CN116823711A - 基于机器学习的半导体样品的检查及其训练 - Google Patents

基于机器学习的半导体样品的检查及其训练 Download PDF

Info

Publication number
CN116823711A
CN116823711A CN202310263499.4A CN202310263499A CN116823711A CN 116823711 A CN116823711 A CN 116823711A CN 202310263499 A CN202310263499 A CN 202310263499A CN 116823711 A CN116823711 A CN 116823711A
Authority
CN
China
Prior art keywords
training
inspection
image
runtime
application
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
CN202310263499.4A
Other languages
English (en)
Inventor
T·本-什洛莫
S·埃尔卡亚姆
S·科恩
T·H·佩雷德
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 CN116823711A publication Critical patent/CN116823711A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • G06T7/001—Industrial image inspection using an image reference 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/303—Accessories, mechanical or electrical features calibrating, standardising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/304—Accessories, mechanical or electrical features electric circuits, signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/305—Accessories, mechanical or electrical features computer simulations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/419—Imaging computed tomograph
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6113—Specific applications or type of materials patterned objects; electronic devices printed circuit board [PCB]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computer Hardware Design (AREA)
  • Analytical Chemistry (AREA)
  • Power Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)

Abstract

提供了一种半导体样品的运行时检查的系统和方法。所述方法包括：获得表示样品的检验区域的运行时图像，所述运行时图像具有相对低的信噪比(SNR)；以及使用机器学习(ML)模型处理运行时图像以获得特定于给定检查应用的检查数据，其中ML模型先前使用一个或多个训练样本针对给定检查应用进行训练，每个训练样本表示共享与检验区域相同的设计模式的相应参考区域并包括：相应参考区域的具有相对低的SNR的第一训练图像；以及标签数据，所述标签数据指示相应参考区域中有关给定检查应用的真值，所述标签数据通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得。

Description

基于机器学习的半导体样品的检查及其训练
技术领域
当前公开的主题总体涉及半导体样品的检查的领域，并且更具体地，涉及使用专门训练的机器学习模型对样品的检查。
背景技术
与所制造的器件的超大规模集成相关联的对高密度和高性能的当前需求要求亚微米特征、提高的晶体管和电路速度和改进的可靠性。随着半导体工艺发展，图案尺寸(诸如线宽)和其他类型的临界尺寸不断地缩减。此类需求要求具有高精度和高均匀性的器件特征的形成，这进而需要仔细地监视制造工艺，包括在器件仍呈半导体晶片的形式时对器件的自动化检查。
运行时检查通常可采用两阶段过程，例如，检验样品，随后审查潜在缺陷的采样位置。检查通常涉及通过将光或电子导引到晶片并检测来自晶片的光或电子来针对样品生成某种输出(例如，图像、信号等)。在第一阶段期间，以高速度和相对低的分辨率检验样品的表面。典型地通过将缺陷检测算法应用于检验输出来执行缺陷检测。产生缺陷图以示出样品上高概率是缺陷的可疑位置。在第二阶段期间，以相对高的分辨率更彻底地分析可疑位置中的至少一些来确定缺陷的不同参数，诸如类、厚度、粗糙度、大小等。
可通过在制造要检查的样品期间或之后使用非破坏性检查工具来提供检查。作为非限制性示例，多种非破坏性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。在一些情况下，这两个阶段可由相同检验工具实施，并且在一些其他情况下，这两个阶段由不同检验工具实施。
检查工艺可包括多个检查步骤。半导体器件的制造工艺可包括各种过程，诸如蚀刻、沉积、平面化、生长(诸如外延生长)、注入等。可执行检查步骤数次，例如在某些工艺程序之后和/或在制造某些层之后等。附加地或替代地，可重复每个检查步骤多次，例如针对不同晶片位置或针对在不同检查设置下的相同晶片位置。
例如，在半导体制造期间的各个步骤处使用检查工艺对样品上的缺陷进行检测和分类，以及执行计量相关操作。可通过(多个)工艺的自动化来提高检查的有效性，所述工艺诸如例如缺陷检测、自动化缺陷分类(ADC)、自动化缺陷审查(ADR)、图像分割、自动化计量相关操作等。自动化检查系统确保所制造的零件符合所预期的质量标准，并且取决于所识别的缺陷类型而提供有关可能需要对制造工具、装备和/或组成进行的调整的有用信息。
在一些情况下，可使用机器学习技术辅助自动化检查过程，以便促成更高的产量。例如，可使用监督机器学习来实现用于基于充分标注的训练图像来自动化特定检查应用的准确且高效的解决方案。
发明内容
根据当前公开的主题的某些方面，提供了一种半导体样品的运行时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PMC被配置为：获得表示半导体样品的检验区域的运行时图像，所述运行时图像具有相对低的信噪比(SNR)；以及使用机器学习(ML)模型处理运行时图像以获得特定于给定检查应用的检查数据，其中ML模型先前使用一个或多个训练样本针对给定检查应用进行训练，每个训练样本表示共享与检验区域相同的设计模式的相应参考区域并包括：相应参考区域的第一训练图像，所述第一训练图像具有与运行时图像的低SNR类似的相对低的SNR；以及标签数据，所述标签数据指示相应参考区域中有关给定检查应用的真值，所述标签数据通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得。
除了以上特征之外，根据当前公开的主题的这一方面的系统可以技术上可能的任何期望组合或排列包括以下列出的特征(i)至(xii)中的一者或多者：
(i).由电子束工具获取运行时图像和一个或多个训练样本。
(ii).给定检查应用是以下各项中的一者：用于将运行时图像分割成检验区域中的一个或多个片段的分割应用、用于获得关于检验区域中的结构元素的一个或多个测量值的计量应用、用于检测检验区域中的一个或多个候选缺陷的缺陷检测应用和用于对检验区域中的一个或多个缺陷分类的缺陷分类应用。
(iii).基于针对参考区域获取的第一数量的训练帧来生成第一训练图像，并且基于针对参考区域获取的第二数量的训练帧来生成第二训练图像。第一数量小于第二数量，并且基于第一数量的运行时帧来生成运行时图像。
(iv).第二数量的训练帧包括第一数量的训练帧。
(v).基于第一剂量的电子来生成第一训练图像，并且基于第二剂量的电子来生成第二训练图像。第一剂量小于第二剂量，并且基于第一剂量的电子来生成运行时图像。
(vi).基于以下各项中的至少一者来获得标签数据：手动标注、基于设计数据的合成生成的标签、机器学习衍生标签或它们的组合。
(vii).配准第一训练图像和第二训练图像以校正两者之间的偏移使得第一训练图像和标签数据对齐。
(viii).在获取第二训练图像之前获取第一训练图像。
(ix).检验区域是半导体样品的仅可经由具有相对低的SNR的图像检查的敏感层的部分。
(x).给定检查应用是用于将运行时图像分割成检验区域中的一个或多个片段的分割应用，并且标签数据指示一个或多个片段中运行时图像的至少部分的每个像素所属的特定片段。
(xi).检验区域来自半导体样品的检验管芯，并且相应参考区域来自半导体样品的参考管芯或不同半导体样品的参考管芯。
(xii).相对低的SNR和相对高的SNR是相对于彼此的，或者是相对于阈值的。
根据当前公开的主题的其他方面，提供了一种半导体样品的运行时检查的方法，所述方法由处理器和存储器电路系统(PMC)执行并包括：获得表示半导体样品的检验区域的运行时图像，所述运行时图像具有相对低的信噪比(SNR)；以及使用机器学习(ML)模型处理运行时图像以获得特定于给定检查应用的检查数据，其中ML模型先前使用一个或多个训练样本针对给定检查应用进行训练，每个训练样本表示共享与检验区域相同的设计模式的相应参考区域并包括：相应参考区域的第一训练图像，所述第一训练图像具有与运行时图像的低SNR类似的相对低的SNR；以及标签数据，所述标签数据指示相应参考区域中有关给定检查应用的真值，所述标签数据通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得。
根据当前公开的主题的其他方面，提供了一种训练可用于检查半导体样品的机器学习模型的方法，所述方法由处理和存储器电路系统(PMC)执行并包括：获得训练集，所述训练集包括一个或多个训练样本，每个训练样本表示具有给定设计模式的相应参考区域，所述训练样本包括：第一训练图像，所述第一训练图像具有相对低的信噪比(SNR)；以及标签数据，所述标签数据指示相应参考区域中有关给定检查应用的真值，所述标签数据通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得；以及针对给定检查应用使用训练集训练ML模型；其中ML模型在经训练后可用于处理表示样品的共享与给定设计模式相同的设计模式的检验区域的运行时图像并获得特定于给定检查应用的检查数据，运行时图像具有与第一训练图像的低SNR类似的相对低的SNR。
所公开的主题的这些方面可以技术上可能的任何期望组合或排列加以必要变更后包括以上关于系统列出的特征(i)至(xii)中的一者或多者。
根据当前公开的主题的其他方面，提供了一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括指令，所述指令当由计算机执行时使计算机执行用于半导体样品的运行时检查的方法，所述方法包括：获得表示半导体样品的检验区域的运行时图像，所述运行时图像具有相对低的信噪比(SNR)；以及使用机器学习(ML)模型处理运行时图像以获得特定于给定检查应用的检查数据，其中ML模型先前使用一个或多个训练样本针对给定检查应用进行训练，每个训练样本表示共享与检验区域相同的设计模式的相应参考区域并包括：相应参考区域的第一训练图像，所述第一训练图像具有与运行时图像的低SNR类似的相对低的SNR；以及标签数据，所述标签数据指示相应参考区域中有关给定检查应用的真值，所述标签数据通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得。
根据当前公开的主题的其他方面，提供了一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括指令，所述指令当由计算机执行时使计算机执行用于训练可用于检查半导体样品的机器学习模型的方法，所述方法包括：获得训练集，所述训练集包括一个或多个训练样本，每个训练样本表示具有给定设计模式的相应参考区域，所述训练样本包括：第一训练图像，所述第一训练图像具有相对低的信噪比(SNR)；以及标签数据，所述标签数据指示相应参考区域中有关给定检查应用的真值，所述标签数据通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得；以及针对给定检查应用使用训练集训练ML模型；其中ML模型在经训练后可用于处理表示样品的共享与给定设计模式相同的设计模式的检验区域的运行时图像并获得特定于给定检查应用的检查数据，运行时图像具有与第一训练图像的低SNR类似的相对低的SNR。
所公开的主题的这些方面可以技术上可能的任何期望组合或排列加以必要变更后包括以上关于系统列出的特征(i)至(xii)中的一者或多者。
附图说明
为了理解本公开内容并了解本公开内容可如何进行实践，将参考附图仅通过非限制性示例的方式来描述实施例，在附图中：
图1示出了根据当前公开的主题的某些实施例的检查系统的一般化框图。
图2示出了根据当前公开的主题的某些实施例的训练可用于检查半导体样品的机器学习模型的一般化流程图。
图3示出了根据当前公开的主题的某些实施例的使用经训练ML对半导体样品的运行时检查的一般化流程图。
图4示出了根据当前公开的主题的某些实施例的生成用于训练可用于检查半导体样品的ML模型的训练集的一般化流程图。
图5示出了根据当前公开的主题的某些实施例的ML模型的训练过程的示意图。
图6示出了根据当前公开的主题的某些实施例的第一训练图像的示例。
图7是根据当前公开的主题的某些实施例的使用ML模型的运行时检查过程的示意图。
具体实施方式
在以下详细描述中，阐述了众多具体细节，以便提供对本公开内容的透彻理解。然而，本领域技术人员将理解，当前公开的主题可在没有这些具体细节的情况下进行实践。在其他情况下，并未详细地描述所熟知的方法、过程、部件和电路，以免模糊当前公开的主题。
除非另外具体地陈述，否则如从以下讨论清楚，将了解，贯穿本说明书讨论，利用诸如“获得”、“处理”、“训练”、“获取”、“分割”、“检测”、“分类”、“生成”、“配准”等术语是指计算机的将数据操纵和/或变换为其他数据的(多个)动作和/或(多个)处理，所述数据被表示为物理(诸如电子)量，并且/或者所述数据表示物理对象。术语“计算机”应当被广义地解释为涵盖具有数据处理能力的任何种类的基于硬件的电子装置，作为非限制性示例，包括本申请中公开的检查系统、训练系统及其相应部分。
本文使用的术语“非暂时性存储器”和“非暂时性存储介质”应当被广义地解释为涵盖适合于当前公开的主题的任何易失性或非易失性计算机存储器。所述术语应当被视为包括存储一组或多组指令的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。所述术语还应当被视为包括能够存储或编码指令集以供计算机执行并且使计算机执行本公开内容的方法中的任一种或多种的任何介质。因此，所述术语应当包括但不限于只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置等。
本说明书中使用的术语“样品”应当被广义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品的任何种类的物理对象或基板，包括晶片、掩模、模版和其他结构、以上各项的组合和/或其部分。样品在本文中也称为半导体样品，并且可由制造装备执行对应制造工艺来生产。
本说明书中使用的术语“检查”应当被广泛解释为涵盖与缺陷检测、缺陷审查和/或各种类型的缺陷分类、分割和/或在样品制造期间和/或之后的计量操作相关的任何类型的操作过程。检查通过在制造要检查的样品期间或之后使用非破坏性检查工具来提供。作为非限制性示例，检查工艺可包括使用相同或不同检验工具进行的运行时扫描(在单次扫描中或多次扫描中)、成像、采样、检测、审查、测量、分类和/或针对样品或其部分提供的其他操作。同样地，检查可在制造要检查的样品之前提供，并且可包括例如生成(多个)检查配方和/或其他设置操作。需注意，除非另外具体地陈述，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大小方面不受限制。作为非限制性示例，多种非破坏性检查工具包括扫描电子显微镜(SEM)、原子力显微镜(AFM)、光学检验工具等。
本说明书中使用的术语“计量操作”应当被广泛地解释为涵盖用于提取与半导体样品上的一个或多个结构元素相关的计量信息的任何计量操作程序。在一些实施例中，计量操作可包括测量操作，诸如例如关于样品上的某些结构元素执行的临界尺寸(CD)测量，包括但不限于以下各项：尺寸(例如，线宽度、线间距、接触直径、元件尺寸、边缘粗糙度、灰阶统计等)、元件形状、元件内或元件间距离、相关角度、对应于不同的设计级别的与元件相关的叠加信息等。例如，通过采用图像处理技术来分析测量结果(诸如测量的图像)。需注意，除非另有具体说明，否则本说明书中使用的术语“计量学”或其派生词不受测量技术、测量分辨率或检验区域的大小的限制。
本说明书中使用的术语“缺陷”应当被广义地解释为涵盖形成在样品上的任何种类的异常或不期望特征/功能。在一些情况下，缺陷可能是感兴趣缺陷(DOI)，它是对所制造的器件的功能有一定影响的真实缺陷，因此检测此类缺陷符合客户利益。例如，可能导致产量损失的任何“致命”缺陷都可被指示为DOI。在其他一些情况下，缺陷可能是滋扰(也称为“误报”缺陷)，它可忽略不计，因为它对所完成的器件的功能没有影响，并且也不影响产量。
本说明书中使用的术语“候选缺陷”应当被广泛地解释为涵盖样品上的被检测为具有相对高的概率是感兴趣缺陷(DOI)的可疑缺陷位置。因此，在审查后，候选缺陷可能实际上是DOI，或者在一些其他情况下，它可能是如上所述的滋扰，或者可能由在检验期间的不同变化(例如，工艺变化、颜色变化、机械和电变化等)导致的随机噪声。
本说明书中使用的术语“设计数据”应当被广义地解释为涵盖指示样品的分层物理设计(布局)的任何数据。设计数据可由相应设计者提供，并且/或者可从物理设计导出(例如，通过复杂模拟、简单几何和布尔运算等)。设计数据可以以不同格式提供，作为非限制性示例，诸如GDSII格式、OASIS格式等。设计数据可以以矢量格式、灰度强度图像格式或以其他方式呈现。
将了解，除非另外具体地陈述，否则也可在单个实施例中组合地提供在分开的实施例的上下文中描述的当前公开的主题的某些特征。相反地，也可单独地或以任何合适的子组合提供在单个实施例的上下文中描述的当前公开的主题的各种特征。在以下详细描述中，阐述了许多具体细节，以便提供对方法和设备的透彻理解。
有鉴于此，将注意力转向图1，图1示出了根据当前公开的主题的某些实施例的检查系统的功能框图。
作为样品制造工艺的部分，可使用图1示出的检查系统100来检查半导体样品(例如，晶片、管芯或其部分)。如上所述，本文提及的检查可解释为涵盖与缺陷检验/检测、各种类型的缺陷分类、分割和/或计量操作相关的任何种类的操作，诸如例如关于样品的临界尺寸(CD)测量。所示出的检查系统100包括能够基于机器学习(ML)来实现半导体样品的自动化检查的基于计算机的系统101。根据当前公开的主题的某些实施例，系统101可被配置为使用经训练机器学习(ML)模型基于在样品制造期间获得的图像(本文也称为制造工艺(FP)图像或运行时图像)来运行时检查半导体样品。在一些实施例中，系统101可被配置作为能够在训练/设置阶段期间使用专门生成的训练集训练ML模型的训练系统。
系统101可操作地连接到一个或多个检查工具120。检查工具120被配置为捕获运行时图像和/或训练图像、处理捕获图像和/或提供与捕获图像相关的测量。
例如，本文使用的运行时图像和/或训练图像可指在制造工艺期间捕获的样品的原始图像、通过各种预处理阶段获得的捕获图像的衍生物和/或基于计算机生成的设计数据的图像。例如，图像可选自例如由扫描电子显微镜(SEM)或光学检验系统捕获的样品的部分的图像、大致以要通过ADC分类的缺陷为中心的SEM图像、其中缺陷将通过ADR来定位的更大区域的SEM图像、对应于相同位置的不同检查模态的配准图像、分割图像或高度图图像等。需注意，在一些情况下，本文提及的图像可包括图像数据(例如，捕获的图像、处理的图像等)和相关联数字数据(例如，元数据、手工制作的属性等)。需进一步注意，图像数据可包括与感兴趣层和/或与样品的一个或多个层相关的数据。
本文使用的术语“(多个)检查工具”应当广泛地解释为涵盖可用于检查相关工艺的任何工具，通过非限制性示例，包括成像、扫描(以单次扫描或多次扫描)、采样、审查、测量、分类和/或关于样品或其部分提供的其他工艺。一个或多个检查工具120可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为扫描样品(例如，整个晶片、整个管芯或其部分)以捕获检验图像(典型地以相对高的速度和/或低的分辨率)来检测潜在缺陷(即，候选缺陷)的检验工具。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为捕获检验工具检测到的候选缺陷中的至少一些的审查图像以确定候选缺陷是否确实是感兴趣缺陷(DOI)。这种审查工具通常被配置为一次检验一个样本的片段(典型地以相对低的速度和/或高的分辨率)。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，或以两种不同模式操作的单个工具。在一些情况下，至少一个检查工具可具有计量能力并且可被配置为对图像执行计量操作。
在不以任何方式限制本公开内容的范围的情况下，还应当注意，检查工具120可实施为各种类型的检验机器，诸如光学检验机器、电子束检验机器(例如，扫描电子显微镜(SEM))、原子力显微镜(AFM)或透射电子显微镜(TEM)等)等。在一些情况下，同一检查工具可提供低分辨率图像数据和高分辨率图像数据。所得图像数据(低分辨率图像数据和/或高分辨率图像数据)可直接或经由一个或多个中间系统传输到系统101。本公开内容不限于任何特定类型的检查工具和/或由检查工具产生的图像数据的分辨率。
如前所述，检查系统100包括基于计算机的系统101，系统101能够使用经训练机器学习(ML)模型基于在样品制造期间获得的运行时图像来运行时检查半导体样品。为了训练ML模型，需要足够的训练数据。然而，在设置阶段期间，要检验的样品的训练图像可能不可用。在一些情况下，使用的测试/参考晶片的训练图像可能不包括结构参数的足够变化以产生相对于实际生产中的工艺变化稳健的训练有素的准确模型。因此，为了训练ML以实现准确检查，通常使用从实际生产晶片获取的图像在客户现场执行ML模型的训练。例如，生产晶片的SEM图像可在FAB中捕获并用于训练ML模型的目的。
可通过聚合针对半导体样品的区域捕获的一系列帧来生成SEM图像，这些帧由诸如扫描电子显微镜(SEM)之类的电子束检查工具顺序地获取。为了获得更高质量的SEM图像(例如，更高的信噪比(SNR))，用于扫描晶片的电子束剂量(其可反映为针对所述区域捕获的帧的数量和/或用于捕获帧的电子束的强度)必须达到一定量，以便减少所得图像中的噪声。
另一方面，由于电子束撞击在样品上的冲击，样品可能物理上损坏。这种现象被称为“收缩”或“瘦身”。例如，取决于样品的不同层和/或材料，典型的收缩幅度可能在晶片上的结构特征的尺寸的5％至10％之间，这是客户不期望的。在一些情况下，为了减少对生产晶片、特别是晶片的某些敏感层的损坏，限制用于获取帧的电子束工具的电子剂量。然而，在这种限制下获得的SEM图像典型地是噪声很大的，具有低SNR。在低SNR图像上执行标注是不期望的，并且在一些情况下甚至是不可能的，在低SNR图像上执行标注非常有挑战性，即使对于用户进行手动标注也是如此。此类图像上的所得标注可能不准确且易出错。由于标注的标签数据在ML模型的训练中用作真值，因此使用此类训练数据训练的ML模型无法提供对样品的准确且有效的检查。
因此，本公开内容主题的某些实施例提出了能够使用具有特定组成的训练样本训练ML模型以便解决以上问题的系统(例如，系统101)。本公开内容的某些实施例使用以这种方式训练的ML模型来进行运行时检查，如下详述。
系统101包括处理器和存储器电路系统(PMC)102，PMC 102可操作地连接到基于硬件的I/O接口126。PMC 102被配置为提供操作系统所需的处理，如参考图2至图4进一步详述的，并且包括处理器(未单独地示出)和存储器(未单独地示出)。PMC 102的处理器可被配置为根据实施在PMC中包括的非暂时性计算机可读存储器上的计算机可读指令来执行若干功能模块。此类功能模块在下文中被称为被包括在PMC中。
如前所述，在某些实施例中，系统101可被配置为能够在训练/设置阶段期间使用训练样本训练ML模型的训练系统。在这种情况下，PMC 102中包括的功能模块可包括训练集生成器104、训练模块106和机器学习模型108。训练集生成器104可被配置为获得训练集，所述训练集包括一个或多个训练样本。每个训练样本表示具有给定设计模式的相应参考区域。训练样本包括具有相对低信噪比(SNR)的第一训练图像和指示相应参考区域中有关给定检查应用的真值的标签数据。通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得标签数据。
训练模块106可被配置为针对给定检查应用使用训练集训练机器学习模型108。ML模型在训练后可用于处理表示共享与给定设计模式相同的设计模式的检验区域的运行时图像并获得特定于给定检查应用的检查数据。运行时图像以相对低的SNR获取。训练过程的细节在下文将参考图2和图4来描述。
根据某些实施例，系统101可被配置为使用经训练ML模型基于在样品制造期间获得的运行时图像来运行时检查半导体样品。在这种情况下，PMC 102中包括的一个或多个功能模块可包括已经如上所述训练的ML模型108。PMC102可被配置为经由I/O接口126获得表示半导体样品的检验区域的运行时图像。运行时图像以相对低的信噪比(SNR)获取。
经训练ML模型108用于处理运行时图像以获得特定于给定检查应用的检查数据。如上所述，先前使用包括一个或多个训练样本的训练集针对给定检查应用训练ML模型。每个训练样本表示共享与检验区域相同的设计模式的相应参考区域。类似地，如上所述，每个训练样本包括具有相对低SNR的第一训练图像和指示相应参考区域中有关给定检查应用的真值的标签数据。通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得标签数据。下文参考图3描述运行时检查工艺的细节。
根据某些实施例，可基于有关相应应用的特定训练图像和标签数据来针对不同检查应用训练ML模型。使用本公开内容可适用的各种应用包括但不限于以下各项：用于将运行时图像分割成检验区域中的一个或多个片段的分割应用、用于获得关于检验区域中的结构元素的一个或多个测量值的计量应用、用于检测检验区域中的一个或多个候选缺陷的缺陷检测应用和用于对检验区域中的一个或多个缺陷分类的缺陷分类应用等。
系统101、PMC 102及其中的功能模块的操作将参考图2至图4进一步详述。
根据某些实施例，本文提及的ML模型108可实施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)、人工神经网络(ANN)、回归模型、贝叶斯网络或它们的集成/组合等。由ML模型使用的学习算法可以是以下各项中的任何一种：监督学习、无监督学习或半监督学习等。当前公开的主题不限于特定类型的ML模型或特定类型或ML模型使用的学习算法。
在一些实施例中，ML模型可实施为深度神经网络(DNN)。DNN可包括监督或非监督DNN模型，其包括根据相应DNN架构组织的层。作为非限制性示例，可根据卷积神经网络(CNN)架构、循环神经网络架构、递归神经网络架构、生成性对抗网络(GAN)架构或其他架构来组织DNN的层。可选地，层中的至少一些可组织到多个DNN子网中。DNN的每个层可包括多个基本计算元素(CE)，在本领域中，CE典型地被称为维度、神经元或节点。
一般来讲，给定层的计算元素可与前一层和/或后一层的CE连接。在前一层的CE与后一层的CE之间的每个连接与加权值相关联。给定CE可经由相应连接从前一层的CE接收输入，每个给定连接与可应用于给定连接的输入的加权值相关联。加权值可确定连接的相对强度，并且由此确定相应输入对给定CE的输出的相对影响。给定CE可被配置为计算激活值(例如，输入的加权和)，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、S型、阈值等)、随机函数或其他合适的函数。来自给定CE的输出可经由相应连接传输到后一层的CE。同样地，如上所述，在CE的输出处的每个连接可与可在CE的输出被接收作为后一层的CE的输入之前应用于CE的输出的加权值相关联。除了加权值外，还可存在与连接和CE相关联的阈值(包括限制函数)。
可在训练之前初始地选择深度神经网络的加权值和/或阈值，并且可在训练期间进一步迭代地调整或修改所述加权值和/或阈值，以在经训练的DNN中实现最佳加权值和/或阈值集。在每次迭代之后，可确定在由DNN模块产生的实际输出和与相应数据训练集相关联的目标输出之间的差值。所述差值可被称为误差值。当指示误差值的损失/成本函数小于预定值时，或者当实现在迭代之间的性能的受限改变时，可确定训练已经完成。用来调整深度神经网络的权重/阈值的输入数据集被称为训练集。
需注意，当前公开的主题的教导不受如上所述的ML或DNN的特定架构的约束。
在一些情况下，除了系统101之外，检查系统100可包括一个或多个检查模块，诸如例如缺陷检测模块和/或自动化缺陷审查模块(ADR)和/或自动化缺陷分类模块(ADC))和/或计量相关模块和/或可用于检查半导体样品的其他检查模块。一个或多个检查模块可实施为独立计算机，或者它们的功能(或其至少一部分)可与检查工具120集成。在一些情况下，ML模型108可被包括在一个或多个检查模块中。可选地，ML模型108可在检查模块之间共享，或者替代地，一个或多个检查模块中的每一个可包括它自己的ML模型108。
根据某些实施例，系统101可包括存储单元122。存储单元122可被配置为存储操作系统101所需的任何数据，例如，与系统101的输入和输出有关的数据，以及由系统101生成的中间处理结果。例如，存储单元122可被配置为存储由检查工具120产生的运行时图像/训练图像和/或其衍生物。因此，可从存储单元122检索图像并提供给PMC 102以供进一步处理。
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，GUI 124被配置为实现与系统101有关的用户指定的输入。例如，可向用户呈现样品的视觉表示(例如，通过形成GUI 124的一部分的显示器)，包括样品的图像数据。可通过GUI向用户提供定义某些操作参数(诸如例如关于SNR的阈值、要捕获的图像帧的数量、特定检查应用等)的选项。例如，在一些情况下，用户可通过经由GUI 124在图像上手动地标注来提供与第二训练图像相关联的标签数据。用户还可在GUI上查看操作结果，诸如例如特定于给定检查应用的检查数据。在一些情况下，系统101可被进一步配置为经由I/O接口126将检查数据发送到检查工具120以供进一步处理。在一些情况下，系统101可被进一步配置为将检查数据中的一些发送到存储单元122和/或外部系统(例如FAB的产量管理系统(YMS))。
本领域技术人员将易于了解，当前公开的主题的教导不受图1示出的系统的束缚；等同和/或经修改的功能可以以另一种方式进行合并或划分，并且可实现在软件与固件和/或硬件的任何适当组合中。
需注意，图1示出的检查系统可实现在分布式计算环境中，其中图1示出的前述功能模块可跨若干本地和/或远程装置分布，并且可通过通信网络链接。需进一步注意，在其他实施例中，检查工具120、存储单元122和/或GUI 124中的至少一些可在检查系统100外部并经由I/O接口126与系统101进行数据通信。系统101可实施为与检查工具和/或与如上所述的附加检查模块结合使用的(多个)独立计算机。替代地，系统101的相应功能可至少部分地与一个或多个检查工具120集成在一起，从而促进和增强在检查相关工艺中检查工具120的功能。
虽然不一定如此，但系统101和100的操作过程可对应于关于图2至图4描述的方法的一些或所有阶段。同样地，关于图2至图4描述的方法及其可能的实施方式可由系统101和100实施。因此，需注意，针对关于图2至图4描述的方法讨论的实施例还可在加以必要变更后实施为系统101和100的各个实施例，反之亦然。
仅出于说明目的，可提供以下描述的某些实施例以用于训练可用于分割应用的ML模型。本领域技术人员将易于了解，当前公开的主题的教导也适用于各种其他检查应用，诸如例如缺陷检测、ADR、ADC、计量相关模块等。
参考图2，示出了根据当前公开的主题的某些实施例的训练可用于检查半导体样品的机器学习模型的一般化流程图。
用于在监督学习中训练ML模型的训练数据通常包括一个或多个训练样本，每个训练样本包括相应训练图像及其相关联的对应真值数据。真值数据可包括训练图像的指示应用特定信息的标签数据。例如，对于图像分割的检查应用，每个训练样本可包括半导体样品的训练图像和指示所述训练图像中的一个或多个片段的标签数据。
训练图像可以是半导体样品的在其制造工艺中获得的“真实世界”图像。取决于不同检查应用，可以多种方式获得训练图像。作为非限制性示例，图像可以是通过使用一个或多个检验工具检查样品获得以用于候选缺陷的检测的应用的检验图像。在另一个示例中，图像可以是通过使用一个或多个审查工具在候选缺陷位置处检查样品来获得的审查图像，所述审查图像用于断定由检验工具检测到的候选缺陷是否确实是缺陷的缺陷审查应用和/或用于断定缺陷的类/类型的缺陷分类应用。此类审查工具可以是例如扫描电子显微镜(SEM)等。
真值数据可以多种方式获得，诸如例如通过手动标注、基于设计数据的合成生成、基于机器学习的方式或以上各项的组合获得，如下文将参考图4来详述的。
如上文所提及，用于检查半导体样品的ML模型通常在客户现场使用生产晶片数据进行训练。为了减少图像获取(例如，通过SEM)对生产晶片造成的损坏，应当限制电子束工具用于获取帧的电子剂量(其可用捕获的帧的数量和/或使用的电子束的强度表示)。然而，用更少的电子剂量获得的SEM图像典型地是噪声很大的，具有低SNR。对此类图像进行准确标注是非常困难的，并且在一些情况下甚至是不可能的。因此，本公开内容提出以特定方式获取训练样本来解决以上问题，如下文将参考图2至图4详述的。
如图2所描述，可获得(202)训练集(例如，通过PMC 102中的训练集生成器104)，所述训练集包括一个或多个训练样本。每个训练样本表示样品的具有给定设计模式的相应参考区域。在一些实施例中，给定设计模式可以是要在样品上检查的感兴趣模式。
具体地，训练样本包括具有相对低的信噪比(SNR)(例如，相对于如下文所描述的第二训练图像的更高的SNR或相对于阈值而相对更低)的第一训练图像(204)和指示相应参考区域中有关给定检查应用的真值的标签数据(206)。通过标注相应参考区域的具有相对高的SNR(例如，相对于阈值而相对更高)的第二训练图像来获得标签数据。可针对给定检查应用使用训练集训练ML模型(例如，ML模型108)(208)(例如，通过PMC 102中的训练模块106)。
在一些实施例中，当检查样品上的区域时，可通过检查工具(诸如电子束工具，例如SEM)顺序地获取所述区域的多个帧。随后聚合由电子束工具获取的帧以生成最终图像，诸如例如SEM图像(例如，通过组合多个帧/对多个帧求平均以便减少所得图像中的噪声)。如前所述，出于减少图像获取对生产晶片造成的损坏的目的，应当限制电子束工具用于获取生产晶片的帧的电子剂量。例如，使用的电子的剂量可反映为针对给定区域捕获的帧的数量和/或用于捕获帧的电子束的强度。例如，出于减少损坏的目的，在样品的区域的运行时检查期间，捕获相对少量的帧以生成SEM图像。作为另一示例，可使用具有更小的能级的电子束来生成SEM图像。然而，这样生成的SEM图像往往具有更低的SNR，并且不适合于图像标注。
因此，提出对于样品上共享相同给定设计模式的一个或多个参考区域，可针对每个参考区域捕获两个图像，包括具有相对低SNR的第一训练图像和具有相对高的SNR的第二训练图像。特别地，第一训练图像具有与将在生产时间(在生产中训练和部署ML模型之后)捕获的运行时图像的SNR相同/相似的SNR并将使用经训练ML模型进行检查。如前所述，图像的SNR水平通常与用于检查样品和生成图像的电子剂量相关。
具体地，在一些实施例中，可基于第一剂量的电子来生成第一训练图像，并且可基于第二剂量的电子来生成第二训练图像，其中第一剂量的电子少于/小于第二剂量。特别地，用于捕获第一训练图像的第一剂量的电子与用于捕获将使用经训练ML模型检查的运行时图像的电子的剂量相同。需注意，本文使用的术语“相同”既可指彼此相同，也可指彼此相似或高度相关。可使用各种相似性度量和算法来确定它们之间的等同性/相似性水平。因此，无论何处使用术语“相同”，都不应限于完全相同，而是在一定程度上相似/等同。
例如，由于电子的剂量可反映为用于捕获图像的帧的数量和/或电子束的强度，在一些情况下，可基于针对参考区域获取的第一数量的训练帧来生成第一训练图像，并且可基于针对参考区域获取的第二数量的训练帧来生成第二训练图像，其中第一数量小于第二数量。需注意，用于生成运行时图像的运行时帧的数量与第一数量(用于生成第一训练图像的帧的数量)相同，以确保第一训练图像与运行时图像之间的SNR的相似性水平。在一些情况下，可根据给定检查应用定义第一数量(用于生成第一训练图像的帧的数量)和第二数量(用于生成第二训练图像的帧的数量)。例如，对于分割应用，可基于应用的性能要求(诸如例如样品的可接受的损坏程度、准确度、生产量等)来确定第一数量(其对应于用于生成运行时图像的运行时帧的数量)。可确定第二数量，以便产生具有足够质量的第二训练图像以确保标注准确度水平，同时在例如尺寸、模式等方面保持与第一训练图像的相关性/对应性。例如，在一些情况下，第一数量的训练帧可例如为10个至20个帧左右，并且第二数量的训练帧可例如为50个至60个帧左右。
可以多种方式识别样品上共享相同给定设计模式的一个或多个参考区域。例如，管芯(或其(多个)部分)的设计数据可包括具有特定几何结构和布置的各种设计模式。在一些实施例中，可接收到设计数据，并且可接收到多个设计组，每个设计组对应于具有相同设计模式的一个或多个管芯区域。因此，可识别管芯中对应于相同设计模式的区域。在一些实施例中，检验区域来自半导体样品的检验管芯，并且参考区域可来自检验管芯的参考管芯，所述参考管芯来自相同半导体样品或来自不同半导体样品。
将注意，类似地如上文所定义，当设计模式相同时，或当设计模式高度相关或彼此类似时，可将设计模式视为是“相同”的。可将各种相似性度量和算法应用来将类似设计模式匹配和聚类，并且本公开内容不应当被解释为受限于用于导出设计组的任何具体度量。设计组的聚类(即，从CAD数据分为多个设计组)可预先执行，或者由PMC 102作为当前公开的过程的预备步骤执行。
需注意，在一些情况下，相对低的SNR和相对高的SNR可相对于阈值定义，所述阈值可以是有关特定检查应用的预定SNR水平(例如，足以让应用满足关于例如灵敏度、准确性、生产量等的性能要求的SNR)。在一些情况下，相对低的SNR和相对高的SNR可相对于彼此定义，例如，只要低SNR相对低于高SNR或高SNR相对高于低SNR即可。如上文关于第一数量的帧的确定所述，可例如基于特定检查应用的性能要求(诸如例如样品的可接受的损坏程度、准确度、生产量等)来定义低SNR(其对应于运行时图像的SNR水平)。可定义高SNR以确保第二训练图像的标注准确度水平，同时维持第二训练图像与第一训练图像在例如维度、模式等方面的相关性/对应性。
图4示出了根据当前公开的主题的某些实施例的生成用于训练可用于检查半导体样品的ML模型的训练集的一般化流程图。
对于(一个或多个参考区域中的)给定参考区域，可获取(402)具有低SNR的第一训练图像(例如，通过检查工具120)。可获取(404)具有高SNR的第二训练图像(例如，通过检查工具120)。例如，如上所述，可基于针对参考区域获取的第一数量(N1)的训练帧(例如，10个至20个帧)来生成第一训练图像，并且可基于针对参考区域获取的第二数量(N2)(其大于第一数量，例如，是50个至60个帧)的训练帧来生成第二训练图像。
在一些实施例中，应当在获取第二训练图像之前获取第一训练图像。这是因为第一训练图像应当表示与在生产阶段获得的运行时图像类似的图像条件。如所已知，在通过电子束工具进行的图像获取期间，样品的表面被聚焦的电子束扫描，并且样品不断地收集电荷。由电子束引起的表面电荷在样品上的堆积可能导致图像伪影(诸如例如图像失真)、与灰阶、对比度、边缘锐度相关的变化等。因此，为了在与运行时图像类似的条件下获取第一训练图像，对于每个给定区域，应当先获取第一训练图像，然后再进行在样品上的进一步充电效应累积，类似于当运行时获取运行时图像时。可在获取第一图像后获取第二图像，而无需改变任何工具配置。
在一些实施例中，首先获取第一训练图像，例如通过获取N1个帧来获取。然后，获取第二训练图像，例如通过获取N2个帧(N2＞N1)来获取。在一些情况下，N1个帧可以是N2个帧的一部分。例如，SEM可首先获取N1个帧，这些帧将组合成第一训练图像。然后，SEM可继续获取(N2-N1)个帧，这些帧将与N1个帧组合在一起以形成第二训练图像。在一些其他情况下，可单独地获取N2个帧，这不包括N1个帧。
在一些实施例中，可选地，训练图像可包括从不同视角捕获的多个通道。例如，一个通道可由检查工具的顶部检测器从垂直视角拍摄，而另一个通道可由检查工具的侧检测器从侧面拍摄。在一些情况下，可存在从不同角度的超过一个侧检测器，并且因此，训练图像可包括多个侧通道图像。在一些情况下，多个通道图像可组合成一个组合图像。
然后，标注(406)具有高SNR的第二训练图像(例如，通过训练集生成器104)。如前所述，优选对高SNR图像执行标注，以便提高标注的标签数据的准确性，所述标注的标签数据将用作用于训练ML模型的真值数据。可以各种方式获得标签数据。例如，标签数据可通过手动标注获得，或者可合成产生(例如，使用设计数据，诸如基于CAD的图像)。作为另一示例，可基于机器学习来生成真值数据。例如，机器学习模型可使用手动标注的图像进行训练，并且经训练模型可用于自动地(或半自动地)生成输入图像的标签数据。基于机器学习的标签数据生成系统的示例在标题为“GENERATING TRAINING DATA USABLE FOREXAMINATION OF A SEMICONDUCTOR SPECIMEN(生成可用于检查半导体样本的训练数据)”的美国专利申请第16/942,677号中进行描述，所述申请通过引用以其全文并入本文。在一些情况下，可将标签数据生成为以上各项中的任一者的组合。本公开内容不限于获得第二训练图像的标签数据的特定方式。
可使第一训练图像和第二训练图像配准(408)以校正它们之间的偏移，使得第一训练图像和标签数据对齐。两个训练图像之间的偏移可能由各种因素引起，所述因素诸如例如由充电效应引起的漂移、由工具的工作点引起的漂移(例如，扫描仪和/或平台漂移)和/或由样品的收缩引起的漂移等。本公开内容中提到的图像配准可包括测量两个图像之间的偏移，并且使一个图像相对于另一个图像移位以校正偏移。特别地，在本公开内容中，一旦测量偏移，就可根据(相对于第一训练图像的)偏移使第二训练图像(即，高SNR图像)中标注的标签数据移位(连同或不连同第二图像本身一起)，以便与低SNR图像对齐。替代地，可根据(相对于第二训练图像的)偏移使第一训练图像移位，以与标签数据(以及与第二训练图像)对齐。
可根据本领域已知的任何合适的配准算法来实施配准。例如，配准可使用以下算法中的一种或多种来执行：基于区域的算法、基于特征的配准或相位相关配准。基于区域的方法的示例是使用诸如卢卡斯-卡纳德(LK)算法之类的光流进行配准。基于特征的方法是基于在两个图像中找到不同信息点(“特征”)并根据特征的对应关系计算每对之间的所需转换。这允许弹性配准(即非刚性配准)，其中不同区域单独地移动。相位相关配准(PCR)是使用频域分析完成的(其中傅里叶域中的相差被转换为图像域中的配准)。
因此，生成(410)用于训练ML模型的训练样本，包括经配准的第一训练图像和标签数据。在一些实施例中，可以类似方式从一个或多个附加参考区域获取一个或多个附加训练样本。
包括如图4所述生成的一个或多个训练样本的训练集可用于以监督方式训练ML模型。ML模型在训练后可用于处理表示样本的共享与给定设计模式相同的设计模式的检验区域的运行时图像并获得特定于给定检查应用的检查数据。运行时图像以相对低的SNR(与如上所述第一训练图像的低SNR相同/类似)获取。
图5示出了根据当前公开的主题的某些实施例的ML模型的训练过程的示意图。在训练阶段期间，可获得根据图2和图4的描述生成的训练集，所述训练集包括一个或多个训练样本。具体地，获取作为表示样品的参考区域的低SNR图像的第一训练图像502。获取作为相同参考区域的高SNR图像的第二训练图像504。标注第二训练图像504以获得其标签数据(506)(例如，在分割应用的示例中，与第二训练图像相关联的分割图)。使两个图像502和504配准，使得标签数据或第一训练图像502中的任一者根据它们之间的偏移而固定。由此，生成包括经配准的第一训练图像502和标签数据506的训练样本。可使用训练样本来训练(508)ML模型510，由此获得以分割相关训练参数为特征的经训练ML模型。在一些实施例中，训练过程可以是循环的，并且可重复若干次直到ML模型被充分训练，例如，能够提供分割图的满足准确度标准的输出。例如，可使用与分割准确度相关的成本函数(例如，真值标签数据对预测分割图)来训练ML模型。
尽管图5中仅示出了一个训练样本，但这并不旨在以任何方式限制本公开内容。在一些实施例中，可以类似方式获得一个或多个附加训练样本，并且可使用附加训练样本重复训练过程。在一些情况下，可选地，可使用验证图像集来验证经训练ML模型。图像验证集可以是与训练集不同的图像集，并且可包括为验证目的而选择的图像。用户可为ML模型在训练或验证期间达到的结果提供反馈。
现在参考图3，示出了根据当前公开的主题的某些实施例的使用经训练ML对半导体样品的运行时检查的一般化流程图。
在样品的运行时检查期间，可(例如，通过检查工具120)获得(302)表示半导体样品的检验区域的运行时图像(例如，如上所述的FP图像)。运行时图像具有相对低的信噪比(SNR)(例如，相对于如本文所述的高SNR，或相对于阈值)。例如，可通过电子束工具(诸如例如SEM)获取运行时图像。
可使用机器学习(ML)模型(例如，PMC 102中的ML模型108)处理(304)运行时图像以获得特定于给定检查应用的检查数据。可先前针对给定检查应用使用一个或多个训练样本训练ML模型，每个训练样本表示共享与检验区域相同的设计模式的相应参考区域，如上文关于图2和图4所述。具体地，每个训练样本包括相应参考区域的具有相对低的信噪比(SNR)(例如，相对于高SNR或阈值而相对更低)的第一训练图像(204)和指示相应参考区域中有关给定检查应用的真值的标签数据(206)。通过标注相应参考区域的具有相对高的SNR的第二训练图像来获得标签数据。如上所述，第一训练图像是在与运行时图像相似的成像条件(在电子剂量、帧的数量等方面)下获取的，使得第一训练图像的低SNR与运行时图像的低SNR相同/类似(例如，相同、类似或高度相关)。因此，第一训练图像的低SNR和运行时图像的低SNR可在一定程度上类似/等同，而不必完全相同。可使用各种相似性度量和算法来确定它们之间的等同性/相似性的程度/水平。
如前所述，本文提及的检查应用可以是来自包括(但不限于)以下各项的任何应用：用于将运行时图像分割成检验区域中的一个或多个片段的分割应用，用于获得检验区域中的结构特征的一个或多个测量值的计量应用、用于检测检验区域中的一个或多个候选缺陷的缺陷检测应用和用于对检验区域中的一个或多个候选缺陷分类的缺陷分类应用。
根据某些实施例，检查应用可以是分割应用。本文使用的术语“分割”可指将图像分割成有意义部分/片段(例如，背景和前景、噪声区域和非噪声区域、各种结构元素、缺陷和非缺陷等)而同时提供指示此类片段的每像素值或每区域值的任何过程。在此类情况下，训练样本可包括第一训练图像(例如，SEM图像)和标签数据，所述标签数据可以是对应于SEM图像的真值分割图(例如，指示一个或多个片段中运行时图像的至少部分的每个像素所属的特定片段)。例如，在一些情况下，片段可对应于第一训练图像中呈现的一个或多个结构元素。本文使用的结构元素可指图像数据上具有带有轮廓的几何形状或几何结构的任何原始对象，在一些情况下与(多个)其他对象结合。可例如以多边形的形式呈现结构元素。
在训练ML模型后，经训练ML模型可用于处理运行时图像并输出预测分割图，所述预测分割图提供与运行时图像中的对应像素相关联的预测标签的信息。每个预测标签指示相应像素所属的运行时图像中的片段。
图6示出了根据当前公开的主题的某些实施例的第一训练图像的示例。训练图像602被例示为由SEM工具捕获并且表示晶片的管芯的区域的SEM图像。如图所示，图像中存在多个结构元素604(被示出为表示晶片上的触点的元素的多边形)。在本示例中，标签数据(从第二训练图像上的标注获得)可作为分割图提供，诸如表示两个片段的二进制图，第一片段对应于图像中的结构元素，并且第二片段对应于背景区域。
图7是根据当前公开的主题的某些实施例的使用ML模型的运行时检查过程的示意图。在运行时期间，通过经训练ML模型704获取和处理样品的具有低SNR的运行时图像702以获得特定于给定检查应用的检查数据。例如，在分割应用中，输出检查数据可以是对应于运行时图像702的分割图706。获得的分割图可提供指示图像上的不同片段的每像素或每区域分割标签的信息。例如，一个层上的多边形可具有一个分割标签，并且另一个层上的多边形可具有不同分割标签，而背景可具有单独的分割标签。
在一些实施例中，这种分割图可由计量工具用于对样品执行测量。作为另一示例，它也可在构建属性时可用于ADC(例如，以用于定义缺陷是在主图案上、背景上还是两者上)，或者可用于ADR以用于在每个片段上应用特定于片段的检测阈值等。
在一些实施例中，检查应用是缺陷分类应用。在这种情况下获取的标签数据可提供参考区域中存在的缺陷的类(例如，颗粒、图案变形、桥等)和可选地缺陷属于这些类的概率的信息。在ML训练期间使用的成本函数可基于预测的类与其真值(类标签)之间的分类误差。
在一些实施例中，检查应用是缺陷检测应用。在这种情况下获取的标签数据可提供参考区域中出现的候选缺陷列表中的候选缺陷是感兴趣缺陷(DOI)还是滋扰的信息。例如，可提供标签数据，例如，以DOI边界框的形式，或以二进制图像的形式，其中只有属于DOI的像素获得值“1”，而无缺陷像素获得值“0”，等等。在ML训练期间使用的成本函数可基于检测准确度/捕获率，并且可选地，还基于误检测和过度检测的惩罚。
在一些实施例中，检查工具是计量应用。在这种情况下获取的标签数据可提供关于检验区域中的结构元素的一个或多个测量值(例如，CD测量值)的信息。在ML的训练期间使用的成本函数可基于预测测量值相对于真值测量值的测量准确度。
根据一些实施例，ML模型可被实施为分类器。本文提及的术语“分类器”、“分类器模型”或“分类模型”应当被广义地解释为涵盖能够基于训练集来识别新实例属于一组类别/类中的哪一个的任何学习模型。例如，在例示的分割应用中，可训练分类器将候选像素分类到如用户所定义的一组分割类中。经训练分类器可用于图像分割，即，用于针对图像中的每个像素提供指示其所属的片段的预测标签。需注意，分类器可实施为各种类型的机器学习模型，诸如例如线性分类器、支持向量机(SVM)、神经网络、决策树等，并且本公开内容不限于由与本公开内容一起实施的特定模型。
根据某些实施例，如上文参考图2和图4描述的训练过程可被包括作为用于生成可由系统101和/或检查工具120用于运行时在线检查的检查配方的过程的一部分(其中ML模型一旦经训练，就可用作检查配方的一部分)。因此，当前公开的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，如参考图2和图4(及其各个实施例)所述。应当注意，术语“检查配方”应当被广泛解释为涵盖可由检查工具用于包括如上所述的实施例的任何检查应用的任何配方。
需注意，本公开内容中示出的示例，诸如例如获得第一训练图像和第二训练图像的各种方式、例示的检查应用和标签数据等，是出于示例性目的示出，不应当被视为以任何方式限制本公开内容。除了或代替以上内容，可使用其他适当的示例/实施方式。
如本文所述的训练过程的某些实施例的优点之一是它使得能够从高SNR图像获取标注并将其与低SNR图像相关联，其中标签数据和低SNR图像一起用作训练样本以供训练ML模型。这确保了获取的标签数据的准确度，这些标签数据用作用于训练的真值，同时使ML模型能够在与将被运行时检查的运行时图像具有类似的成像条件的低SNR图像上进行训练，从而提高在运行时检查中的经训练ML模型在稳健性和准确度方面的性能。
如本文所述的训练过程的某些实施例的进一步优点在于，它使得能够检查样品的先前不可能被检查的某些敏感层，因为这些层在检查期间需要最小的电子剂量以便减少图案损坏，这会导致图像的SNR非常低，并且无法对此类低SNR图像执行标注。
如本文所述的训练过程的某些实施例的进一步优点在于，由于在高SNR图像上的标注更容易且更快速，这进一步改善了标注的用户体验和用于训练ML的配方时间(TTR)。
将理解，本公开内容在其应用方面不限于本文含有的描述中阐述的或附图中示出的细节。
还将理解，根据本公开内容的系统可至少部分地实施在适当编程的计算机上。同样地，本公开内容设想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有形地体现可由计算机执行来执行本公开内容的方法的指令程序的非暂时性计算机可读存储器。
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或进行。因此，将理解，本文采用的措辞和术语是出于描述的目的，并且不应当被视为限制性的。因此，本领域技术人员将了解，本公开内容所基于的概念可易于用作设计用于进行当前公开的主题的若干目的的其他结构、方法和系统的基础。
本领域技术人员将易于了解，可在不背离本公开内容的范围的情况下对如前文所描述的本公开内容的实施例应用各种修改和改变，本公开内容的范围在所附权利要求书中定义并由所附权利要求书定义。

Claims (20)

1.一种半导体样品的运行时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PMC被配置为：
获得表示所述半导体样品的检验区域的运行时图像，所述运行时图像具有相对低的信噪比(SNR)；以及
使用机器学习(ML)模型处理所述运行时图像以获得特定于给定检查应用的检查数据，其中所述ML模型先前使用一个或多个训练样本针对所述给定检查应用进行训练，每个训练样本表示共享与所述检验区域相同的设计模式的相应参考区域并包括：
所述相应参考区域的第一训练图像，所述第一训练图像具有与所述运行时图像的所述低SNR类似的相对低的SNR；以及
标签数据，所述标签数据指示所述相应参考区域中有关所述给定检查应用的真值，所述标签数据通过标注所述相应参考区域的具有相对高的SNR的第二训练图像来获得。
2.根据权利要求1所述的计算机化系统，其中由电子束工具获取所述运行时图像和所述一个或多个训练样本。
3.根据权利要求1所述的计算机化系统，其中所述给定检查应用是以下各项中的一者：用于将所述运行时图像分割成所述检验区域中的一个或多个片段的分割应用、用于获得关于所述检验区域中的结构元素的一个或多个测量值的计量应用、用于检测所述检验区域中的一个或多个候选缺陷的缺陷检测应用和用于对所述检验区域中的一个或多个缺陷分类的缺陷分类应用。
4.根据权利要求1所述的计算机化系统，其中基于针对所述参考区域获取的第一数量的训练帧来生成所述第一训练图像，并且基于针对所述参考区域获取的第二数量的训练帧来生成所述第二训练图像，其中所述第一数量小于所述第二数量，并且其中基于所述第一数量的运行时帧来生成所述运行时图像。
5.根据权利要求4所述的计算机化系统，其中所述第二数量的训练帧包括所述第一数量的训练帧。
6.根据权利要求1所述的计算机化系统，其中基于第一剂量的电子来生成所述第一训练图像，并且基于第二剂量的电子来生成所述第二训练图像，其中所述第一剂量小于所述第二剂量，并且其中基于所述第一剂量的电子来生成所述运行时图像。
7.根据权利要求1所述的计算机化系统，其中基于以下各项中的至少一者来获得所述标签数据：手动标注、基于设计数据的合成生成的标签、机器学习衍生标签或它们的组合。
8.根据权利要求1所述的计算机化系统，其中配准所述第一训练图像和所述第二训练图像以校正两者之间的偏移，使得所述第一训练图像和所述标签数据对齐。
9.根据权利要求1所述的计算机化系统，其中在获取所述第二训练图像之前获取所述第一训练图像。
10.根据权利要求1所述的计算机化系统，其中所述检验区域是所述半导体样品的仅能经由具有相对低的SNR的图像检查的敏感层的部分。
11.根据权利要求1所述的计算机化系统，其中所述给定检查应用是用于将所述运行时图像分割成所述检验区域中的一个或多个片段的分割应用，并且所述标签数据指示所述一个或多个片段中所述运行时图像的至少部分的每个像素所属的特定片段。
12.根据权利要求1所述的计算机化系统，其中所述检验区域来自所述半导体样品的检验管芯，并且所述相应参考区域来自所述检验管芯的参考管芯，所述参考管芯来自所述半导体样品或来自不同半导体样品。
13.一种训练能用于检查半导体样品的机器学习模型的计算机化方法，所述方法由处理和存储器电路系统(PMC)执行并包括：
获得训练集，所述训练集包括一个或多个训练样本，每个训练样本表示具有给定设计模式的相应参考区域，所述训练样本包括：
第一训练图像，所述第一训练图像具有相对低的信噪比(SNR)；以及
标签数据，所述标签数据指示所述相应参考区域中有关所述给定检查应用的真值，所述标签数据通过标注所述相应参考区域的具有相对高的SNR的第二训练图像来获得；以及
针对所述给定检查应用使用所述训练集训练所述ML模型；
其中所述ML模型在经训练后能用于处理表示所述样品的共享与所述给定设计模式相同的设计模式的检验区域的运行时图像并获得特定于所述给定检查应用的检查数据，所述运行时图像具有与所述第一训练图像的所述低SNR类似的相对低的SNR。
14.根据权利要求13所述的计算机化方法，其中所述给定检查应用是以下各项中的一者：用于将所述运行时图像分割成所述检验区域中的一个或多个片段的分割应用、用于获得关于所述检验区域中的结构元素的一个或多个测量值的计量应用、用于检测所述检验区域中的一个或多个候选缺陷的缺陷检测应用和用于对所述检验区域中的一个或多个缺陷分类的缺陷分类应用。
15.根据权利要求13所述的计算机化方法，其中所述获得所述训练集包括基于针对所述参考区域获取的第一数量的训练帧来生成所述第一训练图像，并且基于针对所述参考区域获取的第二数量的训练帧来生成所述第二训练图像，其中所述第一数量小于所述第二数量，并且其中基于所述第一数量的运行时帧来生成所述运行时图像。
16.根据权利要求13所述的计算机化方法，其中所述获得所述训练集包括基于第一剂量的电子来生成所述第一训练图像，基于第二剂量的电子来生成所述第二训练图像，其中所述第一剂量小于所述第二剂量，并且其中基于所述第一剂量的电子来生成所述运行时图像。
17.根据权利要求13所述的计算机化方法，其中所述获得所述训练集包括配准所述第一训练图像和所述第二训练图像以校正两者之间的偏移，使得所述第一训练图像和所述标签数据对齐。
18.根据权利要求13所述的计算机化方法，其中在获取所述第二训练图像之前获取所述第一训练图像。
19.根据权利要求13所述的计算机化方法，其中所述给定检查应用是用于将所述运行时图像分割成所述检验区域中的一个或多个片段的分割应用，并且所述标签数据指示所述一个或多个片段中所述运行时图像的至少部分的每个像素所属的特定片段。
20.一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质有形地体现指令程序，所述指令程序当由计算机执行时使所述计算机执行半导体样品的运行时检查的方法，所述方法包括：
获得表示所述半导体样品的检验区域的运行时图像，所述运行时图像具有相对低的信噪比(SNR)；以及
使用机器学习(ML)模型处理所述运行时图像以获得特定于给定检查应用的检查数据，其中所述ML模型先前使用一个或多个训练样本针对所述给定检查应用进行训练，每个训练样本表示共享与所述检验区域相同的设计模式的相应参考区域并包括：
所述相应参考区域的具有与所述运行时图像的所述低SNR类似的相对低的SNR的第一训练图像；以及
标签数据，所述标签数据指示所述相应参考区域中有关所述给定检查应用的真值，所述标签数据通过标注所述相应参考区域的具有相对高的SNR的第二训练图像来获得。
CN202310263499.4A 2022-03-28 2023-03-10 基于机器学习的半导体样品的检查及其训练 Pending CN116823711A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/706,306 2022-03-28
US17/706,306 US20230306580A1 (en) 2022-03-28 2022-03-28 Machine learning based examination of a semiconductor specimen and training thereof

Publications (1)

Publication Number Publication Date
CN116823711A true CN116823711A (zh) 2023-09-29

Family

ID=88096124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310263499.4A Pending CN116823711A (zh) 2022-03-28 2023-03-10 基于机器学习的半导体样品的检查及其训练

Country Status (4)

Country Link
US (1) US20230306580A1 (zh)
KR (1) KR20230140394A (zh)
CN (1) CN116823711A (zh)
TW (1) TW202339038A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230377125A1 (en) * 2022-05-19 2023-11-23 Applied Materials Israel Ltd. Defect detection of a semiconductor specimen

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
US11645831B2 (en) * 2020-07-07 2023-05-09 Applied Materials Israel Ltd. Identification of an array in a semiconductor specimen
CN116057546A (zh) * 2020-09-17 2023-05-02 株式会社日立高新技术 错误原因的推断装置和推断方法
IL302789A (en) * 2020-11-13 2023-07-01 Asml Netherlands Bv Defect location identification based on active learning
US20240069450A1 (en) * 2020-12-18 2024-02-29 Asml Netherlands B.V. Training machine learning models based on partial datasets for defect location identification
JP2022140081A (ja) * 2021-03-12 2022-09-26 オムロン株式会社 検査システム、検査管理装置、検査方法、及びプログラム
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
US20230128610A1 (en) * 2021-10-25 2023-04-27 Kla Corporation Continuous Machine Learning Model Training for Semiconductor Manufacturing
US20230136110A1 (en) * 2021-11-01 2023-05-04 Kla Corporation Knowledge distillation for semiconductor-based applications
US12080050B2 (en) * 2021-12-20 2024-09-03 KLA Corp. Machine learning using a global texture characteristic for semiconductor-based applications

Also Published As

Publication number Publication date
KR20230140394A (ko) 2023-10-06
US20230306580A1 (en) 2023-09-28
TW202339038A (zh) 2023-10-01

Similar Documents

Publication Publication Date Title
KR102549196B1 (ko) 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
US11199506B2 (en) Generating a training set usable for examination of a semiconductor specimen
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
KR20200014927A (ko) 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
CN114155181B (zh) 检查方案的自动优化
KR102384568B1 (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
US20240078659A1 (en) Defect examination on a semiconductor specimen
US20230230349A1 (en) Identification of an array in a semiconductor specimen
CN116823711A (zh) 基于机器学习的半导体样品的检查及其训练
CN118485594A (zh) 用于检查半导体样本的图像去噪
CN117094938A (zh) 半导体样品的缺陷检测
US11961221B2 (en) Defect examination on a semiconductor specimen
TWI857227B (zh) 生成可用於檢查半導體樣本的訓練資料
US20240281956A1 (en) Machine learning based examination for process monitoring
US20240105522A1 (en) End-to-end measurement for semiconductor specimens
IL309325B1 (en) A match-based examination of defects in semiconductor samples
CN113947561A (zh) 半导体样本的图像分割

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication