CN116018615A - 使用图像散列的无监督模式等同检测 - Google Patents
使用图像散列的无监督模式等同检测 Download PDFInfo
- Publication number
- CN116018615A CN116018615A CN202180054434.8A CN202180054434A CN116018615A CN 116018615 A CN116018615 A CN 116018615A CN 202180054434 A CN202180054434 A CN 202180054434A CN 116018615 A CN116018615 A CN 116018615A
- Authority
- CN
- China
- Prior art keywords
- images
- hash
- pattern
- semiconductor wafer
- processor
- 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
- 238000001514 detection method Methods 0.000 title description 33
- 239000004065 semiconductor Substances 0.000 claims abstract description 57
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 58
- 238000007689 inspection Methods 0.000 claims description 27
- 238000013461 design Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000010894 electron beam technology Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 description 45
- 235000012431 wafers Nutrition 0.000 description 36
- 238000004519 manufacturing process Methods 0.000 description 19
- 238000005286 illumination Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000013500 data storage Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000009193 crawling Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010884 ion-beam technique Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000012545 processing 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
- 206010034719 Personality change Diseases 0.000 description 1
- 238000003070 Statistical process control Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
Abstract
可散列半导体晶片的图像以确定所述图像中的每一者的固定长度散列串。可从所述散列串确定模式等同。可将所述模式等同分组。群组中的图像之间的类似性程度可经由汉明距离调整。此可用于各种应用,包含潜伏缺陷的确定。
Description
相关申请案的交叉参考
本申请案主张2020年9月8日申请的印度专利申请案202041038794及2020年10月27日申请的第63/105,916号美国申请案的优先权,所述案的公开内容特此以引用的方式并入。
技术领域
本公开涉及用于半导体晶片的缺陷检测。
背景技术
半导体制造行业的演进正对良率管理且特定来说对计量及检验系统提出更高要求。关键尺寸继续缩小,但所述行业需减少实现高良率、高价值生产的时间。最小化从检测到良率问题到解决所述问题的总时间最大化半导体制造商的投资回报率。
制造半导体装置(例如逻辑及存储器装置)通常包含使用大量制造过程处理半导体晶片以形成所述半导体装置的不同特征及多个层级。例如,光刻是半导体制造过程,其涉及将图案从分划板转印到布置在半导体晶片上的光致抗蚀剂。半导体制造过程的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。制造于单个半导体晶片上的多个半导体装置的布置可被分成个别半导体装置。
在半导体制造期间的各个步骤使用检验过程以检测晶片上的缺陷以促进制造过程中的更高良率及因此更高利润。检验始终是制造半导体装置(例如集成电路(IC))的重要部分。然而,随着半导体装置的尺寸减小,检验对于可接受半导体装置的成功制造变得甚至更为重要,这是因为较小缺陷可引起装置故障。例如,随着半导体装置的尺寸减小,具有减小的大小的缺陷的检测已变得必要,这是因为甚至相对小缺陷可引起半导体装置中的非所要像差。
模式等同是足够类似以归因于类似根本原因而故障的不精确设计模式群组。模式等同可被分组在一起以检测且控制关键模式,例如在生产期间线内的潜伏缺陷及部分故障。影响可靠性的这些缺陷通常在统计上不显著。
检测模式等同是乏味、手动且耗时的过程。结果可是基于用户的体验。基于光学接近校正(OPC)规则的搜索是用于检测模式等同的另一方法。给定一个模式,可执行不精确搜索以检测其它类似模式。不幸地,此基于OPC规则的过程是缓慢、监督式的且无法针对全部模式实际实施。基于设计的分组(DBG)算法更快且是无监督的,但是精确搜索算法且不始终用于此目的。在第8,139,843号美国专利中公开DBG的方面,所述专利以引用方式并入本文中。此外,DBG可依晶片级起作用,因此无法容易地分析跨晶片的趋势。
使用这些先前技术,不精确搜索算法具有影响生产调度的缓慢转回时间。精确搜索解决方案更快,但将数据集划分成通常在生产中无法实际监测的不可管理数目个群组。精确搜索解决方案还将具有类似根本原因的设计分离成多个群组,此阻碍根本原因分析。
因此,需要新系统及技术。
发明内容
在第一实施例中提供一种系统。所述系统包含半导体晶片检验系统及与所述半导体晶片检验系统电子通信的处理器。所述半导体晶片检验系统可包含光源或电子束源。所述处理器经配置以:接收来自所述半导体晶片检验系统的多个图像;散列所述图像,借此确定所述图像中的每一者的固定长度散列串,借此确定多个所述散列串;及从所述散列串确定模式等同。所述图像是半导体检验图像。
所述处理器可进一步经配置以将具有模式等同的所述散列串分组。所述分组可是基于类似性程度。所述类似性程度可经由汉明距离调整。在例子中,所述模式等同中的一者是潜伏缺陷。
所述图像中的每一者可涉及半导体晶片的整个表面、半导体晶片的整层或半导体晶片的装置。
在第二实施例中提供一种方法。所述方法包含在处理器处接收多个图像。所述图像是半导体检验图像。使用所述处理器散列所述图像,借此确定所述图像中的每一者的固定长度散列串,借此确定多个所述散列串。使用所述处理器从所述散列串确定模式等同。
可使用所述处理器将具有模式等同的所述散列串分组。所述分组可为基于类似性程度。所述类似性程度可经由汉明距离调整。在例子中,所述模式等同中的一者是潜伏缺陷。
所述图像中的每一者可涉及半导体晶片的整个表面、半导体晶片的整层或半导体晶片的装置。
在例子中,事先使用基于设计的分组对所述多个图像中的至少一者进行分组。
在第三实施例中提供一种非暂时性计算机可读存储媒体。所述非暂时性计算机可读存储媒体包含用于在一或多个计算装置上执行以下步骤的一或多个程序。散列多个图像,借此确定所述图像中的每一者的固定长度散列串,借此确定多个所述散列串。所述图像是半导体检验图像。从所述散列串确定模式等同。
所述步骤可进一步包含将具有模式等同的所述散列串分组。所述分组可是基于类似性程度。可通过改变汉明距离而调整所述类似性程度。
附图说明
为了更全面理解本公开的性质及目标,应参考结合随附图式进行的以下详细描述,其中:
图1是根据本公开的方法的示范性流程图;
图2是图像散列的示范性流程图;
图3是示范性分组接口;
图4展示比较图像散列与DBG看见分级计数的平均42%减少的实例;
图5是使用图像散列超级分组的11个DBG群组的实例,其中每一片段表示DBG籽晶窗且对应DBG ID在第一线中表示;及
图6是根据本公开的系统。
具体实施方式
尽管将依据特定实施例描述所主张的标的物,但其它实施例(包含未提供本文中陈述的所有益处及特征的实施例)也在本公开的范围内。可在不偏离本公开的范围的情况下进行各种结构、逻辑、过程步骤、及电子变化。因此,本公开的范围仅参考随附权利要求书而界定。
本文中公开的实施例使用基于图像散列的分组来执行快速、无监督模式等同检测。这些技术可由半导体制造商在制造过程的不同步骤使用。实施例可将多个模式分组在一起且可作用于排除若干不精确匹配的最小共同多边形算法。
随着技术节点缩小,系统缺陷可引起更大百分比的良率损失。低故障率(及因此,检测率模式)的根本原因分析可尤其困难,这是因为这些难以在统计过程控制图表中检测或形成趋势。识别模式等同且将其分组改进检测且控制这些缺陷的统计概率。
图1是方法100的示范性流程图。方法100中的一些或全部步骤可使用处理器。方法100可用作对于无监督DBG算法的改进。DBG算法是精确搜索算法。此意味着即使在设计中存在埃级差异,模式仍可被分离成多个群组。在生产案例中,此处置起来可能很麻烦且随着时间分析趋势以确定模式群组的关键程度可为不实际的。本文中公开的实施例可与DBG一起使用。例如,在DBG运行精确搜索且将模式分组成一或多个群组之后,每一DBG群组提取一个模式且接着使用散列方法以将“类似但不精确”模式分组在一起。此有助于以有意义的方式减少总体模式群组计数以便实现生产中的分析。
在101接收图像。所述图像是半导体检验图像。这些图像可为(例如)半导体晶片的整个表面、半导体晶片的表面的部分、半导体晶片的整层、半导体晶片的层的部分、半导体晶片的整个装置、半导体晶片的装置的部分或其它检验图像。每一图像可为不同晶片的图像。每一图像也可为相同或不同晶片上的不同装置或裸片的图像。因此,方法100可用于跨晶片、层及装置的生产而非仅按每晶片级运行。
在例子中,在101接收的图像事先使用DBG分组。选择用于DBG群组的一个模式或图像。所选择的模式或图像可用作寻找DBG群组中或跨多个DBG群组的其它模式等同的基础。此可实现对于在DGB分组期间以其它方式遗漏或隐藏的缺陷的搜索。
在102散列图像。散列确定所述图像中的每一者的固定长度散列串。在例子中,算法的输出是64位串。可保存所述串以供进一步分析。
散列是可用于将任意大小的数据映射到固定大小的数据的函数。感知散列是如果多媒体的特征类似那么可类似的一种类型的位置敏感散列。感知散列使用此函数以产生图像的固定长度散列串。这些位串针对感知上类似的图像类似。两个散列之间的汉明距离(即,不同位的数目)指示两个图像的类似程度。
在实例中,一个精确匹配设计摘录按每DBG群组选择且作为输入发送到图像散列算法。一个籽晶窗(即,跨一个DBG群组内的全部设计片段的精确匹配)按每DBG群组选择且作为输入发送到图像散列算法。在图2中展示图像散列流程。
可使用散列算法,例如Averagehash、Differencehash、pHash或其它算法。在实例中,Averagehash被视为在分组纯度方面给予最佳结果。Averagehash将输入图像转换为灰度且接着将其按比例缩小。接着,确定图像的全部灰度值的平均值且接着从左到右个别地检查像素。如果灰度值大于平均值,那么将1添加到散列。否则,将0添加到散列。Differencehash最初从输入图像产生灰度图像。从每一行,从左到右连续检查前8个像素且比较其与其右侧的相邻像素,此类似于Averagehash,产生散列串。PHash或感知散列确定灰度值图像且将其按比例缩小。首先按每行且随后按每列将离散余弦转换应用到图像。具有高频率的像素定位于左上边角中。确定此图像中的灰度值的中值且此类似于Averagehash,产生散列串。
在例子中,使用64位散列长度。64位散列长度可提供经改进性能及准确度。其它散列长度是可行的。例如,散列长度可为从64个位到256个位。针对较大图像大小,散列串长度可增加以保留其细节。
输入图像的分辨率可影响散列。图像的像素影响散列,因此图像的分辨率或大小的改变可影响所得散列串。在例子中,针对每一图像使用最佳分辨率。在另一例子中,在方法100中针对每一图像使用相同分辨率。
返回参考图1,在103从散列串确定模式等同。在散列图像之后,将其分组以推断模式等同。可确定各种模式等同,例如潜伏缺陷。
可将具有模式等同的散列串分组。分组可是基于类似性程度。可通过改变汉明距离而调整类似性程度。因此,汉明距离可用作用于控制所得群组的纯度的公差参数。
在例子中,可使用基于迭代公差的分组。UTL_MATCH.EDIT_DISTANCE函数可计算用于运行“看起来像”查询的汉明距离。此可通过计数将第一串转换为第二串所需的字符改变(插入、更新、删除)的数目而测试测量两个串之间的类似性。所需改变的数目被视为距离。
在另一例子中使用基于丛集的分组。丛集算法(如同使用阶层的平衡迭代减少及丛集(BIRCH))可实现类似模式的分组。BIRCH是用于对数据集执行阶层式丛集的无监督数据探勘算法。BIRCH算法采取表示为实值向量的一组N个数据点及所要数目个丛集K作为输入。模式图像的散列码之间的汉明距离是用于丛集的欧几里德(Euclidean)距离。此方法可避免爬取(crawling)问题同时维持性能。
例如,可提供模式的设计片段。半导体制造商可尝试从设计片段打印模式。方法100可用于寻找由于线太紧靠在一起而可能将无法适当地打印的模式。
在实例中,相较于产生精确多边形搜索的先前方法,方法100允许设计分级的数目的平均42%的有意义减少。此减少用于检验的分析时间。
方法100可与模式库管理器一起使用。模式库管理器中的选项可使用方法100。可手动地选择源及目标模式,且基于用户定义的“公差”,可运行分组。此可提供根本原因分析。分组接口(例如,图3中的“模式群组查看器”窗)使用户能够分析且接受从方法100产生的分组结果。
方法100的实施例可用于将模式等同分组在一起以检测且控制关键模式,例如在生产期间线内的潜伏缺陷及部分故障。影响可靠性的潜伏缺陷统计上不显著。归因于低发生数目但高检出率,潜伏缺陷可需要分组以作出有意义推断。方法100可用于跨装置、层及晶片校对基于设计的数据且在一周期内运行根本原因分析。
方法100的结果可用作数据库中的独立属性且可用于研究缺陷计数/模式群组(例如,使用图表及图像图库)。散列可保存在数据库中且因此,可与来自未来数据集的模式比较。不同于在运行间改变的方法,此散列是永久的且将是相同的而无关于运行、装置或层。此实现在一时间段内且在生产环境中跨装置的基于模式的良率分析。
在实施例中,针对模式图像产生的图像散列码可永久保存到数据库中以进行模糊模式匹配。模糊匹配(还称为近似串匹配)可识别近似类似但不精确相同的散列串的两个元素。
可忽略籽晶窗中的小伪影,此可为检验/关照区域产生及控制图表提供更有意义的分组。这些小伪影不趋于影响所得散列串或仅在小程度上影响所得散列串。仍可取决于所使用参数将散列串分组。
在尺寸方面,可基于较大检测到的热点检测较小热点。归因于缺陷与光源互动的方式,光学系统通常更易于检测较大缺陷(例如,大桥接)。在捕获较大系统缺陷之后,可使用DBG确定基础模式。然而,使用本文中公开的方法,此分析可扩展到确定其它更小尺寸但看上去类似的模式且产生目标关照区域。这些目标关照区域可经正向馈送到未来检验以在目标关照区域处运行更灵敏检验且检测更小缺陷(例如,更小桥接)。
群组可经分析以正向馈送到基于定制规则的搜索能力。因此,正向馈送过程控制可由半导体制造商执行。如果散列串群组的结果识别缺陷,那么可在其它缺陷检视方法中使用此缺陷。
虽然使用晶片的图像公开,但本文中公开的实施例还可与晶片签名一起使用。
以下实例是为了说明性目的提供且不希望具限制性。
图4展示两个数据集内的分级的减少。相较于比较DBG与本文中描述的方法,使用28nm设计数据集及7nm设计数据集。发现汉明距离(或公差)是调谐群组的纯度的有用参数。
图5展示经实现分组的实例。全部设计片段具有常见基础模式(通过中心的水平线)以及成直角的垂直线。此组合将潜在地导致相同故障机制,例如单线开启。由于DBG是精确搜索算法,因此归因于籽晶窗的边角处的尺寸、额外跳动及不相关结构的小差异而分开地将片段分组。此导致潜在相同的热点类型被分成不同分级。此可使从全部这些分级取样用于检视或跨其产生过程控制图表几乎不可能。使用方法100的图像散列有助于克服这些缺点。
对500万行的表的“看起来像”查询花费少于一秒。在下文的表中展示初步性能结果。
因此,相较于先前技术,使用不精确图像的无监督分组的图像散列可改进结果。
在图6中展示系统200的一个实施例。系统200包含基于光学的子系统201。一般来说,所述基于光学的子系统201经配置用于通过将光引导到(或使光扫描遍及)样品202及检测来自样品202的光来针对样品202产生基于光学的输出。在一个实施例中,样品202包含晶片。所述晶片可包含所属领域中已知的任何晶片。在另一实施例中,样品202包含分划板。所述分划板可包含所属领域中已知的任何分划板。
在图6中所展示的系统200的实施例中,基于光学的子系统201包含经配置将光引导到样品202的照明子系统。所述照明子系统包含至少一个光源。例如,如图6中所展示,所述照明子系统包含光源203。在一个实施例中,所述照明子系统经配置以按一或多个入射角(其可包含一或多个倾斜角及/或一或多个法线角)将光引导到样品202。例如,如图6中所展示,以倾斜入射角引导来自光源203的光穿过光学元件204且接着穿过透镜205而到样品202。所述倾斜入射角可包含任何合适的倾斜入射角,其可取决于例如样品202的特性而改变。
基于光学的子系统201可经配置以在不同时间按不同入射角将光引导到样品202。例如,基于光学的子系统201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,使得光可按与图6中所展示的入射角不同的入射角被引导到样品202。在一个此实例中,所述基于光学的子系统201可经配置以移动光源203、光学元件204及透镜205,使得光按不同倾斜入射角或法线(或近法线)入射角被引导到样品202。
在一些例子中,基于光学的子系统201可经配置以同时按多于一个入射角将光引导到样品202。例如,所述照明子系统可包含一个以上照明通道,所述照明通道中的一者可包含如图6中所展示的光源203、光学元件204及透镜205且所述照明通道中的另一者(未显示)可包含可不同地或相同地配置的类似元件,或可包含至少一光源及可能例如本文中进一步描述的一或多个其它组件。如果此光与另一光同时被引导到样品,那么按不同入射角被引导到样品202的光的一或多个特性(例如,波长、偏光等)可不同,使由按不同入射角照明样品202产生的光可在检测器处彼此区分。
在另一例子中,所述照明子系统可包含仅一个光源(例如,图6中所展示的光源203)且来自光源的光可通过所述照明子系统的一或多个光学元件(未展示)而分离到不同光学路径中(例如,基于波长、偏光等)。不同光学路径中的每一者中的光接着可被引导到样品202。多个照明通道可经配置以在相同时间或不同时间将光引导到样品202(例如,当使用不同照明通道以循序照明样品时)。在另一例子中,相同照明通道可经配置以在不同时间使用不同特性将光引导到样品202。例如,在一些例子中,光学元件204可经配置为光谱滤波器且所述光谱滤波器的性质可以多种不同方式(例如,通过置换出所述光谱滤波器)改变,使得不同波长的光可在不同时间被引导到样品202。所述照明子系统可具有所属领域中已知的用于将具有不同或相同特性的光按不同或相同入射角循序或同时引导到样品202的任何其它合适配置。
在一个实施例中,光源203可包含宽带等离子体(BBP)源。以此方式,由光源203产生且被引导到样品202的光可包含宽带光。然而,光源可包含任何其它合适光源,例如激光。激光可包含所属领域中已知的任何合适激光且可经配置以产生任何合适波长或所属领域中已知的波长的光。另外,激光可经配置以产生单色或近单色的光。以此方式,激光可为窄带激光。光源203还可包含多色光源,所述多色光源产生多个离散波长或波段的光。
来自光学元件204的光可通过透镜205聚焦到样品202上。尽管透镜205在图6中被展示为单个折射光学元件,但应理解,在实践上,透镜205可包含数个折射及/或反射光学元件,其组合地将来自所述光学元件的光聚焦到所述样品。图6中所展示及本文中描述的照明子系统可包含任何其它合适的光学元件(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、光束分离器(例如光束分离器213)、孔隙及类似物,其可包含所属领域中已知的任何此类合适光学元件。另外,基于光学的子系统201可经配置以基于照明的类型而更改所述照明子系统的一或多个元件以用于产生基于光学的输出。
基于光学的子系统201还可包含扫描子系统,所述扫描子系统经配置以使光扫描遍及样品202。例如,基于光学的子系统201可包含载物台206,在基于光学的输出产生期间样品202被安置在载物台206上。所述扫描子系统可包含任何合适机械及/或机器人组合件(其包含载物台206),所述组合件可经配置以移动样品202,使得光可扫描遍及样品202。另外或替代地,基于光学的子系统201可经配置使得基于光学的子系统201的一或多个光学元件执行光遍及样品202的某一扫描。光可以任何合适方式(例如以蛇形路径或以螺旋形路径)扫描遍及样品202。
基于光学的子系统201进一步包含一或多个检测通道。所述一或多个检测通道中的至少一者包含检测器,所述检测器经配置以检测归因于由子系统照明样品202而来自所述样品202的光且响应于检测到的光而产生输出。例如,图6中所展示的基于光学的子系统201包含两个检测通道,一个检测通道由集光器207、元件208及检测器209形成,且另一检测通道由集光器210、元件211及检测器212形成。如图6中所展示,所述两个检测通道经配置以按不同集光角度收集且检测光。在一些例子中,两个检测通道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202散射的光。然而,一或多个检测通道经配置以检测来自样品202的另一类型的光(例如,经反射光)。
如图6中进一步展示,两个检测通道经展示为定位于纸平面中且所述照明子系统也经展示定位于所述纸平面中。因此,在此实施例中,两个检测通道经定位(例如,居中)于入射平面中。然而,一或多个检测通道可经定位于入射平面外。例如,由集光器210、元件211及检测器212形成的检测通道可经配置以收集且检测从入射平面散射的光。因此,此检测通道可被统称为“侧”通道,且此侧通道可在基本上垂直于入射平面的平面中居中。
尽管图6展示包含两个检测通道的基于光学的子系统201的实施例,但基于光学的子系统201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,由集光器210、元件211及检测器212形成的检测通道可形成如上文描述的一个侧通道,且基于光学的子系统201可包含形成为定位在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,基于光学的子系统201可包含检测通道,所述检测通道包含集光器207、元件208及检测器209且在入射平面中居中且经配置以按法向于或接近法向于样品202表面的散射角收集并检测光。因此,此检测通道可被统称为“顶部”通道,且基于光学的子系统201还可包含如上文描述般配置的两个或更多个侧通道。因而,基于光学的子系统201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,其中的每一者经配置以按不同于其它集光器中的每一者的散射角收集光。
如上文进一步描述,包含于基于光学的子系统201中的检测通道中的每一者可经配置以检测散射光。因此,图6中所展示的基于光学的子系统201可经配置用于针对样品202的暗场(DF)输出产生。然而,基于光学的子系统201还可或替代性地包含经配置用于针对样品202的明场(BF)输出产生的检测通道。换句话说,基于光学的子系统201可包含至少一个检测通道,所述至少一个检测通道经配置以检测从样品202镜面反射的光。因此,本文中描述的基于光学的子系统201可经配置用于仅DF、仅BF或DF及BF两者的成像。尽管所述集光器中的每一者在图6中被展示为单个折射光学元件,但应理解,所述集光器中的每一者可包含一或多个折射光学裸片及/或一或多个折射光学元件。
所述一或多个检测通道可包含所属领域中已知的任何合适检测器。例如,所述检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、延时积分(TDI)相机及所属领域中已知的任何其它合适检测器。所述检测器还可包含非成像检测器或成像检测器。以此方式,如果所述检测器是非成像检测器,那么所述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),但可不经配置以检测依据成像平面内的位置而变化的此类特性。因而,由包含在所述基于光学的子系统的所述检测通道中的每一者中的所述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,处理器(例如处理器214)可经配置以产生来自检测器的非成像输出的样品202的图像。然而,在其它例子中,所述检测器可经配置为成像检测器,其经配置以产生图像信号或图像数据。因此,基于光学的子系统可经配置以依数种方式产生本文中描述的光学图像或其它基于光学的输出。
应注意,本文中提供图6以大体上说明基于光学的子系统201的配置,其可被包含于本文中描述的系统实施例中或其可产生由本文中描述的系统实施例所使用的基于光学的输出。本文中描述的基于光学的子系统201配置可经变更以优化基于光学的子系统201的性能,如在设计商业输出获取系统时通常所执行般。另外,本文中描述的系统可使用现存系统来实施(例如,通过将本文中描述的功能性添加到现存系统)。对于一些此类系统,本文中描述的方法可经提供作为系统的任选功能性(例如,除所述系统的其它功能性之外)。替代性地,本文中描述的系统可被设计为全新系统。
处理器214可以任何合适方式耦合到系统200的组件(例如,经由一或多个传输媒体,其可包含有线及无线传输媒体),使得处理器214可接收输出。处理器214可经配置以使用所述输出执行数个功能。系统200可从处理器214接收指令或其它信息。处理器214及/或电子数据存储单元215任选地可与晶片检验工具、晶片计量工具或晶片检视工具(未说明)电子通信以接收额外信息或发送指令。例如,处理器214及/或电子数据存储单元215可与扫描电子显微镜电子通信。
本文中描述的处理器214、其它系统或其它子系统可为各种系统的部分,包含个人计算机系统、图像计算机、大型计算机系统、工作站、网络设备、因特网设备或其它装置。子系统或系统还可包含所属领域中已知的任何合适处理器,例如并行处理器。另外,子系统或系统可包含具有高速处理的平台及软件(作为独立或联网工具)。
处理器214及电子数据存储单元215可经安置于系统200或另一装置中或可为系统200或另一装置的部分。在实例中,处理器214及电子数据存储单元215可为独立控制单元的部分或可在集中式质量控制单元中。可使用多个处理器214或电子数据存储单元215。
处理器214在实践上可由硬件、软件及固件的任何组合实施。而且,如本文中描述的其功能可由一个单元执行,或在不同组件当中划分,其中的每一者又可由硬件、软件及固件的任何组合来实施。供处理器214实施多种方法及功能的程序代码或指令可存储于可读存储媒体中,例如电子数据存储单元215中的存储器或其它存储器。
如果系统200包含多于一个处理器214,那么不同子系统可彼此耦合,使得图像、数据、信息、指令等可在所述子系统之间发送。例如,一个子系统可由任何合适传输媒体耦合到额外子系统,所述传输媒体可包含所属领域中已知的任何合适有线及/或无线传输媒体。此类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)而有效地耦合。
处理器214可经配置以使用系统200的输出或其它输出执行数个功能。例如,处理器214可经配置以将所述输出发送到电子数据存储单元215或另一存储媒体。处理器214可根据本文中描述的任何实施例配置。所述处理器214还可经配置以使用所述系统200的输出或使用来自其它源的图像或数据执行其它功能或额外步骤。
系统200及本文中描述的方法的各种步骤、功能及/或操作由以下一或多者实施:电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控制件/开关、微控制器或计算系统。实施例如本文中描述的方法的程序指令可经由载体媒体传输或存储于载体媒体上。所述载体媒体可包含例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及类似物的存储媒体。载体媒体可包含例如电线、电缆或无线传输链路的传输媒体。例如,可由单个处理器214或替代地多个处理器214实施贯穿本公开描述的各种步骤。此外,系统200的不同子系统可包含一或多个计算或逻辑系统。因此,上述描述不应被解释为对本公开的限制,而仅是说明。
在例子中,处理器214与系统200通信。处理器214经配置以执行方法100的实施例。处理器214可从系统200接收多个图像(例如,半导体检验图像)。过程214可散列图像,借此确定所述图像中的每一者的固定长度散列串且从散列串确定模式等同。
额外实施例涉及一种非暂时性计算机可读媒体,其存储可在控制器上执行以用于执行用于对晶片图进行分类的计算机实施方法的程序指令,如本文中所公开。特定来说,如图6中所展示,电子数据存储单元215或其它存储媒体可含有非暂时性计算机可读媒体,其包含可在处理器214上执行的程序指令。计算机实施方法可包含本文中描述的任何方法(包含方法100)的任何步骤。
所述程序指令可以多种方式中的任何者实施,包含基于程序的技术、基于组件的技术及/或面向对象的技术等。例如,所述程序指令可根据需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式SIMD扩展(SSE)或其它技术或方法论来实施。
虽然系统200使用光,但方法100可使用不同半导体检验工具执行。例如,方法100可使用来自使用电子束的系统(例如扫描电子显微镜)或使用离子束的系统的结果执行。因此,系统可具有电子束源或离子束源。
尽管本公开已关于一或多个特定实施例来描述,但将理解,本公开的其它实施例可在不偏离本公开的范围的情况下进行。因此,本公开被视为仅受限于随附权利要求书及其合理解释。
Claims (20)
1.一种系统,其包括:
半导体晶片检验系统;及
处理器,其与所述半导体晶片检验系统电子通信,其中所述处理器经配置以:
接收来自所述半导体晶片检验系统的多个图像,其中所述图像是半导体检验图像;
散列所述图像,借此确定所述图像中的每一者的固定长度散列串,其中确定多个所述散列串;及
从所述散列串确定模式等同。
2.根据权利要求1所述的系统,其中所述半导体晶片检验系统包含光源或电子束源。
3.根据权利要求1所述的系统,其中所述处理器进一步经配置以将具有模式等同的所述散列串分组。
4.根据权利要求3所述的系统,其中所述分组是基于类似性程度,且其中所述类似性程度能够经由汉明距离调整。
5.根据权利要求3所述的系统,其中所述模式等同中的一者是潜伏缺陷。
6.根据权利要求1所述的系统,其中所述图像中的每一者涉及半导体晶片的整个表面。
7.根据权利要求1所述的系统,其中所述图像中的每一者涉及半导体晶片的整层。
8.根据权利要求1所述的系统,其中所述图像中的每一者涉及半导体晶片的装置。
9.一种方法,其包括:
在处理器处接收多个图像,其中所述图像是半导体检验图像;
使用所述处理器散列所述图像,借此确定所述图像中的每一者的固定长度散列串,其中确定多个所述散列串;及
使用所述处理器从所述散列串确定模式等同。
10.根据权利要求9所述的方法,其进一步包括使用所述处理器将具有模式等同的所述散列串分组。
11.根据权利要求10所述的方法,其中所述分组是基于类似性程度。
12.根据权利要求11所述的方法,其进一步包括通过改变汉明距离而调整所述类似性程度。
13.根据权利要求10所述的方法,其中所述模式等同中的一者是潜伏缺陷。
14.根据权利要求9所述的方法,其中所述图像中的每一者涉及半导体晶片的整个表面。
15.根据权利要求9所述的方法,其中所述图像中的每一者涉及半导体晶片的整层。
16.根据权利要求9所述的方法,其中所述图像中的每一者涉及半导体晶片的装置。
17.根据权利要求9所述的方法,其中事先使用基于设计的分组对所述多个图像中的至少一者进行分组。
18.一种非暂时性计算机可读存储媒体,其包括用于在一或多个计算装置上执行以下步骤的一或多个程序:
散列多个图像,借此确定所述图像中的每一者的固定长度散列串,其中确定多个所述散列串,且其中所述图像是半导体检验图像;及
从所述散列串确定模式等同。
19.根据权利要求18所述的非暂时性计算机可读存储媒体,其中所述步骤进一步包含将具有模式等同的所述散列串分组,其中所述分组是基于类似性程度。
20.根据权利要求19所述的非暂时性计算机可读存储媒体,其中所述步骤进一步包含通过改变汉明距离而调整所述类似性程度。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN202041038794 | 2020-09-08 | ||
IN202041038794 | 2020-09-08 | ||
US202063105916P | 2020-10-27 | 2020-10-27 | |
US63/105,916 | 2020-10-27 | ||
US17/464,638 US11748868B2 (en) | 2020-09-08 | 2021-09-01 | Unsupervised pattern synonym detection using image hashing |
US17/464,638 | 2021-09-01 | ||
PCT/US2021/049329 WO2022055905A1 (en) | 2020-09-08 | 2021-09-08 | Unsupervised pattern synonym detection using image hashing |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116018615A true CN116018615A (zh) | 2023-04-25 |
Family
ID=80469945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180054434.8A Pending CN116018615A (zh) | 2020-09-08 | 2021-09-08 | 使用图像散列的无监督模式等同检测 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11748868B2 (zh) |
EP (1) | EP4200897A1 (zh) |
JP (1) | JP2023540530A (zh) |
KR (1) | KR20230062837A (zh) |
CN (1) | CN116018615A (zh) |
TW (1) | TW202228220A (zh) |
WO (1) | WO2022055905A1 (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154746A1 (en) * | 2005-11-18 | 2015-06-04 | Kla-Tencor Technologies Corporation | Methods and Systems for Utilizing Design Data in Combination with Inspection Data |
CN106662538A (zh) * | 2014-08-27 | 2017-05-10 | 科磊股份有限公司 | 重复缺陷检测 |
US20180323966A1 (en) * | 2017-05-03 | 2018-11-08 | Infosys Limited | System and method for hashing a data string using an image |
CN109697451A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 相似图像聚类方法及装置、存储介质、电子设备 |
CN110308182A (zh) * | 2019-07-17 | 2019-10-08 | 西安奕斯伟硅片技术有限公司 | 晶圆缺陷检测方法及装置 |
CN110457503A (zh) * | 2019-07-31 | 2019-11-15 | 北京大学 | 一种快速优化深度哈希图像编码方法及目标图像检索方法 |
WO2020064542A1 (en) * | 2018-09-24 | 2020-04-02 | Asml Netherlands B.V. | Method for determining candidate patterns from set of patterns of a patterning process |
CN111051988A (zh) * | 2017-09-01 | 2020-04-21 | 科磊股份有限公司 | 设计关键性分析扩充的工艺窗合格取样 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6671407B1 (en) | 1999-10-19 | 2003-12-30 | Microsoft Corporation | System and method for hashing digital images |
JP4728676B2 (ja) * | 2005-03-30 | 2011-07-20 | 富士通セミコンダクター株式会社 | フォトマスクの製造方法、及びそのフォトマスクを用いた半導体装置の製造方法 |
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
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 |
KR101075439B1 (ko) * | 2010-08-31 | 2011-10-24 | 연세대학교 산학협력단 | 멀티 코어 프로세서를 기반으로 하는 문자열 매칭 장치 및 그것의 문자열 매칭 방법 |
US10074036B2 (en) * | 2014-10-21 | 2018-09-11 | Kla-Tencor Corporation | Critical dimension uniformity enhancement techniques and apparatus |
KR102311933B1 (ko) * | 2017-03-21 | 2021-10-15 | 에이에스엠엘 네델란즈 비.브이. | 대상물 식별 및 비교 |
US10997427B1 (en) * | 2018-04-25 | 2021-05-04 | Zorroa Corporation | Using motion-based features to match video sequences |
US11443095B2 (en) * | 2020-07-10 | 2022-09-13 | Taiwan Semiconductor Manufacturing Co., Ltd. | Hotspot avoidance method for manufacturing integrated circuits |
-
2021
- 2021-09-01 US US17/464,638 patent/US11748868B2/en active Active
- 2021-09-07 TW TW110133157A patent/TW202228220A/zh unknown
- 2021-09-08 CN CN202180054434.8A patent/CN116018615A/zh active Pending
- 2021-09-08 WO PCT/US2021/049329 patent/WO2022055905A1/en unknown
- 2021-09-08 JP JP2023514877A patent/JP2023540530A/ja active Pending
- 2021-09-08 KR KR1020237009651A patent/KR20230062837A/ko unknown
- 2021-09-08 EP EP21867462.0A patent/EP4200897A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154746A1 (en) * | 2005-11-18 | 2015-06-04 | Kla-Tencor Technologies Corporation | Methods and Systems for Utilizing Design Data in Combination with Inspection Data |
CN106662538A (zh) * | 2014-08-27 | 2017-05-10 | 科磊股份有限公司 | 重复缺陷检测 |
US20180323966A1 (en) * | 2017-05-03 | 2018-11-08 | Infosys Limited | System and method for hashing a data string using an image |
CN111051988A (zh) * | 2017-09-01 | 2020-04-21 | 科磊股份有限公司 | 设计关键性分析扩充的工艺窗合格取样 |
CN109697451A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 相似图像聚类方法及装置、存储介质、电子设备 |
WO2020064542A1 (en) * | 2018-09-24 | 2020-04-02 | Asml Netherlands B.V. | Method for determining candidate patterns from set of patterns of a patterning process |
CN110308182A (zh) * | 2019-07-17 | 2019-10-08 | 西安奕斯伟硅片技术有限公司 | 晶圆缺陷检测方法及装置 |
CN110457503A (zh) * | 2019-07-31 | 2019-11-15 | 北京大学 | 一种快速优化深度哈希图像编码方法及目标图像检索方法 |
Also Published As
Publication number | Publication date |
---|---|
EP4200897A1 (en) | 2023-06-28 |
US20220076406A1 (en) | 2022-03-10 |
KR20230062837A (ko) | 2023-05-09 |
JP2023540530A (ja) | 2023-09-25 |
US11748868B2 (en) | 2023-09-05 |
TW202228220A (zh) | 2022-07-16 |
WO2022055905A1 (en) | 2022-03-17 |
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 | |
US9805462B2 (en) | Machine learning method and apparatus for inspecting reticles | |
CN112840205B (zh) | 基于设计及噪声的关注区域 | |
KR102330733B1 (ko) | 적응형 뉴슨스 필터 | |
WO2014168884A1 (en) | Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology | |
WO2023121778A1 (en) | Machine learning using a global texture characteristic for semiconductor-based applications | |
CN114667596B (zh) | 基于噪声特性而对次关注区域进行聚类 | |
US11748868B2 (en) | Unsupervised pattern synonym detection using image hashing | |
US11379969B2 (en) | Method for process monitoring with optical inspections | |
US11114324B2 (en) | Defect candidate generation for inspection | |
CN116235205A (zh) | 用于三维晶片结构的分级增强缺陷检测方法 | |
CN117015850B (zh) | 以经呈现设计图像进行的设计注意区域的分段 | |
US20230136110A1 (en) | Knowledge distillation for semiconductor-based applications | |
KR20240034691A (ko) | 고속 및 퍼지 패턴 그룹화 |
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 |