CN116802676A - 用于使用芯片设计数据以改进光学检验及计量图像质量的方法 - Google Patents

用于使用芯片设计数据以改进光学检验及计量图像质量的方法 Download PDF

Info

Publication number
CN116802676A
CN116802676A CN202280012981.4A CN202280012981A CN116802676A CN 116802676 A CN116802676 A CN 116802676A CN 202280012981 A CN202280012981 A CN 202280012981A CN 116802676 A CN116802676 A CN 116802676A
Authority
CN
China
Prior art keywords
training
images
features
design
sample
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
CN202280012981.4A
Other languages
English (en)
Inventor
K·沙赫
T·杰亚瑞曼
S·坎都库里
A·克罗斯
G·西瓦拉曼
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.)
KLA Corp
Original Assignee
KLA Tencor Corp
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 KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN116802676A publication Critical patent/CN116802676A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种用于增强图像质量的系统及方法。所述系统及方法获取经训练用于使一或多个训练图像及一或多个训练设计图像相关的机器学习模型。所述系统及方法接收对应于样本样品的一或多个特征的一或多个样本样品图像。所述系统及方法通过使用所述机器学习模型至少基于所述一或多个样本样品图像产生一或多个增强图像而增强所述一或多个样本样品图像。

Description

用于使用芯片设计数据以改进光学检验及计量图像质量的 方法
相关申请案的交叉引用
本申请案根据35U.S.C.§119(e)的规定主张2021年2月25日申请的标题为用于使用芯片设计数据以改进光学检验及计量图像质量的方法(Methods for ImprovingOptical Inspection and Metrology Image Quality Using Chip Design Data)的以考希克·沙(Kaushik Sah)、赛如普瑞森达理·贾亚拉曼(Thirupurasundari Jayaraman)、斯里坎思·坎杜库里(Srikanth Kandukuri)、安德鲁·詹姆斯·克罗斯(Andrew JamesCross)及甘加达尔·西瓦拉曼(Gangadharan Sivaraman)为发明人的第63/153,380号美国临时申请案的权利，所述申请案的全部内容以引用的方式并入本文中。
技术领域
本发明大体上涉及样品分析的领域且更特定来说，涉及一种用于利用机器学习技术改进样品的图像质量的系统及方法。
背景技术
电子逻辑及存储器装置的不断减小的特征大小提出广泛范围的制造挑战。例如，在半导体制造的上下文中，从半导体装置识别缺陷是改进处理能力及良率的重要步骤。随着特征大小减小，检验对于成功制造变得关键且越来越小的缺陷可引起装置失效。随着设计规则收缩，半导体制造工艺可更接近技术能力的边界操作。
用于光学上成像、解析且分析小特征的当前方法受所使用成像系统的光学分辨率限制。
此外，用于获得特征的更详细图像(例如通过使用扫描电子显微镜(SEM)的第二追踪成像遍次)的方法可耗时且无法执行以分析数百个特征。
另外，传统技术可尝试使用具有更高分辨率SEM图像的机器学习来增加光学图像的分辨率，但为其创建训练数据可为困难、耗时且昂贵的。
因此，可期望提供一种解决上文识别的现有方法的一或多个缺点的系统及方法。
发明内容
根据本公开的一或多个实施例，公开一种用于增强图像质量的特性化系统。在一个阐释性实施例中，所述系统包含一或多个控制器，所述一或多个控制器包含经配置以执行维持于存储器中的一组程序指令的一或多个处理器。在另一阐释性实施例中，所述一组程序指令经配置以引起所述一或多个处理器获取经训练用于使一或多个训练图像及一或多个训练设计图像相关的机器学习模型。在另一阐释性实施例中，所述一组程序指令经配置以引起所述一或多个处理器接收对应于样本样品的一或多个特征的一或多个样本样品图像。在另一阐释性实施例中，所述一组程序指令经配置以引起所述一或多个处理器通过使用所述机器学习模型至少基于所述一或多个样本样品图像产生一或多个增强图像而增强所述一或多个样本样品图像。
根据本公开的一或多个实施例，公开一种用于增强图像质量的方法。在一个阐释性实施例中，所述方法包含获取经训练用于使一或多个训练图像及一或多个训练设计图像相关的机器学习模型。在另一阐释性实施例中，所述方法包含接收对应于样本样品的一或多个特征的一或多个样本样品图像。在另一阐释性实施例中，所述方法包含通过使用所述机器学习模型至少基于所述一或多个样本样品图像产生一或多个增强图像而增强所述一或多个样本样品图像。
应理解，前文概述及下文详细描述两者仅是示范性及说明性的且未必限制如主张的本发明。并入本说明书中且构成本说明书的一部分的附图说明本发明的实施例且与概述一起用于解释本发明的原理。
附图说明
所属领域的技术人员通过参考附图可更好理解本公开的许多优点。
图1说明用于使用SEM图像识别缺陷的流程图。
图2A说明根据本公开的一或多个实施例的利用机器学习技术以产生样品的增强图像的特性化系统。
图2B说明根据本公开的一或多个实施例的利用机器学习技术以产生样品的增强图像的特性化系统。
图3A说明根据本公开的一或多个实施例的用于训练机器学习模型的流程图。
图3B说明根据本公开的一或多个实施例的经配置以基于样品的样品图像产生样品的增强图像的经训练机器学习模型的流程图。
图4说明根据本公开的一或多个实施例的用于训练包含生成对抗网络(GAN)的机器学习模型的流程图。
图5说明根据本公开的一或多个实施例的用于利用机器学习模型增强图像质量的方法的流程图。
具体实施方式
已关于某些实施例及其特定特征特别展示且描述本公开。将本文中阐述的实施例视为阐释性而非限制性。所属领域的一般技术人员应容易了解，可作出形式及细节上的各种改变及修改而不脱离本公开的精神及范围。现将详细参考在附图中说明的所公开主题。
大体上参考图1到5，根据本公开的一或多个实施例公开用于增强图像质量的系统及方法。本公开的实施例涉及获取经训练用于使一或多个训练图像及一或多个训练设计图像相关的机器学习模型。额外实施例涉及通过使用机器学习模型至少基于一或多个样本样品图像产生一或多个增强图像而增强一或多个样本样品图像。
本文中应注意，可使用3D设计图像呈现SEM图像。例如，在2019年9月9日申请的第16,564,981号美国专利申请案中大体上描述使用3D设计图像呈现SEM图像，所述申请案的全部内容以引用的方式并入本文中。然而，本文中经审慎考虑，此方法可具有限制。例如，使用3D设计图像呈现SEM图像可需要在训练过程期间使用SEM且3D设计图像在运行时间(例如，在使用机器学习模型时)可用。然而，获得SEM图像以供训练对于执行可过于昂贵且缓慢。此外，3D设计图像在运行时间可不容易获得。另外，基于3D设计图像的经产生SEM图像可在其识别/预测特征及特性的能力上受限制(例如，不能够预测缺陷)，这是因为3D设计并非具有待预测、识别及/或增强的特定真实世界特征(例如，缺陷)的经制造样品的实际真实世界图像。
一些实施例涉及解决这些问题中的至少一些问题的增强图像质量的系统及方法。
例如，在一些应用中，可提供使用光学图像而非SEM图像的特性化系统。在此实例中，光学图像可用于训练(连同设计图像)且用作输入以通过机器学习模型增强。例如，训练图像及训练设计图像的许多(例如，数千个)训练对的训练数据集可经快速、便宜且准确地(例如，准确地对准)创建、产生、接收或类似者。SEM成像通常是缓慢且昂贵的。
此外，当增强样本样品图像(例如，光学图像)时，获得且增强真实世界数据(例如，光学图像是真实世界数据)以提供样品的特征的更准确特性化。另一方面，3D设计文件不一定是真实世界捕捉数据，且可为经预测样品的数据。此外，3D设计文件可难以在样本样品图像的增强期间(例如，在运行机器学习模型时)获得，而样品自身可容易可用于成像。
图1说明描绘传统缺陷识别技术的一系列图像。为了分析样品(例如，半导体晶片)内的特征(例如，缺陷)的相对位置、类型及结构，传统技术可首先获得一或多个光学图像102，如图1中展示。例如，如图1中展示，展示使用EUV光刻图案化的晶片的光学图像100。此外，在每一对应光学图像102下方展示同一晶片的同一区域的SEM图像104。应注意，当预测可能缺陷在所关注区域106中的某处时，可极其难以单独基于光学图像102确定哪一确切特征(例如，多边形特征108)在所述所关注区域106中失效。这是因为光学图像102中的特征108可能未完全光学解析，如由光学图像102展示。实际上，仅可在进行来自SEM的追踪成像(如由SEM图像104展示)之后可识别失效的特定多边形特征108(例如，可归因于EUV随机热点而失效，如图1中展示)。然而，应注意，在SEM上进行追踪成像以获得图1中展示的SEM图像104对于针对每一所关注区域106执行可为缓慢、昂贵且不切实际的(例如，相较于获得光学图像102，过于耗时或昂贵)。应注意，本公开的实施例允许由成像工具(例如，检验器)成像的特征(例如，缺陷)的性质及/或上下文的确定而无需SEM检视(例如，追踪)。
因此，本公开的实施例涉及一种解决上文识别的先前方法的一或多个缺点的系统及方法。
图2A说明根据本公开的一或多个实施例的利用机器学习技术以产生样品的增强图像的特性化系统200。系统200可包含(但不限于)一或多个特性化子系统202。系统200可另外包含(但不限于)控制器204，控制器204包含一或多个处理器206及存储器208及用户界面210。
特性化子系统202可包含此项技术中已知的任何特性化子系统202，包含(但不限于)基于光学的特性化系统。在一个实施例中，控制器204通信地耦合到一或多个特性化子系统202。在此方面，控制器204的一或多个处理器206可经配置以产生一或多个控制信号，所述一或多个控制信号经配置以调整特性化子系统202的一或多个特性。
图2B说明根据本公开的一或多个实施例的利用机器学习技术以产生样品的增强图像的特性化系统200。特定来说，图2B说明包含光学特性化子系统202a的特性化系统200。
光学特性化子系统202a可包含此项技术中已知的任何基于光学的特性化系统，包含(但不限于)光学检验工具或基于图像的计量工具。例如，特性化子系统202a可包含允许缺陷的检验的光学检验工具。在另一实例中，特性化子系统202a可包含光学临界尺寸计量工具。光学特性化子系统202a可包含(但不限于)照明源212、照明臂214、集光臂216及检测器组合件218。
在一个实施例中，光学特性化子系统202a经配置以检验及/或测量安置于载物台组合件222上的样品220。照明源212可包含此项技术中已知的用于产生照明224的任何照明源，包含(但不限于)宽带辐射源。在另一实施例中，光学特性化子系统202a可包含经配置以将照明224引导到样品220的照明臂214。应注意，光学特性化子系统202a的照明源212可经配置以在此项技术中已知的任何定向中，包含(但不限于)暗场定向、明场定向及类似者。
样品220可包含此项技术中已知的任何样品，包含(但不限于)晶片(例如，半导体晶片)、光罩、光掩模及类似者。在一个实施例中，样品220安置于载物台组合件222上以促进样品220的移动。在另一实施例中，载物台组合件222是可致动载物台。例如，载物台组合件222可包含(但不限于)适用于沿着一或多个线性方向(例如，x方向、y方向及/或z方向)可选择地平移样品220的一或多个平移载物台。通过另一实例，载物台组合件222可包含(但不限于)适用于沿着旋转方向选择性地旋转样品220的一或多个旋转载物台。通过另一实例，载物台组合件222可包含(但不限于)适用于可选择地沿着线性方向平移样品220及/或沿着旋转方向旋转样品220的旋转载物台及平移载物台。本文中应注意，系统200可在此项技术中已知的任何扫描模式中操作。
照明臂214可包含此项技术中已知的任何数目及类型的光学组件。在一个实施例中，照明臂214包含一或多个光学元件226、光束分离器228及物镜230。在此方面，照明臂214可经配置以将来自照明源212的照明224聚焦到样品220的表面上。一或多个光学元件226可包含此项技术中已知的任何光学元件，包含(但不限于)一或多个镜、一或多个透镜、一或多个偏光器、一或多个光束分离器及类似者。
在另一实施例中，光学特性化子系统202a包含经配置以收集从样品220反射或散射的照明的集光臂216。在另一实施例中，集光臂216可经由一或多个光学元件232将反射及散射光引导及/或聚焦到检测器组合件218的一或多个传感器。一或多个光学元件232可包含此项技术中已知的任何光学元件，包含(但不限于)一或多个镜、一或多个透镜、一或多个偏光器、一或多个光束分离器及类似者。应注意，检测器组合件218可包含此项技术中已知的用于检测从样品220反射或散射的照明的任何传感器及检测器组合件。
在另一实施例中，光学特性化子系统202的检测器组合件218经配置以基于从样品220反射或散射的照明收集样品220的图像数据。在另一实施例中，检测器组合件218经配置以将经收集/经获取图像及/或计量数据传输到控制器204。
如本文中先前提及，系统200的控制器204可包含一或多个处理器206及存储器208。存储器208可包含经配置以引起一或多个处理器206实行本公开的各种步骤的程序指令。在一个实施例中，程序指令经配置以引起一或多个处理器206调整光学特性化子系统202的一或多个特性以便执行样品220的一或多个测量。
在另一实施例中，如图2A及图2B中展示，系统200包含通信地耦合到控制器204的用户界面210。在另一实施例中，用户界面210包含用户输入装置及显示器。用户界面210的用户输入装置可经配置以从用户接收一或多个输入命令，所述一或多个输入命令经配置以将数据输入到系统200中及/或调整系统200的一或多个特性。在另一实施例中，用户界面210的显示器可经配置以将系统200的数据显示给用户。
如本文中先前提及，控制器204的一或多个处理器206可通信地耦合到存储器208，其中一或多个处理器206可经配置以执行维持于存储器208中的一组程序指令，且所述一组程序指令可经配置以引起一或多个处理器206实行本公开的各种功能及步骤。在此方面，控制器204可经配置以：使用特性化子系统202获取包括一或多个训练样品220的一或多个训练特征(例如，多边形特征108)的一或多个训练图像234；接收对应于一或多个训练样品220的一或多个训练特征的一或多个训练设计图像302；将一或多个训练图像234与对应于一或多个训练样品220的一或多个训练特征的一或多个训练设计图像302对准；基于一或多个训练图像234及一或多个训练设计图像302产生机器学习模型；接收对应于样本样品的一或多个特征的一或多个样本样品图像306；及通过使用机器学习模型至少基于一或多个样本样品图像306产生一或多个增强图像308而增强一或多个样本样品图像306。
图3A说明根据本公开的一或多个实施例的用于训练机器学习模型的流程图300。在此方面，流程图300可被视为概念流程图，其说明通过控制器204的一或多个处理器206/在控制器204的一或多个处理器206内执行的步骤。
在一个实施例中，控制器204经配置以从特性化子系统202接收训练样品220的一或多个训练特征的一或多个训练图像234。为了本公开的目的，术语“训练图像”及类似者可被视为将用作用于训练机器学习分类器(例如，机器学习模型)的输入的图像。
例如，如图3A中展示，控制器204可经配置以从光学特性化子系统202a接收样品220的一或多个特征的一或多个光学训练图像234。在此方面，图3A中描绘的训练图像234可包含光学训练图像234。在额外及/或替代实施例中，控制器204可经配置以从除一或多个特性化子系统202之外的源接收一或多个训练图像234。例如，控制器204可经配置以从外部存储装置及/或存储器208接收样品220的特征的一或多个训练图像234。在另一实施例中，控制器204可进一步经配置以将经接收训练图像234存储在存储器208中。
在另一实施例中，控制器204经配置以接收对应于样品220的一或多个特征的一或多个训练设计图像302。术语“训练设计图像302”及类似术语可被视为与样品220(例如，训练样品)的设计相关联(或从样品220的设计导出)的任何数据、文件或图像。在此方面，术语“设计图像”可与术语“设计数据”、“设计导出数据”、“设计文件”及“设计导出文件”可互换地使用。样品的设计可为芯片设计。设计数据可呈2D格式(其可为单个层)。在另一实例中，设计数据可为多层设计图像，例如样本的两个或更多个层的设计的两个或更多个层的多层3D设计图像。在另一实例中，“设计图像”可为从设计数据导出的图像，例如从设计数据的经模拟物理模型或几何变换导出的图像。例如，样品的设计可通过几何变换修改，在一些实施例中，所述几何变换可经配置以修改设计使得设计更有利于用作机器学习模型的训练数据。在此方面，样品的设计可通过使设计的隅角及/或边缘修圆及/或使边缘模糊的几何变换来修改。在一些实施例中，一或多个训练设计图像302存储在存储器208中，使得控制器204经配置以从存储器208接收及/或检索一或多个训练设计图像302。
在一个实施例中，控制器204经配置以将一或多个训练图像234与一或多个训练设计图像302对准。应注意，将一或多个训练图像234与一或多个训练设计图像302对准可通过能够具有高对准准确度的系统执行。例如，对准可通过经配置以能够具有在数个像素的准确度(例如，子像素准确度)内的对准的特性化系统200执行(或变得可行)。应注意，在一些实施例中，具有具备在数个像素内的对准准确度误差的一些训练对(例如，与训练设计图像302对准的训练图像234)不仅可接受，而且也可有助于使机器学习模型正规化且因此防止机器学习模型的过度拟合。对准质量的一个度量是基于缺陷的图案到设计对准(PDA)质量。在一些实施例中，PDA质量可用于控制训练集(即，训练对集)的对准质量。
在一些实施例中，一旦对准训练对，便可对每一训练对进行一或多个修改以便增加训练数据集(即，训练对集)的大小。此类修改可允许更准确及/或更稳健的机器学习模型。此外，修改可包含改变训练对的定向且翻转训练对图像以产生经旋转及/或翻转版本。
应注意，对准的益处包含(但不限于)快速地产生经对准训练图像234及训练设计图像302的训练对的大低成本训练集。例如，可通过使用检验器对晶片的快速扫描或计量工具的目标获取而相对容易地获得数千个训练对。例如，如果成像工具(例如，计量工具)的光学器件经设定为晶片的给定层的最佳已知方法(BKM)设定，那么不需要灵敏度参数调谐、缺陷验证或SEM检视来创建、产生、接收训练对的大训练数据集或类似动作。
此外，应注意，本公开的实施例的益处可包含(但不限于)：允许快速且相对低成本地获取光学图像以在机器学习模型(贯穿本公开详细论述)的训练及使用(例如，增强)期间使用；允许快速且相对低成本地接收(或产生或类似者)训练设计图像以在机器学习模型的训练期间使用；将训练图像与训练设计图像快速及/或具成本效益地对准；及例如，不需要缓慢且昂贵的SEM追踪遍次以为基于SEM图像的机器学习模型收集训练SEM图像。
在一些实施例中，对准可通过能够处置设计文件(例如.gds文件及/或.oas文件)的光学检验及/或计量系统执行(或变得可行)。
在一些实施例中，将训练图像与训练设计图像对准可允许训练设计图像成为样品的高分辨率地面实况，这可允许增强类似于(例如，类似样品的)训练图像的图像的图像质量。在一些实施例中，此增强可允许图像的超分辨率及特征(例如，缺陷)的上下文参数的更佳运算、特征的局部化或标记及细微特征的更准确分类，且也可提供用于以经改进信噪(SNR)比检测/重新检测缺陷的新方法。例如，增强图像的分辨率可高于训练图像及/或样本样品图像的分辨率。
在另一实施例中，控制器204经配置以基于一或多个训练图像234及一或多个训练设计图像302产生机器学习模型304。在此方面，一或多个训练图像234及一或多个训练设计图像302可用作用于训练机器学习模型304的输入。机器学习模型304可包含此项技术中已知的任何类型的机器学习算法/分类器及/或深度学习技术或分类器，包含(但不限于)生成对抗网络(GAN)、条件生成对抗网络(CGAN)、卷积神经网络(CNN)(例如，GoogleNet、AlexNet及类似者)、集成学习分类器、随机森林分类器、人工神经网络(ANN)、自动编码器及类似者。在实施例中，控制器204可经配置以将经产生机器学习模型304存储在存储器208中。
本文中经审慎考虑，控制器204可经配置以经由监督式学习及/或非监督式学习产生机器学习模型304。训练/产生机器学习模型304可包含教示机器学习模型304以基于样本样品图像306产生增强图像308，如图3A中展示。在此方面，机器学习模型304可包含经配置以产生增强图像308的任何算法、分类器或预测模型(如图3B中展示)。将在本文中进一步详细论述此。应知道，图3B中展示的增强图像308仅是为了阐释性目的且可未优化且因此小于由本公开的至少一些实施例提供的机器学习模型的潜在输出的完整显示。
在一个实施例中，在已训练机器学习模型304之后，控制器204可经配置以接收样本样品220的一或多个特征的一或多个样本样品图像306。如本文中使用，术语“样本图像”(例如，“样本”样品图像306)或类似者可用于指不用于训练机器学习模型304的样本样品的样本图像。更具体来说，例如，样本样品图像306可指期望其增强图像308的制造/特性化工艺的样本样品220的图像。例如，样本样品图像306可包含待在制造工艺中制造的样本样品220的光学图像。如先前提及，一或多个产品样本样品图像306可存储在存储器208中，使得控制器204经配置以从存储器208接收及/或检索一或多个样本样品图像306。
在实施例中，样品220的一或多个特征可包含可在贯穿样品220制造/特性化工艺中所关注的任何特征，包含(但不限于)图案化结构、缺陷、高深宽比(HAR)结构、临界尺寸(CD)结构及类似者。例如，当设计待制造的样品220时，工艺工程师可知道可能在样品220的制造期间创建的缺陷的相对位置、类型及大致结构。为了预测可能缺陷的光学图像的外观以便在创建之后更有效地识别缺陷，工艺工程师可产生各种位置处的可能缺陷的训练设计图像302。各种位置可为来自库的已知缺陷位置、工艺或设计团队的输入或检验器的检验输出(其可为可能缺陷位置)。可接着将这些训练设计图像302输入到机器学习模型304以训练机器学习模型。
在另一实施例中，控制器204经配置以基于一或多个样本样品图像306与机器学习模型304产生样品220的一或多个特征的一或多个增强图像308。例如，继续上文的同一实例，可将样本样品220内的可能缺陷(例如，特征)的一或多个样本样品图像306输入到机器学习模型304。控制器204可经配置以接收可能缺陷(例如，其可包含其位置)的这些样本样品图像306，且使用机器学习模型304产生可能缺陷(例如，特征)(例如，在同一位置处)的一或多个增强图像308。在实施例中，机器学习模型304可经配置以产生可能缺陷的增强光学图像(例如，增强图像308)。增强图像可看似(但不限于)设计图像(例如，经导出设计图像)或设计图像的近似表示。控制器204可经配置以将一或多个增强图像308存储在存储器208中。
增强可包含(但不限于)(即，相对于样本样品图像，增强图像可拥有增强特性)：更高分辨率(例如，超分辨率)；用于解析的更高清晰度/能力(例如，较不模糊)；更高对比度度；更高信噪比；及特征的更高灵敏度或特征的特性。例如，图像(例如，样本样品图像306)的一或多个特征在大小上可为子分辨率(例如，小于一个像素及/或不可解析)且增强图像608的分辨率可经改进使得一或多个特征中的至少一者在大小上并非子分辨率。
在实施例中，通过机器学习模型304产生的增强图像308可用作参考图像以供后续特性化、检验及检测。例如，通过产生缺陷的增强图像308，用户及/或系统200可经配置以辨识/识别缺陷的可能特性(例如，缺陷局部化、缺陷上下文属性、缺陷的分类方案、缺陷分类类型、缺陷大小及类似者)。当随后检验样品220时，系统200可经配置以基于在增强图像308内识别的缺陷的已知可能特性更快速且有效地识别缺陷。
在另一实施例中，控制器204经配置以基于一或多个增强图像308确定样品220的一或多个特性。继续上文的同一实例，控制器204可经配置以基于增强图像308确定样本样品220的可能缺陷(例如，特征)的一或多个特性。可基于增强图像308确定的样品220及/或样品220的特征的特性可包含此项技术中已知的样品220的任何特性，包含(但不限于)样品220内的缺陷的位置、样品220内的缺陷的类型、缺陷的上下文属性、缺陷的分类方案、缺陷的大小、样品220的测量及类似者。
图4说明根据本公开的一或多个实施例的用于训练机器学习模型的流程图400。应注意，图4可描绘用于训练GAN的通用流程图400，但图4仅是为了阐释性目的而提供，且不应被视为本公开的机器学习模型的类型或结构的限制。在一些实施例中，机器学习模型304可为深度学习模型304。在一些实施例中，机器学习模型304可为生成对抗网络(GAN)304。在实施例中，GAN 304(例如，机器学习模型304)可包含(但不限于)生成器402及鉴别器404。在实施例中，生成器402可经配置以在训练期间从训练图像234(例如，样品220的“真实”光学图像)产生增强图像406。鉴别器404可经配置以接收训练设计图像302(例如，与训练图像234对准的设计图像)及增强图像406(例如，从经输入光学图像产生)且确定每一增强图像是否类似于设计图像。“类似”或“不类似”的确定可被称为鉴别器输出。在此方面，训练GAN(例如，机器学习模型304)可涉及训练鉴别器404以变得在识别非常类似于设计的增强光学图像上更准确，以及训练生成器402以产生更写实“高分辨率(或增强)光学”图像以“欺骗”鉴别器404。随着鉴别器404在训练设计图像302与经产生增强图像406之间的解密上变得更佳，生成器402必须在产生更写实增强光学图像406上变得更佳。当训练GAN时，可确定GAN损耗410且可使用GAN损耗410以更新生成器402及鉴别器404(例如，更新生成器402及鉴别器404的权重)。生成器损耗408也可经确定且用作到鉴别器404的输入。在已充分训练生成器402之后，可从机器学习模型304输出增强图像406作为图3B中说明的增强图像308。应注意，图3A中的训练图像234可为或包括图3B中的训练设计图像302。
图5说明根据本公开的一或多个实施例的用于利用机器学习模型304增强图像质量的方法500的流程图。本文中应注意，方法500的步骤可全部或部分通过特性化系统200实施。然而，应进一步认知，方法500不限于特性化系统200，其中额外或替代系统级实施例可实行方法500的步骤的全部或部分。
在步骤502中，使用特性化子系统获取一或多个训练样品的一或多个特征的一或多个训练图像。例如，如图3A中展示，控制器204可经配置以从光学特性化子系统202a接收一或多个样品220的一或多个特征的一或多个光学训练图像234。
在步骤504中，接收对应于样品的一或多个特征的一或多个训练设计图像。例如，一或多个训练设计图像302可存储在存储器208中，使得控制器204经配置以从存储器208接收及/或检索一或多个训练设计图像302。
在步骤506中，将一或多个训练图像与对应于一或多个训练样品的一或多个训练特征的一或多个训练设计图像对准。例如，一或多个训练设计图像302可存储在存储器208中，使得控制器204经配置以从存储器208接收及/或检索一或多个训练设计图像302。在另一实例中，可实时对准一或多个训练设计图像302。例如，可使用像素到设计对准在数学上对准一或多个训练设计图像302。
在步骤508中，基于一或多个训练图像及一或多个训练设计图像产生机器学习模型。例如，一或多个训练图像234及一或多个训练设计图像302可用作用于训练机器学习模型304的输入。机器学习模型304可包含此项技术中已知的任何类型的机器学习算法/分类器及/或深度学习技术或分类器，包含(但不限于)条件生成对抗网络(CGAN)、卷积神经网络(CNN)(例如，GoogleNet、AlexNet及类似者)、集成学习分类器、随机森林分类器、人工神经网络(ANN)、自动编码器及类似者。
应注意，可标记一或多个训练设计图像302(例如，可标记一或多个训练设计图像的特征以增强训练)。
在替代步骤(未展示)中，步骤502到508可替代地由一步骤替换。在此一步骤中，可获取或接收机器学习模型，所述机器学习模型基于一或多个训练图像及对应于且对准于一或多个训练图像的一或多个训练设计图像。例如，控制器204可经配置以获取基于一或多个训练图像及对应于且对准于一或多个训练图像的一或多个训练设计图像的机器学习模型。例如，机器学习模型可通过不同系统产生。在另一实例中，在方法内或控制器204可经配置以获取经训练用于使一或多个训练图像及一或多个训练设计图像相关的机器学习模型。
在步骤510中，接收对应于样本样品的一或多个特征的一或多个样本样品图像。例如，如图2B及图3B中展示，控制器204可经配置以接收样本样品220的一或多个特征的一或多个样本样品图像306。
在步骤512中，通过使用机器学习模型至少基于一或多个样本样品图像产生一或多个增强图像而增强一或多个样本样品图像。例如，如图3B中展示，控制器204可经配置以通过使用机器学习模型304至少基于一或多个样本样品图像306产生一或多个增强图像308而增强特征(例如，可能缺陷)的一或多个样本样品图像306。
在任选步骤514中，基于一或多个增强图像确定样品的一或多个特性。例如，继续同一实例，控制器204可经配置以基于经产生增强图像308确定样本样品220的特征(例如，可能缺陷)的一或多个特性。可基于增强图像308确定的样本样品220及/或样本样品220的特征的特性可包含此项技术中已知的样品的任何特性，包含(但不限于)样品220内的特征(例如，缺陷)的位置、样品220内的特征的类型、特征的上下文属性、特征的分类方案、特征的大小及特征或样品220的测量及类似者。
在任选步骤(未展示)中，可基于一或多个特性调整工艺工具。例如，可使用前馈及/或反馈以调整制造线上的工艺工具(例如，光刻工具)以至少缓解当前样本中的缺陷(在前馈的情况中)或避免后续样本中的缺陷(在反馈的情况中)。在此方面，控制器204可将控制信号传输到工艺工具以引起工艺工具调整一或多个参数。此调整可在上游执行(在反馈的情况中)以相对于后续样本调整工艺工具参数及/或可在下游执行(在前馈的情况中)以相对于当前样本调整工艺工具参数。例如，继续同一实例，控制器204可经配置以基于一或多个特性调整工艺工具。特性化系统200可为或包含成像工具/系统。例如，特性化系统200可为检验工具。在另一实例中，特性化系统200可为覆盖计量工具。工艺工具可为在样本的制造或检验中使用的任何工具。例如，工艺工具可为光刻工具、SEM检视工具或类似者。
在任选步骤(未展示)中，可基于一或多个特性调整计量工具。例如，可基于对通过机器学习模型产生的增强图像确定的缺陷或测量的特性来调整计量工具(例如，覆盖计量工具)。
在任选步骤(未展示)中，可使用上下文属性以确定特征(例如，缺陷)分类类型。例如，控制器204可经配置以确定缺陷的分类类型是否是至少所关注缺陷(DOI)或扰乱点缺陷中的一者。应注意，扰乱点缺陷可为“假”缺陷(例如，不影响样品性能或良率的缺陷)。DOI可为不影响性能及/或良率的缺陷。
应注意，本公开中确定特性或类似者(例如，一或多个特征的一或多个特性)意味着首次确定特性以及确定特性使得可更新/细化已知(预先存在)特性。例如，确定局部化可意味着更新/细化预先存在局部化。
例如，应注意，确定是局部化的特性可包含确定更准确位置。位置可为相对于特性化系统200、特性化系统200的任何元件、由控制器204使用的坐标系统或任何其它相对位置坐标系统。应注意，更准确局部化有益于至少用于多边形层标记的多图案化方案及EUV图案化中的随机识别(例如，参见图1)。
例如，确定是分类方案的特性应可包含确定更准确分类方案。分类方案可包含(但不限于)用于对特征(例如，缺陷)进行分类的方案。例如，特征的任何数目个属性(例如，大小、形状、环境及任何其它属性的组合)可用于将所述特征分类成一或多个类别(例如，DOI或扰乱点缺陷)。
例如，确定是分类类型的特性应可包含确定更准确分类类型。例如，控制器204可经配置以确定特征的分类类型是否准确且细化所述特征的分类类型确定。例如，控制器204可经配置以将特征的预定分类类型更新到不同分类类型(例如，将分类类型从DOI改变为扰乱点缺陷或反之亦然)。
例如，确定是大小的特性(例如，大小测量)可包含确定更准确大小及/或更新/细化大小。例如，增强图像可具有经改进的分辨率质量及解析特征的能力，这可允许经改进测量准确度。
在任选步骤(未展示)中，可基于一或多个增强图像重新识别一或多个缺陷。例如，控制器204可经配置以基于一或多个增强图像重新识别一或多个缺陷。重新识别可意味着(但不限于)在第一识别之后可使用不同系统或方法或全文公开的相同或类似特性化系统200及方法发生的识别。
在任选步骤(未展示)中，可基于一或多个增强图像识别一或多个缺陷。例如，控制器204可经配置以基于一或多个增强图像识别一或多个缺陷(例如，第一识别)。
应注意，通过产生一或多个增强图像而增强一或多个样本样品图像及/或识别(检测)一或多个特征(例如，缺陷)可用于一或多个特征(例如，缺陷)的重新检测。例如，为了重新检测(例如，重新识别)，机器学习模型可用于对一或多个特征(例如，缺陷)进行测试及参考拼贴两者。继续同一实例，可在后处理(例如，重新检测)中分析一或多个特征(例如，缺陷)(例如，用于确定特性)。在一些实施例中，重新检测可产生真实缺陷与假(例如，噪声)缺陷之间的更稳健区别的益处。
应注意，通过产生一或多个增强图像而增强一或多个样本样品图像及/或识别(检测)一或多个特征(例如，缺陷)可实时执行。例如，通过使用机器学习模型产生一或多个增强图像而增强一或多个样本样品图像(例如，其可为用于特征检测的原始光学帧数据图像)可实时执行(例如，如在实况扫描中)或对经记录样本样品图像执行(例如，如在VIVA-虚拟检验器虚拟分析器中)。例如，识别或检测可在回放期间对经记录晶片图像的回放发生。
应注意，可依据特定问题(例如，经分析特定特征(例如，缺陷)或样品)优化精确机器学习模型细节(机器学习模型的各种层的构造、损失函数及类似者)。
应注意，训练/产生机器学习模型可在收集用于训练的数据之后脱机执行，但也可实时(实况)执行使得随着更多样本图像经记录(且与设计图像对准)，可使用经记录训练图像更新机器学习模型。
应注意，在一些实施例中，本文中公开的方法及系统可脱机使用(例如，在后工艺中)或在扫描期间使用(例如，在缺陷检测模式中)。例如，可记录样本样品图像且识别一或多个缺陷可在经记录样本样品图像的回放或数据的脱机重新处理期间中的至少一者期间发生。
应注意，一或多个训练图像的两个或更多个训练缺陷的每一训练缺陷可来自两个或更多个不同基于设计的群组(DBG)的特定DBG。DBG可为通过检验工艺传回的缺陷位置处的局部设计的分组。具有来自两个或更多个不同DBG的训练缺陷的益处可包含具有具备更多样化设计背景的训练集(即，训练图像及训练设计图像)及将更一般化且稳健的机器学习模型。在一些实施例中，此类益处可在几乎无额外代价的情况下增加。
在任选步骤(未展示)中，可基于一或多个特征的一或多个特性重新检测(或检测)一或多个缺陷中的至少一者。例如，控制器204可经配置以基于一或多个特征的一或多个特性重新检测一或多个缺陷中的至少一者。例如，重新检测可通过特性化系统200或任何其它系统或成像工具(例如，SEM)执行。在此方面，特性(例如，DOI的分类类型)可引导控制器204调整工艺工具(例如，SEM)以基于具有DOI的分类的特征重新检测(例如，成像)所述特征。例如，在至少一些实施例中，本公开允许从光学检验器及更少SEM验证提供更佳巴瑞图(pareto)。例如，通过本公开减小分类为DOI的缺陷的数目可允许更少SEM验证，从而节省工具时间及人工。
再次参考图2A，本文中应注意，系统200的一或多个组件可以此项技术中已知的任何方式通信地耦合到系统200的各种其它组件。例如，一或多个处理器206可经由有线连接(例如，铜导线、光纤电缆及类似者)或无线连接(例如，RF耦合、IR耦合、WiMax、蓝牙、3G、4G、4G LTE、5G及类似者)通信地耦合到彼此及其它组件。通过另一实例，控制器204可经由此项技术中已知的任何有线或无线连接通信地耦合到特性化子系统202的一或多个组件。
在一个实施例中，一或多个处理器206可包含此项技术中已知的任何一或多个处理元件。在此意义上，一或多个处理器206可包含经配置以执行软件算法及/或指令的任何微处理器型装置。在一个实施例中，一或多个处理器206可由台式计算机、主计算机系统、工作站、图像计算机、并行处理器或经配置以执行程序(其经配置以操作特性化系统200)的其它计算机系统(例如，联网计算机)组成，如贯穿本公开所描述。应认知，贯穿本公开描述的步骤可通过单个计算机系统或替代地通过多个计算机系统实行。此外，应认知，贯穿本公开描述的步骤可在一或多个处理器206中的任何一或多者上实行。一般来说，术语“处理器”可经广泛定义以涵盖具有执行来自存储器208的程序指令的一或多个处理元件的任何装置。再者，特性化系统200的不同子系统(例如，照明源212、电子束分离器228、检测器组合件218、控制器204、用户界面210及类似者)可包含适用于实行贯穿本公开描述的步骤的至少一部分的处理器或逻辑元件。因此，上文描述不应被解译为对本公开的限制而仅为图解。
存储器208可包含此项技术中已知的适用于存储可由相关联的一或多个处理器206执行的程序指令及从特性化子系统202接收的数据的任何存储媒体。例如，存储器208可包含非暂时性存储器媒体。例如，存储器208可包含(但不限于)只读存储器(ROM)、随机存取存储器(RAM)、磁性或光学存储器装置(例如，磁盘)、磁带、固态驱动器及类似者。应进一步注意，存储器208可与一或多个处理器206一起容置于共同控制器外壳中。在替代实施例中，存储器208可相对于处理器206、控制器204及类似者的物理位置远程定位。在另一实施例中，存储器208维持用于引起一或多个处理器206实行贯穿本公开描述的各种步骤的程序指令。
在一个实施例中，用户界面210通信地耦合到控制器204。用户界面210可包含(但不限于)一或多个台式计算机、平板计算机、智能电话、智能型手表或类似者。在另一实施例中，用户界面210包含用于将系统200的数据显示给用户的显示器。用户界面210的显示器可包含此项技术中已知的任何显示器。例如，显示器可包含(但不限于)液晶显示器(LCD)、基于有机发光二极管(OLED)的显示器或CRT显示器。所属领域的技术人员应认知，能够与用户界面210集成的任何显示装置适用于本公开中的实施方案。在另一实施例中，用户可响应于经由用户界面210的用户输入装置显示给用户的数据而输入选择及/或指令。例如，用户可观看(或控制器可经配置以显示)一或多个增强图像308。例如，可在缺陷检测或特性化方法中(例如，通过用户)使用增强图像的此显示。
所属领域的技术人员将认知，为概念清楚起见，将本文中描述的组件(例如，操作)、装置、对象及伴随其的论述用作实例，且审慎考虑各种配置修改。因此，如本文中所使用，所阐述的特定范例及所附论述旨在表示其更一般类别。一般来说，使用任何特定范例旨在表示其类别，且未包含特定组件(例如，操作)、装置及对象不应被视为限制性的。
所属领域的技术人员将了解，存在可实现本文中所描述的过程及/或系统及/或其它技术的各种载体(例如，硬件、软件及/或固件)，且优选载体将随着其中部署所述过程及/或系统及/或其它技术的上下文而变动。例如，如果实施者确定速度及准确度是最重要的，那么实施者可选择主要硬件及/或固件载体；替代地，如果灵活性是最重要的，那么实施者可选择主要软件实施方案；或又再次替代地，实施者可选择硬件、软件及/或固件的某一组合。因此，存在可实现本文中描述的过程及/或装置及/或其它技术的若干可能载体，其任一者本质上并不优于其它者，这是因为待利用的任何载体是取决于其中将部署载体的上下文及实施者的特定考虑因素(例如，速度、灵活性或可预测性)的选择，所述上下文及考虑因素中的任一者可能改变。
呈现先前描述以使所属领域的一般技术人员能够制造且使用如在特定应用及其要求的上下文中提供的本发明。所属领域的技术人员将明白对所描述实施例的各种修改，且本文中定义的一般原理可应用于其它实施例。因此，本发明并不旨在限于所展示及描述的特定实施例，而是应符合与本文中公开的原理及新颖特征一致的最广范围。
关于本文中所使用的大体上任何复数及/或单数术语，所属领域的技术人员可根据上下文及/或应用来将复数转化成单数及/或将单数转化成复数。为清楚起见，本文中未明确阐述各种单数/复数排列。
本文中描述的全部方法可包含将方法实施例的一或多个步骤的结果存储在存储器中。结果可包含本文中描述的任何结果且可以此项技术中已知的任何方式存储。存储器可包含本文中描述的任何存储器或此项技术中已知的任何其它适合存储媒体。在已存储结果之后，结果可在存储器中存取且通过本文中描述的任何方法或系统实施例使用、经格式化以显示给用户、通过另一软件模块、方法或系统使用及类似者。此外，结果可“永久地”、“半永久地”、“暂时地”存储或存储达某一时段。例如，存储器可为随机存取存储器(RAM)，且结果可能不一定无限期地保存在存储器中。
进一步经审慎考虑，上文描述的方法的实施例中的每一者可包含本文中描述的任何其它方法的任何其它步骤。另外，上文描述的方法的实施例中的每一者可通过本文中描述的任何系统执行。
本文中描述的主题有时说明其它组件内含有或与其它组件连接的不同组件。应理解，此类所描绘的架构仅是示范性，且事实上可实施实现相同功能性的许多其它架构。在概念意义上，用于实现相同功能性的组件的任何布置有效“相关联”使得实现所要功能性。因此，在本文中组合以实现特定功能性的任何两个组件可被视为彼此“相关联”使得实现所要功能性而不考虑架构或中间组件。同样地，如此相关联的任何两个组件也可被视为彼此“连接”或“耦合”以实现所要功能性，且能够如此相关联的任何两个组件也可被视为彼此“可耦合”以实现所要功能性。可耦合的特定实例包含(但不限于)可物理配合及/或物理互动组件及/或可无线互动及/或无线互动组件及/或逻辑互动及/或可逻辑互动组件。
此外，应理解，本发明由所附权利要求书界定。所属领域的技术人员将理解，一般来说，本文中所使用的术语且尤其所附权利要求书(例如，所附权利要求书的主体)中所使用的术语一般旨在为“开放式”术语(例如，术语“包含(including)”应解译为“包含但不限于”，术语“具有”应解译为“至少具有”，术语“包括(includes)”应解译为“包括但不限于”，及类似者)。所属领域的技术人员应进一步了解，如果想要引入权利要求叙述的特定数目，那么此意图将在权利要求中明确叙述，且如果缺乏此叙述，那么不存在此意图。例如，作为理解的辅助，随附权利要求书可含有使用引导性词组“至少一个”及“一或多个”来引入权利要求叙述。然而，此类词组的使用不应被解释为隐含：由不定冠词“一(a/an)”引入的权利要求叙述将含有此引入权利要求叙述的任何特定权利要求限制为仅含有此叙述的发明，即使相同权利要求包含引导性词组“一或多个”或“至少一个”及例如“一(a/an)”的不定冠词(例如，“一(a/an)”通常应被解译为意指“至少一个”或“一或多个”)；上述内容对用于引入权利要求叙述的定冠词的使用同样适用。另外，即使明确叙述引入权利要求叙述的特定数目，但所属领域的技术人员还应认知，此叙述通常应被解译为意指至少所述叙述数目(例如，“两条叙述”的基本叙述(无其它修饰语)通常意指至少两条叙述或两条或更多条叙述)。此外，在其中使用类似于“A、B及C中的至少一者及类似者”的惯用表述的那些例项中，此构造一般意指所属领域的技术人员将理解的惯用表述意义(例如，“具有A、B及C中的至少一者的系统”将包含(但不限于)仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C的系统，等)。在其中使用类似于“A、B或C中的至少一者及类似者”的惯用表述的那些例项中，此构造一般意指所属领域的技术人员将理解的惯用表述意义(例如，“具有A、B或C中的至少一者的系统”将包含(但不限于)仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C的系统，等)。所属领域的技术人员应进一步了解，无论在具体实施方式、权利要求书或图中，呈现两个或更多个替代项的实际上任何转折连词及/或词组通常应被理解为审慎考虑以下可能性：包含所述项中的一者、所述项中的任一者或两项。例如，词组“A或B”通常将被理解为包含“A”或“B”或“A及B”的可能性。
相信本公开及许多其伴随优点将通过前述描述理解，且将明白，可对组件的形式、构造及布置做出多种改变而不脱离所公开的主题或不牺牲全部其材料优点。所描述的形式仅是解释性，且所附权利要求书旨在涵盖且包含此类改变。此外，应理解，本发明由所附权利要求书定义。

Claims (53)

1.一种特性化系统，其包括：
控制器，其通信地耦合到特性化子系统，其中所述控制器包含经配置以执行维持于存储器中的一组程序指令的一或多个处理器，其中所述一组程序指令经配置以引起所述一或多个处理器：
获取经训练用于使一或多个训练图像及一或多个训练设计图像相关的机器学习模型；
接收对应于样本样品的一或多个特征的一或多个样本样品图像；及
通过使用所述机器学习模型至少基于所述一或多个样本样品图像产生一或多个增强图像而增强所述一或多个样本样品图像。
2.根据权利要求1所述的特性化系统，其中所述获取经训练用于使所述一或多个训练图像及所述一或多个训练设计图像相关的所述机器学习模型包括：
使用所述特性化子系统获取包括一或多个训练样品的一或多个训练特征的一或多个训练图像；
接收对应于所述一或多个训练样品的所述一或多个训练特征的所述一或多个训练设计图像；
将所述一或多个训练图像与对应于所述一或多个训练样品的所述一或多个训练特征的所述一或多个训练设计图像对准；
基于所述一或多个训练图像及所述一或多个训练设计图像产生机器学习模型。
3.根据权利要求1所述的特性化系统，其中所述获取经训练用于使所述一或多个训练图像及所述一或多个训练设计图像相关的所述机器学习模型包括：
接收所述机器学习模型，所述机器学习模型基于所述一或多个训练图像及对应于且对准于所述一或多个训练图像的所述一或多个训练设计图像。
4.根据权利要求1所述的特性化系统，其中所述特性化子系统包括光学检验子系统或基于光学成像的计量子系统中的至少一者。
5.根据权利要求4所述的特性化系统，其中所述一组程序指令进一步经配置以引起所述一或多个处理器基于所述一或多个增强图像确定所述一或多个特征的一或多个特性。
6.根据权利要求5所述的特性化系统，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征中的至少一者的局部化。
7.根据权利要求5所述的特性化系统，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征中的至少一者的一或多个上下文属性。
8.根据权利要求5所述的特性化系统，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征的分类方案。
9.根据权利要求5所述的特性化系统，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征中的至少一者的缺陷分类类型。
10.根据权利要求9所述的特性化系统，其中所述缺陷分类类型包括所关注缺陷(DOI)或扰乱点缺陷中的一者。
11.根据权利要求5所述的特性化系统，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征中的至少一者的大小测量。
12.根据权利要求5所述的特性化系统，其中所述一组程序指令进一步经配置以引起所述一或多个处理器基于所述一或多个特征的所述一或多个特性调整工艺工具。
13.根据权利要求5所述的特性化系统，其中所述一组程序指令进一步经配置以引起所述一或多个处理器基于所述一或多个增强图像重新识别一或多个缺陷。
14.根据权利要求5所述的特性化系统，其中所述一组程序指令进一步经配置以引起所述一或多个处理器基于所述一或多个增强图像识别一或多个缺陷。
15.根据权利要求14所述的特性化系统，其中所述增强所述一或多个样本样品图像及所述识别所述一或多个缺陷实时发生。
16.根据权利要求14所述的特性化系统，其中所述一或多个样本样品图像经记录且所述识别一或多个缺陷在所述经记录一或多个样本样品图像的回放或数据的脱机重新处理中的至少一者期间发生。
17.根据权利要求5所述的特性化系统，其中所述一或多个特征是一或多个缺陷，且其中所述一组程序指令进一步经配置以引起所述一或多个处理器基于所述一或多个特征的所述一或多个特性重新检测所述一或多个缺陷中的至少一者。
18.根据权利要求5所述的特性化系统，其中所述增强所述一或多个样本样品图像包括：相对于所述一或多个样本样品图像的信噪比(SNR)增加所述一或多个增强图像的所述SNR。
19.根据权利要求2所述的特性化系统，其中所述将所述一或多个训练图像与所述一或多个训练设计图像对准包括将所述一或多个训练图像与所述一或多个训练设计图像对准到子像素准确度。
20.根据权利要求1所述的特性化系统，其中所述训练设计图像包括从一或多个训练样品的设计数据呈现的经呈现训练设计图像或从所述一或多个训练样品的所述设计数据导出的经导出训练设计图像中的至少一者。
21.根据权利要求1所述的特性化系统，其中所述机器学习模型包括深度学习预测模型。
22.根据权利要求21所述的特性化系统，其中所述深度学习预测模型是生成对抗网络(GAN)。
23.根据权利要求1所述的特性化系统，其中所述一或多个训练图像具有第一分辨率且所述一或多个训练设计图像具有高于所述第一分辨率的第二分辨率。
24.根据权利要求23所述的特性化系统，其中所述一或多个增强图像具有高于所述第一分辨率的第三分辨率。
25.根据权利要求1所述的特性化系统，其中所述一或多个训练特征是两个或更多个训练缺陷，所述两个或更多个训练缺陷的每一训练缺陷是来自两个或更多个不同基于设计的群组(DBG)的特定DBG。
26.根据权利要求2所述的特性化系统，其中所述产生所述机器学习模型进一步基于所述一或多个训练图像及所述一或多个训练设计图像两者的经旋转或经翻转版本中的至少一者。
27.根据权利要求1所述的特性化系统，其中所述一或多个特征包含一或多个多边形特征，其中所述一组程序指令进一步经配置以引起所述一或多个处理器确定所述一或多个多边形特征中的至少一者是否是归因于热点而失效的失效多边形特征。
28.一种用于增强图像质量的方法，其包括：
获取经训练用于使一或多个训练图像及一或多个训练设计图像相关的机器学习模型；
接收对应于样本样品的一或多个特征的一或多个样本样品图像；及
通过使用所述机器学习模型至少基于所述一或多个样本样品图像产生一或多个增强图像而增强所述一或多个样本样品图像。
29.根据权利要求28所述的方法，其中所述获取经训练用于使所述一或多个训练图像及所述一或多个训练设计图像相关的所述机器学习模型包括：
获取包括一或多个训练样品的一或多个训练特征的一或多个训练图像；
接收对应于所述一或多个训练样品的所述一或多个训练特征的所述一或多个训练设计图像；
将所述一或多个训练图像与对应于所述一或多个训练样品的所述一或多个训练特征的所述一或多个训练设计图像对准；
基于所述一或多个训练图像及所述一或多个训练设计图像产生机器学习模型。
30.根据权利要求28所述的方法，其中所述获取经训练用于使所述一或多个训练图像及所述一或多个训练设计图像相关的所述机器学习模型包括：
接收所述机器学习模型，所述机器学习模型基于一或多个训练图像及对应于且对准于所述一或多个训练图像的一或多个训练设计图像。
31.根据权利要求28所述的方法，其进一步包括基于所述一或多个增强图像确定所述一或多个特征的一或多个特性。
32.根据权利要求31所述的方法，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征中的至少一者的局部化。
33.根据权利要求31所述的方法，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征中的至少一者的一或多个上下文属性。
34.根据权利要求31所述的方法，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征的分类方案。
35.根据权利要求31所述的方法，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征中的至少一者的缺陷分类类型。
36.根据权利要求35所述的方法，其中所述缺陷分类类型包括所关注缺陷(DOI)或扰乱点缺陷中的一者。
37.根据权利要求31所述的方法，其中所述一或多个特征的所述一或多个特性包括：所述一或多个特征中的至少一者的大小测量。
38.根据权利要求31所述的方法，其进一步包括基于所述一或多个特征的所述一或多个特性调整工艺工具。
39.根据权利要求28所述的方法，其进一步包括基于所述一或多个增强图像重新识别一或多个缺陷。
40.根据权利要求28所述的方法，其进一步包括基于所述一或多个增强图像识别一或多个缺陷。
41.根据权利要求40所述的方法，其中所述增强所述一或多个样本样品图像及所述识别一或多个缺陷实时发生。
42.根据权利要求40所述的方法，其中所述一或多个样本样品图像经记录且所述识别一或多个缺陷在所述经记录一或多个样本样品图像的回放期间发生。
43.根据权利要求28所述的方法，其中所述一或多个特征是一或多个缺陷，且其中所述方法进一步包括基于所述一或多个特征的所述一或多个特性重新检测所述一或多个缺陷中的至少一者。
44.根据权利要求28所述的方法，其中所述增强所述一或多个样本样品图像包括：相对于所述一或多个样本样品图像的信噪比(SNR)增加所述一或多个增强图像的所述SNR。
45.根据权利要求29所述的方法，其中所述将所述一或多个训练图像与所述一或多个训练设计图像对准包括将所述一或多个训练图像与所述一或多个训练设计图像对准到子像素准确度。
46.根据权利要求28所述的方法，其中所述训练设计图像包括从一或多个训练样品的设计数据呈现的经呈现训练设计图像或从所述一或多个训练样品的所述设计数据导出的经导出训练设计图像中的至少一者。
47.根据权利要求28所述的方法，其中所述机器学习模型包括深度学习预测模型。
48.根据权利要求47所述的方法，其中所述深度学习预测模型是生成对抗网络(GAN)。
49.根据权利要求28所述的方法，其中所述一或多个训练图像具有第一分辨率且所述一或多个训练设计图像具有高于所述第一分辨率的第二分辨率。
50.根据权利要求49所述的方法，其中所述一或多个增强图像具有高于所述第一分辨率的第三分辨率。
51.根据权利要求28所述的方法，其中所述一或多个训练特征是两个或更多个训练缺陷，所述两个或更多个训练缺陷的每一训练缺陷是来自两个或更多个不同基于设计的群组(DBG)的特定DBG。
52.根据权利要求29所述的方法，其中所述产生机器学习模型进一步基于所述一或多个训练图像及所述一或多个训练设计图像两者的经旋转或经翻转版本中的至少一者。
53.根据权利要求28所述的方法，其中所述一或多个特征包含一或多个多边形特征，其中所述方法进一步包括确定所述一或多个多边形特征中的至少一者是否是归因于热点而失效的失效多边形特征。
CN202280012981.4A 2021-02-25 2022-02-24 用于使用芯片设计数据以改进光学检验及计量图像质量的方法 Pending CN116802676A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202163153380P 2021-02-25 2021-02-25
US63/153,380 2021-02-25
US17/673,370 US20220270212A1 (en) 2021-02-25 2022-02-16 Methods for improving optical inspection and metrology image quality using chip design data
US17/673,370 2022-02-16
PCT/US2022/017592 WO2022182808A1 (en) 2021-02-25 2022-02-24 Methods for improving optical inspection and metrology image quality using chip design data

Publications (1)

Publication Number Publication Date
CN116802676A true CN116802676A (zh) 2023-09-22

Family

ID=82899718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280012981.4A Pending CN116802676A (zh) 2021-02-25 2022-02-24 用于使用芯片设计数据以改进光学检验及计量图像质量的方法

Country Status (5)

Country Link
US (1) US20220270212A1 (zh)
KR (1) KR20230147643A (zh)
CN (1) CN116802676A (zh)
TW (1) TW202242538A (zh)
WO (1) WO2022182808A1 (zh)

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9875536B2 (en) * 2015-03-31 2018-01-23 Kla-Tencor Corp. Sub-pixel and sub-resolution localization of defects on patterned wafers
US10416087B2 (en) * 2016-01-01 2019-09-17 Kla-Tencor Corporation Systems and methods for defect detection using image reconstruction
US10365639B2 (en) * 2016-01-06 2019-07-30 Kla-Tencor Corporation Feature selection and automated process window monitoring through outlier detection
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10346740B2 (en) * 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US10146036B2 (en) * 2016-06-07 2018-12-04 Globalfoundries Inc. Semiconductor wafer inspection using care area group-specific threshold settings for detecting defects
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
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
US11119060B2 (en) * 2017-09-01 2021-09-14 Kla-Tencor Corporation Defect location accuracy using shape based grouping guided defect centering
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
US10832092B2 (en) * 2018-02-07 2020-11-10 Applied Materials Israel Ltd. Method of generating a training set usable for examination of a semiconductor specimen and system thereof
US11170255B2 (en) * 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images
US10169852B1 (en) * 2018-07-03 2019-01-01 Nanotronics Imaging, Inc. Systems, devices, and methods for providing feedback on and improving the accuracy of super-resolution imaging
US10846845B2 (en) * 2018-07-25 2020-11-24 Fei Company Training an artificial neural network using simulated specimen images
TWI824334B (zh) * 2018-08-17 2023-12-01 荷蘭商Ａｓｍｌ荷蘭公司 非暫時性電腦可讀媒體
US10867108B2 (en) * 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
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
US11379967B2 (en) * 2019-01-18 2022-07-05 Kla Corporation Methods and systems for inspection of semiconductor structures with automatically generated defect features
US11551348B2 (en) * 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
JP7203678B2 (ja) * 2019-04-19 2023-01-13 株式会社日立ハイテク 欠陥観察装置
US11880193B2 (en) * 2019-07-26 2024-01-23 Kla Corporation System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design

Also Published As

Publication number Publication date
US20220270212A1 (en) 2022-08-25
TW202242538A (zh) 2022-11-01
KR20230147643A (ko) 2023-10-23
WO2022182808A1 (en) 2022-09-01

Similar Documents

Publication Publication Date Title
TWI722050B (zh) 單一影像偵測
TWI797699B (zh) 半導體試樣的基於深度學習之檢查的方法及其系統
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
JP6785663B2 (ja) 検査のための高解像度フルダイイメージデータの使用
JP7170037B2 (ja) 大オフセットダイ・ダイ検査用複数段階画像整列方法
US10026011B2 (en) Mask inspection apparatus, mask evaluation method and mask evaluation system
TWI670781B (zh) 疊代式缺陷濾除製程
US11880193B2 (en) System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
TW201903391A (zh) 基於輪廓之缺陷偵測
JP2019537839A (ja) 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
TWI819229B (zh) 用於判定缺陷之系統和方法
JP7453813B2 (ja) 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット
US11961221B2 (en) Defect examination on a semiconductor specimen
US20220270212A1 (en) Methods for improving optical inspection and metrology image quality using chip design data
Wei et al. Surface Defects Detection of Cylindrical High-Precision Industrial Parts Based on Deep Learning Algorithms: A Review
CN117015850B (zh) 以经呈现设计图像进行的设计注意区域的分段
TWI857227B (zh) 生成可用於檢查半導體樣本的訓練資料
TW202407331A (zh) 多模式光學檢測

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination