CN117094938A - 半导体样品的缺陷检测 - Google Patents

半导体样品的缺陷检测 Download PDF

Info

Publication number
CN117094938A
CN117094938A CN202310306371.1A CN202310306371A CN117094938A CN 117094938 A CN117094938 A CN 117094938A CN 202310306371 A CN202310306371 A CN 202310306371A CN 117094938 A CN117094938 A CN 117094938A
Authority
CN
China
Prior art keywords
image
pmc
bit depth
defect
defect detection
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
CN202310306371.1A
Other languages
English (en)
Inventor
B·杜多维奇
A·阿里埃勒
A·巴尔
L·耶希勒
C·伊茨科维茨
S·本以色列
L·卡茨
E·O·乔尼
E·罗特
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 CN117094938A publication Critical patent/CN117094938A/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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • 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
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/10—Selection of transformation methods according to the characteristics of the input images
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • 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
    • G06N3/09—Supervised 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
    • G06T2207/10—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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本文提供了一种半导体样品的缺陷检测的系统和方法。所述方法包括获得以第一位深度获取的样品的第一图像，通过第一处理器将所述第一图像转换为具有比所述第一位深度低的第二位深度的第二图像，将所述第二图像传输至第二处理器，所述第二处理器被配置成使用第一缺陷检测算法对所述第二图像执行第一缺陷检测，以获得第一组缺陷候选，以及将所述第一组缺陷候选的位置发送至所述第一处理器，基于所述位置从所述第一图像提取与所述第一组缺陷候选相对应的一组图像图块；以及使用第二缺陷检测算法对所述一组图像图块执行第二缺陷检测，以获得第二组缺陷候选。

Description

半导体样品的缺陷检测
技术领域
本公开的主题总体涉及半导体样品检查的领域，并且更具体地，涉及样品的缺陷检测。
背景技术
当前对与制造的器件的超大规模集成相关的高密度和高性能的需求需要亚微粒子特性、更高的晶体管速度和电路速度以及改进的可靠性。随着半导体工艺的进步，图案尺寸(诸如衬里宽度)和其他类型的临界尺寸不断缩小。这些需求要求形成具有高精度和高均匀性的器件特征，而这进而又需要仔细监控制造工艺，包括在器件仍处于半导体晶片形式时对其进行自动检查。
运行时检查一般可以采用两阶段程序，例如，对样品进行检验，然后对可能的缺陷的采样位置进行审查。检查一般涉及通过将光或电子引导到晶片并且检测来自晶片的光或电子来为样品生成特定输出(例如，图像、信号等)。在第一阶段期间，以高速和相对低的分辨率来检验样品的表面。缺陷检测通常是通过将缺陷检测算法应用于检验输出来执行的。产生缺陷映射以显示样品上具有高缺陷概率的可疑位置。在第二阶段期间，以相对高分辨率对可疑位置中的至少一些进行更彻底的分析，以确定缺陷的不同参数，例如类别、厚度、粗糙度、尺寸等。
可以在要检查的样品的制造期间或之后使用无损检查工具进行检查。各种无损检查工具包括(作为非限制性示例)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，这两个阶段可以由同一检验工具实现，并且在一些其他情况下，这两个阶段由不同的检验工具实现。
检查处理可以包括多个检查步骤。半导体器件的制造工艺可以包括例如蚀刻、沉积、平坦化、诸如外延生长的生长、注入等的多种工艺。例如在某些处理程序之后，和/或在制造某些层之后等，可以执行多次检查步骤。附加地或替代地，例如针对不同的晶片位置，或者针对具有不同检查设置的相同晶片位置，每个检查步骤可以重复进行多次。
举例来说，在半导体制造期间的各个步骤使用检查处理，以检测样品上的缺陷并且对样品上的缺陷分类，以及执行计量相关操作。可以通过一个或多个处理(例如缺陷检测、自动缺陷分类(Automatic Defect Classification，ADC)、自动缺陷审查(AutomaticDefect Review，ADR)、图像分割、自动计量相关操作等)的自动化来提高检查的有效性。自动检查系统确保制造的零件符合预期的质量标准，并根据所识别的缺陷类型，提供制造工具、设备和/或成分可能需要的调整的有用信息。
发明内容
根据本公开的主题的某些方面，提供了一种半导体样品缺陷检测的计算机化系统，所述系统包括第一处理和存储器电路(processing and memory circuitry，PMC)，所述系统被配置成：获得表示所述半导体样品的至少部分的第一图像，所述第一图像由检验工具以第一位深度获取；将所述第一图像转换为具有第二位深度的第二图像，其中，所述第二位深度是比所述第一位深度更低的位深度；将所述第二图像传输至可操作地连接至所述第一PMC的第二PMC，其中，所述第二PMC被配置成使用第一缺陷检测算法对所述第二图像执行第一缺陷检测，产生第一组缺陷候选，并且将所述第一组缺陷候选的位置发送至所述第一PMC；在从所述第二PMC收到所述位置之后，基于所述位置从所述第一图像提取与所述第一组缺陷候选相对应的一组图像图块；以及使用第二缺陷检测算法对所述一组图像图块执行第二缺陷检测，产生第二组缺陷候选。
除了上述特征之外，根据本公开的主题的这一方面的系统可以以技术上可能的任何期望的组合或排列包括以下列出的特征(i)至(x)中的一个或多个：
(i)所述第一位深度是每像素32位、每像素24位和每像素16位中的一者。所述第二位深度是比第一位深度更低的位深度，可以是每像素16位和每像素8位中的一者。
(ii)所述第一PMC包括一个或多个图形处理单元(graphics processing unit，GPU)，所述图形处理单元被优化以处理具有所述第一位深度的图像。
(iii)所述第二PMC包括一个或多个数字信号处理器(digital signalprocessor，DSP)，所述数字信号处理器被优化以处理具有所述第二位深度的图像。
(iv)所述变换函数是被特别选择的并且被配置成提高具有所述第二位深度的所述第二图像的准确性和/或灵敏度。
(v)所述第一缺陷检测算法是使用所述第二图像的一个或多个参考图像的管芯与参考检测算法。
(vi)所述第一缺陷检测算法具体被配置用于对具有所述第二位深度的一个或多个第二图像进行缺陷检测。
(vii)所述第二缺陷检测算法包括机器学习(ML)模型，所述机器学习模型是使用具有所述第一位深度的一个或多个训练图像以及与所述训练图像相关联的指示感兴趣缺陷(DOI)或感兴趣缺陷的妨害的存在的相应标签来训练的。
(viii)所述第二组缺陷候选由审查工具审查，产生一组DOI。所述ML模型是使用与所述一组DOI相对应并且与DOI的标签相关联的图像图块以及与所述第二组缺陷候选中的非DOI缺陷候选相对应并且与妨害的标签相关联的图像图块再训练的，并且经再训练的ML模型用于重新执行第二缺陷检测。
(ix)所述第一PMC被配置成获得在运行时检验期间由所述检验工具顺序采集的并且表示所述半导体样品的不同部分的多个第一图像，并且针对所述多个第一图像中的每个给定第一图像执行转换、传输、提取和执行。通过基于所述给定第一图像的像素值分布选择特定变换函数来自适应地转换每个给定第一图像。
(x)所述系统进一步包括第二PMC。所述第一PMC针对第一位深度处理进行优化由此能够提高检测灵敏度。所述第二PMC针对第二位深度处理进行优化由此能够提高计算效率并且降低计算成本。所述第一PMC和所述第二PMC以特定方式杠杆化/平衡以对具有不同位深度的图像执行相应的缺陷检测，从而在不牺牲检测灵敏度的情况下提高吞吐量。
根据本公开的主题的其他方面，提供了一种半导体样品的缺陷检测的方法，由第一处理器和存储器电路(processor and memory circuitry,PMC)执行，并且所述方法包括：获得表示所述半导体样品的至少部分的第一图像，所述第一图像由检验工具以第一位深度获取；将所述第一图像转换为具有第二位深度的第二图像，其中，所述第二位深度是比所述第一位深度更低的位深度；将所述第二图像发送至可操作地连接至所述第一PMC的第二PMC，其中，所述第二PMC被配置成使用第一缺陷检测算法对所述第二图像执行第一缺陷检测，产生第一组缺陷候选，并且将所述第一组缺陷候选的位置发送至所述第一PMC；在从所述第二PMC收到所述位置之后，基于所述位置从所述第一图像提取与所述第一组缺陷候选相对应的一组图像图块；以及使用第二缺陷检测算法对所述一组图像图块执行第二缺陷检测，产生第二组缺陷候选。
所公开的主题的这一方面可以以技术上可能的任何期望的组合或排并且进行必要的修改包括上文关于系统列出的特征(i)至(x)中的一个或多个。
根据本公开的主题的其他方面，提供了一种非暂时性计算机可读存储介质，其包括指令，当所述指令由计算机执行时，使得所述计算机执行一种半导体样品的缺陷检测的方法，所述方法包括：获得表示所述半导体样品的至少部分的第一图像，所述第一图像由检验工具以第一位深度获取；将所述第一图像转换为具有第二位深度的第二图像，其中，所述第二位深度是比所述第一位深度更低的位深度；将所述第二图像发送至可操作地连接至所述第一PMC的第二PMC，其中，所述第二PMC被配置成使用第一缺陷检测算法对所述第二图像执行第一缺陷检测，产生第一组缺陷候选，并且将所述第一组缺陷候选的位置发送至所述第一PMC；在从所述第二PMC收到所述位置之后，基于所述位置从所述第一图像提取与所述第一组缺陷候选相对应的一组图像图块；以及使用第二缺陷检测算法对所述一组图像图块执行第二缺陷检测，产生第二组缺陷候选。
所公开的主题的这一方面可以在技术上可能的任何期望的组合或排列中进行必要的修改，包括上文关于系统列出的特征(i)至(x)中的一个或多个。
附图说明
为了理解本公开并且了解如何在实践中执行本公开，现在将参考附图仅通过非限制性示例的方式描述实施例，其中：
图1示出了根据本公开的主题的某些实施例的检查系统的一般框图。
图2示出了根据本公开的主题的某些实施例的半导体样品的缺陷检测的一般流程图。
图3示出了根据本公开的主题的某些实施例的从第一位深度到第二位深度的图像转换的一般流程图。
图4示出了根据本公开的主题的某些实施例的使用第一缺陷检测算法进行缺陷检测的一般流程图。
图5示出了根据本公开的主题的某些实施例的使用第二缺陷检测算法进行缺陷检测的一般流程图。
图6示出了根据本公开的主题的某些实施例的每像素8位的灰度图像和每像素16位的灰度图像的示例。
图7示出了根据本公开的主题的某些实施例的针对具有不同位深度的晶片的相对暗区域获取的两个图像。
具体实施方式
在以下的详细描述中，阐述了许多具体细节以提供对本公开的透彻理解。然而，本领域的技术人员将理解，可以在没有这些具体细节的情况下实践本公开的主题。在其他情况下，未对众所周知的方法、工艺、组件和电路进行详细描述，以免混淆本公开的主题。
除非另有具体说明，否则从以下讨论中可以明显看出，可以理解，在整个说明书讨论中所使用的诸如“获得”、“转换”、“传输”、“发送”、“接收”、“提取”、“执行”、“处理”、“选择”、“训练”、“再训练”、“获取”等术语指计算机处理数据和/或将数据转换为其他数据的动作和/或工艺，上述数据表示为物理量，例如电子、量并且/或上述数据表示物理对象。术语“计算机”应当被广泛地解释为涵盖任何种类的具有数据处理能力的基于硬件的电子设备，作为非限制性示例，包括检查系统、缺陷检测的系统及其在本申请中公开的相应部分。
本文所使用的术语“非暂时性存储器”和“非暂时性存储介质”应当被广泛地解释为涵盖适合于本公开的主题的任何易失性或非易失性计算机存储器。这些术语应当被理解为包括存储一组或多组指令的单个媒介或多个媒介(例如，集中式或分布式数据库，和/或关联的缓存和服务器)。这些术语还应当被认为包括能够存储指令集或对指令集编码以供计算机执行并且使计算机执行本公开的任何一个或多个方法的任何介质。因此，这些术语应被视为包括但不限于只读存储器(“read only memory，ROM”)、随机存取存储器(“randomaccess memory，RAM”)、磁盘存储介质、光存储介质、闪存设备等。
本说明书中所使用的术语“样品”应当被广泛地解释为包括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类型的物理实体或基板，包括晶片、掩模、分划板(reticle)和其他结构、其组合和/或其部件。样品在本文中也称为半导体样品，并且可以由制造设备执行相应的制造工艺来生产。
本说明书中所使用的术语“检查”应当被广泛地解释为涵盖与样品制造处理期间和/或之后的各种类型的缺陷检测、缺陷审查和/或缺陷分类、分割和/或计量操作相关的任何类型的操作。在要检查的样品制造期间或之后使用无损检查工具来进行检查。作为非限制性示例，检查处理可以包括使用相同或不同的检验工具关于样品或其部分提供的运行时扫描(单次或多次扫描)、成像、采样、检测、审查、测量、分类和/或其他操作。同样地，可以在制造要检查的样品之前提供检查，并且该检查可以包括例如生成检查配方和/或其他设置操作。需要注意的是，除非另有具体说明，否则本说明书中所使用的术语“检查”或其近义词关于检验区域的分辨率或大小不限制。各种无损检查工具包括(作为非限制性示例)扫描电子显微镜(scanning electron microscope，SEM)、原子力显微镜(atomic forcemicroscope，AFM)、光学检验工具等。
本说明书中所使用的术语“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件相关的计量信息的任何计量操作程序。在一些实施例中，计量操作可以包括测量操作，例如，关于样品上的某些结构元件执行的临界尺寸(CD)测量，包括但不限于以下各项：尺寸(例如，线宽、线间距、接触直径、元件尺寸、边缘粗糙度、灰度统计等)、元素形状、元件内部或元件之间的距离、相关角度、与对应于不同设计级别的元件相关的覆盖信息等。例如，通过采用图像处理技术分析测量结果(诸如测得的图像)。需要注意的是，除非另有具体说明，否则本说明书中所使用的术语“计量”或其近义词不限于测量技术、测量分辨率或检验区域的大小。
本说明书中所使用的术语“缺陷”应当被广泛地解释为涵盖在样品上形成的任何类型的异常或不良特征/功能。在某些情况下，缺陷可能是感兴趣缺陷(defect ofinterest，DOI)，其是对制造的设备的功能有一定影响的真实缺陷，因此符合客户的利益需要进行检测。例如，任何可能导致产量损失的“致命”缺陷都可以表示为DOI。在一些其他情况下，缺陷可能是妨害(也称为“误报”缺陷)，因其对完成的设备的功能没有影响，也不影响产量，因此可以忽略不计。
本说明书中所使用的术语“缺陷候选”应当被广泛地解释为涵盖被检测为具有相对较高的概率是感兴趣缺陷(defect of interest，DOI)的样品上的可疑缺陷位置。因此，在审查时，缺陷候选可以实际上是DOI，或者在某些其他情况下，它可以是如上所述的妨害，或者可以在检验期间由不同变化(例如，处理变化、颜色变化、机械和电气变化等)引起的随机噪声。
本说明书中所使用的术语“设计数据”应当被广泛地解释为涵盖指示样品的分层物理设计(布局)的任何数据。设计数据可以由相应的设计者提供和/或可以从物理设计中导出(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的格式提供，作为非限制性示例，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其他格式呈现。
应当理解，除非另有具体说明，否则在分开的实施例的上下文中所描述的本公开的主题的某些特征也可以在单个实施例中组合提供。相反，在单个实施例的上下文中描述的本公开的主题的各种特征也可以分开地或以任何合适的子组合来提供。在下面的详细描述中，阐述了许多具体细节以提供对方法和装置的透彻理解。
鉴于此，请注意图1，其示出了根据本公开的主题的某些实施例的检查系统的功能框图。
图1中所示的检查系统100可以用于检查半导体样品(例如，晶片、管芯或其部件)，作为样品制造处理的一部分。如上所述，本文所述的检查可被解释为涵盖与关于样品的缺陷检验/检测、各种类型的缺陷分类、分割和/或计量操作相关的任何类型的操作，诸如，例如，临界尺寸(critical dimension，CD)测量。具体地，所示的检查系统100包括能够实现半导体样品的自动缺陷检测的基于计算机的系统101。根据本公开的主题的某些实施例，系统101可以被配置为基于在样品制造期间获得的图像在运行时检测半导体样品上的缺陷。
系统101可以可操作地连接到一个或多个检查工具120。检查工具120被配置成扫描样品并且捕获样品的图像以进一步处理以用于各种检查应用。
举例来说，本文所使用的图像可以指在制造处理期间捕获的样品的原始图像和/或通过各种预处理阶段获得的捕获的图像的衍生物。应当注意，在一些情况下，本文所指的图像可以包括图像数据(例如，捕获的图像、处理的图像等)以及相关联的数字数据(例如，元数据、手工制作的属性等)。还应当注意，图像数据可以包括与样品的感兴趣层和/或一个或多个其他层相关的数据。
本说明书中所使用的术语“检查工具”应当被广泛地解释为涵盖可在检查相关处理的任何工具，作为非限制性示例包括成像、扫描(单次或多次扫描)、抽样、审查、测量、分类和/或其他关于样品或其部分提供处理。
一个或多个检查工具120可以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检验工具，该检验工具被配置为扫描样本(例如，整个晶片、整个管芯或其部分)以捕获检验图像(通常，以相对高速和/或低分辨率)用于检测潜在缺陷(即缺陷候选)。在一些情况下，检查工具120中的至少一个可以是审查工具，该审查工具被配置为捕获检验工具检测到的缺陷候选中的至少一些的审查图像以确定缺陷候选是否确实是感兴趣缺陷(DOI)。这样的审查工具通常被配置成(通常以相对低速和/或高分辨率)一次一片段地检测样品的片段。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，或者是在两种不同模式下操作的单个工具。在一些情况下，至少一个检查工具可以具有计量能力并且可以被配置成对图像执行计量操作。
在不以任何方式限制本公开的范围的情况下，还应注意，检查工具120可以实现为各种类型的检查机器，例如光学检验机器、电子束检验机器(例如扫描电子显微镜(Scanning Electron Microscope，SEM)、原子力显微镜(Atomic Force Microscopy，AFM)或透射电子显微镜(Transmission Electron Microscope，TEM)等)等等。在某些情况下，同一检查工具可以提供低分辨率图像数据和高分辨率图像数据。所得的图像数据(低分辨率图像数据和/或高分辨率图像数据)可以直接或经由一个或多个中间系统传输至系统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。
根据本公开的主题的某些实施例，检查工具120中的一个是扫描样品(例如，晶片)以捕获其检验图像的检验工具。在检验期间，晶片在曝光期间可以相对于检验工具的检测器以步长移动(或者晶片和工具可以相对于彼此沿相反的方向移动)，并且可以通过检验工具沿着晶片的条带逐步扫描晶片，其中，检验工具一次对样品的(在条带内的)部件/部分成像(也称为工具的视场(FOV))。例如，检验工具可以是光学检验工具。在每个步骤中，可以检测来自晶片的矩形部分的光，并且这种检测到的光被转换成在该部分的多个点处的多个强度值，从而形成对应于晶片的部件/部分的图像。FOV的尺寸和维度可以根据某些因素而变化，例如不同的工具配置。
举例来说，在光学检验中，平行激光束阵列可以沿着条带扫描晶片的表面。条带以彼此连续的平行行/列放置，以一次一个条带地建立晶片表面的图像。例如，该工具可以沿着条带从上到下扫描晶片，然后切换到下一个条带并且从下到上扫描该条带，依此类推，直到扫描整个晶片。晶片条带的图像有时称为图像切片/条。为了满足检验的吞吐量要求，通常在预定时间段(例如，10至15分钟)内扫描晶片(例如，尺寸为30cm*30cm)。因此，晶片在检验期间相对于激光束移动得相对较快，并且检验图像数据以高数据速率(例如，在～Tb/s的水平)生成。生成的大量检验数据需要实时动态分析，这需要巨大的计算机处理能力。
为了能够进行灵敏检验，应当获取具有良好质量的检验图像。例如，可以以良好的分辨率(即图像中的像素总数)获取检验图像。例如，在一些情况下，整个晶片或其一部分的图像可以在1013像素的数量级。附加地或替代地，可以以相对高的位深度获取图像。位深度，也称为颜色深度或每像素位数(bits per pixel，BPP)，是指用于表示图像中像素的位数。图像中不同颜色/灰度级的数量取决于颜色深度或每像素位数。例如，灰度图像可以是每像素8位，因此每个像素可以具有256个不同灰度级中的值，而彩色图像通常是每像素16位或每像素24位的格式。
图6示出了根据本公开的主题的某些实施例的每像素8位的灰度图像和每像素16位的灰度图像的示例。图像602以每像素8位获取并具有256个不同的灰度级，而图像604以每像素16位获取并具有65536个不同的灰度级。两个图像都表示具有通过渐变实现的平滑的颜色过渡的相同的色带。如图所示，图像602具有一定的量化噪声并且示出了相邻像素的像素值之间的明显的间隙，这表明细微的图像细节的丢失，而图像604可以准确地跟踪图像信号的原始色调并且能够提取通常在较低位深度中丢失的精细细节。
因此，优选使用以更高位深度获取的样品图像用于灵敏的缺陷检测，因为图像可以携带样品的更精细的细节，这提高了检测灵敏度。然而，使用具有更高位深度的图像会显著增加处理图像所需的计算能力和处理时间。例如，与以每像素8位获取的晶片图像相比，以每像素16位获取的晶片图像通常需要多几倍的处理能力/时间，因此需要先进得多(因此成本更高)的检查系统硬件基础设施以满足速度/吞吐量要求。作为权衡，由于吞吐量和工具配置限制，晶片检验图像通常以相对较低的位深度抓取，这是以不太理想的检测灵敏度为代价的。
因此，本公开的主题的某些实施例提出了一种具有混合架构的检查系统，该检查系统能够以改进的检测灵敏度执行分布式双漏斗缺陷检测，同时保持高吞吐量而不显著推进硬件基础设施，如下面将详述的。
检查系统100包括基于计算机的系统101，其能够在样品制造期间基于由检查工具120获得的运行时图像在运行时对半导体样品进行缺陷检测。具体地，检查系统100包括基于计算机的系统101。系统101包括可操作地连接至基于硬件的I/O接口126的第一处理器和存储器电路(PMC)102。第一PMC 102被配置成提供操作系统所必需的处理，如参考图2、图3和图5进一步详细描述的，并且包括处理器(未单独示出)和存储器(未单独显示)。PMC 102的处理器可以被配置成根据在包括在PMC中的非暂时性计算机可读存储器上实现的计算机可读指令来执行若干功能模块。这样的功能模块在下文中被称为包括在PMC中。
本文所指的处理器可以表示一个或多个通用处理设备，例如微处理器、中央处理单元等。更具体地，处理器可以是复杂指令集计算(complex instruction set computing，CISC)微处理器、精简指令集计算(reduced instruction set computing，RISC)微处理器、超长指令字(very long instruction word，VLIW)微处理器、实现其他指令集的处理器或实现指令集组合的处理器。处理器也可以是一个或多个专用处理设备，例如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(fieldprogrammable gate array，FPGA)、数字信号处理器(digital signal processor，DSP)、网络处理器等。处理器被配置成执行用于执行本文讨论的操作和步骤的指令。
本文所指的存储器可以包括主存储器(例如，只读存储器(readonly memory，ROM)、闪存存储器、动态随机存取存储器(dynamic random access memory，DRAM)(诸如同步DRAM(SDRAM)或Rambus DRAM(RDRAM)等)，和静态存储器(例如闪存存储器、静态随机存取存储器(static random access memory，SRAM)等)。
第一PMC 102中包括的功能模块可以包括图像处理模块104和第二缺陷检测模块106。在一些实施例中，第二缺陷检测模块106可以包括机器学习模型108。图像处理模块104可以被配置为经由I/O接口126并且从检查工具120(例如检验工具)获得表示半导体样品的至少一部分的第一图像。第一图像由检验工具以第一位深度获取。图像处理模块104还可以被配置成将第一图像转换为具有第二位深度的第二图像。第二位深度是比第一位深度更低的位深度。
检查系统100进一步包括可操作地连接至第一PMC 102的第二PMC110。类似地，第二PMC 110被配置成提供操作系统所必需的处理， 如参考图4进一步详细描述，第二PMC110包括处理器(未单独示出)和存储器(未单独示出)。第二PMC 110的处理器可以被配置成根据在包括在第二PMC中的非暂时性计算机可读存储器上实现的计算机可读指令来执行一个或多个功能模块。这样的功能模块在下文中被称为包括在第二PMC中。第二PMC 110可以包括第一缺陷检测模块112。
在生成第二图像之后，第一PMC 102可以将第二图像传输至第二PMC110。第二PMC110中的第一缺陷检测模块112可以被配置成使用 第一缺陷检测算法对第二图像执行第一缺陷检测，产生第一组缺陷候选及其位置。第二PMC 110然后将第一组缺陷候选的位置发送回第一PMC 102。
在收到来自第二PMC的位置之后，第一PMC102可以被配置成从第一图像提取与该位置相对应的一组图像图块；并且使用第二缺陷检测算法对该组图像图块执行第二缺陷检测，产生第二组缺陷候选。
举例来说，在一些情况下，第一PMC 102可以实现为与检查工具120相关联的处理服务器或主处理单元。第二PMC可以实现为可操作地连接至第一PMC 102的侧翼(wing)/次级处理单元。
系统100和系统101、第一PMC 102和第二PMC 110以及其中的功能模块的操作将参考图2至图5进一步详细说明。
在一些情况下，除了系统101之外，检查系统100还可以包括一个或多个检查模块，例如另外的缺陷检测模块和/或自动缺陷审查模块(Automatic Defect Review Module，ADR)和/或自动缺陷分类模块(Automatic Defect Classification Module，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以实现为独立的计算机，或者它们的功能(或至少其一部分)可以与检查工具120集成。在一些情况下，系统101和/或第二PMC 110的输出可以提供给一个或多个检查模块用于进一步处理。
根据某些实施例，系统101可以包括存储单元122。存储单元122可以被配置成存储操作系统101所需的任何数据(例如与系统101的输入和输出相关的数据)以及由系统101产生的中间处理结果。举例来说，存储单元122可以被配置成存储由检查工具120产生的样品的图像和/或其衍生物。因此，可以从存储单元122检索图像并将图像提供给PMC 102以供进一步处理。系统101和/或第二PMC的输出(例如第一组缺陷候选和/或第二组缺陷候选)可以被发送至存储单元122以进行存储。
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(computer-based graphical user interface，GUI)124，该基于计算机的图形用户界面124被配置成实现与系统101相关的用户指定输入。例如，可以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。可以通过GUI向用户提供定义某些操作参数的选项，诸如，例如第一位深度、第二位深度、第一缺陷检测算法的一个或多个参数，以及第二缺陷检测算法的一个或多个参数等。用户还可以在GUI上查看操作结果，诸如，例如检测到的缺陷候选。在一些情况下，系统101还可以被配置成经由I/O接口126将缺陷候选发送至一个或多个检查工具120进行进一步处理。在一些情况下，系统101还可以被配置成将输出数据发送到存储单元122和/或外部系统(例如，制造厂(fabricationplant，FAB)的产量管理系统(Yield Management System，YMS))。
本领域技术人员将容易理解，本公开的主题的教导不受图1中所示的系统的约束；等效和/或修改的功能可以以另一种方式合并或划分，并且可以以软件与固件和/或硬件的任何适当组合来实现。
应当注意，图1中所示的检查系统可以在分布式计算环境中实现，其中，图1中所示的上述部件和功能模块可以分布在若干个本地和/或远程设备上，并且可以通过通信网络链接。例如，第一PMC 102和第二PMC 110可以位于同一实体(在某些情况下由同一设备托管)或分布在不同实体上。在一些情况下，第二PMC 110可以作为系统101的一部分。
应当进一步注意，在其他实施例中，检查工具120、存储单元122和/或GUI 124中的至少一些可以在检查系统100的外部并且经由I/O接口126与系统100和系统101进行数据通信。系统101和/或第二PMC 110可以实现为独立计算机以与检查工具和/或与如上所述的其他检查模块结合使用。替代地，系统101和/或第二PMC 110的相应功能可以至少部分地与一个或多个检查工具120集成，从而促进和增强检查相关工艺中检查工具120的功能。
尽管不一定如此，系统101和系统100的操作工艺可以对应于关于图2至图5描述方法的部分或所有阶段。同样，关于图2至图5描述的方法及其可能的实现可以由系统101和系统100实现。因此，应当注意，关于图2至图5所描述的方法所讨论的实施例也可以通过必要的修改实现为系统101和系统100的各种实施例，反之亦然。
参照图2，其示出根据本公开的主题的某些实施例的半导体样品上的缺陷检测的一般流程图。
可以(例如，经由I/O接口126通过第一PMC 102中的图像处理模块104)获得表示半导体样品的至少一部分的第一图像(202)。第一图像可以由检验工具(例如检查工具120中的一个)以第一位深度获取。如上所述，第一图像可以由不同的检查形式产生，例如通过光学检验工具、电子束工具等，并且本公开不受用于获取图像的特定检查形式的限制。
如上所述，位深度是指用于表示图像中的像素的位数。图像中不同颜色/灰度级的数量取决于颜色深度或每像素位数。在一些实施例中，为了能够对样品进行灵敏的缺陷检测，用于捕获第一图像的第一位深度可以是相对高的位深度，例如每像素16位，或者在一些情况下，每像素24位或每像素32位，具体取决于工具的成像配置。
如上所述，样品(例如，晶片)可以由检查工具沿着晶片上的条带连续扫描，并且即时采集的图像数据(例如，表示条带或其部分的图像切片/条)可以与正在进行的其他条带的图像采集并行地实时处理/分析。本文中所使用的第一图像可以指代表在一个或多个步骤中扫描的晶片的至少部分的这样的图像切片/条(例如，条带或其一部分)。例如，第一图像的大小可以是～1013像素，具有相对较高的位深度(例如，每像素16位)，从而保留样品的精致细节。第一图像可以在其获取和/或预处理之后被记录/存储在例如存储单元122中。
由于第一图像通常是巨大的图像，因此其通常需要显著更高的计算能力和处理资源。本公开提出了一种基于混合系统架构的分布式双漏斗缺陷检测机制，其被证明具有改进的检测灵敏度，同时保持高吞吐量，而不显著提高硬件基础设施，如下所述。
为了执行缺陷检测的第一漏斗，将第一图像转换为较低的位深度，从而减少数据量以适应第二PMC的处理能力。具体地，可以将第一图像(例如，通过图像处理模块104)转换(204)为具有第二位深度的第二图像。第二位深度是比第一位深度更低的位深度。举例来说，在第一位深度是每像素16位的情况下，第二位深度可以是每像素8位。在第一位深度是每像素24或32位的情况下，第二位深度可以是每像素16位。在一些情况下，第一位深度和第二位深度可以根据以下中的一个或多个来预先确定：检验工具、第一PMC和/或第二PMC的硬件配置以及缺陷检测的性能要求，例如吞吐量。
在一些实施例中，变换函数可以用于位深度转换。变换函数可用于将第一图像中由第一位深度表示的像素值范围转换为由第二位深度表示的像素值范围。可以使用各种变换函数来进行不同位深度之间的转换。举例来说，转换可以旨在将原始位深度中的像素值映射到由目标位深度表示的最接近的值。例如，当从每像素16位转换为每像素8位时，每像素16位的像素值范围可以聚类成若干群集，这些群集可以由每像素8位的像素值范围表示。一种可能的方法是简单地丢弃不太重要的较低8位。作为另一示例，与使用例如标准线性变换相比，转换可以使用被特别选择的并且被配置成提高具有第二位深度(相对于第一图像)的第二图像的精度/灵敏度的变换函数。可以基于第一图像的像素值分布实时选择变换函数。例如，变换函数可以选择为以下中的一者：对数函数、双线性函数、多项式函数等，根据第一图像的像素值分布具体配置其参数值。在一些情况下，这样的变换函数可以被预先确定并且在获取第一图像之后动态地应用到第一图像。使用这样的特别配置的变换函数获得的第二图像相对于第一图像可以具有更高的灵敏度和精度(例如，保留更多细节并更好地表示第一图像)。
图3示出了根据本发明公开的主题的某些实施例的从第一位深度到第二位深度的图像转换的一般流程图。
由于在半导体样品的检查期间由检查工具顺序地获取多个第一图像并且多个第一图像表示半导体样品的不同部件/部分，因此这些第一图像捕获不同的图案并且具有不同的像素值分布。举例来说，像素分布可以以图像中像素强度值的直方图的形式表示。该直方图可以是示出图像中在该图像中发现的每个不同强度值处的像素数量的图表。例如，一些第一图像可以捕获到晶片的明亮区域，因此通常可以更亮(因此在直方图中具有更多具有较低强度值的像素)，而其他一些图像可以捕获到黑暗区域，因此具有更暗的色调(因此在直方图中有更多具有更高强度值的像素)。
在这样的情况下，预定的固定变换函数可能不适用于所有多个第一图像的位深度转换，因为该变换函数不能为具有不同像素值分布的不同图像提供定制的变换。根据某些实施例，可以基于给定第一图像的像素值分布为每个给定第一图像选择(302)特定变换函数。可以使用为其选择的特定变换函数自适应地转换(304)给定的第一图像的像素值以获得第二图像。例如，当第一图像通常具有较亮的色调时，变换函数(诸如，例如对数函数)可以被配置成给较低像素值更多的分辨率/灵敏度(例如，通过调整其参数值)，并且用于其位深度转换，从而产生具有更高灵敏度和精度的第二图像(具有较低的位深度)。
可以将第二图像(例如，由第一PMC 102)传输(206)至可操作地连接至第一PMC的第二PMC(例如，第二PMC 110)。第二PMC可以是侧翼处理单元，用于基于第二图像对样品执行第一漏斗缺陷检测。样品的第二图像尽管被转换为较低的位深度，但仍然是数十TB大小的巨大图像。第一漏斗旨在利用更少的计算能力以有效的方式处理如此庞大的图像，并且提供缺陷候选的输出以供第二漏斗进一步处理。
在一些实施例中，第二PMC可以被配置成使用第一缺陷检测算法对第二图像执行(220)第一缺陷检测，产生第一组缺陷候选及其位置。第一缺陷检测算法可以用于生成缺陷映射，该缺陷映射指示至少部分的样品上的缺陷候选分布(即，样品上具有高概率是感兴趣缺陷(DOI)的可疑位置)。
在一些实施例中，第二PMC可以被具体配置/优化以处理具有第一位深度的图像。举例来说，第二PMC可以包括一个或多个数字信号处理器(digital signal processor，DSP)，可以以各种方式优化该数字信号处理器以处理具有第二位深度的图像。在其他示例中，第二PMC可以被实现为一个或多个CPU和/或GPU和/或任何数学加速器。第二位深度越低，参与计算的位数越少，计算速度越快，所需的计算能力越小。在一些实施例中，DSP的指令集可以被设计成相对于DSP中的第二位深度表示和矢量大小等最大化/优化DSP的并行处理能力。
第一缺陷检测算法可以应用不同的检测方法来处理检验图像(例如，第二图像)并且生成缺陷映射。根据某些实施例，第一缺陷检测算法可以是经典缺陷检测算法，例如芯片与参考检测算法，诸如管芯之间(D2D)、管芯与历史(D2H)、管芯与数据库(D2DB)等。在其他一些情况下，第一缺陷检测算法可以基于机器学习模型。本公开内容不受本文所使用的特定检测技术的限制。仅出于说明目的，现在描述了基于检验图像的缺陷检测和缺陷映射生成的几个非限制性示例。
图4示出了根据本公开的主题的某些实施例的使用第一缺陷检测算法进行缺陷检测的一般流程图。在一些实施例中，对于每个检验图像(例如，第二图像)，一个或多个参考图像可用于缺陷检测。可以以各种方式获得一个或多个参考图像(402)，并且本文中所使用的参考图像的数量以及获得这些图像的方式不应当被解释为以任何方式限制本公开。在一些情况下，可以从同一样品的一个或多个参考管芯(例如，样品上的检验管芯(捕获与第二图像相对应的第一图像的位置)的一个或者多个相邻管芯)捕获一个或多个参考图像。在一些其他情况下，一个或多个参考图像可以包括从另一个样品(例如，不同于当前样品但共享相同设计数据的第二样品)的一个或多个管芯捕获的一个或多个图像。举例来说，在管芯与历史(D2H)检验方法中，可以在当前时间(例如，t＝t’)从当前样品捕获检验图像，并且一个或多个参考图像可以包括在基线时间(例如，先前时间t＝0)从第二个样品上的一个或多个管芯上捕获的一个或多个先前图像。在一些进一步的实施例中，一个或多个参考图像可以包括表示一个或多个管芯中的给定管芯的至少一个模拟图像。举例来说，可以基于管芯的设计数据(例如，CAD数据)生成模拟图像。
可以将第二图像与一个或多个参考图像进行比较(404)。可以基于检验图像的像素值与从一个或多个参考图像导出的像素值之间的差异生成至少一个差异图像。可选地，还可以基于至少一个差异图像生成至少一个等级图像。在一些情况下，等级图像可以由具有基于差异图像中的对应像素值和预定义的差异归一化因子计算的值的像素构成。预定义的差异归一化因子可以基于像素值的正态总体的行为来确定，并且可以用于对差异图像的像素值进行归一化。举例来说，像素的等级可以被计算为差异图像的对应像素值与预定义的差异归一化因子之间的比率。可以例如通过使用检测阈值基于至少一个差异图像或至少一个等级图像来确定可疑缺陷的位置来生成缺陷映射(406)。
在一些实施例中，第一缺陷检测算法可以被具体配置成用于基于具有第二位深度的图像的缺陷检测。举例来说，在生成如上所述的缺陷映射时，可以根据第二位深度提供的检测灵敏度来配置用于确定疑似缺陷的检测阈值。例如，在第二位深度为每像素8位的情况下，第二图像中可以表示的不同灰度级为256。应设置/调整检测阈值以满足检验/审查预算。阈值的分辨率可以基于第二位深度表示的灰度级数。由于只有256个级别是可能的，因此将不会检测到小于量化噪声(两个相邻级别之间的差异)的缺陷。
在一些实施例中，生成的缺陷映射可以提供第一组缺陷候选的信息。每个缺陷候选可以与一个或多个缺陷属性相关联，例如缺陷候选的位置、强度、尺寸和形状等。举例来说，第一组缺陷候选可以包括(从第二图像中的1013像素中检测到的)大约109个缺陷候选。在检测时，第二PMC被配置成至少将第一组候选(相对于第二图像)的位置发送(222)至第一PMC以用于执行第二缺陷检测漏斗。在一些情况下，第二PMC也可以将其他缺陷属性发送至第一PMC。
如前所述，第一PMC可以实现为与检验工具相关联的处理服务器。与第二PMC相比，在一些情况下，第一PMC在较高位深度像素的计算效率方面可以更强，特别是在并行处理能力方面。在本公开中提出使用第一PMC基于第一缺陷检测漏斗的输出(即由第二PMC检测到的第一组缺陷候选)来执行第二缺陷检测漏斗。
具体地，在从第二PMC接收到位置后，可以基于位置(例如，由第一PMC102中的图像处理模块104)从(由第一PMC记录/存储的)第一图像提取(208)一组图像图块，该组图像图块对应于第一组缺陷候选的。该组图像图块是从具有更高位深度的第一图像提取的，因此与第二图像相比，具有针对第一组缺陷候选的更好地保留的细节。
可以(例如，由第一PMC 102中的第二缺陷检测模块106)使用第二缺陷检测算法对该组图像图块执行(210)第二缺陷探测，从而产生第二组缺陷候选。
如上所述，与第二PMC相比，第一PMC通常配备有更强的处理能力。举例来说，第一PMC可以包括一个或多个图形处理单元(graphic processing unit，GPU)。GPU是一种具有高度并行结构的专用电子电路，被设计为快速操纵计算机图形和图像处理。与通用中央处理器(central processing unit，CPU)相比，GPU加速并不强调环境切换来管理多个任务，而是强调通过大量内核进行并行数据处理，这使得GPU在并行处理大数据块方面比CPU更高效并且管理高数据吞吐量。
特别地，随着机器学习，尤其是深度学习的出现，GPU的并行处理架构(例如，单指令、多数据(SIMD)架构)使其非常适合需要对许多数据项执行相同进程的深度学习处理。然而，GPU是昂贵的资源(与通用处理器相比)，应当对其进行优化以用于高效和优先的任务。
另一方面，机器学习技术被用于辅助半导体样品的自动化检查工艺，以实现准确高效的解决方案并促进更高的良率。考虑到要处理的大量训练数据以及要优化的隐藏层和节点的数量，使用通用处理器训练ML模型，特别是深度学习模型通常会非常耗时。GPU在处理大量训练数据方面具有优势，使用GPU训练ML模型的速度比使用CPU快数百倍。
图5示出了根据本发明的主题的某些实施例的使用第二缺陷检测算法进行缺陷检测的一般流程图。根据某些实施例，包括在第一PMC中的第二缺陷检测模块可以包括机器学习(machine learning，ML)模型(例如，ML模型108)。从第一图像提取并对应于第一组缺陷候选的该组图像图块可以由ML模型处理(502)，从而获得(504)每个图像图块中是否存在任何缺陷候选的指示作为ML模型的输出，从而产生第二组缺陷候选。先前基于具有第一位深度的训练图像训练ML模型。
根据某些实施例，本文所指的ML模型可以实现为各种类型的机器学习模型，例如决策树、支持向量机(Support Vector Machine，SVM)、人工神经网络(Artificial NeuralNetwork，ANN)、回归模型、贝叶斯网络或其整体/组合等。ML模型使用的学习算法可以是以下任一种：监督学习、非监督学习或半监督学习等。本公开的主题不限于特定类型的ML模型或ML模型使用的特定类型或学习算法。
在一些实施例中，ML模型可以实现为深度神经网络(Deep neural network，DNN)。DNN可以包括监督DNN模型或非监督DNN模型，其中包括根据相应DNN架构组织的层。作为非限制性示例，可以根据卷积神经网络(Convolutional Neural Network，CNN)架构、递归神经网络架构、递归神经元网络架构、生成对抗网络(Generative Adversarial Network，GAN)架构或其他方式来组织DNN的层。可选地，层中的至少一些可以被组织成多个DNN子网络。DNN的每一层均可以包括多个基本计算元素(computational element，CE)，在本领域中通常称为维度、神经元或节点。下面对示例性的DNN结构进行说明。
通常，给定层的计算元素可以与前一层和/或后一层的CE连接。前一层的CE与后一层的CE之间的每个连接均与加权值相关联。给定的CE可以经由相应的连接从前一层的CE接收输入，每个给定的连接与可以应用于给定连接的输入的加权值相关联。加权值可以确定连接的相对强度，从而确定各个输入对给定CE的输出的相对影响。给定CE可以被配置成计算激活值(例如，输入的加权和)，并且通过将激活函数应用于计算的激活值来进一步导出输出。激活函数可以是例如恒等函数、确定性函数(例如，线性、S形、阈值等)、随机函数或其他合适的函数。来自给定CE的输出可以经由相应的连接传输到后续层的CE。同样，如上所述，CE的输出处的每个连接都可以与可以在被接收为后续层的CE的输入之前应用于CE的输出的加权值相关联。除了加权值之外，还可以存在与连接和CE相关联的阈值(包括限制函数)。
DNN的加权和/或阈值可以在训练之前被初始选择，并且可以在训练期间被进一步迭代地调整或修改，以在经训练的DNN中实现加权和/或阈值的最佳集。在每次迭代之后，可以确定DNN模块产生的实际输出和与相应训练数据集相关联的目标输出之间的差异。该差异可以称为误差值。当指示误差值的损失/成本函数小于预定值时，或者当实现迭代之间的性能的有限变化时，可以确定训练完成。用于调整深度神经网络的加权/阈值的输入数据集称为训练集。
应当注意，本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。
如前所述，在一些实施例中，第一PMC可以包括一个或多个图形处理单元(graphicprocessing unit，GPU)，其被特别优化为使用如上所述的ML模型(例如，DNN)处理具有第一位深度(即，相对较高的位深度)的图像。举例来说，某些GPU的内部电子结构被优化用于32位浮点数表示。单精度浮点格式(有时称为FP32或float32)是一种计算机数字格式，通常在计算机内存中占用32位。该格式通过使用浮动小数点表示宽动态范围的数值。GPU的浮点表示可以提高检测灵敏度，因为浮点变量可以表示16位深度所需的更广泛的数字范围。
在一些情况下，第一PMC还可以包括用于处理通用处理的通用处理器(例如CPU)，或者替代地，使用其他类型的加速器来代替GPU。
在一些情况下，从对应于具有109的数量级的候选的第一组缺陷候选的一组图像图块中检测到的由第二缺陷检测漏斗检测到的第二组缺陷候选可以是106的数量级的候选。可选地，第一PMC还可以被配置成使用一个或多个附加的过滤算法来过滤第二组缺陷候选。可选地，第二组缺陷候选可以由审查工具(例如，检查工具120中的一者)审查以确定第二组中的每个缺陷候选是DOI还是妨害，从而通过审查工艺产生一组DOI。
根据某些实施例，可选地，第一PMC可以包括训练模块，该训练模块被配置成使用训练集来训练机器学习模型108以进行缺陷检测。用于在监督学习中训练ML模型的训练集通常包括一个或多个训练样本，每个训练样本包括相应的训练图像以及与其相关联的对应地面实况数据。该地面实况数据可以包括训练图像的标签数据，该标签数据指示训练图像中是否存在DOI或妨害。
训练图像可以是在其制造工艺中由检验工具获得的半导体样品的“真实”图像。可以以各种方式获得地面实况数据，诸如，例如通过人工注释、基于设计数据合成生成、基于机器学习或以上的组合。例如，可以例如以DOI边界框的形式或二进制图像的形式等等提供标签数据，在二进制图像的形式中只有属于DOI的像素获得值“1”，无缺陷像素获得值“0”。在ML训练期间使用的成本函数可以基于检测准确度/捕获率，并且可选地，还基于误检测和过度检测的罚分。
根据某些实施例，可以在设置阶段期间预训练ML模型，并且经训练的ML模型可以部署在生产中，用于在运行时对生产晶片进行缺陷检测。在一些进一步的实施例中，所部署的ML模型可以在运行时检验期间被连续地再训练和更新。例如，对于给定的生产晶片，用于训练ML模型的训练集可以包括与DOI标签相关联的由审查处理揭示的与一组DOI相对应的(来自从第一图像提取的一组图像图块的)图像图块，以及与妨害标签相关联的第二组中的剩余的非DOI缺陷候选对应的图像图块。可选地，表征缺陷候选的缺陷属性(由第二PMC可选地发送)也可以包括在训练集中。
训练集可用于再训练ML模型，从而产生更新的ML模型，其可替代先前部署的ML模型。更新后的ML模型可用于再次处理与第一组缺陷候选对应的一组图像图块，从而产生新的第二组缺陷候选。审查工具可以进一步审查新的第二组候选缺陷，从而获得新的一组DOI。可以生成新的训练集，包括对应于新的一组DOI的图像图块以及对应于新的第二组中剩余的非DOI缺陷候选的剩余图像图块。可以使用更新的新训练集和ML模型重复再训练处理和检测处理，直到满足标准，从而能够从给定晶片中揭示更多的DOI，并提高其捕获率和检测灵敏度。
根据某些实施例，如上所述的训练处理可以被包括作为用于生成检验/检测配方的处理的一部分，该检验/检测配方可由系统101(例如，包含在第二缺陷检测模块106中)用于运行时的缺陷检测(ML模型一旦经过训练，就可以作为检验配方的一部分)。因此，本公开的主题还包括用于生成如上所述的检验配方的系统和方法。
应当注意，在本公开中所示出的示例(诸如，例如第一位深度和第二位深度的示例、第一PMC的结构和第二PMC的结构、示例性的第一缺陷检测算法和第二缺陷检测算法等)是出于示例性目的而示出的，不应被视为以任何方式限制本公开。其他适当的示例/实施例可以用来补充或代替上述内容。
如本文所述的缺陷检测系统的某些实施例的优点之一在于其提供了一种混合系统架构，该混合系统架构能够高效地处理以相对高的位深度获取的样品的大量检验图像数据，来以改进的检测灵敏度检测缺陷，同时保持高吞吐量，而不会显著增加所需的计算能力和资源。
该混合架构包括彼此可操作地连接的第一PMC(例如处理服务器)和第二PMC(例如侧翼处理单元)，其中，第一PMC相对于第二PMC具有先进的处理能力(特别是更强的并行处理能力)。第二PMC被配置成基于具有较低位深度的转换图像执行的第一缺陷检测漏斗，并且第一PMC被配置成执行第二缺陷检测漏斗以进一步过滤第一漏斗的输出。第一PMC和第二PMC以特定方式杠杆化/平衡，以高效地利用各自的计算能力，对不同位深度的图像执行不同的缺陷检测算法，以在系统容量内优化缺陷检测性能。
特别地，以相对高的位深度处获取晶片的第一图像，因此与以相对低的位深度获取的图像相比能够保留晶片的精细细节信息。如图7所示，对于包括线结构的晶片的相对暗的区域，示出了以相对较低的位深度(例如，每像素8位)获取的图像702和以相对较高的位深度获取的图像706(例如，每像素14位)。在对图像应用某些初步图像处理(诸如增亮处理)之后，可以看出，在与图像702相对应的增亮图像704中丢失了某些精细细节(诸如关于线结构的边缘的细节)，而与图像706相对应的增亮图像708中具有良好保留的边缘细节，当用于缺陷检测或其他检查时，可以提供更准确/灵敏的结果。
第一图像被转换成较低的位深度，以适应第二PMC的处理能力，并使第二PMC能够实现第一缺陷检测漏斗的有效处理。对具有较高位深度(如从第一图像提取)的图像图块执行第二缺陷检测漏斗，因此可以利用图像中保存的图像细节来进行由第一PMC驱动的(例如，基于机器学习的)相对先进的缺陷检测。这两个漏斗共同使得缺陷检测具有改进的检测灵敏度和效率，同时保持高吞吐量并且不会显著增加所需的计算能力和资源。
如上所述，缺陷检测系统需要在短时间内快速分析非常大的图像(例如，数百兆字节的大小)，同时节省处理成本。处理任务在两个PMC之间分配。具体地，第一PMC被优化用于更高位深度(例如，第一位深度)处理，从而能够导致更高灵敏度。第二PMC针对较低的位深度处理进行了优化，从而能够实现更快的分析(更好的计算效率)和更低的计算成本。通过以这种方式在两个PMC之间拆分图像处理，可以在不牺牲高检测灵敏度的情况下实现高吞吐量。
本文所述的ML模型的训练工艺的某些实施例的进一步优点之一是，第一PMC用于缺陷检测的ML模型可以基于最新的生产晶片数据在生产中被重复并且连续地再训练和更新，由此使得ML模型能够被优化成对于晶片/处理变化更稳固，并且能够以迭代方式使用更新的ML模型揭示给定晶片的更多DOI，从而提高晶片的捕获率和检测灵敏度。
应当理解，本公开的应用不限于本文所包括的描述中阐述的或附图中所示的细节。
还应当理解，根据本公开的系统可以至少部分地在适当编程的计算机上实现。同样，本公开考虑了一种计算机可读的计算机程序，其用于执行本公开内容的方法。本公开还设想了一种非暂时性计算机可读存储器，其有形地包括可以由计算机执行以执行本公开内容的方法的指令程序。
本公开可以具有其他实施例并且能够以各种方式进行实践和执行。因此，应当理解，本文所用的表述和术语旨在进行描述而不应被视为限制。因此，本领域技术人员将理解，本公开所基于的构思可以容易地用作设计其他结构、方法和系统的基础，以实现本公开的主题的若干目的。
本领域技术人员将容易理解，在不脱离由所附权利要求书限定的范围的情况下，可以对如上文所述的本公开的实施例进行各种修改和改变。

Claims (20)

1.一种半导体样品的缺陷检测的计算机化系统，所述系统包括第一处理和存储器电路(PMC)，所述系统被配置成：
获得表示所述半导体样品的至少部分的第一图像，所述第一图像由检验工具以第一位深度获取；
将所述第一图像转换为具有第二位深度的第二图像，其中，所述第二位深度是比所述第一位深度更低的位深度；
将所述第二图像传输至可操作地连接至所述第一PMC的第二PMC，其中，所述第二PMC被配置成使用第一缺陷检测算法对所述第二图像执行第一缺陷检测，产生第一组缺陷候选，并且将所述第一组缺陷候选的位置发送至所述第一PMC；
在从所述第二PMC收到所述位置之后，基于所述位置从所述第一图像提取与所述第一组缺陷候选相对应的一组图像图块；以及
使用第二缺陷检测算法对所述一组图像图块执行第二缺陷检测，产生第二组缺陷候选。
2.根据权利要求1所述的计算机化系统，其中，所述第一位深度是每像素32位、每像素24位和每像素16位中的一者，并且所述第二位深度是每像素16位和每像素8位中的一者。
3.根据权利要求1所述的计算机化系统，其中，所述第一PMC包括一个或多个图形处理单元(GPU)，所述图形处理单元被优化以处理具有所述第一位深度的图像。
4.根据权利要求1所述的计算机化系统，其中，所述第二PMC包括一个或多个数字信号处理器(DSP)，所述数字信号处理器被优化以处理具有所述第二位深度的图像。
5.根据权利要求1所述的计算机化系统，其中，所述第一PMC被配置成通过基于所述第一图像的像素值分布选择变换函数并且使用所述变换函数转换所述第一图像的像素值来转换所述第一图像以获得所述第二图像，所述变换函数可用于将所述第一位深度表示的像素值范围转换为所述第二位深度表示的像素值范围。
6.根据权利要求5所述的计算机化系统，其中，所述变换函数是被特别选择的并且被配置成提高具有所述第二位深度的所述第二图像的准确性。
7.根据权利要求1所述的计算机化系统，其中，所述第一缺陷检测算法是使用所述第二图像的一个或多个参考图像的管芯与参考检测算法。
8.根据权利要求7所述的计算机化系统，其中，所述第一缺陷检测算法具体被配置用于对具有所述第二位深度的一个或多个第二图像进行缺陷检测。
9.根据权利要求1所述的计算机化系统，其中，所述第二缺陷检测算法包括机器学习(ML)模型，所述机器学习模型是使用具有所述第一位深度的一个或多个训练图像以及与所述训练图像相关联的指示感兴趣缺陷(DOI)或感兴趣缺陷的妨害的存在的相应标签来训练的。
10.根据权利要求9所述的计算机化系统，其中，所述第二组缺陷候选由审查工具审查，产生一组DOI，所述ML模型是使用与所述一组DOI相对应并且与DOI的标签相关联的图像图块以及与所述第二组缺陷候选中的非DOI缺陷候选相对应并且与妨害的标签相关联的图像图块再训练的，并且经再训练的ML模型用于重新执行所述第二缺陷检测。
11.根据权利要求1所述的计算机化系统，其中，所述第一PMC被配置成获得在运行时检验期间由所述检验工具顺序采集的并且表示所述半导体样品的不同部分的多个第一图像，并且针对所述多个第一图像中的每个给定第一图像执行转换、传输、提取和执行，并且其中通过基于所述给定第一图像的像素值分布选择特定变换函数来自适应地转换每个给定第一图像。
12.根据权利要求1所述的计算机化系统，进一步包括所述第二PMC，其中，所述第一PMC针对第一位深度处理进行优化由此能够提高检测灵敏度，所述第二PMC针对第二位深度处理进行优化由此能够提高计算效率并且降低计算成本，并且其中所述第一PMC和所述第二PMC以特定方式杠杆化以对具有不同位深度的图像执行相应的缺陷检测，从而在不牺牲检测灵敏度的情况下提高吞吐量。
13.一种半导体样品的缺陷检测的计算机化方法，所述方法由第一处理和存储器电路(PMC)执行，并且所述方法包括：
获得表示所述半导体样品的至少部分的第一图像，所述第一图像由检验工具以第一位深度获取；
将所述第一图像转换为具有第二位深度的第二图像，其中，所述第二位深度是比所述第一位深度更低的位深度；
将所述第二图像发送至可操作地连接至所述第一PMC的第二PMC，其中，所述第二PMC被配置成使用第一缺陷检测算法对所述第二图像执行第一缺陷检测，产生第一组缺陷候选，并且将所述第一组缺陷候选的位置发送至所述第一PMC；
在从所述第二PMC收到所述位置之后，基于所述位置从所述第一图像提取与所述第一组缺陷候选相对应的一组图像图块；以及
使用第二缺陷检测算法对所述一组图像图块执行第二缺陷检测，产生第二组缺陷候选。
14.根据权利要求13所述的计算机化方法，其中，所述第一PMC包括一个或多个图形处理单元(GPU)，所述图形处理单元被优化以处理具有所述第一位深度的图像。
15.根据权利要求13所述的计算机化方法，其中，所述第二PMC包括一个或多个数字信号处理器(DSP)，所述数字信号处理器被优化以处理具有所述第二位深度的图像。
16.根据权利要求13所述的计算机化方法，其中，所述转换所述第一图像包括：基于所述第一图像的像素值分布选择变换函数并且使用所述变换函数转换所述第一图像的像素值以获得所述第二图像，所述变换函数可用于将所述第一位深度表示的像素值范围转换为所述第二位深度表示的像素值范围。
17.根据权利要求13所述的计算机化方法，其中，所述第二缺陷检测算法包括机器学习(ML)模型，所述机器学习模型是使用具有所述第一位深度的一个或多个训练图像以及与所述训练图像相关联的指示感兴趣缺陷(DOI)或感兴趣缺陷的妨害的存在的相应标签来训练的。
18.根据权利要求17所述的计算机化方法，其中，所述第二组缺陷候选由审查工具审查，产生一组DOI，所述ML模型是使用与所述一组DOI相对应并且与DOI的标签相关联的图像图块以及与所述第二组缺陷候选中的非DOI缺陷候选相对应并且与妨害的标签相关联的图像图块再训练的，并且经再训练的ML模型用于重新执行所述第二缺陷检测。
19.根据权利要求13所述的计算机化方法，其中，所述第一PMC针对第一位深度处理进行优化由此能够提高检测灵敏度，所述第二PMC针对第二位深度处理进行优化由此能够提高计算效率并且降低计算成本，并且其中所述第一PMC和所述第二PMC以特定方式杠杆化以对具有不同位深度的图像执行相应的缺陷检测，从而在不牺牲检测灵敏度的情况下提高吞吐量。
20.一种非暂时性计算机可读存储介质，其有形地包含指令程序，当所述指令程序由计算机执行时，使得所述计算机执行一种半导体样品的缺陷检测的方法，所述方法包括：
获得表示所述半导体样品的至少部分的第一图像，所述第一图像由检验工具以第一位深度获取；
将所述第一图像转换为具有第二位深度的第二图像，其中，所述第二位深度是比所述第一位深度更低的位深度；
将所述第二图像发送至可操作地连接至所述第一PMC的第二PMC，其中，所述第二PMC被配置成使用第一缺陷检测算法对所述第二图像执行第一缺陷检测，产生第一组缺陷候选，并且将所述第一组缺陷候选的位置发送至所述第一PMC；
在从所述第二PMC收到所述位置之后，基于所述位置从所述第一图像提取与所述第一组缺陷候选相对应的一组图像图块；以及
使用第二缺陷检测算法对所述一组图像图块执行第二缺陷检测，产生第二组缺陷候选。
CN202310306371.1A 2022-05-19 2023-03-27 半导体样品的缺陷检测 Pending CN117094938A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/748,996 2022-05-19
US17/748,996 US20230377125A1 (en) 2022-05-19 2022-05-19 Defect detection of a semiconductor specimen

Publications (1)

Publication Number Publication Date
CN117094938A true CN117094938A (zh) 2023-11-21

Family

ID=88781986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310306371.1A Pending CN117094938A (zh) 2022-05-19 2023-03-27 半导体样品的缺陷检测

Country Status (4)

Country Link
US (1) US20230377125A1 (zh)
KR (1) KR20230161868A (zh)
CN (1) CN117094938A (zh)
TW (1) TW202409550A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118398515A (zh) * 2024-06-28 2024-07-26 江苏永鼎股份有限公司 一种GaAs刻蚀工艺的检测工艺及检测系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8094234B2 (en) * 2008-10-14 2012-01-10 Texas Instruments Incorporated System and method for multistage frame rate conversion
US8411970B2 (en) * 2010-03-16 2013-04-02 Pixia Corp. Method and system for determining statistical data for image pixels having a higher bit depth per band
US9756306B2 (en) * 2014-03-10 2017-09-05 Novatek Microelectronics Corp. Artifact reduction method and apparatus and image processing method and apparatus
JP6289184B2 (ja) * 2014-03-14 2018-03-07 オリンパス株式会社 画像認識装置および画像認識方法
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10395356B2 (en) * 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
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
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US10885384B2 (en) * 2018-11-15 2021-01-05 Intel Corporation Local tone mapping to reduce bit depth of input images to high-level computer vision tasks
US11307150B2 (en) * 2020-08-17 2022-04-19 Applied Materials Israel Ltd. Automatic optimization of an examination recipe
US20230306580A1 (en) * 2022-03-28 2023-09-28 Applied Materials Israel Ltd. Machine learning based examination of a semiconductor specimen and training thereof
US20240153043A1 (en) * 2022-11-08 2024-05-09 Applied Materials Israel Ltd. Image denoising for examination of a semiconductor specimen

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118398515A (zh) * 2024-06-28 2024-07-26 江苏永鼎股份有限公司 一种GaAs刻蚀工艺的检测工艺及检测系统

Also Published As

Publication number Publication date
US20230377125A1 (en) 2023-11-23
KR20230161868A (ko) 2023-11-28
TW202409550A (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
TW202127370A (zh) 基於機器學習的取樣缺陷檢測
US11449977B2 (en) Generating training data usable for examination of a semiconductor specimen
CN110945528A (zh) 产生可用于检查半导体样品的训练集的方法及其系统
US12007335B2 (en) Automatic optimization of an examination recipe
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
CN113870170B (zh) 生成可用于检查半导体样本的训练集
US20240078659A1 (en) Defect examination on a semiconductor specimen
CN117094938A (zh) 半导体样品的缺陷检测
KR20230140394A (ko) 반도체 시편의 기계 학습 기반 검사 및 그의 훈련
CN115953641A (zh) 半导体样本的缺陷检查
US20240338811A1 (en) Machine learning based defect examination for semiconductor specimens
US20240105522A1 (en) End-to-end measurement for semiconductor specimens
US20240281956A1 (en) Machine learning based examination for process monitoring
JP7530330B2 (ja) 半導体試料の画像のセグメンテーション
KR20240149331A (ko) 반도체 시편들을 위한 기계 학습 기반 결함 검사
IL309325B1 (en) A match-based examination of defects in semiconductor samples

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication