值或缺陷检测方法或算法应用于图像的情况下或在不将阈值或缺陷检测方法或算法应用于图像的情况下使目标位置成像。所述阈值或缺陷检测方法或算法可与在热扫描中所使用的相同或可为不同阈值或缺陷检测方法或算法。出于本文中所描述的目的,因此针对数据收集执行的任何热扫描还可能未必包含将阈值应用于通过扫描而产生的图像。另外,在步骤202中执行的数据收集可包含热扫描与目标位置扫描的某一组合。
对于在数据收集中检测到的任何事件,所述计算机子系统可形成若干对光学图像及其对应设计剪辑。可针对在数据收集中检测到的事件中的仅一些或所有事件形成所述对。一般来说,可针对并非所有所述事件形成所述对,这是因为热扫描一般将检测比任何一个应用所需要的多得多的事件。所述计算机子系统可对哪些事件用来以任何适合方式形成图像与设计剪辑对进行取样或选择。还可针对未检测到事件的位置形成所述图像与设计剪辑对。以此方式,所述图像与设计剪辑对可为针对样品上的“良好”位置。在一些此类实施例中,数据收集可能根本未检测到样品上的事件,而是可能仅仅收集然后可与对应设计剪辑配对的图像。无论是否用于事件,可使用上文所描述的图像与设计偏移识别对应图像与设计剪辑并将其配对。
在其中使用设计及光学图像来训练GAN(即,生成器-鉴别器网络(NW))的步骤204中,然后可使用由步骤202产生的图像与设计剪辑对作为训练集,其中设计剪辑被指定为训练输入且对应图像被设计为训练输出。可按照本文中的详尽描述来执行GAN的训练。在一些实施例中,所述计算机子系统可经配置以执行步骤200、202及204。替代地,不同计算机子系统或系统可经配置以执行步骤200、202及204。举例来说,第一计算机子系统可经配置以通过执行步骤200及202而产生训练集,第二计算机子系统可经配置以在步骤204中训练GAN,且第一及第二计算机子系统可能包含于或可能不包含于本文中所描述的实施例的所述计算机子系统中。
训练可包含将训练输入输入到GAN中且更改GAN的一或多个参数直到由GAN产生的输出与训练输出匹配(或大体上匹配)为止。训练可包含更改GAN的任何一或多个可训练参数。经训练的GAN的一或多个参数可针对具有可训练权重的GAN的任一层包含一或多个权重。在一个此实例中,所述权重可包含针对卷积层而非池化层的权重。
如上文所提及,由一或多个计算机子系统执行的一或多个组件包含深度生成模型,例如,图1中所展示的GAN 106。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)是基于尝试将数据中的高级抽象建模的一组算法的机器学习(ML)的分支。在简单情形中,可存在两组神经元:一组神经元接收输入信号且一组神经元发送输出信号。当输入层接收输入时,其将所述输入的经修改版本传递到下一层。在基于DL的模型中,在输入与输出之间通常存在许多层(且所述层并非由神经元构成但其可有助于像神经元一样思考),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较宽广系列ML方法的一部分。观测(例如,图像)可以许多方式(例如每像素的强度值的向量)或以更抽象方式(如一组边缘、特定形状的区等)来表示。在简化学习任务(例如,面部辨识或面部表情辨识)时,一些表示优于其它表示。DL的前景之一是用高效算法替换手工艺特征以用于无人监控或半监控式特征学习及阶层式特征提取。
“生成”模型一般可定义为本质上是概率性的模型。换句话说,“生成”模型并非执行正向模拟或基于规则的方法的模型,且如此,在产生实际图像时涉及的工艺的物理学的模型是不必要的。相反,如本文中详尽描述,可基于适合训练数据集来学习所述生成模型(原因在于可学习其参数)。所述生成模型可经配置以具有DL架构,所述DL架构可包含执行若干个算法或变换的多个层。包含于所述生成模型中的层数可为用例相依的。出于实际目的,适合的层范围是从2个层到几十个层。学习样品图像(例如,实际晶片的图像)与设计(例如,CAD或预定布局的向量表示)之间的联合概率分布(平均数及变异数)的深度生成模型可按照本文中的详尽描述来配置。
在一个实施例中,所述深度生成模型是GAN。在另一实施例中,所述深度生成模型是cGAN。所述深度生成模型还可包含此项技术中已知的任何其它适合类型的GAN。
一般来说,GAN由两个对抗模型(撷取数据分布的生成模型G及估计给定样本来自训练数据而非G的概率的鉴别模型D)组成。G及D可为多层感知器,即,非线性映射函数。生成器构建从先前噪声分布pz(z)到数据空间G(z;θg)的映射函数以便学习关于数据x的生成器分布pg,其中G是由具有参数θg的多层感知器表示的可微函数。训练生成器以产生无法与真实数据分布或实况数据分布区分开的经模拟输出。训练经对抗训练的鉴别器以检测由生成器形成的伪值。尽可能好地训练生成器及鉴别器两者,使得生成器产生极其良好的“伪”输出。
当将GAN扩展到条件模型(cGAN)时,通过以下方式关于一些额外信息y对鉴别器及生成器两者进行调节:将y作为额外输入层馈送到鉴别器及生成器中。
GAN的灵感来自博弈论,其中生成器G及评论家(即,鉴别器D)彼此竞争以使彼此更强大。目标是使所产生数据分布pg与由詹森·香农(Jensen-Shannon)散度评估的真实样本分布pr尽可能地类似:
其中DKL是如下定义的库尔巴克·莱布勒(Kullback-Leibler)散度:
且
给定随机噪声变量输入z,生成器输出合成样本。随着时间推移,生成器受到训练以通过使鉴别器拒斥被其视为不良伪值的图像而撷取真实数据分布。
对于条件GAN,关于一些额外信息y(其在本文中所描述的实施例中将为设计剪辑)对生成器及鉴别器进行调节。目标为L(D,G)的以下最小最大游戏描述所述设定:
这意味着G经训练以增加D产生伪实例的高概率的机会,从而使最小化。还需要通过使/>编码最大化而确保关于真实数据的鉴别器决策是准确的,且给定伪样本G(z),通过使/>最大化而预期鉴别器输出接近于零的概率D(G(z))。
图3展示通过向生成器网络提供设计图像而执行的cGAN训练。特定来说,如图3中所展示,将条件信息Y 300(例如设计图像302或条件图像的额外数据)与潜在空间向量z304一起输入到生成器网络306。因此,生成器网络306输出所产生图像xfake 308,其为经模拟样品图像,例如,经模拟样品图像310。在此情形中,真实图像xreal 312是样品在形成设计图像302中所展示的设计的部分的样品上的位置处的实际光学图像314。以此方式,例如设计图像等条件信息Y 300可为训练集中的训练输入,且真实图像xreal 312可为经指定为训练集中的训练输出的样品的其对应图像。
潜在空间向量可具有此项技术中已知的任何适合配置。一般来说,潜在空间向量表示仅仅由噪声组成的初始图像,即,具有随机指派的灰度值的像素。出于计算原因,通过将图像中的每一行紧挨着彼此缝合而将此图像存储为向量,使得2D图像(例如,32个像素乘32个像素)成为对应大小的向量,例如,1×1024大小的向量。可将一些信息(例如,色彩)添加到此随机性以将深度生成模型导引到特定方向中。
所产生图像xfake 308及条件信息Y 300经组合为向鉴别器网络320的第一输入。真实图像xreal 312及条件信息Y 316(例如,设计图像318)经组合为向鉴别器网络320的第二输入。在此情形中,条件信息Y 300及316是相同设计的相同部分的不同实例。鉴别器网络可产生输入到损失函数(未展示)的输出,这可产生输出P(真)322,所述输出P(真)是所产生片块图像是真正或良好“伪”图像的概率。
各图中所展示的设计、真实及所产生图像中的每一者不打算图解说明可使用本文中所描述的实施例的其任何特定样品或特性。以类似方式,各图中所展示的真实及所产生图像中的每一者不打算图解说明可为样品产生的任何特定实际或经模拟图像。替代地,各图中所展示的设计、真实及所产生图像仅仅打算促进对本文中所描述的实施例的理解。实际上从生成器输入及输出的图像将取决于样品及与其设计有关的其特性以及产生样品的实际图像(其用来训练GAN,借此影响由GAN产生的经模拟图像)的工具的配置而变化。
损失函数可为此项技术中已知的任何适合损失函数,例如伊索拉(Isola)等人在如同完整陈述一般以引用方式并入本文中的“利用条件对抗网络的图像到图像翻译(Image-to-Image Translation with Conditional Adversarial Networks)”(IEEE计算机视觉与模式辨识会议(CVPR),2017年,第1125页到第1134页)中所揭示的损失函数。本文中所描述的实施例可按照参考文献中的描述来进一步配置。图3中所展示的生成器及鉴别器网络可按照本文中的描述来进一步配置。
在图5中展示可包含于按照本文中的描述来配置的GAN的实施例中的生成器的实例。一般来说,所述GAN可包含经逐渐减少取样直到瓶颈层且然后颠倒过程为止的编码器-解码器网络。如图5中所展示,生成器可包含编码器500及解码器502。编码器500中所展示的块506、508及510中的每一者表示在重复卷积、批次正规化及修正线性单元(ReLU)激活以及在每一区段的末尾施加最大池化之后最终输出层大小的实例。尽管编码器500在图5中展示为包含3个块,但编码器可包含可以此项技术中已知的任何适合方式来确定的任何适合数目个块。另外,块、卷积层、批次正规化层、ReLU层及池化层中的每一者可具有此项技术中已知的任何适合配置。在本文中所描述的实施例中是设计数据的一部分的输入504可输入到块506中,所述块的输出可输入到块508,以此类推。编码器可产生特征层512。
解码器还可包含对输入到解码器的特征层512执行不同功能的多个块。解码器中的块514、516及518中的每一者表示在重复上取样(转置卷积)及ReLU激活之后最终输出层大小的实例。尽管解码器502在图5中经展示为包含3个块,但解码器可包含可以此项技术中已知的任何适合方式来确定的任何适合数目个块。包含于解码器中的所述块以及上取样及ReLU层中的每一者可具有此项技术中已知的任何适合配置。由编码器产生的特征层512可输入到块514,所述块的输出可输入到块516,以此类推。解码器的输出520可为本文中所描述的经模拟图像中的任一者。
在一些实例中,GAN可包含编码器及解码器中的对应块之间(例如,块506与518之间、块508与516之间及块510与514之间)的跳跃连接522。可跳跃所述连接以在所述块之间转移已经学习的低级信息。跳跃连接可具有以此项技术中已知的任何适合方式来确定的任何适合配置。图5中在输入及输出下面的数字分别指示输入及输出的大小。编码器中的块下面的数字指示块的输出的大小,且解码器中的块下面的数字指示块中的每一者的输入的大小。
在图6中展示可包含于按照本文中的描述来配置的GAN的实施例中的鉴别器的实例。向鉴别器的输入600可包含两个图像(图6中未展示),由GAN的生成器产生的图像及原始图像。鉴别器可包含若干个层,包含层602、604、606、608及610,其中的每一者可包含卷积、ReLU及最大池化层的某一组合。卷积、ReLU及最大池化层可具有此项技术中已知的任何适合配置。鉴别器的输出612可为P(x),经模拟图像与原始图像匹配得有多好的概率或经模拟图像是良好“伪”图像或不良“伪”图像的概率。图6中在输入下面的数字指示输入的大小。鉴别器中的层下面的数字指示层的输出的大小。尽管在图6中展示具有特定数目个层的鉴别器,但包含于本文中所描述的实施例的GAN中的鉴别器可具有以此项技术中已知的任何适合方式来确定的任何适合数目个层。
深度生成模型可为GAN、cGAN或此项技术中已知的任何其它适合类型的GAN。对GAN及cGAN的大体架构及配置的额外描述可存在于以下各项中:布劳尔(Brauer)在2021年1月8日提出申请的美国专利申请案第17/170,688号;及布劳尔等人在2021年5月5日提出申请的美国专利申请案第17/308,878号,且存在于以下各项中:“生成对抗网络(GenerativeAdversarial Nets)”,古德费罗(Goodfellow)等人,arXiv:1406.2661,2014年6月10日,9页;“利用深度生成模型的半监督式学习(Semi-supervised Learning with DeepGenerative Models)”,金马(Kingma)等人,NIPS 2014,2014年10月31日,第1到9页;“条件生成对抗网络(Conditional Generative Adversarial Nets)”,米尔扎(Mirza)等人,arXiv:1411.1784,2014年11月6日,7页;“对抗自动编码器(Adversarial Autoencoders)”,马赫扎尼(Makhzani)等人,arXiv:1511.05644v2,2016年5月25日,16页;及“利用条件对抗网络的图像到图像翻译”,伊索拉等人,arXiv:1611.07004v2,2017年11月22日,17页,所述各项如同完整陈述一般以引用方式并入本文中。本文中所描述的实施例可按如此类参考文献中的描述来进一步配置。
尽管一些实施例在本文中经描述(仅为了清晰及简单)为产生样品的“经模拟图像”,但本文中所描述的GAN可用来产生仅受输入到GAN的设计数据的部分限制的任何数目个经模拟图像。另外,尽管一些实施例在本文中经描述(又仅为了清晰及简单)为产生“样品”的经模拟图像,但本文中所描述的实施例不限于产生仅一个样品的经模拟图像。在一些实施例中,当经模拟图像是用来选择模式的增强缺陷图像时,可能需要产生仅一个样品的经模拟图像。
在一个实施例中,经模拟图像是经模拟光学图像。以此方式,经模拟图像图解说明样品如何出现在由例如光学检验工具等光学成像工具产生的实际图像中。如此,经模拟图像可表示(例如,对应、模拟或约计)可由光学成像工具产生的样品的图像。可以本文中详尽描述的各种方式来使用此类经模拟光学图像。因此,本文中所描述的实施例的一个新颖特征是其提供一种用于改进针对光学片块图像的人为产生使用GAN或cGAN的光学模式选择的方法。
在另一实施例中,产生经模拟图像所针对的样品未包含于用于训练GAN的一或多个样品中。举例来说,用来产生训练数据(其然后用来训练GAN)的一或多个样品可不同于使用GAN来产生经模拟图像所针对的样品。以此方式,可使用一或多个训练样品来产生训练数据,且可为“模式设置”样品产生经模拟图像。所述训练样品及模式设置样品可为同一类型的样品,例如,其可具有相同设计且可已使用相同制作工艺步骤来处理,尽管如本文中详尽描述,情况未必始终如此。另外,经训练GAN可用于产生多于一个模式设置样品的经模拟图像。
在另一实施例中,产生经模拟图像所针对的样品的设计不同于用来训练GAN的一或多个样品的一或多个设计。举例来说,如上文所描述,产生经模拟图像所针对的样品可不与用来训练GAN的一或多个样品相同(或不包含于所述一或多个样品中)。一般来说,用来训练GAN的一或多个样品及模拟图像所针对的样品可具有相同设计且可已在相同工艺中被处理(且因此为同一“层”)。以此方式训练GAN将确保经模拟图像与实际图像最紧密地类似。
但在一些情形中,第一样品可具有与第二样品类似的足够特性(例如,经图案化特征、材料等),使得在第一样品上训练的GAN可用来产生第二样品的经模拟图像,即使第一样品及第二样品不具有相同设计。在此类情形中,由经训练GAN产生的经模拟图像可用于同一光学模式,使得针对所述同一光学模式训练GAN。换句话说,如本文中详尽描述,经训练以用于产生通过一个成像模式产生的经模拟图像的GAN可能未必适合用于产生通过另一成像模式产生的经模拟图像。因此,如果在其设计的至少一部分上具有至少一些相似性的两个样品是或将是以相同方式成像的,那么样品中的一者可用来训练GAN且所述经训练GAN可用来产生样品中的另一者的经模拟图像。
以此方式,经训练GAN可被更改意图以产生其未必经训练所针对的样品的经模拟图像。在一个此实例中,如果具有两个不同设计的两个不同样品在由类似材料形成且具有相同或类似尺寸的设计的一部分(例如,类似存储器阵列区)中共同具有至少一些经图案化特征,那么针对样品中的一者而训练的GAN可能够产生在设计的所述部分中针对样品中的另一者的经模拟图像。即使针对一个样品而训练的GAN不能够产生具有不同设计的另一样品的经模拟图像,如果所述样品之间存在一些相似性,那么经训练GAN可用作针对另一样品而重新训练以形成不同GAN的起始配置。可按照本文中的描述来执行此重新训练。
由于所述计算机子系统将设计的人为缺陷部分输入到GAN中,因此在一个实施例中经模拟图像包含合成缺陷的增强缺陷图像。以此方式,经模拟图像图解说明合成缺陷如何出现在由例如检验工具等工具产生的一或多个实际图像中。如此,所述经模拟图像可表示(例如,对应、模拟或约计)可由检验或其它工具产生的合成缺陷的图像。如在本文中使用所述术语,“合成”缺陷一般定义为以本文中所描述的数个方式中的一者在样品的设计中人为形成的缺陷。因此,“合成”缺陷并非已在样品上检测到的缺陷,尽管可基于此所检测缺陷而确定其特性。而是,此“合成”缺陷在样品的设计中通过对所述设计的其它无缺陷部分的有意操纵来形成。当将设计的此经操纵部分输入到本文中所描述的经训练GAN时,所得经模拟图像称为“增强”缺陷图像,这是因为已利用未实际上存在于样品上的缺陷增强经模拟样品图像。
图4图解说明可使用GAN针对人为图像产生执行的步骤的一个实施例。特定来说,如图4中所展示,一或多个计算机子系统可将具有经添加缺陷402的设计图像400(条件图像)输入到经训练生成器网络404中。可按照本文中的详尽描述通过一或多个计算机子系统在设计图像400中所展示的设计数据部分中形成所述经添加或合成缺陷。经训练生成器网络可输出展示缺陷408的所产生的片块图像406。以此方式,合成缺陷是设计图像400中所展示的设计数据的部分中的经添加缺陷402,所述设计图像由一或多个计算机子系统输入到GAN以借此产生经模拟图像406。
因此,如图4中所展示,一旦GAN经训练,GAN便可用来产生经模拟光学或其它图像。在此实施例中,经训练生成器网络用来形成设计剪辑中的人为引入的缺陷的片块真实面貌图像。然后可按照本文中的详尽描述来使用所产生片块图像。
在一个此实施例中,可在样品上检测到的若干个实际缺陷不足以选择工艺的模式。举例来说,本文中所描述的实施例可用来产生是然后可用于模式选择的合成缺陷的增强缺陷图像的经模拟图像,这在DOI事件数目有限(此情形是常见的)时特别有利。因此,本文中所描述的实施例的另一优点是其甚至在DOI实例的原始数目大体上较低时实现模式选择。本文中所描述的实施例还在不存在可用的DOI实例时有利地实现模式选择;例如,如本文中详尽描述,当根本不存在DOI的光学图像时,可通过本文中所描述的实施例基于对DOI在设计剪辑内的设计空间中应该看起来如何的了解而产生经模拟图像,且那些经模拟图像然后可用于模式选择。
一或多个计算机子系统经配置以用于修改样品的设计数据的一部分以产生所述设计数据的人为缺陷部分。尽管一些实施例在本文中经描述(仅为了清晰及简单)为修改样品的设计数据的“一部分”,但本文中所描述的计算机子系统可修改任何数目个DOI的任何数目个设计数据部分。举例来说,一或多个计算机子系统可经配置以用于通过利用合成缺陷修改样品的原始设计数据而产生设计数据的人为缺陷部分。在一些实例中,一或多个计算机子系统可从扫描电子显微镜(SEM)再检测的热扫描选择DOI候选者且按设计对其进行定位。在一个此实例中,如果针对GAN训练执行热扫描,那么由所述热扫描检测的事件可经取样且然后经发送以用于(例如)由SEM或另一适合缺陷再检测工具进行缺陷再检测。执行所述缺陷再检测以确定经取样事件中的哪些是实际缺陷及哪些是滋扰并确定实际缺陷的缺陷类型或分类。以此方式,缺陷再检测可确定所检测事件中的哪些是DOI且识别DOI的类型或分类(当有可能不同类型的DOI可存在于样品上时)。此DOI发现及识别是任选步骤,这是因为在一些情形中,用户将知晓其对什么类型的DOI感兴趣。举例来说,芯片制造商通常将知晓其在寻找什么缺陷。
如图2的步骤206中所展示,一或多个计算机子系统可将图案缺陷引入于设计空间中以产生具有及不具有缺陷的若干对设计(设计部分或设计图像)。如果产生增强缺陷图像所针对的样品具有与用于训练GAN的一或多个样品相同的设计,那么用于步骤200、202及204的设计剪辑还可用于步骤206。如果产生增强缺陷图像所针对的样品具有与用于训练GAN的一或多个样品不同的设计,那么用于步骤200、202及204的设计剪辑可不同于用于步骤206的设计剪辑。
然而,在任一情形中,在样品上检测到的DOI的任何信息可在步骤206中用来形成经修改以包含DOI的设计剪辑。举例来说,如果在样品上检测到桥类型DOI,那么样品的原始设计数据可由计算机子系统修改以在检测到桥类型DOI的位置以及不同于检测到桥类型DOI的位置的设计中的位置处包含桥类型结构。可基于位于所检测DOI处或附近的经图案化特征的类型而选择在设计中形成DOI的位置,例如,使得所检测DOI的位置处的经修改设计剪辑及原始设计剪辑含有相同或至少类似经图案化结构(在形状、尺寸、相对于彼此的间隔、定向等方面类似)。在一个实例中,如果在具有特定定向及相对于彼此的间隔的两个经图案化特征之间检测到桥类型DOI,那么可在含有具有相同相对定向及间隔的两个相同经图案化特征的任何设计中的一或多个其它位置处形成桥类型经图案化特征。可基于所检测DOI的图像或所检测DOI的位置处的原始无缺陷设计剪辑以任何适合方式(例如,通过对原始设计进行图案搜索)识别此类位置。
可使用电子设计自动化(EDA)工具按照本文中的描述来执行修改样品的原始设计数据。EDA工具可包含任何适合的可商业购得的EDA工具。另外,可利用可包含任何适合EDA软件、硬件、系统或方法的可编程/图形EDA编辑器使修改如本文中所描述的原始设计数据自动化。在一些此类实施例中,本文中所描述的计算机子系统中的一或多者(例如,计算机子系统102)可经配置为EDA工具或可为包含于EDA工具中的计算机子系统。
如果样品的原始设计数据(例如,计算机辅助设计(CAD))是可用的,那么注入“合法”合成缺陷实例是简单的。举例来说,可呈现(绘制)具有各种大小的例如开口、短路、“鼠啮(mouse bites)”、突出部等DOI,使基于对DOI的描述而被自动化。使用EDA工具,这些所呈现DOI可位于几何结构中的“合法”位置中而非随机位置中。在一个实例中,短路是两个铜线之间的金属连接。对于此DOI,可仅仅在设计中的战略夹点处添加小短线。当例如芯片制造商等用户知晓其在寻找什么缺陷时,其还可在设计档案中手动地绘制所述缺陷。
还可使用经配置以用于更改设计从而在设计中形成合成缺陷的inception模块来执行利用如本文中所描述的合成缺陷修改样品的原始设计数据。举例来说,可通过缺陷幻觉系统(例如由GoogLeNet inception建议用于自然场景图像的那些)训练神经网络。在缺陷上经预训练的传统神经网络然后可回放此类自然场景图像以在其它几何结构上形成新缺陷类型。用于执行GoogLeNet inception的系统及方法的实例可存在于塞格德(Szegedy)等人的如同完整陈述一般以引用方式并入本文中的“深入了解卷积(Going Deeper withConvolutions)”(2015IEEE计算机视觉与模式辨识会议(CVPR),2015年6月,9页)中。本文中所描述的实施例可按照参考文献中的描述来进一步配置。
在一些此类实施例中,一或多个计算机子系统经配置以用于基于在一或多个样品上检测到的一或多个缺陷而确定合成缺陷的一或多个特性。举例来说,如上文所描述,在一些实例中,可在用于产生用来训练GAN的训练集的一或多个样品上检测事件,且可从那些事件当中识别并选择(若干)DOI。所述DOI的信息然后可用来确定合成缺陷的一或多个特性。此信息可包含为或可为针对所述DOI确定的任何信息,例如位置、大小、形状、定向、纹理或粗糙度、上面定位有所述DOI的(若干)经图案化特征、其中定位有所述DOI的(若干)经图案化特征、位于所述DOI附近的(若干)经图案化特征等。此信息可由检测到所述事件的检查工具、重新检测到所述事件且将其中的一或多者识别为(若干)DOI的再检测工具、测量所述经识别DOI的一或多个特性的度量工具或其某一组合来确定或产生。举例来说,如上文所描述,可基于缺陷图像或其对应设计剪辑而执行图案搜索以找到设计中的图案的其它类似实例,且然后可按照本文中的描述来修改那些其它实例的设计以在那些其它实例处形成所述DOI。其它DOI特性(例如上文所描述的DOI特性)还可用来形成经修改设计(例如,在桥类型DOI的情形中,桥类型结构的尺寸、定向、粗糙度等)。因此,可基于用来产生训练集的在样品上检测到的一或多个DOI的一或多个特性而修改样品的原始设计。
在另一实施例中,一或多个计算机子系统经配置以用于在不具有在样品上检测到的一或多个实际缺陷的信息的情况下确定设计数据的人为缺陷部分的一或多个特性。在额外实施例中,基于样品上的DOI的信息而执行修改样品的设计数据的部分,且在修改设计数据的部分之前在由工具执行的设置扫描中未在样品上检测到DOI的实际实例。举例来说,即使根本不存在DOI实例,一或多个计算机子系统也可通过将缺陷引入于样品中且将经修改设计剪辑输入到GAN中而修改样品的设计剪辑以形成然后可用于模式选择的对应片块图像。在依赖于DOI实例的许多方法中,在样品上存在很少或甚至不存在DOI时尝试找到DOI的实例可能形成显著瓶颈。找到DOI实例以用于模式选择的困难也可为特别困难的,这是因为用于尝试找到DOI实例的模式可能完全不适合用于缺陷检测,这是因为未必知晓“良好”模式直到已执行模式选择为止。此情形呈现模式选择的一种因果难定问题——你如何在不知晓哪些模式对于缺陷检测是良好的情况下找到DOI实例以及你如何在未弄清楚DOI实例的情况下知晓哪些模式是良好的?因此,本文中所描述的实施例与用于模式选择的先前所使用方法及系统之间的基本差异是:本文中所描述的实施例可用于在根本不具有任何DOI实例的情况下进行模式选择。因此,本文中所描述的实施例的一个新颖特征是其通过以下方式提供经改进模式选择:通过将缺陷引入于设计档案中来修改所述设计档案,且甚至在根本不存在缺陷实例时使用GAN或cGAN来产生对应光学片块图像。
当根本不存在缺陷实例时,可以各种可能方式确定合成缺陷的一或多个特性。举例来说,如上文所描述,在可使用本文中所描述的实施例的许多实例中,用户可能知晓哪些类型的DOI是其感兴趣的。此知晓可基于在与生成经模拟图像所针对的样品相同或类似的工艺中产生的通常在样品上看到的DOI类型。可用实验、启发、理论等方法获取此先前知晓。举例来说,甚至当样品设计为大体上不同时,可在设计中的每一者中的特定经图案化结构仍可易于出现特定类型的DOI。在一个特定实例中,其中线及空间的宽度相对小的交替线/空间图案可易于出现形成于所述线之间的桥接类型缺陷。因此,当用户在新设计中看到此图案群组时,其可推测桥接类型缺陷可存在于此类图案中,且因此可在样品的设计中形成此类缺陷。针对此类缺陷人为形成的设计剪辑然后可通过本文中所描述的计算机子系统输入到GAN,以借此产生缺陷的经模拟图像。
在一些实施例中,基于已知由工具通过重复成像来更改的样品上的DOI的信息而执行修改样品的设计数据的部分。举例来说,在一些印刷检查应用中,其中晶片印刷有图案且然后经检查以找到用来识别光罩或掩模(其用来将图案印刷在晶片上)上的缺陷的缺陷,可在仅使用工具的一个模式收集数据之后烧毁晶片上的缺陷实例。本文中所描述的实施例因此对于选择用于印刷检查应用检验的模式可为特别有用的。因此,本文中所描述的实施例的一个优点是:即使根本不存在DOI实例或工具更改所述DOI实例,仍可使用如本文中所描述而产生的经模拟图像执行模式选择。
一或多个计算机子系统经配置以用于通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到所述GAN中而产生所述样品的经模拟图像。所述计算机子系统可经配置而以此项技术中已知的任何适合方式将样品的设计数据的原始及人为缺陷部分输入到GAN中。在一个此实例中,如步骤208中所展示,一或多个计算机子系统可通过先前经训练GAN而处理通过步骤206产生的设计剪辑。经训练GAN然后可输出人为产生的图像,如步骤210中所展示。在步骤210中由GAN输出的图像可用作用于使用经模拟图像选择最佳光学模式的输入数据,如步骤212中所展示,此可按照本文中的详尽描述来执行。
在另一实施例中,一或多个计算机子系统经配置以用于修改设计数据的额外部分以产生设计数据的额外人为缺陷部分,基于关于样品上的第一DOI的信息而确定设计数据的人为缺陷部分的一或多个特性,且基于关于样品上的第二DOI的信息而确定设计数据的额外人为缺陷部分的一或多个特性。在一个此实施例中,产生经模拟图像包含将设计数据的额外部分及设计数据的额外人为缺陷部分输入到GAN或额外GAN中。举例来说,本文中所描述的实施例可有利地用来容易产生不同DOI类型实例的经模拟图像。换句话说,本文中所描述的GAN可在相同样品的相同设计中产生不同类型的DOI的经模拟图像。
本文中所描述的样品中的许多样品可具有存在于其上的多个类型的DOI,且用户可对所述多个类型的DOI中的多于一者(或甚至全部)感兴趣。不同DOI可具有大体上不同特性。举例来说,桥类型缺陷可具有大体上不同于针孔类型缺陷的特性,但两个类型的缺陷可存在于样品上且可能受用户关注。不同类型的DOI可位于设计的不同部分中或位于设计的相同部分中。因此,如本文中所描述而修改以包含合成缺陷的设计剪辑可包含单个合成缺陷或多个合成缺陷。不管经修改设计剪辑中的合成缺陷数目及/或经修改设计剪辑(其可为用于同DOI类型及/或不同DOI类型的多个实例)的数目如何,如本文中所描述而经训练的GAN将能够针对DOI类型中的每一者且针对每一DOI实例产生大体上高质量经模拟图像。
在另一实施例中,所述一或多个计算机子系统经配置以用于修改设计数据的额外部分以产生所述设计数据的人为滋扰部分且基于关于样品上的滋扰的信息而确定所述设计数据的所述人为滋扰部分的一或多个特性,且产生所述经模拟图像包含将所述设计数据的所述额外部分及所述设计数据的所述人为滋扰部分输入到所述GAN或额外GAN中。举例来说,用来产生设计数据的人为缺陷部分的经模拟图像的相同GAN还可用来预测不同模式中的已知滋扰实例的信号以不仅找到具有最强信号的模式而且找到具有最佳DOI-滋扰分离的模式。
可以各种方式确定对滋扰的设计数据的额外部分的修改。举例来说,对于给定工艺或工具,用户可知晓样品的什么特性往往引起滋扰检测。已知在检验工艺中引起滋扰的样品特性的一些常见实例包含线边缘粗糙度(LER)、线端缩短(LES)、CD的相对小变化、膜厚度变化等等。因此,基于此知晓,用户或计算机子系统可确定对设计的一或多个部分的修改,所述修改会导致样品上的此类改变,然后会致使在样品上检测到滋扰。以此方式,在工艺中可或往往致使在样品上检测到滋扰的设计的部分可经修改以包含对设计图案的此类改变,设计的经修改部分可由所述计算机子系统输入到如本文中所描述的GAN,且针对设计的这些经修改部分产生的经模拟图像的特性可经确定并用于模式选择,如本文中详尽描述。
在一些实例中,设计的人为滋扰部分可仅仅包含已知往往引起滋扰检测的设计的原始部分(未经修改)。举例来说,样品的设计中的一些图案可与比其它者高的滋扰检测相关联(通过对图案、样品或工艺的先前知晓、通过建模等)。设计中的那些图案因此可(在不具有修改的情况下)用来模拟表示引起滋扰检测的实际图像的图像。以此方式,这些经模拟图像的特性可按照本文中的描述来确定且用作可在工艺期间检测到的滋扰特性的实例。那些特性还可按照本文中的详尽描述来用于模式选择。
除针对设计数据的人为滋扰部分及/或针对往往引起滋扰检测的设计数据的部分产生经模拟图像之外,一或多个计算机子系统还可针对设计的已知良好部分(其可能或可能并非在修改之前设计数据的部分或未以某种方式修改的设计数据的其它部分)产生经模拟图像。举例来说,具有包含及不包含DOI的经模拟图像以查看两个图像的特性是否使得可将具有DOI与不具有DOI的图像区分开对于模式选择可为有用的。以此方式,图像的特性可用来在DOI存在于样品上时检测到所述DOI且在DOI未存在于样品上时未检测到所述DOI。如此,所述经模拟图像可用来确定工艺是否可区别DOI在样品上的存在与不存在。在检验工艺中,仅仅检测到所有DOI是不足够的,而不在DOI不存在时错误地检测DOI也是重要的。以此方式,针对含有设计的部分的DOI及非DOI两者产生经模拟图像对于本文中所描述的一些应用可为有利的。
在一个实施例中,GAN经训练以针对工具的第一模式产生经模拟图像,且产生样品的经模拟图像包含将设计数据的部分及设计数据的人为缺陷部分输入到经训练以针对工具的第二模式产生经模拟图像的额外GAN中。因此,在此类实施例中,可训练不同GAN以针对不同模式产生图像或其它输出。特定来说,在大多数情形中,检验或其它成像工具的不同模式将以数个可能方式中的一者产生彼此不同的图像及/或输出,例如,噪声水平、对比度、分辨率、图像类型(例如,DF对BF、光学对电子束等)等等。因此,如果训练GAN以针对工具的一个模式产生输出或图像,那么有可能其将受到不适合训练以针对工具的另一模式产生输出或经模拟图像。如此,可对多个GAN进行单独且独立地训练,一个GAN用于每一所关注模式。然而,相同经预训练GAN网络可用于每一模式,尽管是不必要的。可按照本文中的描述来训练多个GAN中的每一者。举例来说,为了收集图像以在印刷检查晶片上进行训练,本文中所描述的实施例可跨越不同光罩但针对不同光学模式收集相同图像。对于每一模式,然后可使用利用所述模式收集的图像来训练独立神经网络。每一经训练GAN然后可用来产生模式特定数据集。以此方式,每一模型然后可用来针对光学模式中的每一者形成缺陷的图像。然而,向每一以不同方式经训练的GAN的输入可为相同设计剪辑或同一设计的不同部分及设计的相同经修改部分,这是因为样品的设计以及DOI将不因模式不同而改变。
在另一实施例中,GAN经训练以针对工具的不同模式产生经模拟图像。就是现在,可存在GAN的一个条件输入(我们称之为Y1),此为设计。但此可经修改使得还存在让GAN知晓我们对什么光学模式感兴趣的第二条件输入(我们称之为Y2)。当然,在训练及干扰时间两者期间可将此额外条件输入输入到GAN。单个GAN可经配置以用于为多个模式产生图像的另一方式可为设计能够在较高维度输入中读取的网络。当前,向GAN的输入可为针对不具有多边形的像素仅具有0且在像素具有多边形的情况下具有1的设计。替代所述情况,模式信息可通过以下方式经编码以用于如下输入:在模式1的情形中将多边形的值标记为(1,1),在模式2的情形中标记为(1,2),在模式3的情形中标记为(1,3),以此类推。以此方式,我们具有一个条件输入Y,但其具有是模式的一个额外维度。现在,还将向图像矩阵添加另一维度,使得可在一个矩阵中存储给定图像的数个模式。此GAN配置/实施方案可在计算上比针对多个模式使用多个GAN更昂贵。此GAN实施方案还假定所有光学图像彼此对准。此多模式图像对准的工作量还可为巨大的,但其为可行的,举例来说,如布劳尔等人在2021年4月1日公开的美国专利申请公开案第2021/0097704号中所描述,所述美国专利申请公开案如同完整陈述一般以引用方式并入本文中。本文中所描述的实施例可按如此公开案中的描述来进一步配置。
一或多个计算机子系统经配置以用于确定经模拟图像的一或多个特性。可针对其中曾产生经模拟图像的任何或所有模式确定经模拟图像的一或多个特性。一或多个特性可取决于其中正在选择模式的工艺而变化。举例来说,如果正在为检验工艺选择模式,那么针对经模拟图像确定的一或多个特性可为将影响可检测DOI的效果及/或可抑制滋扰的效果的图像的一或多个特性(即,根本未检测到或无法通过筛选、分类或另一工艺步骤与DOI分离)。下文详尽描述一些此类特性。如果正在为度量工艺选择模式,那么针对经模拟图像确定的一或多个特性可为将影响度量工艺可依据所述特性确定关于图像中的经图案化特征的信息的效果的图像的一或多个特性。此类特性可包含图像特性,例如分辨率、对比度、亮度等等。如果正在为缺陷再检测工艺选择模式,那么针对经模拟图像确定的一或多个特性可类似于用于检验工艺的那些特性但还可能类似于用于度量工艺的那些特性(例如,这是因为执行缺陷再检测以不仅用于重新检测缺陷而且通常用于确定关于无法通过检验确定的缺陷的信息)。
因此可使用将在工艺中使用的方法或算法(如缺陷检测算法或方法、度量算法或方法或缺陷再检测算法或方法)确定一或多个特性。而且或替代地,可使用量化或限定图像的特性(如分辨率、对比度、亮度等)的任何其它适合图像表征算法或方法来确定一或多个特性。因此,一般来说,通过本文中所描述的实施例确定的经模拟图像的一或多个特性可为提供关于模式使样品成像的效果及/或通过模式产生的图像对于工艺的有用性的信息且可使用此项技术中已知的任何适合方法或算法确定的任何特性。
在一个实施例中,确定一或多个特性包含从针对设计数据的人为缺陷部分产生的经模拟图像中的一者减去针对设计数据的部分产生的经模拟图像中的一者,借此产生差异图像且确定所述差异图像的一或多个特性。举例来说,由GAN在图2的步骤210中输出的图像包含人为产生的测试及参考图像。所述测试图像将为从人为缺陷设计部分产生的图像,且所述图像将为从原始设计部分产生的图像。以此方式,人为产生的图像包含有包含缺陷的图像及不包含缺陷的图像两者。然后可如可能通常在缺陷检测中那样将那些图像相减,且可确定所得差异图像的一或多个特性。那些所得差异图像可能特别适合用于确定按照本文中的详尽描述用于模式选择的一或多个特性,这是因为所述特性可表示可在由工具产生所述特性的情况下依据此类图像检测人为引入的缺陷的良好程度及不良程度。
在一个此实施例中,差异图像的一或多个所确定特性包含差异图像的信噪比值。因此,本文中所描述的实施例的一个优点是可基于GAN所产生图像而执行缺陷信噪比计算。由于正在针对设计数据的人为缺陷部分产生经模拟图像,因此其中定位有合成缺陷的差异图像的部分将为先验已知的。因此,差异图像的所述部分的信号可用来确定信噪比值的信号部分,且环绕(部分地或完全地环绕)差异图像的合成缺陷部分的差异图像的部分可用来确定信噪比值的噪声部分。以此方式,当差异图像的一或多个所确定特性是信噪比值时,其响应于对应于合成缺陷的差异图像的部分与未对应于合成缺陷的差异图像的部分之间的差且因此响应于差异图像可用来检测实际样品上的缺陷的效果。
一或多个计算机子系统经配置以用于基于所述一或多个所确定特性而选择用于对所述样品执行的工艺的工具的模式。举例来说,当一或多个所确定特性包含信噪比值时,选择步骤可包含找到具有图像的最高信噪比值的模式且为工艺选择所述模式。在一个此实例中,可按照本文中的描述来计算GAN所产生差异图像的信噪比值,且可基于信噪比值而将最佳模式排位,借此使得能够容易地识别供在工艺中使用的一或若干最佳模式。可以此项技术中已知的任何适合方式执行基于信噪比值而将所述模式排位。举例来说,在一个实施例中,为工具的不同模式产生经模拟图像,针对为工具的不同模式产生的经模拟图像确定一或多个特性,且基于一或多个所确定特性而选择工具的模式包含将针对为工具的不同模式产生的经模拟图像而确定的一或多个特性进行比较。以此方式,通过将用于工具的不同模式的一或多个所确定特性进行比较,可将所述模式从最佳模式(例如,具有最佳信噪比值的模式)到最差模式(例如,具有最差信噪比值的模式)排位。针对经模拟图像确定的其它特性可用来以类似方式将所述模式排位(从特性的最佳值到特性的最差值)。
当针对所述模式中的每一者确定多于一个特性时,基于所述多个特性而将所述模式排位可变得比使用单个特性更复杂。然而,在一些实例中,考量用于模式选择的多个特性可为重要的(例如,当如信噪比值及对比度两者等多个特性有助于工艺的成功时)。在此类实例中,替代基于个别特性而将模式排位(且针对每一模式产生多个排位),可使用多个特性产生评分,借此产生用来将模式从最佳到最差排位的单个值。产生此评分可为有利的,这是因为所述评分可使用基于考虑不同特性的相对重要性的特性的关系来产生,可将一个特性正规划到另一或其它特性,可变换特性的一些值,使得所述特性趋向于在与其它特性相同的方向上(例如,使得多个特性的较高值指示模式的较佳性能且反之亦然,并非一些特性在较高时指示较佳性能而其它特性在较低时指示较佳性能)等。举例来说,在一些实例中,甚至当分辨率及信噪比值两者均影响检验时,信噪比值可比分辨率更重要。在此情形中,可基于信噪比值及分辨率但在信噪比值的权重比分辨率值更重的情况下针对模式中的每一者确定评分。在其它情形中,分辨率可比信噪比值更重要,即使两者均影响工艺且因此可颠倒上文所描述的权重。
针对模式选择步骤使用信噪比值在工艺为检验时可为有利的。举例来说,与设计数据的人为缺陷部分对应的经模拟图像的部分的信噪比值可恰好与考量中的模式中的每一者可检测样品上的缺陷的效果相关。因此,通过识别并选择针对经模拟图像的那些部分具有最高或大体上高信噪比值的模式,可识别并选择可检测样品上的DOI的模式。另外,如本文中详尽描述,还可针对设计数据的人为滋扰部分或已知引起滋扰检测的设计数据的部分产生经模拟图像。以此方式,经模拟图像可用来确定哪一或哪些模式提供DOI及滋扰的特性之间的最大分离。换句话说,产生DOI的图像(其具有与针对为设计或样品的滋扰或非缺陷部分产生的图像确定的一或多个特性最不同的一或多个所确定特性)的模式将提供DOI与滋扰之间的最大分离。此模式因此将具有最佳DOI撷取速率及最佳滋扰抑制。抑制滋扰检测同时成功地撷取DOI是重要的,使得基于检验的结果而做出的任何工艺决策是基于DOI而非错误地检测为缺陷的任何滋扰来做出的。以此方式,本文中所描述的实施例的一个优点是所提出方法或其派生方法允许减少在对样品执行的工艺中检测到的滋扰(其又允许半导体制造商做出更可靠的工艺决策)。
本文中所描述的实施例的另一优点源自如下事实:可使用从工具的不同模式产生的实际样品图像来训练本文中所描述的GAN。特定来说,如本文中详尽描述,实施例可针对各种模式收集图像及设计剪辑。通过直接从样品或同一类型的另一样品收集数据且使用所述数据进行GAN训练,依据此数据训练的GAN将产生响应于并不理想的样品条件(例如,由于例如厚度变化、线边缘粗糙度等等的样品变化而引起的跨越样品的光学响应变化)的经模拟图像。因此,基于经模拟图像而为对样品执行的工艺选择的模式还将响应于可能不太理想的真实样品条件。考虑真实样品条件的此能力是本文中所描述的深度生成模型特有的且将本文中所描述的实施例与用以产生经模拟样品图像的其它方式(例如工具硬件的电磁建模)区别开。举例来说,电磁模型仅能够在不考虑任何真实样品条件及任何真实工艺可变性的情况下使用理论模型。
由于本文中所描述的实施例可有利地考量任何真实样品条件及任何真实工艺可变性,因此本文中所描述的实施例还可用作一种直列光学器件选择器,其为一种全新的且可特别有用的事物,这是因为通过本文中所描述的工具执行的工艺可在用户甚至不知晓的情况下不利地受工艺/样品可变性(例如,失去对DOI的缺陷检测敏感性)影响。在一个此实施例中,所述一或多个计算机子系统经配置以用于利用由工具产生的额外样品的图像对GAN进行重新训练,借此产生经重新训练GAN,所述样品及所述额外样品为同一类型,且所述一或多个计算机子系统进一步经配置以用于通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到所述经重新训练GAN中而产生所述额外样品的额外经模拟图像,确定所述额外经模拟图像的一或多个特性,且基于所述额外经模拟图像的所述一或多个所确定特性而选择用于对所述额外样品执行的所述工艺的所述工具的模式。所述样品及所述额外样品可为同一类型,这是因为其具有同一设计。可以与本文中关于训练所描述相同的方式执行对GAN进行重新训练,除了起始点是已经训练的GAN且用于重新训练的图像不同于用于训练的图像。可按照本文中的详尽描述执行产生所述额外经模拟图像、确定所述额外经模拟图像的一或多个特性且选择在此实施例中执行的工具的模式。
以此方式,针对额外样品产生的额外图像可利用工具的相对受限制扫描(例如,一对扫描带)及有限或预定数目个光学模式(例如,5个)来产生。那些图像可用来重新训练GAN(或分别不同模式的不同GAN),使得其产生(或其等产生)为额外样品上的实际缺陷图像在不同模式中看起来将会是什么样子的良好约计的人为缺陷图像。所述计算机子系统然后可基于GAN所产生图像针对每一个别模式执行信噪比分析(或本文中所描述的其它图像分析)以确定用于检验(或以其它方式处理)额外样品(或任何其它额外样品)的最佳光学模式是否已由于更改处理条件(其可按照下文的描述被有意地更改或无意地更改)而改变。因此,此直列光学器件选择器(或在已释放工艺以供使用之后执行的光学器件选择)因如下事实而成为可能:本文中所描述的实施例使得甚至在不存在任何缺陷实例时仅仅通过扫描样品上的区且训练或重新训练GAN以产生所述样品的人为缺陷图像而大体上容易地确定最佳光学模式。
在一个此实施例中,一或多个计算机子系统经配置以用于在已有意地改变对样品及额外样品执行的制作工艺之后执行重新训练。在另一此实施例中,一或多个计算机子系统进一步经配置以用于在已对预定数目个样品执行对样品执行的制作工艺之后执行重新训练。举例来说,一或多个计算机子系统可在用户故意改变对与最初选择模式所针对的样品相同类型的样品执行的制作工艺时及/或在已在制作工艺中处理预定数目个样品之后(例如,在每25个晶片(是在一个批次或一个前开式统一端口(FOUP)中的晶片数目)之后)执行GAN重新训练(及上文所描述的其它步骤)。
在另一实施例中,选择工具的模式包含基于一或多个所确定特性而选择用于工艺的工具的多于一个模式。举例来说,可使用可选择的模式的组合执行使用本文中所描述的工具对本文中所描述的样品执行的一些工艺,这是因为所述模式以某种方式互补。以此方式,除最佳初级模式之外,本文中所描述的实施例还可用来为多模式检验及其它多模式工艺找到最佳次级、三级等模式。
对于多模式检验工艺,多个模式可以几种不同方式互补。一种此方式是使用每一选定模式执行的缺陷检测的结果可为加性的。在一个此实例中,一个模式对一个类型的DOI可为特别敏感的且另一模式对另一类型的DOI可为特别敏感的,且由每一模式检测的DOI可经组合以为样品提供检验结果。在另一此实例中,一个模式对位于设计中的一个图案中的DOI可为特别敏感的,且另一模式对位于设计中的不同图案中的DOI可为特别敏感的。在两种模式中检测到的DOI还可组合成一个检验结果。另一此方式是使用每一选定模式执行的缺陷检测的结果可能未必是加性的而可能是互补的。举例来说,一个模式在检测DOI时可为特别良好的,但在抑制滋扰时还可并非如此良好的。然而,如果另一模式在检测滋扰时是良好的但在检测DOI时是真正不良的,那么所述模式对于检验可能并非传统上良好的,但在识别由另一模式检测的滋扰时可为特别有用的,这在DOI检测时较佳。以此方式,由一个模式检测的滋扰可用来抑制在另一模式中检测的滋扰。可使用多个模式执行缺陷检测的结果的另一方式是缺陷检测算法或方法使用利用多个模式产生的图像的特性来做出关于是否存在缺陷的决策。实际上,因此,一种多维阈值可应用于由工具的多个模式产生的输出,其中工具的单个模式可能不单独用于缺陷检测。
如上所述,针对检验使用多于一个模式的动力一般是:以检验开始是相对困难的,例如,DOI与噪声分离是相对困难的及/或抑制滋扰是相对困难的。对于此类检验,理想地,两个或多于两个模式将以某种方式互补,例如,使得由一个模式产生的结果可增强由另一模式产生的结果。在一个此实例中,即使由一个模式产生的结果本身并非特别“良好”,但在合适情况下,那些结果可用来将DOI与由另一模式产生的其它结果中的滋扰分离,借此增强由另一模式产生的结果。
以此方式,所述模式可以不同于双模式检测的方式来使用。换句话说,初级模式可用于检测,且次级模式可用于将由初级模式检测到的事件分离成缺陷(或DOI)及滋扰。在一些此类实例中,当次级模式模式仅用于分离目的时,检验工具可仅仅在逐位置基础上将其视野定位在已在初级模式中检测到的缺陷候选者的所报告位置处以利用次要模式收集所述缺陷候选者的新输出(例如,图像信息等)。以此方式,检验工具可经配置以仅在样品上的离散位置(在所述离散位置处利用初级模式检测样品上的事件)处执行输出产生而非执行利用初级模式扫描的样品的整个区的重新扫描。如此,检验工具可利用次级模式以移动-获取-测量方式执行输出产生。在此类检验工艺中,然后可依序使用初级模式及次级模式,首先用于样品上的整个经检验区的扫描且然后用于所检测事件的位置处的目标输出产生。另外,检验工艺可能未必包含利用次级模式在利用初级模式检测到的每个事件的位置处产生输出。举例来说,利用次级模式在利用初级模式检测到的事件中的一些事件的位置处产生的结果可用来筛选出利用初级模式检测到的其它事件。在另一实例中,可执行利用初级模式检测到的事件的初步筛选以将显然是缺陷或显然是滋扰的任何事件分离,且次级模式然后可用来在无法显然分离的剩余事件处产生输出。
然而,本文中所描述的实施例显然不在可执行模式选择的检验工艺中受限制。换句话说,本文中所描述的实施例可用于包含单模式检验工艺的任何检验工艺的模式选择。另外,使用本文中所描述实施例来选择模式的检验工艺可包含其中多个模式执行检测且集合结果用来执行分离(“多模式检测”)(其中多个模式用来同时或单独地扫描样品的整个区)的检验工艺、使用多于两个模式的检验工艺等。
对于多模式度量工艺,多个模式还可为互补的,这是因为一个模式对于确定样品的一个特性可为特别有用的,而另一模式对于使用利用所述模式产生的图像及使用另一模式确定的特性两者来确定样品的另一特性可为特别有用的。举例来说,一个模式可对膜厚度特别敏感。使用另一模式产生的膜厚度及图像然后可用来确定样品的另一特性,例如CD。以此方式,按照本文中的描述来确定的经模拟图像的特性可用来确定哪一或哪些模式对于度量是最佳的。
对于多模式缺陷再检测工艺,多个模式可以上文针对检验所描述的相同方式互补。以此方式,可使用本文中所描述的经模拟图像评估不同模式,且针对多模式经模拟图像确定的一或多个特性可用来选择一个模式或多个模式来进行缺陷再检测。
可基于按照本文中的描述来产生的经模拟图像而确定在本文中所描述的模式选择步骤中选择一个模式还是多个模式。举例来说,当发现检验工具的单个模式产生可既以大体上高撷取速率检测DOI又以大体上高速率抑制滋扰的图像时,一或多个计算机子系统可确定单个模式对于工艺是充足的。相比之下,当无法通过一或多个计算机子系统找到此单个模式时,所述计算机子系统可消除单个模式选项且开始评估可按照本文中的详尽描述而执行的不同模式组合。以此方式,基于是否可找到可满足由用户设定的性能目标(例如,指定DOI撷取速率及/或指定滋扰抑制速率)的单个模式,所述计算机子系统可选择单个模式或尝试找到可满足那些性能目标的多个模式。以此方式,所述计算机子系统可提供模式选择步骤的灵活性同时还尝试找到对于工艺可能的最简单模式选择。
按照本文中的描述而产生的经模拟图像还并不特定于本文中或别处所描述的任何特定模式选择。举例来说,本文中所描述的实施例的另一优点是经模拟图像可在任何模式选择工艺中使用且可与任何其它实际图像或可辅助模式选择工艺的其它信息组合。可使用本文中所描述的经模拟图像执行的模式选择的一些实例可存在于共同让与的在2017年7月11日颁予布劳尔等人的美国专利第9,702,827号、在2018年10月30日颁予布劳尔的美国专利第10,115,040号、在2021年3月30日颁予布劳尔的美国专利第10,964,016号及布劳尔等人在2021年5月18日颁布的美国专利第11,010,885号中,所有所述美国专利如同完整陈述一般以引用方式并入本文中。本文中所描述的实施例可按如这些专利中的描述来进一步配置。
在一些实施例中,所述计算机子系统经配置以存储关于一或多个选定模式的信息以供在例如由工具对样品执行的检验工艺等工艺中使用。所述计算机子系统可经配置而以处方或通过针对将使用所述选定模式的工艺产生处方来存储信息。如本文中使用所述术语,“处方”一般可定义为可由工具用来对样品执行工艺的指令集。以此方式,产生处方可包含产生关于将如何执行工艺的信息,所述信息然后可用来产生用于执行所述工艺的指令。由所述计算机子系统存储的关于一或多个选定模式的信息可包含可用来识别及/或使用所述选定模式的任何信息(例如,例如档案名称及存储所述档案名称的位置,且档案可包含关于所述模式的信息,例如模式名称、模式参数值等)。
所述计算机子系统可经配置以用于将关于所述选定模式的信息存储于任何适合计算机可读存储媒体中。所述信息可与本文中所描述的结果中的任一者一起被存储且可以此项技术中已知的任何方式来存储。存储媒体可包含本文中所描述的任何存储媒体或此项技术中已知的任何其它适合存储媒体。在已存储所述信息之后,所述信息可在存储媒体中被存取且由本文中所描述的方法或系统实施例中的任一者使用、经格式化以显示给用户、由另一软件模块、方法或系统使用等等。所述检验处方然后可被存储并由检验样品或其它样品的系统或方法(或者另一系统或方法)使用以借此产生关于样品或其它样品的信息(例如,缺陷信息)。
一或多个计算机子系统及/或检验工具可经配置以使用选择步骤的结果来对样品及/或同一类型的其它样品执行检验工艺。此检验工艺可产生关于在样品上检测到的任何缺陷的结果,例如所检测缺陷的定界框的信息(例如,位置)、检测评分、关于缺陷分类的信息(例如类别标签或ID等)或此项技术中已知的任何此类适合信息。所述计算机子系统及/或检验工具可以任何适合方式产生关于所述缺陷的结果。关于所述缺陷的结果可具有任何适合形式或格式,例如标准档案类型。所述计算机子系统及/或检验工具可产生所述结果且存储所述结果,使得所述结果可由所述计算机子系统及/或另一系统或方法用来针对所述样品或同一类型的另一样品执行一或多个功能。
通过对样品及/或同一类型的其它样品执行工艺而产生的结果及信息可由本文中所描述的实施例及/或其它系统及方法以各种方式来使用。此类功能包含但不限于以反馈或前馈方式更改曾经或将对经检验样品或另一样品执行的工艺,例如制作工艺或步骤。举例来说,本文中所描述的计算机子系统可经配置以基于所检测缺陷而确定曾经对按照本文中的描述来检验的样品执行的工艺及/或将对所述样品执行的工艺的一或多个改变。所述工艺的所述改变可包含所述工艺的一或多个参数的任何适合改变。本文中所描述的计算机子系统优选地确定那些改变,使得可减少或阻止在被执行经修正工艺的其它样品上的缺陷,可在对样品执行的另一工艺中校正或消除样品上的缺陷,可在对样品执行的另一工艺中补偿缺陷等。本文中所描述的计算机子系统可以此项技术中已知的任何适合方式确定此类改变。还可使用本文中所描述的其它工艺的结果确定此类改变。
那些改变然后可发送到半导体制作系统(未展示)或者所述计算机子系统及所述半导体制作系统可存取的存储媒体(未展示)。所述半导体制作系统可能是或可能并非是本文中所描述的系统实施例的一部分。举例来说,本文中所描述的计算机子系统及/或工具可耦合到所述半导体制作系统,例如,经由例如壳体、电力供应器、样品处置装置或机构等一或多个共同元件。所述半导体制作系统可包含此项技术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。
因此,如本文中所描述,所述实施例可用来设置新工艺或处方。所述实施例还可用来修改现有工艺或处方,无论所述现有工艺或处方是曾用于样品还是曾针对一个样品创建且现在适用于另一样品的工艺或处方。
上文所描述的系统中的每一者的实施例中的每一者可一起组合成单个实施例。
另一实施例涉及一种用于选择用于对样品执行的工艺的工具的模式的计算机实施方法。所述方法包含修改样品的设计数据的一部分以产生所述设计数据的人为缺陷部分。所述方法还包含通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到在由一或多个计算机系统执行的一或多个组件中所包含的GAN中而产生所述样品的经模拟图像。另外,所述方法包含确定所述经模拟图像的一或多个特性且基于所述一或多个所确定特性而选择用于对所述样品执行的工艺的工具的模式。由所述一或多个计算机系统执行所述修改、产生、确定及选择步骤。
可按照本文中的详尽描述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系统、(若干)计算机系统、(若干)组件及/或GAN执行的任何其它步骤。所述计算机系统可根据本文中所描述的实施例中的任一者来配置,例如,计算机子系统102。所述一或多个组件及所述GAN还可根据本文中所描述的实施例中的任一者来配置。可由本文中所描述的系统实施例中的任一者执行所述方法。
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选择用于对样品执行的工艺的工具的模式的计算机实施方法。在图7中展示一个此实施例。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等方法的程序指令702可存储于计算机可读媒体700上。计算机可读媒体可为例如磁盘或光盘、磁带的存储媒体,或此项技术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,所述方式包含基于程序的技术、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控制项、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(串流化SIMD扩展)或其它技术或方法按需实施所述程序指令。
计算机系统704可根据本文中所描述的实施例中的任一者来配置。
鉴于此描述,所属领域的技术人员将明了本发明的各种方面的其它修改及替代实施例。举例来说,提供用于选择用于对样品执行的工艺的工具的模式的方法及系统。因此,此描述应被视为仅具说明性,且是出于教示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描述之后将全部明了,元件及材料可替代本文中所图解说明及描述的那些元件及材料,零件及工艺可颠倒,且本发明的一些特征可独立地利用。可在不背离如所附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 (23)
1.一种经配置以选择用于对样品执行的工艺的工具的模式的系统,其包括:
一或多个计算机子系统;以及
一或多个组件,其由所述一或多个计算机子系统执行,其中所述一或多个组件包括生成对抗网络;且
其中所述一或多个计算机子系统经配置以用于:
修改样品的设计数据的一部分以生成所述设计数据的人为缺陷部分;
通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到所述生成对抗网络中而生成所述样品的经模拟图像;
确定所述经模拟图像的一或多个特性;及
基于所述一或多个所确定特性而选择用于对所述样品执行的工艺的工具的模式。
2.根据权利要求1所述的系统,其中所述生成对抗网络被配置为条件生成对抗网络。
3.根据权利要求1所述的系统,其中利用由所述工具所生成的所述样品或与所述样品相同类型的另一样品的图像以及所述样品或所述另一样品的所述设计数据来训练所述生成对抗网络。
4.根据权利要求1所述的系统,其中所述生成对抗网络经训练以针对所述工具的第一模式生成所述经模拟图像,且其中生成所述样品的所述经模拟图像包括将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到额外生成对抗网络中,所述额外生成对抗网络经训练以针对所述工具的第二模式生成所述经模拟图像。
5.根据权利要求1所述的系统,其中所述生成对抗网络经训练以针对所述工具的不同模式生成所述经模拟图像。
6.根据权利要求1所述的系统,其中针对所述工具的不同模式生成所述经模拟图像,其中针对为所述工具的所述不同模式生成的所述经模拟图像确定所述一或多个特性,且其中基于所述一或多个所确定特性而选择所述工具的所述模式包括对针对为所述工具的所述不同模式生成的所述经模拟图像而确定的所述一或多个特性进行比较。
7.根据权利要求1所述的系统,其中选择所述工具的所述模式包括基于所述一或多个所确定特性而为所述工艺选择所述工具的多于一个模式。
8.根据权利要求1所述的系统,其中确定所述一或多个特性包括:从针对所述设计数据的所述人为缺陷部分生成的所述经模拟图像中的一者减去针对所述设计数据的所述部分生成的所述经模拟图像中的一者,借此生成差异图像;以及确定所述差异图像的一或多个特性。
9.根据权利要求8所述的系统,其中所述差异图像的所述一或多个所确定特性包括所述差异图像的信噪比值。
10.根据权利要求1所述的系统,其中可在所述样品上检测到的实际缺陷的数目对于为所述工艺选择所述模式是不充足的。
11.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置以用于在不具有在所述样品上检测到的一或多个实际缺陷的信息的情况下确定所述设计数据的所述人为缺陷部分的一或多个特性。
12.根据权利要求1所述的系统,其中基于所述样品上的所关注缺陷的信息而执行修改所述样品的所述设计数据的所述部分,且其中在修改所述设计数据的所述部分之前在由所述工具执行的设置扫描中未能在所述样品上检测到所述所关注缺陷的实际实例。
13.根据权利要求1所述的系统,其中基于已知由所述工具通过重复成像而更改的所述样品上的所关注缺陷的信息而执行修改所述样品的所述设计数据的所述部分。
14.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置以用于修改所述设计数据的额外部分以生成所述设计数据的额外人为缺陷部分,基于所述样品上的第一所关注缺陷的信息而确定所述设计数据的所述人为缺陷部分的一或多个特性,且基于所述样品上的第二所关注缺陷的信息而确定所述设计数据的所述额外人为缺陷部分的一或多个特性,且其中生成所述经模拟图像包括将所述设计数据的所述额外部分及所述设计数据的所述额外人为缺陷部分输入到所述生成对抗网络或额外生成对抗网络中。
15.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置以用于修改所述设计数据的额外部分以生成所述设计数据的人为滋扰部分且基于所述样品上的滋扰的信息而确定所述设计数据的所述人为滋扰部分的一或多个特性,且其中生成所述经模拟图像包括将所述设计数据的所述额外部分及所述设计数据的所述人为滋扰部分输入到所述生成对抗网络或额外生成对抗网络中。
16.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置以用于利用由所述工具生成的额外样品的图像来重新训练所述生成对抗网络,借此生成经重新训练的生成对抗网络,其中所述样品与所述额外样品是同一类型,且其中所述一或多个计算机子系统进一步经配置以用于通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到所述经重新训练的生成对抗网络中而生成所述额外样品的额外经模拟图像,确定所述额外经模拟图像的一或多个特性,且基于所述额外经模拟图像的所述一或多个所确定特性而选择用于对所述额外样品执行的所述工艺的所述工具的模式。
17.根据权利要求16所述的系统,其中所述一或多个计算机子系统进一步经配置以用于在已有意地改变对所述样品及所述额外样品执行的制作工艺之后执行所述重新训练。
18.根据权利要求16所述的系统,其中所述一或多个计算机子系统进一步经配置以用于在已对预定数目个样品执行对所述样品执行的制作工艺之后执行所述重新训练。
19.根据权利要求1所述的系统,其中所述工具是基于光的检验工具。
20.根据权利要求1所述的系统,其中所述工具是基于电子的检验工具。
21.根据权利要求1所述的系统,其中所述样品是晶片。
22.一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选择用于对样品执行的工艺的工具的模式的计算机实施方法,其中所述计算机实施方法包括:
修改样品的设计数据的一部分以生成所述设计数据的人为缺陷部分;
通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到在由所述一或多个计算机系统执行的一或多个组件中所包含的生成对抗网络中而生成所述样品的经模拟图像;
确定所述经模拟图像的一或多个特性;及
基于所述一或多个所确定特性而选择用于对所述样品执行的工艺的工具的模式。
23.一种用于选择用于对样品执行的工艺的工具的模式的计算机实施方法,其包括:
修改样品的设计数据的一部分以生成所述设计数据的人为缺陷部分;
通过将所述设计数据的所述部分及所述设计数据的所述人为缺陷部分输入到在由一或多个计算机系统执行的一或多个组件中所包含的生成对抗网络中而生成所述样品的经模拟图像;
确定所述经模拟图像的一或多个特性;及
基于所述一或多个所确定特性而选择用于对所述样品执行的工艺的工具的模式,其中由所述一或多个计算机系统执行所述修改、所述生成、所述确定及所述选择。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063060131P | 2020-08-03 | 2020-08-03 | |
US63/060,131 | 2020-08-03 | ||
US17/375,951 US11328410B2 (en) | 2020-08-03 | 2021-07-14 | Deep generative models for optical or other mode selection |
US17/375,951 | 2021-07-14 | ||
PCT/US2021/043587 WO2022031498A1 (en) | 2020-08-03 | 2021-07-29 | Deep generative models for optical or other mode selection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115943429A CN115943429A (zh) | 2023-04-07 |
CN115943429B true CN115943429B (zh) | 2024-04-05 |
Family
ID=80003170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180043739.9A Active CN115943429B (zh) | 2020-08-03 | 2021-07-29 | 用于光学或其它模式选择的深度生成模型 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11328410B2 (zh) |
EP (1) | EP4154216A1 (zh) |
KR (1) | KR20230044509A (zh) |
CN (1) | CN115943429B (zh) |
IL (1) | IL299796A (zh) |
TW (1) | TW202226027A (zh) |
WO (1) | WO2022031498A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113632099A (zh) * | 2019-12-20 | 2021-11-09 | 京东方科技集团股份有限公司 | 分布式产品缺陷分析系统、方法及计算机可读存储介质 |
CN111401138B (zh) * | 2020-02-24 | 2023-11-07 | 上海理工大学 | 生成对抗神经网络训练过程的对抗优化方法 |
US11961219B2 (en) * | 2020-02-27 | 2024-04-16 | KLA Corp. | Generative adversarial networks (GANs) for simulating specimen images |
US11436438B1 (en) * | 2021-05-07 | 2022-09-06 | Sas Institute Inc. | Tabular data generation for machine learning model training system |
US11531907B2 (en) * | 2021-05-07 | 2022-12-20 | Sas Institute Inc. | Automated control of a manufacturing process |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN109074650A (zh) * | 2016-05-25 | 2018-12-21 | 科磊股份有限公司 | 针对半导体应用从输入图像产生经模拟图像 |
CN110097543A (zh) * | 2019-04-25 | 2019-08-06 | 东北大学 | 基于生成式对抗网络的热轧带钢表面缺陷检测方法 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
CN111127454A (zh) * | 2019-12-27 | 2020-05-08 | 上海交通大学 | 基于深度学习生成工业缺陷样本的方法及系统 |
CN111189848A (zh) * | 2014-07-22 | 2020-05-22 | 科磊股份有限公司 | 具有多种模式的虚拟检验系统 |
CN111415316A (zh) * | 2020-03-18 | 2020-07-14 | 山西安数智能科技有限公司 | 基于生成对抗网络的缺陷数据合成算法 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
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 |
US8065116B2 (en) | 2008-10-08 | 2011-11-22 | Robert Bosch Gmbh | Systems, methods, and tools for proofing a computer-aided design object |
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 |
US9702827B1 (en) | 2014-11-20 | 2017-07-11 | Kla-Tencor Corp. | Optical mode analysis with design-based care areas |
US9915625B2 (en) | 2016-01-04 | 2018-03-13 | Kla-Tencor Corp. | Optical die to database inspection |
US10115040B2 (en) | 2016-09-14 | 2018-10-30 | Kla-Tencor Corporation | Convolutional neural network-based mode selection and defect classification for image fusion |
US10964016B2 (en) | 2018-03-13 | 2021-03-30 | Kla-Tencor Corporation | Combining simulation and optical microscopy to determine inspection mode |
CN111819583A (zh) * | 2018-03-21 | 2020-10-23 | 科磊股份有限公司 | 以合成图像训练机器学习模型 |
US10599951B2 (en) | 2018-03-28 | 2020-03-24 | Kla-Tencor Corp. | Training a neural network for defect detection in low resolution images |
US10949964B2 (en) | 2018-09-21 | 2021-03-16 | Kla Corporation | Super-resolution defect review image generation through generative adversarial networks |
US11468553B2 (en) | 2018-11-02 | 2022-10-11 | Kla Corporation | System and method for determining type and size of defects on blank reticles |
US11010885B2 (en) | 2018-12-18 | 2021-05-18 | Kla Corporation | Optical-mode selection for multi-mode semiconductor inspection |
US11379967B2 (en) * | 2019-01-18 | 2022-07-05 | Kla Corporation | Methods and systems for inspection of semiconductor structures with automatically generated defect features |
US11580650B2 (en) | 2019-10-01 | 2023-02-14 | KLA Corp. | Multi-imaging mode image alignment |
US11227378B2 (en) * | 2019-11-13 | 2022-01-18 | Software Ag | Systems and methods of generating datasets for training neural networks |
US11205260B2 (en) * | 2019-11-21 | 2021-12-21 | International Business Machines Corporation | Generating synthetic defect images for new feature combinations |
US11961219B2 (en) | 2020-02-27 | 2024-04-16 | KLA Corp. | Generative adversarial networks (GANs) for simulating specimen images |
CN113409234A (zh) * | 2020-03-16 | 2021-09-17 | 耐斯泰科技2001有限公司 | 卷积神经网络(cnn)算法支持的晶片的最小监督自动检查(ai) |
US20210334946A1 (en) * | 2020-04-24 | 2021-10-28 | Camtek Ltd. | Method and system for classifying defects in wafer using wafer-defect images, based on deep learning |
-
2021
- 2021-07-14 US US17/375,951 patent/US11328410B2/en active Active
- 2021-07-28 TW TW110127659A patent/TW202226027A/zh unknown
- 2021-07-29 CN CN202180043739.9A patent/CN115943429B/zh active Active
- 2021-07-29 KR KR1020237007409A patent/KR20230044509A/ko unknown
- 2021-07-29 IL IL299796A patent/IL299796A/en unknown
- 2021-07-29 WO PCT/US2021/043587 patent/WO2022031498A1/en unknown
- 2021-07-29 EP EP21852637.4A patent/EP4154216A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111189848A (zh) * | 2014-07-22 | 2020-05-22 | 科磊股份有限公司 | 具有多种模式的虚拟检验系统 |
CN109074650A (zh) * | 2016-05-25 | 2018-12-21 | 科磊股份有限公司 | 针对半导体应用从输入图像产生经模拟图像 |
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN110097543A (zh) * | 2019-04-25 | 2019-08-06 | 东北大学 | 基于生成式对抗网络的热轧带钢表面缺陷检测方法 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
CN111127454A (zh) * | 2019-12-27 | 2020-05-08 | 上海交通大学 | 基于深度学习生成工业缺陷样本的方法及系统 |
CN111415316A (zh) * | 2020-03-18 | 2020-07-14 | 山西安数智能科技有限公司 | 基于生成对抗网络的缺陷数据合成算法 |
Non-Patent Citations (3)
Title |
---|
基于生成对抗网络和RetinaNet的销钉缺陷识别;王健;王凯;刘刚;周文青;周子凯;;华南理工大学学报(自然科学版)(第02期);5-12 * |
基于生成对抗网络的对抗样本生成;郭清杨;;现代计算机(第07期);25-29 * |
生成式对抗网络GAN的研究进展与展望;王坤峰;苟超;段艳杰;林懿伦;郑心湖;王飞跃;;自动化学报(第03期);4-15 * |
Also Published As
Publication number | Publication date |
---|---|
US11328410B2 (en) | 2022-05-10 |
US20220036539A1 (en) | 2022-02-03 |
TW202226027A (zh) | 2022-07-01 |
IL299796A (en) | 2023-03-01 |
KR20230044509A (ko) | 2023-04-04 |
EP4154216A1 (en) | 2023-03-29 |
WO2022031498A1 (en) | 2022-02-10 |
CN115943429A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111052332B (zh) | 训练以学习为基础的缺陷分类器 | |
CN115943429B (zh) | 用于光学或其它模式选择的深度生成模型 | |
CN111052331B (zh) | 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法 | |
TWI747967B (zh) | 用於經組態用於半導體應用之深度學習模型之診斷系統及方法 | |
CN108475350B (zh) | 使用基于学习的模型加速半导体缺陷检测的方法和系统 | |
US11961219B2 (en) | Generative adversarial networks (GANs) for simulating specimen images | |
US11694327B2 (en) | Cross layer common-unique analysis for nuisance filtering | |
CN114600156B (zh) | 用于滋扰滤波的深度学习网络 | |
US11776108B2 (en) | Deep learning based defect detection | |
CN115516295A (zh) | 使用深度学习方法的缺陷尺寸测量 | |
KR20240004240A (ko) | 반도체 애플리케이션을 위한 딥 생성 모델 기반 정렬 | |
CN117546202A (zh) | 用于基于半导体的应用的使用全局纹理特性的机器学习 |
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 |