CN117726895A - 用于半导体试样的端对端测量 - Google Patents

用于半导体试样的端对端测量 Download PDF

Info

Publication number
CN117726895A
CN117726895A CN202311168189.0A CN202311168189A CN117726895A CN 117726895 A CN117726895 A CN 117726895A CN 202311168189 A CN202311168189 A CN 202311168189A CN 117726895 A CN117726895 A CN 117726895A
Authority
CN
China
Prior art keywords
training
measurement data
image
metrology
runtime
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
CN202311168189.0A
Other languages
English (en)
Inventor
T·H·佩雷德
B·杜波夫斯基
N·塔尔
B·M·斯卡里亚
B·黎凡特
T·弗兰克
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 CN117726895A publication Critical patent/CN117726895A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/305—Accessories, mechanical or electrical features computer simulations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/418—Imaging electron microscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

提供了一种用于查验半导体试样的系统和方法。所述方法包括：获得所述试样的运行时图像，以及将所述运行时图像作为输入提供到端到端(E2E)学习模型以进行处理，由此获得特定于计量应用的运行时测量数据作为所述E2E学习模型的输出。所述E2E学习模型先前使用训练集和一个或多个成本函数针对所述计量应用进行训练，所述训练集包括所述试样的多个训练图像和与其相关联的相应地面真值测量数据，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括精度、相关性和匹配的组的一个或多个计量基准。

Description

用于半导体试样的端对端测量
技术领域
本公开主题总体上涉及半导体试样查验领域，并且更具体地涉及试样的计量应用。
背景技术
当前对与所制造的器件的超大规模集成相关联的高密度和高性能的需求要求亚微米特征、提高的晶体管和电路速度、以及提高的可靠性。随着半导体工艺进展，图案尺寸(诸如线宽)和其他类型的关键尺寸不断地收缩。这种需求要求具有高精度和均匀性的器件特征的形成，这进而使得必需仔细地监测制造工艺，包括在器件仍是半导体晶片的形式时对该器件的自动化查验。
可通过在制造要查验的试样期间或之后使用非破坏性查验工具来提供查验。查验总体上涉及通过将光或电子引导到晶片并检测来自晶片的光或电子来针对试样生成某种输出(例如，图像、信号等)。作为非限制性示例，各种非破坏性查验工具包括扫描电子显微镜、原子力显微镜、光学检查工具等。
查验工艺可包括多个查验步骤。半导体器件的制造工艺可包括各种过程，诸如蚀刻、沉积、平坦化、生长(诸如外延生长)、注入等。可多次执行查验步骤，例如在某些工艺程序之后和/或在制造某些层之后等。附加地或替代地，可重复每个查验步骤多次，例如针对不同晶片位置，或者针对在不同查验设置下的相同晶片位置。
在半导体制造期间的各个步骤处使用查验工艺对试样上的缺陷进行检测和分类，以及执行计量相关操作。可通过(多个)工艺(诸如例如，缺陷检测、自动化缺陷分类(ADC)、自动化缺陷评审(ADR)、图像分割、自动化计量相关操作等)的自动化来提高查验的有效性。自动化查验系统确保制造的零件符合预期的品质标准并取决于识别的缺陷类型而提供有关可能需要对制造工具、装备和/或组成进行的调整的有用信息。
在一些情况下，可使用机器学习技术来辅助自动化查验工艺，以便促成更高的成品率。例如，可使用监督式机器学习来实现用于基于充分标注的训练图像来自动化具体的查验应用的准确且高效的解决方案。
发明内容
根据本公开主题的某些方面，提供了一种用于查验半导体试样的计算机化计量系统，所述系统包括第一处理和存储器电路系统(PMC)，所述第一PMC被配置为：获得所述半导体试样的运行时图像；以及将所述运行时图像作为输入提供到端到端(E2E)学习模型以进行处理，由此获得特定于计量应用的运行时测量数据作为所述E2E学习模型的输出。所述E2E学习模型先前使用以下项针对所述计量应用进行训练：i)训练集，所述训练集包括所述试样的多个训练图像和与其相关联的相应地面真值测量数据；以及ii)一个或多个成本函数，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括以下项的组的一个或多个计量基准：指示通过一种计量工具针对所述试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在所述训练图像的训练测量数据和与其相关联的所述相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对所述给定特征获取的不同训练图像的训练测量数据的可重复性的匹配。
除了以上特征，根据本公开主题的这一方面的系统可以技术上可能的任何期望组合或排列包括以下所列的特征(i)至(xii)中的一者或多者：
(i).所述E2E学习模型是被配置为基于所述运行时图像来直接地导出所述运行时测量数据的单一机器学习(ML)模型，所述单一ML模型可用于替代参考计量系统中使用的多个处理模块，包括图像预处理模块、图像分割模块和测量模块。
(ii).所述运行时图像是通过电子束工具获取的，并且所述电子束工具的用于捕获所述运行时图像的突发时间相对于用于捕获所述参考计量系统的输入图像的所述突发时间减少。
(iii).所述训练集包括通过至少两个计量工具获取的至少两个训练图像序列。所述一个或多个成本函数包括给定成本函数，所述给定成本函数被具体地配置为基于所述至少两个训练图像序列的所述训练测量数据来评估在所述至少两个工具之间的所述匹配。
(iv).通过所述至少两个计量工具中的相应计量工具获取所述至少两个训练图像序列中的每个序列以捕获所述试样上的所述给定特征的相应位点序列。所述给定成本函数表示在所述至少两个训练图像序列的相应训练测量数据的平均测量数据之间的差值。
(v).所述训练集包括第一子集和第二子集。所述第一子集包括通过计量工具针对所述试样上的所述给定特征的一个或多个位点获取的第一训练图像序列和在获取所述第一序列之后通过不同计量工具针对所述一个或多个位点获取的第二训练图像序列。所述第二子集包括通过所述不同计量工具针对所述一个或多个位点获取的第一训练图像序列和在获取所述第一序列之后通过所述计量工具针对所述一个或多个位点获取的第二训练图像序列。所述给定成本函数表示在所述两个子集中的对应训练图像的训练测量数据之间的差值。
(vi).所述计量应用是以下项中的一者：关键尺寸(CD)计量、套刻(OVL)、基于测量的检查(MBI)、关键尺寸均匀性(CDU)、CAD意识(CADA)和光刻工艺控制。
(vii).所述训练集包括基于所述半导体试样的设计数据模拟的一个或多个合成图像和为此自动地生成的地面真值测量数据。
(viii).所述一个或多个合成图像是通过以下操作生成的：基于所述半导体试样的所述设计数据执行模拟，产生一个或多个模拟图像，以及对所述模拟图像执行增强，由此模拟所述试样的一个或多个物理工艺的一个或多个物理效应。
(ix).所述地面真值数据包括以下项中的一者或多者：通过使用包括多个处理模块的参考计量系统处理所述训练图像生成的测量数据、基于测试试样从客户获得的测量数据、以及为模拟图像自动地生成的测量数据。
(x).所述PMC被进一步配置为提供关于所述运行时测量数据的可解释性。
(xi).所述可解释性是由热图提供的，所述热图视觉地表示所述运行时图像和所述运行时测量数据的像素贡献的相关性。
(xii).所述E2E学习模型是针对多个计量应用的多任务学习模型。
根据本公开主题的其他方面，提供了一种用于查验半导体试样的计算机化计量方法，所述方法包括：获得所述半导体试样的运行时图像；以及将所述运行时图像作为输入提供到端到端(E2E)学习模型以进行处理，由此获得特定于计量应用的运行时测量数据作为所述E2E学习模型的输出。所述E2E学习模型先前使用以下项针对所述计量应用进行训练：i)训练集，所述训练集包括所述试样的多个训练图像和与其相关联的相应地面真值测量数据；以及ii)一个或多个成本函数，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括以下项的组的一个或多个计量基准：指示通过一种计量工具针对所述试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在所述训练图像的训练测量数据和与其相关联的所述相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对所述给定特征获取的不同训练图像的训练测量数据的可重复性的匹配。
根据本公开主题的其他方面，提供了一种计算机化方法，所述方法包括：生成训练集，关于计量应用，所述训练集包括半导体试样的多个训练图像和与其相关联的相应地面真值测量数据；以及使用所述训练集和一个或多个成本函数针对所述计量应用训练端到端(E2E)学习模型，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括以下项的组的一个或多个计量基准：指示通过一种计量工具针对所述试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在所述训练图像的训练测量数据和与其相关联的所述相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对所述给定特征获取的不同训练图像的训练测量数据的可重复性的匹配，其中所述E2E学习模型在被训练后可用于处理所述半导体试样的运行时图像并获得特定于所述计量应用的运行时测量数据。
本公开主题的这一方面可以技术上可能的任何期望组合或排列加以必要变更包括以上关于系统所列的特征(i)至(xi)中的一者或多者。
根据本公开主题的其他方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读包括指令，所述指令当由计算机执行时使所述计算机执行用于查验半导体试样的计算机化计量方法，所述方法包括：获得所述半导体试样的运行时图像；以及将所述运行时图像作为输入提供到端到端(E2E)学习模型以进行处理，由此获得特定于计量应用的运行时测量数据作为所述E2E学习模型的输出。所述E2E学习模型先前使用以下项针对所述计量应用进行训练：i)训练集，所述训练集包括所述试样的多个训练图像和与其相关联的相应地面真值测量数据；以及ii)一个或多个成本函数，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括以下项的组的一个或多个计量基准：指示通过一种计量工具针对所述试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在所述训练图像的训练测量数据和与其相关联的所述相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对所述给定特征获取的不同训练图像的训练测量数据的可重复性的匹配。
根据本公开主题的其他方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读包括指令，所述指令当由计算机执行时使所述计算机执行计算机化方法，所述方法包括：生成训练集，关于计量应用，所述训练集包括半导体试样的多个训练图像和与其相关联的相应地面真值测量数据；以及使用所述训练集和一个或多个成本函数针对所述计量应用训练端到端(E2E)学习模型，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括以下项的组的一个或多个计量基准：指示通过一种计量工具针对所述试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在所述训练图像的训练测量数据和与其相关联的所述相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对所述给定特征获取的不同训练图像的训练测量数据的可重复性的匹配，其中所述E2E学习模型在被训练后可用于处理所述半导体试样的运行时图像并获得特定于所述计量应用的运行时测量数据。
本公开主题的这一方面可以技术上可能的任何期望组合或排列加以必要变更包括以上关于系统所列的特征(i)至(xi)中的一者或多者。
附图说明
为了理解本公开并了解本公开可如何进行实践，将参考附图仅通过非限制性示例来描述实施例，在附图中：
图1示出了根据本公开主题的某些实施例的查验系统的一般化框图。
图2示出了根据本公开主题的某些实施例的训练可用于半导体试样的计量应用的机器学习模型的一般化流程图。
图3示出了根据本公开主题的某些实施例的针对计量应用使用经训练的ML模型对半导体试样的运行时查验的一般化流程图。
图4示出了根据本公开主题的某些实施例的生成合成图像和与其相关联的地面真值测量数据的一般化流程图。
图5示意性地示出了根据本公开主题的某些实施例的参考计量系统和当前提出的基于E2E学习的计量系统的示例。
图6示意性地示出了根据本公开主题的某些实施例的训练ML模型来进行工具间匹配的示例。
图7示出了根据本公开主题的某些实施例的训练数据收集来进行工具间匹配的两个示例。
具体实施方式
在以下详细描述中，阐述了众多具体细节，以便提供对本公开的透彻理解。然而，本领域技术人员将理解，本公开主题可在没有这些具体细节的情况下进行实践。在其他情况下，未详细地描述所熟知的方法、过程、部件和电路，以免模糊本公开主题。
除非另外具体地陈述，否则如从以下讨论清楚，将理解，贯穿本说明书讨论，利用诸如“获得”、“查验”、“提供”、“训练”、“模拟”、“执行”、“生成”、“处理”、“使用”、“提供”、“表示”、“测量”等是之类的术语指计算机的将数据操纵和/或变换为其他数据的(多个)动作和/或(多个)处理，所述数据被表示为物理(诸如电子)量，和/或所述数据表示物理对象。术语“计算机”应当被广义地解释为涵盖具有数据处理能力的任何种类的基于硬件的电子设备，作为非限制性示例，包括本申请中公开的查验系统、计量系统及其相应部分。
本文所用的术语“非暂态存储器”和“非暂态存储介质”应当被广义地解释为涵盖适合于本公开主题的任何易失性或非易失性计算机存储器。该术语应当被视为包括存储一个或多个指令集的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的高速缓存和服务器)。该术语还应当被视为包括能够存储指令集或对其进行编码以供计算机执行并使计算机执行本公开的方法中的任一者或多者的任何介质。因此，该术语应当被视为包括但不限于只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器设备等。
本说明书中使用的术语“试样”应当被广义地解释为涵盖用于制造半导体集成电路、磁头、平板显示器和其他半导体制品的任何种类的物理对象或基板，包括晶片、掩模、掩模版和其他结构、以上项的组合和/或其部分。试样在本文中也称为半导体试样，并且可通过制造装备执行对应制造工艺来生产。
本说明书中使用的术语“查验”应当被广义地解释为涵盖与缺陷检测、缺陷评审和/或各种类型的缺陷分类、分割和/或在试样制造工艺期间和/或之后的计量操作有关的任何类型的操作。通过在制造要查验的试样期间或之后使用非破坏性查验工具来提供查验。作为非限制性示例，查验工艺可包括使用相同或不同检查工具进行的运行时扫描(以单次扫描或多次扫描)、成像、采样、检测、评审、测量、分类和/或关于试样或其部分提供的其他操作。同样地，查验可在制造要查验的试样之前提供，并且可包括例如生成(多个)查验配方和/或其他设置操作。应注意，除非另外具体地陈述，否则本说明书中使用的术语“查验”或其衍生词在检查区域的分辨率或大小方面不受限制。作为非限制性示例，各种非破坏性查验工具包括扫描电子显微镜(SEM)、原子力显微镜(AFM)、光学检查工具等。
本说明书中使用的术语“计量操作”应当被广义地解释为涵盖用于提取与半导体试样上的一个或多个结构元件有关的计量信息的任何计量操作程序。在一些实施例中，计量操作可包括测量操作，诸如例如关于试样上的某些结构元件进行的关键尺寸(CD)测量，包括但不限于以下操作：尺寸(例如，线宽、线间距、触点直径、元件大小、边缘粗糙度、灰度级统计等)、元件形状、元件内或元件间距离、相关角度、对应于不同设计水平的与元件相关联的套刻信息等。例如，通过采用图像处理技术来分析测量结果(诸如测量的图像)。注意，除非另有具体说明，否则本说明书中使用的术语“计量学”或其衍生词不受测量技术、测量分辨率或检查区域的大小的限制。
本说明书中使用的术语“缺陷”应当被广义地解释为涵盖在试样上形成的任何种类的异常或不期望特征/功能。在一些情况下，缺陷可以是感兴趣缺陷(DOI)，它是对所制造的器件的功能有一定影响的真实缺陷，因此检测这种缺陷符合客户利益。例如，可导致成品率损失的任何“致命”缺陷都可被指示为DOI。在一些其他情况下，缺陷可能是误会(也称为“误报”缺陷)，它可忽略不计，因为它对所完成的器件的功能没有影响，并且也不影响成品率。
本说明书中使用的术语“设计数据”应当被广义地解释为涵盖指示试样的分层物理设计(布局)的任何数据。设计数据可由相应设计员提供，和/或可(例如，通过复杂模拟、简单几何和布尔运算等)从物理设计导出。设计数据可以不同格式提供，作为非限制性示例，如GDSII格式、OASIS格式等。设计数据可以矢量格式、灰度强度图像格式或以其他格式呈现。
应理解，除非另外具体地陈述，否则也可在单个实施例中组合地提供在单独实施例的上下文中描述的本公开主题的某些特征。相反地，也可单独地或以任何合适的子组合提供在单个实施例的上下文中描述的本公开主题的各种特征。在以下详细描述中，阐述了许多具体细节，以便提供对方法和装置的透彻理解。
有鉴于此，将注意力转向图1，其示出了根据本公开主题的某些实施例的查验系统的功能框图。
作为试样制造工艺的部分，可使用图1示出的查验系统100来进行对半导体试样(例如，晶片、管芯或其部分)的查验。如上所述，本文提及的查验可解释为涵盖与缺陷检查/检测、缺陷分类、分割和/或计量操作有关的任何种类的操作，诸如例如关于试样的关键尺寸(CD)测量、套刻等。系统100包括一个或多个查验工具120，该查验工具被配置为扫描试样并捕获其图像以针对各种查验应用进行进一步处理。
本文所用的术语“(多个)查验工具”应当被广义地解释为涵盖可用于查验相关工艺的任何工具，作为非限制性示例，包括扫描(以单次扫描或多次扫描)、成像、采样、审查、测量、分类和/或关于试样或其部分提供的其他工艺。
在未以任何方式限制本公开的范围的情况下，还需注意，查验工具120可实施为各种类型的检查机器，诸如光学检查机器、电子束检查机器(例如，扫描电子显微镜(SEM))、原子力显微镜(AFM)或透射电子显微镜(TEM)等)等。在一些情况下，同一查验工具可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)可直接地或经由一个或多个中间系统传输到系统101。本公开不限于任何特定类型的查验工具和/或由查验工具产生的图像数据的分辨率。
在一些实施例中，查验工具120中的至少一者具有计量能力并可被配置为捕获图像并对捕获的图像执行计量操作。这种查验工具在本文中也称为计量工具。
根据某些实施例，计量工具可以是电子束工具，诸如例如扫描电子显微镜(SEM)。SEM是一种类型的电子显微镜，其通过用聚焦电子束扫描试样来产生试样的图像。电子与试样中的原子相互作用，从而产生含有关于试样的表面形貌和/或组成的信息的各种信号。SEM能够在半导体晶片的制造期间准确地测量特征。举例来说，计量工具可以是用于测量图像中的结构特征的关键尺寸的关键尺寸扫描电子显微镜(CD-SEM)。
应注意，本文所用的术语“运行时图像”或“训练图像”可指在制造工艺期间由查验工具捕获的试样的原始图像、通过各种预处理阶段获得的捕获图像的衍生物和/或计算机生成的基于设计数据的图像。应注意，在一些情况下，本文提及的图像可包括图像数据(例如，捕获的图像、处理的图像等)和相关联的数字数据(例如，元数据、手工制作的属性等)。应进一步注意，图像数据可包括与以下项中的一者或多者有关的数据：感兴趣处理步骤、感兴趣层、多个处理步骤和/或试样的多个层。
根据本公开主题的某些实施例，查验系统100包括基于计算机的系统101，该基于计算机的系统可操作地连接到查验工具120并能够基于在试样制造期间获得的运行时图像来运行时实现关于半导体试样的自动计量操作。系统101也称为计量系统。
半导体制造的工艺通常需要多个顺序处理步骤和/或层，其中每个步骤和/或层都有可能导致错误，从而导致成品率损失。计量操作可在制造工艺期间的各种处理步骤处执行，以监测和控制工艺。举例来说，计量操作可用于测量试样的一个或多个特性，诸如例如在处理步骤期间在试样上形成的特征的CD测量(例如，线宽、厚度等)，使得可基于测量来评估处理步骤的执行。例如，如果试样的测量中的一些不可接受(例如，超过预定范围或阈值)，则这种测量可用于改变处理步骤的一个或多个参数，使得由处理步骤制造的后续试样可具有可接受特性。
常规地，计量系统典型地包括多个处理模块的链/流水线，这些处理模块彼此顺序地连接，以便处理试样的捕获的图像并导出其测量。多个模块中的每一者被配置用于具体的任务。举例来说，多个处理模块可包括但不限于例如(多个)图像预处理模块、(多个)图像分割模块和(多个)测量模块。在一些情况下，处理模块(诸如例如图像分割模块)的至少部分是基于机器学习的。然后，用某些计量基准(其可由客户预先确定)评估作为测量模块的输出的最终测量。
在配方设置期间调谐这种多级处理系统是有挑战性的。为了实现更好性能，必须应用模块的内/中间层及其相应参数的优化。然而，由于每个层负责解决特定任务，并且计量基准仅相对于测量模块的最终输出进行评估，因此没有关于应当如何将评估结果相关以调整中间模块和这种优化进而将如何影响整个系统的性能的足够的动作信息。这种模块中的参数的调谐和优化很大程度上依赖于用户/操作员基于其经验和直觉的判断决策，这可能导致具有不期望性能的计量系统。
因此，本公开主题的某些实施例提出使用端到端(E2E)学习模型来替代先前的多个处理模块，该E2E学习模型在被训练后可直接地处理试样的图像并提供其测量。所提出的基于E2E的系统显著地降低了系统架构的复杂性，最小化用户依赖和干预，并且实现基于基准评估对学习模型的直接优化，由此有效地提高测量性能，如下文将详述。
具体地，系统101包括处理器和存储器电路系统(PMC)102，该PMC可操作地连接到基于硬件的I/O接口126。PMC 102被配置为提供操作系统所需的处理，如参考图2至图4进一步详述的，并且包括处理器(未单独地示出)和存储器(未单独地示出)。PMC 102的处理器可被配置为根据在PMC中包括的非暂态计算机可读存储器上实施的计算机可读指令来执行若干功能模块。这种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表示一个或多个通用处理设备，诸如微处理器、中央处理单元等。更特别地，处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实施其他指令集的处理器，或者实施指令集的组合的处理器。处理器还可以是一个或多个专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等。处理器被配置为执行用于执行本文中讨论的操作和步骤的指令。
本文提到的存储器可包括主存储器(例如，只读存储器(ROM)、闪存存储器、动态随机存取存储器(DRAM)(诸如同步DRAM(SDRAM)或RambusDRAM(RDRAM)等)以及静态存储器(例如，闪存存储器、静态随机存取存储器(SRAM)等)。
根据本公开主题的某些实施例，系统101可以是被配置为使用经训练的机器学习(ML)模型基于在试样制造期间获得的运行时图像来执行计量操作的计量系统。在这种情况下，系统101的PMC 102中包括的一个或多个功能模块可包括先前为计量应用训练的机器学习(ML)模型108。ML模型可实现为端到端(E2E)学习模型。
具体地，PMC 102可被配置为经由I/O接口126获得半导体试样的运行时图像，并且将该运行时图像作为输入提供到E2E学习模型(例如，ML模型108)以进行处理，从而获得特定于计量应用的运行时测量数据作为E2E学习模型的输出。在这种情况下，ML模型108可被视为被包括在测量模块(图1未示出)中作为可用于对所获取的运行时图像执行计量操作的计量配方的一部分。系统101可被视为能够使用计量配方执行运行时计量操作的计量系统。下文参考图3描述运行时查验工艺的细节。
在一些实施例中，系统101可被配置作为能够在训练/设置阶段使用具体地生成的训练集和成本函数训练ML模型的训练系统。在这种情况下，系统101的PMC 102中包括的一个或多个功能模块可包括训练集生成器104、训练模块106和ML模型108。具体地，训练集生成器104可被配置为生成包括试样的多个训练图像和与其相关联的相应地面真值测量数据的训练集。训练模块106可被配置为使用训练集和一个或多个成本函数来训练ML模型108。成本函数可被具体地配置为针对多个训练图像和由E2E学习模型输出的对应训练测量数据评估一个或多个计量基准，诸如例如精度、相关性和/或匹配等。精度是指针对试样上的给定特征获取(通过相同计量工具获取)的不同训练图像的训练测量数据的可重复性。相关性是指在训练图像的训练测量数据和与其相关联的相应地面真值测量数据之间的关系。匹配关于通过不同计量工具针对给定特征获取的不同训练图像的训练测量数据的可重复性。
如上所述，ML模型在被训练后可用于处理运行时图像，并且获得特定于计量应用的运行时测量数据。训练过程的细节在下文将参考图2和图4来描述。
根据某些实施例，可基于有关相应应用的特定训练图像和地面真值数据来针对不同计量应用训练ML模型。可使用本公开内容进行应用的各种应用包括但不限于以下：套刻应用、关键尺寸(CD)计量应用等，如下文详述。
系统100和101、PMC 102和在其中的功能模块的操作将参考图2至图4进一步详述。
根据某些实施例，本文提及的ML模型108可实施为各种类型的机器学习模型，诸如例如决策树、支持向量机(SVM)、人工神经网络(ANN)、回归模型、贝叶斯网络或它们的集成/组合等。由ML模型使用的学习算法可以是以下项中的任一者：监督式学习、非监督式学习或半监督式学习等。本公开主题不限于特定类型的ML模型或特定类型的ML模型使用的学习算法。
在一些实施例中，ML模型可实施为深度神经网络(DNN)。DNN可包括监督式或非监督式DNN模型，其包括根据相应DNN架构组织的层。作为非限制性示例，可根据卷积神经网络(CNN)架构、循环神经网络架构、递归神经网络架构、生成性对抗网络架构或其他架构来组织DNN的层。任选地，层中的至少一些可组织在多个DNN子网中。DNN的每个层可包括多个基本计算元素(CE)，在本领域中，其典型地被称为维度、神经元或节点。
一般来讲，给定层的计算元素可与前一层和/或后一层的CE连接。在前一层的CE与后一层的CE之间的每个连接与加权值相关联。给定CE可经由相应连接从前一层的CE接收输入，每个给定连接与可应用于给定连接的输入的加权值相关联。加权值可确定连接的相对强度，并且由此确定相应输入对给定CE的输出的相对影响。给定CE可被配置为计算激活值(例如，输入的加权和)，并且通过将激活函数应用于所计算的激活来进一步导出输出。激活函数可以是例如恒等函数、确定性函数(例如，线性、sigmoid、阈值等)、随机函数或其他合适的函数。来自给定CE的输出可经由相应连接传输到后一层的CE。同样地，如上所述，在CE的输出处的每个连接可与可在被接收作为后一层的CE的输入之前应用于CE的输出的加权值相关联。除了加权值外，还可存在与连接和CE相关联的阈值(包括限制函数)。
可在训练之前初始地选择ML模型的加权值和/或阈值，并且可在训练期间进一步迭代地调整或修改该加权值和/或阈值，以在经训练的模型中实现最佳加权值和/或阈值集。用来调整ML模型的权重/阈值的输入数据集被称为训练集。下文参考图2描述训练过程的细节。
应注意，本公开主题的教导不受如上所述的ML或DNN的特定架构的约束。
在一些情况下，除了系统101之外，查验系统100可包括一个或多个查验模块，诸如例如，缺陷检测模块、自动化缺陷评审模块(ADR)、自动化缺陷分类模块(ADC)、附加计量相关模块和/或可用于查验半导体试样的其他查验模块。一个或多个查验模块可实施为独立计算机，或者它们的功能(或其至少一部分)可与查验工具120集成。在一些情况下，系统101的输出可提供到一个或多个查验模块(诸如ADR、ADC等)以供进一步处理。
根据某些实施例，系统100可包括存储单元122。存储单元122可被配置为存储操作系统101所需的任何数据，例如，与系统101的输入和输出有关的数据，以及由系统101生成的中间处理结果。举例来说，存储单元122可被配置为存储由查验工具120产生的试样的图像和/或其衍生物，诸如例如，如上所述的运行时图像、训练集。因此，可从存储单元122检索这些输入数据并将其提供到PMC 102以供进一步处理。系统101的输出(诸如经训练的ML模型)和/或测量数据可被发送到存储单元122以供存储。
在一些实施例中，系统100可任选地包括基于计算机的图形用户界面(GUI)124，该基于计算机的图形用户界面被配置为启用与系统101有关的用户指定的输入。例如，可向用户呈现试样的视觉表示(例如，通过形成GUI 124的一部分的显示器)，包括试样的图像等。可通过GUI向用户提供限定某些操作参数的选项。用户还可在GUI上查看操作结果或中间处理结果，诸如例如，测量数据、计量基准的评估结果等。在一些情况下，系统101可被进一步配置为将特定输出发送到存储单元122和/或外部系统(例如，制造厂(FAB)的成品率管理系统(YMS))。
本领域技术人员将易于理解，本公开主题的教导不受图1示出的系统的约束；等效和/或经修改的功能可以另一种方式进行合并或划分，并且可实现在软件与固件和/或硬件的任何适当组合中。
应注意，图1示出的系统可实现在分布式计算环境中，其中图1示出的前述部件和功能模块可跨若干本地和/或远程设备分布，并且可通过通信网络链接。例如，查验工具120和系统101可位于同一实体处(在一些情况下由同一设备托管)或分布在不同实体上。
应进一步注意，在一些实施例中，查验工具120、存储单元122和/或GUI 124中的至少一些可在查验系统100外部并经由I/O接口126与系统100和101进行数据通信。系统101可实施为与查验工具和/或与如上所述的附加查验模块结合使用的(多个)独立计算机。替代地，系统101的相应功能可至少部分地与一个或多个查验工具120集成在一起，从而促进和增强在查验相关工艺中查验工具120的功能性。
虽然不一定如此，但系统101和100的操作过程可对应于关于图2至图4描述的方法的阶段中的一些或所有阶段。同样地，关于图2至图4描述的方法及其可能的实施方式可由系统101和100实施。因此，应注意，针对关于图2至图4描述的方法讨论的实施例还可加以必要变更实施为系统101和100的各个实施例，反之亦然。
参考图2，示出了根据本公开主题的某些实施例的训练可用于半导体试样的计量应用的机器学习模型的一般化流程图。
如上所述，本文所用的ML模型是指端到端(E2E)学习模型。本文所用的E2E学习模型是指被配置为基于试样的输入图像直接地导出测量数据的单个ML模型，从而代替参考计量系统(例如，常规计量系统)中使用的多个处理模块(例如，绕过一个或多个中间模块)获得测量数据。
计量应用是指客户/用户通常有兴趣针对试样测量的内容。作为非限制性示例，可从包括以下项的一组计量应用选择计量应用：关键尺寸(CD)计量、套刻(OVL)、基于测量的检查(MBI)、关键尺寸均匀性(CDU)、CAD意识(CADA)和光刻工艺控制。
CD计量是指测量半导体晶片上形成的精细图案的关键尺寸。CD测量包括但不限于以下内容：尺寸(例如，线宽、线间距、触点直径、元件大小、边缘粗糙度、灰度级统计数据等)、元件形状、在元件内或在元件之间的距离、相关角度等。套刻是指在多层图案之间的套刻偏移的测量。套刻的一个示例是找出晶片的边缘上的两个层之间的标称套刻误差。MBI是指使用测量进行缺陷检查。MBI的一个示例可以是检测沟槽的底部处的蚀刻残留物。CDU是指与关键尺寸有关的均匀性测量。CDU的一个示例可以是创建在两个触点之间的偏移的均匀性图。CADA是指将CAD集成到基于SEM的缺陷检查中。光刻工艺控制是指光刻工具和材料粗糙度的控制。
现在转向图5，示意性地示出了根据本公开主题的某些实施例的参考计量系统和当前提出的基于E2E学习的计量系统的示例。
图500例示了参考计量系统504(也称为传统计量系统)，其包括多个处理模块的流水线，包括图像预处理模块506、图像分割模块508和测量模块512。图像预处理模块506可被配置为执行以下操作中的一者或多者：图像增强(例如，去噪、锐化、对比度增强等)、图像归一化、图像配准等，以用于增强输入图像502的品质。
将预处理图像馈送到下一处理模块(即，图像分割模块508)进行分割。本文所用的术语“图像分割”可指将图像分割成有意义部分/片段(例如，背景和前景、噪声和非噪声区域、各种结构元素、缺陷和非缺陷等)而同时提供指示这种片段的每像素或每区域值的任何过程。在某些情况下，图像分割可基于机器学习。在这种情况下，图像分割模块508可被视为包括分割ML模型510。
举例来说，分割ML模型510可被配置为根据图像中呈现的一个或多个结构元素分割输入图像。本文所用的结构元素可指图像上具有带有轮廓的几何形状或几何结构的任何原始对象或这种对象的组合。分割ML模型510的输出可以是例如分割图，其中每个像素/元素的值指示图像中的对应像素对应于/属于图像中的结构元素或者说属于表示图像中的结构元素的一个或多个片段的预测概率。分割图应用在输入图像(例如，预处理图像)上，从而产生分割图像。
分割图像可被提供到下一处理模块，即测量模块512，以用于获得测量数据，诸如例如，套刻、CD测量等。举例来说，测量模块512可被配置为根据如在分割图像中所指示的结构元素的轮廓获得CD测量(例如，宽度、长度、距离、直径等)。
如上所述，调谐这样的多层计量系统504可能是困难的。举例来说，在设置期间，基于一个或多个计量基准514(诸如精度、相关性、匹配等)来评估如测量模块512输出的测量数据。基于评估结果，需要确定如何优化多个处理模块中的每一者并更新其相应参数。然而，由于每个模块针对相应功能进行配置，因此难以确定评估结果应当如何与每个模块(包括中间模块506和508以及输出模块512)相关，以及每个模块的优化如何进而影响整个系统性能。这种模块中的参数调整和优化因此很大程度上依赖于用户/操作员基于其经验和直觉的判断决策，这可能导致计量系统具有不太理想的性能。
具体地，在包括图像分割模块508的这种计量系统中，测量数据的品质很大程度上取决于递送关于图像中的结构元素的形状和尺寸的关键信息的图像分割模块的性能。已知图像分割本身因各种影响因素(诸如训练数据的量和/或品质、这种模块中使用的(多个)分割网络的架构、其训练过程等)而是一项有挑战性的任务。通常投入大量努力和计算资源来调整和优化分割模块，这在一定程度上与测量数据的计量基准评估不直接相关，因此最终可能会或可能不会促成测量性能的提高。
相比之下，图520例示了当前根据本公开的某些实施例提出的本计量系统524。如图所示，系统524仅包括测量模块526，而不包括参考系统504中包括的中间模块。具体地，测量模块526包括ML模型528，诸如如上所述的E2E学习模型。试样的输入图像502被直接地馈送到ML模型528中，并且其输出是由ML模型从图像导出的测量数据。
在训练期间，基于计量基准514(诸如精度、相关性、匹配等)来评估如ML模型528所输出的训练测量数据，并且基于评估结果来直接地优化ML模型528。使用E2E学习方法，单一ML模型替代前述处理模块链，由此允许使用与计量基准直接相关的单一优化标准，而不是在先前方法中根据不同标准单独地优化多个模块中的每一者。这种系统架构简单且复杂度低，使得能够进行直接优化，最小化用户干预的必要性，并且有效提高测量性能。
为了训练ML模型528，需要足够的训练数据。返回参考图2，可(例如，由PMC 102中的训练集生成器104)生成(202)训练集，关于计量应用，该训练集包括半导体试样的多个训练图像和与其相关联的相应地面真值测量数据。
训练图像可以是在半导体试样的制造工艺期间由查验工具获得的半导体试样的“真实世界”图像。地面真值数据是特定于应用的。例如，在计量应用是CD测量应用的情况下，地面真值测量数据可表示从训练图像导出的实际/真实CD测量。
在一些实施例中，地面真值测量数据可包括以下项中的一者或多者：通过使用参考计量系统(诸如图5中的参考计量系统504，其包括多个处理模块，诸如图像预处理、图像分割和测量等)处理训练图像来生成的测量数据、基于测试试样(或套刻应用情况下的目标)从客户获得的测量数据以及为模拟图像自动地生成的测量数据。
出于提供相对于实际生产中的工艺变化稳健的良好训练的准确模型的目的，训练图像在量、品质和偏差等方面必须足够，并且需要用准确测量标签对图像进行注释。然而，在一些情况下，这种训练数据可能难以收集。例如，要查验的试样的训练图像在设置阶段可能不可用，或者可能非常有限并且不包括结构参数的足够的工艺变化。特别地，在FAB环境中，获得图像的地面真值数据可能有挑战性，这典型地要求时间和努力，并且在一些情况下可能容易出错。在一些情况下，需要参考工具，诸如例如，X截面TEM，这可能对试样造成破坏。
在一些实施例中，除了“真实世界”训练图像之外，用于训练ML模型的训练集还可通过针对半导体试样模拟的一个或多个合成图像和为其自动地生成的地面真值测量数据来丰富。
现在转向图4，示出了根据本公开主题的某些实施例的生成合成图像和与其相关联的地面真值测量数据的一般化流程图。
可基于试样的设计数据来执行图像模拟(402)，从而产生一个或多个模拟图像。设计数据可指从如客户所获得的试样的原始设计布局数据，诸如CAD数据。替代地，设计数据可指基于试样的图像数据生成的模拟设计数据。举例来说，可分析试样的SEM图像并可对SEM图像执行特征提取。例如，提取的特征可包括关于某些结构元素的一个或多个测量、表示结构元素的结构和/或图案的特征，诸如例如，边缘、角、像素强度等。提取的特征可用于模拟对应于SEM图像的设计图像(例如，模拟CAD图像)。
在获得试样的设计数据后，可基于设计数据来执行图像模拟以模拟由半导体试样的一种或多种物理工艺引起的一种或多种效应。根据某些实施例，效应可指由以下物理工艺中的一者或多者引起的变化：制造/加工工艺(例如，通过光刻工具将试样的设计图案印刷在晶片上)、扫描工艺和查验工具中的信号处理工艺等，如下文将进一步详细地描述的。
举例来说，可模拟由制造工艺引起的效应。模拟图像表示设计图像中的设计图案实际上如何出现在晶片上。换句话说，模拟将设计意图布局转移到晶片上预期的经处理的图案。这种模拟也称为步进模拟，并且可例如通过将CAD数据(例如，以光栅化CAD的形式)与步进束形状滤波器进行卷积来执行。步进模拟假定步进光束的高斯形状。例如，晶片上的图案可被定义为二进制CAD图像与模拟步进光束形状的高斯滤波器的卷积的阈值化。在一些情况下，在这种模拟期间可考虑工艺变化(PV)。工艺变化可指由试样的制作工艺的变化引起的变化。举例来说，制造工艺可能导致在不同图像之间的某些结构/图案的轻微移位/缩放/扭曲，这导致图像中的图案变化。作为另一个示例，制造工艺可能导致试样厚度变化，这影响反射率，进而影响所得的图像的灰度级。例如，管芯间材料厚度变化可能造成在管芯中的两个管芯之间的反射率不同，从而引起两个管芯的图像具有不同背景灰度级。
在一些情况下，任选地，除了如上所述的由制造工艺引起的效应之外，还可模拟由查验工具的扫描工艺引起的效应。扫描工艺是指由查验工具扫描试样时的工艺，从而生成查验信号。模拟图像表示如来自试样的电子的场且在进入检测器进行进一步信号处理之前生成的查验信号。举例来说，可通过SEM工具的SEM束扫描试样，由此获得进入SEM检测器的SEM信号。在这种情况下，本模拟旨在模拟进入SEM检测器的SEM信号。如所已知，SEM束具有高斯形状。例如，SEM信号可通过晶片电子场(由来自假设零宽度电子束的信号表示)与SEM束(由SEM点扩散函数(PSF)表示)的卷积来获得。晶片电子场可基于第一模拟图像上呈现的晶片形貌来限定。为了简单起见，在一些情况下，可认识到，晶片电子场与第一模拟图像上的晶片形貌的图案成比例，并且与图案的材料性质有关。
在一些情况下，任选地，除了如上所述的由制造工艺引起的效应和/或由扫描工艺引起的效应之外，还可模拟由查验工具的信号处理工艺引起的效应。信号处理过程是指查验工具中的信号处理模块处理查验信号(例如，SEM信号)，从而产生输出查验图像(例如，SEM图像)的信号处理路径。模拟反映信号路径对信号和噪声两者的影响。在一些情况下，它可基于统一随机、确定性、连续和离散行为的广义理论。
应注意，上文举例说明的效应可单独地或组合地进行模拟，并且本公开不限于如何基于设计数据来具体地执行模拟。举例来说，在通过SEM工具查验试样的情况下，通过模拟以上效应中的一者或多者产生的模拟图像是模拟SEM图像。
在一些实施例中，任选地，可对模拟图像执行(304)图像增强，以进一步模拟/合成表示制造工艺和/或查验工艺的物理效应/现象的一种或多种变化。一般来说，图像的增强可通过各种图像处理技术来提供，各种图像处理技术包括添加噪声、模糊、几何变换(例如，旋转、拉伸、模拟不同角度、裁剪、缩放等)、色调映射、改变图像的一个或多个像素的矢量信息(例如，添加和/或修改视角或获取通道等)等。
举例来说，灰度级变化可能是由试样的查验工艺的物理效应引起的。举例来说，即使在具有相同分辨率的同一晶片的同一位置处捕获时，由不同查验工具拍摄的图像的灰度级也可能存在一定程度的差异。这可能是由例如查验工具/检测器等的不同物理配置和校准引起的。附加地，从晶片的不同位置拍摄的图像的灰度级也可能不同。因此，基于由除了捕获运行时图像的工具之外的工具捕获的图像和/或基于针对晶片的不同位置捕获的图像来训练ML模型可能恶化ML模型的泛化能力。
因此，可调整图像中的灰度级强度来模拟这种效果。举例来说，对于图像，可生成图像块的像素值直方图，并且可在偏差范围内随机选择灰度级偏差数并将其应用于直方图。包括这种增强图像的训练集将使得能够提高对工具变化的稳健性并降低从多个工具收集训练数据的必要性。作为另一个示例，还可通过改变图像块的对比度来调整图像的灰度级强度。例如，可拉伸图像块的像素值直方图以获得更好的对比度。
根据进一步实施例，灰度级变化可包括色彩变化(CV)。色彩变化可能发生在单个图像内(例如，由于层厚度变化)或发生在运行时图像与训练图像之间。CV可源于不同工具校准并可由图像中灰度级(GL)的局部变化表征。为了解决这种效应，可增强原始图像以使其具有不同的期望水平的添加变化。因此，包括这种增强图像的训练集将使得能够增强对运行时图像中的色彩变化的稳健性。
附加地或替代地，可模拟/合成的物理工艺的其他可能的效应可包括但不限于：噪声(例如，每个灰度级强度包含不同尺度的噪声强度)、聚焦误差(例如，一些图案比其他图案对聚焦误差更敏感)、充电效应(这可能使运行时图像与参考图像之间产生人为差异并可能严重影响查验工艺)、四检测器校准(这可能是次佳的，从而导致图像在不同视角内重叠)等。
应注意，虽然图像模拟(参考框402)和增强(参考框404)在图4中被示出为两个单独步骤，但是在一些情况下，增强可被视为图像模拟过程的一部分，因为它们都是为了模拟由半导体试样的一个或多个物理工艺(诸如制造工艺、查验工艺等)引起的各种效应/变化而执行。在这种情况下，图像增强也可被视为任选步骤，因为其功能可集成在图像模拟过程中。
在生成模拟图像(有或没有增强)时，可为模拟图像生成地面真值测量数据(406)。由于图像是基于典型地与其结构元件的相应地面真值数据相关联的设计数据来模拟的，因此对应于设计数据的模拟图像也可与相应地面真值数据相关联。
在一些情况下，任选地，可将原始设计数据中的结构元素的大小改变为不同比例，从而生成与不同测量数据(具有不同的比例/大小)相关联的附加设计数据。因此，可生成对应于附加设计数据并与不同地面真值测量数据相关联的附加模拟图像。
返回参考图2，一旦生成训练集(有或没有合成训练图像)，就可使用训练集和一个或多个成本函数(例如，由训练模块106)来训练ML模型(例如，E2E学习模型)(204)。
如上所述，可在训练之前初始地选择ML模型的加权值和/或阈值，并且可在训练期间进一步迭代地调整或修改所述该加权值和/或阈值，以在经训练的ML模型中实现最佳加权值和/或阈值集。在每次迭代之后，取决于具体的成本函数，可确定由ML模型产生的实际输出和与相应训练数据相关联的目标输出之间的差值。该差值可被称为误差值。当指示一个或多个误差值的一个或多个成本函数小于相应预定值时，或者当实现在迭代之间的性能的受限改变时，可确定训练已经完成。
一个或多个成本函数可被具体地配置为评估由E2E学习模型输出的多个训练图像和对应训练测量数据的一个或多个计量基准。一个或多个计量基准可选自以下项：精度、相关性、匹配等。
精度是指对试样的同一区域/位点的同一特征(使用同一计量工具)进行独立测量之间的一致性的接近度。举例来说，高精度表示同一特征的独立测量是可重复的(即，测量彼此之间具有较小偏差，并且测量分布相对接近)。在一些实施例中，精度可被视为测量可重复性。在一些其他实施例中，精度可包括两个部分：可重复性和再现性。可重复性是指测量结果分布的度量，其中在试样的同一位点上重复进行连续测量，并且无需任何操作员干预。重复测量内的变化的原因可能主要是由于工具信号(例如，SEM信号)的统计性质以及配方中包括的测量算法对新信号组的解释。再现性是指测量结果分布的另一种度量，其中测量是在不同时间从同一试样的不同位点获得的。它考虑了在独立测量之间的其他变化来源：晶片对准、SEM自动对焦、模式识别、工具稳定性等。
当相对于训练数据评估ML性能时，精度可指示通过一种计量工具针对试样上的给定特征(例如，来自试样的给定区域/位点的结构特征，或者来自试样的不同区域/位点的相同类型的特征)获取的不同训练图像的训练测量数据的可重复性。
成本函数可被配置为评估精度标准。举例来说，成本函数可与通过基于精度测量来计算不同训练图像的训练测量数据之间的偏差而获得的精度得分相关。“CD-SEMPrecision–Improved Procedure&Analysis(CD-SEM精度——改进的过程和分析)”,SPIE会议录3677,Metrology,Inspection,and Process Control for Microlithography XIII(显微光刻的计量、检查和工艺控制XVIII)中描述了计算精度得分的示例，该文献全文以引用方式并入本文。
匹配是指表示不同工具之间测量偏差的计量指标/基准，因此也称为工具间匹配。因此，匹配涉及由不同计量工具获取的相同给定特征的不同训练图像的训练测量数据的可重复性。为了评估这种基准，应当在训练数据收集/准备阶段期间收集由不同计量工具获取的训练图像(例如，查验工具120可包括多个计量工具)。用于评估匹配标准的成本函数可与如上所述类似地配置，例如通过基于匹配测量来计算由不同计量工具获取的不同训练图像的训练测量数据之间的偏差。
相关性是指训练图像的训练测量数据和与其相关联的相应地面真值测量数据之间的关系。用于评估相关标准的成本函数可被配置为表示训练测量数据与相应地面真值测量数据之间的差异。
参考图6，示意性地示出了根据本公开主题的某些实施例的训练ML模型来进行工具间匹配的示例。
如图所示，试样上的给定特征(例如，触点)的一个或多个训练图像602由计量工具A获得，并且相同特征的一个或多个训练图像604由不同的计量工具B获得。训练图像602和604可分别通过参考计量算法606处理，所述参考计量算法诸如例如上文参考图5所述在参考计量系统504中使用的传统算法，从而获得其相应测量数据。如图6所示的失配CD 608可表示训练图像602和604的相应测量数据和/或相应测量数据之间的差异。由两个工具产生的训练图像602和604连同其失配CD 608可构成用于训练ML模型610(诸如上述E2E学习模型)的训练集。
具体地，图7示出了根据本公开主题的某些实施例的用于工具间匹配的训练数据收集的两个示例。
数据收集方案700示出了获得两个训练子集A和B。训练子集A是通过用工具1(在图中表示为T1)获取试样上的给定特征的一个或多个位点的第一训练图像序列702并然后用不同工具2(图中表示为T2)获得试样上的相同一个或多个位点的第二训练图像序列704来获得的。例如，在晶片上有一个要查验的位点的情况下，工具1可获得该位点的第一训练图像序列，之后将晶片放置在工具2上以获取同一位点的第二训练图像序列。在晶片上有多个位点1-N要查验的情况下，工具1可按特定顺序扫描多个位点并获取每个位点的第一训练图像序列。一旦晶片被放置在工具2上，工具2就可按照相同顺序扫描这些位点并获得每个位点的第二训练图像序列。
训练子集B以与上述类似的方式获得，只是以与用两个工具的图像获取相反的顺序。即，首先通过工具2扫描试样，并且通过工具2针对一个或多个位点获取第一训练图像序列706，随后通过工具1扫描试样并通过工具1获取一个或多个位点的第二训练图像序列708。
使用包括训练子集A和B两者的训练集来训练ML模型610。通过两个工具创建具有相应检查顺序的两个训练子集可用于补偿由顺序扫描过程引起的某些物理效应的目的，所述物理效应诸如例如、在扫描期间在试样上建立的充电效应、对试样的物理影响等。例如，通过电子束工具(诸如SEM)重复扫描试样上的特定位点，以便获取图像序列。在扫描期间，由电子束引起的表面电荷不断累积在该位点上，这可能导致扫描故障和图像伪影，诸如例如，总体图像失真和/或图像消失等。重复扫描还会对试样产生物理影响，这种影响的一个示例是收缩。这种图像伪影和物理影响会影响图像的测量数据，并且导致越来越无法准确测量关键集成器件尺寸。
因此，由于累积物理效应，与由另一个工具较早扫描的图像相比，由一种工具较晚扫描该位点产生的图像可能遭受更多的图像伪影。当学习包括这种图像的训练集时，ML模型可能被误导并将这种图像伪影作为工具间偏差的一部分学习。使用从相对于两个工具的不同检查顺序获取的两个训练子集(诸如上述训练子集A和B)而由此假定遭受相反的图像伪影可为彼此补偿图像伪影并使ML模型能够学习工具之间的实际偏差。以这种方式训练的ML模型可提供具有提高的运行时准确性的匹配测量。
替代地，示出了另一数据收集方案710。对于多个工具1-N，获得N个训练子集。具体地，对于工具1，从管芯1-M的M个位点获取M个图像的第一序列/子集。每个位点是从相应管芯中的特定位置(例如，子管芯)选择的。例如，如图所举例说明，将来自管芯1的位点选择为位于管芯1左上角的子管芯，将管芯2的位点选择为管芯2的中心子管芯，而将来自管芯3的位点选择为位于管芯3的左下部分的子管芯等。对于工具2，从管芯1-M的M个位点获得M个图像的第二序列，其中作为有序子集的M个位点，与针对工具1选择的M个位点不同地被选择。例如，将来自管芯1的位点选择为管芯1的中心子管芯，将来自管芯2的位点选择为位于管芯2的右下部分的子管芯，而将来自管芯3的位点选择为位于管芯3的左上部分的子管芯等。在一些情况下，对于每个工具，M个位点的选择可以是随机的，只要对于每个管芯，由N个工具仅扫描管芯中的每个位点一次即可。例如，如710所示，对于管芯1，多个工具1-N中的每个工具扫描管芯中的不同位点。
使用通过不同工具从试样的不同位点获取的训练子集，如710所举例说明，可避免对同一位点的多次扫描，从而减少如上所述的试样的物理效应和图像伪影对测量的影响。
继续图6的描述，一旦获得包括由两个工具产生的训练图像602和604以及其间的失配CD 608的训练集，就可使用该训练集来训练ML模型610。
可具体地配置一个或多个成本函数(也称为损失函数)来评估匹配的计量指标/基准。举例来说，可通过计算由不同计量工具获取的不同训练图像的训练测量数据之间的差异来配置用于评估匹配的成本函数。
举例来说，在上述数据收集方案700中，对于训练子集A，可获得训练图像702和704的相应测量值。类似地，可获得训练子集B的训练图像706和708的相应测量值。成本函数可配置如下：
表示来自训练子集A的训练图像i的预测测量(即训练测量数据)，并且/>表示来自训练子集B的相应训练图像i的预测测量。通过最小化成本函数的值来优化ML模型，成本函数表示用于评估两个(或更多个)训练子集的相应预测测量之间的差异的差异度量。在一些情况下，差异度量可以是基于距离的。这种差异度量的示例可包括例如Lasso、Ridge回归、Lp范数(p可以是任何整数)等，其也适用于多个工具(例如多于两个工具)的情况。例如，在使用多个工具的情况下，可将其配置为最小化每个工具的测量与所有工具的测量的平均值的距离。
作为另一个示例，在上述数据收集方案710中，可获得每个工具获取的M个图像的M个预测测量，并且可基于其M个测量值导出每个工具的平均测量值。成本函数可被配置如下：
L匹配＝f(统计量度T1(ypred),统计量度T2(ypred))
统计度量T1(ypred)表示应用于工具1的M个预测测量的统计测量，诸如例如，均值、方差、偏度等。统计度量T2(ypred)表示应用于工具2的M个预测测量的统计测量。通过最小化成本函数f的值来优化ML模型，该函数表示两个工具的预测测量的统计数据之间的差异。在多个工具(例如，两个以上工具)的情况下，可将其配置为最小化每个工具的统计数据与所有工具的统计数据的平均值的差异。
ML模型一旦使用被具体地配置用于评估匹配的成本函数进行训练，就可在运行时用于处理来自任何工具的输入图像并以减小的工具间偏差提供运行时测量(也称为匹配测量)。
在一些实施例中，除了匹配之外，ML模型还被优化以满足精度和/或相关性的计量度量/基准。举例来说，配置为评估精度的成本函数可举例说明如下：
L精度＝差异度量(y1,y2,…yn)
y1到yn表示扫描给定位点具体n遍的预测测量。通过最小化成本函数的值来优化ML模型，该成本函数表示用于评估具体n遍的预测测量之间差异的差异度量。与上面描述的类似，差异度量可以是例如每遍的测量与多遍的平均测量的距离的方差或任何Lp范数(p可以是任何整数)等。
出于评估相关性的目的，需要提供地面真值测量数据。如上所述，失配CD 608可表示训练图像602和604的相应测量数据(其可例如通过使用参考计量算法处理训练图像来获得，如参考图6所述)和/或在相应测量之间的差异。在一些情况下，失配CD 608可充当与训练图像602和604相关联的地面真值测量数据。举例来说，被配置为评估相关性的成本函数可举例说明如下：
L相关＝差异度量(ytrue,ypred)
ypred表示ML模型的预测测量。ytrue表示失配CD 608，例如由参考计量算法606提供的来自两个工具的测量数据。可通过最小化成本函数的值来优化ML模型，该成本函数表示用于评估预测测量与相应地面真值测量值之间差异的差异度量。
应注意，在一些情况下，可针对多个工具中的至少一个来评估精度和/或相关性，但是训练图像和地面真值数据可对于所有工具可用。例如，在图6的示例中，在一些情况下，可确定只针对工具A或工具B评估精度和/或相关性。
在一些实施例中，ML模型可被优化以满足匹配、精度和相关性的计量基准。在这种情况下，ML模型的总成本函数可包括针对特定基准配置的特定成本函数的各个组成部分，其中可将相应权重应用于特定成本函数。例如，总成本函数可表示如下：
L总＝α1L相关+α2L匹配+α3L精度
ML模型一旦使用由上述三个组件配置的总成本函数进行训练，就可在运行时用于处理来自任何工具的输入图像，并提供没有工具间偏差的运行时测量，同时满足相关性和精度要求。
在一些情况下，任选地，除了上述示例性组成部分之外或代替上述示例性组成部分，可在总损失函数中添加一个或多个附加损失函数，并且本公开不限于总成本函数中包括的组成部分的具体表示和/或数量。
在一些实施例中，除了上述示例性组成部分之外或代替上述示例性组成部分，还可评估一个或多个附加计量基准，诸如例如，灵敏度。灵敏度是指测量对试样的特征的大小的变化的敏感程度。举例来说，如果试样的特征(例如，结构元件的宽度)从10nm变化到10.1nm，则高灵敏度指示相应测量应该对这种比例变化敏感，并且测量应该反映这种改变。在训练集包括具有变化大小的训练图像(诸如，如上所述，具体地用某些结构元素的变化大小模拟的合成训练图像)及其相应地面真值数据的情况下，可评估灵敏度。
例如，可通过估计多个训练测量数据和相关联的地面真值数据之间的线性回归函数来配置用于评估灵敏度标准的成本函数。举例来说，线性回归可被估计为例如训练测量数据＝增益*地面真值+偏移。
在一些实施例中，一个或多个计量基准的标准可根据客户的规范和/或基于先前的查验经验来预先确定。
一旦训练ML模型，经训练的ML模型就可在运行时使用，以获得特定计量应用的运行时测量数据。
现在参考图3，示出了根据本公开主题的某些实施例的针对计量应用使用经训练的ML对半导体试样的运行时查验的一般化流程图。
在试样的运行时查验期间，可(例如，由查验工具120)获得(302)半导体试样的运行时图像。
可将运行时图像提供(304)作为端到端(E2E)学习模型(例如，PMC 102中的ML模型108)的输入进行处理，由此获得特定于计量应用的运行时测量数据作为E2E学习模型的输出。ML模型先前根据上文参考图2和图4描述的工艺针对特定计量应用进行训练。如上所述，E2E学习模型可使用各种ML模型来实现。举例来说，E2E学习模型被实现为CNN。
具体地，先前使用包括试样的多个训练图像和与其相关联的相应地面真值测量数据的训练集和被具体地配置为针对多个训练图像和由E2E学习模型输出的对应的训练测量数据评估一个或多个计量基准的一个或多个成本函数来训练ML。一个或多个计量基准可选自包括以下项的组：指示通过一种计量工具针对试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在训练图像的训练测量数据和与其相关联的相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对给定特征获取的不同训练图像的训练测量数据的可重复性的匹配。
根据某些实施例，在训练ML模型来评估匹配的计量基准的情况下，如上文参考图6所述，本公开内容设想了一种用于查验半导体试样的计算机化计量系统和方法，包括获得半导体试样的运行时图像，以及将运行时图像作为输入提供到端到端(E2E)学习模型进行处理，由此以减小的工具间偏差获得特定于计量应用的运行时测量数据作为E2E学习模型的输出。针对计量应用预先使用训练集和至少一个成本函数来训练E2E学习模型，所述训练集包括由至少两个计量工具获取的至少两个训练图像序列，所述至少一个成本函数被具体地配置为基于至少两个训练图像序列的训练测量数据来评估至少两个计量工具之间的工具间匹配，该匹配指示至少两个训练图像序列的训练测量数据的可重复性/偏差。任选地，可添加一个或多个附加成本函数来评估附加计量基准，所述附加成本函数诸如精度和/或相关性等。
在一些实施例中，任选地，当前公开的计量系统还可被进一步配置为提供关于运行时测量数据的说明性/解释性。举例来说，可解释性可由热图提供，该热图视觉地表示运行时图像和运行时测量数据(或训练图像和对应的训练测量数据之间)的像素贡献的相关性。
举例来说，这种热图可通过使用以下工具/算法中的一者来提供：局部可解释的模型无关解释(LIME)、SHApley加法解释(SHAP)和梯度加权类激活映射(Grad-CAM)。这种算法可用于可视化ML模型(诸如卷积神经网络(CNN))的类激活图，从而允许验证网络是否“正在查看”输入图像的正确位置/模式、哪些神经元在在推理/预测期间在前向传递中激活、以及网络如何到达最终输出。例如，Grad-CAM通过查找网络中的最终卷积层并查验流入最终层的梯度信息来工作。基于输出的热图，可了解网络是否正确学习以及是否收集附加训练数据并重复训练过程。
举例来说，对于表示诸如触点之类的结构元素的输入图像，提供的热图可突出显示对ML模型的输出具有高贡献/影响的感兴趣像素。例如，在应用是CD计量应用的情况下，其中ML模型被配置为基于输入图像提供CD测量，诸如例如触点的直径，由例如Grad-CAM提供的热图可突出显示接近触点边缘的一系列像素并表示触点的边缘轮廓(在一些情况下作为边缘的3D轮廓)。热图可提供对机器学习模型“查看了”图像中的大范围像素的指示来得出结论，而不是像参考计量系统中通常的情况那样仅依赖有限的轮廓信息。
根据某些实施例，E2E学习模型可被实现为针对多个计量应用的多任务学习模型。举例来说，多任务学习模型通常可通过在所有任务之间共享DNN中的某些隐藏层，同时为不同的任务保留若干特定于任务的输出层来实现。使用这种学习模型使得能够并行学习多个学习任务，共享相关任务之间的表示，并利用相关任务的训练信号中的信息，从而与针对相应任务分别训练模型相比，提高任务特定层的学习效率和预测准确度。例如，E2E学习模型可被实现为针对CD计量应用、套刻应用和CDU应用的多任务学习模型。在这种情况下，应当根据多个计量应用准备多个训练集或具有多个地面真值数据的训练集。
在一些情况下，查验工具是电子束工具，诸如SEM。SEM图像可通过聚集由SEM针对半导体试样的区域顺序捕获的一系列帧来生成。为了获得更高品质(例如，更高的信噪比(SNR))的SEM图像，针对该区域捕获的帧数必须达到一定量，从而减少所得图像中的噪声。具体地，在如上所述的参考计量系统504中，图像分割的准确度很大程度上依赖于所获取的图像的品质。因此，可用于参考系统504的输入SEM图像需要SEM工具捕获相对大量的帧(诸如例如，64至96个帧)，这消耗了工具的大量突发时间，从而减少查验吞吐量。使用不依赖于图像分割的当前公开的计量系统524，可显著地减少所需的帧数量(例如，从96帧到16帧)，从而将突发时间显著地减少数倍，并且提高工具吞吐量。
应注意，本公开内容中示出的示例(诸如例如，示例性计量应用、示例性计量基准、参考计量系统中的多个处理模块、示例性物理效应、图像模拟和增强技术等)，是出于示例性目的示出的，并且不应当被视为以任何方式限制本公开。除了或代替以上内容，可使用其他适当的示例/实施方式。
本文描述的本公开主题的某些实施例的优点之一是提供使用E2E学习模型的优化的计量系统，代替参考计量系统中使用的处理模块链，从而允许使用与计量基准直接相关的单个优化标准，而不是在不同标准下单独优化多个模块中的每个模块。这种系统架构简单、复杂度低，使得能够基于计量基准评估直接进行优化，最小化用户干预的必要性和依赖，从而有效提高测量性能。举例来说，与参考计量系统相比，计量基准(例如，所提出的计量系统的精度和相关性)被证明显著地提高了几倍。
特别是，这种系统设计不依赖于图像分割，从而节省了用于调整和优化分割模块的计算功率和资源。此外，避免图像分割还可显著地减少每个输入图像获取的帧数(例如，从96帧减少到16帧)，从而将工具的突发时间显著地减少了几倍，并且提高工具吞吐量。
如本文所述的本公开主题的某些实施例的进一步优点之一是能够提供运行时测量数据并具有减小的工具间偏差的优化的计量系统。这是通过使用训练集和专为计量系统中的E2E学习模型具体地配置的一个或多个成本函数来训练计量系统中的E2E学习模型以满足工具间匹配基准而实现的。任选地，除了工具间匹配之外，还可添加一个或多个附加成本函数来训练学习模型以满足精度和/或相关性基准。以这种方式训练的学习模型可提供具有减小的工具间偏差的测量数据，同时满足精度和/或相关性标准。
如本文所述的本公开主题的某些实施例的进一步优点之一是生成用于训练E2E学习模型的足够的训练数据，包括基于试样的设计数据模拟的合成训练图像。模拟和增强可模拟由一种或多种物理工艺(诸如试样的制造工艺和/或查验工艺)引起的一种或多种效应/变化，由此以受控偏差量提高训练数据的多样性。另外，通过自动地生成模拟图像的模拟地面真值数据，还可提高地面真值数据的准确性。
使用丰富的训练集来训练E2E学习模型，可减少干扰效应对经训练模型的影响，并提高经训练模型针对不同应用实现的稳健性和有效性。
如本文所述的本公开主题的某些实施例的进一步优点之一是由视觉地表示运行时图像和运行时测量数据的像素贡献的相关性的热图提供的可解释性。这种热图可通过使用梯度加权类激活映射(Grad-CAM)算法来提供。这种能力允许验证网络是否“正在查看”输入图像的正确位置/模式，以及网络如何得出最终输出，从而了解网络是否正确学习以及是否收集额外的训练数据和重复训练过程。
将理解，本公开在其应用方面不限于本文所含的描述中阐述或附图中示出的细节。
还将理解，根据本公开内容的系统可至少部分地实施在适当编程的计算机上。同样地，本公开设想了可由计算机读取来执行本公开的方法的计算机程序。本公开进一步设想有形地具体体现可由计算机执行来执行本公开内容的方法的指令程序的非暂态计算机可读存储器。
本公开能够具有其他实施例或能够以各种方式实践和进行。因此，将理解，本文采用的措辞和术语是出于描述的目的，并且不应当被视为限制性的。因此，本领域技术人员将了解，本公开基于的构思可易于用作设计用于进行本公开主题的若干目的的其他结构、方法和系统的基础。
本领域技术人员将易于了解，可在不背离本公开的在所附权利要求书中并由其限定的范围的情况下对如前文所述的本公开的实施例应用各种修改和改变。

Claims (20)

1.一种用于查验半导体试样的计算机化计量系统，所述系统包括处理和存储器电路系统(PMC)，所述PMC被配置为：
获得所述半导体试样的运行时图像；以及
将所述运行时图像作为输入提供到端到端(E2E)学习模型以进行处理，由此获得特定于计量应用的运行时测量数据作为所述E2E学习模型的输出，其中所述E2E学习模型先前使用以下项针对所述计量应用进行训练：
训练集，所述训练集包括所述试样的多个训练图像和与其相关联的相应地面真值测量数据；以及
一个或多个成本函数，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括以下项的组的一个或多个计量基准：指示通过一种计量工具针对所述试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在所述训练图像的训练测量数据和与其相关联的所述相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对所述给定特征获取的不同训练图像的训练测量数据的可重复性的匹配。
2.根据权利要求1所述的计算机化系统，其中所述E2E学习模型是被配置为基于所述运行时图像来直接地导出所述运行时测量数据的单一机器学习(ML)模型，所述单一ML模型可用于替代参考计量系统中使用的多个处理模块，包括图像预处理模块、图像分割模块和测量模块。
3.根据权利要求2所述的计算机化系统，其中所述运行时图像是通过电子束工具获取的，并且所述电子束工具的用于捕获所述运行时图像的突发时间相对于用于捕获所述参考计量系统的输入图像的所述突发时间减少。
4.根据权利要求1所述的计算机化系统，其中所述训练集包括通过至少两个计量工具获取的至少两个训练图像序列，并且其中所述一个或多个成本函数包括给定成本函数，所述给定成本函数被具体地配置为基于所述至少两个训练图像序列的所述训练测量数据来评估在所述至少两个工具之间的所述匹配。
5.根据权利要求4所述的计算机化系统，其中通过所述至少两个计量工具中的相应计量工具获取所述至少两个训练图像序列中的每个序列以捕获所述试样上的所述给定特征的相应位点序列，并且其中所述给定成本函数表示在所述至少两个训练图像序列的相应训练测量数据的平均测量数据之间的差值。
6.根据权利要求4所述的计算机化系统，其中所述训练集包括第一子集和第二子集，所述第一子集包括通过计量工具针对所述试样上的所述给定特征的一个或多个位点获取的第一训练图像序列和在获取所述第一序列之后通过不同计量工具针对所述一个或多个位点获取的第二训练图像序列，并且所述第二子集包括通过所述不同计量工具针对所述一个或多个位点获取的第一训练图像序列和在获取所述第一序列之后通过所述计量工具针对所述一个或多个位点获取的第二训练图像序列，并且其中所述给定成本函数表示在所述两个子集中的对应训练图像的训练测量数据之间的差值。
7.根据权利要求4所述的计算机化系统，其中所述一个或多个成本函数进一步包括至少一个附加成本函数，所述至少一个附加成本函数被具体地配置为评估至少一种计量工具的所述精度或所述相关性中的至少一者。
8.根据权利要求1所述的计算机化系统，其中所述计量应用是以下项中的一者：关键尺寸(CD)计量、套刻(OVL)、基于测量的检查(MBI)、关键尺寸均匀性(CDU)、CAD意识(CADA)和光刻工艺控制。
9.根据权利要求1所述的计算机化系统，其中所述训练集包括基于所述半导体试样的设计数据模拟的一个或多个合成图像和为此自动地生成的地面真值测量数据。
10.根据权利要求9所述的计算机化系统，其中所述一个或多个合成图像是通过以下操作生成的：基于所述半导体试样的所述设计数据执行模拟，产生一个或多个模拟图像，以及对所述模拟图像执行增强，由此模拟所述试样的一个或多个物理工艺的一个或多个物理效应。
11.根据权利要求1所述的计算机化系统，其中所述地面真值数据包括以下项中的一者或多者：通过使用包括多个处理模块的参考计量系统处理所述训练图像生成的测量数据、基于测试试样从客户获得的测量数据、以及为模拟图像自动地生成的测量数据。
12.根据权利要求1所述的计算机化系统，其中所述PMC被进一步配置为提供关于所述运行时测量数据的可解释性。
13.根据权利要求12所述的计算机化系统，其中所述可解释性是由热图提供的，所述热图视觉地表示所述运行时图像和所述运行时测量数据的像素贡献的相关性。
14.根据权利要求1所述的计算机化系统，其中所述E2E学习模型是针对多个计量应用的多任务学习模型。
15.一种计算机化方法，所述方法包括：
生成训练集，关于计量应用，所述训练集包括半导体试样的多个训练图像和与其相关联的相应地面真值测量数据；以及
使用所述训练集和一个或多个成本函数针对所述计量应用训练端到端(E2E)学习模型，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括以下项的组的一个或多个计量基准：指示通过一种计量工具针对所述试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在所述训练图像的训练测量数据和与其相关联的所述相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对所述给定特征获取的不同训练图像的训练测量数据的可重复性的匹配；
其中所述E2E学习模型在被训练后可用于处理所述半导体试样的运行时图像并获得特定于所述计量应用的运行时测量数据。
16.根据权利要求15所述的计算机化方法，其中所述E2E学习模型是被配置为基于所述运行时图像来直接地导出所述运行时测量数据的单一机器学习(ML)模型，所述单一ML模型可用于替代参考计量系统中使用的多个处理模块，包括图像预处理模块、图像分割模块和测量模块。
17.根据权利要求16所述的计算机化方法，其中所述运行时图像是通过电子束工具获取的，并且所述电子束工具的用于捕获所述运行时图像的突发时间相对于用于捕获所述参考计量系统的输入图像的所述突发时间减少。
18.根据权利要求15所述的计算机化方法，其中所述训练集包括通过至少两个计量工具获取的至少两个训练图像序列，并且其中所述一个或多个成本函数包括给定成本函数，所述给定成本函数被具体地配置为基于所述至少两个训练图像序列的所述训练测量数据来评估在所述至少两个工具之间的所述匹配。
19.根据权利要求18所述的计算机化方法，其中通过所述至少两个计量工具中的相应计量工具获取所述至少两个训练图像序列中的每个序列以捕获所述试样上的所述给定特征的相应位点序列，并且其中所述给定成本函数表示在所述至少两个训练图像序列的相应训练测量数据的平均测量数据之间的差值。
20.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质有形地具体体现指令程序，所述指令程序当由计算机执行时使所述计算机执行用于查验半导体试样的计量方法，所述方法包括：
获得所述半导体试样的运行时图像；以及
将所述运行时图像作为输入提供到端到端(E2E)学习模型以进行处理，由此获得特定于计量应用的运行时测量数据作为所述E2E学习模型的输出，其中所述E2E学习模型先前使用以下项针对所述计量应用进行训练：
训练集，所述训练集包括所述试样的多个训练图像和与其相关联的相应地面真值测量数据；以及
一个或多个成本函数，所述一个或多个成本函数被具体地配置为针对所述多个训练图像和由所述E2E学习模型输出的对应训练测量数据评估来自包括以下项的组的一个或多个计量基准：指示通过一种计量工具针对所述试样上的给定特征获取的不同训练图像的训练测量数据的可重复性的精度，在所述训练图像的训练测量数据和与其相关联的所述相应地面真值测量数据之间的相关性，以及指示通过不同计量工具针对所述给定特征获取的不同训练图像的训练测量数据的可重复性的匹配。
CN202311168189.0A 2022-09-19 2023-09-11 用于半导体试样的端对端测量 Pending CN117726895A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/947,972 2022-09-19
US17/947,972 US20240105522A1 (en) 2022-09-19 2022-09-19 End-to-end measurement for semiconductor specimens

Publications (1)

Publication Number Publication Date
CN117726895A true CN117726895A (zh) 2024-03-19

Family

ID=90205855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311168189.0A Pending CN117726895A (zh) 2022-09-19 2023-09-11 用于半导体试样的端对端测量

Country Status (3)

Country Link
US (1) US20240105522A1 (zh)
KR (1) KR20240039595A (zh)
CN (1) CN117726895A (zh)

Also Published As

Publication number Publication date
US20240105522A1 (en) 2024-03-28
KR20240039595A (ko) 2024-03-26

Similar Documents

Publication Publication Date Title
CN110189288A (zh) 生成可用于半导体样本的检查的训练集的方法和其系统
US20240078659A1 (en) Defect examination on a semiconductor specimen
TWI786570B (zh) 生成可用於檢查半導體樣本的訓練集
US20220210525A1 (en) Prediction of electrical properties of a semiconductor specimen
CN118485594A (zh) 用于检查半导体样本的图像去噪
CN117726576A (zh) 用于基于机器学习的缺陷检查的图像增强
CN116823711A (zh) 基于机器学习的半导体样品的检查及其训练
US11961221B2 (en) Defect examination on a semiconductor specimen
CN117094938A (zh) 半导体样品的缺陷检测
US20240105522A1 (en) End-to-end measurement for semiconductor specimens
TW202431457A (zh) 用於半導體試樣的端對端測量
US20240281956A1 (en) Machine learning based examination for process monitoring
US11686571B2 (en) Local shape deviation in a semiconductor specimen
US11443420B2 (en) Generating a metrology recipe usable for examination of a semiconductor specimen
US20240338811A1 (en) Machine learning based defect examination for semiconductor specimens
US20240193756A1 (en) Automatic segmentation of an image of a semiconductor specimen and usage in metrology
US20240281958A1 (en) Machine learning based yield prediction
IL309325B1 (en) A match-based examination of defects in semiconductor samples
US20240219313A1 (en) Measurement deviation analysis for a semiconductor specimen

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication