CN115953641A - 半导体样本的缺陷检查 - Google Patents

半导体样本的缺陷检查 Download PDF

Info

Publication number
CN115953641A
CN115953641A CN202211046770.0A CN202211046770A CN115953641A CN 115953641 A CN115953641 A CN 115953641A CN 202211046770 A CN202211046770 A CN 202211046770A CN 115953641 A CN115953641 A CN 115953641A
Authority
CN
China
Prior art keywords
focus
image
images
inspection
inspection tool
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211046770.0A
Other languages
English (en)
Inventor
D·史密什
M·布鲁克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Israel Ltd
Original Assignee
Applied Materials Israel Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Applied Materials Israel Ltd filed Critical Applied Materials Israel Ltd
Publication of CN115953641A publication Critical patent/CN115953641A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Microscoopes, Condenser (AREA)

Abstract

提供了一种半导体样本的运行时缺陷检查的系统和方法，包括：获得表示所述半导体样本的至少部分的第一图像，所述第一图像由用第一焦点平面配置的检查工具获取；使用机器学习(ML)模型估计第一图像是否是对焦的，其中ML模型被预先训练用于将图片分类为对焦图像和散焦图像；在估计第一图像散焦时，对检查工具执行焦点校准以便选择与最优对焦分数相关联的第二焦点平面；并且获得由用第二焦点平面配置的检查工具获取的第二图像，并且使用ML模型估计第二图像是否是对焦的。在第二图像被估计为对焦时，第二图像可用于对样本进行缺陷检查。

Description

半导体样本的缺陷检查
技术领域
本公开主题总体涉及半导体样本的检查的领域，并且更具体地，涉及用于半导体样本检查的焦点校准。
背景技术
目前，与制造器件的超大规模集成相关联的高密度和高性能的需求，要求亚微米特征、提高晶体管和电路速度、以及提高可靠性。随着半导体工艺的进步，诸如加衬宽度之类的图案尺寸和其他类型的临界尺寸不断缩小。这种需求要求形成具有高精度和高均匀性的器件特征，这进而需要对制造工艺进行仔细监测，包括在器件仍处于半导体晶片形式时对器件进行自动检查。
检查可以通过在待检查样本的制造期间或之后使用无损检查工具来提供。检查通常涉及通过将光或电子引导至晶片上并且检测来自晶片的光或电子来为样本生成特定输出(例如，图像、信号等)。作为非限制性示例，各种无损检查工具包括扫描电子显微镜、原子力显微镜、光学检验工具等。
检查过程可以包括多个检查步骤。在制造工艺期间，可以多次执行检查步骤，例如在制造或处理特定层之后多次执行检查步骤等。附加地或替代地，每个检查步骤可以重复多次，例如针对不同的晶片位置，或者针对具有不同检查设置的相同晶片位置。
在半导体制造期间的各个步骤中使用检查过程来对样本上的缺陷进行检测和分类，并且执行与计量相关的操作。检查的有效性可以通过将(多个)工艺自动化为例如缺陷检测、自动缺陷分类(ADC)、自动缺陷审查(ADR)、自动化计量相关操作等来提高。
检查过程通常在由检查工具获取的输出图像上执行。在各个方面质量下降的图像(诸如散焦图像)在被用于检查半导体样本时可能会影响检查结果。
发明内容
根据本公开主题的某些方面，提供了一种对半导体样本进行运行时缺陷检查的计算机化系统，所述系统包括处理和存储器电路系统(PMC)配置成用于：获得表示半导体样本的至少部分的第一图像，所述第一图像由用第一焦点平面配置的检查工具获取；使用机器学习(ML)模型估计第一图像是否是对焦的，其中ML模型被预先训练用于将图像分类为对焦图像和散焦图像；在估计第一图像散焦时，对检查工具执行焦点校准以便选择与最优对焦分数相关联的第二焦点平面；并且获得由用第二焦点平面配置的检查工具获取的第二图像，并且使用ML模型估计第二图像是否是对焦的，其中在第二图像被估计为对焦时，第二图像可用于对样本进行缺陷检查。
除上述特征之外，根据本公开主题的这方面的系统可以包括以技术上可能的任何期望的组合或排列的、以下列出的特征(i)至(ix)中的一者或多者：
(i)所述检查工具是电子束工具。
(ii)所述ML模型是二元分类器，所述二元分类器先前使用训练数据集进行训练，所述训练数据集包括对焦图像子集和散焦图像子集，所述对焦图像子集和所述散焦图像子集各自与对应的真值(ground truth)标签相关联。
(iii)所述训练数据集通过以下方式获得：针对具有相应的设计图案的一个或多个样本中的每个样本收集在检查工具的不同焦点平面配置下扫描的样本的图像集合，并且提供分别与图像集合相关联的真值标签。
(iv)所述真值标签是通过将对焦阈值应用于图像集合来提供的。所述对焦阈值是基于针对特定检查应用的对焦灵敏度需求来确定的。
(v)所述散焦图像子集中的一个或多个散焦图像是使用生成对抗网络(GAN)基于对焦图像子集中的对应对焦图像中指示的图像图案而人工生成的。
(vi)所述焦点校准通过以下方式执行：沿焦轴将检查工具的焦点平面调整为沿焦轴的多个焦点；获取对应于多个焦点的多个图像；为多个图像中的每个图像计算对焦分数，从而产生多个对焦分数；从所述多个图像中选择具有所述多个对焦分数中的最优对焦分数的图像；并且用与所选图像相关联的第二焦点平面配置所述检查工具。
(vii)所述焦点平面是通过机械地移动半导体样本的放置台或者电气地改变检查工具的电子束的着陆能量来调整的。
(viii)在估计第二图像散焦时，PMC进一步配置成对检查工具执行焦点校准以选择与最优对焦分数相关联的第三焦点平面，获得由用第三焦点平面配置的检查工具获取的第三图像，并且估计第三图像是否是对焦的。
(ix)在估计第一图像对焦时，PMC进一步配置成确定使用第一图像对样本进行缺陷检查。
根据本公开主题的其他方面，提供了一种对半导体样本进行运行时缺陷检查的方法，所述方法由处理和存储器电路系统(PMC)执行，并且包括：获得表示半导体样本的至少部分的第一图像，所述第一图像由用第一焦点平面配置的检查工具获取；使用机器学习(ML)模型估计第一图像是否是对焦的，其中ML模型被预先训练用于将图像分类为对焦图像和散焦图像；在估计第一图像散焦时，对检查工具执行焦点校准以便选择与最优对焦分数相关联的第二焦点平面；并且获得由用第二焦点平面配置的检查工具获取的第二图像，并且使用ML模型估计第二图像是否是对焦的，其中在第二图像被估计为对焦时，第二图像可用于对样本进行缺陷检查。
加以必要修改，所公开主题的这方面可以包括以技术上可能的任何理想的组合或排列的、以上列出的关于系统的特征(i)至(ix)中的一者或多者。
根据本公开主题的其他方面，提供了一种包括指令的非暂态计算机可读介质，所述指令在由计算机执行时，使所述计算机执行对半导体样本进行运行时缺陷检查的方法，所述方法包括：获得表示半导体样本的至少部分的第一图像，所述第一图像由用第一焦点平面配置的检查工具获取；使用机器学习(ML)模型估计第一图像是否是对焦的，其中ML模型被预先训练用于将图像分类为对焦图像和散焦图像；在估计第一图像散焦时，对检查工具执行焦点校准以便选择与最优对焦分数相关联的第二焦点平面；并且获得由用第二焦点平面配置的检查工具获取的第二图像，并且使用ML模型估计第二图像是否是对焦的，其中在第二图像被估计为对焦时，第二图像可用于对样本进行缺陷检查。
加以必要修改，所公开主题的这方面可以包括以技术上可能的任何理想的组合或排列的、以上列出的关于系统的特征(i)至(ix)中的一者或多者。
附图说明
为了理解本公开内容并且了解其如何在实践中实施，现在将参照附图仅通过非限制性示例的方式描述实施例，其中：
图1示出了根据本公开主题的某些实施例的检查系统的一般框图。
图2示出了根据本公开主题的某些实施例的对半导体样本进行运行时缺陷检查的一般流程图。
图3示出了根据本公开主题的某些实施例的训练ML模型的一般流程图。
图4示出了根据本公开主题的某些实施例的焦点校准的一般流程图。
图5示出了根据本公开主题的某些实施例的在不同焦点平面配置下扫描的图像集合的示例。
具体实施例
在下面的详细描述中，阐述了许多具体细节以提供对本公开内容的透彻理解。然而，本领域的技术人员应当理解，在没有这些具体细节情况下，也可以实施本公开主题。在其他情况下，公知的方法、程序、组件和电路没有被详细描述，以避免模糊本公开主题。
除非另有特别说明，否则从下面的讨论中可以明显看出，在整个说明书的讨论中，利用诸如“检查”、“获得”、“估计”、“确定”、“获取”、“执行”、“校准”、“训练”、“收集”、“提供”、“应用”、“生成”、“调整”、“获取”、“计算”、“选择”、“设置”、“移动”、“改变”等术语，是指计算机将数据操纵和/或转换为其他数据的(多个)操作和/或(多个)过程，所述数据表示为物理(诸如电子)量和/或所述数据表示物理对象。术语“计算机”应被广义地解释为涵盖任何种类的具有数据处理能力的基于硬件的电子设备，作为非限制性示例，包括本申请中公开的检查系统、焦点估计和校准系统以及其各自的部分。
本说明书中使用的术语“检查”应被广泛地解释为涵盖与缺陷检测和/或分类以及在样本制造期间对样本进行的计量操作相关的任何种类的操作。在待检查样本的制造期间或之后，检查通过使用无损检查工具来提供。作为非限制性的示例，检查过程可以包括以下操作中的一项或多项操作：使用相同或不同的检查工具，对样本或其部分进行运行时扫描(在单次或多次扫描中)、采样、审查、测量、分类和/或其他操作。同样，可以在制造待检查样本之前提供检查，并且可以包括例如生成(多个)检查配方和/或其他设置操作。应当注意，除非另有特别说明，否则本说明书中使用的术语“检查”或其衍生词在检验区域的分辨率或尺寸方面不受限制。作为非限制性示例，各种无损检查工具包括扫描电子显微镜、原子力显微镜、光学检验工具等。
本说明书中使用的术语“计量操作”应广泛解释为涵盖用于在半导体样本上提取与一个或多个结构元件相关的计量信息的任何计量操作程序。例如，待提取的计量信息可以指示以下各项中的一项或多项：尺寸(例如，加衬宽度、加衬间距、接触直径、元件尺寸、边缘粗糙度、灰度统计等)、元件形状、元件内或元件之间的距离、相关角度、与对应于不同设计级别的元件相关联的覆盖信息等。在一些实施例中，计量操作可以包括测量操作，诸如例如关于样本上的某些结构执行的临界尺寸(CD)测量。例如，通过采用图像处理技术来分析诸如测量图像之类的测量结果。应当注意，除非另有特别说明，否则本说明书中使用的术语“计量”或其衍生词不受测量技术、测量分辨率或检验区域大小的限制。
本文使用的术语“非暂态存储器”和“非暂态存储介质”应被广泛地解释为涵盖任何适用于本公开主题的任何易失性或非易失性计算机存储器。
本说明书中使用的术语“样本”应被广泛地解释为涵盖用于制造半导体集成电路、磁头、平板显示器和其他半导体制造物品的任何种类的晶片、掩膜和其他结构、组合和/或其部件。
本说明书中使用的术语“缺陷”应被广泛地解释为涵盖在样本上或样本内部形成的任何种类的异常或不期望的特征。
应当理解，除非另有特别说明，否则在分开的实施例的上下文中描述本公开主题的某些特征也可以在单个实施例中以组合的形式提供。反之，单个实施例的上下文中描述的本公开主题的各种特征也可以单独地或以任何合适的子组合的形式提供。在下面的详细描述中，阐述了许多具体的细节以提供对方法和装置的彻底理解。
考虑到这一点，注意力转到图1，图1示出了根据本公开主题的某些实施例的检查系统的功能框图。
图1中所示的检查系统100可用于检查(例如，晶片和/或其部分的)半导体样本，作为样本制造工艺的一部分。根据本公开主题的某些实施例，所示检查系统100包括基于计算机的系统101，所述系统101能够对检查工具进行焦点估计和校准以便在运行时样本检查的图像采集期间获得处于最优对焦的样本图像。使用最优对焦获取的图像可用于半导体样本的检查，诸如例如缺陷检验和检测、以及缺陷审查和/或分类等。系统101在本文中也称为焦点估计和校准系统。
如上所述，本文所指的检查可以解释为涵盖任何种类的缺陷相关操作以及在样本制造期间或之后的样本中的计量操作。作为示例，所获取的图像可用于检查(诸如例如缺陷检验和检测、和/或自动缺陷审查(ADR)、和/或自动缺陷分类(ADC))和/或计量相关操作(诸如例如，关于样本或其部分的临界尺寸(CD)测量)。
作为示例，在一些实施例中，在缺陷检验和检测期间，样本可以相对于检查工具的显微镜以步长移动(或者样本和工具可以相对于彼此在相反的方向上移动)，并且可以通过一次仅对样本的部/部分(称为视场(FOV))成像的工具来逐步扫描样本。例如，在每个步骤中，可以从样本的矩形FOV中检测信号，并且将这种检测到的信号转换为FOV中多个点处的多个强度值，从而形成对应于样本FOV的图像。因此，在对样本进行顺序扫描期间，可以顺序获得样本的多个图像，每个图像表示样本的相应的部/部分(FOV)。
在顺序扫描和图像采集过程中，每个FOV都应是对焦的，以便在最优对焦处获取图像，从而为样本的检查提供足够的质量和分辨率。系统101被设计和配置成在扫描期间检查每个FOV的焦点，并且在发现图像散焦时触发焦点校准过程，如下详述。
系统101可以可操作地连接至配置成扫描半导体样本并且捕获其图像以用于对样本的检查的一个或多个检查工具120。
本文使用的术语“(多个)检查工具”应被广泛解释为涵盖可在检查相关过程中使用的任何工具，作为非限制性示例，所述工具包括关于样本或其部分提供的成像、扫描(在单次或多次扫描中)、采样、审查、测量、分类和/或其他过程。
在一些实施例中，一个或多个检查工具120可以包括一个或多个检验工具和/或一个或多个审查工具。在一些情况下，检查工具120中的至少一个可以是被配置成扫描样本(例如，整个晶片、整个管芯或其部分)的检验工具(例如，光学检验工具、扫描电子显微镜(SEM)等)以捕获检验图像以检测样本上的潜在缺陷。
在一些情况下，检查工具120中的至少一个可以是审查工具，所述审查工具被配置成捕获由检验工具检测到的缺陷中的至少一些缺陷的审查图像，用于确定潜在缺陷是否确实是缺陷。这样的检查工具(例如，相对高分辨率的扫描电子显微镜(SEM))通常被配置成(通常以相对低速和/或高分辨率)一次一个地检验管芯的片段。在一些情况下，审查工具可以具有缺陷分类功能。检验工具和审查工具可以是位于相同或不同位置的不同工具，或者以两种不同模式操作的单个工具。在一些情况下，至少一种检查工具可以具有计量能力，诸如例如用于测量图像中结构特征的临界尺寸的临界尺寸扫描电子显微镜(CD-SEM)。
所得的图像数据(低分辨率图像数据或高分辨率图像数据)可以直接地或经由一个或多个中间系统传输到系统101。在一些情况下，同一检查工具可以提供低分辨率图像数据和高分辨率图像数据。
根据某些实施例，检查工具中的一个是电子束工具，诸如例如扫描电子显微镜(SEM)。SEM是一种通过用对焦的电子束扫描表面来产生样本的图像的电子显微镜。电子与样本中的原子相互作用，从而产生包括样本表面信息的各种信号。射束的位置与所检测到的信号的强度相结合以产生图像。SEM能够准确地检测和测量半导体晶片制造期间的特征。
用于样本检查的图像采集通常优选在产生图像图案(即成像的样本图案)的最高对比度的最优对焦处执行。最优对焦点可以通过执行焦点校准来找到，在此期间检查工具扫描通过不同的焦平面(“焦点斜变”)，计算每个图像在不同焦平面上的对焦分数，并且找到具有最高分的焦平面。然而，一旦找到当前扫描的焦点，由于各种原因，在长时间跨度的检查和不同的图案上保持获取的图像对焦是一项重要且有用的任务，其中一些示例如下。
首先，随着检查工具继续在晶片上的不同位置导航并且获取图像，某些物理因素(诸如例如晶片放置台和检测器之间的相对距离、晶片方向等)可能在不同的扫描中有所差异，从而导致散焦问题。
其次，对于通过高分辨率SEM执行的图像采集，在扫描期间可能会发生额外的物理效应(诸如充电效应)，从而导致散焦率增加，并且使所获取的图像保持对焦的任务变得更具挑战性。
具体而言，半导体样本在被电子束扫描时会收集电荷，而由电子束引起的样本上的表面电荷的积累可能会影响所获取图像的焦点。这是因为当发生充电时，一些电子可能被埋在样本内部，从而产生与相邻位置的电位不同的表面电位。此电位可能影响入射射束的能量，从而改变焦点。当所获取的图像不在其最优对焦处时，图像会变得模糊，分辨率会下降，这对先进半导体工艺的缺陷检测产生负面影响。这种散焦效应可导致越来越无法准确检测和分类缺陷，以及测量半导体行业中关键的集成器件尺寸。这些不准确性可能在集成电路的制造中造成重大问题。
此外，对焦分数的计算很大程度上取决于图像图案。换言之，对一个图案计算的对焦分数不能用作用于捕获具有不同图案的图像的焦平面的指标。因此，必须针对每个不同的图案执行焦点斜变。
为解决这些问题采取了不同的措施。保持焦点的一种尝试是在检查工具中应用实时焦点跟踪模块(全时连续焦点跟踪)。然而，这样的模块的实现是复杂的，需要专用硬件和重大的系统修改才能将其集成到图像采集过程中。
替代方法是为每N个待获取的图像触发周期性焦点校准，其中N是一范围内的预定整数。这种方法可能是耗时的，因为多次校准将不可避免地显著增加扫描持续时间，从而影响检查的吞吐量(TpT)。另一个缺点在于选择正确的N值的不确定性，导致无法确保所获取的图像全部对焦。
根据本公开主题的某些实施例，提出了新颖的方法，用于基于机器学习模型，在运行时检查期间针对每个所获取的图像准确地确定是否触发焦点校准，所述机器学习模型被预训练以估计所获取的图像是否对焦。特别地，根据一些实施例，所提出的方法和系统可以应用于使用诸如SEM之类的电子束工具的缺陷检验和检测应用。
如图1所示，系统101包括可操作地连接至基于硬件的I/O接口126的处理器和存储器电路系统(PMC)102。PMC 102被配置成提供用于操作系统所需的处理，如参照如图2、图3和图4进一步详述的，并且包括处理器(未单独示出)和存储器(未单独示出)。PMC 102的处理器可以被配置成根据在PMC中包括的非暂态计算机可读存储介质上实现的计算机可读指令来执行若干功能模块。这样的功能模块在下文中被称为包括在PMC中。
本文所指的处理器可以表示一个或多个通用处理设备，例如微处理器、中央处理单元等。更具体地，处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实现其他指令集的处理器、或实现指令集组合的多个处理器。处理器还可以是一个或多个专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等。处理器被配置成执行用于执行本文所讨论的操作和步骤的指令。
本文所指的存储器可以包括主存储器(例如，只读存储器(ROM)、闪存、动态随机存取存储器(DRAM)(诸如同步DRAM(SDRAM)或总线式DRAM(RDRAM)等)和静态存储器(例如，闪存、静态随机存取存储器(SRAM)等)。
根据某些实施例，PMC 102中包括的功能模块可以包括焦点估计模块104和焦点校准模块106。焦点估计模块104可以包括机器学习模型105。PMC 102可以被配置成经由I/O接口126获得表示半导体样本的至少部分的第一图像。第一图像可以由用第一焦平面配置的检查工具120(例如，SEM工具)获取。焦点估计模块104可以被配置成使用机器学习(ML)模型105来估计第一图像是否对焦。ML模型105被预先训练用于将图像分类为对焦图像和散焦图像。
在(通过焦点估计模块104)估计第一图像散焦时，焦点校准模块106可以被配置成对检查工具执行焦点校准以便选择与最优对焦分数相关联的第二焦平面。
PMC 102可以被配置成经由I/O接口126获取由用第二焦平面配置的检查工具120获取第二图像，并且焦点估计模块104可以被配置成使用ML模型来估计第二图像是否是对焦的。在估计第二图像对焦时，第二图像可用于如上所述地对半导体样本进行检查。
系统101、PMC 102和其中的功能模块的操作将参照图2、图3和图4进一步详述。
根据某些实施例，系统101可以包括存储单元122。存储单元122可以被配置成存储操作系统101所需的任何数据(例如，与系统101的输入和输出相关的数据)、以及由系统101生成的中间处理结果。作为示例，存储单元122可以被配置成存储由检查工具120和/或其衍生物产生的图像。因此，可以从存储单元122中检取图像并将其提供给PMC 102以供进一步处理。在一些情况下，存储单元122可以被配置成存储用于训练机器学习模型的训练数据集。可选地，存储单元122还可以存储训练前的原始ML模型和/或经训练的ML模型。
在一些实施例中，系统101可以可选地包括基于计算机的图形用户界面(GUI)124，其被配置成启用与系统101相关的用户指定输入。例如，可以向用户呈现样本的视觉表示(例如，通过形成GUI 124的一部分的显示器)，包括所获取的样本图像。可以通过GUI向用户提供定义某些操作参数(诸如例如对焦灵敏度需求和/或对焦阈值)的选项。在一些情况下，用户还可以在GUI上查看操作结果(诸如图像被估计为是对焦的还是散焦的)、和/或进一步的检查结果(例如，检测结果和/或审查结果和/或对焦图像的测量值)。
如上所述，系统101被配置成经由I/O接口126接收样本的一个或多个图像。图像可以包括由检查工具120产生的图像数据(和/或其衍生物)和/或存储在存储单元122或一个或多个数据存储库中的图像数据。在一些情况下，图像数据可以指在制造工艺期间由检查工具捕获的图像、和/或从通过各种预处理阶段获得的捕获图像导出的预处理图像等。应当注意，在一些情况下，图像可以包括相关联的数字数据(例如，元数据、人工属性等)。还应当注意，图像数据可以包括与样本中感兴趣的层相关的数据和/或与样本的多个层相关的数据。
系统101还被配置成处理所接收的图像并且经由I/O接口126将结果或其部分(例如，图像被估计为是对焦的和/或进一步的检查结果)发送到存储单元122和/或检查工具120。
在一些实施例中，除了检查工具120之外，检查系统100可以包括一个或多个检查模块，诸如例如缺陷检验和检测模块、和/或自动缺陷审查模块(ADR)、和/或自动缺陷分类模块(ADC)、和/或计量相关模块、和/或可用于检查半导体样本的其他检查模块。一个或多个检查模块可以实现为独立计算机，或者一个或多个检查模块的功能(或至少其中一些)可以与检查工具120集成。在一些实施例中，从系统101获得的图像可以由检查工具120和/或一个或多个检查模块(或其部分)用于进一步检查样本。
本领域的技术人员将容易理解，本公开主题的教导不受图1所示的系统的约束；等效和/或修改的功能可以以另一种方式合并或分割，并且可以以软件与固件和/或硬件的任何适当组合来实现。
应当注意，图1所示的检查系统可以在分布式计算环境中实现，其中PMC 102中包括的前述功能模块可以分布在若干本地和/或远程设备上，并且可以通过通信网络链接。还应注意，在其他实施例中，(多个)检查工具120、存储单元122和/或GUI 124中的至少一些可以在检查系统100的外部并且经由I/O接口126与系统101进行数据通信。系统101可以实现为与检查工具结合使用的(多个)独立计算机。替代地，系统101的各个功能可以至少部分地与一个或多个检查工具120集成，从而促进和增强检查相关过程中检查工具120的功能。
虽然不一定如此，但系统101和100的操作过程可以对应于关于图2至图4所描述的方法的一些或所有阶段。类似地，关于图2至图4所描述的方法及其可能的实现方式可由系统101和100实现。因此，应当注意，与关于图2至图4所描述的方法有关的实施例也可以被实现、经过必要修改作为系统101和100的各种实施例，反之亦然。
现在参照图2，图2示出了根据本公开主题的某些实施例的对半导体样本进行运行时缺陷检查的一般流程图。
表示半导体样本的至少部分的第一图像可以(例如，经由I/O接口126通过PMC102)被获得(202)。第一图像可以由用第一焦平面配置的检查工具(例如，通过检查工具120)获取。作为示例，第一图像可以在半导体样本的运行时检查期间由电子束工具(诸如SEM工具)获取。应当注意，本文使用的术语“运行时”或“运行时检查”是指在FAB的制造工艺期间对半导体样本进行实际线上检查的生产阶段，与配方设置阶段或测试阶段或训练阶段相比，所述生产阶段是为运行时检查做准备的离线设置阶段。
还应当注意，在整个说明书中使用的术语“第一”并不一定意味着第一项，例如，由检查工具捕获的第一张图像，或配置的第一个焦平面；相反，“第一”是用于区分“第二”或“第三”(不同的)项。例如，第一图像是不同于第二或第三图像的图像，第一焦平面是不同于第二或第三焦平面的焦平面。
焦平面(也称为焦点的平面，或焦点平面)是指垂直于镜头轴并且通过焦点的平面。焦平面可以在特定的景深处提供最优(最清晰)的对焦。焦平面到镜头的距离等于镜头的焦距。
第一焦平面是指在捕获第一图像之前在检查工具的当前配置中设置的当前焦平面(例如，作为在样本的先前位置处获取先前图像中使用的焦平面，或者在第一图像实际上是检查开始时工具捕获的第一张图像的情况下，作为最初在工具中配置的焦平面)。
如上所述，在本领域中认识到，由于各种原因(诸如例如，对焦分数取决于图案、建立在工具上的充电效应、相对物理位置变化等)，由检查工具获取的图像在长时间跨度的检查和变化的图案上保持对焦是具有挑战性的。因此，继续框202的描述，即使第一焦平面确实是用于在样本上的先前位置处捕获先前图像的最优对焦，也不能保证使用相同焦平面在当前位置处捕获的第一图像仍然对焦。
本文使用的图像图案或设计图案可以对应于样本上具有带有轮廓的几何形状或几何结构的任何原始对象或一个或多个原始对象的任何组合，从而形成图案。图案的示例可以包括一般形状特征/对象，包括诸如例如触点、加衬等、和/或由一般形状特征的组合形成的任何复合形状。
本公开主题的某些实施例提出了在线焦点估计和校准方法，通过在运行时检查期间针对每个所获取的图像基于预先训练的机器学习模型准确地确定是否触发焦点校准以估计所获取的图像是否对焦。
所提出的方法确保仅在实际需要时才执行焦点校准，因此不会显著增加扫描持续时间，也不会影响检查的吞吐量(TpT)。所述方法易于实现，并且不需要专用硬件或重大系统修改以与当前图像采集过程集成。此外，所述方法可以确保图像全部在最优焦点平面上获取，从而保证所获取的图像的对焦质量。
具体地，使用机器学习(ML)模型(例如，包括在焦点估计模块104中的ML模块105)，(例如，由PMC 102中包括的焦点估计模块104)估计(204)第一图像是否是对焦的。ML模型之前被训练用于将图像分类为对焦图像(也称为聚焦图像)和散焦图像(也称为失焦图像)。
根据某些实施例，本文所指的ML模型106可以实现为各种类型的机器学习模型，诸如例如决策树、支持向量机(SVM)、回归模型、神经网络、或其集合或组合等。ML模型所使用的学习算法可以是以下各项中的任一项：监督学习、无监督学习或半监督学习等。本公开主题不限于特定类型的ML模型或由ML模型使用特定类型或学习算法。
在一些实施例中，ML模型106可以实现为深度神经网络(DNN)，其包括根据相应的DNN架构组织的层。作为非限制性示例，可以根据卷积神经网络(CNN)架构、循环神经网络架构、递归神经网络架构、生成对抗网络(GAN)架构或其他方式来组织DNN的层。现在描述可用于采用ML模型的DNN的示例性实现。
DNN的每一层都可以包括多个基本计算元件(CE)，通常在本领域中称为维度、神经元或节点。通常，给定层的CE可以与前一层和/或后一层的CE连接。前一层的CE和后一层的CE之间的每个连接都与权重值相关联。给定的CE可以经由相应的连接从前一层的CE接收输入，每个给定的连接与可以应用于所述给定连接的输入的权重值相关联。权重值可以确定连接的相对强度，从而确定各个输入对给定CE的输出的相对影响。给定的CE可以配置为计算激活值(例如，输入的权重和)，并且通过将激活函数应用于所计算的激活来进一步导出输出。激活函数可以是例如恒等函数、确定性函数(例如，线性、sigmoid、阈值等)、随机函数或其他合适的函数。来自给定CE的输出可以经由相应的连接传输到后续层的CE。同样，如上所述，CE的输出处的每个连接可以与权重值相关联，所述权重值可以在作为后续层的CE的输入被接收之前应用于CE的输出。除了权重值之外，还可以有与连接和CE相关联的阈值(包括限制函数)。
ML模型(例如，DNN)具有在训练阶段期间被优化的模型参数集合(诸如例如，DNN的权重和/或阈值)。用于调整DNN模型参数的DNN输入数据集合在下文中称为训练集、或训练数据集、或训练数据。ML模型的训练可以在训练阶段期间由训练引擎预先执行，如下面将参照图3详述的。
现在转向图3，图3示出了根据本公开主题的某些实施例的训练ML模型的一般流程图。
在一些实施例中，ML模型可以被实现为二元分类器，并且可以获取(302)包括对焦图像子集和散焦图像子集的训练数据集，所述对焦图像子集和散焦图像子集各自与对应的真值标签相关联，并且用于训练二元分类器。ML模型的训练可以由训练引擎执行，在一些情况下，训练引擎可以作为图1中的系统101的部分(例如，作为PMC 102中包括的训练模块)或系统100的部分(例如，作为训练单元被包括在系统100中并且可操作地连接至系统101)。替代地，在一些其他情况下，训练引擎可以在单独的计算机中实现为单独的训练系统，所述计算机可以(或可以不)有线或无线地与系统100的通信。
根据某些实施例，训练数据集可以通过以下方式获得：针对具有相应的设计图案的一个或多个半导体样本的每个样本，收集(304)在检查工具的不同焦点平面配置下扫描的样本的图像集合，并且提供(306)与图像集合相关联的真值标签。
图5示出了根据本公开主题的某些实施例的在不同焦点平面配置下扫描的图像集合的示例。如图所示，图像500被标记为对焦图像，而图像502、504和506被标记为具有各自散焦度的对应散焦图像。
如上所述，在图3的本示例性实施例中，ML模型可以实现为二元分类器。因此，感兴趣的是识别图像集合中的哪些图像被认为是散焦的，同时哪些图像被认为是对焦的，而不是确定集合中每个图像的绝对对焦程度。因此，需要确定可用于区分散焦图像和对焦图像的对焦阈值。作为示例，可以将对焦阈值应用于图像集合，以便提供与图像相关联的真值标签(例如，对焦或散焦)。
在一些实施例中，可以基于对焦灵敏度需求来确定对焦阈值。对焦灵敏度是指触发焦点校准过程的灵敏度，如下面关于框206所描述的。对焦灵敏度需求可以由客户和/或应用工程师针对特定检查应用(例如，特定样本的缺陷检测、或缺陷审查等)预先确定。作为示例，对于缺陷检测应用，对焦灵敏度需求可以确定为相对于对焦图像的10％的分辨率损失。
为了满足预定义的对焦灵敏度需求，需要相应地确定对焦阈值，以便能够正确识别散焦图像和对焦图像。然而，存在各种影响因素，诸如例如不同的图像图案和/或SEM工作点等，这可能导致与预定义的对焦灵敏度需求相对应的不同对焦阈值。
作为示例，如上所述，图像的对焦分数的计算很大程度上取决于图像图案。因此，针对不同图案计算的指示相同对焦程度的对焦分数可能会不同，这必然导致对焦阈值也不同。
作为另一示例，可以针对以下工作参数中的至少一个来定义SEM工作点：电子束能量、射束电流、提取电压等。不同的工作点可能会影响检查工具的对焦深度，这进而将影响对焦阈值。
因此，相同的对焦灵敏度需求(例如，10％的分辨率损失)可能会导致与不同的图像图案和/或不同的工作点相对应的不同的对焦阈值。因此，在考虑如上所述的影响因素(诸如例如，SEM工作点等)的同时，可以基于对焦灵敏度需求计算与具有特定设计图案的给定样本(针对所述样本，如上文参照框304所述地获得了图像集合)相关的对焦阈值。
一旦导出对焦阈值，就可以将对焦阈值应用于针对给定样本获得的图像集合，例如，通过将集合中图像的对焦分数与对焦阈值进行比较。作为示例，假设对焦分数被归一化并且分数1表示具有最优对焦的图像。对焦分数低于对焦阈值的图像可以用散焦(或失焦)的真值标签标记，而对焦分数高于(或等于)对焦阈值的图像可以用对焦(或聚焦)的真值标签标记。作为另一示例，如果对焦分数是以其他方式定义的，例如，较小的分数表示较好的对焦程度，则对焦分数高于(或等于)对焦阈值的图像可以用散焦(或失焦)的真值标签标记，而对焦分数低于对焦阈值的图像可以用对焦(或聚焦)的真值标签标记。本公开内容不限制将对焦阈值应用于图像的对焦分数的特定方式。
根据某些实施例，可以使用评估图像的清晰度或对焦程度的不同对焦测量来计算图像的对焦分数，并且本公开不限于特定的对焦分数计算。作为示例，基于图像的一阶导数的梯度或近似值测量的基于梯度的对焦测量，可以用于计算对焦分数。这样的对焦测量遵循这样的假设，即对焦图像比模糊图像呈现更清晰边缘的假设。因此，可以利用梯度的能量来估计对焦程度。类似地，也可以使用基于图像二阶导数的基于拉普拉斯算子(Laplacian-based)的对焦测量。作为另一示例，可以使用基于图像的文本描述符的基于统计的对焦测量。这种对焦测量遵循这样的假设，即散焦图像可以解释为平滑度随着散焦水平的增加而增加的纹理。
需要注意的是，上述的对焦措施仅用于示例性目的，不应被视为以任何方式限制本公开内容。除了上述内容之外或替代上述内容，可以使用其他合适的对焦测量，诸如例如基于小波的对焦测量或基于图像对比度的对焦测量。
参照框302获得的训练数据集可用于训练(308)ML模型。作为示例，可以在训练之前选择ML模型(例如，DNN)的模型参数的初始值，并且可以在训练期间进一步迭代地调整或修改以在经训练的DNN中实现最优的权重值和/或阈值的集合。在每次迭代之后，可以确定DNN产生的实际输出和与相应训练数据集相关联的目标输出之间的差异。所述差异可以称为误差值。当指示误差值的损耗函数小于预定值时，或者当在迭代之间实现有限的性能变化时，可以确定训练完成。
在一些情况下，如关于框304和306描述的上述训练数据收集过程可以作为训练阶段中的离线过程来执行。为了满足相对高的对焦灵敏度，ML模型应该在包括在不同的焦平面上尽可能多的图像图案和结构的训练数据集上进行训练。离线收集如此广泛的训练数据可能非常耗时。此外，通过SEM工具在样本的同一位置抓取具有不同焦点配置的多张图像可能会对样本造成某些物理影响(诸如例如，烧痕)，从而影响所捕获图像的内容。
为了解决上述训练数据收集问题，可以首先创建通用训练数据集，在每次新样本(即待检查的制造样本)在新样本的在线运行时检查期间被扫描时都可以丰富通用训练数据集。具体而言，可以将这种扫描结合到在实际检查之前发生的在线焦点校准过程中(如下面将关于图2的框206描述的)。样本将以不同的焦点配置被扫描，并且扫描的图像可以被手动标记并且添加到训练数据集中。这样，可以在离线和在线过程两者中丰富训练数据集，并且可以基于不断丰富的训练数据集保持持续更新ML模型(例如，通过使用丰富的训练数据集不断重新训练ML模型)。
根据某些实施例，作为上述在线数据收集过程的补充或替代，可以使用数据扩充来解决训练数据集尺寸和多样性不足的问题。作为示例，数据增强可用于(例如，通过学习散焦属性及其对图像质量的影响)人工地生成散焦图像。在一个实施例中，散焦图像子集中的一个或多个散焦图像是使用生成对抗网络(GAN)基于对焦图像子集中的对应对焦图像中指示的图像图案而人工生成的。
GAN是指由在零和博弈框架中相互竞争的两个神经网络构成的神经网络系统。生成器网络G被训练为通过将输入数据转换为感兴趣的特定数据分布来生成样本/实例，而判别器网络D被训练为区分来自真实数据分布的实例和由生成器生成的实例。生成器网络的训练目标是增加判别器网络的错误率(即，通过产生看似来自真实数据分布的新合成实例来“欺骗”判别器网络)，而判别器网络的训练目标是准确地区分由生成器生成的实例和真实数据。
根据某些实施例，在本公开内容中使用的生成器网络G可以被训练以基于对应的对焦图像中指示的图像图案来生成一个或多个人工散焦图像。作为示例，生成器网络G的输入可以是(例如，如从样本的CAD设计数据中获得的)对应对焦图像的设计图案。作为另一示例，生成器网络G的输入可以是对焦图像本身。可选地，在一些情况下，除了图像图案指示之外，还可以向生成器提供随机数据矢量，并且所述随机数据矢量可以由生成器用于重建和创建特定的散焦表示，以结合/嵌入到对焦图像的重建图像中。
判别器网络的输入包括由生成器生成的人工散焦图像和真实散焦图像。判别器学习以区分生成器生成的人工散焦图像和真实散焦图像。生成器和判别器可以一起训练，从而提高彼此的性能。在判别器的帮助下，可以训练生成器以任何期望的分辨率生成更逼真和真实的散焦图像(具有不同的对焦程度)。
附加地或替代地，在一些情况下，数据增强也可用于通过为具有不同图案类型的样本人工创建图像来丰富训练数据集。这可以通过使用例如GAN以类似的方式执行。
继续图2的描述，已经描述了ML模型的训练过程，所述ML模型用于估计(204)第一图像是否是对焦的，现在对于框206描述基于估计的结果的焦点校准过程。
具体地，在估计第一图像散焦时，可以(例如，由PMC 102中包括的焦点校准模块106)对检查工具执行(206)焦点校准以便选择与最优对焦分数相关联的第二焦点平面。换言之，焦点校准过程仅在估计第一图像散焦时触发。
现在参照图4，图4示出了根据本公开主题的某些实施例的焦点校准的一般流程图。
具体地，检查工具的焦点平面可以沿焦轴被调整(402)到多个焦点。作为示例，可以通过机械地移动半导体样本的放置台(例如，移动到相对于工具的检测器的不同高度)来调整焦点平面。作为另一示例，焦点平面可以通过电气地改变检查工具的电子束的着陆能量来调整(例如，改变到可以导致图像中不同对焦程度的不同强度)。
可以获取(404)对应于多个焦点的多个图像。可以为多个图像中的每个图像计算(406)对焦分数，从而产生对应于多个图像的多个对焦分数。如上所述，可以使用不同的对焦测量来计算对焦分数，并且本公开内容不限于采用特定的对焦测量。可以从多个图像中选择(408)具有多个对焦分数中的最优对焦分数的图像，并且检查工具可以用与所选图像相关联的第二焦点平面(即在获取所选图像处的焦点平面)来配置(410)。
可以(例如，由PMC 102经由I/O接口126)由用第二焦点平面配置的检查工具来获取(208)第二图像并且可以(例如，通过被包括在PMC 102中的焦点估计模块104)使用ML模型估计(210)第二图像是否是对焦的。在第二图像被估计为对焦时，第二图像可用于(212)对样本进行缺陷检查(诸如缺陷检测和/或缺陷分类)。
另一方面，如果估计第二图像散焦，则所述过程返回到框206，并且可以(根据参照图4描述的过程)再次对检查工具执行焦点校准以便选择与最优对焦分数相关联的第三焦点平面。第三图像可以由用第三焦点平面配置的检查工具获取，并且可以估计第三图像是否是对焦的。在一些情况下，可以重复206至210的过程，直到由检查工具获取的图像被ML模型估计为对焦为止。
根据某些实施例，如上文参照图2、图3和图4所描述的焦点校准过程可以被包括作为可由系统101和/或检查工具120用于在运行时对样本进行检查(诸如例如缺陷检测和/或缺陷分类等)的检查配方的一部分。在这种情况下，本公开主题还包括用于在配方设置阶段期间生成检查配方的系统和方法，其中所述配方包括如参照图2、图3和图4(及其各种实施例)所描述的步骤。应当注意，术语“检查配方”应该被广泛解释为涵盖可以由检查工具用于执行与如上所述的任何种类的检查相关的操作的任何配方。
应当注意，本公开内容中阐述的示例(诸如例如ML模型类型、对焦测量、数据增强技术等)是出于示例性目的而阐述的，并且不应被视为以任何方式限制本公开内容。除了以上内容或替代以上内容，可以使用其他示例。
如本文所述的本公开主题的某些实施例的优点之一是提供在线焦点估计和校准过程，所述过程能够在运行时检查期间针对每个所获取的图像，基于机器学习模型来准确地确定是否触发焦点校准，所述机器学习模型被预先训练以估计所获取的图像是否对焦。由于仅在实际需要时才触发焦点校准，因此这种过程虽然在在线检查过程期间执行，但不会显著增加扫描持续时间或影响检查的吞吐量(TpT)。
此外，在线焦点估计和校准过程易于实现，并且不需要专用硬件或重大系统修改以与当前图像采集过程集成。
如本文所述的焦点估计和校准过程的某些实施例的优点之一是确保输出图像都在最优焦点平面处获取，从而保证所获取图像的对焦质量。所得的图像在散焦方面具有减少的图像伪影，当所述图像用于半导体样本的检查(诸如例如缺陷检查)时，可以提供更好的结果、具有更高的准确性。
应当理解，本公开内容在其应用中不限于本文包含的说明书中阐述的或附图中所示的细节。
还应理解，根据本公开内容的系统可以至少部分地在适当编程的计算机上实现。同样地，本公开内容设想了可由计算机读取以用于执行本公开内容的方法的计算机程序。本公开内容进一步设想了非暂态性计算机可读存储器，其有形地体现可由计算机执行以用于执行本公开内容的方法的指令程序。
本公开内容能够具有其他实施例并且能够以各种方式实践和实现。因此，应当理解，本文所采用的措辞和术语是出于描述的目的而不应被视为限制性的。因此，本领域技术人员将理解，本公开内容所基于的概念可以容易地用作设计其他结构、方法和系统以用于实现本公开主题的多个目的的基础。
本领域技术人员将容易理解，在不脱离在所附权利要求书中限定并由所附权利要求书限定的范围的情况下，可以将各种修改和改变应用于如上文所述的本公开内容的实施例。

Claims (20)

1.一种对半导体样本进行运行时缺陷检查的计算机化系统，所述系统包括处理和存储器电路系统(PMC)，所述处理和存储器电路系统(PMC)配置成用于：
获得表示所述半导体样本的至少部分的第一图像，所述第一图像由用第一焦点平面配置的检查工具获取；
使用机器学习(ML)模型估计所述第一图像是否是对焦的，其中所述ML模型被预先训练用于将图像分类为对焦图像和散焦图像；
在估计所述第一图像散焦时，对所述检查工具执行焦点校准以便选择与最优对焦分数相关联的第二焦点平面；并且
获得由用所述第二焦点平面配置的所述检查工具获取的第二图像，并且使用所述ML模型估计所述第二图像是否是对焦的，其中在所述第二图像被估计为对焦时，所述第二图像可用于对所述样本进行缺陷检查。
2.根据权利要求1所述的计算机化系统，其中所述检查工具是电子束工具。
3.根据权利要求1所述的计算机化系统，其中所述ML模型是二元分类器，所述二元分类器先前使用训练数据集进行训练，所述训练数据集包括对焦图像子集和散焦图像子集，所述对焦图像子集和所述散焦图像子集各自与对应的真值标签相关联。
4.根据权利要求3所述的计算机化系统，其中所述训练数据集是通过以下方式获得的：针对具有相应的设计图案的一个或多个样本中的每个样本收集在所述检查工具的不同焦点平面配置下扫描的所述样本的图像集合，并且提供分别与所述图像集合相关联的真值标签。
5.根据权利要求4所述的计算机化系统，其中所述真值标签是通过将对焦阈值应用于所述图像集合来提供的，其中所述对焦阈值是基于针对特定检查应用的对焦灵敏度需求来确定的。
6.根据权利要求3所述的计算机化系统，其中所述散焦图像子集中的一个或多个散焦图像是使用生成对抗网络(GAN)基于所述对焦图像子集中的对应对焦图像中指示的图像图案而人工生成的。
7.根据权利要求1所述的计算机化系统，其中所述焦点校准通过以下方式执行：
沿焦轴将所述检查工具的焦点平面调整到多个焦点；
获取对应于所述多个焦点的多个图像；
为所述多个图像中的每个图像计算对焦分数，从而产生多个对焦分数；
从所述多个图像中选择具有所述多个对焦分数中的最优对焦分数的图像；并且
用与所选图像相关联的第二焦点平面配置所述检查工具。
8.根据权利要求7所述的计算机化系统，其中所述焦点平面是通过机械地移动所述半导体样本的放置台或者电气地改变所述检查工具的电子束的着陆能量来调整的。
9.根据权利要求1所述的计算机化系统，其中在估计所述第二图像散焦时，所述PMC进一步配置成对所述检查工具执行焦点校准以选择与最优对焦分数相关联的第三焦点平面，获得由用所述第三焦点平面配置的所述检查工具获取的第三图像，并且估计所述第三图像是否是对焦的。
10.根据权利要求1所述的计算机化系统，其中在估计所述第一图像对焦时，所述PMC进一步配置成确定使用所述第一图像对所述样本进行缺陷检查。
11.一种对半导体样本进行运行时缺陷检查的计算机化方法，所述方法由处理和存储器电路系统(PMC)执行，并且包括：
获得表示所述半导体样本的至少部分的第一图像，所述第一图像由用第一焦点平面配置的检查工具获取；
使用机器学习(ML)模型估计所述第一图像是否是对焦的，其中所述ML模型被预先训练用于将图像分类为对焦图像和散焦图像；
在估计所述第一图像散焦时，对所述检查工具执行焦点校准以便选择与最优对焦分数相关联的第二焦点平面；并且
获得由用所述第二焦点平面配置的所述检查工具获取的第二图像，并且使用所述ML模型估计所述第二图像是否是对焦的，其中在所述第二图像被估计为对焦时，所述第二图像可用于对所述样本进行缺陷检查。
12.根据权利要求11所述的计算机化方法，其中所述检查工具是电子束工具。
13.根据权利要求11所述的计算机化方法，其中所述ML模型是二元分类器，所述二元分类器先前使用训练数据集进行训练，所述训练数据集包括对焦图像子集和散焦图像子集，所述对焦图像子集和所述散焦图像子集各自与对应的真值标签相关联。
14.根据权利要求13所述的计算机化方法，其中所述训练数据集是通过以下方式获得的：针对具有相应的设计图案的一个或多个样本中的每个样本收集在所述检查工具的不同焦点平面配置下扫描的所述样本的图像集合，并且提供分别与所述图像集合相关联的真值标签。
15.根据权利要求14所述的计算机化方法，其中所述真值标签是通过将对焦阈值应用于所述图像集合来提供的，其中所述对焦阈值是基于针对特定检查应用的对焦灵敏度需求来确定的。
16.根据权利要求13所述的计算机化方法，其中所述散焦图像子集中的一个或多个散焦图像是使用生成对抗网络(GAN)基于所述对焦图像子集中的对应对焦图像中指示的图像图案而人工生成的。
17.根据权利要求11所述的计算机化方法，其中所述焦点校准通过以下方式执行：
沿焦轴将所述检查工具的焦点平面调整到多个焦点；
获取对应于所述多个焦点的多个图像；
为所述多个图像中的每个图像计算对焦分数，从而产生多个对焦分数；
从所述多个图像中选择具有所述多个对焦分数中的最优对焦分数的图像；并且
用与所选图像相关联的第二焦点平面配置所述检查工具。
18.根据权利要求17所述的计算机化方法，其中所述焦点平面是通过机械地移动所述半导体样本的放置台或者电气地改变所述检查工具的电子束的着陆能量来调整的。
19.根据权利要求11所述的计算机化方法，进一步包括：在估计所述第二图像散焦时，对所述检查工具执行焦点校准以选择与最优对焦分数相关联的第三焦点平面，获得由用所述第三焦点平面配置的所述检查工具获取的第三图像，并且估计所述第三图像是否是对焦的。
20.一种有形地体现指令程序的非暂态计算机可读存储介质，当所述指令程序由计算机执行时，使所述计算机执行对半导体样本进行运行时缺陷检查的方法，所述方法包括：
获得表示所述半导体样本的至少部分的第一图像，所述第一图像由用第一焦点平面配置的检查工具获取；
使用机器学习(ML)模型估计所述第一图像是否是对焦的，其中所述ML模型被预先训练用于将图像分类为对焦图像和散焦图像；
在估计所述第一图像散焦时，对所述检查工具执行焦点校准以便选择与最优对焦分数相关联的第二焦点平面；并且
获得由用所述第二焦点平面配置的所述检查工具获取的第二图像，并且使用所述ML模型估计所述第二图像是否是对焦的，其中在所述第二图像被估计为对焦时，所述第二图像可用于对所述样本进行缺陷检查。
CN202211046770.0A 2021-10-07 2022-08-30 半导体样本的缺陷检查 Pending CN115953641A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/496,616 US11961221B2 (en) 2021-10-07 2021-10-07 Defect examination on a semiconductor specimen
US17/496,616 2021-10-07

Publications (1)

Publication Number Publication Date
CN115953641A true CN115953641A (zh) 2023-04-11

Family

ID=85796917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211046770.0A Pending CN115953641A (zh) 2021-10-07 2022-08-30 半导体样本的缺陷检查

Country Status (3)

Country Link
US (1) US11961221B2 (zh)
CN (1) CN115953641A (zh)
TW (1) TW202319735A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563735A (zh) * 2023-05-15 2023-08-08 国网电力空间技术有限公司 一种基于深度人工智能的输电杆塔巡检图像对焦判断方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014052811A1 (en) * 2012-09-28 2014-04-03 Rudolph Technologies, Inc. Inspection of substrates using calibration and imaging
US9523645B2 (en) * 2014-10-20 2016-12-20 Exnodes Inc. Lenticular wafer inspection
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10395356B2 (en) * 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
US11047806B2 (en) * 2016-11-30 2021-06-29 Kla-Tencor Corporation Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10733744B2 (en) * 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
WO2020229049A1 (en) * 2019-05-13 2020-11-19 Asml Netherlands B.V. Detection apparatus for simultaneous acquisition of multiple diverse images of an object
US11983865B2 (en) * 2021-05-05 2024-05-14 KLA Corp. Deep generative model-based alignment for semiconductor applications

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563735A (zh) * 2023-05-15 2023-08-08 国网电力空间技术有限公司 一种基于深度人工智能的输电杆塔巡检图像对焦判断方法

Also Published As

Publication number Publication date
US11961221B2 (en) 2024-04-16
US20230114624A1 (en) 2023-04-13
TW202319735A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
KR20200014927A (ko) 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템
KR20190100881A (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
CN117392072B (zh) 检查方案的自动优化
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
CN113870170B (zh) 生成可用于检查半导体样本的训练集
CN115953641A (zh) 半导体样本的缺陷检查
CN117670789A (zh) 对半导体样本的缺陷检查
CN114120318B (zh) 一种基于集成决策树的暗场图像目标点精确提取方法
US20240105522A1 (en) End-to-end measurement for semiconductor specimens
CN116823711A (zh) 基于机器学习的半导体样品的检查及其训练
US20240153043A1 (en) Image denoising for examination of a semiconductor specimen
CN117094938A (zh) 半导体样品的缺陷检测
JP2022013667A (ja) 半導体試料の画像のセグメンテーション
CN117726576A (zh) 用于基于机器学习的缺陷检查的图像增强
KR20230147643A (ko) 칩 디자인 데이터를 사용하여 광학 검사 및 계측 이미지 품질을 개선하기 위한 방법들

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication