CN117980729A - 多模式光学检验 - Google Patents

多模式光学检验 Download PDF

Info

Publication number
CN117980729A
CN117980729A CN202380013702.0A CN202380013702A CN117980729A CN 117980729 A CN117980729 A CN 117980729A CN 202380013702 A CN202380013702 A CN 202380013702A CN 117980729 A CN117980729 A CN 117980729A
Authority
CN
China
Prior art keywords
inspection
optical
images
modes
classifier
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
CN202380013702.0A
Other languages
English (en)
Inventor
K·S·维尔克
周珉川
I·巴塔查里亚
A·塞兹希内尔
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.)
KLA Corp
Original Assignee
KLA Tencor Corp
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 KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN117980729A publication Critical patent/CN117980729A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10152—Varying illumination
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

一种检验系统可通过以下者开发检验配方：使用与N种不同光学检验模式相关联的一或多个光学检验子系统来产生初步样本的N个检验图像；使用分类器运用来自数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的位置中的每一者在背景或缺陷类别中的概率，其中M大于一且小于N并对应于待包含在所述检验配方中的所述光学检验模式的数目；及基于描述所述背景与缺陷类别之间的区别的度量来选择M种所述光学检验模式的所述组合中的一者。所述检验系统可进一步使用运用M种所述光学检验模式的所述选定组合产生的M个检验图像来识别测试样本上的缺陷。

Description

多模式光学检验
相关申请的交叉参考
本申请根据35U.S.C.§119(e)规定要求2022年3月31日提交的第63/326,268号美国临时申请的权益，所述申请的全文以引用的方式并入本文中。
技术领域
本公开大体上涉及缺陷检验，且更特定来说，涉及使用多种光学模式的缺陷检验。
背景技术
通常在半导体制造工艺中使用检验系统来识别可导致经制造装置的性能降级或失效的制造工艺的缺陷。随着经制造特征大小继续缩小，制造缺陷的大小也缩小。这导致与此类缺陷相关联的更弱可测量信号及缺陷检验期间的更低信噪比(SNR)。因此，需要开发用于解决上述缺陷的系统及方法。
发明内容
根据一或多个说明性实施例，公开一种检验系统。在一个说明性实施例中，所述系统包含控制器。在另一说明性实施例中，所述控制器通过以下者开发检验配方：使用与N种不同光学检验模式相关联的一或多个光学检验子系统的初步样本的N个检验图像；使用分类器运用来自数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的位置中的每一者在背景或缺陷类别中的概率，其中M大于一且小于N并对应于待包含在所述检验配方中的所述光学检验模式的数目；及基于描述所述背景与缺陷类别之间的区别的度量来选择M种所述光学检验模式的所述组合中的一者。在另一说明性实施例中，所述控制器可使用基于具有M种所述光学检验模式的所述选定组合的所述检验配方产生的测试样本的M个检验图像来识别所述测试样本上的缺陷。
根据一或多个说明性实施例，公开一种检验系统。在一个说明性实施例中，所述系统包含一或多个光学检验子系统及控制器。在另一说明性实施例中，所述控制器通过以下者开发检验配方：从与N种不同光学检验模式相关联的一或多个光学检验子系统接收初步样本的N个检验图像；使用分类器运用来自数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的位置中的每一者在背景或缺陷类别中的概率，其中M大于一且小于N并对应于待包含在所述检验配方中的所述光学检验模式的数目；及基于描述所述背景与缺陷类别之间的区别的度量来选择M种所述光学检验模式的所述组合中的一者。在另一说明性实施例中，所述控制器可使用基于具有M种所述光学检验模式的所述选定组合的所述检验配方产生的测试样本的M个检验图像来识别所述测试样本上的缺陷。
根据一或多个说明性实施例，公开一种检验方法。在一个说明性实施例中，所述方法包含通过以下者开发检验配方：从与N种不同光学检验模式相关联的一或多个光学检验子系统接收初步样本的N个检验图像；使用分类器运用来自数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的位置中的每一者在背景或缺陷类别中的概率，其中M大于一且小于N并对应于待包含在所述检验配方中的所述光学检验模式的数目；及基于描述所述背景与缺陷类别之间的区别的度量来选择M种所述光学检验模式的所述组合中的一者。在另一说明性实施例中，所述方法包含使用基于具有M种所述光学检验模式的所述选定组合的所述检验配方产生的测试样本的M个检验图像来识别所述测试样本上的缺陷。
应理解，前文概述及下文详细描述两者仅是示范性及解释性的且不一定限制如所要求的本发明。并入说明书中且构成说明书的一部分的附图说明本发明的实施例且与所述概述一起用于解释本发明的原理。
附图说明
所属领域的技术人员通过参考附图可更好地理解本公开的众多优点。
图1A是根据本公开的一或多个实施例的检验系统的框图。
图1B是根据本公开的一或多个实施例的光学成像子系统的简化示意图。
图2A是说明根据本公开的一或多个实施例的在检验方法中执行的步骤的流程图。
图2B是说明根据本公开的一或多个实施例的与检验方法相关联的步骤的流程图。
图2C是说明根据本公开的一或多个实施例的与检验方法相关联的步骤的流程图。
图3A是根据本公开的一或多个实施例的与通过LDA技术使用来自两种不同光学模式的运用基于SNR选择的主要模式产生的经模拟光学检验图像来识别的特定缺陷类型的背景及缺陷概率相关联的经模拟点云。
图3B是根据本公开的一或多个实施例的沿着图3A中的线的背景及缺陷类别的概率密度函数(PDF)的直方图。例如，所述线可与最佳地分离两种类别的点云坐标的线性变换相关联。
图3C是根据本公开的一或多个实施例的与通过LDA技术使用来自两种不同光学模式的基于光学模式的所有可能组合的分析产生的经模拟光学检验图像来识别的特定缺陷类型的背景及缺陷概率相关联的经模拟点云。
图3D是根据本公开的一或多个实施例的沿着图3C中的线的背景及缺陷类别的PDF的直方图。
图3E是根据本公开的一或多个实施例的针对图3A到3D中的多模式检测配置以及针对单模式操作的接收器操作特性(ROC)的图表。
图4是根据本公开的一或多个实施例的针对使用神经网络的多模式检验及单模式检验的经捕获缺陷对滋扰的图表。
具体实施方式
现将详细地参考在附图中说明的所公开主题。已关于某些实施例及其特定特征特别地展示及描述本公开。本文中阐述的实施例被视为是说明性而非限制性的。所属领域的一般技术人员应容易明白，可在不脱离本公开的精神及范围的情况下在形式及细节上作出各种改变及修改。
本公开的实施例涉及用于使用多种光学模式进行缺陷检验的系统及方法。如本文中使用，光学模式是指用来使用光学检验工具(例如，子系统)产生样本的图像的光学成像参数的组合，例如但不限于入射在样本上的照明光束的性质(例如，波长、偏光、入射角、光点大小、光点形状、焦深或类似者)或者经收集光的性质(例如，波长、偏光、集光角或类似者)。本文中经审慎考虑，样本上的缺陷可不同地响应于使用不同光学模式的成像使得可通过考虑使用不同光学模式产生的图像来改进缺陷分析或识别。此外，多模式检验可促进以比单检验模式更大的灵敏度识别缺陷。以这种方式，多模式检验可实现比单模式检验更小及/或更弱的缺陷的识别。
半导体装置通常使用一系列工艺步骤来制造，例如但不限于沉积工艺层及/或光致抗蚀剂、使用所期望图案进行光致抗蚀剂曝光、蚀刻光致抗蚀剂及/或下伏工艺层、抛光或者类似者。这些工艺中的任一者的变动可单独地或组合地导致经制造样本特征的变动。在一般意义上，一些样本变动可为可接受的且被视为滋扰，而其它样本变动可导致不可接受的性能降级或装置失效且被视为所关注缺陷(DOI)。
可在选定工艺步骤之后使用检验工具以针对缺陷检验样本。例如，检验工具可在特定工艺步骤之后产生样本的检验图像。接着通常比较此检验图像与参考图像以识别缺陷，其中缺陷与检验和参考图像之间的差异相关。例如，可从检验图像减去参考图像以产生差异图像，其中差异图像中的特征对应于缺陷(例如，可测量的样本变动)。接着可将这些缺陷分类为DOI或滋扰。虽然已开发各种类型的检验工具，但由于相对高的吞吐量，基于使用光源的照明来产生图像的光学检验工具常用于在线检验。
本公开的一些实施例涉及用来开发用于光学检验的检验配方的方法，其中检验配方包含选择待在检验过程期间实施的光学模式。例如，开发检验配方可包含但不限于使用多种光学检验模式来产生初步样本的检验图像且选择这些光学检验模式的子集以供在检验过程期间使用。作为说明，可使用N种不同光学检验模式来产生一系列N个检验图像，其中N是整数且大于待经选择以供在检验过程期间使用的光学检验模式的数目。接着，可将分类技术(例如，非监督式分类器或监督式分类器)单独地应用于这些检验图像的各种组合(例如，子集)以基于相应光学检验模式来产生由所述检验图像中的像素表示的每一样本位置在背景或缺陷类别中的概率。接着可选择多个检验图像(例如，与光学检验模式的组合相关联)的这些组合中的一者以包含在用于检验未来样本的检验配方中。
以这种方式，开发检验配方的过程可依据广泛范围的可能光学检验模式识别有效地区分缺陷与背景信号的光学模式的选定组合。本文中经审慎考虑，此多模式检验可提供明显比单模式检验技术优越的性能(例如，缺陷与背景信号之间的鉴别)。此外，情况可为，增加检验模式的数目通常可提高检验性能。然而，本文中应进一步认识到，可期望尤其在此多模式检验需要多个成像扫描且因此耗时更长来执行的情况下平衡在检验期间使用的数种光学检验模式。因此，本文中公开的系统及方法可被用来识别平衡检验性能与检验吞吐量的光学检验模式的组合。
本文中经审慎考虑，本文中公开的系统及方法可有利地基于使用所考虑光学模式产生的全面检验结果(例如，包含来自检验系统的原始数据的检验图像的全集)来识别用于多模式检验的光学模式的组合。这在配方产生阶段提供多模态信息的益处且可相对于可基于更有限信息提供多模式配方产生的现存技术提供提高的性能。
例如，一些现存技术可对包含由至少一个所考虑光学模式识别的缺陷的有限数据集执行多模式分析。作为说明，一些现存技术可在单个模式(例如，具有相对高信噪比或其它性能度量的模式)中执行全面检验运行，基于这种单模式检验来识别潜在缺陷，基于这些经预识别潜在缺陷来产生图块图像，从而使用一或多种额外模式重检这些经预识别潜在缺陷的位点且基于这些经预识别潜在缺陷来执行多模式分析。然而，经验证据展示，使用此类技术识别的DOI可具有有限的成功率。特定来说，在实践中，此类技术可能无法应对滋扰(例如，背景信号)及/或可能未能识别具有弱信号的真实缺陷，这是因为初始检验是使用单个光学模式来执行且因此受那种单个光学模式的灵敏度的限制。在2020年1月23日发布的第2020/0025689号美国专利申请公开案、2022年8月16日发布的第11,415,531号美国专利及2021年5月18日发布的第11,010,885号美国专利中大体上描述现存多模式检验技术，所有所述专利申请公开案及专利的全文以引用的方式并入本文中。
相比之下，本文中公开的系统及方法不需要任何特定光学模式在识别用于包含在检验配方中的光学模式的组合时将任何特定位置识别为缺陷。而是，本文中公开的系统及方法有利地基于来自多种模式的全面检验图像的多维分析来识别光学模式的组合。可基于来自多种模式的全面检验图像的多维分析来产生概率图。此类概率密度图可提供样本上的每一位置(例如，来自不同模式的经对准图像中的每一像素)可属于不同类别(例如，背景或缺陷类别)的概率。
本文中经审慎考虑，甚至使用单个光学模式的全面检验图像可提供大量数据(尤其用于高分辨率检验)使得考虑(例如但不限于存储器存储或处理速度)可对同时考虑来自多种模式的全面检验图像的能力施加实际限制。此类考虑可为驱动现存多模式技术的一个因素，例如但不限于使用至少一种单模式技术识别的缺陷的多模式重检。
在一些实施例中，与所有所关注光学模式(例如，N种光学模式)相关联的全面检验图像经产生、经存储在存储器中且随后经组合分析以基于性能度量来确定光学模式(例如，M种光学模式的组合，其中M小于N)的子集以包含在用于在运行时间期间使用的检验配方中。应注意，虽然M通常可具有任何值，但在一些情况中，可期望将M限于相对小的数目(例如，2到5)以平衡通过多模式检验实现的性能增强与检验吞吐量考虑。此技术可适用于但不限于其中硬件及/或时间要求可接受的情况。在一些实施例中，对M种光学模式的各种可能组合进行评估且彼此进行比较以根据所述度量来确定哪个组合提供优越性能。此技术可减少实际计算及/或存储问题，同时维持全面多模式分析的益处。
可利用任何适合度量以选择光学模式的组合以包含在检验配方中。在一些实施例中，所述度量与用于清晰地区分背景信号(例如，滋扰数据)与DOI的光学模式的组合的能力相关联。作为一个说明，所述度量可基于与多维点云中的不同分类(例如，背景或缺陷类别)相关联的点云的分离。
在本公开的精神及范围内，可使用任何适合分类器以提供概率图。在一些实施例中，所述分类器可包含非监督式及/或监督式分类技术。作为实例，监督式分类器可包含可适用于可在一种光学模式中识别缺陷的情况的鉴别分析技术(例如，线性鉴别分析(LDA)技术或类似者)。作为另一实例，非监督式分类器可包含软性聚类技术，例如但不限于高斯(Gaussian)混合建模。例如，可使用每一所考虑组合的选定检验图像来产生点云，其中软性聚类技术产生每一像素(或所关注样本上的相关联位置)可被分类在特定类别(例如，背景或缺陷类别)中的概率。以这种方式，用来选择光学模式的组合以包含在检验配方中的度量可与和点云中的背景及缺陷相关联的集群之间的分离相关联。作为另一实例，非监督式分类器包含神经网络。例如，神经网络可接受来自各种光学检验模式的检验图像且产生每一像素可被分类在背景及缺陷类别中的概率。以这种方式，神经网络的输出可基本上具有与其它技术相同的类型(例如，基于点云的软性聚类或类似者)。神经网络也可接受用于训练目的的额外信息，例如，神经网络可接受设计数据(例如，与样本上的经图案化特征相关联)使得可在确定特定像素(及因此样本上的对应位置)在背景或缺陷类别中的概率时考虑像素之间的空间关系。
本公开的额外实施例涉及用于一旦识别光学模式的组合就使用检验配方执行检验的方法。
本公开的额外实施例涉及适用于执行多模式光学检验的检验系统。
现参考图1A到4，根据本公开的一或多个实施例，更详细地描述用于多模式光学检验的系统及方法。
图1A是根据本公开的一或多个实施例的检验系统100的框图。
在一个实施例中，检验系统100包含经配置以产生样本104的一或多个图像的一或多个光学成像子系统102(例如，光学成像工具)，其中一或多个光学成像子系统102可为可配置的以使用多种光学检验模式来对样本104进行成像。例如，光学成像子系统102可包含经配置以使用来自照明源110的照明108来照明样本104的照明子系统106及经配置以使用检测器116响应于从样本发出的光(例如，样本光114)照明108而产生样本104的图像的集光子系统112。
光学检验模式可对应于与对样本104进行成像相关联的参数的任何组合，包含但不限于引导到样本104的照明或从样本104收集的光的性质。下文更详细地描述光学检验模式。
样本104可包含由半导体或非半导体材料形成的衬底(例如，晶片或类似者)。例如，半导体或非半导体材料可包含但不限于单晶硅、砷化镓及磷化铟。样本104可进一步包含安置在衬底上的一或多个层。例如，此类层可包含但不限于抗蚀剂、介电材料、导电材料及/或半导电材料。许多不同类型的此类层在所属领域中是已知的，且如本文中使用的术语样本意在涵盖其上可形成所有类型的此类层的样本。形成在样本104上的一或多个层可被图案化或未图案化。例如，样本可包含各自具有可重复的经图案化特征的多个裸片。此类材料层的形成及处理最终可导致成品装置。许多不同类型的装置可形成在样本上，且如本文中使用的术语样本意在涵盖其上制造有所属领域中已知的任何类型的装置的样本。
光学成像子系统102可使用所属领域中已知的任何技术来产生样本104的一或多个图像。在一些实施例中，光学成像子系统102是光学成像子系统102，其中照明源110是经配置以呈光的形式产生照明108的光学源，且其中集光子系统112基于从样本104发出的光来对样本104进行成像。
此外，使用不同光学检验模式的成像通常可使用任何数目个光学成像子系统102来执行。在一些实施例中，单个光学成像子系统102可经配置以使用多种光学检验模式来同时或循序地对样本104进行成像。在一些实施例中，使用不同光学成像子系统102来提供至少一些不同光学检验模式。
图1B是根据本公开的一或多个实施例的光学成像子系统102的简化示意图。
照明源110可包含所属领域中已知的适用于产生可呈一或多个照明光束的形式的光学照明108的任何类型的照明源。此外，照明108可具有任何光谱，例如但不限于极紫外光(EUV)波长、紫外光(UV)波长、可见光波长或红外光(IR)波长。此外，照明源110可为宽带源、窄带源及/或可调谐源。
在一些实施例中，照明源110包含宽带等离子体(BBP)照明源。在这方面，照明108可包含由等离子体发射的辐射。例如，BBP照明源110可包含但不需要包含经配置以聚焦到气体体积中，从而致使能量被气体吸收以便产生或维持适用于发射辐射的等离子体的一或多个泵浦源(例如，一或多个激光器)。此外，等离子体辐射的至少一部分可被用作照明108。
在另一实施例中，照明源110可包含一或多个激光器。例如，照明源110可包含所属领域中已知的能够发射在电磁光谱的红外光、可见光或紫外光部分中的辐射的任何激光器系统。
照明源110可进一步产生具有任何时间轮廓的照明108。例如，照明源110可产生连续波(CW)照明108、脉冲照明108或经调制照明108。另外，照明108可经由自由空间传播或导引光(例如，光纤、光导管或类似者)从照明源110递送。
照明子系统106及/或光学成像子系统102可包含用于将照明108引导到样本104的各种组件，例如但不限于透镜118、镜或类似者。此外，此类组件可为反射性元件或透射性元件。以这种方式，图1B中将透镜118描绘为透射性元件仅仅是说明性且非限制性的。照明子系统106可进一步包含用于修改及/或调节相关联光学路径中的光的一或多个光学元件120，例如但不限于一或多个偏光器、一或多个滤光器、一或多个光束分裂器、一或多个漫射器、一或多个均质器、一或多个变迹器或者一或多个光束塑形器。
在一些实施例中，检验系统100包含用于在成像期间固定及/或定位样本104的平移载物台122。例如，平移载物台122可包含线性致动器、旋转致动器或角度致动器的任何组合以使用任何数目的自由度来定位样本104。
光学成像子系统102可包含用于收集从样本104发出的样本光114辐射(例如，在光学成像子系统102的情况中是样本光)的至少一部分且将样本光的至少一部分引导到检测器116以用于产生图像的各种组件。由检验系统100产生的图像可为所属领域中已知的任何类型的图像，例如但不限于明场图像、暗场图像、相位对比度图像或类似者。此外，可将图像拼接在一起以形成样本104或其一部分的复合图像。
检验系统100可使用所属领域中已知的任何技术来对样本104进行进一步成像。在一些实施例中，检验系统100在扫描模式中通过将照明108聚焦到样本104上作为光点或线，捕获点或线图像且扫描样本104以建立二维图像来产生样本104的图像。在这种配置中，扫描可通过(例如，使用平移载物台122)相对于照明108移动样本104，通过(例如，使用可致动镜或类似者)相对于样本104移动照明108或其组合来实现。在一些实施例中，检验系统100在静态模式中通过在二维视场中将照明108引导到样本104且直接使用检测器116捕获二维图像来产生样本104的图像。
光学成像子系统102可包含用于将样本光114引导到检测器116的各种组件，例如但不限于透镜124、镜或类似者。此外，此类组件可为反射性元件或透射性元件。以这种方式，图1B中将透镜118描绘为透射性元件仅仅是说明性且非限制性的。光学成像子系统102可进一步包含用于修改及/或调节相关联光学路径中的光的一或多个光学元件126，例如但不限于一或多个偏光器、一或多个滤光器、一或多个光束分裂器、一或多个漫射器、一或多个均质器、一或多个变迹器或者一或多个光束塑形器。
检测器116可包含所属领域中已知的适用于测量样本光114的任何类型的传感器。例如，检测器116可包含多像素传感器，例如但不限于电荷耦合装置(CCD)、互补金属氧化物半导体(CMOS)装置、线传感器或时间延迟积分(TDI)传感器。作为另一实例，检测器116可包含两个或更多个单像素传感器，例如但不限于光电二极管、崩溃光电二极管、光电倍增管或单光子检测器。
照明子系统106及光学成像子系统102可在本公开的精神及范围内以各种方式进行配置。在一些实施例中，如图1B中说明，检验系统100包含为照明子系统106及光学成像子系统102的光学路径所共有的至少一个光束分裂器128。以这种方式，照明子系统106及光学成像子系统102均可共享共同物镜130且均可利用由物镜130提供的全可用光瞳或数值孔径(NA)。在一些实施例中，虽然未展示，但照明子系统106及光学成像子系统102可具有单独光学路径而没有共同元件。
在一些实施例中，对由光学成像子系统102产生的数据执行各种对准及/或拼接操作以形成样本104的一或多个图像。作为实例，在扫描系统的情况中，可对准及/或拼接与多个扫描带或其部分相关联的数据以形成整个样本104或仅其一部分的图像。以这种方式，在本文中使用术语图像来广泛地描述代表样本104的一部分的任何像素阵列且并不意在赋予与成像技术相关联的限制。因此，图像可对应于由光学成像子系统102提供的全数据集，可对应于这个数据的子集(例如，子图像)，或可对应于被拼接(且适当地对准)的多个数据集。
在一些实施例中，检验系统100包含控制器132，控制器132可通信地耦合到光学成像子系统102或其中的任何组件。控制器132可包含经配置以执行维持在存储器136(例如，存储器媒体)上的程序指令的一或多个处理器134。在这方面，控制器132的一或多个处理器134可执行贯穿本公开描述的各种过程步骤中的任一者。
控制器132的一或多个处理器134可包含所属领域中已知的任何处理元件。在这个意义上，一或多个处理器134可包含经配置以执行算法及/或指令的任何微处理器型装置。在一个实施例中，一或多个处理器134可由台式计算机、大型计算机系统、工作站、图像计算机、并行处理器或经配置以执行经配置以操作检验系统100的程序的任何其它计算机系统(例如，联网计算机)组成，如贯穿本公开所描述。应进一步认识到，术语“处理器”可经广泛定义以涵盖具有执行来自非暂时性存储器136的程序指令的一或多个处理元件的任何装置。
存储器136可包含所属领域中已知的适用于存储可由相关联的一或多个处理器134执行的程序指令的任何存储媒体。例如，存储器136可包含非暂时性存储器媒体。举另一实例来说，存储器136可包含但不限于只读存储器、随机存取存储器、磁性或光学存储器装置(例如，磁盘)、磁带、固态驱动器及类似者。应进一步注意，存储器136可与一或多个处理器134一起容置在共同控制器外壳中。在一个实施例中，存储器136可相对于一或多个处理器134及控制器132的物理位置远程定位。例如，控制器132的一或多个处理器134可存取可通过网络(例如，因特网、内联网及类似者)存取的远程存储器(例如，服务器)。因此，上文描述不应被解译为对本发明的限制而仅仅为说明。
可基于照明子系统106或集光子系统112中的组件的任何组合的控制来控制由光学成像子系统102提供的光学检验模式。例如，引导到样本104的照明108的控制可由照明源110直接提供及/或由光学元件120来提供，例如但不限于用于控制照明108的波长的光谱滤光器、用于控制照明108的偏光的偏光器或用于控制照明108在样本104上的角度分布的变迹器(例如，在照明光瞳平面中)。作为另一实例，从样本104收集且传递到检测器116的样本光114的控制可由光学元件120来提供，例如但不限于用于控制传递到检测器116的样本光114的波长的光谱滤光器、用于控制传递到检测器116的样本光114的偏光的偏光器或用于控制传递到检测器116的样本光114的角度分布的变迹器(例如，在集光光瞳平面中)。
作为说明，特定光学检验模式可对应于具有选定光谱(例如，如由带宽及/或中心波长描述)及以选定入射角(例如，如由照明孔径或变迹器界定)引导到样本的选定偏光的照明108。特定光学检验模式可进一步对应于引导到检测器116的样本光114的特定光谱及偏光(其两者可与入射在样本104上的照明108相同或不同)。
此外，照明源110及/或光学元件120中的任一者可为可调整的使得检验系统100可经配置以提供不同光学检验模式。例如，光学元件120中的任一者可由致动器直接调谐及/或控制以提供不同光学检验模式。在一些实施例中，控制器132产生用于照明源110及/或光学元件120中的任一者的驱动信号以选择性地提供不同光学检验模式。
在一些实施例中，检验系统100循序地使用不同光学检验模式来提供图像。例如，检验系统100可循序地在不同光学成像子系统102之间切换及/或调整光学成像子系统102的参数以使用不同光学检验模式来提供样本104的循序图像。作为另一实例，光学成像子系统102可经配置以同时使用不同光学检验模式来同时提供两个或更多个图像。作为说明，光学成像子系统102可包含各自具有单独检测器116的两个或更多个集光通道。光学成像子系统102接着可具有用于将样本光114分裂到各种通道中的一或多个光束分裂器及/或用于提供引导到每一通道中的相关联检测器116的样本光114的性质的单独控制的额外光学元件120(例如，单独光谱滤光器、偏光器或类似者)。
图2A是说明根据本公开的一或多个实施例的在检验方法200中执行的步骤的流程图。申请人指出，本文中先前在检验系统100的背景中描述的实施例及可行技术应被解译为扩展到方法200。然而，应进一步注意，方法200不限于检验系统100的架构。在一些实施例中，控制器132经配置以使用方法200或其中的任何步骤来开发检验配方。
在一些实施例中，方法200包含开发检验配方的步骤202。在一些实施例中，方法200包含使用检验配方来识别测试样本上的缺陷的步骤204。
图2B是说明根据本公开的一或多个实施例的与开发检验配方的步骤202相关联的步骤(例如，子步骤)的流程图。图2C是说明根据本公开的一或多个实施例的与开发检验配方的步骤204相关联的步骤(例如，子步骤)的流程图。
在一些实施例中，开发检验配方的步骤202包含使用与N种不同光学检验模式相关联的一或多个光学成像子系统102产生初步样本的N个检验图像的步骤206。如本文中先前描述，光学检验模式可包含一或多个光学成像子系统102的光学成像参数的任何独有组合。例如，光学检验模式可包含与用来产生图像的照明108及/或样本光114相关联的参数(例如但不限于波长、偏光或角度)的独有组合。
步骤206可包含产生任何数目个检验图像。在一些实施例中，N是大于二的整数。在一些实施例中，N是大于5、10、100或更大的整数。例如，N可大于或等于十。
N个检验图像可为任何类型的图像，包含但不限于暗场图像或明场图像。在一些实施例中，检验图像可为来自光学成像子系统102的原始图像。在这种配置中，检验图像可包含样本104上的各种经图案化特征。在一些实施例中，检验图像是差异图像。例如，可基于原始图像与可表示典范或参考的参考图像的差异(例如，减法)来产生差异图像。在这种配置中，检验图像可代表所关注测试区的原始图像与参考的偏差。可使用任何适合技术来产生此参考图像。例如，可使用参考区的单个图像来产生参考图像，所述参考区具有与测试区共同的设计且已知无缺陷或预期无缺陷。作为另一实例，可通过组合(例如，平均化或类似者)多个参考区的多个图像来产生参考图像。
在一些实施例中，步骤206进一步包含配准及/或缩放N个检验图像。以这种方式，N个检验图像可具有共同数目个像素且所有检验图像的每一像素可对应于初步样本上的共同位置。
在一些实施例中，开发检验配方的步骤202包含使用分类器(例如，非监督式及/或监督式分类器)运用来自数目M种光学检验模式的至少一些组合的检验图像来产生初步样本的位置中的每一者在背景或缺陷类别中的概率的步骤208。此外，M可为大于一且小于N的整数并对应于待包含在检验配方中的光学检验模式的数目。如本文中使用，背景类别可对应于描述在检验期间并非所关注的背景信号(例如，滋扰)的类别，而缺陷类别描述可与样本上的物理变动相关联的离群点或稀有事件。应注意，这种类别的缺陷通常可包含可影响装置性能的所关注缺陷(DOI)及可能通常不影响装置性能的额外滋扰信号。
另外，应注意，分类器通常可提供与任何数目种类别相关联的概率，其中类别的数目可为固定的或可动态地产生。例如，情况可为，样本104上的不同类型的缺陷可由分类器单独地识别(例如，区分)。以这种方式，分类器可产生与描述所有缺陷的单个缺陷类别或多种缺陷类别相关联的概率。例如，缺陷类别可对应于但不限于不同缺陷类型、缺陷位置或对性能的影响。
产生初步样本的位置中的每一者在背景或缺陷类别中的概率的过程可包含针对每一类别产生一系列概率图或概率密度函数(PDF)。作为说明，针对背景类别的PDF可提供N个检验图像的每一像素(对应于初步样本上的每一相关联位置)在背景类别中的概率，而针对缺陷类别的PDF可提供每一像素(及每一对应位置)在那种缺陷类别中的概率。此外，本文中经审慎考虑，非监督式技术通常可将数据表征成任何数目种类别(例如，背景类别及任何数目种缺陷类别)。
在一些实施例中，开发检验配方的步骤202包含基于描述背景与缺陷类别之间的区别的度量来选择M种光学检验模式的组合中的一者作为选定组合的步骤210。以这种方式，步骤208及210可基于所述度量来选择适用于区分背景与缺陷信号的光学检验模式的组合(例如，一组光学检验模式)。例如，可基于对检测进行分类的阈值(例如，概率阈值)来产生接收器操作特性(ROC)曲线。所述曲线下方的面积可被用作对模式组合进行排序的纯量度量，其中更大面积指示更准确结果。作为另一实例，所述度量可与已知测试数据在固定真阳性率下的误分类错误相关联。
换句话说，步骤208可包含使用与光学检验模式的不同组合相关联的检验图像多次实施分类器(或分类器的不同迭代)。步骤210接着可包含基于其鉴别缺陷与背景信号的能力来选择经分析组合中的一者以包含在检验配方中。
在一般意义上，来自一组N种可能光学检验模式的M种光学检验模式的可能组合的总数可由方程(1)中给出的二项式系数来描述：
作为简单说明，应用具有M＝2且N＝50的值的方程(1)导致总共1,225个可能组合。因此，本文中经审慎考虑，可能组合的数目实际上可变得令人望而却步，且在选择M、N的值及步骤208中考虑的可能组合的数目时可考虑多种因素。
例如，M对应于待包含在检验配方中且每次运行检验配方时实施的光学检验模式的数目。以这种方式，M的值可受例如但不限于对于特定应用及所利用的特定一或多个光学成像子系统102的检验吞吐量公差的因素的影响。如本文中先前描述，一些光学成像子系统102可能够同时使用多种光学检验模式(例如，经由不同集光通道)来产生图像，而一些光学成像子系统102可需要多个单独测量(例如，扫描)以使用不同光学检验模式来获得图像。因此，数目M可但不需要经选择以平衡吞吐量与通过多模式检验获得的性能提高。在一些实施例中，M的值等于二。在一些实施例中，M的值等于三。在一些实施例中，M的值在3到5的范围中。在一些实施例中，M的值高于5。
此外，N的值对应于在开发检验配方(例如，步骤202)期间考虑的光学检验模式的数目。以这种方式，N的值可受例如但不限于光学成像子系统102的物理限制、与检验配方开发相关联的时间要求或与检验配方开发相关联的计算要求的因素的影响。例如，情况可为，可使用来自宽带照明源110(例如，BBP源或类似者)的宽带照明108来获得与不同窄带波长光谱相关联的许多光学模式。此外，偏光、入射角或类似者的额外变动可进一步增加理论上可由光学成像子系统102提供的光学检验模式的可能数目。然而，情况可为，时间或计算要求实际上可限制在特定应用中实施方法200时选择的数目N。
另外，在步骤208中不一定需要考虑M种光学检验模式的所有可能组合。在一些实施例中，在步骤208中仅考虑用于N及M的选定值的光学检验模式的可能组合的一部分(例如，作为输入提供到非监督式分类器以基于相关联检验图像来产生背景及缺陷类别的概率)。例如，可选择一或多种主要模式使得在步骤208中考虑的光学检验模式的所有组合包含一或多种主要模式。本文中经审慎考虑，选择用于包含在步骤208中考虑的所有组合中的一或多种主要模式可基本上减少开发检验配方(例如，通常步骤202)所需的时间同时也提供优于单模式检验的检验性能，尽管确切性能改进可受一或多种主要模式的选择的影响。可基于任何准则(例如但不限于与缺陷信号相关联的SNR、图像对比度或任何图像质量度量)来选择一或多种主要模式。
在步骤208中可利用适用于产生初步样本的位置中的每一者在背景或缺陷类别中的概率的任何分类器。例如，所述分类器可包含任何类型的机器学习技术，例如但不限于监督式及/或非监督式机器学习技术。
在一些实施例中，所述分类器包含软性聚类技术，例如但不限于高斯混合模型(GMM)。例如，GMM可在M维空间中产生概率模型且可利用最大期望算法以迭代地定义与描述与每一经考虑组合中的M个光学检验图像相关联的M维点云中的各种类别(或集群)的高斯分布相关联的参数。例如，GMM可指派负对数似然比(NLL)分数
NLL(I(x))＝-Log(P(I(x))) (2)
其中P(I(x))是观察在像素位置x处的强度I(x)的概率。最大期望算法接着可针对相关联数据调整概率模型的参数以最大化P或最小化NLL。应注意，这种技术不需要标签且可有益地在相对短时间尺度内实施并可因此在相对短时间尺度(例如但不限于取决于所使用硬件是数天)内实现再训练(例如，步骤202中的检验配方的重复更新)。
在一些实施例中，所述分类器包含监督式鉴别分析技术，例如但不限于线性鉴别分析(LDA)技术。应注意，当在M维空间的一个区中找到缺陷信号时，LDA技术可为适当的。此外，可基于使用基于已知信息(例如，已知所关注类别(例如，背景或缺陷类别))标记的相关联光学模式产生的检验图像来训练监督式技术，包含但不限于LDA。此类标签可对应于与训练样本上的相关联物理位置对应的个别像素及/或像素群组。例如，此类标签可任选地描述具有对应于相关联图像中的点扩散函数的大小的训练样本上的区。
图3A到3E描绘基于LDA分类器的实施方案的性能模拟。然而，应理解，图3A到3E及相关联描述仅仅是出于说明性目的而提供且不应被解译为是限制性的。
图3A是根据本公开的一或多个实施例的与通过LDA技术使用来自两种不同光学模式(例如，M＝2)的运用基于SNR选择的主要模式产生的经模拟光学检验图像来识别的特定缺陷类型的背景及缺陷概率相关联的经模拟点云。例如，SNR可但不需要基于经识别缺陷的位置处的绝对值差异图像的最大灰度对同一差异图像的标准偏差的比率来确定。以这种方式，图3A可对应于N种可能光学检验模式中的光学检验模式(例如，来自步骤210)的选定组合，其中基于具有最佳SNR来预选择两种光学检验模式中的一者(例如，作为主要光学检验模式)且(例如，在步骤210中)选择第二者以提供类别之间的最佳分离。
图3B是根据本公开的一或多个实施例的沿着图3A中的线302的背景及缺陷类别的PDF的直方图。例如，线302可与最佳地分离两种类别的点云坐标的线性变换(例如，分界线)相关联。
图3C是根据本公开的一或多个实施例的与通过LDA技术使用来自两种不同光学模式(例如，M＝2)的基于光学模式的所有可能组合的分析产生的经模拟光学检验图像来识别的特定缺陷类型的背景及缺陷概率相关联的经模拟点云。例如，图3C可对应于N种可能光学检验模式中的光学检验模式(例如，来自步骤210)的选定组合，其中考虑所有可能组合且其中这个选定组合提供背景与缺陷类别之间的最佳分离。
图3D是根据本公开的一或多个实施例的沿着图3C中的线304的背景及缺陷类别的PDF的直方图。例如，线304可与最佳地分离两种类别的点云坐标的线性变换(例如，分界线)相关联。
图3E是根据本公开的一或多个实施例的针对图3A到3D中的多模式检测配置以及针对单模式操作的接收器操作特性(ROC)的图表。特定来说，线306对应于图3C及3D中的多模式配置(其中评估光学检验模式的所有可能组合)的ROC曲线，线308对应于图3A及3B中的多模式配置(其中基于SNR来选择主要模式且评估相关联组合)的ROC曲线，且线310对应于基于SNR选择的单模式检测的ROC曲线。
通过改变用来将数据分成不同类别的检测的阈值来产生ROC曲线，其中高于阈值的所有事件变为检测。曲线接着包含作为捕获率的真实检测(例如，缺陷直方图中阈值上方的区域)对水平轴上的错误检测率(例如，背景直方图中阈值上方的区域)的分率。针对单模式情况(线310)，这个阈值可为概率值(例如，与缺陷相关联的PDF的值)。针对多模式情况，这个阈值可对应于垂直于相关联分界线的线312的位置。
如图3E中说明，使用基于SNR选择的主要模式的多模式检验(线308)相对于单模式检验(线310)使性能改进(例如，减少给定捕获率的假阳性)达数个数量级，而其中考虑所有模式组合的多模式检验(线306)将假阳性率进一步减少达多个额外数量级。
再次大体上参考图2B，在一些实施例中，分类器包含神经网络(例如，生成神经网络或类似者)。本文中经审慎考虑，神经网络通常可接受任何数目个输入通道且可产生输入数据之间的关系。以这种方式，神经网络可输出特定像素(及样本上的相关联位置)可属于任何数目种类别(例如，背景或缺陷类别)的概率。例如，神经网络可产生PDF且实现与图3A到3E中针对基于点云的软性聚类技术的说明类似的分析。
在一些实施例中，步骤208包含基于来自光学检验模式的各种组合的检验图像训练或实施神经网络。检验图像可包含与光学检验模式的每一选定组合相关联的原始检验图像或差异图像的任何组合。
在一些实施例中，步骤208进一步包含基于数据的一或多个额外通道来训练或实施神经网络。例如，神经网络也可接收与样本(例如，初步样本)相关联的设计数据。以这种方式，经产生概率可至少部分地基于检验图像中的像素之间的空间关系(例如，样本上的位置之间的空间关系)。作为说明，情况可为，某些缺陷类型通常可出现在某些经图案化特征上或周围。以这种方式，特征的知识可促进这些位置中的背景与缺陷之间的更准确区别及/或不同类型的缺陷之间的区别。作为另一说明，某些缺陷类型通常可具有经扩展大小且因此占用检验图像的多个像素。以这种方式，当产生任何给定像素在背景或缺陷类别中的概率时可考虑像素的分组。应进一步理解，这些实例纯粹是说明性的且不限制神经网络的操作。
设计数据可呈任何适合格式，例如但不限于呈提供样本上的预期特征的表示的图像的形式的设计剪辑。此数据可源自任何位置，例如但不限于记录或存储媒体(例如，存储器136)。此外，设计数据可具有任何所期望水平的细节。在一些实施例中，提供到神经网络的设计数据包含相对低频的设计信息(例如，与大于选定值的空间尺度相关联的设计信息或类似者)。例如，设计数据可提供关于样本上的特征的大小、形状及定向的信息同时避免将高频噪声引入到模型中。
图4是根据本公开的一或多个实施例的针对使用神经网络的多模式检验(线402)及单模式检验(线404)的经捕获缺陷对滋扰(例如，背景)的图表。如图4中展示，针对这个实例，使用神经网络的多模式检验提供比单模式检验少近10倍的滋扰。
再次参考图2C，根据本公开的一或多个实施例，更详细地描述使用在步骤202中开发的检验配方来检验测试样本的步骤204。
在一些实施例中，检验测试样本的步骤204包含(例如，使用一或多个光学成像子系统102)运用来自检验配方的M种光学检验模式的选定组合来产生测试样本的M个检验图像的步骤212。此外，可配准及/或缩放测试样本的M个检验图像使得它们具有共同数目个对准像素，其中像素对应于测试样本上的位置。
在一些实施例中，检验测试样本的步骤204包含基于检验配方中的M个检验图像及分类器来将测试样本的位置分类成背景及缺陷类别的步骤214。例如，现可在步骤214中使用在步骤208中训练以产生每一像素属于背景及缺陷类别的概率的选定分类器以基于背景及缺陷类别来对缺陷进行分类。例如，步骤208中训练的选定分类器可提供适用于预测测试样本的新检验图像中的缺陷的描述背景及缺陷类别的权重或方程。
在一些情况中，在步骤202中训练且在步骤204中利用的分类器包含仅将输入图像传播到结果而没有任何反馈的经训练权重的固定集。权重可简单地被应用于输入数据上以实现线性变换且所有非线性激活被保持为与训练时的那些非线性激活相同。换句话说，非监督式分类器可在其训练结束时保持在相同状态。在一些情况中，可更新经训练分类器中的一些权重以考虑特定测试样本内或多个测试样本之间的变动(例如，晶片间或晶片内变动)以及工具操作条件变动。
在一些情况中，步骤214执行软性分类且可产生每一像素(及因此测试样本的每一对应位置)属于背景及缺陷类别中的每一者的概率。在一些情况中，步骤214执行硬性分类且将每一像素指派到单个类别中(例如，基于应用于概率的一或多个阈值)。
此外，在其中分类器包含神经网络的应用中，步骤214可并入与测试样本相关联的额外输入通道，例如但不限于设计数据。
再次大体上参考图2A，本文中经审慎考虑，与方法200相关联的技术可与用于测试样本上的所关注缺陷与滋扰信号之间的进一步鉴别的额外非监督式或监督式技术组合。例如，接着可使用监督式分类器来进一步分析在步骤214中在测试样本上识别的缺陷。在一些实例中，可使用额外检验工具(例如但不限于扫描电子显微镜)来分析在步骤214中识别的缺陷以验证分类。接着，可在训练监督式分类器时使用此信息作为标签。
本文中描述的主题有时说明其它组件内含有或与其它组件连接的不同组件。应理解，此类所描绘架构仅仅是示范性的，且事实上可实施实现相同功能性的许多其它架构。在概念意义上，用于实现相同功能性的组件的任何布置有效地“相关联”使得实现所期望功能性。因此，本文中经组合以实现特定功能性的任何两个组件可被视为彼此“相关联”使得实现所期望功能性而与架构或中间组件无关。同样地，如此相关联的任何两个组件也可被视为彼此“连接”或“耦合”以实现所期望功能性，且能够如此相关联的任何两个组件也可被视为彼此“可耦合”以实现所期望功能性。可耦合的具体实例包含但不限于可物理交互及/或物理交互组件以及/或者可无线交互及/或无线交互组件以及/或者可逻辑交互及/或逻辑交互组件。
据信，本公开及许多其伴随优点将通过前述描述来理解，且将明白，可在不脱离所公开主题的情况下或在不牺牲所有其实质优势的情况下在组件的形式、构造及布置上作出多种改变。所描述形式仅仅是解释性，且所附权利要求书的意图是涵盖并包含此类改变。此外，应理解，本发明由所附权利要求书来界定。

Claims (48)

1.一种检验系统，其包括：
控制器，其包含一或多个处理器以执行程序指令，从而致使所述一或多个处理器：
使用包括以下者的步骤开发检验配方：
从与N种不同光学检验模式相关联的一或多个光学检验子系统接收初步样本的N个检验图像，其中N是大于二的整数，其中所述N种光学检验模式中的每一者与所述一或多个光学检验子系统的独有光学成像参数相关联，其中所述初步样本的所述N个检验图像中的位置对应于所述初步样本上的位置；
使用分类器运用来自数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率，其中M是大于一且小于N的整数并对应于待包含在所述检验配方中的所述光学检验模式的数目；及
基于描述所述背景与缺陷类别之间的区别的度量来选择M种所述光学检验模式的所述组合中的一者作为选定组合；以及
使用基于具有M种所述光学检验模式的所述选定组合的所述检验配方产生的测试样本的M个检验图像来识别所述测试样本上的缺陷。
2.根据权利要求1所述的检验系统，其中使用基于具有M种所述光学检验模式的所述选定组合的所述检验配方产生的所述测试样本的M个检验图像来识别所述测试样本上的缺陷包括：
基于所述检验配方中的所述M个检验图像及所述分类器来将所述测试样本的所述位置分类成所述背景及缺陷类别。
3.根据权利要求1所述的检验系统，其中开发所述检验配方进一步包含配准所述初步样本的所述N个检验图像。
4.根据权利要求1所述的检验系统，其中所述初步样本的所述N个检验图像具有共同数目个像素。
5.根据权利要求1所述的检验系统，其中所述初步样本的所述N个检验图像及所述测试样本的所述M个检验图像对应于来自所述一或多个光学检验子系统的原始图像。
6.根据权利要求1所述的检验系统，其中所述初步样本的所述N个检验图像及所述测试样本的所述M个检验图像对应于基于来自所述一或多个光学检验子系统的原始图像与参考图像之间的差异的差异图像。
7.根据权利要求1所述的检验系统，其中所述缺陷类别包含单个缺陷类别。
8.根据权利要求1所述的检验系统，其中所述缺陷类别包含两种或更多种缺陷类别。
9.根据权利要求1所述的检验系统，其中所述分类器包括：
非监督式分类器。
10.根据权利要求9所述的检验系统，其中所述非监督式分类器实施软性聚类技术。
11.根据权利要求10所述的检验系统，其中所述软性聚类技术包括：
高斯混合模型(GMM)技术。
12.根据权利要求1所述的检验系统，其中所述分类器包括：
监督式分类器。
13.根据权利要求12所述的检验系统，其中所述监督式分类器实施线性鉴别分析(LDA)技术。
14.根据权利要求12所述的检验系统，其中所述监督式分类器根据包含经标记背景或缺陷类别中的至少一者的训练数据进行训练。
15.根据权利要求1所述的检验系统，其中所述分类器包括：
神经网络。
16.根据权利要求1所述的检验系统，其中使用所述分类器运用来自所述数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率包括：
使用神经网络运用来自所述数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率。
17.根据权利要求1所述的检验系统，其中使用所述分类器运用来自所述数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率包括：
使用所述分类器运用来自所述数目M种所述光学检验模式的所有所述组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率。
18.根据权利要求1所述的检验系统，其中开发所述检验配方进一步包括：
选择所述光学检验模式中的一者作为主要模式，其中使用所述分类器运用来自所述数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率包括：
使用所述分类器运用来自包含所述主要模式的所述数目M种所述光学检验模式的至少一些所述组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率。
19.根据权利要求1所述的检验系统，其中所述N种不同光学检验模式与照明波长、照明偏光或照明角中的至少一者的差异相关联。
20.根据权利要求1所述的检验系统，其中所述N种不同光学检验模式与由所述一或多个光学检验子系统收集且引导到检测器的光的波长、偏光或角度中的至少一者的差异相关联。
21.根据权利要求1所述的检验系统，其中M等于二。
22.根据权利要求1所述的检验系统，其中N大于或等于三。
23.一种检验系统，其包括：
一或多个光学检验子系统；
控制器，其通信地耦合到所述一或多个光学检验子系统，所述控制器包含一或多个处理器以执行程序指令，从而致使所述一或多个处理器：
使用包括以下者的步骤开发检验配方：
从与N种不同光学检验模式相关联的一或多个光学检验子系统接收初步样本的N个检验图像，其中N是大于二的整数，其中所述N种光学检验模式中的每一者与所述一或多个光学检验子系统的独有光学成像参数相关联，其中所述初步样本的所述N个检验图像中的位置对应于所述初步样本上的位置；
使用分类器运用来自数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率，其中M是大于一且小于N的整数并对应于待包含在所述检验配方中的所述光学检验模式的数目；及
基于描述所述背景与缺陷类别之间的区别的度量来选择M种所述光学检验模式的所述组合中的一者作为选定组合；以及
使用基于具有M种所述光学检验模式的所述选定组合的所述检验配方产生的测试样本的M个检验图像来识别所述测试样本上的缺陷。
24.根据权利要求23所述的检验系统，其中所述一或多个光学检验子系统包括：
两个或更多个光学检验子系统。
25.根据权利要求23所述的检验系统，其中所述一或多个光学检验子系统包括：
单个光学检验子系统。
26.根据权利要求23所述的检验系统，其中所述初步样本的所述N个检验图像及所述测试样本的所述M个检验图像对应于来自所述一或多个光学检验子系统的原始图像或基于来自所述一或多个光学检验子系统的所述原始图像与参考图像之间的差异的差异图像中的至少一者。
27.根据权利要求23所述的检验系统，其中所述分类器包括：
非监督式分类器。
28.根据权利要求23所述的检验系统，其中所述分类器包括：
监督式分类器。
29.根据权利要求23所述的检验系统，其中所述分类器包括：
神经网络。
30.根据权利要求23所述的检验系统，其中所述N种不同光学检验模式与照明波长、照明偏光或照明角中的至少一者的差异相关联。
31.根据权利要求23所述的检验系统，其中所述N种不同光学检验模式与由所述一或多个光学检验子系统收集且引导到检测器的光的波长、偏光或角度中的至少一者的差异相关联。
32.一种检验方法，其包括：
使用包括以下者的步骤开发检验配方：
使用与N种不同光学检验模式相关联的一或多个光学检验子系统来产生初步样本的N个检验图像，其中N是大于二的整数，其中所述N种光学检验模式中的每一者与所述一或多个光学检验子系统的独有光学成像参数相关联，其中所述初步样本的所述N个检验图像中的位置对应于所述初步样本上的位置；
使用分类器运用来自数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率，其中M是大于一且小于N的整数并对应于待包含在所述检验配方中的所述光学检验模式的数目；及
基于描述所述背景与缺陷类别之间的区别的度量来选择M种所述光学检验模式的所述组合中的一者作为选定组合；以及
使用基于具有M种所述光学检验模式的所述选定组合的所述检验配方产生的测试样本的M个检验图像来识别所述测试样本上的缺陷。
33.根据权利要求32所述的检验方法，其中使用基于具有M种所述光学检验模式的所述选定组合的所述检验配方产生的所述测试样本的M个检验图像来识别所述测试样本上的缺陷包括：
基于所述检验配方中的所述M个检验图像及所述分类器来将所述测试样本的所述位置分类成所述背景及缺陷类别。
34.根据权利要求32所述的检验方法，其中开发所述检验配方进一步包含配准所述初步样本的所述N个检验图像。
35.根据权利要求32所述的检验方法，其中所述初步样本的所述N个检验图像具有共同数目个像素。
36.根据权利要求32所述的检验方法，其中所述初步样本的所述N个检验图像及所述测试样本的所述M个检验图像对应于来自所述一或多个光学检验子系统的原始图像。
37.根据权利要求32所述的检验方法，其中所述初步样本的所述N个检验图像及所述测试样本的所述M个检验图像对应于基于来自所述一或多个光学检验子系统的原始图像与参考图像之间的差异的差异图像。
38.根据权利要求32所述的检验方法，其中所述缺陷类别包含单个缺陷类别。
39.根据权利要求32所述的检验方法，其中所述缺陷类别包含两种或更多种缺陷类别。
40.根据权利要求32所述的检验方法，其中所述分类器包括：
非监督式分类器。
41.根据权利要求32所述的检验方法，其中所述分类器包括：
监督式分类器。
42.根据权利要求32所述的检验方法，其中所述分类器包括：
神经网络。
43.根据权利要求32所述的检验方法，其中使用所述分类器运用来自所述数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率包括：
使用所述分类器运用来自所述数目M种所述光学检验模式的所有所述组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率。
44.根据权利要求32所述的检验方法，其中开发所述检验配方进一步包括：
选择所述光学检验模式中的一者作为主要模式，其中使用所述分类器运用来自所述数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率包括：
使用所述分类器运用来自包含所述主要模式的所述数目M种所述光学检验模式的至少一些组合的所述检验图像来产生所述初步样本的所述位置中的每一者在背景或缺陷类别中的概率。
45.根据权利要求32所述的检验方法，其中所述N种不同光学检验模式与照明波长、照明偏光或照明角中的至少一者的差异相关联。
46.根据权利要求32所述的检验方法，其中所述N种不同光学检验模式与由所述一或多个光学检验子系统收集且引导到检测器的光的波长、偏光或角度中的至少一者的差异相关联。
47.根据权利要求32所述的检验方法，其中M等于二。
48.根据权利要求32所述的检验方法，其中N大于或等于三。
CN202380013702.0A 2022-03-31 2023-03-30 多模式光学检验 Pending CN117980729A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202263326268P 2022-03-31 2022-03-31
US63/326,268 2022-03-31
US18/128,125 2023-03-29
US18/128,125 US20230314336A1 (en) 2022-03-31 2023-03-29 Multi-mode optical inspection
PCT/US2023/017001 WO2023192541A1 (en) 2022-03-31 2023-03-30 Multi-mode optical inspection

Publications (1)

Publication Number Publication Date
CN117980729A true CN117980729A (zh) 2024-05-03

Family

ID=88193141

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202380013702.0A Pending CN117980729A (zh) 2022-03-31 2023-03-30 多模式光学检验
CN202380013729.XA Pending CN117999474A (zh) 2022-03-31 2023-03-31 具有先前步骤删减的检验

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202380013729.XA Pending CN117999474A (zh) 2022-03-31 2023-03-31 具有先前步骤删减的检验

Country Status (5)

Country Link
US (2) US20230314336A1 (zh)
CN (2) CN117980729A (zh)
IL (2) IL311161A (zh)
TW (2) TW202413926A (zh)
WO (2) WO2023192541A1 (zh)

Family Cites Families (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100481933B1 (ko) 2000-12-14 2005-04-13 마츠시다 덴코 가부시키가이샤 영상 처리기 및 이를 이용한 패턴 인식 장치
US7009695B2 (en) 2003-04-01 2006-03-07 Applied Materials, Inc. Full frame thermal pump probe technique for detecting subsurface defects
JP2004327950A (ja) 2003-04-28 2004-11-18 Olympus Corp 欠陥修正装置
JP4789630B2 (ja) 2006-01-19 2011-10-12 株式会社東京精密 半導体製造装置、半導体外観検査装置、及び外観検査方法
IL178321A (en) 2006-09-26 2014-08-31 Orbotech Ltd Optical test system
US7812964B2 (en) 2006-11-15 2010-10-12 Zygo Corporation Distance measuring interferometer and encoder metrology systems for use in lithography tools
WO2008077100A2 (en) 2006-12-19 2008-06-26 Kla-Tencor Corporation Systems and methods for creating inspection recipes
US7746462B2 (en) 2007-05-21 2010-06-29 Kla-Tencor Technologies Corporation Inspection systems and methods for extending the detection range of an inspection system by forcing the photodetector into the non-linear range
US7796804B2 (en) 2007-07-20 2010-09-14 Kla-Tencor Corp. Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer
US8611639B2 (en) 2007-07-30 2013-12-17 Kla-Tencor Technologies Corp Semiconductor device property extraction, generation, visualization, and monitoring methods
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US9201022B2 (en) 2011-06-02 2015-12-01 Taiwan Semiconductor Manufacturing Company, Ltd. Extraction of systematic defects
WO2013134068A1 (en) * 2012-03-07 2013-09-12 Kla-Tencor Corporation Wafer and reticle inspection systems and method for selecting illumination pupil configurations
EP2828882B1 (en) 2012-03-19 2019-09-18 Kla-Tencor Corporation Method, computer system and apparatus for recipe generation for automated inspection semiconductor devices
US10599944B2 (en) 2012-05-08 2020-03-24 Kla-Tencor Corporation Visual feedback for inspection algorithms and filters
US9619876B2 (en) 2013-03-12 2017-04-11 Kla-Tencor Corp. Detecting defects on wafers based on 2D scatter plots of values determined for output generated using different optics modes
US9183624B2 (en) 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
US9613411B2 (en) 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US9262821B2 (en) 2014-05-12 2016-02-16 Kla-Tencor Corp. Inspection recipe setup from reference image variation
US9518934B2 (en) 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
US10395361B2 (en) * 2015-08-10 2019-08-27 Kla-Tencor Corporation Apparatus and methods for inspecting reticles
KR102368587B1 (ko) * 2015-10-21 2022-03-02 삼성전자주식회사 검사 장치, 그를 포함하는 반도체 소자의 제조 시스템, 및 반도체 소자의 제조 방법
US10535131B2 (en) 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
US10996569B2 (en) 2016-01-27 2021-05-04 Hitachi High-Tech Corporation Measurement device, method and display device
KR102483787B1 (ko) 2016-02-25 2023-01-04 에스케이하이닉스 주식회사 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US10395358B2 (en) 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US10504213B2 (en) 2016-11-22 2019-12-10 Kla-Tencor Corporation Wafer noise reduction by image subtraction across layers
US11270430B2 (en) 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
US10522376B2 (en) 2017-10-20 2019-12-31 Kla-Tencor Corporation Multi-step image alignment method for large offset die-die inspection
KR102665146B1 (ko) 2017-11-29 2024-05-09 케이엘에이 코포레이션 디바이스 검사 시스템을 사용한 오버레이 에러의 측정
CN111727369B (zh) * 2018-02-28 2022-12-20 株式会社日立高新技术 检查装置及其检查方法
US10533848B2 (en) 2018-03-05 2020-01-14 Kla-Tencor Corporation Metrology and control of overlay and edge placement errors
US10964016B2 (en) 2018-03-13 2021-03-30 Kla-Tencor Corporation Combining simulation and optical microscopy to determine inspection mode
US10557802B2 (en) 2018-05-09 2020-02-11 Kla-Tencor Corporation Capture of repeater defects on a semiconductor wafer
US11668655B2 (en) 2018-07-20 2023-06-06 Kla Corporation Multimode defect classification in semiconductor inspection
US20220351359A1 (en) 2018-08-15 2022-11-03 Asml Netherlands B.V. Utilize machine learning in selecting high quality averaged sem images from raw images automatically
US10923317B2 (en) 2018-09-19 2021-02-16 KLA Corp. Detecting defects in a logic region on a wafer
US10801968B2 (en) 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
JP2022043365A (ja) * 2018-11-19 2022-03-16 株式会社日立ハイテク 検査装置、検査方法、欠陥検出プログラム
US11010885B2 (en) 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US11550309B2 (en) 2019-01-08 2023-01-10 Kla Corporation Unsupervised defect segmentation
US11551348B2 (en) 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
US11619592B2 (en) 2019-07-09 2023-04-04 KLA Corp. Selecting defect detection methods for inspection of a specimen
US11120546B2 (en) 2019-09-24 2021-09-14 Kla Corporation Unsupervised learning-based reference selection for enhanced defect inspection sensitivity
US11416982B2 (en) 2019-10-01 2022-08-16 KLA Corp. Controlling a process for inspection of a specimen
US11415531B2 (en) 2019-10-11 2022-08-16 KLA Corp. Statistical learning-based mode selection for multi-mode inspection
US11494924B2 (en) 2020-04-28 2022-11-08 KLA Corp. Image alignment for noisy images
US11415526B2 (en) 2020-05-06 2022-08-16 Kla Corporation Multi-controller inspection system
US11769242B2 (en) * 2020-05-21 2023-09-26 Kla Corporation Mode selection and defect detection training
US11307150B2 (en) 2020-08-17 2022-04-19 Applied Materials Israel Ltd. Automatic optimization of an examination recipe

Also Published As

Publication number Publication date
US20230314336A1 (en) 2023-10-05
WO2023192545A1 (en) 2023-10-05
IL311362A (en) 2024-05-01
US20230316478A1 (en) 2023-10-05
TW202407331A (zh) 2024-02-16
CN117999474A (zh) 2024-05-07
IL311161A (en) 2024-04-01
TW202413926A (zh) 2024-04-01
WO2023192541A1 (en) 2023-10-05
US11921052B2 (en) 2024-03-05

Similar Documents

Publication Publication Date Title
US11379967B2 (en) Methods and systems for inspection of semiconductor structures with automatically generated defect features
CN111052331B (zh) 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法
EP3465174B1 (en) Generating simulated images from input images for semiconductor applications
US10496781B2 (en) Metrology recipe generation using predicted metrology images
US20180106732A1 (en) Optimizing Training Sets Used for Setting Up Inspection-Related Algorithms
US11087449B2 (en) Deep learning networks for nuisance filtering
KR102550474B1 (ko) 자율 결함 세그먼트화
US20220043357A1 (en) 3d structure inspection or metrology using deep learning
IL265744A (en) Optimization of useful training systems for the establishment of test-related algorithms
CN115552431A (zh) 训练机器学习模型以从检验图像产生较高分辨率图像
CN115516295A (zh) 使用深度学习方法的缺陷尺寸测量
US12080050B2 (en) Machine learning using a global texture characteristic for semiconductor-based applications
CN115516293A (zh) 模式选择及缺陷检测训练
CN115943429A (zh) 用于光学或其它模式选择的深度生成模型
US20230314336A1 (en) Multi-mode optical inspection
CN117043586A (zh) 用于线内筛选的成像反射法

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