CN116113982A - 使用迁移学习的晶片级空间标志分组 - Google Patents

Abstract

使用基于机器学习的模型及晶片图上的标志对所述晶片图进行分类。所述基于机器学习的模型使用迁移学习。可使用来自各种源的经提取且经扩增的图像及其经提取特征训练所述基于机器学习的模型。可将这些经提取特征分类成在半导体制造期间发生的缺陷。

Description

使用迁移学习的晶片级空间标志分组

相关申请案的交叉参考

本申请案主张2020年8月25日申请且被指定为第202041036573号申请案的印度专利申请案及2020年10月8日申请且被指定为第63/089,036号美国申请案的美国临时专利申请案的优先权，所述申请案的公开内容特此以引用的方式并入。

技术领域

本公开涉及半导体制造。

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工艺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，光刻是半导体制造工艺，其涉及将图案从光罩转印到布置在半导体晶片上的光致抗蚀剂。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。

大多数单片集成电路被制造为晶片上的数批次装置。通过在单个晶片上具有许多此类装置，装置更易于处置且制造成本可降低。由于每一装置内的功能元件趋于极小，因此其可容易损坏。例如，微粒物质对于装置可为不利的而与所述微粒物质是否是空中传播或液体传播无关。着陆在晶片的表面上的任何粒子在其未以及时方式被移除的情况下可干扰制造工艺且引起装置失效。以类比方式，刮痕及对所要制造工艺的其它物理干扰还可引起装置失效。

由于尽可能快地识别且校正此类物理异常(例如，缺陷)的原因如此重要，因此通常在制造循环的各个阶段给予晶片物理检验。检验系统尝试不仅确定缺陷的类型(例如，刮痕或微粒物质)，而且还确定缺陷源。在许多情况下，缺陷的类型及缺陷的图案可提供关于缺陷源的线索。通常来说，此类检验已通过在某一种类的显微镜下研究一或多个晶片，从而搜索缺陷且尝试基于经验确定其来源的经训练技术人员或工程师手动完成。

每一晶片的手动检验是麻烦的且归因于例如疲劳、缺乏经验或粗心的因素，结果可能不准确且不一致。由于涉及大量晶片，因此手动检验在制造环境中也是不切实际的。空间标志分析提供自动跟踪集成电路晶片工艺中的问题的能力。可在制造工艺的不同阶段对晶片执行空间标志分析以检测晶片上的缺陷的某些图案。可将经识别图案映射到晶片经历的不同工艺。例如，有缺陷CMP工艺可引起长弯曲刮痕。因此，可自动检测工艺问题而无需诉诸于微观缺陷的子集的精细研究(其通常需要扫描电子显微镜检视)。这又导致更快校正动作，从而改进良率且增加利润。

不幸地，空间标志分析是不灵活过程，且通常具有个别地过度分析缺陷的趋势，且重复地如此做而不辨识可存在的缺陷的图案。因此，空间标志分析通常具有确定缺陷的性质的问题，趋于耗时太长且不可扩展或重新配置超出其原始实施能力及参数。

先前系统已使用具有晶片标志的参数规则。在先前实例中，像素级标志分析平台通过设置一系列参数规则或通过使用图案模板而检测标志。参数搜索限于基本数学可描述形状。针对每一形状配置独立规则，这导致过度拟合或遗漏检测。另外，大多数工艺标志无法通过使用例如线、弧及圆形的简单规则定义。模板搜索用于解决复杂形状，但此受由用户定义的模板限制。关键标志涵盖形状、大小、密度及完整性的若干变化。这些先前参数规则延迟发现受影响晶片及任何根本原因分析，这降低半导体制造商的良率。

因此，需要经改进方法及系统。

发明内容

在第一实施例中提供一种方法。所述方法包含在处理器处接收晶片图，其中所述晶片图是针对整个晶片的表面。所述处理器经配置以运行用于对所述晶片图进行分类的基于机器学习的模型。使用所述基于机器学习的模型及所述晶片图上的标志对所述晶片图进行分类。所述基于机器学习的模型使用迁移学习。

所述方法可进一步包含确定所述分类的置信度水平。所述置信度水平是基于所述标志中的缺陷的关键性。

所述方法可进一步包含在所述标志在置信度水平之外的情况下发送警告。

所述方法可进一步包含：在所述处理器处接收多个样本晶片图；使用所述处理器基于缺陷的根本原因对所述样本晶片图进行分类；及使用所述处理器从所述样本晶片图产生样本标志库。在一例子中，可使用所述处理器从多个缺陷图、分级排序图及/或度量图提取图像，且可使用所述处理器扩增所述图像。在一例子中，训练所述基于机器学习的模型使用来自所述图像的经提取特征。

所述方法可包含将所述晶片图与具有相同分类的晶片图分组在一起。

在第二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。所述处理器经配置以接收晶片图且使用所述基于机器学习的模型及所述晶片图上的标志对所述晶片图进行分类。所述晶片图是针对整个晶片的表面。所述处理器经配置以运行用于对所述晶片图进行分类的基于机器学习的模型。所述基于机器学习的模型使用迁移学习。

所述半导体晶片检验系统可包含光源或电子束源。

所述半导体晶片检验系统可产生所述晶片图。

所述处理器可进一步经配置以确定所述分类的置信度水平。所述置信度水平可为基于所述标志中的缺陷的关键性。

所述处理器可进一步经配置以在所述标志在置信度水平之外的情况下发送警告。

所述处理器可进一步经配置以：接收多个样本晶片图；基于缺陷的根本原因对所述样本晶片图进行分类；且从所述样本晶片图产生样本标志库。在一例子中，所述处理器进一步经配置以从多个缺陷图、分级排序图及/或度量图提取图像，且扩增所述图像。在一例子中，所述处理器进一步经配置以使用来自所述图像的经提取特征训练所述基于机器学习的模型。

所述处理器可进一步经配置以将所述晶片图与具有相同分类的晶片图分组在一起。

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。使用基于机器学习的模型及晶片图上的标志对所述晶片图进行分类。所述基于机器学习的模型使用迁移学习。所述晶片图是针对整个晶片的表面。

所述步骤可进一步包含：接收多个样本晶片图；基于缺陷的根本原因对所述样本晶片图进行分类；及从所述样本晶片图产生样本标志库。

所述步骤可进一步包含从多个缺陷图、分级排序图及/或度量图提取图像，及扩增所述图像。

所述步骤可进一步包含使用来自所述图像的经提取特征训练所述基于机器学习的模型。

附图说明

为了更全面理解本公开的性质及目标，应参考结合所附图式进行的以下详细描述，其中：

图1是根据本公开的操作的流程图；

图2说明标志的示范性分类；

图3是根据本公开的标志分类的流程图；

图4是晶片处置器问题的示范性标志；

图5是CMP问题的示范性标志；

图6说明各种半导体制造问题的其它示范性标志；

图7是根据本公开的方法的实施例的流程图；以及

图8是根据本公开的系统的实施例。

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(包含未提供本文中阐述的所有益处及特征的实施例)还在本公开的范围内。可在不偏离本公开的范围的情况下进行各种结构、逻辑、工艺步骤、及电子变化。因此，本公开的范围仅参考所附权利要求书而界定。

迁移学习及机器学习可用于在晶片级下对晶片标志进行自动分类。晶片图标志将信息提供给半导体制造商，这是因为其辅助根本原因分析。图4是展示三个影响点的晶片处置器问题的示范性标志。图5是展示长弧刮痕的CMP问题的示范性标志。图6说明各种半导体制造问题的其它示范性标志。这些实例中的每一者具有不同源，且快速地识别晶片上的标志可帮助确定问题的根本原因。

现有应用是手动的或使用起来麻烦且不足够，尤其鉴于落在单个类别下的标志形状的分布。迁移学习可用于对晶片图上的多标记、多类别标志进行分类。这有助于改变经引入的新标志，这是因为重新训练快速且趋于需要低计算能力。

图7是方法100的实施例。方法100的一些或全部步骤可使用处理器。在101，在处理器处接收晶片图。晶片图是针对整个晶片的表面，其在图4到6的实例中展示。表面可为晶片的平坦表面或包含晶片上的装置(例如，裸片或集成电路)的表面。处理器经配置以运行用于对晶片图进行分类的基于机器学习的模型。

在102，使用基于机器学习的模型及晶片图上的标志对晶片图进行分类。基于机器学习的模型使用迁移学习。晶片标志可有助于半导体制造商。这些可用于寻找错误的根本原因。根本原因的早期发现意味着更少晶片报废。这增加半导体制造商的良率。通过自动化且量化标志，半导体制造商还可更快地对线内偏移(excursion)作出反应且运行根本原因分析。

在图3中展示的实施例中，接收样本晶片图。基于缺陷的根本原因对这些样本晶片图进行分类。例如，图2说明标志的示范性分类。如图3中展示，从样本晶片图产生样本标志库。可使用来自这些图像的经提取特征训练基于机器学习的模型。

在图3的实施例中，从缺陷图、分级排序图及/或度量图提取图像。缺陷图是展示经检测缺陷位置的晶片图。分级排序图是展示晶片中的裸片的通过/未通过状态的晶片图。度量图是展示晶片中的实际组件的经测量性质或放置于晶片中的特殊目标标记的晶片图。可接着扩增这些图像。

可执行提取。可训练深度神经网络以将图像映射到类别。深度神经网络的中间层可提供图像的抽象表示。在提取期间，处理图像且从中间层中的一者的输出提取特征。如果使用已在不同图像数据集上训练的深度神经网络产生特征，那么执行迁移学习。

可执行扩增。扩增包含通过以使得原始图像可被视为不同例子的方式变换原始图像(即，小数据集)而产生更大图像数据集。未将图像变换成足以被视为完全不同数据集的部分。

使用图1的流程图进一步解释图3的实施例。从经扩增图像提取特征。接着对这些特征进行分类且将其添加到样本标志库。用户可基于样本标志库中的实例验证及/或重新训练基于机器学习的模型。手动分类可用于提供真实数据。例如，半导体制造商可对一个或两个实例进行分类，且接着基于机器学习的模型可确定剩余部分。在图1的实例中，将图像分类成类别A-n。基于机器学习的模型可检查趋势，跟踪缺陷源且监测生产。基于机器学习的模型还可寻找用于特定晶片处理步骤或工具的复杂标志。

方法100的实施例可解决在半导体制造环境中找到的可归因于晶片报废而影响良率损失的标志的范围。可对由于输入是图像而非数据而无法使用现有方法定义的标志类别进行分类。

在一例子中，可确定分类的置信度水平。置信度水平可为基于标志中的缺陷的关键性。可监测从置信度水平的偏移。例如，如果标志在置信度水平之外，那么可发送警告。置信度度量可使半导体制造商能够基于标志分级的关键性控制标志分级的纯度。

在一例子中，可将晶片图与具有相同分类的晶片图分组在一起。可基于不同形状、大小及形式有组织地将标志分组。

迁移学习可与基于机器学习的模型一起使用。迁移学习是其中在一个任务上训练的模型在第二相关任务上重新规划的机器学习技术。当对第二任务进行建模时，迁移学习可实现迅速进展或经改进性能。

本文中公开的实施例可实现使用迁移学习及深度学习技术的组合进行自动晶片级标志分析。在原型中，标志类别以大于80％的精确性被检测且基于初始分析被召回。在特定实例中，分析大约3000个生产晶片。标志类别的纯度可由置信度矩阵控制。本文中公开的实施例适用于跨晶片、层及装置的半导体制造中。可监测周期内的工具稳定性。

为了训练模型以检测晶片上的CMP问题，可使用已在类似域(例如，晶片处置问题)上训练的模型。在图4及5中展示这些类型的标志。然而，实际上，由于模型继承其训练数据的偏差且不知道如何一般化到新域，因此可发生性能的劣化或崩溃。为了训练模型以执行新任务(例如检测蚀刻缺陷)，无法重用现有模型，这是因为任务之间的标记不同。

实际上，将尽可能多的知识从源设置迁移到目标任务或域可为有益的。取决于数据，此知识可采用各种形式。例如，其可关于对象如何构成以识别新颖对象。

迁移学习可通过利用一些相关任务或域的已存在的经标记数据而处置这些案例。在解决源域中的源任务时获得的此知识可经存储且应用到新晶片标志。

迁移学习可通常被定义为通过来自已经被学习的相关任务(一或多个源任务)的知识的转移的新任务(或目标任务)中的学习的改进。在本文中描述的实施例中，仅使用标称例子训练基于机器学习的模型涉及学习一或多个源任务，且使用非标称例子重新训练基于机器学习的模型将来自源任务(标称例子)的知识迁移到目标任务(非标称例子)。在迁移学习中，代理者在其学习源任务时对于目标任务不了解(或甚至不知道将存在目标任务)。例如，在本文中描述的实施例中，基于机器学习的模型在其使用先前数据训练时对于新标志不了解。然而，一般来说，可以所属领域中已知的任何合适方式执行本文中描述的迁移学习。

归纳转移可不仅被视为用于改进标准监督式学习任务中的学习的方式，而且还为抵消由涉及相对小数据集的任务提出的困难的方式。也就是说，如果任务存在相对小量的数据或类别标记，那么将其视为目标任务且执行从相关源任务的归纳转移可导致更准确模型。尽管事实为假定两个数据集来自不同概率分布，但这些方法可使用源任务数据以增强目标任务数据。可如第20170193400号美国公开案中描述那样进一步执行如本文中描述的迁移学习，所述申请案宛如全文陈述那样以引用的方式并入本文中。可如此专利申请案及本文中公开的相关申请案中描述那样进一步配置本文中描述的实施例。

由本文中描述的实施例使用的重新训练(及训练)架构可经设计以使用最小数目个样本收敛到真实数据(针对验证样本)。在实施例中，一或多个组件包含一或多个额外组件，使用一或多个额外组件执行重新训练。一或多个额外组件可包含针对样品上的全部层的共同母网络、针对样品上的全部层的大型共同母网络或其它组件。例如，迁移学习方法可应用到使用本文中描述的任何迁移学习训练输入产生方法产生的训练集以训练基于机器学习的模型。

在一例子中，深度神经网络(例如，VGG19深度神经网络)用于从晶片图提取特征向量。深度神经网络之后可接着用于执行分类的一系列逻辑回归模型。深度神经网络可为基于机器学习的模型。

一般来说，“深度学习”(也称为深度结构化学习、分层学习或深度机器学习)是基于尝试对数据的高阶抽象化进行建模的一组算法的机器学习的分支。在简单情况下，可存在两组层：接收输入信号的一组层及发送输出信号的一组层。当输入层接收输入时，其将输入的经修改版本传递到下一层。在深度网络中，输入与输出之间存在许多层，从而允许算法使用由多个线性及非线性变换构成的多个处理层。

深度学习是基于数据的学习表示的机器学习方法的更广泛家族的部分。观察(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(作为一组边缘、特定形状的区域等)表示。一些表示在简化学习任务(例如，面部辨识或面部表情辨识)方面比其它表示更好。深度学习的一个承诺是使用有效算法来替换手工特征用于无监督或半监督式特征学习及分层特征提取。

在此领域中的研究尝试制作更好表示且产生模型以从大规模未标记数据学习这些表示。一些表示受神经科学的进展启发且松散地基于神经系统中的信息处理及通信模式的解译，例如尝试定义各种刺激与脑中的相关联神经元响应之间的关系的神经编码。

在一些实施例中，深度学习模型是生成模型。“生成”模型可大体上被定义为本质上概率性的模型。可基于合适训练数据集学习生成模型(其中可学习其参数)。在实施例中，深度学习模型经配置为深度生成模型。例如，模型可经配置以具有深度学习架构，其中模型可包含执行数个算法或变换的多个层。

在另一实施例中，深度学习模型经配置为神经网络。在进一步实施例中，深度学习模型可为具有一组权重的深度神经网络，所述一组权重根据所述模型已被馈送以训练所述模型的数据对世界进行建模。神经网络可大体上被定义为基于神经单元的相对大集合的计算方法，其松散地对生物大脑使用由轴突连接的生物神经元的相对大集群解决问题的方式进行建模。每一神经单元与许多其它神经单元连接，且链接可强制执行或抑制其对经连接神经单元的激发状态的效应。这些系统是从学习且经训练而非明确编程且在解决方案或特征检测难以按传统计算机程序表达的领域中具有优势。

神经网络通常由多个层组成，且信号路径从前部横越到后部。神经网络的目标是以与人脑相同的方式解决问题，虽然若干神经网络要抽象得多。现代神经网络项目通常使用数千到数百万个神经单元及数百万个连接工作。神经网络可具有所属领域中已知的任何合适架构及/或配置。

在一个实施例中，信息包含对于在样品上检测到的缺陷的分类。在一个此实施例中，深度学习模型经配置为AlexNet。例如，AlexNet包含其后接着数个全连接层(例如，3)的数个卷积层(convolutional layer)(例如，5)，其组合地经配置且经训练以对图像进行分类。

在另一此实施例中，深度学习模型经配置为GoogleNet。例如，GoogleNet可包含层，例如卷积层、池化层及全连接层，例如经配置且经训练以对图像进行分类的本文中进一步描述的层。虽然GoogleNet架构可包含相对高数目个层，但一些层可并行操作，且彼此并行运作的层的群组通常被称为起始模块。其它层可循序操作。因此，GoogleNet与本文中描述的其它神经网络不同之处在于并非全部层都以循序结构布置。

在进一步此实施例中，深度学习模型经配置为VGG网络。例如，通过增加卷积层的数目同时固定架构的其它参数而形成VGG网络。通过在全部层中使用大体上小的卷积滤波器可使添加卷积层以增加深度变可能。如同本文中描述的其它神经网络，VGG网络经形成且经训练以对图像进行分类。VGG网络还包含其后接着全连接层的卷积层。经配置为VGG的神经网络的实例在(Simonyan)等人的“用于大规模图像辨识的极深卷积网络(Very DeepConvolutional Networks for Large-Scale Image Recognition)”，ICLR 2015年中描述，所述文献宛如全文陈述那样以引用的方式并入本文中。可如此参考文献中描述那样进一步配置本文中描述的深度学习模型。

在一些此类实施例中，深度学习模型经配置为深度残差网络。例如，如同本文中描述的一些其它网络，深度残差网络可包含其后接着全连接层的卷积层，其组合地经配置且经训练用于图像分类。在深度残差网络中，所述层经配置以参考层输入学习残差功能而非学习未引用功能。特定来说，代替希望每一一些堆叠层直接拟合所要底层映射，明确允许这些层拟合残差映射，此由具有捷径连接的前馈神经网络实现。捷径连接是略过一或多个层的连接。可通过获取包含卷积层的普通神经网络结构且插入捷径连接而形成深度残差网络，其借此获取普通神经网络且将其转变为其残差学习对应物。

在进一步此实施例中，深度学习模型包含经配置用于对样品上的缺陷进行分类的一或多个全连接层。“全连接层”可大体上被定义为其中每一节点连接到先前层中的每一节点的层。全连接层可基于由卷积层提取的特征执行分类，其可如本文中进一步描述那样配置。全连接层经配置用于特征选择及分类。换句话说，全连接层从特征图选择特征且接着基于经选择特征对图像中的缺陷进行分类。经选择特征可包含特征图中的全部特征(如果适当)或仅特征图中的一些特征。

如果深度学习模型输出针对在样品上检测到的缺陷的分类，那么深度学习模型可输出图像分类，所述图像分类可包含每一图像的分类结果与和每一分类结果相关联的置信度。还可如本文中进一步描述那样使用图像分类的结果。图像分类可具有任何合适格式(例如图像或缺陷ID、例如“图案”、“桥”等的缺陷描述)。可如本文中进一步描述那样存储且使用图像分类结果。

在一些实施例中，由深度学习模型确定的信息包含由深度学习模型提取的图像的特征。在一个此实施例中，深度学习模型包含一或多个卷积层。卷积层可具有所属领域中已知的任何合适配置且通常经配置以通过使用一或多个滤波器将卷积函数应用到输入图像而确定依据跨图像的位置而变化的图像的特征(即，特征图)。以此方式，深度学习模型(或深度学习模型的至少一部分)可经配置为卷积神经网络(CNN)。例如，深度学习模型可经配置为用于提取局部特征的CNN，其通常是卷积层及池化层的堆叠。本文中描述的实施例可利用深度学习概念(例如CNN)来解决通常难处理的表示反演问题。深度学习模型可具有所属领域中已知的任何CNN配置或架构。一或多个池化层还可具有所属领域中已知的任何合适配置(例如，最大池化层)且通常经配置用于减少由一或多个卷积层产生的特征图的维数同时维持最重要的特征。

通过深度学习模型确定的特征可包含本文中进一步描述或所属领域中已知的可从本文中描述的输入推断(且可能用于产生本文中进一步描述的输出)的任何合适特征。例如，特征可包含每一像素的强度值的向量。特征还可包含本文中描述的任何其它类型的特征，例如，纯量值的向量、独立分布、联合分布的向量或所属领域中已知的任何其它合适特征类型。

一般来说，本文中描述的深度学习模型是经训练深度学习模型。例如，可事先通过一或多个其它系统及/或方法训练针对其执行一或多个诊断功能的深度学习模型。另外，可在针对深度学习模型执行一或多个诊断功能之前通过本文中描述的实施例中的一或多者训练深度学习模型。以此方式，本文中描述的诊断功能不同于在深度学习模型的训练期间执行的深度学习模型特性化，这是因为在本文中描述的实施例中，已经产生且训练深度学习模型且接着如本文中描述那样确定模型的功能性，其可接着用于执行深度学习模型的一或多个额外功能。

在图8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，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包含光罩。所述光罩可包含所属领域中已知的任何光罩。

在图8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8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(其或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8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8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，所述基于光学的子系统201可经配置以同时按一个以上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8中所展示的光源203、光学元件204及透镜205且所述照明通道的另一者(未展示)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8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，例如激光器。激光器可包含所属领域中已知的任何合适激光器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。此外，激光器经配置以产生单色或近单色的光。以此方式，激光器可为窄频激光器。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8中被展示为单个折射光学元件，但应了解，实际上，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8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。此外，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被安置在所述载物台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。此外或替代地，基于光学的子系统201可经配置使得所述基于光学的子系统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的光且响应于经检测光而产生输出。例如，图8中所展示的基于光学的子系统201包含两个检测通道，一个检测通道通过集光器207、元件208及检测器209形成，且另一检测通道通过集光器210、元件211及检测器212形成。如图8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按不同角度从样品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8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还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，通过集光器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，且此侧通道可在大体上垂直于入射平面的平面中居中。

尽管图8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，通过集光器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那样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8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8中被展示为单个折射光学元件，但应了解，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)照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，通过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，其经配置以产生成像信号或图像数据。因此，基于光学的子系统可经配置以按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8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，如在设计商业输出采集系统时通常所执行那样。此外，本文中描述的系统可使用现有系统来实施(例如，通过将本文中描述的功能性添加到现有系统)。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，其或其可包含有线及/或无线传输媒体)，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、晶片度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，例如平行处理器。此外，子系统或系统可包含具有高速处理的平台及软件(作为独立或网络工具)。

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实际上可由硬件、软件及固件的任何组合实施。此外，如本文中描述的其功能可通过一个单元执行，或在不同组件当中划分，其中的每一者又可通过硬件、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包含一个以上处理器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，一个子系统可通过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通过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/或操作通过以下中的一或多者实行：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，可通过单个处理器214或替代地多个处理器214实行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，而仅为说明。

在一例子中，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。在一例子中，处理器214可操作基于机器学习的模型。系统200可检验晶片的缺陷，其结果可用于产生在处理器214处接收的晶片图。

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8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一者实施，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，但将了解，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所附权利要求书及其合理解释。

Claims (20)

1.一种方法，其包括：

在处理器处接收晶片图，其中所述晶片图是针对整个晶片的表面，其中所述处理器经配置以运行用于对所述晶片图进行分类的基于机器学习的模型；及

使用所述基于机器学习的模型及所述晶片图上的标志对所述晶片图进行分类，其中所述基于机器学习的模型使用迁移学习。

2.根据权利要求1所述的方法，其进一步包括确定所述分类的置信度水平，其中所述置信度水平是基于所述标志中的缺陷的关键性。

3.根据权利要求1所述的方法，其进一步包括在所述标志在置信度水平之外的情况下发送警告。

4.根据权利要求1所述的方法，其进一步包括：

在所述处理器处接收多个样本晶片图；

使用所述处理器基于缺陷的根本原因对所述样本晶片图进行分类；及

使用所述处理器从所述样本晶片图产生样本标志库。

5.根据权利要求4所述的方法，其进一步包括：

使用所述处理器从多个缺陷图、分级排序图及/或度量图提取图像；及

使用所述处理器扩增所述图像。

6.根据权利要求5所述的方法，其进一步包括使用来自所述图像的经提取特征训练所述基于机器学习的模型。

7.根据权利要求1所述的方法，其进一步包括将所述晶片图与具有相同分类的晶片图分组在一起。

8.一种系统，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：

接收晶片图，其中所述晶片图是针对整个晶片的表面，其中所述处理器经配置以运行用于对所述晶片图进行分类的基于机器学习的模型；且

使用所述基于机器学习的模型及所述晶片图上的标志对所述晶片图进行分类，其中所述基于机器学习的模型使用迁移学习。

9.根据权利要求8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。

10.根据权利要求8所述的系统，其中所述半导体晶片检验系统产生所述晶片图。

11.根据权利要求8所述的系统，其中所述处理器进一步经配置以确定所述分类的置信度水平，其中所述置信度水平是基于所述标志中的缺陷的关键性。

12.根据权利要求8所述的系统，其中所述处理器进一步经配置以在所述标志在置信度水平之外的情况下发送警告。

13.根据权利要求8所述的系统，其中所述处理器进一步经配置以：

接收多个样本晶片图；

基于缺陷的根本原因对所述样本晶片图进行分类；且

从所述样本晶片图产生样本标志库。

14.根据权利要求13所述的系统，其中所述处理器进一步经配置以：

从多个缺陷图、分级排序图及/或度量图提取图像；且

扩增所述图像。

15.根据权利要求14所述的系统，其中所述处理器进一步经配置以使用来自所述图像的经提取特征训练所述基于机器学习的模型。

16.根据权利要求8所述的系统，其中所述处理器进一步经配置以将所述晶片图与具有相同分类的晶片图分组在一起。

17.一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：

使用基于机器学习的模型及晶片图上的标志对所述晶片图进行分类，其中所述基于机器学习的模型使用迁移学习，且其中所述晶片图是针对整个晶片的表面。

18.根据权利要求17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：

接收多个样本晶片图；

基于缺陷的根本原因对所述样本晶片图进行分类；及

从所述样本晶片图产生样本标志库。

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：

从多个缺陷图、分级排序图及/或度量图提取图像；及

扩增所述图像。

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使用来自所述图像的经提取特征训练所述基于机器学习的模型。

Images