CN116982078A - 用于半导体应用以深度生成模型为基础的对准 - Google Patents
用于半导体应用以深度生成模型为基础的对准 Download PDFInfo
- Publication number
- CN116982078A CN116982078A CN202280017137.0A CN202280017137A CN116982078A CN 116982078 A CN116982078 A CN 116982078A CN 202280017137 A CN202280017137 A CN 202280017137A CN 116982078 A CN116982078 A CN 116982078A
- Authority
- CN
- China
- Prior art keywords
- sample
- information
- alignment
- image
- offset
- 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
- 239000004065 semiconductor Substances 0.000 title abstract description 29
- 238000013461 design Methods 0.000 claims abstract description 225
- 238000000034 method Methods 0.000 claims abstract description 163
- 230000008569 process Effects 0.000 claims abstract description 97
- 238000012549 training Methods 0.000 claims description 63
- 238000010894 electron beam technology Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 8
- 230000008485 antagonism Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 49
- 230000003287 optical effect Effects 0.000 description 33
- 238000005286 illumination Methods 0.000 description 27
- 238000007689 inspection Methods 0.000 description 25
- 230000007547 defect Effects 0.000 description 20
- 238000003860 storage Methods 0.000 description 18
- 238000001514 detection method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 15
- 235000012431 wafers Nutrition 0.000 description 12
- 239000013598 vector Substances 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000010884 ion-beam technique Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 229920001690 polydopamine Polymers 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000000844 transformation 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
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 241001647769 Mirza Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- -1 helium Ion Chemical class 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T7/001—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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
提供用于半导体应用的深度学习对准的方法及系统。一种方法包含通过将样本上的对准目标的第一实际信息输入到深度生成模型(例如GAN)中而将所述第一实际信息从设计数据转换成样本图像或将样本图像转换成设计数据。所述方法还包含将经转换第一实际信息与所述对准目标的第二实际信息对准,所述第二实际信息具有相同于所述经转换第一实际信息的信息类型。所述方法进一步包含基于所述对准的结果来确定所述经转换第一实际信息与所述第二实际信息之间的偏移及将经确定偏移存储为对准对设计偏移用于对所述样本执行的过程中。
Description
技术领域
本发明大体上涉及用于半导体应用的深度学习对准。某些实施例涉及用于确定用于对样本执行的过程中的偏移的方法及系统。
背景技术
以下描述及实例不因其包含于此章节中而认为是现有技术。
可使用方法或系统(例如电子设计自动化(EDA)、计算机辅助设计(CAD)及其它IC设计软件)开发集成电路(IC)设计。此类方法及系统可用以由IC设计产生电路图案数据库。所述电路图案数据库包含表示IC的各种层的多个布局的数据。所述电路图案数据库中的数据可用以确定多个倍缩光罩的布局。倍缩光罩的布局大体上包含于所述倍缩光罩上以图案定义特征的多个多边形。每一倍缩光罩用以制造IC的各种层中的一者。IC的层可包含(例如)半导体衬底中的接面图案、栅极电介质图案、栅极电极图案、层间电介质中的接触件图案及金属层上的互连件图案。
制造半导体装置(例如逻辑及存储器装置)通常包含使用大量半导体制造过程处理衬底(例如半导体晶片)以形成半导体装置的各种特征及多个层级。例如,光刻技术为涉及将图案从倍缩光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制造过程。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。多个半导体装置可在单个半导体晶片上的布置中制造且接着被分成个别半导体装置。
在半导体制造过程期间,在各种步骤中使用检验过程以检测晶片上的缺陷以促进所述制造过程中的更高良率且因此促进更高利润。检验总是制造半导体装置(例如IC)的重要部分。然而,随着设计规则的缩小,半导体制造过程的操作可更接近过程性能能力的限制。另外,随着设计规则的缩小,较小缺陷会对装置的电气参数产生影响,其推动更敏感检验。因此,随着设计规则的缩小,通过由检验检测的潜在良率相关缺陷的数量急剧增加,且通过由检验检测的有害缺陷的数量也急剧增加。
检验系统及方法越来越多地经设计成关注缺陷与设计之间的关系,因为其对样本设计的影响将确定缺陷是否重要及重要程度。例如,已开发用于对准检验及设计坐标的一些方法。此一个方法取决于设计的检验系统坐标配准的准确性。另一此方法涉及对检验图像贴片及相关联设计剪辑进行后处理对准。
当前使用的一些方法基于设置晶片上的设置裸片执行贴片到设计对准(PDA)训练,并使用基于实体的模型来演现图像,如图10中展示。例如,如图10的步骤1000中展示,当前使用的方法可扫描样本以找到对准目标。如步骤1002中展示,方法可获取每一目标的设计。使用在扫描期间产生的图像及为每一目标获取的设计,当前使用的方法可从实例目标学习图像演现参数,如步骤1004中展示。接着,当前使用的方法可在每一目标处使用所学习的图像演现参数来演现来自设计的图像,如步骤1006中展示。如步骤1008中展示,当前使用的方法可在每一目标处对准演现图像及样本图像。接着,当前使用的方法可为每一目标确定设计到图像偏移,如步骤1010中展示,并将目标及偏移保存到数据库用于运行时间检验,如步骤1012中展示。接着可依任何合适方式执行运行时间PDA过程。
尽管用于设置及执行PDA的当前使用的方法已经证明在许多应用中是有用的,但此类方法及系统存在许多缺点。例如,需要找到良好目标以便创建基于实体的模型并演现图像。此类方法及系统也基于许多假设,包含可用于PDA设置的设计文件包含所有需要的层(即,演现与真实图像充分相似的图像所需的所有层)及可找到良好对准目标。然而,由于许多原因,设计数据可无法用于仿真良好图像所需的所有层。另外,有时发生此类良好对准目标没有或不够多。在其中任一或两种情况下,难以创建基于实体的模型来找到最佳演现参数。
相应地,开发不具有上文所描述的缺点中的一或多者的用于确定用于对样本执行的过程中的偏移的系统及方法将为有利的。
发明内容
不依任何方式将各种实施例的以下描述视为限制所附权利要求书的目标。
一个实施例涉及一种经配置以确定用于对样本执行的过程中的偏移的系统。所述系统包含一或多个计算机子系统及由所述一或多个计算机子系统执行的一或多个组件。所述一或多个组件包含深度生成模型。所述一或多个计算机子系统经配置用于通过将样本上的对准目标的第一实际信息输入到所述深度生成模型中,将所述第一实际信息从第一类型的信息转换成第二类型的信息。如果所述第一类型的信息系设计数据,那么所述第二类型的信息是样本图像。如果所述第一类型的信息是样本图像,那么所述第二类型的信息是设计数据。所述一或多个计算机子系统还经配置用于将所述经转换第一实际信息与所述对准目标的第二实际信息对准,且所述第二实际信息是所述第二类型的信息。所述一或多个计算机子系统进一步经配置用于基于所述对准的结果来确定所述经转换第一实际信息与所述第二实际信息之间的偏移及将所述经确定偏移存储为对准对设计偏移用于用输出获取子系统对所述样本执行的过程中。所述系统可进一步如本文描述配置。
另一实施例涉及一种用于确定用于对样本执行的过程中的偏移的计算机实施方法。所述方法包含由一或多个计算机系统执行的上文所描述的转换、对准、确定及存储步骤。所述方法的所述步骤中的每一者可如本文进一步描述执行。另外,上文所描述的所述方法可包含本文描述的任何其它方法的任何其它步骤。此外,所述方法可由本文描述的所述系统中的任何一个执行。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在一或多个计算机系统上执行用于执行一种用于确定用于对样本执行的过程中的偏移的计算机实施方法。所述计算机实施方法包含上文所描述的所述方法的所述步骤。所述计算机可读媒体可进一步如本文描述配置。所述计算机实施方法的所述步骤可进一步如本文描述执行。另外,所述计算机实施方法(可针对所述方法执行所述程序指令)可包含本文描述的任何其它方法的任何其它步骤。
附图说明
所属领域的技术人员将通过优选实施例的以下详细描述的优点且在参考附图后明白本发明的进一步优点,其中:
图1及2是说明如本文描述配置的系统的实施例的侧视图的示意图;
图3到4是说明可由本文描述的实施例执行的步骤的流程图;
图5是说明可包含于生成对抗网络(GAN)的实施例中的产生器的一个实例的示意图;
图6是说明可包含于GAN的实施例中的鉴别器的一个实例的示意图;
图7到8是说明可由本文描述的实施例执行的步骤的流程图;
图9是说明存储用于使计算机系统执行本文描述的计算机实施方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图;及
图10是说明可由当前使用的系统及方法执行的步骤的流程图。
尽管本发明易受各种修改及替代形式影响,但其特定实施例以实例方式在图式中展示且在本文中详细描述。图式可不按比例绘制。然而,应了解图式及其详细描述不希望将本发明限于所公开的特定形式,但相反地,本发明涵盖落在如通过所附权利要求书所界定的本发明的精神及范围内的所有修改、等效物及替代方式。
具体实施方式
本文中可互换使用的术语“设计”、“设计数据”及“设计信息”通常指的是IC或其它半导体装置的实体设计(布局)及通过复杂模拟或简单几何及布尔运算从所述实体设计导出的数据。所述设计可包含于2009年8月4日授予扎法尔(Zafar)等人的共同拥有的第7,570,796号美国专利案及2010年3月9日授予库卡尼(Kulkarni)等人的第7,676,077号美国专利案中所描述的任何其它设计数据或设计数据代理,其两者如同完全在本文中提出般,以引用方式并入。另外,设计数据可为标准单元库数据、整合式布局数据、一或多层的设计数据、设计数据的衍生物及全部或部分芯片设计数据。此外,本文描述的“设计”、“设计数据”及“设计信息”指的是由半导体装置设计者在设计过程中产生的信息及数据,且因此可在将设计打印在任何实体样本(例如倍缩光罩及晶片)上之前在本文描述的实施例中使用。
现转到图式,应注意图不按比例绘制。特定来说,图式的一些元件的比例非常夸大以强调元件的特性。还应注意图未按相同比例绘制。可类似地配置的多于一个图中展示的元件已使用相同参考数字指示。除非本文中另有规定,否则所描述及展示的元件中的任一者可包含任何合适可商业购得元件。
一个实施例涉及一种经配置以确定用于对样本执行的过程中的偏移的系统。由本文描述的实施例确定的偏移可用于应用(例如通过深度生成模型的IC设计到光学(或其它)图像对准)。此系统的一个实施例展示于图1中。系统包含一或多个计算机子系统(例如计算机子系统36及102)及由一或多个计算机子系统执行的一或多个组件100。一或多个组件包含深度生成模型104,其如本文进一步描述配置。
在一些实施例中,样本是晶片。晶片可包含半导体技术中已知的任何晶片。尽管本文中可针对一或多个晶片描述一些实施例,但所述实施例不限于其可用于的样本。例如,本文描述的实施例可用于样本(例如倍缩光罩、平板、个人计算机(PC)板及其它半导体样本)。
在一些实施例中,系统包含至少包含能源及检测器的输出获取子系统。能源经配置以产生经引导到样本的能量。检测器经配置以检测来自样本的能量并响应于所检测的能量而产生输出。
在一个实施例中,输出获取子系统是基于光的输出获取子系统。例如,在图1中展示的系统的实施例中,输出获取子系统10包含经配置以将光引导到样本14的照明子系统。照明子系统包含至少一个光源。例如,如图1中展示,照明子系统包含光源16。在一个实施例中,照明子系统经配置以以一或多个入射角将光引导到样本,所述入射角可包含一或多个倾斜角及/或一或多个法线角。例如,如图1中展示,来自光源16的光经引导通过光学元件18且接着透镜20到分束器21,分束器21将光以法线入射角引导到样本14。入射角可包含任何合适入射角,其可取决于(例如)样本的特性、将在样本上检测的缺陷、将对样本执行的测量等而变化。
照明子系统可经配置以在不同时间以不同入射角将光引导到样本。例如,输出获取子系统可经配置以改变照明子系统的一或多个元件的一或多个特性,使得光可以不同于图1中展示的入射角的入射角引导到样本。在此一个实例中,输出获取子系统可经配置以移动光源16、光学元件18及透镜20,使得光以不同入射角引导到样本。
在一些例子中,输出获取子系统可经配置以同时以多于一个入射角将光引导到样本。例如,输出获取子系统可包含多于一个照明通道,其中所述照明通道中的一者可包含如图1中展示的光源16、光学元件18及透镜20且所述照明通道中的另一者(未展示)可包含可经不同或相同配置的类似元件,或可包含至少一光源及可行地一或多个其它组件(例如本文进一步描述的那些组件)。如果此光与其它光同时引导到样本,那么以不同入射角引导到样本的光的一或多个特性(例如,波长、偏振等)可不同,使得以不同入射角从照明样本产生的光可在检测器处彼此区分。
在另一例子中,照明子系统可仅包含一个光源(例如图1中展示的光源16)且来自光源的光可由照明子系统的一或多个光学元件(未展示)分成不同光学路径(例如,基于波长、偏振等)。接着可将不同光学路径中的每一者中的光引导到样本。多个照明通道可经配置以同时或在不同时间(例如,当使用不同照明通道循序照明样本时)将光引导到样本。在另一例子中,相同照明通道可经配置以在不同时间将光引导到具有不同特性的样本。例如,在一些例子中,光学元件18可经配置为光谱滤波器且光谱滤波器的性质可依各种不同方式(例如通过更换光谱滤波器)而改变,使得不同波长的光可在不同时间引导到样本。照明子系统可具有所属领域已知的任何其它合适配置用于以不同或相同入射角循序或同时将具有不同或相同特性的光引导到样本。
在一个实施例中,光源16可包含宽带等离子体(BBP)光源。依此方式,由光源产生并引导到样本的光可包含宽带光。然而,光源可包含任何其它合适光源,例如激光,其可为所属领域已知的任何合适激光且可经配置以产生所属领域已知的任何合适波长的光。另外,激光可经配置以产生单色或几乎单色的光。依此方式,激光可为窄频带激光。光源还可包含产生多个离散波长或波频带的光的多色光源。
来自光学元件18的光可由透镜20聚焦到分束器21。尽管透镜20在图1中展示为单个折射光学元件,但实际上透镜20可包含进行组合将光从光学元件聚焦到样本的数个折射及/或反射光学元件。图1中展示及本文描述的照明子系统可包含任何其它合适光学元件(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、分束器、光圈及其类似者,其可包含所属领域已知的任何此类合适光学元件。另外,系统可经配置以基于将用于检验、计量等的照明的类型来更改照明子系统的一或多个元件。
输出获取子系统还可包含经配置以使光在样本上方扫描的扫描子系统。例如,输出获取子系统可包含于检验、测量等期间样本14放置于其上的载物台22。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22),其可经配置以移动样本,使得光可在样本上方扫描。另外或替代地,输出获取子系统可经配置使得输出获取子系统的一或多个光学元件在样本上方执行光的某种扫描。可依任何合适方式在样本上方扫描光。
输出获取子系统进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器,其经配置以由于由输出获取子系统照明样本从样本检测光且响应于所检测的光而产生输出。例如,图1中展示的输出获取子系统包含两个检测通道,一个检测通道由收集器24、元件26及检测器28形成且另一检测通道由收集器30、元件32及检测器34形成。如图1中展示,两个检测通道经配置以以不同收集角度收集且检测光。在一些例子中,一个检测通道经配置以检测镜面反射光,且另一检测通道经配置以检测未从样本镜面反射(例如,散射、绕射等)的光。然而,检测通道中的一或多者可经配置以从样本检测相同类型的光(例如镜面反射光)。尽管图1展示包含两个检测通道的输出获取子系统的实施例,但输出获取子系统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)。尽管收集器中的每一者在图1中展示为单个折射光学元件,但收集器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域已知的任何合适检测器。例如,检测器可包含光电倍增管(PMT)或所属领域已知的任何其它合适非成像检测器。如果检测器是非成像检测器,那么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作为成像平面内位置的函数的此类特性。因而,由包含于检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据,但并非图像信号或图像数据。在此类例子中,计算机子系统(例如系统的计算机子系统36)可经配置以从检测器的非成像输出产生样本的图像。
应注意,本文中提供图1以大体上说明可包含于本文描述的系统实施例中的输出获取子系统的配置。显然,如同通常在设计商用检验、计量等系统时执行,本文描述的输出获取子系统配置可经改变以优化系统的性能。另外,可使用现有检验或计量系统(例如,通过添加本文描述的功能性到现有检验或计量系统)(例如在商业上可购自加州米尓皮塔斯市KLA公司的29xx及39xx系列工具、SpectraShape系列工具及Archer系列工具)来实施本文描述的系统。对于一些此类系统,可提供本文描述的实施作为系统的光学功能性(例如,除系统的其它功能性之外)。替代地,本文描述的输出获取子系统可“从头开始”设计以提供全新系统。
系统的计算机子系统36可依任何合适方式(例如,经由一或多个传输媒体,其可包含“有线”及/或“无线”传输媒体)耦合到输出获取子系统的检测器,使得在样本的扫描期间,计算机子系统可接收由检测器产生的输出。计算机子系统36可经配置以使用如本文描述的检测器的输出及本文进一步描述的任何其它功能来执行多种功能。此计算机子系统可如本文中描述进一步配置。
此计算机子系统(以及本文描述的其它计算机子系统)在本文中还可称为计算机系统。本文描述的所述计算机子系统或系统中的每一者可采用各种形式,包含个人计算机系统、图像计算机、主计算机系统、工作站、网络器具、因特网器具或其它装置。一般来说,术语“计算机系统”可为概括地界定以涵盖具有一或多个处理器的任何装置,其执行来自存储器媒体的指令。所述计算机子系统或系统还可包含所属领域已知的任何合适处理器(例如平行处理器)。另外,所述计算机子系统或系统可包含具有高速处理及软件的计算机平台,作为独立或网络工具。
如果系统包含多于一个计算机子系统,那么不同计算机子系统可彼此耦合,使得可在计算机子系统之间发送图像、数据、信息、指令等,如本文进一步描述。例如,计算机子系统36可由任何合适传输媒体耦合到计算机子系统102(如由图1中的虚线展示),所述传输媒体可包含所属领域已知的任何合适有线及/或无线传输媒体。此类计算机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)有效地耦合。
尽管上文将输出获取子系统描述为光学或基于光的子系统,但输出获取子系统可为基于电子束的子系统。例如,在一个实施例中,输出获取子系统是电子束输出获取子系统。依此方式,能量源可为电子束源。在图2中展示的此一个实施例中,输出获取子系统包含电子柱122,其耦合到计算机子系统124。
同样如图2中展示,电子柱包含经配置以产生由一或多个元件130聚焦到样本128的电子的电子束源126。电子束源可包含(例如)阴极源或发射器尖端,且一或多个元件130可包含(例如)枪支瞄准镜、阳极、束限制孔径、门阀、束电流选择孔径、物镜及扫描子系统,其中的所有可包含所属领域已知的任何此类合适元件。
从样本返回的电子(例如二次电子)可由一或多个元件132聚焦到检测器134。一或多个元件132可包含(例如)扫描子系统,所述扫描子系统可为包含于元件130中的相同扫描子系统。
电子柱可包含所属领域已知的任何其它合适元件。另外,电子柱可如2014年4月4日授予江(Jiang)等人的第8,664,594号美国专利案、2014年4月8日授予柯吉马(Kojima)等人的第8,692,204号美国专利案、2014年4月15日授予顾本思(Gubbens)等人的第8,698,093号美国专利案及2014年5月6日授予麦克唐纳(MacDonald)等人的第8,716,662号美国专利案中所描述进一步配置,其如同完全在本文中提出般,以引用方式并入。
尽管电子柱在图2中经展示为经配置使得电子以倾斜入射角引导到样本并以另一倾斜角从样本散射,但应理解,电子束可以任何合适角度引导到样本并从样本散射。另外,电子束子系统可经配置以使用多个模式来产生样本的图像(例如,具有不同照明角度、收集角度等)。电子束子系统的多个模式可在子系统的任何图像产生参数中不同。
计算机子系统124可耦合到检测器134,如上文所描述。检测器可检测从样本的表面返回的电子,从而产生由计算机子系统使用的输出以形成样本的电子束图像,所述图像可包含任何合适电子束图像。计算机子系统124可经配置以使用检测器的输出及/或电子束图像来执行本文描述的功能中的任何一个。计算机子系统124可经配置以执行本文描述的任何额外步骤。包含图2中展示的输出获取子系统的系统可如本文描述进一步配置。
应注意,本文中提供图2以大体上说明可包含于本文描述的实施例中的基于电子束的输出获取子系统的配置。如同上文所描述的光学子系统,本文描述的电子束子系统配置可改变以优化子系统的性能,如在设计商业检验或计量系统时通常执行般。另外,本文描述的系统可使用现有检验、计量或其它系统(例如,通过将本文描述的功能性添加到现有系统)来实施,例如可从KLA商业购得的工具。对于一些此类系统,本文描述的实施例可作为系统的可选功能性提供(例如,除系统的其它功能性之外)。替代地,本文描述的系统可“从头开始”设计以提供全新系统。
尽管上文将输出获取子系统描述为基于光或基于电子束的子系统,但输出获取子系统可为基于离子束的子系统。此输出获取子系统可如图2中展示配置,除电子束源可用所属领域已知的任何合适离子束源替换。因此,在一个实施例中,引导到样本的能量包含离子。另外,输出获取子系统可为任何其它合适的基于离子束的输出获取子系统,例如包含于商业购得的聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及二次离子质谱(SIMS)系统中的那些。
本文描述的输出获取子系统可经配置以以多种模式为样本产生输出。一般来说,“模式”由用于产生样本的图像的输出获取子系统的参数值界定。因此,输出获取子系统的参数中的至少一者的值可不同(除样本上产生输出的位置)。例如,在光学子系统中,不同模式可使用不同波长的光用于照明。如本文进一步描述(例如,通过使用不同光源、不同光谱滤波器等),对于不同模式,所述模式在照明波长上可不同。在另一实施例中,不同模式可使用光学子系统的不同照明通道。例如,如上文所提及,光学子系统可包含多于一个照明通道。因而,不同照明通道可用于不同模式。模式在输出获取子系统的任何一或多个可变参数(例如,照明偏振、角度、波长等、检测偏振、角度、波长等)上可不同。
依类似方式,由电子束子系统产生的输出可包含由电子束子系统产生的具有电子束子系统的参数的两个或更多个不同值的输出。电子束子系统的多种模式可由用于产生样本的输出的电子束子系统的参数的值界定。因此,对于电子束子系统的电子束参数中的至少一者,不同模式的值可不同。例如,在电子束子系统的一个实施例中,不同模式可使用不同入射角用于照明。
本文描述的输出获取子系统实施例可经配置用于对样本执行的检验、计量、缺陷审查或其它质量控制相关过程。例如,本文描述并展示于图1及2中的输出获取子系统的实施例可在一或多个参数中修改以取决于其将被使用的应用而提供不同输出产生能力。在此一个实例中,如果展示于图1中的输出获取子系统用于缺陷审查或计量而非用于检验,那么其可经配置以具有更高分辨率。换句话说,展示于图1及2中的输出获取子系统的实施例描述输出获取子系统的一些通用及各种配置,其可依所属领域的技术人员将明白的多种方式订制以产生具有或多或少适于不同应用的不同输出产生能力的输出获取子系统。
如上文所提及,光学、电子及离子束子系统经配置用于在样本的实体版本上方扫描能量(例如,光、电子等),从而为样本的实体版本产生输出。依此方式,光学、电子及离子束子系统可经配置为“实际”子系统,而非“虚拟”子系统。然而,展示于图1中的存储媒体(未展示)及计算机子系统102可经配置为“虚拟”系统。特定来说,存储媒体及计算机子系统可经配置为“虚拟”检验系统,如在2012年2月28日授予巴斯卡尔(Bhaskar)等人的共同转让的第8,126,255号美国专利案及2015年12月29日授予杜飞(Duffy)等人的第9,222,895号美国专利案中所描述,其两者全文以引用方式并入。本文描述的实施例可进一步如这些专利中描述般配置。
如上文所提及,由一或多个计算机子系统执行的一或多个组件包含深度生成模型,例如图1中展示的深度生成模型104。一般来说,“深度学习”(DL)(还称为深度结构化学习、分层学习或深度机器学习)是基于试图模型化数据中的高级抽象的一组算法的机器学习(ML)的分支。在简单情况下,可有两组神经元:一组接收输入信号且一组发送输出信号。当输入层接收输入时,其将输入的修改版本传递给下一层。在基于DL的模型中,输入与输出之间有存在很多层(且所述层不由神经元组成,但可帮助如此想),允许算法使用多个处理层,由多个线性及非线性转换组成。
DL是基于数据的学习表示的更广泛ML方法家族的部分。观察(例如图像)可依多种方式(例如每一像素的强度值向量)表示,或依更抽象方式表示为一组边缘、特定形状的区域等。一些表示比其它表示更佳地简化学习任务(例如,面部识别或面部表情识别)。DL的承诺中的一者是用有效算法替换手工制作的特征用于无监督或半监督特征学习及分层特征提取。
“生成”模型通常可界定为本质上是概率的模型。换句话说,“生成”模型不是执行前向仿真或基于规则的方法的模型,且因而,产生实际图像所涉及的过程的实体的模型是不必要的。相反,如本文进一步描述,可基于合适训练数据集来学习生成模型(因为可学习其参数)。生成模型可经配置以具有DL架构,所述架构可包含执行多种算法或转换的多个层。包含于生成模型中的层数可取决于用例。出于实际目的,合适层范围是从2层到几十层。学习样本图像(例如实际晶片的图像)与设计(例如,CAD或预期布局的向量表示)之间的联合概率分布(均值及方差)的深度生成模型可如本文进一步描述般配置。
在一个实施例中,深度生成模型是生成对抗网络(GAN)。在另一实施例中,深度生成模型是条件生成对抗网络(cGAN)。深度生成模型还可包含所属领域已知的任何其它合适类型的GAN。
一般来说,GAN由两个对抗模型组成,生成模型G,捕获数据分布,且判别模型D,估计给定样本来自训练数据而非G的概率。G及D可为多层感知,即非线性映像函数。产生器构建从先验噪声分布pz(z)到数据空间G(z;θg)的映像函数以便在数据x上学习产生器分布pg,其中G是由具参数θg的多层感知表示的可微函数。产生器经训练以产生不可与真实数据分布或地面实况数据分布区分开的模拟输出。经对抗训练的鉴别器经训练以检测由产生器创建的伪造讯息。产生器及鉴别器两者进行尽可能好的训练,使得产生器产生极佳“伪造”输出。
当将GAN扩展到条件模型(cGAN)时,鉴别器及产生器两者以一些额外信息y为条件,将y作为额外输入层馈送到鉴别器及产生器中。
GAN受游戏理论的启发,其中产生器G及批评者(即鉴别器D)彼此竞争以使彼此更强大。目标是使所产生的数据分布pg与詹森-香农(Jensen-Shannon)散度评估的真实样本分布pr尽可能类似:
其中DKL是库尔贝克-莱伯勒(Kullback-Leibler)散度,如下界定:
及
产生器在给定随机噪声变量输入z的情况下输出合成样本。随时间,产生器经训练以通过使鉴别器拒绝其认为是不良伪造讯息的图像来捕获真实数据分布。
对于条件GAN,产生器及鉴别器以一些额外信息y为条件,所述信息将为本文描述的实施例中的设计剪辑或样本图像。以下具有目标L(D,G)的极小极大游戏正描述所述设置:
此意味着G经训练以增加D为伪造实例产生高概率的机会,因此最小化还需要通过最大化编码/>并给定伪造样本G(z)来确保鉴别器对真实数据的决策是准确的,鉴别器期望通过最大化来输出接近于零的概率D(G(z))。
一或多个计算机子系统经配置用于通过将用于样本上的对准目标的第一实际信息输入到深度生成模型中来将所述第一实际信息从第一类型的信息转换成第二类型的信息。一或多个计算机子系统可依任何合适方式将第一实际信息输入到深度生成模型中。
如本文使用的术语“实际信息”指的是尚未由DL或ML模型(包含本文描述的那些模型)仿真的信息,而是从本文描述的模型之外的来源获取的信息。本文描述的实施例中的实际信息的可能来源包含设计数据库、文件、存储媒体等或样本成像工具(例如本文描述的那些)。
如本文所使用的术语“第一”及“第二”除指示不同事物之外不具有任何含义。如本文进一步描述,第一及第二类型的信息是不同类型的信息,其中通常第一或第二类型的信息是设计数据且第一及第二类型的信息中的另一者是样本图像。依此方式,如本文使用的所述术语的不同类型的信息并不旨在意味着具有不同特性的相同类型的信息。例如,如本文使用的所述术语的不同类型的信息并不旨在意味着具有不同分辨率或其它不同图像特性的相同类型的样本图像(例如光学图像)。相反,本文描述的不同类型的信息位于不同域中,例如设计数据空间与样本图像空间。
当前在所属领域中使用的许多半导体质量控制类型的应用程序通过使用设计数据来执行特定功能(如缺陷检测及分类等)来提供改进结果。为了使设计数据对这些功能中的任何一个有用,其必须与由质量控制工具为样本产生的结果正确对准。例如,除非样本图像与设计数据正确对准,否则不可准确确定图像的哪些部分对应于设计的哪些部分。执行此对准的一个困难是样本图像通常看起来不太像其对应设计,其可由于数个因素,包含设计中的结构是如何在样本上形成以及工具使结构成像的能力。换句话说,样本图像与对应设计数据可具有基本上不同图像特性,其会使对应样本图像及设计数据的对准变得特别困难。在大多数情况下,不可能更改样本图像的特性以使图像到设计对准更容易。因此,不断探索使对准成为可能的创造性及更佳方法。本文描述的实施例有利地为具有设计到图像失配(例如上文所描述)的样本提供更佳对准。
如果第一类型的信息是设计数据,那么第二类型的信息是样本图像。图3展示通过为产生器网络提供设计图像而执行的cGAN训练。特定来说,如图3中展示,条件信息Y 300(额外数据,例如设计图像302或条件图像)与潜在空间向量z 304一起经输入到产生器网络306。因此,产生器网络306输出所产生图像Xfake 308,其为仿真样本图像,例如仿真样本图像310。在此情况下,真实图像Xreal 312是样本在样本上的展示于设计图像302中的设计的部分形成于其处的位置处的实际光学图像314。依此方式,条件信息Y 300(例如设计图像)可为训练集中的训练输入,且真实图像Xreal 312可为经指定为训练集中的训练输出的样本的其对应图像。
潜在空间向量可具有所属领域已知的任何合适配置。一般来说,潜在空间向量表示仅由噪声组成的初始图像,即,具有随机分配的灰阶值的像素。出于计算原因,此图像通过将图像中的每一行彼此相邻拼接而存储为向量,使得2D图像(例如32像素x32像素)成为相应大小的向量,例如1x1024大小的向量。一些信息(例如颜色)可添加到此随机性以引导深度生成模型到特定方向中。
所产生的图像Xfake 308及条件信息Y 300经组合作为鉴别器网络320的第一输入。真实图像Xreal 312及条件信息Y 316(例如设计图像318)经组合作为鉴别器网络320的第二输入。条件信息Y 300及316在此情况下是相同设计的相同部分的不同例子。鉴别器网络可产生输入到损失函数(未展示)的输出,所述损失函数可产生输出P(真实)322,其是所产生的拼接图像是真实或良好“伪造”图像的概率。
图中所展示的设计、真实及所产生的图像中的每一者并不意味着说明可使用本文描述的实施例的任何特定样本或其特性。依类似方式,图中所展示的真实及所产生的图像中的每一者并不意味着说明可为样本产生的任何特定实际或仿真图像。相反,图中所展示的设计、真实及所产生的图像仅旨在促进对本文描述的实施例的理解。从产生器实际输入及输出的图像将取决于样本及其特性而不同,所述特性与其设计及为样本产生实际图像的成像系统的配置有关,所述图像用于训练GAN,从而影响由GAN产生的仿真图像。
损失函数可为所属领域已知的任何合适损失函数,例如由伊索拉(Isola)等人在关于计算机视觉及图案识别(CVPR)的IEEE会议,2017年,第1125到1134页的“基于条件对抗网络的图像到图像翻译(Image-to-Image Translation with Conditional AdversarialNetworks)”中所公开的损失函数,所述文献如同完全在本文中提出般,以引用方式并入。本文描述的实施例可进一步如此参考文献中描述般配置。图3中所展示的产生器及鉴别器网络可进一步如本文描述配置。
如果第一类型的信息是样本图像,那么第二类型的信息是设计数据。图4展示通过为产生器提供真实样本图像而执行的cGAN训练。特定来说,如图4中展示,条件信息Y 400(例如样本图像402或条件图像)连同可如上文配置的潜在空间向量z 404一起经输入到产生器网络406。因此,产生器网络406输出所产生的图像Xfake 408,在此情况下,其可为伪造设计剪辑410。在此情况下,真实图像Xreal 412是样本的位于在样本图像402在其处产生的位置处的实际设计剪辑414。依此方式,条件信息Y 400(例如实际样本图像)可为训练集中的训练输入,且真实图像Xreal 412可为经指定为训练集中的训练输出的其对应设计剪辑。所产生的图像Xfake 408及条件信息Y 400经组合作为鉴别器网络420的第一输入。真实图像Xreal 412及条件信息Y 416(例如样本图像418)经组合作为鉴别器网络420的第二输入。条件信息Y 400及416在此情况下是相同样本图像的不同例子。鉴别器网络可产生输入到损失函数(未展示)的输出,所述损失函数可产生输出P(真实)422,其是所产生的设计剪辑是真实或良好“伪造”设计剪辑的概率。损失函数可如上文描述配置。图4中所展示的产生器及鉴别器网络可进一步如本文描述配置。
可包含于如本文描述配置的GAN的实施例中的产生器的实例展示于图5中。一般来说,GAN可包含编码器-解码器网络,所述网络逐步向下采样直到瓶颈层且接着过程是相反的。如图5中展示,产生器可包含编码器500及解码器502。编码器500中所展示的框506、508及510中的每一者表示在重复卷积、批量归一化及整流线性单元(ReLU)启动并在每一区段的末尾应用最大汇整之后的最终输出层大小的实例。尽管编码器500在图5中展示为包含3个框,但编码器可包含任何合适数目个框,其可依所属领域已知的任何合适方式确定。另外,框、卷积层、批量归一化层、ReLU层及汇整层中的每一者可具有所属领域已知的任何合适配置。输入504(其在本文描述的实施例中是第一实际信息)可输入到框506,其输出可输入到框508等。编码器可产生特征层512。
解码器还可包含对输入到解码器的特征层512执行不同功能的多个框。解码器中的框514、516及518中的每一者表示在重复上采样(转置卷积)及ReLU启动之后的最终输出层大小的实例。尽管解码器502在图5中经展示为包含3个框,但解码器可包含任何合适数目个框,其可依所属领域已知的任何合适方式确定。包含于解码器中的框及上采样及ReLU层中的每一者可具有所属领域已知的任何合适配置。由编码器产生的特征层512可输入到框514,其输出可输入到框516等。解码器的输出520可为本文描述的经转换第一实际信息中的任何一个。
在一些例子中,GAN可包含在编码器及解码器中的对应框之间的跳接522,例如在框506与518之间、在框508与516之间及在框510与514之间。可跳接以传输在框之间学习的低阶信息。跳接可具有依所属领域已知的任何合适方式确定的任何合适配置。图5中输入及输出下方的数字分别指示输入及输出的大小。编码器中框下方的数字指示框的输出的大小,且解码器中框下方的数字指示框中的每一者的输入的大小。
可包含于如本文描述配置的GAN的实施例中的鉴别器的实例展示于图6中。鉴别器的输入600可包含两个图像(未展示于图6中),一者由GAN及原始图像的产生器产生。鉴别器可包含数个层,包含层602、604、606、608及610,其中的每一者可包含卷积、ReLU及最大汇整层的一些组合。卷积、ReLU及最大汇整层可具有所属领域已知的任何合适配置。鉴别器的输出612可为P(x),仿真图像(即,经转换第一实际信息)与原始图像(即第二实际信息)匹配程度的概率或仿真图像是良好“伪造”图像或坏“伪造”图像的概率。图6中输入下方的数字指示输入的大小。鉴别器中层下方的数字指示层的输出的大小。尽管鉴别器在图6中展示为具特定数目个层,但包含于本文描述的实施例的GAN中的鉴别器可具有依所属领域已知的任何合适方式确定的任何合适数目个层。
GAN及cGAN的一般架构及配置的额外描述可在“生成对抗网络(GenerativeAdversarial Nets)”古德费洛(Goodfellow)等人,arXiv:1406.2661,2014年6月10日,9页、“具有深度生成模型的半监督学习(Semi-supervised Learning with Deep GenerativeModels)”金麦克斯(Kingma)等人,NIPS2014,2014年10月31日,第1到9页,“条件生成对抗网络(Conditional Generative Adversarial Nets)”,米尔扎(Mirza)等人,arXiv:1411.1784,2014年11月6日,7页、“对抗自动编码器(Adversarial Autoencoders)”,马克扎尼(Makhzani)等人,arXiv:1511.05644v2,2016年5月25日,16页及“具有条件对抗网络的图像到图像翻译(Image-to-Image Translation with Conditional AdversarialNetworks)”伊索拉(Isola)等人,arXiv:1611.07004v2,2017年11月22日,17页中找到,其等如同完全在本文中提出般,以引用方式并入。本文描述的实施例可进一步如这些参考文献中描述般配置。
本文描述的深度生成模型可或可不由一或多个计算机子系统及/或由计算机子系统执行的组件中的一者训练。例如,另一方法或系统可训练深度生成模型,其接着可经存储用作由计算机子系统执行的组件。深度生成模型还可在运行时间之前的任何时间进行训练或构建。在此一个实例中,深度生成模型可在PDA训练或设置期间构建。本文描述的深度生成模型还可在设置及/或部署训练模型之后的任何时间进行更新、重新训练或修改。
在此一个实例中,图7展示当本文描述的实施例经配置用于使用深度生成模型来将设计转换成样本图像时可由本文描述的实施例执行的步骤的流程图。步骤700、702、704、706、708及710在设置期间执行,且步骤712、714、716及718在运行时间期间执行。相反,图8展示当本文描述的实施例经配置用于使用深度生成模型来将样本图像转换成设计时可由本文描述的实施例执行的步骤的流程图。步骤800、802、804、806、808及810在设置期间执行,且步骤812、814、816及818在运行时间期间执行。
在一个实施例中,计算机子系统经配置用于从用输出获取子系统产生的样本的设置图像选择对准目标。例如,无论深度生成模型是否经配置用于将样本图像转换成设计数据或将设计数据转换成样本图像,计算机子系统可选择用于训练及运行时间的对准目标。为训练及运行时间选择的对准目标可或可不相同。例如,可使用相同对准目标来执行训练及运行时间,但用于训练的对准目标的例子相对于运行时间更少。相反情况也是可行的。由计算机子系统选择的对准目标还可包含具有不同特性的不同对准目标,而不仅仅是样本上或设计中的不同位置。对准目标可如本文进一步描述或依所属领域已知的任何其它合适方式来选择。
基于设计的对准的实例在2017年11月28日授予巴塔查里亚(Bhattacharyya)等人的第9,830,421号美国专利案、2020年4月14日授予布劳尔(Brauer)的第10,620,135号美国专利案及2020年6月30日授予布劳尔(Brauer)的第10,698,325号美国专利案中描述,其如同完全在本文中提出般,以引用方式并入。本文描述的实施例可经配置以如这些专利中所描述来选择对准目标且可进一步如这些专利中所描述配置。
如图7的步骤700及图8的步骤800中展示,计算机子系统可扫描整个裸片以找到跨裸片均匀分布的2D唯一目标。可如本文进一步描述来执行扫描样本上的整个裸片或样本上的另一合适区域。唯一目标可依所属领域已知的任何合适方式是唯一的,其使目标适于对准目的。可依任何合适方式(例如,通过在预定图像窗口内搜索与窗口中的任何其它图案不同的图案)来找到2D唯一目标。例如,唯一目标可为与预定搜索窗口内的其它图案(例如图像帧或作业)相比具有唯一形状的图案,在预定搜索窗口内相对于彼此具有唯一空间关系的图案等。
对准目标优选是2D,因为其可用于在x及y方向两者上执行对准,尽管此并非必需。例如,可选择对准目标,使得一或多者用于仅在x方向上的对准且一或多个其它者用于仅在y方向上的对准。
另外,尽管可优选找到及使用跨样本上的裸片或其它区域均匀分布的对准目标,但此并非必需。换句话说,尽管可分别如图7及8的步骤700及800中所展示来选择对准目标,但本文描述的实施例可与依所属领域已知的任何合适方式而选择的所属领域已知的任何合适对准目标一起使用。尽管选择多个唯一目标用于本文描述的实施例中可为实际的,但一般来说,可选择任何一或多个唯一目标。唯一目标中的每一者可依任何唯一方式彼此不同。另外,唯一目标可包含相同唯一目标的多于一个例子。
一或多个计算机子系统可接收在样本图像中找到的唯一目标中的每一者的设计。一或多个计算机子系统可依任何合适方式接收设计,例如通过基于从通过扫描产生的图像确定的唯一目标的信息来搜索样本的设计,通过在来自存储媒体或包含设计的计算机系统的唯一目标的位置处请求设计的部分(例如设计剪辑)等。由一或多个计算机子系统接收的设计可包含本文进一步描述的设计、设计数据或设计信息中的任何一个。
在另一实施例中,计算机子系统经配置用于产生训练集,所述训练集包含用输出获取子系统产生的样本的训练图像及样本的对应设计数据,并用训练集训练深度生成模型,且训练图像在与校准目标或样本上任何其它校准目标的位置无关的位置处产生。例如,本文描述的深度生成模型可从结构学习,即使用于学习的结构对于传统PDA技术而言并非良好对准位点。换句话说,尽管对准目标对于本文描述的其它步骤是必需的,但深度生成模型的训练不必仅使用对准目标图像及设计或甚至任何对准目标图像及设计来执行。能够用可与设计数据相关的基本上任何样本图像来训练深度生成模型是有利的,特别是在样本上没有很多合适对准目标的情况下。换句话说,可存在其中样本上可行对准目标的数目使得产生仅训练集的对准目标变得困难或甚至不可行的例子。在此类(及任何其它)情况下,训练集可包含未对准目标图像及设计数据以确保可正确训练深度生成模型。
在额外实施例中,计算机子系统经配置用于产生训练集,所述训练集包含用输出获取子系统产生的样本的训练图像及样本的对应设计数据,并用训练集训练深度生成模型,且包含于训练集中的对应设计数据包含少于样本上影响训练图像的所有层的设计数据。例如,本文描述的实施例提供高度准确对准,而无需完全了解所有层信息。能够从对样本图像具有影响的少于所有设计数据产生样本图像是有利的(或反之亦然),因为在许多例子中,整个设计文件在例如本文描述的那些的情况下是不可用的。在其它情况下,可难以先验地知道哪些设计层对样本图像具有影响且因此应用于前向类型模拟。相反,只要用于训练深度生成模型的设计数据至少在某种程度上对应于用于训练的样本图像,本文描述的深度生成模型将能够从设计数据产生仿真样本图像(或反之亦然)。换句话说,由于深度生成模型本身的性质,即使用于训练的设计数据缺少出现在样本图像中或对样本图像具有影响的一些图案化特征,本文描述的实施例也应能够成功地产生经训练深度生成模型。
在本文描述的实施例中的任何一个中,产生训练集可包含依任何合适方式并以任何合适格式存储训练图像及对应设计数据,使得训练集可用于训练深度生成模型。计算机子系统可将用于训练集的信息存储于本文描述的计算机可读存储媒体中的任何一个中。训练集可由计算机子系统依所属领域已知的任何合适方式使用,包含分成用于训练及验证的子集,随时间或当过程改变时经更新、修改或替换等。
接着可基于包含具有对应设计剪辑的样本贴片图像的训练集来训练深度生成模型。样本图像是训练输入且对应设计剪辑是训练输出或反之亦然取决于深度生成模型将如何转换第一实际信息及第一实际信息及第二实际信息的信息的类型。训练可包含将训练输入输入到深度生成模型中并改变深度生成模型的一或多个参数,直到由深度生成模型产生的输出匹配(或基本上匹配)训练输出。训练可包含改变深度生成模型的任何一或多个可训练参数。例如,由本文描述的实施例训练的深度生成模型的一或多个参数可包含用于具有可训练权重的深度生成模型的任何层的一或多个权重。在此一个实例中,权重可包含卷积层的权重,但不包含汇整层的权重。
尽管本文相对于深度生成模型描述一些实施例,但本文描述的实施例可包含或使用多个深度生成模型。在此一个实例中,可如本文描述分别针对输出获取子系统的不同模式来训练及使用不同深度生成模型。例如,针对一个模式执行的对准并非一定可转移到另一模式。换句话说,通过针对一个模式执行对准,并非所有模式可与设计对准(或至少不具足够准确度与设计对准)。在大多数情况下,检验或其它成像工具的不同模式将产生依若干可行方式中的一者彼此不同的图像及/或输出,例如噪声水平、对比度、分辨率、图像类型(例如,DF与BF、光学与电子束等)及其类似者。因此,如果针对工具的一个模式训练深度生成模型,那么可能不合适针对所述工具的另一模式经训练以转换信息。因而,可单独且独立地训练多个深度生成模型,一者用于每一关切模式,且可针对对样本执行的单个过程中使用的不同模式单独且独立地执行图像到设计对准。依此方式,当不同模式用于产生样本的图像时,以多于一个模式产生的图像可与样本的设计对准。相同预训练深度生成网络可用于每一模式,但此并非必需。接着每一经训练深度生成模型可用于执行模式特定的转换。
当第一实际信息是设计数据时,输入到每一不同经训练深度生成模型的第一实际信息可为相同设计剪辑或相同设计的不同部分,因为样本的设计将不因模式而改变。当第一实际信息是样本图像时,那么每一经不同训练深度生成模型的输入将不同。
当第一类型的信息是设计数据,且第二类型的信息是样本图像时,产生器经训练以产生不可与真实样本图像区分的样本图像。当第一类型的信息是样本图像且第二类型的信息是设计数据时,产生器经训练以产生不可与真实设计剪辑区分的设计剪辑。在其中任一情况下,经对抗训练的鉴别器经训练以在训练期间在伪造与真实元组之间分类。
一旦训练深度生成模型,其可用于将对准目标的第一实际信息从一种类型的信息转换成另一类型的信息。例如,如图7中所展示,图7是其中第一类型的信息是设计数据且第二类型的信息是样本图像的实施例,一或多个计算机子系统可获取每一目标的设计,如步骤702中展示,其可如本文进一步描述执行。如步骤704中展示,一或多个计算机子系统接着可通过经训练GAN从每一目标处的设计创建样本贴片图像。依此方式,GAN或本文描述的另一深度生成模型可用于为任何给定设计剪辑产生伪造样本图像,其接着将用于对准样本图像以计算偏移,如本文进一步描述。换句话说,在训练之后,产生器用于创建仿真样本图像用于图案到设计对准(PDA),使得实际样本图像可与仿真样本图像对准且从而与其对应设计剪辑对准。
依此方式,本文描述的实施例的一个新特征是其可经配置用于使用GAN或本文描述的其它深度生成模型用于学习人工贴片图像基于设计文件应看起来如何。另外,本文描述的实施例的另一新特征是其可经配置用于通过GAN或本文描述的其它深度生成模型而为PDA产生人工贴片图像。
为了执行相反者,设计剪辑由样本图像替换且反之亦然。例如,如图8中展示,图8是其中第一类型的信息是样本图像且第二类型的信息是设计数据的实施例,一或多个计算机子系统可获取每一目标的设计,如步骤802中展示,其可如本文进一步描述执行。接着,一或多个计算机子系统可通过经训练GAN(或本文描述的其它深度生成模型)从每一目标处的光学(或其它)贴片图像创建设计剪辑,如步骤804中展示。依此方式,GAN(或其它深度生成)模型用于产生任何给定贴片图像的伪造设计剪辑,期接着将用于将伪造设计剪辑与实际设计剪辑对准以计算其之间的偏移,其可如本文进一步描述执行。
依此方式,本文描述的实施例的一个新特征是其可经配置用于通过GAN或其它基于深度生成模型的图像重建从样本图像产生设计剪辑。另外,本文描述的实施例的另一新特征是其可经配置用于使用设计剪辑而非样本图像用于对准。
在一个实施例中,样本图像是低分辨率样本图像。例如,对于例如检验的过程,在过程期间产生的样本图像可为“低分辨率”,因为其具有比本文描述的实施例所使用的其它类型的信息更低的分辨率。换句话说,当本文描述的实施例中的一种类型的信息系设计信息且另一类型的信息是样本图像时,即使通常认为设计数据不具有分辨率,样本图像也可具有低于(且甚至远低于)设计数据的分辨率。例如,与其中样本的所有特征经完美解析的设计数据不同,在本文描述的样本图像中,并非样本上的所有(或甚至没有)特征可经解析。依此方式,本文描述的转换不仅仅是改变数据或图像的格式(例如从二进制到灰阶)或对数据或图像应用一或多个滤波器(例如,如同低通滤波器或隅角舍入滤波器),但涉及将一种类型的数据或图像转换成另一完全不同类型的数据或图像。依此方式,本文描述的实施例可有利地为具有设计到光学失配(例如外观差异)的样本(例如晶片)提供更佳对准,其使得将设计直接对准样本图像不切实际或甚至不可行。
在另一实施例中,当第二类型的信息是设计数据时,转换包含将深度生成模型的输出二值化,使得经转换第一实际信息包含二值化设计数据。例如,深度生成模型的输出可包含灰阶仿真设计数据图像。在此类实施例中,一或多个计算机子系统可经配置用于从灰阶仿真设计数据图像产生二值化设计数据(或仿真二进制设计数据图像)。因此,转换步骤可包含将第一实际信息输入到深度生成模型中且接着对深度生成模型的输出二值化。尽管本文进一步描述一种用于产生仿真二进制设计数据图像的特别合适方式,但计算机子系统可依所属领域已知的任何其它合适方式产生仿真二进制设计数据图像。
在一个实施例中,产生仿真二进制设计数据图像包含对灰阶仿真设计数据图像进行阈值化以将灰阶仿真设计数据图像二值化并将灰阶仿真设计数据图像中的图案化特征的标称尺寸与样本的设计数据中的图案化特征的标称尺寸匹配。例如,通常地面实况设计图像是二进制或三级(取决于设计图像是仅用于样本上的一个层或样本上的两层),且由深度生成模型产生的演现灰阶设计图像可具有对应于地面实况图像值的基本上大直方图峰值。为了使用由深度生成模型产生的演现设计图像来执行对准,计算机子系统可将演现设计图像阈值化成对应于地面实况的二进制或三级值。在一些此类例子中,计算机子系统可在灰阶仿真设计数据图像中产生灰阶值的直方图且接着将阈值应用于直方图以从而对图像二值化。阈值经选择以匹配设计中特征的图案宽度(或其它尺寸)。依此方式,计算机子系统可阈值化仿真数据库图像以二值化及匹配标称真实设计图案宽度(或其它尺寸),且接着,如本文进一步描述,将其与真实设计图案对准。换句话说,为了使用仿真设计数据图像用于对准,计算机子系统可阈值化模拟设计剪辑以匹配高分辨率图像设计规则(DR)宽度。
一或多个计算机子系统还经配置用于将经转换第一实际信息与对准目标的第二实际信息对准。第二实际信息是第二类型的信息。例如,在其中第一类型的信息是设计数据且第二类型的信息是样本图像的情况下,如图7中展示,一或多个计算机子系统将演现图像(即经转换第一实际信息)及每一目标处的样本图像(即第二实际信息)对准,如步骤706中展示。相反,在其中第一类型的信息是样本图像,且第二类型的信息是设计数据的情况下,如图8的步骤806中展示,一或多个计算机子系统将IC设计(即第二实际信息)与在每一目标处产生的设计剪辑(即经转换第一实际信息)对准。
在一些实施例中,将经转换第一实际信息与第二实际信息对准基于归一化平方差和(NSSD)来执行。例如,图7的步骤706及图8的步骤806可使用经转换第一实际信息及第二实际信息的NSSD来执行以计算对准偏移。NSSD可使用所属领域已知的任何合适方法、算法、函数等来执行。然而,这些对准步骤可使用所属领域已知的任何其它合适对准方法或算法来执行。
一或多个计算机子系统进一步经配置用于基于对准的结果来确定经转换第一实际信息与第二实际信息之间的偏移。此偏移可依任何合适方式确定且可依任何合适方式表示(例如,作为笛卡尔偏移、作为二维函数等)。此偏移可依所属领域已知的任何合适方式确定且可具有所属领域已知的任何格式。
在一些实施例中,针对样本上的额外对准目标执行转换及对准步骤,且确定偏移包含分别为在所述过程期间由输出获取子系统为样本产生的输出的不同帧确定不同偏移。例如,如图7的步骤708及图8的步骤808中展示,一或多个计算机子系统可确定每一检验帧与目标的设计到图像偏移。
一或多个计算机子系统还经配置用于将经确定偏移存储为对准对设计偏移用于用输出获取子系统对样本执行的过程中。计算机子系统可将对准对设计偏移存储于任何合适计算机可读存储媒体中。对准对设计偏移可与本文描述的结果中的任何一个一起存储且可依所属领域已知的任何方式存储。存储媒体可包含本文描述的任何存储媒体或所属领域已知的任何其它合适存储媒体。在对准对设计偏移已经存储之后,对准对设计偏移可在存储媒体中存取且由本文描述的方法或系统实施例中的任何一个使用,经格式化用于显示给用户,由另一软件模块、方法或系统使用等。
在一些实施例中,针对样本上的额外对准目标执行转换及对准步骤,确定偏移包含分别确定在过程期间由输出获取子系统为样本产生的输出的不同帧的不同偏移,且存储经确定偏移包含存储不同偏移。在另一实施例中,一或多个计算机子系统经配置用于存储对准目标的第二实际信息用于在用输出获取子系统对样本执行的过程中用作设置对准目标图像。例如,如图7的步骤710及图8的步骤810中展示,一或多个计算机子系统可将目标及偏移保存到数据库用于运行时间检验(或本文描述的另一过程)。这些步骤可如本文进一步描述执行。
在一个实施例中,存储对准对设计偏移包含存储对准对设计偏移用于对样本执行的过程及对与样本相同类型的至少一个其它样本执行的过程中。例如,本文描述的实施例可为过程配方设置样本的对准,其可作为设置、创建、校准或更新配方的部分来执行。接着,所述配方可由本文描述的实施例(及/或另一系统或方法)存储及使用以对样本及/或其它样本执行过程以从而为样本及/或其它样本产生信息(例如缺陷信息)。依此方式,每个样本层可产生及存储一次对准对设计偏移,且对准对设计偏移可用于对相同层的多个样本执行的过程。当然,与任何程序一样,如果对样本层执行的过程经更新、校准、修改、重新训练等,那么对准对设计偏移也可依与任何其它过程参数相同的方式经更新、校准、修改、重新训练等。更新、校准、修改、重新训练等对准对设计偏移可依相同于本文用于确定用于对样本执行的过程中的偏移所描述的方式执行。依此方式,本文描述的实施例可经配置用于在不同时间重复本文描述的步骤以修改先前设置过程。
本文描述的实施例还可在如上文描述的运行时间对准样本之后执行所述过程。在一个实施例中,所述过程是检验过程。然而,所述过程可包含本文描述的过程中的任何一个,例如检验、缺陷审查、计量及其类似者。计算机子系统可经配置用于存储通过执行所述过程而产生的样本的信息,例如在任何合适计算机可读存储媒体中所检测缺陷的信息。所述信息可与本文描述的结果中的任何一个一起存储且可依所属领域已知的任何方式存储。存储媒体可包含本文描述的任何存储媒体或所属领域已知的任何其它合适存储媒体。在信息已经存储之后,所述信息可在存储媒体中存取且由本文描述的方法或系统实施例中的任何一个使用、经格式化用于显示给用户、由另一软件模块、方法或系统使用等。
因此,如本文描述,实施例可用于设置新过程或配方。实施例还可用于修改现有过程或配方,无论其是用于样本或为一个样本创建且正经适配用于另一样本的过程或配方。另外,本文描述的实施例不限于检验过程创建或修改。例如,本文描述的实施例还可用于依类似方式设置或修改用于计量、缺陷审查等的过程。特定来说,无论正在设置或修改的过程如何,均可执行如本文描述的确定用于过程中的偏移并执行样本到设计对准。因此,本文描述的实施例不仅可用于建立或修改检验过程,而且可用于建立或修改对本文描述的样本执行的任何质量控制类型过程。
在此一个实施例中,一或多个计算机子系统经配置以用输出获取子系统对样本执行所述过程,且所述过程包含将在所述过程中为样本产生的运行时间对准目标图像与设置对准目标图像对准,运行时间对准目标图像是第二类型的信息,基于将运行时间对准目标图像与设置对准目标图像对准的结果来确定运行时间对设置偏移,且基于运行时间对设置偏移及对准对设计偏移来确定运行时间对设计偏移。例如,如图7的步骤712中展示,在过程期间,一或多个计算机子系统可将设置图像与每一目标处的运行时间图像对准。因此,在此实施例中,设置图像是演现样本图像且运行时间图像是实际样本图像。相反,如图8的步骤812中展示,在过程期间,一或多个计算机子系统可将设置设计剪辑与每一目标处的运行时间设计剪辑对准。因此,在此实施例中,设置图像是实际设计数据,且运行时间图像是从运行时间样本图像产生的演现设计数据。如图7的步骤714及图8的步骤814进一步展示,一或多个计算机子系统可确定每一检验帧的设置与运行时间之间的偏移。另外,如图7的步骤716及图8的步骤816中展示,一或多个计算机子系统可确定每一检验帧的设计与运行时间之间的偏移。所有这些步骤可如本文进一步描述执行。
基于运行时间对设置偏移及对准对设计偏移来确定运行时间对设计偏移可包含依任何合适方式通过或使用运行时间对设置偏移来修改对准对设计偏移。可执行此步骤以针对设置样本及运行时间样本与输出获取子系统的对准中的任何差及设置样本与运行时间样本之间的任何其它差(例如在不同样本上的对准目标的放置差)来校正对准对设计偏移。
在一些此类实施例中,计算机子系统经配置用于通过将过程期间在样本上的对准目标的位置处产生的样本图像输入到深度生成模型中,通过将过程期间在样本上的对准目标的所述位置处产生的所述样本图像转换成运行时间对准目标设计数据而产生运行时间对准目标图像。例如,在运行时间,本文描述的GAN或其它深度生成模型从样本图像产生伪造设计剪辑,其接着与PDA设置数据库图像对准。
在另一此实施例中,所述过程包含在基于运行时间对设计偏移而对样本执行的过程期间确定由输出获取子系统产生的输出中的关注区域。例如,如图7的步骤718及图8的步骤818中展示,一或多个计算机子系统可根据偏移校正来放置关注区域。在所属领域中通常所指的“关注区域”是样本上因检验目的而关切的区域。有时,关注区域用于区分样本上已检查的区域与样本上未在检验过程中检验的区域。另外,有时使用关注区域来区分样本上将使用一或多个不同参数检验的区域。例如,如果样本的第一区域比样本上的第二区域更关键,那么可以比第二区域更高的灵敏度检验第一区域,使得在第一区域中以更高灵敏度检验缺陷。检验过程的其它参数可依类似方式从关注区域更改为关注区域。
在这些实施例中,一或多个计算机子系统可在x及y方向上使用0关注区域边界。例如,因为本文描述的实施例可以基本上高准确度将样本图像与设计对准,所以关注区域可以基本上高准确度定位于样本图像中。因此,通常用于人为增加关注区域以解决关注区域放置中的任何错误的边界可由本文描述的实施例有效地消除。以如此高准确度放置关注区域并消除关注区域边界因素个原因是有利的,包含可显著地减少对样本的滋扰的检测及可改进对样本的关切缺陷(DOI)的检测。
在一个实施例中,计算机子系统经配置用于将经确定偏移存储为对准对设计偏移用于用输出获取子系统对额外样本执行的过程中,且当第二类型的信息是设计数据时,如果第二类型的信息是样本图像,那么经转换第一实际信息更不受对额外样本执行的一或多个过程的变化影响。例如,当深度生成模型经配置用于将样本图像转换成设计数据时,从样本图像产生的设计图像可潜在地比深度生成模型经配置用于从设计数据产生样本图像更不受过程变化影响。
在另一实施例中,计算机子系统经配置用于将经确定偏移存储为对准对设计偏移用于用输出获取子系统对额外样本执行的过程中,且当第二类型的信息是设计数据时,在使用对准对设计偏移的过程中执行的对准比第二类型的信息是样本图像时更不受对额外样本执行的一或多个过程中的变化影响。例如,用真实设计剪辑对二值化设计演现执行PDA可比使用样本图像执行PDA时更不受过程变化影响。
通过对样本或相同类型的其它样本执行本文描述的过程而产生的结果及信息可由本文描述的实施例及/或其它系统及方法依多种方式使用。此类功能包含(但不限于)依反馈或前馈方式改变已经或将对样本或另一样本执行的过程,例如制造过程或步骤。例如,计算机子系统可经配置以基于经检测缺陷来确定对已经或将对如本文描述检验的样本执行的过程的一或多个改变。对过程的改变可包含对过程的一或多个参数的任何合适改变。计算机子系统优选地确定那些改变,使得可减少或防止在对其执行修改过程的其它样本上的缺陷,可在对样本执行的另一过程中纠正或消除样本上的缺陷,可在对样本执行的另一过程中补偿缺陷等。计算机子系统可依所属领域已知的任何合适方式确定此类改变。
接着可将那些改变发送到计算机子系统及半导体制造系统可存取的半导体制造系统(未展示)或存储媒体(未展示)。半导体制造系统可或可不为本文描述的系统实施例的部分。例如,本文描述的计算机子系统及/或输出获取子系统可耦合到半导体制造系统,例如,经由一或多个共同元件,例如外壳、电源、样本处理装置或机构等。半导体制造系统可包含所属领域已知的任何半导体制造系统,例如光刻工具、蚀刻工具、化学机械抛光(CMP)工具、沉积工具及其类似者。
上文所描述的系统中的每一者的实施例中的每一者可一起组合成一个单个实施例。
另一实施例涉及一种用于确定用于对样本执行的过程中的偏移的计算机实施方法。所述方法包含本文进一步描述的转换、对准、确定及存储步骤。这些步骤由一或多个计算机系统执行。一或多个组件由一或多个计算机系统执行,且一或多个组件包含深度生成模型。
方法的步骤中的每一者可如本文进一步描述执行。所述方法还可包含可由本文描述的系统、计算机系统及/或深度生成模型执行的任何其它步骤。计算机系统可根据本文描述的实施例中的任何一个配置,例如计算机子系统102。深度生成模型可根据本文描述的实施例中的任何一个配置。另外,上文所描述的方法可由本文描述的系统实施例中的任何一个执行。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在一或多个计算机系统上执行用于执行一种用于确定用于对样本执行的过程中的偏移的计算机实施方法。此一个实施例展示于图9中。特定来说,如图9中展示,非暂时性计算机可读媒体900包含可在计算机系统904上执行的程序指令902。计算机实施方法可包含本文描述的任何方法的任何步骤。
实施方法(例如本文描述的那些)的程序指令902可存储于计算机可读媒体900上。计算机可读媒体可为存储媒体(例如磁盘或光盘、磁带或技术中已知的任何其它合适非瞬时计算机可读媒体)。
可依各种方式中的任何一个实施所述程序指令,包含(尤其)基于过程的技术、基于组件的技术及/或面向对象技术。例如,可根据需要使用ActiveX控件、C++对象、JavaBeans、Microsoft基础类(“MFC”)、SSE(流式SIMD扩展)或其它技术或方法来实施程序指令。
计算机系统904可根据本文描述的实施例中的任何一个配置。
鉴于此描述,所属领域的技术人员应明白本发明的各个方面的进一步修改及替代实施例。例如,提供用于确定用于对样本执行的过程中的偏移的方法及系统。据此,此描述仅解释为阐释性的且出于教示所属领域的技术人员实施本发明的一般方法的目的。应明白,本文中所展示且所述描的本发明的形式应被视作当前优选实施例。元件及材料可替代本文所说明及描述的所述元件及材料,可倒转零件及过程,且可独立地利用本发明的特定特征,所属领域的技术人员在获得本发明的此描述的优点之后应明白上述所有。可在本文描述的元件中进行改变而不会背离所附权利要求书中所描述的本发明的精神及范围。
Claims (20)
1.一种经配置以确定用于对样本执行的过程中的偏移的系统,其包括:
一或多个计算机子系统;及
一或多个组件,其由所述一或多个计算机子系统执行,其中所述一或多个组件包括深度生成模型;且
其中所述一或多个计算机子系统经配置用于:
通过将用于样本上的对准目标的第一实际信息输入到所述深度生成模型中而将所述第一实际信息从第一类型的信息转换成第二类型的信息,其中如果所述第一类型的信息是设计数据,那么所述第二类型的信息是样本图像,且其中如果所述第一类型的信息是样本图像,那么所述第二类型的信息是设计数据;
将经转换第一实际信息与所述对准目标的第二实际信息对准,其中所述第二实际信息是所述第二类型的信息;
基于所述对准的结果来确定所述经转换第一实际信息与所述第二实际信息之间的偏移;及
将经确定偏移存储为对准对设计偏移用于用输出获取子系统对所述样本执行的过程中。
2.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置用于从用所述输出获取子系统产生的所述样本的设置图像选择所述对准目标。
3.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置用于产生包括用所述输出获取子系统产生的所述样本的训练图像及所述样本的对应设计数据的训练集并用所述训练集来训练所述深度生成模型,且其中所述训练图像是在与所述对准目标或所述样本上的任何其它对准目标的位置无关的位置处产生。
4.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置用于产生包括用所述输出获取子系统产生的所述样本的训练图像及所述样本的对应设计数据的训练集并用所述训练集来训练所述深度生成模型,且其中包含于所述训练集中的所述对应设计数据包括针对少于所述样本上的影响所述训练图像的所有层的设计数据。
5.根据权利要求1所述的系统,其中所述样本图像是低分辨率样本图像。
6.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置用于将所述经确定偏移存储为所述对准对设计偏移用于用所述输出获取子系统对额外样本执行的所述过程中,且其中当所述第二类型的信息是所述设计数据时,所述经转换第一实际信息比所述第二类型的信息是所述样本图像时更不受对所述额外样本执行的一或多个过程的变化影响。
7.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置用于将所述经确定偏移存储为所述对准对设计偏移用于用所述输出获取子系统对额外样本执行的所述过程中,且其中当所述第二类型的信息是所述设计数据时,在使用所述对准对设计偏移的所述过程中执行的对准比所述第二类型的信息是所述样本图像时更不受对所述额外样本执行的一或多个过程的变化影响。
8.根据权利要求1所述的系统,其中当所述第二类型的信息是所述设计数据时,所述转换进一步包括将所述深度生成模型的输出二值化,使得所述经转换第一实际信息包括经二值化设计数据。
9.根据权利要求1所述的系统,其中所述转换及对准是针对所述样本上的额外对准目标执行,其中所述确定所述偏移包括分别确定在所述过程期间由所述输出获取子系统为所述样本产生的输出的不同帧的不同偏移,且其中存储所述经确定偏移包括存储所述不同偏移。
10.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置用于存储所述对准目标的所述第二实际信息用于在用所述输出获取子系统对所述样本执行的所述过程中用作设置对准目标图像。
11.根据权利要求10所述的系统,其中所述一或多个计算机子系统进一步经配置以用所述输出获取子系统对所述样本执行所述过程,且其中所述过程包括将在所述过程中为所述样本产生的运行时间对准目标图像与所述设置对准目标图像对准,其中所述运行时间对准目标图像是所述第二类型的信息,基于将所述运行时间对准目标图像与所述设置对准目标图像对准的结果来确定运行时间对设置偏移,及基于所述运行时间对设置偏移及所述对准对设计偏移来确定运行时间对设计偏移。
12.根据权利要求11所述的系统,其中所述一或多个计算机子系统进一步经配置用于通过将在所述过程期间在所述样本上的所述对准目标的位置处产生的样本图像输入到所述深度生成模型中而通过将在所述过程期间在所述样本上的所述对准目标的所述位置处产生的所述样本图像转换成运行时间对准目标设计数据来产生所述运行时间对准目标图像。
13.根据权利要求11所述的系统,其中所述过程进一步包括在对所述样本执行的所述过程期间基于所述运行时间对设计偏移来确定由所述输出获取子系统产生的输出中的关注区域。
14.根据权利要求1所述的系统,其中所述深度生成模型是生成对抗网络。
15.根据权利要求1所述的系统,其中所述深度生成模型是条件生成对抗网络。
16.根据权利要求1所述的系统,其中所述过程是检验过程。
17.根据权利要求1所述的系统,其中所述输出获取子系统是基于光的输出获取子系统。
18.根据权利要求1所述的系统,其中所述输出获取子系统是电子束输出获取子系统。
19.一种非暂时性计算机可读媒体,其存储能够在一或多个计算机系统上执行的程序指令用于执行用于确定用于对样本执行的过程中的偏移的计算机实施方法,其中所述计算机实施方法包括:
通过将样本上的对准目标的第一实际信息输入到深度生成模型中而将所述第一实际信息从第一类型的信息转换成第二类型的信息,其中如果所述第一类型的信息是设计数据,那么所述第二类型的信息是样本图像,其中如果所述第一类型的信息是样本图像,那么所述第二类型的信息是设计数据,其中一或多个组件是由所述一或多个计算机系统执行,且其中所述一或多个组件包括所述深度生成模型;
将经转换第一实际信息与所述对准目标的第二实际信息对准,其中所述第二实际信息是所述第二类型的信息;
基于所述对准的结果来确定所述经转换第一实际信息与所述第二实际信息之间的偏移;及
将经确定偏移存储为对准对设计偏移用于用输出获取子系统对所述样本执行的过程中,其中所述输入、对准、确定及存储是由所述一或多个计算机系统执行。
20.一种用于确定用于对样本执行的过程中的偏移的计算机实施方法,其包括:
通过将样本上的对准目标的第一实际信息输入到深度生成模型中而将所述第一实际信息从第一类型的信息转换成第二类型的信息,其中如果所述第一类型的信息是设计数据,那么所述第二类型的信息是样本图像,其中如果所述第一类型的信息是样本图像,那么所述第二类型的信息是设计数据,其中一或多个组件是由一或多个计算机系统执行,且其中所述一或多个组件包括所述深度生成模型;
将经转换第一实际信息与所述对准目标的第二实际信息对准,其中所述第二实际信息是所述第二类型的信息;
基于所述对准的结果来确定所述经转换第一实际信息与所述第二实际信息之间的偏移;及
将经确定偏移存储为对准对设计偏移用于用输出获取子系统对所述样本执行的过程中,其中所述输入、对准、确定及存储是由所述一或多个计算机系统执行。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/308,878 | 2021-05-05 | ||
US17/308,878 US11983865B2 (en) | 2021-05-05 | 2021-05-05 | Deep generative model-based alignment for semiconductor applications |
PCT/US2022/026851 WO2022235494A1 (en) | 2021-05-05 | 2022-04-29 | Deep generative model-based alignment for semiconductor applications |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116982078A true CN116982078A (zh) | 2023-10-31 |
Family
ID=83932239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280017137.0A Pending CN116982078A (zh) | 2021-05-05 | 2022-04-29 | 用于半导体应用以深度生成模型为基础的对准 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11983865B2 (zh) |
KR (1) | KR20240004240A (zh) |
CN (1) | CN116982078A (zh) |
TW (1) | TW202309767A (zh) |
WO (1) | WO2022235494A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127340B2 (en) * | 2016-09-30 | 2018-11-13 | Taiwan Semiconductor Manufacturing Company, Ltd. | Standard cell layout, semiconductor device having engineering change order (ECO) cells and method |
US11961221B2 (en) * | 2021-10-07 | 2024-04-16 | Applied Materials Israel Ltd. | Defect examination on a semiconductor specimen |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170200260A1 (en) * | 2016-01-11 | 2017-07-13 | Kla-Tencor Corporation | Accelerating semiconductor-related computations using learning based models |
US20180033051A1 (en) * | 2016-07-28 | 2018-02-01 | Revcontent Llc | Interest based delivery system and method in a content recommendation network |
CN108463876A (zh) * | 2016-01-11 | 2018-08-28 | 科磊股份有限公司 | 为样品产生模拟输出 |
CN112634343A (zh) * | 2020-12-23 | 2021-04-09 | 北京百度网讯科技有限公司 | 图像深度估计模型的训练方法、图像深度信息的处理方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040267397A1 (en) | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
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 |
US8664594B1 (en) | 2011-04-18 | 2014-03-04 | Kla-Tencor Corporation | Electron-optical system for high-speed and high-sensitivity inspections |
US8692204B2 (en) | 2011-04-26 | 2014-04-08 | Kla-Tencor Corporation | Apparatus and methods for electron beam detection |
US8716662B1 (en) | 2012-07-16 | 2014-05-06 | Kla-Tencor Corporation | Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US9401016B2 (en) | 2014-05-12 | 2016-07-26 | Kla-Tencor Corp. | Using high resolution full die image data for inspection |
KR102048918B1 (ko) | 2014-12-18 | 2020-01-08 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의한 피처 검색 |
US9830421B2 (en) | 2014-12-31 | 2017-11-28 | Kla-Tencor Corp. | Alignment of inspection to design using built in targets |
US9875536B2 (en) | 2015-03-31 | 2018-01-23 | Kla-Tencor Corp. | Sub-pixel and sub-resolution localization of defects on patterned wafers |
US9916965B2 (en) * | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
US11580375B2 (en) * | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model 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 |
US10620135B2 (en) | 2017-07-19 | 2020-04-14 | Kla-Tencor Corp. | Identifying a source of nuisance defects on a wafer |
US10698325B2 (en) | 2018-05-23 | 2020-06-30 | Kla-Tencor Corporation | Performance monitoring of design-based alignment |
-
2021
- 2021-05-05 US US17/308,878 patent/US11983865B2/en active Active
-
2022
- 2022-01-07 TW TW111100653A patent/TW202309767A/zh unknown
- 2022-04-29 CN CN202280017137.0A patent/CN116982078A/zh active Pending
- 2022-04-29 WO PCT/US2022/026851 patent/WO2022235494A1/en active Application Filing
- 2022-04-29 KR KR1020237030423A patent/KR20240004240A/ko unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170200260A1 (en) * | 2016-01-11 | 2017-07-13 | Kla-Tencor Corporation | Accelerating semiconductor-related computations using learning based models |
CN108463876A (zh) * | 2016-01-11 | 2018-08-28 | 科磊股份有限公司 | 为样品产生模拟输出 |
US20180033051A1 (en) * | 2016-07-28 | 2018-02-01 | Revcontent Llc | Interest based delivery system and method in a content recommendation network |
CN112634343A (zh) * | 2020-12-23 | 2021-04-09 | 北京百度网讯科技有限公司 | 图像深度估计模型的训练方法、图像深度信息的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202309767A (zh) | 2023-03-01 |
KR20240004240A (ko) | 2024-01-11 |
US11983865B2 (en) | 2024-05-14 |
US20220375051A1 (en) | 2022-11-24 |
WO2022235494A1 (en) | 2022-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110603625B (zh) | 用于对准图像的方法、系统及相关的非暂时性计算机可读媒体 | |
TWI747967B (zh) | 用於經組態用於半導體應用之深度學習模型之診斷系統及方法 | |
CN109313724B (zh) | 针对半导体应用并入神经网络及前向物理模型的系统及方法 | |
US11551348B2 (en) | Learnable defect detection for semiconductor applications | |
CN111819676A (zh) | 训练用于低分辨率图像中的缺陷检测的神经网络 | |
US11961219B2 (en) | Generative adversarial networks (GANs) for simulating specimen images | |
CN110494894A (zh) | 基于轮廓的缺陷检测 | |
TW201928541A (zh) | 用於大型偏移晶粒對晶粒檢測之多步驟影像對準方法 | |
CN115943429B (zh) | 用于光学或其它模式选择的深度生成模型 | |
TWI844777B (zh) | 針對具有樣品內及樣品間變異之樣品使用無監督學習及適應性資料庫產生方法之影像對準設定 | |
CN116982078A (zh) | 用于半导体应用以深度生成模型为基础的对准 | |
CN115516295A (zh) | 使用深度学习方法的缺陷尺寸测量 | |
TW202206800A (zh) | 深度學習為基礎之缺陷偵測 | |
US20240095935A1 (en) | Deep learning model-based alignment for semiconductor applications | |
CN117015850B (zh) | 以经呈现设计图像进行的设计注意区域的分段 | |
TWI851888B (zh) | 用於半導體檢測之系統及方法,及非暫時性電腦可讀儲存媒體 |
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 |