CN117233192A - 缺陷检查装置 - Google Patents

Abstract

本发明涉及缺陷检查装置，提供在检查时不使用设计数据，对噪声、制造误差稳健的缺陷检查装置。缺陷检查装置具备：特征量计算部，其基于试样的拍摄图像来计算特征量；图像信息削减部，其通过削减所述特征量的信息量来生成潜在变量；统计量推定部，其基于所述潜在变量来推定正常的图像能够取得的图像统计量；以及缺陷检测部，其基于所述图像统计量和试样的检查图像来检测所述检查图像中的缺陷。

Description

缺陷检查装置

技术领域

本发明涉及缺陷检查装置，例如涉及使用图像对缺陷或混入异物进行检查的装置。

背景技术

在半导体检查中，使用由扫描型电子显微镜(SEM：Scanning ElectronMicroscope)拍摄的SEM图像。作为以往的检查方法，有通过半导体电路的设计数据与SEM图像的比较来检测缺陷的Die-to-Database检查。但是，随着半导体电路图案的微细化，难以在晶片上形成按照设计的电路图案，产生电路的制造误差。因此，由于基于像素比较的Die-to-Database检查中的噪声、制造误差而产生误检测，检查性能的提高存在极限。

与此相对，在专利文献1中公开了如下技术：根据设计数据等基准图像，从设计数据预测正常的电路图案能够取得的亮度值的概率分布，将具有偏离该亮度值的概率分布的亮度值的检查图像的区域判定为缺陷。

专利文献1：国际公开第2020/250373号小册子

发明内容

通过分布比较，能够针对微小的制造误差、噪声进行稳健的检查，但在专利文献1中，在该分布的推定中需要设计数据。因此，在检查时无法使用设计数据的情况下，无法应用专利文献1的方法。

作为不使用设计数据的检查方法，有将与检查图像为同一形状且不同的地点的图像即参照图像与检查图像进行比较来检测缺陷的Die-to-Die检查。但是，Die-to-Die检查也与Die-to-Database检查相同，由于是像素比较，所以抗噪声弱，检查性能的提高存在极限。包含未检测的缺陷的半导体器件在最终测试等中实施的其他检查中成为不良品，成品率有可能降低。

本发明的目的在于提供一种在检查时不使用设计数据而对噪声、制造误差稳健的缺陷检查装置。

本发明所涉及的缺陷检查装置的一例具备：

特征量计算部，其基于试样的拍摄图像来计算特征量；

图像信息削减部，其通过削减所述特征量的信息量来生成潜在变量；

统计量推定部，其基于所述潜在变量来推定正常的图像能够取得的图像统计量；以及

缺陷检测部，其基于所述图像统计量和试样的检查图像来检测所述检查图像中的缺陷。

本发明所涉及的缺陷检查装置能够在检查时不使用设计数据，针对噪声、制造误差进行稳健的检查。

附图说明

图1是本发明的实施例1的缺陷检查装置的结构图。

图2是实施例1的图像信息削减部的结构图。

图3是实施例1的模型参数学习的结构图。

图4是表示实施例1的模型参数学习的处理流程的图。

图5是表示在实施例1的模型参数学习的各步骤中生成的图像的示意图。

图6是本发明的实施例2的缺陷检查的结构图。

图7是表示实施例2的推定的亮度值分布的示意图。

图8是本发明的实施例3的模型参数学习的结构图。

图9是实施例3的疑似缺陷生成用图像信息削减部的结构图。

图10是表示实施例3的模型参数学习的处理流程的图。

图11是表示在实施例3的模型参数学习的各步骤中生成的图像的示意图。

图12是本发明的实施例4的模型参数学习的结构图。

图13是本发明的实施例5的缺陷检查装置的结构图。

具体实施方式

以下，基于附图对本发明的实施方式进行说明。

[实施例1]

使用图1对本发明的实施例1的缺陷检查装置进行说明。图1是实施例1的缺陷检查装置的结构图。缺陷检查装置例如能够使用公知的计算机来构成，具备运算单元以及存储单元。运算单元例如包括处理器，存储单元例如包括半导体存储器装置以及磁盘装置等存储介质。存储介质的一部分或全部也可以是非过渡性的(non-transitory)存储介质。

另外，缺陷检查装置也可以具备输入输出单元。输入输出单元例如包括键盘和鼠标等输入装置、显示器和打印机等输出装置、以及网络接口等通信装置。

存储单元也可以存储程序。通过处理器执行该程序，计算机也可以执行在本实施例中说明的功能。即，该程序也可以使计算机作为缺陷检查装置发挥功能。

缺陷检查装置的存储单元存储参照图像1及检查图像2、检测结果15。参照图像1及检查图像2分别是拍摄了试样的特定的地点的拍摄图像。在本实施例中，参照图像1及检查图像2优选为对具有相同形状或者类似形状的不同的地点进行拍摄而得到的图像。

通过缺陷检查装置的运算单元以及存储单元协作，构成特征量计算部11、图像信息削减部12、统计量推定部13、缺陷检测部14。特征量计算部11、图像信息削减部12、统计量推定部13是通过机器学习来学习参数的已学习模型。参数作为模型参数10存储在缺陷检查装置的存储单元中。

特征量计算部11根据参照图像1计算特征量。特征量计算部11例如能够使用卷积神经网络(Convolutional Neural Network，CNN)中的编码器。特征量是包含多个成分的量，具体的形式能够任意地设计，但在本实施例中，特征量设为具有a×b×c的尺寸的3层的张量。特征量的各成分例如是0以上1以下的实数。

图像信息削减部12削减由特征量计算部11计算出的特征量的信息量。图2示出了图像信息削减部12的结构。图像信息削减部12具备离散表现计算部21以及潜在表现计算部22，存储多个特征向量23。对特征向量23赋予识别各个特征向量的索引。索引通过离散表现(例如整数)来表示。

特征向量23是包含多个成分的量(其中，特征向量的成分的个数不超过特征量的成分的个数)。在本实施例中，特征向量是a维向量，即具有a个成分。特征向量的各成分例如是0以上1以下的实数。

离散表现计算部21针对所输入的特征量的至少一部分，从特征向量23中检索值类似的特征向量，用该特征向量的索引值置换特征量。

在本实施例中，将具有a×b×c的尺寸的特征量分割为b×c个a维的向量部分。对于各向量部分，基于该向量部分的成分的值，从成为候选的多个特征向量23中选择1个特征向量23(例如，最类似的特征向量)。然后，用所选择的特征向量23的索引置换该向量部分。

关于这样用索引的值置换了特征量的图像，在本说明书中以后称为“离散化图像”。离散化图像能够表示为由b×c个索引构成的量。

潜在表现计算部22针对离散化图像，嵌入与各索引对应的特征向量23。在本说明书中，以下将在该离散化图像中嵌入有特征向量23的图像称为“潜在变量”。潜在变量成为具有与原始特征量相同尺寸的张量。

这样，图像信息削减部12通过削减特征量的信息量来生成潜在变量。特别是，图像信息削减部12通过用多个特征向量23中的至少一个所涉及的索引(离散表现)来置换特征量的至少一部分，从而削减特征量的信息量。这样，能够具体地实现用于削减信息量的处理。此外，用于削减信息量的具体的处理不限于上述的例子，本领域技术人员能够进行适当设计。

统计量推定部13基于潜在变量，推定正常的图像能够取得的图像统计量。统计量推定部13例如能够使用CNN中的解码器来构成。在本实施例中，图像统计量通过关于各像素的亮度值的概率分布来表示。亮度值的概率分布例如能够通过高斯分布来表示，按每个像素定义1个高斯分布。高斯分布例如能够通过该高斯分布所涉及的平均值以及标准偏差来确定。以下，在本说明书中，有时将该亮度值的概率分布称为“亮度值分布”。

在此，在特征量计算部11、图像信息削减部12、统计量推定部13中，分别使用模型参数10来执行上述的处理。在特征量计算部11及统计量推定部13分别为CNN中的编码器及解码器的情况下，输入至特征量计算部11及统计量推定部13的模型参数10包含神经网络的权重。输入到图像信息削减部12的模型参数10包含特征向量23的索引以及值。

缺陷检测部14基于由统计量推定部13推定出的图像统计量和检查图像2，检测检查图像2中的缺陷。例如，针对检查图像2的各像素，判定该像素的亮度值是否在统计量推定部13推定出的亮度值分布所涉及的预定的正常范围内。然后，将检查图像2中的由亮度值偏离正常范围的像素构成的区域检测为缺陷，并将检测结果15输出给用户。

关于上述的模型参数10的计算方法，与图3的结构图一起使用图4的学习流程进行说明。

在图3中，学习图像3是拍摄晶圆上的任意位置而得到的拍摄图像(例如SEM图像)，在本实施例中，在图像中可以存在试样的缺陷，也可以不存在试样的缺陷。关于该学习图像3，与图1相关联地如上述那样，通过特征量计算部11实施特征量的计算(S101)、通过图像信息削减部12实施特征向量23的索引的置换(S102)以及特征向量的嵌入(S103)、通过统计量推定部13实施亮度值分布的推定(S104)。

通过模型评价部31计算推定出的亮度值分布与学习图像3的误差(S105)。即，模型评价部31根据基于学习图像3推定出的图像统计量和原始的学习图像3来评价误差。例如，能够针对各像素，根据推定出的图像统计量计算预定的比较对象值(例如高斯分布的平均值)，计算该比较对象值与学习图像3中的对应的像素的亮度值之差作为每个像素的误差。而且，能够将对各像素的误差的绝对值进行总和而得到的值、或者对各像素的误差的平方进行总和而得到的值作为推定出的亮度值分布与学习图像3的误差。

通过模型参数更新量计算部32计算降低所得到的误差那样的模型参数的更新量(S106)。即，模型参数更新量计算部32基于所得到的误差，计算特征量计算部11、图像信息削减部12、统计量推定部13的模型参数的更新量。该更新量的计算例如能够使用概率梯度下降法。反复进行这些S101至S106的处理，直到达到预先设定的规定次数为止(S107)。

图5表示在该学习处理的各步骤中生成的图像的概略表现。在学习图像301中，用白色表示半导体的电路部分。学习图像301在图像中包含制造误差引起的电路的变形、噪声，这成为缺陷检测的性能降低的原因。

针对该学习图像301，通过特征量的计算(S101)、特征向量23的索引的置换(S102)，从而生成削减了信息量后的离散化图像302(概念性地图示)。针对该离散化图像302，通过特征向量的嵌入(S103)、图像统计量的推定(S104)来推定图像统计量303。此外，在图5的图像统计量303中，示出了推定出的各像素的亮度值分布的平均值。

针对各学习图像301，通过以减小图像统计量303与学习图像301之差的方式进行学习，能够搜索使误差最小化的模型参数10，能够推定与学习图像中包含的电路图案对应的有可能的亮度值分布。

对本实施例的效果进行说明。本实施例说明了用特征向量置换图像中的特征量，根据置换后的潜在变量推定亮度值分布的方法。在该置换中，预先准备多个特征向量的候选，利用从该候选中选择的1个特征向量来置换特征量的一部分(在本实施例中，该置换处理重复b×c次)。通过调整准备的特征向量的候选数，能够控制在亮度值分布的推定中使用的潜在变量的信息量。

例如，通过将该特征向量的候选数设定得较小，图像信息削减部12能够如图5所示那样删除特征量中的与图像中的噪声和制造误差相关的信息，仅复原学习图像中共同的电路图案的特征。由此，能够按每个像素推定从参照图像中去除了制造误差、噪声的信息的正常的电路图像能够取得的亮度值的概率分布。通过将具有偏离该概率分布的亮度值的检查图像的区域判定为缺陷，能够进行对噪声、制造误差稳健的缺陷检查。特征向量的数量可以从外部指定，也可以为了使检查性能最大化而通过最优化计算自动地搜索。

这样，本实施例的缺陷检查装置能够在检查时不使用设计数据，对噪声、制造误差进行稳健的检查。

[实施例2]

以下，使用图6对本发明的实施例2所涉及的缺陷检查装置进行说明。以下，对于与实施例1共同的部分，有时省略说明。

作为实施例2与实施例1的不同点，在实施例1中使用了参照图像1，但在实施例2中不使用参照图像1，通过与从检查图像2自身经由特征量计算部11、图像信息削减部12、统计量推定部13推定出的亮度值分布的比较，来检测原始的检查图像2的缺陷。即，在实施例2中，成为计算特征量的对象的拍摄图像是检查图像2。

在实施例2中，统计量推定部13使用由图像信息削减部12计算出的潜在变量，推定将检查图像2中存在试样的缺陷的区域复原为正常的区域而得到的亮度值分布。通过这样生成的亮度值分布与检查图像的比较，仅将检查图像作为输入来检查缺陷。

以下，说明对统计量推定部13推定将有缺陷的区域复原为正常的区域的亮度值分布的方法进行学习的方法的例子。在特征量计算部11及统计量推定部13分别为CNN中的编码器及解码器的情况下，通过将CNN的层数设计得多而扩大感受域，从而能够在亮度值分布的推定中使用周边的特征。这样的结构对于相同的图案反复排列的电路图案等是有效的。

对本实施例的效果进行说明。在本实施例中，由于通过检查图像2的自身参照的检查而不需要参照图像，所以能够削减参照图像的拍摄所需的时间，提高检查的吞吐量。

另外，在检查图像2的自身参照中，能够不受在以往的Die-to-Die检查、Die-to-Database检查中成为性能降低的原因的、与像质相关的信息(图像中的畸变、亮度不均、散焦等)的变动的影响而检查缺陷。即，图像信息削减部12不删除特征量中的与图像中的畸变、亮度不均或散焦相关的信息。

图7表示该检查图像和作为图像统计量的亮度值分布的概略表现。在检查图像401的右上方在图像中存在亮度不均(由点划线表示的区域)的情况下，在从检查图像401经由特征量计算部11、图像信息削减部12、统计量推定部13推定的亮度值分布(将平均值的例子表示为图像统计量402)中，能够排除噪声、制造误差的信息，并且保留与像质变动相关的特征。通过对该亮度值分布和检查图像进行比较的检查，能够不受检查图像中的像质变动的影响而检查缺陷。

[实施例3]

使用图8对本发明的实施例3所涉及的缺陷检查装置进行说明。以下，对于与实施例1共同的部分，有时省略说明。

作为实施例3与实施例1的不同点，在实施例1(图3)中用于学习的SEM图像(学习图像3)不限于正常图像，但在实施例3中限定于不包含试样的缺陷的正常图像4。另外，在实施例3中，模型参数学习处理中的图像信息削减部12(图2)被置换为疑似缺陷生成用图像信息削减部41。

图9表示疑似缺陷生成用图像信息削减部41的结构。疑似缺陷生成用图像信息削减部41除了图像信息削减部12的内部结构之外，还具备新的图像信息操作部42。

与该图8、图9的结构图一起使用图10的学习流程来说明模型参数的计算方法。

将正常图像4作为学习图像，通过特征量计算部11计算特征量(S101)。然后，基于正常图像4所涉及的特征量，通过离散表现计算部21从多个特征向量23的索引(离散表现)中选择1个特征向量23所涉及的索引(第一离散表现)，由此生成离散化图像(S102)。

通过图像信息操作部42变更该离散化图像的索引值(S201)。作为该变更方法，有将某索引的值随机地分配到离散化图像中的方法、用特定的索引嵌入随机的区域的方法、将某区域复制到其他区域的方法等。

这样，疑似缺陷生成用图像信息削减部41通过用与所选择的索引(第一离散表现)不同的索引(第二离散表现)置换正常图像4所涉及的特征量的至少一部分，从而削减正常图像4所涉及的特征量的信息量。

根据索引值嵌入特征向量(S103)，使用操作了该索引值的离散化图像，与图3、图4同样地推定亮度值分布(S104)，通过模型评价部31计算推定出的亮度值分布与正常图像4的误差(S105)。通过模型参数更新量计算部32计算降低所得到的误差那样的模型参数的更新量(S106)。

图11表示在该学习处理的各步骤中生成的图像的概略表现。根据正常图像501计算特征量(S101)，通过特征向量23的索引的置换(S102)，生成削减了信息量的离散化图像502(概念性地图示)。通过图像信息操作部42操作该离散化图像502。

图11的操作后离散化图像503(概念性地图示)是使用了将某索引的值随机地分配给离散化图像中的方法的例子。在该分配的索引是关于半导体的电路图案的特征的情况下，从该操作后离散化图像503推定出的亮度值分布成为如图像统计量504那样放大了电路图案的特征而得的疑似缺陷图像。通过以减小该疑似缺陷图像与正常图像501之差的方式进行学习，能够搜索使误差最小化的模型参数10。

对本实施例的效果进行说明。通过用图像信息操作部42操作离散化图像，生成再现了某些缺陷的疑似缺陷图像。搜索使该疑似缺陷图像与正常图像之差最小化那样的模型参数10，将该模型参数10用于图1或图6那样的检查结构，由此能够通过统计量推定部13从包含缺陷的检查图像更高精度地推定正常电路的拍摄图像能够取得的亮度值分布。通过该亮度值分布与检查图像2的比较来检测缺陷，由此不需要参照图像，能够通过削减参照图像的拍摄所需的时间来提高检查的吞吐量。

[实施例4]

使用图12对本发明的实施例4所涉及的缺陷检查装置进行说明。以下，对于与实施例1共同的部分，有时省略说明。

作为实施例4与实施例1的不同点，在实施例1中，如图3所示，在统计量的推定以及模型的评价中使用了相同的学习图像3，但在实施例4中，如图12所示，从包含试样的缺陷的缺陷图像5来推定统计量，将该统计量与不包含试样的缺陷的正常图像4进行比较。

即，在实施例1以及实施例4的任一个中，模型评价部31都能够基于根据作为试样的拍摄图像的第一学习图像而推定出的图像统计量和作为试样的拍摄图像的第二学习图像来评价误差。但是，在实施例1中，第一学习图像以及第二学习图像是彼此相同的图像(即学习图像3)，但在实施例4中，可以说第一学习图像是包含试样的缺陷的缺陷图像5，第二学习图像是正常的试样的正常图像4。

以减小经由特征量计算部11、图像信息削减部12、统计量推定部13从缺陷图像5推定出的亮度值分布与正常图像4之差的方式进行学习，由此搜索使误差最小化的模型参数10，将该模型参数10用于图1或图6那样的检查结构，由此能够基于包含缺陷的检查图像，通过统计量推定部13推定正常电路的拍摄图像能够取得的亮度值分布并进行检查。

特别是，在能够获得缺陷图像与拍摄具有相同图案的其他地点而得到的正常图像的对的情况下，基于本实施例(图12)的结构的模型参数10的搜索是合适的。此外，在这样的对的获取困难的情况下，有时基于实施例1(图3)的结构的模型参数10的搜索是合适的。

[实施例5]

使用图13对本发明的实施例5所涉及的缺陷检查装置进行说明。以下，对于与实施例1共同的部分，有时省略说明。

作为实施例5与实施例1的不同点，在实施例5中，缺陷检查装置新具备图案位置适配部51。图案位置适配部51针对参照图像1所涉及的图像统计量，通过对于参照图像1进行位置对准，与检查图像对应地修正由统计量推定部13推定出的亮度值分布中的电路位置。作为该修正方法，可以使用一般的图像处理的图案匹配的方法，也可以使用深度学习来事先学习与电路图案对应的偏移量。通过将修正了位置后的亮度值分布与检查图像2进行比较来检查缺陷。

对本实施例的效果进行说明。当通过在图像信息削减部12中使参照图像1的特征量离散化来削减信息时，有时与半导体电路的位置相关的信息也丢失一部分。通过在图案位置适配部51中修正由该位置信息的丢失引起的亮度值分布的位置偏移，能够提高检查性能。

[其他实施例]

在上述各实施例中，以半导体的缺陷检查为例进行了说明，但在其他工业设备中的使用了图像的缺陷检查、异物检测中，也能够应用各实施例的缺陷检查装置。

附图标记说明

1…参照图像(拍摄图像)

2…检查图像(拍摄图像)

3…学习图像(第一学习图像、第二学习图像)

4…正常图像(第一学习图像、第二学习图像)

5…缺陷图像(第一学习图像)

10…模型参数

11…特征量计算部

12…图像信息削减部

13…统计量推定部

14…缺陷检测部

15…检测结果

21…离散表现计算部

22…潜在表现计算部

23…特征向量

31…模型评价部

32…模型参数更新量计算部

41…疑似缺陷生成用图像信息削减部

42…图像信息操作部

51…图案位置适配部

301…学习图像

302…离散化图像

303…图像统计量

401…检查图像

402…图像统计量

501…正常图像

502…离散化图像

503…操作后离散化图像

504…图像统计量。

Claims (10)

1.一种缺陷检查装置，其特征在于，

所述缺陷检查装置具备：

特征量计算部，其基于试样的拍摄图像来计算特征量；

图像信息削减部，其通过削减所述特征量的信息量来生成潜在变量；

统计量推定部，其基于所述潜在变量来推定正常的图像能够取得的图像统计量；以及

缺陷检测部，其基于所述图像统计量和试样的检查图像来检测所述检查图像中的缺陷。

2.根据权利要求1所述的缺陷检查装置，其特征在于，

所述拍摄图像是所述检查图像。

3.根据权利要求1所述的缺陷检查装置，其特征在于，

所述图像信息削减部用多个离散表现中的至少一个离散表现来置换所述特征量的至少一部分，由此削减所述特征量的信息量。

4.根据权利要求1所述的缺陷检查装置，其特征在于，

所述特征量计算部、所述图像信息削减部以及所述统计量推定部是通过机器学习学习了参数的已学习模型，

所述缺陷检查装置具备：

模型评价部，其基于根据作为试样的拍摄图像的第一学习图像而推定出的所述图像统计量和作为试样的拍摄图像的第二学习图像来评价误差；以及

模型参数更新量计算部，其基于所述误差来计算所述特征量计算部、所述图像信息削减部、所述统计量推定部的模型参数的更新量。

5.根据权利要求4所述的缺陷检查装置，其特征在于，

所述图像信息削减部基于所述第一学习图像所涉及的特征量，从多个离散表现中选择第一离散表现，

所述图像信息削减部通过用与所述第一离散表现不同的第二离散表现置换所述第一学习图像所涉及的所述特征量的至少一部分，从而削减所述第一学习图像所涉及的特征量的信息量。

6.根据权利要求1所述的缺陷检查装置，其特征在于，

所述缺陷检查装置具备：图案位置适配部，其针对所述拍摄图像所涉及的所述图像统计量，对所述拍摄图像进行位置对准。

7.根据权利要求1所述的缺陷检查装置，其特征在于，

所述图像信息削减部删除所述特征量中的与图像中的噪声以及制造误差相关的信息。

8.根据权利要求1所述的缺陷检查装置，其特征在于，

所述图像信息削减部不删除所述特征量中的与图像中的畸变、亮度不均或散焦相关的信息。

9.根据权利要求4所述的缺陷检查装置，其特征在于，

所述第一学习图像以及所述第二学习图像是彼此相同的图像。

10.根据权利要求4所述的缺陷检查装置，其特征在于，

所述第一学习图像是包含试样的缺陷的图像，所述第二学习图像是正常的试样的图像。