CN117751379A - 带电粒子检查中的图像失真校正 - Google Patents

带电粒子检查中的图像失真校正 Download PDF

Info

Publication number
CN117751379A
CN117751379A CN202280048219.1A CN202280048219A CN117751379A CN 117751379 A CN117751379 A CN 117751379A CN 202280048219 A CN202280048219 A CN 202280048219A CN 117751379 A CN117751379 A CN 117751379A
Authority
CN
China
Prior art keywords
image
alignment
model
inspection
inspection image
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
CN202280048219.1A
Other languages
English (en)
Inventor
梁浩毅
陈志超
浦凌凌
张芳诚
于良江
王喆
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.)
ASML Holding NV
Original Assignee
ASML Holding NV
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 ASML Holding NV filed Critical ASML Holding NV
Publication of CN117751379A publication Critical patent/CN117751379A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)

Abstract

公开了一种用于校正检查图像的失真的改进的系统和方法。一种用于校正检查图像的失真的改进方法包括获取检查图像，基于与检查图像相对应的参考图像来对准检查图像的多个图像块，通过机器学习模型评估多个图像块中的每个图像块与参考图像的对应图像块之间的对准，基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果，基于局部对准结果来确定对准模型，以及基于对准模型来校正检查图像的失真。

Description

带电粒子检查中的图像失真校正
相关申请的交叉引用
本申请要求于2021年7月9日提交的美国申请63/220,370的优先权，该申请通过引用整体并入本文。
技术领域
本文中提供的实施例涉及图像增强技术，并且更具体地涉及用于带电粒子束检查图像的失真校正机制。
背景技术
在集成电路(IC)的制造过程中，对未完成或已完成的电路组件进行检查，以确保它们是根据设计而制造的，并且没有缺陷。可以采用利用光学显微镜或带电粒子(例如，电子)束显微镜(诸如扫描电子显微镜(SEM))的检查系统。随着IC组件的物理尺寸不断缩小，缺陷检测的准确性和良率变得更加重要。诸如SEM图像等检查图像可以用于标识或分类制造的IC的(多个)缺陷。为了提高缺陷检测性能，期望获取没有失真也没有未对准的准确的SEM图像。
发明内容
本文中提供的实施例公开了一种粒子束检查装置、更具体地是一种使用多个带电粒子束的检查装置。
在一些实施例中，提供了一种用于校正检查图像的失真的方法。该方法包括：获取检查图像；基于与检查图像相对应的参考图像来确定检查图像的多个图像块(patch)的局部对准结果；针对局部对准结果的多个子集中的每个子集：基于局部对准结果的子集来确定对准模型，以及基于对准模型与局部对准结果的剩余集合的拟合(fit)来评估对准模型；基于评估来选择多个对准模型中的一个对准模型；以及基于所选择的对准模型来校正检查图像的失真。
在一些实施例中，提供了一种用于校正检查图像的失真的装置。该装置包括存储指令集的存储器；以及至少一个处理器，该至少一个处理器被配置为执行该指令集以使得该装置执行：获取检查图像；基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果；针对局部对准结果的多个子集中的每个子集：基于局部对准结果的子集来确定对准模型，以及基于对准模型与局部对准结果的剩余集合的拟合来评估对准模型；基于评估来选择多个对准模型中的一个对准模型；以及基于所选择的对准模型来校正检查图像的失真。
在一些实施例中，提供了一种存储指令集的非暂态计算机可读介质，该指令集由计算设备的至少一个处理器可执行以使得计算设备执行用于校正检查图像的失真的方法。该方法包括：获取检查图像；基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果；针对局部对准结果的多个子集中的每个子集：基于局部对准结果的子集来确定对准模型，以及基于对准模型与局部对准结果的剩余集合的拟合来评估对准模型；基于评估来选择多个对准模型中的一个对准模型；以及基于所选择的对准模型来校正检查图像的失真。
在一些实施例中，提供了一种用于校正检查图像的失真的方法。该方法包括：获取检查图像；基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果；基于局部对准结果的第一子集来估计第一对准模型，并且基于局部对准结果的第二子集来估计第二对准模型；基于第一对准模型与局部对准结果的第一剩余集合的拟合来评估第一对准模型，并且基于第二对准模型与局部对准结果的第二剩余集合的拟合来评估第二对准模型；基于评估来选择第一对准模型和第二对准模型之一；以及基于所选择的对准模型来校正检查图像的失真。
在一些实施例中，提供了一种用于校正检查图像的失真的装置。该装置包括存储指令集的存储器；以及至少一个处理器，该至少一个处理器被配置为执行该指令集以使得该装置执行：获取检查图像；基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果；基于局部对准结果的第一子集来估计第一对准模型，并且基于局部对准结果的第二子集来估计第二对准模型；基于第一对准模型与局部对准结果的第一剩余集合的拟合来评估第一对准模型，并且基于第二对准模型与局部对准结果的第二剩余集合的拟合来评估第二对准模型；基于评估来选择第一对准模型和第二对准模型之一；以及基于所选择的对准模型来校正检查图像的失真。
在一些实施例中，提供了一种存储指令集的非暂态计算机可读介质，该指令集由计算设备的至少一个处理器可执行以使得计算设备执行用于校正检查图像的失真的方法。该方法包括：获取检查图像；基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果；基于局部对准结果的第一子集来估计第一对准模型，并且基于局部对准结果的第二子集来估计第二对准模型；基于第一对准模型与局部对准结果的第一剩余集合的拟合来评估第一对准模型，并且基于第二对准模型与局部对准结果的第二剩余集合的拟合来评估第二对准模型；基于评估来选择第一对准模型和第二对准模型之一；以及基于所选择的对准模型来校正检查图像的失真。
在一些实施例中，提供了一种用于校正检查图像的失真的方法。该方法包括：获取检查图像；基于与检查图像相对应的参考图像来对准检测图像的多个图像块；通过机器学习模型评估多个图像块中的每个图像块与参考图像的对应图像块之间的对准；基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果；基于局部对准结果来确定对准模型；以及基于对准模型来校正检查图像的失真。
在一些实施例中，提供了一种用于校正检查图像的失真的装置。该装置包括存储指令集的存储器；以及至少一个处理器，该至少一个处理器被配置为执行该指令集以使得该装置执行：获取检查图像；基于与检查图像相对应的参考图像来对准检测图像的多个图像块；通过机器学习模型评估多个图像块中的每个图像块与参考图像的对应图像块之间的对准；基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果；基于局部对准结果来确定对准模型；以及基于对准模型来校正检查图像的失真。
在一些实施例中，一种存储指令集的非暂态计算机可读介质，该指令集由计算设备的至少一个处理器可执行以使得计算设备执行用于校正检查图像的失真的方法。该方法包括：获取检查图像；基于与检查图像相对应的参考图像来确定检查图像的多个图像块的局部对准结果；基于局部对准结果的第一子集来估计第一对准模型，并且基于局部对准结果的第二子集来估计第二对准模型；基于第一对准模型与局部对准结果的第一剩余集合的拟合来评估第一对准模型，并且基于第二对准模型与局部对准结果的第二剩余集合的拟合来评估第二对准模型；基于评估来选择第一对准模型和第二对准模型之一；以及基于所选择的对准模型来校正检查图像的失真。
在一些实施例中，提供了一种评估检查图像和参考图像的对准的方法。该方法包括：获取检查图像的多个图像块和参考图像的多个参考图像块，多个图像块对应于多个参考图像块；以及通过机器学习模型评估多个图像块和多个参考图像块的对准。
在一些实施例中，提供了一种评估检查图像和参考图像的对准的装置。该装置包括存储指令集的存储器；以及至少一个处理器，该至少一个处理器被配置为执行该指令集以使得该装置执行：获取检查图像的多个图像块和参考图像的多个参考图像块，多个图像块对应于多个参考图像块；以及通过机器学习模型评估多个图像块和多个参考图像块的对准。
在一些实施例中，一种存储指令集的非暂态计算机可读介质，该指令集由计算设备的至少一个处理器可执行以使得计算设备执行评估检查图像和参考图像的对准的方法。该方法包括：获取检查图像的多个图像块和参考图像的多个参考图像块，多个图像块对应于多个参考图像块；以及通过机器学习模型评估多个图像块和多个参考图像块的对准。
通过以下结合附图的描述，本公开的实施例的其他优点将变得很清楚，附图通过举例说明的方式阐述了本发明的某些实施例。
附图说明
通过结合附图对示例性实施例的描述，本公开的上述和其他方面将变得更加明显。
图1是示出与本公开的实施例一致的示例带电粒子束检查系统的示意图。
图2是示出与本公开的实施例一致的示例多束工具的示意图，该多束工具可以是图1的示例带电粒子束检查系统的一部分。
图3示出了具有可能导致局部未对准的示例图案的SEM图像。
图4是与本公开的实施例一致的示例失真校正系统的框图。
图5A示出了与本公开的实施例一致的被分割成多个图像块的示例检查图像。
图5B是示出与本公开的实施例一致的局部对准结果的示例图。
图5C是示出与本公开的实施例一致的对准模型的示例图。
图6A示出了根据局部对准结果来校正SEM图像的失真的示例过程。
图6B示出了与本公开的实施例一致的根据对准模型来校正SEM图像的失真的示例过程。
图6C示出了与本公开的实施例一致的失真校正之后的输入图像与输出图像之间的示例比较。
图7A示出了具有偏移的重复图案的示例检查图像。
图7B是与本公开的实施例一致的用于对准评估模型的训练系统的框图。
图8A示出了与本公开的实施例一致的用于图7B的训练系统的示例训练数据集。
图8B示出了与本公开的实施例一致的对准评估模型的示例配置。
图9是表示与本公开的实施例一致的用于校正检查图像的失真的示例性方法的过程流程图。
图10是表示与本公开的实施例一致的用于训练对准评估模型的示例性方法的过程流程图。
具体实施方式
现在将详细参考示例性实施例，其示例在附图中示出。以下描述涉及附图，其中不同附图中的相同数字表示相同或相似的元素，除非另有说明。在示例性实施例的以下描述中阐述的实现并不表示所有实现。而是，它们仅仅是与如所附权利要求中所述的所公开的实施例相关的方面一致的装置和方法的示例。例如，尽管在利用电子束的上下文中描述一些实施例，但是本公开不限于此。可以类似地应用其他类型的带电粒子束。此外，可以使用其他成像系统，诸如光学成像、光检测、x射线检测等。
电子设备是由一块称为基板的半导体材料上形成的电路构成的。半导体材料可以包括例如硅、砷化镓、磷化铟或硅锗等。很多电路可以一起形成在同一块硅上，并且称为集成电路或IC。这些电路的尺寸已经显著减小，使得更多的电路可以安装在基板上。例如，智能手机中的IC芯片可以小到拇指，但可以包括超过20亿个晶体管，每个晶体管的大小不到人头发大小的1/1000。
用极小的结构或组件制造这些IC是一个复杂、耗时并且昂贵的过程，总体上涉及数百个个体步骤。即使是一个步骤中的错误也有可能导致成品IC出现缺陷，使其变得无用。因此，制造过程的一个目标是避免这种缺陷，以使在该过程中制造的功能IC的数目最大化；即提高工艺的总产率。
提高产率的一个组成部分是监测芯片制造过程，以确保其生产出足够数目的功能集成电路。监测该过程的一种方法是在芯片电路结构形成的各个阶段对其进行检查。可以使用扫描带电粒子显微镜(SCPM)进行检查。例如，SCPM可以是扫描电子显微镜(SEM)。SCPM可以用于对这些极小的结构进行成像，实际上，可以拍摄晶片的结构的“图片”。该图像可以用于确定该结构是否在适当位置被适当地形成。如果结构有缺陷，则可以调节工艺，因此缺陷不太可能再次出现。
随着IC组件的物理尺寸不断缩小，缺陷检测的准确性和良率变得更加重要。诸如SEM图像等检查图像可以用于标识或分类制造的IC的(多个)缺陷。为了提高缺陷检测性能，期望获取没有失真也没有未对准的准确的SEM图像。虽然已经引入了用于SEM图像的各种失真校正技术，但其中的很多技术依赖于SEM图像的较小图像块的局部对准。尽管每个图像块中的失真量小于整个SEM图像中的失真量，但是由于各种原因，局部对准可能是具有挑战性的，这些原因包括但不限于稀疏或重复图案、不令人满意的成像条件、缺乏图案信息、残余失真等。因为在当前方法中，SEM图像的失真校正高度地依赖于SEM图像的较小图像块的局部对准的性能，所以错误或不完美的局部对准会使SEM图像的失真校正性能恶化。
本公开的实施例可以提供用于SEM图像的失真校正技术。根据本公开的一些实施例，当校正SEM图像的失真时，可以确认局部对准结果中的潜在的有缺陷或被污染的数据，并且可以使其影响最小化。本公开的实施例可以提供一种基于机器学习的对准评估算法，该算法可以可靠地评估SEM图像是否与参考图像良好对准。根据本公开的一些实施例，可以用SEM图像片段(clip)和参考图像片段对来训练基于机器学习的对准评估算法。
为了清晰起见，附图中组件的相对尺寸可能会被夸大。在附图的以下描述中，相同或相似的附图标记指代相同或相似的组件或实体，并且仅描述关于个体实施例的差异。如本文中使用的，除非另有特别说明，否则术语“或”涵盖所有可能的组合，除非不可行。例如，如果声明组件可以包括A或B，则除非另有特别声明或不可行，否则该组件可以包括A、或B、或A和B。作为第二示例，如果声明组件可以包括A、B或C，则除非另有特别声明或不可行，否则该组件可以包括A、或B、或C、或A和B、或A和C、或B和C、或A和B和C。
图1示出了与本公开的实施例一致的示例电子束检查(EBI)系统100。EBI系统100可以用于成像。如图1所示，EBI系统100包括主室101、装载/锁定室102、束工具104和设备前端模块(EFEM)106。束工具104位于主室101内。EFEM 106包括第一装载端口106a和第二装载端口106b。EFEM 106可以包括(多个)附加装载端口。第一装载端口106a和第二装载端口106b接收晶片前开式传送盒(FOUP)，该FOUP容纳待检查的晶片(例如，半导体晶片或由(多种)其他材料制成的晶片)或样品(晶片和样品可以互换使用)。“批次”是指可以成批装载以进行处理的多个晶片。
EFEM 106中的一个或多个机械臂(未示出)可以将晶片运送到装载/锁定室102。装载/锁定室102连接到装载/锁定真空泵系统(未示出)，该系统去除装载/锁定室102中的气体分子以达到低于大气压的第一压力。在达到第一压力之后，一个或多个机械臂(未示出)可以将晶片从装载/锁定室102运送到主室101。主室101连接到主室真空泵系统(未示出)，该系统去除主室101中的气体分子以达到低于第一压力的第二压力。在达到第二压力之后，晶片受到束工具104的检查。束工具104可以是单束系统或多束系统。
控制器109以电子方式连接到束工具104。控制器109可以是被配置为执行EBI系统100的各种控制的计算机。虽然控制器109在图1中被示出为在包括主室101、装载/锁定室102和EFEM 106的结构外部，但是应当理解，控制器109可以是该结构的一部分。
在一些实施例中，控制器109可以包括一个或多个处理器(未示出)。处理器可以是能够操纵或处理信息的通用或特定电子设备。例如，处理器可以包括任何数目的中央处理单元(或“CPU”)、图形处理单元(或“GPU”)、光处理器、可编程逻辑控制器、微控制器、微处理器、数字信号处理器、知识产权(IP)核、可编程逻辑阵列(PLA)、可编程阵列逻辑(PAL)、通用阵列逻辑(GAL)、复杂可编程逻辑器件(CPLD)、现场可编程门阵列(FPGA)、片上系统(SoC)、专用集成电路(ASIC)和能够进行数据处理的任何类型的电路的任何组合。处理器也可以是虚拟处理器，其包括分布在经由网络耦合的多个机器或设备上的一个或多个处理器。
在一些实施例中，控制器109还可以包括一个或多个存储器(未示出)。存储器可以是能够存储由处理器可访问的代码和数据(例如，经由总线)的通用或特定电子设备。例如，存储器可以包括任何数目的随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁盘、硬盘驱动器、固态驱动器、闪存驱动器、安全数字(SD)卡、记忆棒、紧凑型闪存(CF)卡或任何类型的存储设备的任何组合。代码和数据可以包括操作系统(OS)和用于特定任务的一个或多个应用程序(或“app”)。存储器也可以是虚拟存储器，其包括分布在经由网络耦合的多个机器或设备上的一个或多个存储器。
图2示出了与本公开的实施例一致的可以被配置为在EBI系统100(图1)中使用的示例多束工具104(在本文中也称为装置104)和图像处理系统290的示意图。
束工具104包括带电粒子源202、枪孔径204、会聚透镜206、从带电粒子源202发射的初级(primary)带电粒子束210、源转换单元212、初级带电粒子束210的多个束波214、216和218、初级投射光学系统220、机动晶片台280、晶片支架282、多个次级(secondary)带电粒子束236、238和240、次级光学系统242和带电粒子检查设备244。初级投射光学系统220可以包括束分离器222、偏转扫描单元226和物镜228。带电粒子检查设备244可以包括检测子区域246、248和250。
带电粒子源202、枪孔径204、会聚透镜206、源转换单元212、束分离器222、偏转扫描单元226和物镜228可以与装置104的初级光轴260对准。次级光学系统242和带电粒子检查设备244可以与装置104的次级光轴252对准。
带电粒子源202可以发射一个或多个带电粒子，诸如电子、质子、离子、μ介子或任何其他携带电荷的粒子。在一些实施例中，带电粒子源202可以是电子源。例如，带电粒子源202可以包括阴极、提取器或阳极，其中初级电子可以从阴极发射并且被提取或加速以形成具有交点(虚拟或真实)208的初级带电粒子束210(在这种情况下，初级电子束)。为了便于解释而不引起歧义，在本文中的一些描述中使用电子作为示例。然而，应当注意，在本公开的任何实施例中都可以使用任何带电粒子，而不限于电子。初级带电粒子束210可以被可视化为是从交点208发射的。枪孔径204可以阻挡初级带电粒子束210的外围带电粒子以减少库仑效应。库仑效应可能导致探测斑的尺寸增加。
源转换单元212可以包括图像形成元件阵列和束限制孔径阵列。图像形成元件阵列可以包括微偏转器或微透镜阵列。图像形成元件阵列可以形成初级带电粒子束210的多个束波214、216和218的交点208的多个平行图像(虚拟或真实)。束限制孔径阵列可以限制多个束波214、216和218。虽然图2中示出了三个束波214、216和218，但是本公开的实施例不限于此。例如，在一些实施例中，装置104可以被配置为生成第一数目的束波。在一些实施例中，第一数目的束波可以在从1到1000的范围内。在一些实施例中，第一数目的束波可以在200-500的范围内。在示例性实施例中，装置104可以生成400个束波。
会聚透镜206可以聚焦初级带电粒子束210。源转换单元212下游的束波214、216和218的电流可以通过调节会聚透镜206的聚焦功率或通过改变束限制孔径阵列内对应束限制孔径的径向尺寸来改变。物镜228可以将束波214、216和218聚焦到晶片230上以用于成像，并且可以在晶片230的表面上形成多个探测斑270、272和274。
束分离器222可以是生成静电偶极子场和磁偶极子场的维恩(Wien)滤波器类型的束分离器。在一些实施例中，如果被施加，则由静电偶极子场施加在束波214、216和218的带电粒子(例如，电子)上的力可以与由磁偶极子场施加在带电粒子上的力在大小上基本相等并且在方向上相反。因此，束波214、216和218可以以零偏转角直接穿过束分离器222。然而，由束分离器222生成的束波214、216和218的总色散也可以是非零的。束分离器222可以将次级带电粒子束236、238和240与束波214、216和218分离，并且将次级带电粒子束236、238和240导向次级光学系统242。
偏转扫描单元226可以偏转束波214、216和218，以在晶片230的表面区域上扫描探测斑270、272和274。响应于束波214、216和218在探测斑270、272和274处的入射，次级带电粒子束236、238和240可以从晶片230被发射。次级带电粒子束236、238和240可以包括具有能量分布的带电粒子(例如，电子)。例如，次级带电粒子束236、238和240可以是包括次级电子(能量≤50eV)和反向散射电子(能量在50eV至束波214、216和218的着陆能量之间)的次级电子束。次级光学系统242可以将次级带电粒子束236、238和240聚焦到带电粒子检查设备244的检测子区域246、248和250上。检测子区域246、248和250可以被配置为检测对应次级带电粒子束236、238和240，并且生成用于重构晶片230的表面区域上或下面的结构的SCPM图像的对应信号(例如，电压、电流等)。
生成的信号可以表示次级带电粒子束236、238和240的强度，并且可以被提供给与带电粒子检查设备244、初级投射光学系统220和机动晶片台280通信的图像处理系统290。机动晶片台280的移动速度可以与由偏转扫描单元226控制的束偏转同步和协调，使得扫描探测斑(例如，扫描探测斑270、272和274)的移动可以有序地覆盖晶片230上的感兴趣区域。可以调节这种同步和协调的参数以适应晶片230的不同材料。例如，晶片230的不同材料可以具有不同的电阻电容特性，这可能导致对扫描探测斑的移动的不同信号灵敏度。
次级带电粒子束236、238和240的强度可以根据晶片230的外部或内部结构而变化，并且因此可以指示晶片230是否包括缺陷。此外，如上所述，束波214、216和218可以被投射到晶片230的顶表面的不同位置上、或者晶片230的局部结构的不同侧面上，以生成可以具有不同强度的次级带电粒子束236、238和240。因此，通过将次级带电粒子束236、238和240的强度与晶片230的区域进行映射，图像处理系统290可以重构图像，该图像反映晶片230的内部或外部结构的特性。
在一些实施例中，图像处理系统290可以包括图像获取器292、存储装置294和控制器296。图像获取器292可以包括一个或多个处理器。例如，图像获取器292可以包括计算机、服务器、主机、终端、个人计算机、任何类型的移动计算设备等、或者其组合。图像获取器292可以通过诸如电导体、光纤线缆、便携式存储介质、IR、蓝牙、互联网、无线网络、无线无线电或其组合等介质通信地耦合到束工具104的带电粒子检查设备244。在一些实施例中，图像获取器292可以接收来自带电粒子检查设备244的信号，并且可以构建图像。图像获取器292因此可以获取晶片230的SCPM图像。图像获取器292还可以执行各种后处理功能，诸如生成轮廓、在获取的图像上叠加指示符等等。图像获取器292可以被配置为执行所获取的图像的亮度和对比度的调节。在一些实施例中，存储装置294可以是诸如硬盘、闪存驱动器、云存储装置、随机存取存储器(RAM)、其他类型的计算机可读存储器等存储介质。存储装置294可以与图像获取器292耦合，并且可以用于将扫描的原始图像数据保存为原始图像并且保存后处理图像。图像获取器292和存储装置294可以连接到控制器296。在一些实施例中，图像获取器292、存储装置294和控制器296可以集成在一起作为一个控制单元。
在一些实施例中，图像获取器292可以基于从带电粒子检查设备244接收的成像信号来获取晶片的一个或多个SCPM图像。成像信号可以对应于用于进行带电粒子成像的扫描操作。所获取的图像可以是包括多个成像区域的单个图像。该单个图像可以存储在存储装置294中。该单个图像可以是可以被划分为多个区域的原始图像。这些区域中的每个区域可以包括一个成像区域，该成像区域包含晶片230的特征。所获取的图像可以包括在时间序列上被多次采样的晶片230的单个成像区域的多个图像。多个图像可以存储在存储装置294中。在一些实施例中，图像处理系统290可以被配置为对晶片230的相同位置的多个图像执行图像处理步骤。
在一些实施例中，图像处理系统290可以包括测量电路(例如，模数转换器)，该测量电路用于获取检测到的次级带电粒子(例如，次级电子)的分布。在检测时间窗口期间收集的带电粒子分布数据与入射在晶片表面上的束波214、216和218的对应扫描路径数据相结合可以用于重构被检查的晶片结构的图像。重构的图像可以用于揭示晶片230的内部或外部结构的各种特征，从而可以用于揭示可能存在于晶片中的任何缺陷。
在一些实施例中，带电粒子可以是电子。当初级带电粒子束210的电子被投射到晶片230的表面上(例如，探测斑270、272和274)时，初级带电粒子束210的电子可以穿透晶片230的表面达一定深度，以与晶片230的粒子相互作用。初级带电粒子束210的一些电子可以与晶片230的材料弹性地相互作用(例如，以弹性散射或碰撞的形式)，并且可以从晶片230的表面被反射或弹回。弹性相互作用保持相互作用的本体(例如，初级带电粒子束210的电子)的总动能，其中相互作用的本体的动能不转换为其他形式的能量(例如，热、电磁能等)。这种由弹性相互作用生成的反射电子可以称为反向散射电子(BSE)。初级带电粒子束210的一些电子可以与晶片230的材料非弹性地相互作用(例如，以非弹性散射或碰撞的形式)。非弹性相互作用保持相互作用的本体的总动能，其中相互作用的本体的动能的一些或全部转化为其他形式的能量。例如，通过非弹性相互作用，初级带电粒子束210的一些电子的动能可以引起材料的原子的电子激发和跃迁。这种非弹性相互作用还可以生成离开晶片230的表面的电子，其可以称为次级电子(SE)。例如，BSE和SE的产率或发射率取决于被检查的材料和初级带电粒子束210的电子在材料表面上着陆的着陆能量等。初级带电粒子束210的电子的能量可以部分地由其加速电压(例如，图2中带电粒子源202的阳极与阴极之间的加速电压)赋予。BSE和SE的量可以比初级带电粒子束210的入射电子多或少(或甚至相同)。
由SEM生成的图像可以用于缺陷检查。例如，可以将捕获晶片的测试器件区域的生成的图像与捕获相同测试器件区域的参考图像进行比较。参考图像可以是预定的(例如，通过模拟)并且不包括已知缺陷。如果生成的图像与参考图像之间的差异超过容限水平，则可以标识潜在缺陷。对于另一示例，SEM可以扫描晶片的多个区域，每个区域包括被设计为相同的测试器件区域，并且生成在制造时捕获这些测试器件区域的多个图像。可以将多个图像彼此进行比较。如果多个图像之间的差异超过容限水平，则可以标识潜在缺陷。
图3示出了SEM图像300，其具有可能导致局部未对准的示例图案。如图3所示，在SEM图像300中指示了三个示例部分301至303，其具有可能导致局部未对准的图案。在图3中，在底部示出了第一部分301至第三部分303的放大图。第一部分301示出了稀疏图案，第二部分302示出了碎屑图案，第三部分303示出了修剪碎屑图案。虽然三个图案被示出为导致局部未对准的特征，但是应当理解，各种特征可能导致SEM图像的局部未对准。
现在参考图4，图4是与本公开的实施例一致的示例失真校正系统的框图。在一些实施例中，失真校正系统400包括一个或多个处理器和存储器。应当理解，在各种实施例中，失真校正系统400可以是带电粒子束检查系统(例如，图1的EBI系统100)、或计算光刻系统、或其他光刻系统的一部分，或者可以与之分离。在一些实施例中，失真校正系统400可以包括一个或多个组件(例如，软件模块)，该组件可以在如本文中讨论的控制器109或系统290中实现。如图4所示，失真校正系统400可以包括检查图像获取器410、参考图像获取器420、图像对准器430、对准模型生成器440和失真校正器450。
根据本公开的一些实施例，检查图像获取器410可以获取检查图像作为输入图像。在一些实施例中，检查图像是样品或晶片的SEM图像。在一些实施例中，检查图像可以是由例如图1的EBI系统100或图2的电子束工具104生成的检查图像。在一些实施例中，检查图像获取器410可以从存储检查图像的存储设备或系统获取检查图像。图5A示出了示例检查图像510，其将关于本公开中的一些实施例进行详细解释。
再次参考图4，根据一些实施例，参考图像获取器420可以获取与由检查图像获取器410获取的检查图像相对应的参考图像。在一些实施例中，参考图像可以是与检查图像相对应的晶片设计的布局文件。布局文件可以是图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式、开放艺术作品系统交换标准(OASIS)格式、加州理工学院中间格式(CIF)等。晶片设计可以包括用于包括在晶片上的图案或结构。图案或结构可以是用于将特征从光刻掩模或掩模版转移到晶片的掩模图案。在一些实施例中，GDS或OASIS格式的布局等可以包括以二进制文件格式存储的特征信息，该特征信息表示平面几何形状、文本和与晶片设计相关的其他信息。在一些实施例中，参考图像可以是从布局文件渲染的图像。
根据本公开的一些实施例，图像对准器430可以将检查图像分割成多个较小图像块。在图5A中示出了检查图像510被分割成多个图像块511_1至511_n。虽然在图5A中示出了在二维中分割检查图像510，但是应当理解，检查图像510可以在任何(多个)维度中分割。在图5A中，示出了检查图像510的第一行被分割成n个图像块511_1至511_n。虽然将参考在一个维度上(例如，在图5A中的水平方向上)布置的图像块来解释一些实施例，但是将理解，本公开可以应用于各种维度的图像块。
在将检查图像510分割成多个图像块511_1至511_n之后，图像对准器430被配置为将多个图像块511_1至511_n与对应于检查图像510的参考图像对准。在一些实施例中，将多个图像块511_1至511_n与参考图像对准可以基于图像块511_1至511_n与参考图像之间的特征匹配来执行。在一些实施例中，图像对准器430可以针对多个图像块511_1至511_n中的每个，确定参考图像中的对应部分或图像块。在本公开的一些实施例中，在对准多个图像块511_1至511_n期间，可以针对检查图像的每个图像块来确定参考图像的对应图像块。
根据本公开的一些实施例，失真校正系统400还可以包括对准评估器460。与本公开的一些实施例一致，对准评估器460可以被配置为评估检查图像的多个图像块是否与参考图像的对应图像块良好对准。在一些实施例中，对准评估器460可以通过评估检查图像的图像块是否与参考图像的对应图像块良好对准来产生检查图像的每个图像块的对准指数。在一些实施例中，对准指数可以表示检查图像的图像块与参考图像的对应图像块对准的置信度。在一些实施例中，可以基于在由图像对准器430执行对准时使用的图像块(例如，图像块511_1至511_n)来执行对准评估。在一些实施例中，可以基于与由图像对准器430使用的图像块511_1至511_n不同的图像块来执行对准评估。例如，可以基于对准将图像块511_1至511_n放在一起，并且对准评估器460可以将集成的图像块重新分割成不同的图像块集合以用于对准评估。重新分割的图像块可以具有与图像块511_1至511_n不同的尺寸或形状。在一些实施例中，对准评估器460可以基于检查图像的多个图像块的对准评估结果来评估检查图像是否与参考图像良好对准。在一些实施例中，图像对准器430可以从对准评估器460接收(多个)对准评估结果，并且可以根据(多个)对准评估结果将检查图像的多个图像块与参考图像重新对准。在一些实施例中，对准评估器460可以是基于机器学习的对准算法。将参考图7A至图8B来解释用于基于机器学习的对准评估算法的训练技术。
在一些实施例中，基于多个图像块511_1至511_n与参考图像的对准，可以生成多个图像块511_1至511_n的局部对准结果。图5B是示出与本公开的实施例一致的多个图像块的局部对准结果的示例图。在图5B中，在二维坐标系中指示十个局部对准结果LA，其中x轴表示参考图像(例如，GDS文件)中的位置，并且y轴表示检查图像510(例如，SEM图像)中的位置。在图5A中，局部对准结果LA可以与多个图像块511_1至511_n中的一个图像块相关联。在一些实施例中，每个图像块的局部对准结果LA可以是从检查图像中的参考点(例如，图5A的检查图像510中的参考点RP)到每个图像块的中心的测量距离。
在图5B中，与第一图像块511_1相关联的第一局部对准结果LA1指示检查图像510中第一图像块511_1的位置距离参考点RP约为0.4，而参考图像中对应图像块的位置距离参考图像中的对应参考点为1。与第二图像块511_2相关联的第二局部对准结果LA2指示检查图像510中第二图像块511_2的位置距离参考点RP约为1.45，而参考图像中对应图像块的位置距离参考图像中的对应参考点为1.5。类似地，与第十图像块相关联的第十局部对准结果LA10指示检查图像510中第十图像块的位置约为5.6，而参考图像中对应图像块的位置距离参考图像中的对应参考点为5。注意，在本公开中，将省略用于指示图5A中的右方向的正符号(+)，并且将使用负符号(-)来指示与右方向相反的方向。
再次参考图4，根据本公开的一些实施例，对准模型生成器440被配置为生成可以用于校正检查图像(例如，检查图像510)的失真的对准模型。根据本公开的一些实施例，对准模型生成器440可以基于局部对准结果来生成对准模型。根据本公开的一些实施例，对准模型生成器440可以生成拟合(fit)尽可能多的局部对准结果的对准模型，例如，如图5C所示。如图5C所示，对准模型531拟合10个局部对准结果(即，LA1至LA10)中的8个局部对准结果(即，LA2至LA9)。在本公开中，拟合对准模型的局部对准结果可以称为正常值(inlier)，而不拟合对准模型的局部对准结果可以称为异常值(outlier)。在图5C中，关于对准模型531，8个局部对准结果(即，LA2至LA9)是正常值，而2个局部对准结果(即，LA1和LA10)是异常值。在一些实施例中，可以假定(多个)异常值是有缺陷的或被污染的数据，例如，由断裂、半间距偏移等引起的。在一些实施例中，在估计对准模型时，排除这些(多个)异常值。
根据一些实施例，可以将使对局部对准结果与对准模型之间的非零距离的总数进行计数的L0范数最小化的对准模型确定为对应检查图像的对准模型。在图5C中，拟合对准模型531的8个局部对准结果LA2至LA9与对准模型531具有零距离，并且2个局部对准结果LA1和LA0与对准模型531具有非零距离。根据一些实施例，在生成对准模型时可以识别和忽略潜在的有缺陷数据，从而在校正检查图像510的失真时可以使有缺陷数据的影响最小化。
根据本公开的一些实施例，对准模型的估计可以基于随机样本一致性(randomsample consensus,RANSAC)来执行，RANSAC表示如下：
对于N中的epoch：
LAs＝Sample(O,epoch,LA)
F＝Fit(LAs)
F*＝Evaluate(F,Pt,LA)
循环结束。算法1
这里，N表示迭代的总次数，epoch表示当前迭代次数，O表示回归阶数，LA表示局部对准结果，例如，图5C中的LA1至LA10，
在第一步骤中，根据回归阶数O从局部对准结果集合中随机选择局部对准结果的样本子集。回归阶数O可以表示根据实施例的任何回归阶数。可以基于回归阶数O来确定样本子集的多个局部对准结果，以唯一地定义对准模型，例如对准曲线。例如，当回归阶数O标识也称为线性回归的一阶回归时，可以随机选择两个局部对准结果的样本子集。在本公开中，出于说明的目的，将解释其中针对样本子集而选择两个局部对准结果的实施例。包括所选择的对准结果的子集被指示为LAS。
在第二步骤中，与本公开的一些实施例一致，可以确定拟合子集LAS中包括的所选择的对准结果的第一对准模型F。在一些实施例中，根据回归阶数O，第一对准模型F可以是线性或非线性模型。例如，当在第一步骤中选择第二局部对准结果LA2和第九局部对准结果LA9并且一阶回归由回归阶数O定义时，可以唯一地标识作为线性方程的对准模型531。
在第三步骤中，可以通过检查整个数据集中有多少个局部对准结果拟合第一对准模型F来评估在第二步骤中获取的第一对准模型F。根据一些实施例，第一对准模型F的性能Pt可以基于拟合第一对准模型F的局部对准结果的数目来确定。在一些实施例中，拟合第一对准模型F的局部对准结果被认为是正常值，而不拟合第一对准模型F的局部对准结果被认为是异常值。在一些实施例中，当局部对准结果不拟合第一对准模型F但足够接近时，局部对准结果可以被认为是正常值。例如，与第一对准模型F的距离在阈值内的局部对准结果可以被认为拟合第一对准模型F。在一些实施例中，阈值可以基于与第一对准模型F的偏差是否可以归因于噪声的影响来确定。在一些实施例中，第一对准模型F的性能Pt可以基于整个数据集中的(多个)正常值的百分比来确定。例如，在图5C中，在10个局部对准结果中，8个局部对准结果LA2至LA9拟合作为第一对准模型F的曲线531，并且因此第一对准模型F的性能Pt可以被确定为80％。在一些实施例中，第一对准模型F的性能Pt可以基于剩余集合中的(多个)正常值的百分比来确定。例如，当样本子集包括第二局部对准结果LA2和第九局部对准结果LA9时，剩余集合中的8个局部对准结果中的6个局部对准结果是正常值，并且因此第一对准模型F的性能Pt可以被确定为75％。在该步骤中，第一对准模型F被认为是潜在对准模型F*。
如上所述，第一步骤到第三步骤可以重复N次迭代。在第一迭代完成之后，执行第二迭代。在第一步骤中，可以在整个数据集中随机选择构成第二迭代的子集。在第二迭代中选择的局部对准结果可以与在第一迭代中选择的局部对准结果不同。在第二步骤中，基于所选择的局部对准结果来估计第二对准模型F，并且在第三步骤中，以与第一迭代类似的方式来评估第二对准模型F的性能Pt。在第三步骤中，当第二对准模型F的性能Pt比第一迭代中的第一对准模型F的性能Pt好时，第二对准模型F被更新为潜在对准模型F*。否则，第一对准模型F被保持为潜在对准模型F*。因此，当N次迭代完成时，可以选择N个对准模型F中具有最高性能Pt的对准模型F作为用于检查图像510的对准模型F*。
再次参考图4，根据本公开的一些实施例，失真校正器450可以被配置为基于所选择的对准模型F*来校正检查图像的(多个)失真。在一些实施例中，可以基于所选择的对准模型F*来校正检查图像的与包括检查图像的正常值和异常值的所有局部对准结果相对应的所有图像块。例如，在图5C中，根据对准模型531来校正与第二局部对准结果LA2相对应的第二图像块，该第二局部对准结果LA2是关于对准模型531的正常值。为了校正检查图像510的失真，根据图5C中的对准模型531，可以将与第二局部对准结果LA2相对应的第二图像块511_1移动0.05。类似地，在图5C中，也根据对准模型531而不是测量的局部对准结果LA1来校正与第一局部对准结果LA1相对应的第一图像块，该第一局部对准结果LA1是关于对准模型531的异常值。为了校正检查图像510，与第一局部对准结果LA1相对应的第一图像块511_1可以根据拟合模型531移动(-)0.05，而不是根据图5C中的测量的局部对准结果LA1移动0.6。虽然在本公开的一些实施例中示出了线性对准模型，但是应当理解，本公开可以应用于任何类型的对准模型，包括但不限于缩放、旋转、平移等。
图6A示出了根据局部对准数据来校正SEM图像的失真的示例过程。在图6A中，SEM图像610是被编程为在1000个像素中包括1％失真的SEM图像。在图6A中，第一箭头图611示出了SEM图像610中的每个像素的测量的局部对准结果。在第一箭头图611中，每个箭头表示根据对应的测量的局部对准结果，对应像素应当移动多少以及在哪个方向上移动以匹配对应参考图像。在图6A中，第一校正图像612是根据第一箭头图611的SEM图像610的校正图像。如校正SEM图像612中所示，根据测量的局部对准结果来校正检查图像可能导致另一类型的未对准或失真，诸如断裂。
图6B示出了与本公开的实施例一致的根据对准模型来校正SEM图像的失真的示例过程。这里，图6A的SEM图像610也被用作输入检查图像。在图6B中，与本公开的一些实施例一致，第二箭头图621表示关于所选择的对准模型，第一箭头图611中的箭头中与正常值相对应的箭头632和与异常值相对应的箭头631。第三箭头图622示出了根据所选择的对准模型的SEM图像610的拟合结果。如图6B中的第三箭头图622所示，在校正SEM图像610的失真时，不考虑与异常值相对应的箭头631，而是考虑根据所选择的对准模型的拟合结果。在第三箭头图622中，每个箭头表示对应像素应当移动多少以及在哪个方向上移动以根据所选择的对准模型来匹配对应参考图像。在图6B中，第二校正图像630是根据第三箭头图622的SEM图像610的校正图像。如第二校正SEM图像630所示，与本公开的一些实施例一致，根据对准模型，可以有效地校正检查图像的失真。例如，在一些情况下，编程到SEM图像610中的高达99.98％的失真已经在SEM图像630中被校正。
图6C示出了与本公开的实施例一致的失真校正之后的输入检查图像与输出校正图像之间的示例比较。在图6C中，SEM图像610和校正SEM图像630分别是与本公开的一些实施例一致的失真校正之前和之后的SEM图像。SEM图像610包括与对应参考图像没有很好对准的部分613、614和615。在部分613、614和615的放大图像中，SEM图像610的图案W被指示为白色空心圆。出于说明的目的，在部分613、614和615的放大成像中还指示了对应GDS图像的图案B。应当注意，SEM图像610与相应GDS图像没有很好地对准，如部分613、614和615的放大图像中所示。校正SEM图像630也包括与输入SEM图像610的部分613、614和615相对应的部分631、632和633。注意，在部分631、632和633的放大图像中，SEM图像630的图案W与对应GDS图像的图案B良好对准。如图6C所示，根据本公开的一些实施例，可以有效地校正输入SEM图像的失真。
为了提高SEM图像的失真校正性能，一开始就将SEM图像与设计布局准确对准是很重要的。如参考图4的对准评估器460所示，可以在基于局部对准结果来生成对准模型之前执行SEM图像是否与参考图像良好对准。有很多机制可以提供对准置信度得分。然而，对准置信度得分通常是通过基于互相关或均方误差(MSE)的匹配算法来计算的，当视场包括相对较大部分的重复图案并且缺乏来自缺陷的独特特征或足够的潜在信息时，该算法不能提供稳健的匹配得分。在这些算法下，即使具有重复图案的SEM图像未对准，对准置信度得分仍然可能很高。
图7A示出了具有偏移的重复图案的示例检查图像。在图7A中，示出了SEM图像与参考图像未对准，即，SEM图像从参考图像偏移距离T。例如，SEM图像711的图案712从其参考图像的对应图案713偏移。然而，由于SEM图像711的图案如图7A所示是重复的，因此基于互相关或均方误差(MSE)的匹配算法的对准置信度得分针对SEM图像711仍然可以是高的。注意，基于互相关性或MSE的置信度得分可以对包括重复图案的SEM图像的对准产生假阳性结果。根据本公开的一些实施例，对准评估器460可以是基于机器学习的对准算法，并且对准评估模型可以由训练系统训练。
图7B是与本公开的实施例一致的用于对准评估模型的训练系统700(也称为“装置700”)的框图。在一些实施例中，训练系统700可以包括一个或多个处理器和存储器。应当理解，在各种实施例中，训练系统700可以是带电粒子束检查系统(例如，图1的EBI系统100)的一部分，或者可以与其分离。还应当理解，训练系统700可以包括与带电粒子束检查系统分离并且通信耦合到带电粒子束检查系统的一个或多个组件或模块。在一些实施例中，训练系统700可以包括一个或多个组件(例如，软件模块)，该组件可以在如本文所述的控制器109或系统290中实现。在一些实施例中，训练系统700和失真校正系统400在单独的计算设备上或在同一计算设备上实现。在一些实施例中，训练系统700可以是图4的失真校正系统400或失真校正系统400的对准评估器460的一部分。
如图7B所示，训练系统700可以包括训练检查图像获取器710、训练参考图像获取器720和模型训练器730。根据本公开的一些实施例，训练检查图像获取器710可以获取检查图像图像块。在一些实施例中，检查图像图像块是样品或晶片的SEM图像的图像块。在一些实施例中，训练检查图像可以是SEM图像的多个图像块中的一个。例如，训练检查图像可以是图5A所示的图像块511_1至511_n中的一个。
根据一些实施例，训练参考图像获取器720可以获取参考图像，以与由训练检查图像获取器710获取的训练检查图像进行比较。在一些实施例中，参考图像可以是用于晶片设计的布局文件。在一些实施例中，出于训练目的，训练参考图像可以与训练检查图像良好地对准，也可以不与之良好地对准。
图8A示出了与本公开的实施例一致的用于图7B的训练系统的示例训练数据集。图8A示出了分别由训练检查图像获取器710和训练参考图像获取器720获取的训练检查图像和训练参考图的示例对。在图8A中，训练检查图像获取器710可以获取训练检查图像图像块811_1至811_n，并且训练参考图像获取器720可以获取训练参考图像图像块821_1至821_n。在一些实施例中，每个训练检查图像811与训练参考图像821配对。例如，第一训练检查图像811_1与第一训练参考图像821_1配对，以构成第一对PA1。类似地，获取第二对PA2至第n对PAn。
再次参考图7B，根据本公开的一些实施例，模型训练器730被配置为训练对准评估模型731，以预测作为输入而提供的每对PA1至PAn的两个图像的对准指数。根据本公开的一些实施例，模型训练器730被配置为在有监督学习下训练对准评估模型731。在一些实施例中，模型训练器730还被提供有训练检查图像811和训练参考图像812是否对准的信息。
图8B示出了与本公开的实施例一致的对准评估模型731的示例配置。如图8B所示，对准评估模型731可以接收训练检查图像811和训练参考图像821，并且处理这两个图像以预测这两个图象的对准程度。在一些实施例中，对准评估模型731可以被配置为提供表示两个图像之间的对准度的对准指数。在一些实施例中，对准评估模型731可以是机器学习系统或神经网络，诸如Siamese神经网络。应当理解，可以利用其他类型的机器学习系统。
如图8B所示，根据本公开的一些实施例，对准评估模型731可以被配置为包括第一网络732和第二网络733。在一些实施例中，训练检查图像811被提供给第一网络732，该第一网络被配置为提取训练检查图像813的特征，并且训练参考图像821被提供给第二网络733，该第二网络被配置为提取参考图像821的特征。在一些实施例中，第一网络732和第二网络733可以被配置为具有相同配置。例如，第一网络732和第二网络733可以被配置为具有共享权重，使得两个网络732与733可以在两个不同输入上串联工作，以计算可比较的输出，例如作为输出向量。在一些实施例中，第一网络732和第二网络733可以被配置为具有独立配置。在这种情况下，第一网络732和第二网络733可以不共享权重。在一些实施例中，第一网络732和第二网络733可以通过各种网络架构来实现，包括但不限于视觉几何组(VGG)神经网络、残差神经网络(ResNet)、密集卷积网络(DenseNet)等。
如图8B所示，与本公开的一些实施例一致，对准评估模型731还可以包括处理层734。在一些实施例中，来自第一网络732的特征和来自第二网络733的特征可以被提供给处理层734。如图8B所示，处理层734可以包括多个处理层，其处理来自两个网络732和733的输入特征以输出两个图像811与821之间的对准指数。在一些实施例中，处理层734可以计算对输入特征的卷积运算。在一些实施例中，来自第一网络732的特征和来自第二网络733的特征可以在处理层734的输入层处组合，然后被进一步处理以输出对准指数。
当对准指数与训练检查图像811和训练参考图像812是否对准的信息不一致时，模型训练器730可以调节对准评估模型731的参数、权重等。通过利用训练检查图像811和训练参考图像812的附加对PA1至PAn来训练对准评估模型731，可以提高由对准评估模型732产生的对准指数的精度。
与本公开的一些实施例一致，在模型训练器730在有监督学习下训练对准评估模型731之后，对准评估模型731可以用作对准评估器460。在一些实施例中，经训练的对准评估模型731可以用于预测输入图像与参考图像之间的对准指数。在一些实施例中，经训练的对准评估模型731可以独立于检查图像的失真的校正而使用，或者与检查图像的失真的校正相结合使用。在一些实施例中，经训练的对准评估模型731可以用于打印检查过程中。在打印检查过程中，可以通过用掩模暴露晶片并且检查晶片来检查掩模或掩模版，以检查是否有任何缺陷重复，这可以指示掩模上的缺陷。在该应用中，经训练的对准评估模型731可以用于评估晶片的检查图像与晶片的对应布局图像之间的对准。
图9是表示与本公开的实施例一致的用于校正检查图像的失真的示例性方法的过程流程图。方法900的步骤可以由系统(例如，图4的系统400)来执行，该系统在计算设备(例如，图1的控制器109)上执行或以其他方式使用该计算设备的特征。可以理解，所示的方法900可以被改变以修改步骤的顺序并且包括附加步骤。
在步骤S910中，获取检查图像和参考图像。步骤S910可以由例如检查图像获取器410或参考图像获取器420等执行。在一些实施例中，检查图像是样品或晶片的SEM图像。在一些实施例中，参考图像可以是与检查图像相对应的晶片设计的布局文件。在一些实施例中，参考图像可以是从布局文件渲染的图像。
在步骤S920中，将检查图像与参考图像对准。步骤S920可以由例如图像对准器430等执行。根据本公开的一些实施例，可以将检查图像分割成多个较小图像块。在图5A中示出了检查图像510被分割成多个图像块511_1至511_n。在将检查图像510分割成多个图像块511_1至511_n之后，将多个图像块511_1至511_n与对应于检查图像510的参考图像对准。在一些实施例中，将多个图像块511_1至511_n与参考图像对准可以基于图像块511_1至511_n与参考图像之间的特征匹配来执行。在本公开的一些实施例中，在对准多个图像块511_1至511_n期间，可以针对检查图像的每个图像块来确定参考图像的对应图像块。
根据本公开的一些实施例，方法900可以进一步执行步骤S921。在步骤S921中，可以评估在步骤S920中执行的检查图像的对准。步骤S921可以由例如对准评估器460等执行。在步骤S921中，可以评估检查图像的多个图像块是否与参考图像的对应图像块良好对准。可以通过评估检查图像的图像块是否与参考图像的对应图像块良好对准来为检查图像的每个图像块产生对准指数。在一些实施例中，对准指数可以表示检查图像的图像块与参考图像的对应图像块对准的置信度。在一些实施例中，可以基于检查图像的多个图像块的对准评估结果来评估检查图像是否与参考图像良好对准。在一些实施例中，可以重复步骤S920，以根据(多个)对准评估结果来将检查图像的多个图像块与参考图像重新对准。在一些实施例中，步骤S921可以是基于机器学习的对准算法。
在步骤S930中，生成对准模型。步骤S930可以由例如对准模型生成器440等执行。在一些实施例中，基于多个图像块511_1至511_n与参考图像的对准，可以生成多个图像块511_1至511_n的局部对准结果。根据本公开的一些实施例，可以基于局部对准结果来生成可以用于校正检查图像的失真的对准模型。根据本公开的一些实施例，可以生成拟合尽可能多的局部对准结果的对准模型。根据一些实施例，可以将使对局部对准结果与对准模型之间的非零距离的总数进行计数的L0范数最小化的对准模型确定为对应检查图像的对准模型。在一些实施例中，可以假定(多个)异常值是有缺陷的或被污染的数据，例如，由断裂、半间距偏移等引起的。在一些实施例中，在估计对准模型时，排除这些(多个)异常值。
根据本公开的一些实施例，可以基于随机样本一致性(RANSAC)来执行对准模型的估计。根据本公开的一些实施例，可以针对局部对准结果的多个随机选择的子集生成多个对准算法。在一些实施例中，可以选择多个对准算法中表现出最高性能的一个对准算法作为用于校正检查图像的对准算法。在一些实施例中，对准算法的性能可以基于拟合对准算法的局部对准结果的数目来确定。已经参考本公开中的算法1描述了生成对准模型的过程，并且因此为了简单起见，这里将省略详细解释。
在步骤S940中，基于所选择的对准模型来校正检查图像的(多个)失真。步骤S940可以由例如失真校正器450等执行。在一些实施例中，可以基于所选择的对准模型F来校正检查图像的与包括检查图像的正常值和异常值的所有局部对准结果相对应的所有图像块。
图10是表示与本公开的实施例一致的用于训练对准评估模型的示例性方法的过程流程图。出于说明的目的，方法1000的步骤可以由系统(例如，图7B的系统700)执行，该系统在计算设备(例如，图1的控制器109)上执行或以其他方式使用该计算设备的特征。可以理解，所示的方法1000可以被改变以修改步骤的顺序并且包括附加步骤。
在步骤S1010中，获取训练检查图像和训练参考图像对。步骤S1010可以由例如训练检查图像获取器710或训练参考图像获取器720等执行。训练检查图像可以是检查图像图像块。在一些实施例中，检查图像图像块是样品或晶片的SEM图像的图像块。根据一些实施例，训练参考图像可以是要与训练检查图像进行比较的参考图像图像块。在一些实施例中，参考图像可以是用于晶片设计的布局文件。在一些实施例中，出于训练目的，训练参考图像可以与训练检查图像相对应，也可以不之对应。
在步骤S1020中，训练对准评估模型。步骤S1020可以由例如模型训练器730等执行。根据本公开的一些实施例，对准评估模型被训练以预测作为输入而提供的两个图像的对准指数。根据本公开的一些实施例，在有监督学习下训练对准评估模型。在一些实施例中，可以提供训练检查图像和训练参考图像是否对准的信息。在一些实施例中，对准评估模型可以被配置为提供表示两个图像之间的对准度的对准指数。当对准指数与训练检查图像和训练参考图像是否对准的信息不一致时，可以调节对准评估模型的参数、权重等。由于利用训练检查图像和训练参考图像的附加对来训练对准评估模型，所以可以提高由对准评估模型731产生的对准指数的精度。已经参考图8B描述了对准评估模型的示例配置，并且因此为了简单起见，这里将省略其详细说明。
可以提供一种非暂态计算机可读介质，其存储用于控制器(例如，图1的控制器109)的处理器的指令，该指令用于执行图像检查、图像采集、台定位、束聚焦、电场调节、束弯曲、会聚镜调节、激活带电粒子源、束偏转、以及方法900和1000等。例如，常见形式的非暂态介质包括软盘、柔性盘、硬盘、固态驱动器、磁带或任何其他磁性数据存储介质、光盘只读存储器(CD-ROM)、任何其他光学数据存储介质、具有孔图案的任何物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、以及可擦除可编程只读存储器(EPROM)、FLASH-EPROM或任何其他闪存、非易失性随机存取存储器(NVRAM)、高速缓存、寄存器、任何其他存储器芯片或卡盒、以及其网络版本。
可以使用以下条款进一步描述实施例：
1.一种用于校正检查图像的失真的方法，包括：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
针对所述局部对准结果的多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；
基于所述评估，选择所述多个对准模型中的一个对准模型；以及
基于所选择的对准模型，校正所述检查图像的失真。
2.根据条款1所述的方法，其中评估所述对准模型包括：
确定所述局部对准结果的所述剩余集合中拟合所述对准模型的局部对准结果的百分比。
3.根据条款1或2所述的方法，其中所述多个子集是随机选择的。
4.根据条款1至3中任一项所述的方法，还包括：
基于所述参考图像，对准所述检查图像的所述多个图像块；以及
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
5.根据条款4所述的方法，还包括：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
6.一种用于校正检查图像的失真的装置，所述装置包括：
存储器，存储指令集；以及
至少一个处理器，被配置为执行所述指令集，以使得所述装置执行：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
对于所述局部对准结果的多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；
基于所述评估，选择所述多个对准模型中的一个对准模型；以及
基于所选择的对准模型，校正所述检查图像的失真。
7.根据条款6所述的装置，其中在评估所述对准模型时，所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
确定所述局部对准结果的所述剩余集合中拟合所述对准模型的局部对准结果的百分比。
8.根据条款6或7所述的装置，其中所述多个子集是随机选择的。
9.根据条款6至8中任一项所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
基于所述参考图像，对准所述检查图像的所述多个图像块；以及
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
10.根据条款9所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
11.一种存储指令集的非暂态计算机可读介质，所述指令集由计算设备的至少一个处理器可执行以使得所述计算设备执行用于校正检查图像的失真的方法，所述方法包括：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
针对所述局部对准结果的多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；
基于所述评估，在所述多个对准模型中选择一个对准模型；以及
基于所选择的对准模型，校正所述检查图像的失真。
12.根据条款11所述的计算机可读介质，其中在评估所述对准模型时，由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
确定所述局部对准结果的所述剩余集合中拟合所述对准模型的局部对准结果的百分比。
13.根据条款11或12所述的计算机可读介质，其中所述多个子集是随机选择的。
14.根据条款11至13中任一项所述的计算机可读介质，其中由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
基于所述参考图像，对准所述检查图像的所述多个图像块；以及
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
15.根据条款14所述的计算机可读介质，其中由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
16.一种用于校正检查图像的失真的方法，包括：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
基于所述局部对准结果的第一子集来估计第一对准模型，并且基于所述局部对准结果的第二子集来估计第二对准模型；
基于所述第一对准模型与所述局部对准结果的第一剩余集合的拟合来评估所述第一对准模型，并且基于所述第二对准模型与所述局部对准结果的第二剩余集合的拟合来评估所述第二对准模型；
基于所述评估来选择所述第一对准模型和所述第二对准模型之一；以及
基于所选择的对准模型，校正所述检查图像的失真。
17.根据条款16所述的方法，其中评估所述第一对准模型包括：
确定所述局部对准结果的所述第一剩余集合中拟合所述第一对准模型的局部对准结果的百分比。
18.根据条款16或17所述的方法，其中所述第一子集和所述第二子集是随机选择的。
19.根据条款16至18中任一项所述的方法，还包括：
基于所述参考图像，对准所述检查图像的所述多个图像块；
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
20.根据条款19所述的方法，还包括：
获取训练检查图像图像块和训练参考图像图像块；
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
21.一种用于校正检查图像的失真的装置，包括：
存储器，存储指令集；以及
至少一个处理器，被配置为执行所述指令集以使得所述装置执行：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
基于所述局部对准结果的第一子集来估计第一对准模型，并且基于所述局部对准结果的第二子集来估计第二对准模型；
基于所述第一对准模型与所述局部对准结果的第一剩余集合的拟合来评估所述第一对准模型，并且基于所述第二对准模型与所述局部对准结果的第二剩余集合的拟合来评估所述第二对准模型；
基于所述评估，选择所述第一对准模型和所述第二对准模型之一；以及
基于所选择的对准模型，校正所述检查图像的失真。
22.根据条款21所述的装置，其中在评估所述第一对准模型时，所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
确定所述局部对准结果的所述第一剩余集合中拟合所述第一对准模型的局部对准结果的百分比。
23.根据条款21或22所述的装置，其中所述第一子集和所述第二子集是随机选择的。
24.根据条款21至23中任一项所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
基于所述参考图像，对准所述检查图像的所述多个图像块；以及
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
25.根据条款24所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
26.一种存储指令集的非暂态计算机可读介质，所述指令集由计算设备的至少一个处理器可执行以使得所述计算设备执行用于校正检查图像的失真的方法，所述方法包括：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
基于所述局部对准结果的第一子集来估计第一对准模型，并且基于所述局部对准结果的第二子集来估计第二对准模型；
基于所述第一对准模型与所述局部对准结果的第一剩余集合的拟合来评估所述第一对准模型，并且基于所述第二对准模型与所述局部对准结果的第二剩余集合的拟合来评估所述第二对准模型；
基于所述评估来选择所述第一对准模型和所述第二对准模型之一；以及
基于所选择的对准模型，校正所述检查图像的失真。
27.根据条款26所述的计算机可读介质，其中在评估所述第一对准模型时，由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
确定所述局部对准结果的所述第一剩余集合中拟合所述第一对准模型的局部对准结果的百分比。
28.根据条款26或27所述的计算机可读介质，其中所述第一子集和所述第二子集是随机选择的。
29.根据条款26至28中任一项所述的计算机可读介质，其中由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
基于所述参考图像，对准所述检查图像的所述多个图像块；以及
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
30.根据条款29所述的计算机可读介质，其中由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
31.一种用于校正检查图像的失真的方法，包括：
获取检查图像；
基于与所述检查图像相对应的参考图像来，对准所述检测图像的多个图像块；
通过机器学习模型，评估所述多个图像块中的每个图像块与所述参考图像的对应图像块之间的对准；
基于与所述检查图像相对应的参考图像，确定所述检查图像的所述多个图像块的局部对准结果；
基于所述局部对准结果，确定对准模型；以及
基于所述对准模型，校正所述检查图像的失真。
32.根据条款31所述的方法，还包括：
基于所述对准的评估，重新对准所述检查图像的所述多个图像块。
33.根据条款31或32所述的方法，其中所述多个子集是随机选择的。
34.根据条款31至33中任一项所述的方法，还包括：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
35.根据条款31至34中任一项所述的方法，其中确定所述对准模型包括：
针对所述局部对准结果的所述多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；以及
基于所述对准模型的所述评估，选择所述多个对准模型中的一个对准模型。
36.一种用于校正检查图像的失真的装置，包括：
存储器，存储指令集；以及
至少一个处理器，被配置为执行所述指令集，以使得所述装置执行：
获取检查图像；
基于与所述检查图像相对应的参考图像，对准所述检测图像的多个图像块；
通过机器学习模型，评估所述多个图像块中的每个图像块与所述参考图像的对应图像块之间的对准；
基于与所述检查图像相对应的参考图像，确定所述检查图像的所述多个图像块的局部对准结果；
基于所述局部对准结果，确定对准模型；以及
基于所述对准模型，校正所述检查图像的失真。
37.根据条款36所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
基于所述对准的评估，重新对准所述检查图像的所述多个图像块。
38.根据条款36或37所述的装置，其中所述多个子集是随机选择的。
39.根据条款36至38中任一项所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
40.根据条款36至39中任一项所述的装置，其中在确定所述对准模型时，所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
针对所述局部对准结果的所述多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；以及
基于所述对准模型的所述评估，选择所述多个对准模型中的一个对准模型。
41.一种存储指令集的非暂态计算机可读介质，所述指令集由计算设备的至少一个处理器可执行以使得所述计算设备执行用于校正检查图像的失真的方法，所述方法包括：
获取检查图像；
基于与所述检查图像相对应的参考图像，对准所述检测图像的多个图像块；
通过机器学习模型，评估所述多个图像块中的每个图像块与所述参考图像的对应图像块之间的对准；
基于与所述检查图像相对应的参考图像，确定所述检查图像的所述多个图像块的局部对准结果；
基于所述局部对准结果，确定对准模型；以及
基于所述对准模型，校正所述检查图像的失真。
42.根据条款41所述的计算机可读介质，其中由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
基于所述对准的评估，重新对准所述检查图像的所述多个图像块。
43.根据条款41或42所述的计算机可读介质，其中所述多个子集是随机选择的。
44.根据条款41至43中任一项所述的计算机可读介质，其中由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
45.根据条款41至44中任一项所述的计算机可读介质，其中在确定所述对准模型时，由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
针对所述局部对准结果的所述多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；以及
基于所述对准模型的所述评估，选择所述多个对准模型中的一个对准模型。
46.一种评估检查图像和参考图像的对准的方法，包括：
获取所述检查图像的多个图像块和所述参考图像的多个参考图像块，所述多个图像块对应于所述多个参考图像块；以及
通过机器学习模型评估所述多个图像块和所述多个参考图像块的对准。
47.根据条款46所述的方法，其中通过所述机器学习模型评估所述对准包括：
评估所述多个图像块中的第一图像块与所述多个参考图像块中的第一参考图像块的对准；以及
生成表示所述第一图像块与所述第一参考图像块对准的置信度的对准指数。
48.根据条款46所述的方法，其中通过所述机器学习模型评估所述对准包括：
评估所述多个图像块和所述多个参考图像块中的每对的对准；以及
针对所述每对，生成表示所述每对对准的置信度的对准指数。
49.根据条款46至48中任一项所述的方法，还包括：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
50.根据条款49所述的方法，其中获取成对的所述训练检查图像图像块和所述训练参考图像图像块包括：
获取所述训练检查图像图像块和所述训练参考图像图像块是否对准的信息。
51.一种评估检查图像和参考图像的对准的装置，所述装置包括：
存储器，存储指令集；以及
至少一个处理器，被配置为执行所述指令集以使得所述装置执行：
获取所述检查图像的多个图像块和所述参考图像的多个参考图像块，所述多个图像块对应于所述多个参考图像块；以及
通过机器学习模型评估所述多个图像块和所述多个参考图像块的对准。
52.根据条款51所述的装置，其中在通过所述机器学习模型评估所述对准时，所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
评估所述多个图像块中的第一图像块与所述多个参考图像块中的第一参考图像块的对准；以及
生成表示所述第一图像块与所述第一参考图像块对准的置信度的对准指数。
53.根据条款51所述的装置，其中在通过所述机器学习模型评估所述对准时，所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
评估所述多个图像块和所述多个参考图像块中的每对的对准；以及
针对所述每对生成表示所述每对对准的置信度的对准指数。
54.根据条款51至53中任一项所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
55.根据条款54所述的装置，其中在获取成对的所述训练检查图像图像块和所述训练参考图像图像块时，所述至少一个处理器被配置为执行所述指令集以使得所述装置进一步执行：
获取所述训练检查图像图像块和所述训练参考图像图像块是否对准的信息。
56.一种存储指令集的非暂态计算机可读介质，所述指令集由计算设备的至少一个处理器可执行以使得所述计算设备执行评估检查图像和参考图像的对准的方法，所述方法包括：
获取所述检查图像的多个图像块和所述参考图像的多个参考图像块，所述多个图像块对应于所述多个参考图像块；以及
通过机器学习模型评估所述多个图像块和所述多个参考图像块的对准。
57.根据条款56所述的计算机可读介质，其中在通过所述机器学习模型评估所述对准时，由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
评估所述多个图像块中的第一图像块与所述多个参考图像块中的第一参考图像块的对准；以及
生成表示所述第一图像块与所述第一参考图像块对准的置信度的对准指数。
58.根据条款56所述的计算机可读介质，其中在通过所述机器学习模型评估所述对准时，由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
评估所述多个图像块和所述多个参考图像块中的每对的对准；以及
针对所述每对生成表示所述每对对准的置信度的对准指数。
59.根据条款56至58中任一项所述的计算机可读介质，其中由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
60.根据条款59所述的计算机可读介质，其中在获取成对的所述训练检查图像图像块和所述训练参考图像图像块时，由所述计算设备的至少一个处理器可执行的所述指令集使得所述计算设备进一步执行：
获取所述训练检查图像图像块和所述训练参考图像图像块是否对准的信息。
图中的框图可以说明根据本公开的各种示例性实施例的系统、方法和计算机硬件或软件产品的可能实现的架构、功能和操作。在这点上，示意图中的每个框可以表示可以使用诸如电子电路等硬件来实现的某些算术或逻辑运算处理。框还可以表示包括用于实现指定逻辑功能的一个或多个可执行指令的代码的模块、段或部分。应当理解，在一些替代实现中，框中指示的功能可以不按图中所示的顺序出现。例如，根据所涉及的功能，连续示出的两个框可以基本上同时执行或实现，或者两个框有时可以按相反的顺序执行。也可以省略一些框。还应当理解，框图的每个框以及框的组合可以通过执行指定功能或动作的基于专用硬件的系统来实现，或者通过专用硬件和计算机指令的组合来实现。
应当理解，本公开的实施例不限于上文所述和附图中所示的确切结构，并且可以在不偏离其范围的情况下进行各种修改和改变。已经结合各种实施例描述了本公开，通过考虑本文中公开的本发明的说明书和实践，本发明的其他实施例对于本领域技术人员将是很清楚的。本说明书和实施例仅被认为是示例性的，本发明的真正范围和精神由以下权利要求指示。

Claims (15)

1.一种用于校正检查图像的失真的方法，包括：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
针对所述局部对准结果的多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；
基于所述评估，选择多个对准模型中的一个对准模型；以及
基于所选择的对准模型，校正所述检查图像的失真。
2.根据权利要求1所述的方法，其中评估所述对准模型包括：
确定所述局部对准结果的所述剩余集合中拟合所述对准模型的局部对准结果的百分比。
3.根据权利要求1所述的方法，其中所述多个子集是随机选择的。
4.根据权利要求1所述的方法，还包括：
基于所述参考图像，对准所述检查图像的所述多个图像块；以及
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
5.根据权利要求4所述的方法，还包括：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
6.一种用于校正检查图像的失真的装置，所述装置包括：
存储器，存储指令集；以及
至少一个处理器，被配置为执行所述指令集，以使得所述装置执行：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
针对所述局部对准结果的多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；
基于所述评估，选择多个对准模型中的一个对准模型；以及
基于所选择的对准模型，校正所述检查图像的失真。
7.根据权利要求6所述的装置，其中在评估所述对准模型时，所述至少一个处理器被配置为执行所述指令集以使得所述装置还执行：
确定所述局部对准结果的所述剩余集合中拟合所述对准模型的局部对准结果的百分比。
8.根据权利要求6所述的装置，其中所述多个子集是随机选择的。
9.根据权利要求6所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置还执行：
基于所述参考图像，对准所述检查图像的所述多个图像块；以及
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
10.根据权利要求9所述的装置，其中所述至少一个处理器被配置为执行所述指令集以使得所述装置还执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
11.一种存储指令集的非暂态计算机可读介质，所述指令集能够由计算设备的至少一个处理器执行以使得所述计算设备执行用于校正检查图像的失真的方法，所述方法包括：
获取检查图像；
基于与所述检查图像相对应的参考图像，确定所述检查图像的多个图像块的局部对准结果；
针对所述局部对准结果的多个子集中的每个子集：
基于所述局部对准结果的所述子集，确定对准模型，以及
基于所述对准模型与所述局部对准结果的剩余集合的拟合，评估所述对准模型；
基于所述评估，选择多个对准模型中的一个对准模型；以及
基于所选择的对准模型，校正所述检查图像的失真。
12.根据权利要求11所述的计算机可读介质，其中在评估所述对准模型时，能够由所述计算设备的至少一个处理器执行的所述指令集使得所述计算设备还执行：
确定所述局部对准结果的所述剩余集合中拟合所述对准模型的局部对准结果的百分比。
13.根据权利要求11所述的计算机可读介质，其中所述多个子集是随机选择的。
14.根据权利要求11所述的计算机可读介质，其中能够由所述计算设备的至少一个处理器执行的所述指令集使得所述计算设备还执行：
基于所述参考图像，对准所述检查图像的所述多个图像块；以及
通过机器学习模型，评估所述多个图像块中的第一图像块与所述参考图像的对应图像块之间的对准。
15.根据权利要求14所述的计算机可读介质，其中能够由所述计算设备的至少一个处理器执行的所述指令集使得所述计算设备还执行：
获取训练检查图像图像块和训练参考图像图像块；以及
训练所述机器学习模型，以预测所述训练检查图像图像块与所述训练参考图像图像块之间的对准指数。
CN202280048219.1A 2021-07-09 2022-06-02 带电粒子检查中的图像失真校正 Pending CN117751379A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163220370P 2021-07-09 2021-07-09
US63/220,370 2021-07-09
PCT/EP2022/065032 WO2023280487A1 (en) 2021-07-09 2022-06-02 Image distortion correction in charged particle inspection

Publications (1)

Publication Number Publication Date
CN117751379A true CN117751379A (zh) 2024-03-22

Family

ID=82270612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280048219.1A Pending CN117751379A (zh) 2021-07-09 2022-06-02 带电粒子检查中的图像失真校正

Country Status (8)

Country Link
US (1) US20240331115A1 (zh)
EP (1) EP4367627A1 (zh)
JP (1) JP2024529830A (zh)
KR (1) KR20240032830A (zh)
CN (1) CN117751379A (zh)
IL (1) IL309498A (zh)
TW (1) TW202307421A (zh)
WO (1) WO2023280487A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023232382A1 (en) * 2022-06-01 2023-12-07 Asml Netherlands B.V. System and method for distortion adjustment during inspection

Also Published As

Publication number Publication date
TW202307421A (zh) 2023-02-16
IL309498A (en) 2024-02-01
WO2023280487A1 (en) 2023-01-12
JP2024529830A (ja) 2024-08-14
KR20240032830A (ko) 2024-03-12
US20240331115A1 (en) 2024-10-03
EP4367627A1 (en) 2024-05-15

Similar Documents

Publication Publication Date Title
CN118401898A (zh) 基于机器学习模型的检查样品的缺陷检测的方法和系统
JP2024528451A (ja) 異常ベースの欠陥検査のための方法及びシステム
CN117751379A (zh) 带电粒子检查中的图像失真校正
US20230139085A1 (en) Processing reference data for wafer inspection
JP2024512438A (ja) Ｓｅｍ画像の強調
TWI807537B (zh) 影像對準方法及系統
WO2024068280A1 (en) Parameterized inspection image simulation
US20240062362A1 (en) Machine learning-based systems and methods for generating synthetic defect images for wafer inspection
US20240297013A1 (en) Aligning a distorted image
US20240212131A1 (en) Improved charged particle image inspection
CN117280380A (zh) 带电粒子检测中的图像增强
TW202425040A (zh) 用於影像對準之基於區域密度未對準指數
TW202436863A (zh) 建立用於計算引導檢查機器學習模型的密集缺陷機率圖
TW202333105A (zh) 掃描式電子顯微鏡之影像對準
JP2024519662A (ja) フーリエ変換ベースレイアウトパターンの階層的クラスタ化
TW202324291A (zh) 掃描式電子顯微鏡影像強化
TW202407568A (zh) 用於帶電粒子系統中缺陷位置分級之系統及方法
TW202412041A (zh) 用於在檢測期間之失真調整之系統及方法
WO2024199881A2 (en) A method to monitor the cgi model performance without ground truth information
TW202240640A (zh) 用於在帶電粒子系統中之檢查期間判定局部焦點之系統及方法
WO2024099710A1 (en) Creating a dense defect probability map for use in a computational guided inspection machine learning model
EP4128313A1 (en) Image enhancement based on charge accumulation reduction in charged-particle beam inspection
CN118435118A (zh) 用于带电粒子检查图像对准的自动参数调谐
CN118414685A (zh) 带电粒子检查中的射束位置位移校正
CN118103867A (zh) Sem图像对准

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