JP2013224942A - 自動欠陥分類のための未知欠陥除去の最適化 - Google Patents

自動欠陥分類のための未知欠陥除去の最適化 Download PDF

Info

Publication number
JP2013224942A
JP2013224942A JP2013099681A JP2013099681A JP2013224942A JP 2013224942 A JP2013224942 A JP 2013224942A JP 2013099681 A JP2013099681 A JP 2013099681A JP 2013099681 A JP2013099681 A JP 2013099681A JP 2013224942 A JP2013224942 A JP 2013224942A
Authority
JP
Japan
Prior art keywords
class
defect
defects
feature space
confidence
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
JP2013099681A
Other languages
English (en)
Other versions
JP2013224942A5 (ja
Inventor
Gadi Greenberg
グリーンバーグ ガディ
Kaizerman Idan
カイゼルマン イダン
Rozenman Efrat
ローゼンマン エフラ
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 JP2013224942A publication Critical patent/JP2013224942A/ja
Publication of JP2013224942A5 publication Critical patent/JP2013224942A5/ja
Priority to JP2018095319A priority Critical patent/JP6905954B2/ja
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/987—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns with the intervention of an operator
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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

Abstract

【課題】検査データに基づいた自動欠陥分類のための改良された方法、システム、又はソフトウェアを提供すること。
【解決手段】欠陥分類のための方法は、コンピュータシステムにおいて、特徴空間における領域の定義を記憶する。定義は、欠陥クラスに関連し、パラメータを含むカーネル関数を備える。パラメータは、領域の形状を決定する。クラスに関連する少なくとも１つの欠陥の自動分類のための信頼度閾値を受け取る。信頼度閾値に関連するパラメータ値を選択する。検査中の１つ又はそれ以上のサンプルから検出された複数の欠陥に関する検査データを受け取る。カーネル関数及び選択されたパラメータ値を用いて、クラスに関する複数の欠陥を自動的に分類する。
【選択図】図７

Description

（関連出願の相互参照）
本出願は、２０１２年４月１９日出願の米国出願番号１３／４５１，４９６「自動及び手動欠陥分類の統合」（受領番号０８０９０．４４（Ｌ０２４））に関連する。
（技術分野）
本発明の実施形態は、一般的には自動検査に関し、詳細には製造欠陥の分析のための方法及びシステムに関する。
自動欠陥分類（ＡＤＣ）技術は、半導体産業において、パターニングされたウェハ上の欠陥の観察及び計測に幅広く使われている。ＡＡＤＣ技術は、製造プロセスに対してより詳細なフィードバックを提供すると共に検査員の負担を軽減するために、欠陥の存在を検出すると共に自動的に欠陥をタイプ毎に分類する。例えば、ＡＤＣ技術は、ウェハ表面の粒子状汚染物質から生じる欠陥タイプと集積回路パターン自体の不規則性に関連した欠陥タイプとを識別するために使用され、粒子や不規則性の詳細なタイプを特定することもできる。
特許文献には、ＡＤＣに関する種々の方法が説明されている。例えば、米国特許第６，２５６，０９３号明細書は、走査ウェハにおけるオンザフライＡＤＣが説明されている。光源は、ウェハ上に照明スポットを生ずるように走査ウェハを照らす。スポットから散乱した光は、少なくとも２つの離間した検出器によって検出され、ウェハ上の欠陥を検出して、欠陥を個別の欠陥タイプに分類するために解析される。
別の例として、米国特許第６，９２２，４８２号明細書には、境界情報及びトポグラフィー情報を使用するコア分類器を用いて、半導体ウェハ表面上の欠陥を多数のコアクラスのうちの１つに自動的に分類することが説明されている。次に、欠陥は、コアクラスに関連付けされて、限定された数の関連コアクラスのみから欠陥を分類するように訓練された特定の適応分類器を用いて下位クラスに分類される。コア分類器又は特定の適応分類器によって分類できない欠陥は完全分類器によって分類される。
米国特許第６，２５６，０９３号明細書 米国特許第６，９２２，４８２号明細書
本発明の実施形態は、検査データに基づいた自動欠陥分類のための改良された方法、システム、及びソフトウェアを提供する。例示的なコンピュータシステムは、特徴空間における領域の定義を記憶する。定義は、欠陥クラスに関連し、パラメータを含むカーネル関数を備える。パラメータは、領域の形状を決定する。コンピュータシステムは、クラスに関連する少なくとも１つの欠陥の自動分類のための信頼度閾値を受け取る。コンピュータシステムは、信頼度閾値に関連するパラメータ値を選択する。コンピュータシステムは、検査中の１つ又はそれ以上のサンプルから検出された複数の欠陥に関する検査データを受け取る。コンピュータシステムは、カーネル関数及び選択されたパラメータ値を用いて、クラスに関する複数の欠陥を自動的に分類する。
１つの実施形態において、コンピュータシステムは、複数の信頼度レベルの各々を、複数のパラメータ値の中の固有パラメータ値と関連付け、信頼度閾値と関連付けされたパラメータ値を選択することで、パラメータ値を選択する。
１つの実施形態において、コンピュータシステムは、カーネル関数を訓練データに適用して前記複数のパラメータ値を使用して訓練結果のセットを取得し、訓練結果に基づいて最適なパラメータ値を信頼度レベルの各々に割当てることで、複数の信頼度レベルを割当てる。
１つの実施形態において、コンピュータシステムは、信頼度閾値の各々に関するパラメータ値を選択して、カーネル関数を使用して訓練データの自動分類の間に信頼度閾値に対応する複数の欠陥のサブセットをもたらすことで、最適なパラメータ値を信頼度レベルの各々に割当てる。
１つの実施形態において、特徴空間の領域は、カーネル関数を備える１クラスサポートベクトルマシンによって規定され、複数の欠陥を自動的に分類することは、１クラスサポートベクトルマシンを使用して、クラスに属する複数の第１の欠陥と、クラスに関して未知欠陥として分類された複数の第２の欠陥とを区別することを含む。
１つの実施形態において、コンピュータシステムは、多クラスサポートベクトルマシンを適用して各欠陥をそれぞれの欠陥クラスに割当て、少なくとも１つの決定不能な欠陥を識別することで、複数の欠陥を自動的に分類し、決定不能な欠陥は、特徴空間における少なくとも２つの欠陥クラスの複数の領域の間のオーバーラップ領域に存在する。
１つの実施形態において、１クラスサポートベクトルマシンは、検査データの特徴空間における超球面への写像を規定し、信頼度レベル及びパラメータ値は、超球面を分割して超球面頂点を生成する超平面を規定し、超球面頂点は、クラスに属するとして分類される複数の欠陥を含む特徴空間の領域に写像される。
付加的な実施形態では、前述の実施形態の動作を実行するための方法が提供される。さらに、本発明の実施形態では、非一時的コンピュータ可読記憶媒体は、前述の実施形態の動作を実行するための方法を記憶する。
本発明の種々の実施形態が、以下の詳細な説明及び本発明の種々の実施形態の添付図面から十分に理解されるであろう。
本発明の実施形態による、欠陥検査分類システムの例示的な概略図である。 本発明の実施形態による、異なる欠陥クラスに属する検査特徴値を含む特徴空間の概略図である。 本発明の実施形態による、自動欠陥分類システムのブロック図である。 本発明の実施形態による、自動欠陥分類器のブロック図である。 本発明の実施形態による、特徴空間における信頼度閾値の例示的な概略図である。 本発明の実施形態による、除去率の関数として分類の純度を示す例示的な概略図である。 本発明の実施形態による、単一のクラス分類器を説明する特徴超空間の例示的な概略図である。 本発明の実施形態による、分類器カーネルパラメータを設定する方法を説明する流れ図である。 本明細書に説明される１つ又はそれ以上の操作を実行する典例示的なコンピュータシステムのブロック図である。
一般的に、自動欠陥分類（ＡＤＣ）システムは、人間の熟練者により予め分類された欠陥の集合を含む訓練データのセットを用いて調整される。ＡＤＣシステムは、多次元特徴空間における各々の欠陥クラスに関連する特徴値の関数として定義される分類規則を設定するために、訓練データを使用する。また、多次元特徴空間は、分類が３つ以上の特徴を含む場合には超空間として言及される。大部分の既存のＡＤＣシステムでは、次に、これらの設定値は、正しく分類された全欠陥の割合として定義される、精度を最適化するために試験されて調整される。
しかしながら、多くのＡＤＣ用途において、分類の純度がシステム運用のより意義のある尺度である場合がある。分類の純度とは、正しく分類された残りの欠陥（例えば、ＡＤＣシステムによって分類可能であるが除去されないことが分かっている欠陥）の割合とすることができる。システムのオペレータは、所望の純度及び／又は特定の最大除去率のような分類性能尺度を規定することができる。分類性能尺度は、ＡＤＣシステムが信頼性をもって分類できないので人間の熟練者（例えば、システムオペレータ）による分類へと戻される欠陥の割合とすることができる。ＡＤＣシステムによって除去される何パーセントかの欠陥が常に存在する可能性が高いので、分類の純度は、オペレータにとって最大の関心事となるはずである。
分類の純度は、種々のタイプの分類不確実性の影響を受ける可能性がある。欠陥に関連付けされた特徴値は、２つ（又は、それ以上）の異なる欠陥クラスの間のオーバーラップ領域に入る場合がある。欠陥の特徴値は、所定の欠陥クラスに関連付けされた範囲の外側境界に位置する場合もある。２０１０年７月２７日出願の米国特許出願番号１２／８４４，７２４には、検査データに対して、多クラス分類器及び単クラス分類器の両方を含む、複数の異なる分類器を適用することにより、種々のタイプの分類不確実性に対処するＡＤＣシステムが説明されている。このシステムでは、分類器のパラメータは、分類の純度を最適化するために、訓練して調整することができる。
本発明の実施形態は、多クラス分類器及び単クラス分類器を使用するＡＤＣシステムを提供する。多クラス分類器は、複数の欠陥クラスの間で多次元特徴空間を分割し、各々の欠陥を特徴空間内の位置に応じてクラスの１つに割当てる。多クラス分類器は、各クラスの間のオーバーラップ領域にある欠陥を決定不能な欠陥と識別する。多クラス分類器は、信頼度閾値を使用することにより、オーバーラップ領域にある欠陥を識別することができる。各々の欠陥クラスに関して、単クラス分類器は、欠陥クラスに属する欠陥と属しない欠陥とを識別するために、クラス特有の規則を適用する。クラスに属しない欠陥は、このクラスに対する信頼度閾値を用いて識別することができ、未知の欠陥と識別することもできる。単クラス分類器及び多クラス分類器は、高い純度で欠陥を分類するために一緒に使用される。異なるクラスの外側境界及びオーバーラップ領域の範囲は、可変の信頼度閾値により、除去率を所定の閾値よりも大きくならないように維持しながら純度を最大にするように調節される。
単クラス分類器（既知欠陥と未知欠陥とを識別するための）及び多クラス分類器（決定可能な欠陥と決定不能な欠陥とを識別するための）に関する信頼度閾値は、訓練プロセスで、人間のオペレータが手動で予め分類した欠陥セットを用いて調整される。この訓練プロセスの成果は、各々の欠陥クラスの特徴空間における境界を規定する分類規則（除去規則とも呼ぶ）セットである。分類規則セットは、クラスを特徴付ける検査特徴空間のそれぞれの範囲を規定することができる。また、分類規則は、欠陥の各々の単クラス分類又は多クラス分類と関連する信頼度レベルを、特徴空間における欠陥の位置の関数として与える信頼度尺度を提供する。
１つの実施形態では、単クラス分類器の各々は、クラスが占有する特徴空間の領域を規定するカーネル関数によって定義される。この領域内の欠陥は、クラスに属するものとして分類され、領域外の欠陥は、未知のものとして分類される。パラメータは、特徴空間内の領域の形状を規定することができる。訓練プロセス時に、複数の領域の形状を評価することができ、各々の信頼度閾値に対して最適な形状を見つけることができる。
分類が未知である実際の製造欠陥の分類においては、各々の分類器に対する信頼度閾値は、所望の性能レベルを達成するように選択することができる。分類が未知の実際の製造欠陥の分類は、第１の分類結果となることができる。
本発明の実施形態では、自動分類器により除去される欠陥（例えば、決定不能、又は未知として分類される）は、欠陥クラスへの分類のために、第１の分類結果を生成するために使用されたものとは異なる、１つ又はそれ以上の他の検査手法に送られて第２の分類結果がもたらされる。１つの実施形態では、検査手法は、除去された欠陥を適当な欠陥クラスへ割当てる人間の検査員である。別の実施形態では、除去された欠陥は、欠陥の位置及び／又はその近くに存在する物質に関する付加的な情報を提供する、付加的な検査データ（例えば、Ｘ線検査データ等）に基づいて分類される。除去された欠陥（第２の分類結果）に対する最新の欠陥割当ては、ＡＤＣシステムへ戻すことができる。１つの実施形態では、ＡＤＣシステムは、最新の欠陥割当て（第２の分類結果）を自動的に分類された欠陥（第１の分類結果）と一緒に、結合されたデータセットへ統合する。従って、ＡＤＣシステムは、サンプルセットにおける欠陥分布の完全で統一されたレポートを提供することができる。自動分類結果の高い純度に起因して、この統一されたレポートは、欠陥分布の最も包括的かつ正確な表示をシステムオペレータに提供できる。この種の表示は、例えば、半導体デバイス製造のようなプロセス制御用途において特に重要である。
いくつかの実施形態では、第２の分類結果は、対応する欠陥画像と一緒に自動分類器の改良に使用することができる。例えば、予め分類された訓練セットにおいて一般に発生する欠陥に関する多クラス分類器は、一般的に高い精度及び純度をもつことができるが、一般的ではない欠陥クラスに関する分類器は、低い精度及び高い除去率をもつことになる。（これらのクラスは、低い欠陥数に起因して、訓練データにおいて良好に特徴付けされていないので）。第２の分類結果は、この一般的ではない欠陥クラスに関する分類器を改良する場合に特に有用である。一般的ではない欠陥クラスに関して十分な欠陥数が蓄積されると、一般的ではない欠陥クラスを訓練セットに加えることができ、一般的ではない欠陥クラスに対する精度及び純度の向上につながる。一般的ではない欠陥クラスを追加する結果として、各々の欠陥クラスに対する信頼度レベルは同様に高くなり、最終的には除去される欠陥数を低減することができる。
本開示の実施形態は、具体的には半導体ウェハにおける欠陥の検出に関連するが、本発明の原理は、同様に他のタイプの画像特徴の自動分析及び分類に適用できる。さらに、これらの実施形態は、特定のタイプの分類器及びその組み合わせに基づいているが、本発明の他の実施形態における検査システムは、本技術分野では公知の他のタイプの分類器を使用することができる。特に、これによって異なる検査手法をシステムに統合されるような原理は、多くの異なった自動及び手動分類技術に適用することができる。
図１は、本発明の実施形態による、自動欠陥検査及び自動欠陥分類に関するシステム２０の例示的な概略図である。パターニングされた半導体ウェハ２２のようなサンプルは、検査マシン２４に挿入される。マシンは、例えば、走査型電子顕微鏡（ＳＥＭ）、光学検査装置、又は本技術分野で公知の任意の他の適切な種類の検査装置を備えることができる。マシン２４は、一般的にウェハ表面を検査して、検査結果を検出及び処理して、例えば、ウェハ上の欠陥画像を含む検査データを出力する。１つの実施形態では、検査データは、及び各々の欠陥に関連する検査特徴値と共に、ウェハ上で見つかった欠陥リスト、各々の欠陥の位置を含む。検査特徴値は、欠陥コンテクスト及び／又は本技術分野で公知の他の任意の適切な特徴だけでなく、例えば、欠陥のサイズ、形状、散乱強度、方向性、及び／又はスペクトル特性を含むことができる。
用語「検査データ」は、本発明の実施形態では、ＳＥＭ画像及び関連するメタデータに言及するために使用されるが、この用語は、データを収集するための手段に関わらず、及びウェハ全体のデータを取り込むのか又は個々の疑わしい位置付近のデータを取り込むのかに関わらず、欠陥の特徴を識別するために収集して処理することができる何らかの全ての記述的データ及び診断データを参照するように広範に理解されたい。いくつかの実施形態は、ウェハを走査して疑わしい欠陥の位置リストを提供する検査システムによって識別される欠陥の分析に適用できる。別の実施形態は、検査ツールによって提供される疑わしい欠陥の位置に基づいて、再検査ツールによって再検出される欠陥の分析に適用できる。本発明は、検査データが生成される何らかの特定の技術に限定されるものではない。従って、半導体用途に関して、本発明の実施形態は、ＵＶｉｓｉｏｎ（商標）システムのような光学検査システム、ＳＥＭＶｉｓｉｏｎ（商標）システムのような検査装置（いずれもアプライドマテリアルズ社から入手可能）、又は本技術分野で公知の他の何らかの種類の検査システム及び手法によって生成されるデータの分析に適用することができる。
ＡＤＣマシン２６は、検査マシン２４から出力された検査データを受信して処理する。検査マシン２４がウェハ２２の画像から全ての関連する検査特徴値を抽出しない場合には、ＡＤＣマシン２６は、これらの画像処理機能を実行することができる。図１において、ＡＤＣマシン２６は、検査マシンの出力に直接接続されるように示されているが、いくつかの実施形態では、ＡＤＣマシン２６は、予め取得して保存された検査データで作動することができる。別の実施形態では、ＡＤマシン２６の機能は検査マシン２４に統合することができる。
ＡＤＣマシン２６は、表示装置３２及び入力装置３４を含むユーザインターフェースに加えて、欠陥情報及び欠陥分類パラメータを保持するための記憶装置３０を有する処理装置２８を備える汎用コンピュータとすることができる。ＡＤＣマシン２６の機能を実行するコンピュータは、ＡＤＣ機能専用とすること又は付加的な計算機能を実行することができる。１つの実施形態では、本明細書に記載のＡＤＣ機能の少なくとも一部は、専用の又はプログラム可能なハードウェア論理回路によって実行される。
ＡＤＣマシン２６は、前述のように、単クラス分類器及び多クラス分類器を含む複数の分類器を実行する。以下の実施形態では、明瞭に説明する目的で、ＡＤＣマシン２６及びシステム２０の他の構成要素を参照するが、これらの実施形態の原理は、欠陥の複数のクラス又は他の未知の特徴を処理する何らかの分類システムでも同様に実施することができる。
図２は、本発明の実施形態による、特徴空間４０の例示的な概略図であり、欠陥セット４２、４４、５０、５１、５６がマッピングされている。特徴空間は２次元で表現されているが、本明細書に記載の分類プロセスは、一般により高次元の空間で実行される。図２の欠陥は、２つの異なるクラス、つまり欠陥４２に関連するクラス（以下「クラスＩ」と呼ぶ）及び欠陥４４に関連する他のクラス（以下「クラスＩＩ」と呼ぶ）に属していると想定される。欠陥４２は、特徴空間４０において境界５２により境界付けされるが、欠陥４４は特徴空間４０において境界５４により境界付けされる。この境界はオーバーラップすることができる。
ＡＤＣマシンは、２つのタイプの分類器を適用して欠陥を分類することができ、多クラス分類器及び少なくとも１つの単クラス分類器である。多クラス分類器は、クラスＩとクラスＩＩの間で識別を行う。１つの実施形態では、多クラス分類器は、２つのクラスに関連する各領域の間で境界４６を規定する２分類器である。いくつかの実施形態では、ＡＤＣマシンは、各々が異なったクラス対に対応する複数の２分類器を重ね合わせ、各々の欠陥を複数の２分類器から最も肯定的な投票結果を受け取ったクラスに割当てることにより、多クラス分類を行う。欠陥が多クラス分類器により分類されると、単クラス分類器は、境界５２及び５４で示される、それぞれのクラスに確実に割当て可能な欠陥を識別するが、境界外の欠陥を「未知のもの」として除去する。これらの単クラス分類器は、米国特許出願１２／８４４，７２４に詳細に記載されており、図３を参照して以下に説明する。
いくつかの実施形態では、ＡＤＣマシンのシステムオペレータは、欠陥クラスと関連する特徴空間４０の領域境界の位置を決定する信頼度閾値を提供する。多クラス分類に関する信頼度閾値を設定することは、境界４６の両側に境界４８を配置することに等価である。いくつかの実施形態では、信頼度閾値が高いほど、境界４８が離れることになる。ＡＤＣマシンは、各境界４８の間に存在するが境界５２又は５４の内側に位置する欠陥５１を「決定不能」として除去することができるが、その理由は、ＡＤＣマシンがこれらの欠陥を所望の信頼度レベルで何れか１つのクラスに自動的に割当てることができないからである。１つの実施形態では、決定不能な欠陥は、分類のために、システムオペレータのような人間の検査員に提供される。１つの実施形態では、決定不能な欠陥は、分類のために、従前の分類器では利用できない新しい知識を付加した手法に提供される。
いくつかの実施形態では、信頼度閾値は、単クラス分類器の境界の形状を制御する。この形状は、境界の幾何学的形状を参照することができ、境界の範囲を参照することもできる。この形状は、単クラス分類器を実行する際に使用されるカーネル関数のパラメータに関連することができる。信頼度閾値の個々の値に関して、ＡＤＣマシンは、図６と共に以下に詳細に説明されるパラメータの最適値を選択する。いくつかの実施形態では、境界範囲は、信頼度閾値が増大するにつれて縮小し、境界の幾何学的形状は、異なるカーネルパラメータ値が選択されると変化する場合もある。
図２に戻ると、欠陥５６は多クラス分類器によって判定することができるが、欠陥５６は境界５２と５４の外側に置かれるので、「未知」の欠陥として分類される場合がある。欠陥５０は、境界５２及び５４の外側で各境界４８の間にあるが、同様に「未知」の欠陥とものと見なされる。その理由は、欠陥５０が、境界５２及び５４の外側に置かれているからである。いくつかの実施形態では、信頼度閾値を小さく設定することで、欠陥５０及び／又は欠陥５６を含むように、境界５２及び／又は境界５４を十分に拡げることができ、ＡＤＣマシンによる僅かな欠陥の除去につながる。しかしながら、信頼度レベルをより低く設定することで、ＡＤＣマシンはより多くの分類エラーを生じることになるので、分類の純度が低下する。いくつかの実施形態では、信頼度閾値を増大させることで、分類の純度が向上する場合があるが、より高い除去率（より多くの欠陥がＡＤＣマシンにより未知のものとして除去される）につながる場合もある。
図３Ａは、本発明の実施形態による、ＡＤＣマシン（例えば、図２のＡＤＣマシン２６）の機能要素を示すブロック図である。いくつかの実施形態では、自動処理構成要素６０は、図１の処理装置２８により実行されるが、人間の検査員は、検査端末６８を介して図１のＡＤＣマシン２６と情報のやりとりを行う。自動処理構成要素６０は、例えばソフトウェアモジュールとして提供することができるが、この構成要素の少なくとも一部をハードウェア論理回路、又はハードウェア要素とソフトウェア要素とを組み合わせたもので実装することができる。
いくつかの実施形態では、画像処理操作は、処理装置（例えば、図１の処理装置２８）により、検査マシン（例えば、図１の検査マシン２４）によって取り込まれた各々の欠陥画像に対して適用される。画像処理操作は、形状、テクスチャー、及びコンテクスト特徴のような欠陥画像に関する特徴値ベクトルを抽出することができる。自動分類器６１は、クラスラベルに関連する信頼度値と一緒に、各欠陥に対するクラスラベルを割当てることができる。信頼度値は、欠陥が実際に割当てられたクラスに属する可能性を表すことができる。
コンパレータ６６は、信頼度値を信頼度閾値と比較することができる。１つの実施形態では、信頼度閾値は、ＡＤＣマシンのオペレータにより提供される。別の実施形態では、信頼度閾値は、目標純度及び／又は最大除去率のような、オペレータにより指定される１つ又はそれ以上の分類性能尺度に基づいて、ＡＤＣマシンにより計算される。所定の欠陥の分類信頼度が、信頼度閾値（除去レベル閾値）を満たす場合、自動割当てモジュール７１は、この分類を正しいものとして許容することができる。１つの実施形態では、分類信頼度が信頼度閾値を満たさない場合、この欠陥は除去され、検査員７０による目視検査のために端末６８へ送られる。１つの実施形態では、除去された欠陥は、Ｘ線分光法等の付加的な自動分類手順を利用して分析される。いくつかの実施形態では、信頼度閾値は、除去数と分類結果の純度との間のバランスをもたらすように決定される。図３Ａは、単一の除去レベル閾値を示すが、別の実施形態では、システムオペレータは、異なる欠陥クラスに関して異なる除去レベル閾値、つまり信頼度閾値を設定することができる。
統合論理回路７２は、モジュール７１から自動分類の結果と、端末６８から目視分類の結果を受け取り、統合されたレポート７４を生成することができる。レポート７４は、例えば、表示装置３２上に表示すること、及び異なるクラスの間での欠陥分布を示すことができる。いくつかの実施形態では、一般的な欠陥タイプに関連する分布の部分は、自動分類プロセスから生じるが、一般的ではない欠陥タイプは目視により分類されたものとなる。レポート７４は、試験中の欠陥の完全なサンプル画像を最適な純度レベルでシステムオペレータに提供する。
いくつかの実施形態では、統合論理回路７２により検査処理の過程で収集された情報は、分類器６１を改良する際に適用することができる（図３Ａで、統合論理回路７２から分類器６１への破線矢印により示されるように）。例えば、論理回路７２は、人間の検査員７０によって及び／又はクラス境界を調整するための他の自動分類手順によって提供される分類結果を統合することができる。いくつかの実施形態では、統合論理回路７２は、一般的ではないクラスに関する信頼できる自動分類器を規定するために、一般的ではないクラスに対する目視分類結果を蓄積する。これらの実施形態では、所定量の目視分類結果が蓄積されると、一般的ではないクラスは、分類器６１及び自動割当てモジュール７１により自動的に処理されるクラスのグループに追加される。
図３Ｂは、本発明の実施形態による、図３Ａの分類器６１のような分類器の例示的なブロック図である。分類器は、多クラス分類器６２及び１つ又はそれ以上の単クラス分類器６４を含むことができる。１つの実施形態では、分類器は、ＡＤＣマシンの各欠陥クラスに対する単クラス分類器６４を含むことができる。別の実施形態では、単クラス分類器６４は、１つ又は以上の欠陥クラスに対して使用することができる。
多クラス分類器６２は、欠陥に関する欠陥クラスを選択するために、又は欠陥を決定不能又は未知のものとして除去するために、各々の欠陥に関する特徴値ベクトルを処理することができる。１つの実施形態では、多クラス分類器６２は、サポートベクトルマシンである。別の実施形態では、多クラス分類器６２は、サポートベクトルマシンと同様の特性を有する分類器である。
単クラス分類器６４は、該単クラス分類器で表されるクラスに関する１つ又はそれ以上の除去規則に対する欠陥の特徴をチェックすることができる。単クラス分類器の作動は、図６を参照して以下に詳細に説明され、単クラス分類器の特定の態様は前述の米国特許出願番号１２／８４４，７２４にも説明されている。
図４は、本発明の実施形態による、所定の欠陥に対する境界８４、８６、８８、９０を示す特徴空間８０の例示的な概略図である。いくつかの実施形態では、各々の境界８４、８６，８８、９０は、異なる信頼度閾値に対応することができる。いくつかの実施形態では、各々の境界８４、８６、８８、９０は、異なる除去率又はクラスのパーセンタイル統計量に対応することができる。例えば、内側の境界８４は、境界８４に入る欠陥が高い純度で所定のクラスに属するように、大きな信頼度閾値を有することができる。本実施例では、境界８４に入らない欠陥は「未知」のものとして除去され、これらの「未知」の欠陥は実際には所定のクラスに属するが、人間の検査員か又は別の検査手法に送られて高い欠陥の割合につながる。各々の境界８６、８８、９０は、より低い信頼度閾値及びより低い純度、並びにより低い除去率に対応する。
図４に示す分類器を欠陥８２に適用することは、欠陥８２に関する特定の信頼度値の計算につながる。信頼度値は、欠陥８２がクラスに属する確率に対応することができる。境界８８によって表される信頼度閾値を分類器が選択する場合、欠陥８２は、分類器によって表されるクラスには属していないとして除去される。しかしながら、境界９０によって表される信頼度閾値を分類器が選択する場合、欠陥８２は分類器によって表されるクラスに属しているものとして受け入れられる。境界を欠陥クラスに対する除去規則を用いて規定する方法は、図６を参照して以下に詳細に説明される。
図５は、本発明の実施形態による、除去率の関数として表した分類の純度の例示的なグラフである。いくつかの実施形態では、他の分類及びクラス抽出の尺度は、それらの安定性又は信頼性指標に同様の依存度を有することになる。ＡＤＣマシンは、訓練データの実際の分類結果に基づいてグラフを生成する。この目的で、ＡＤＣマシンは、訓練データの欠陥セットに対する自動分類結果を、人間検査員により実行された「ゴールドスタンダード」（検証セット）の目視分類と比較することができる。この比較は、異なる信頼度閾値（それと対応して異なる除去率で）に対して行うことができる。全ての欠陥がＡＤＣマシンにより除去率０で自動分類される場合、マシンは多くの疑わしい欠陥を分類する必要があるので、分類の純度は低い。しかしながら、高い除去率を選択すると、分類の高い純度を与える場合があるが、ＡＤＣマシンにより「未知」のものとして分類された欠陥の目視分類に、人間検査員がより長時間を費やすことにつながる。
ＡＤＣマシンのオペレータ（例えば、人間検査員）は、所望の純度レベルを与える除去率を選択するために、又は所定の除去率を設定することからもたらされる分類の純度を評価するために、図５に示すようなグラフを利用することができる。
図６は、本発明の実施形態による、ＡＤＣマシンが使用する単クラス分類器を説明する、特徴超空間の例示的な概略図である。１つの実施形態では、単クラス分類器は、１クラスサポートベクトルマシン（ＯＣＳＶＭ）に基づいており、ＯＣＳＶＭは、対象のクラスに関する所定の信頼度レベルに関連するクラス境界（図４の境界８４、８６、８８、９０のような）を規定する。欠陥がクラス境界に入る場合、この欠陥は、この信頼度レベルでクラスに属すると見なすことができる。そうでなければ、この欠陥は未知のものとして分類される。
１つの実施形態では、ＯＣＳＶＭは、基本的ＳＶＭアルゴリズムの非線形カーネルベースバージョンである。カーネル（例えば、ガウスカーネル）は、入力欠陥データを分類器が定義される高次元空間へ変換するために使用される。カーネルは、非線形分離器であるが、カーネル空間内では一次方程式を構成する。具体的には、ＡＤＣマシンは、データを無限ユークリッド特徴空間Ｈ（ヒルベルト空間）へ
Figure 2013224942
を使って写像する。例えば、欠陥ｘiとｘj（それらの特徴ベクトルにより表される）に対するガウスカーネル関数Ｋは、次のように定義される。
Figure 2013224942
（１）
ここにγは可変カーネルパラメータであり、その値は、対象クラスに対応する特徴空間内領域の形状（サイズ及び形態）を決定する。所定の欠陥ｘに対する単クラス判定値は、次式で与えられる。
Figure 2013224942
（２）
ここに｛ｘi｝は訓練ベクトルのセットであり、αiはラグランジュ未定乗数であり、ｂは距離パラメータである。カーネル関数Ｋを有するクラスに対して、式（２）の値が非負である欠陥はこのクラスに入ると見なされ、この値が負である欠陥は「未知」のものである。この種の計算及び計算パラメータ設定値の詳細は本技術分野では公知である。
図６は特徴空間Ｈを説明しており、そこでは訓練データは超球面
Figure 2013224942
に写像される。ＯＣＳＶＭアルゴリズムは、超平面Ｗ∈Ｈを規定し、これは原点Ｏから距離ｂの超球面の有向半径に直交する、つまり
Figure 2013224942
である。対象のクラスに入る欠陥４４は、サポートベクトルを表す各境界点１００の間の超球面上に存在する。訓練段階では、ＡＤＣマシンは、所定の信頼度閾値に対して、最小の球形キャップ（最小のθ）を与えることになるサポートベクトルを取得することができる。この操作は、距離ｂを最大化することと等価である。ＯＣＳＶＭ分類器が訓練された後、「未知」の欠陥５６は、超平面Ｗの向こう側に（この場合は、距離ξiだけ離れて）見出すことができる。
単クラス分類器の最適な性能（つまり、所定の除去率での自動分類結果の最大純度）を得るために、カーネル関数の形状は、信頼度閾値の変更に合わせて変えることができる。パラメータμの値を変えることにより達成できる形状の変更は、図６に示されるように、超平面Ｗの方位角θを変えることと等価である。この変更は、異なる信頼度境界をもたらすことができる。図６は、境界点（サポートベクトル）１００及び１０４、並びにパラメータμ1及びμ2をそれぞれに有する２つの超平面を示す。第２の超平面の幾何学的配置は、第１の超平面では「未知」のものとして除去された、追加の欠陥１０２を受け入れる。
図６に示される各々の超平面に対する信頼度閾値は、それぞれのパラメータμ1及びμ2によって与えられる。与えられたμの値に対して、対応するカーネル特性は、訓練データセットに関して次の最小化問題を解くことにより決定される。
Figure 2013224942
（３）
以下の制約に従う、
Figure 2013224942
（４）
ここで、ｋは訓練セットのサイズ（つまり、分類器を生成する際に使用した、予め分類された欠陥画像の数）であり、ξiは各々の欠陥に対する分類誤差の値である。
式（３）の問題は、ラグランジュ未定乗数ベクトルαに関する最小化問題として書き直すことができる。
Figure 2013224942
（５）
全てのｉに対して、制約
Figure 2013224942
及び
Figure 2013224942
に従う。ここで、ｅはベクトル
Figure 2013224942
であり、Ｑは次式によって与えられる、ｋｘｋの正値半有限行列である。
Figure 2013224942
（６）
問題（５）の解は、信頼度閾値μの各々の値に対するパラメータ分類規則セットである（同等に除去規則として言及される）。この規則は、一般形式
Figure 2013224942
を有する。ＡＤＣマシンは、カーネルパラメータγの最適値を自動的に選択することができ、この最適値は、カーネル関数により与えられるように、クラスに対応する特徴空間において適切な形状の領域を生成する。分類規則のパラメータは、新しい各欠陥ｘの対して、式（２）に適用される。
図７は、本発明の実施形態による、分類器のカーネルパラメータを設定する方法の１つの実施形態の流れ図である。この方法は、ハードウェア（電気回路、専用論理回路等）、ソフトウェア（汎用コンピュータシステム又は専用マシンで実行されるような）、又はそれらの組み合わせを備えることができる処理ロジックにより実行される。１つの実施形態では、この方法は図１のＡＤＣマシン２６により実行される。
ブロック１１０において、処理ロジックは、対象となる各々の欠陥に関する予め分類された訓練データを受け取り、信頼度閾値（例えば、μ）及びカーネルパラメータ（例えばば、γ）の多数の異なる値の各々に関して、訓練データに対する方程式（例えば、図６の問題５）を解く。処理ロジックは、各々の（μ，γ）セットに関する除去率（つまり、「未知」のものとして分類される、試験セットの欠陥割合）を見積もる。
ブロック１１２において、処理ロジックは、ブロック１１０の結果に基づいて各々μと共に使用されることになるγの最適値を選択する。γの最適値は、システム及び適用要件に応じて様々に定義することができる。１つの実施形態では、分類器が訓練データに適用される場合、μの値に最も近い実際の除去率を与えるγの値が選択される。例えば、μが０．１に設定される場合、γの最適値は、１０％の除去率を与えるような値である。本実施形態では、この定義は、システムオペレータに除去率に関する正確な制御を提供すると同時に、分類器が受け入れる欠陥分類の純度を最適化するので、この定義は特に有用である。いくつかの実施形態では、ブロック１１０及び１１２は、予め設定されたμの値のセットのそれぞれに対して繰り返され、処理ロジックが最適値を見出すまで異なるγの値に関して探索を行う。
１つの実施形態では、試験セットに対して計算された実際の除去率が、γの最良の選択に対して予め設定された所定の限度以上、μの値と異なっている場合、処理ロジックは、対象の信頼度レベルμに関して、この欠陥クラスに対する最適なγは存在しないと結論する。本実施形態では、処理ロジックは、システムオペレータに対して、このクラスに関して予め規定された特定の除去率を使用しないよう提言することができる。更に、処理ロジックは、システムオペレータに対して、異なる除去率（例えば、１つ又はそれ以上の近い除去率）を選択するよう提言することができる。いくつかの実施形態では、訓練セットが小さい、小さな欠陥クラスに対しては最適なγが見つからない。いくつかの実施形態では、欠陥クラスの付加的な欠陥が人間の検査員により目視分類された後で、これらの付加的な欠陥を訓練セットに追加すること、及びブロック１１０及び１１２を対象のクラスに関する自動分類規則を改良するために繰り返すことができる。
図４に戻ると、各々の境界８４、８６、８８、９０は、異なる（μ，γ）セットに対応する。例えば、
Figure 2013224942

Figure 2013224942

Figure 2013224942

Figure 2013224942
である。
所定の欠陥の信頼度値は、欠陥がその外側にある最近接境界の信頼度閾値によって与えることができるので、欠陥８２に対する信頼度値は、この例ではＰ＝０．１５である。
図７へ戻ると、ブロック１１４では、処理ロジックは、γの最適値を用いて、各々の信頼度閾値μに関する除去規則
Figure 2013224942
を計算する。
ブロック１１６において、処理ロジックは、各々のμに対する自動分類結果の純度と同様に、各々のμに対する除去率を確認するために、訓練データに対して除去規則を適用する。１つの実施形態では、訓練データに対する除去規則の適用の結果は、図５を参照して説明したようにグラフで表される。別の実施形態では、訓練データに対する除去規則の適用結果が、文字形式のレポートに印刷される。各々の欠陥クラスの訓練データに対する除去規則の適用結果により、システムオペレータは、例えば、所望の分類純度を与えることになる除去率を選択することができ、その逆もまた同様である。
図８は、マシンに本明細書で説明した方法論の１つ又はそれ以上を実行させるための命令セットを実行することができるコンピュータシステム８００の例示的な形態のマシンを示す。代替的な実施形態では、マシンは、他のマシンとＬＡＮ、イントラネット、エクストラネット、又はインターネットで接続することができる（例えば、ネットワーク接続）。マシンは、クライアントサーバ環境におけるサーバー又はクライアントマシンとして作動すること、又はピアツーピア（つまり、分散型）のネットワーク環境でピアマシンとして作動することができる。マシンは、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、セットトップボックス（ＳＴＢ）、携帯型情報端末（ＰＤＡ）、セルラーフォン、ウェブ機器、サーバー、ネットワークルータ、スイッチ回路又はブリッジ回路、又は、マシンが行う動作を特定する命令セット（逐次的又はそうでないもの）を実行する能力をもつ任意のマシンとすることができる。更に、単一のマシンだけを示すが、用語「マシン」、本明細書で説明した方法論の１つ又はそれ以上を実行するための一組（又は多数の組）の命令を、個別で又は一緒に実行するマシンの何らかの集合を含むと見なすべきである。
例示的なコンピュータシステム８００は、処理装置（プロセッサ）８０２、主記憶装置８０４（例えば、読取り専用記憶装置（ＲＯＭ）、フラッシュメモリ、同期式ＤＲＡＭ（ＳＤＲＡＭ）又はダブルデータレートＳＤＲＡＭ（ＤＤＲ ＳＤＲＡＭ）又はラムバスＤＲＡＭ（ＲＤＲＡＭ）等のダイナミックランダムアクセスメモリ（ＤＲＡＭ））、スタティックメモリ８０６（例えば、フラッシュメモリ、スタティックランダムアクセスメモリ（ＳＲＡＭ）等）、又はデータ記憶装置８１８を含み、これらはバス８０８経由で相互に通信を行う。
プロセッサ８０２は、マイクロプロセッサ、中央処理装置等の、１つ又はそれ以上の汎用処理装置を表している。特に、プロセッサ８０２は、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、又は他の命令セット又は命令セットの組み合わせを実行するプロセッサとすることができる。また、プロセッサ８０２は、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタルシグナルプロセッサ（ＤＳＰ）、ネットワークプロセッサ等の１つ又はそれ以上の専用処理装置とすることができる。プロセッサ８０２は、本明細書で説明する動作又はステップを遂行するための命令８２２を実行するように構成される。
更に、コンピュータシステム８００は、ネットワークインターフェース装置８０８を含むことができる。また、コンピュータシステム８００は、ビデオ表示ユニット（例えば、液晶ディスプレイ（ＬＣＤ）又はブラウン管（ＣＲＴ））、英数字入力装置８１２（例えば、キーボード）、カーソル制御装置（例えば、マウス）、及び信号生成装置８１６（例えば、スピーカ）を含むことができる。
データ記憶装置８１８は、コンピュータ可読記憶媒体８２４を含むことができ、本明細書に記載の１つ又はそれ以上の方法論又は機能を具体化する１つ又はそれ以上の命令セット８２６（例えば、ソフトウェア）が保存される。また、命令８２６は、コンピュータシステム８００による実行時に、完全に又は少なくとも部分的に主記憶装置８０４内及び／又はプロセッサ８０２内に存在することができ、主記憶装置８０４及びプロセッサ８０２はコンピュータ可読記憶媒体を構成する。更に、命令８２６は、ネットワークインターフェース装置８２２を介して、ネットワーク８２０上で送受信することができる。
１つの実施形態では、命令８２６は、ＣＡＤベースコンテクスト属性及び／又はソフトウェアライブラリを使用した欠陥分類に関する命令を含み、ＣＡＤベースコンテクスト属性を使用した欠陥分類のための命令を含むモジュールを呼び出す方法を含む。１つの実施形態では、命令８２６は、ＣＡＤベースコンテクスト属性及び／又はソフトウェアライブラリを使用した欠陥分類に関する命令を含み、ＣＡＤベースコンテクスト属性を使用した欠陥分類のための命令を呼び出す方法を含む。例示的な実施形態では、コンピュータ可読記憶媒体８２４（マシン可読記憶媒体）は、単一の媒体として示されているが、用語「コンピュータ可読記憶媒体」は、１つ又はそれ以上の命令セットを保存する、単一の媒体又は複数の媒体（例えば、集中型データベース又は分散型データベース、及び／又は関連のキャッシュ及びサーバー）を含むと見なすべきである。また、用語「コンピュータ可読記憶媒体」は、マシンによる実行のために命令セットを保存、符号化、又は伝達する能力を有する任意の媒体、及びマシンに対して本発明の１つ又はそれ以上の方法論を実行させることができ任意の媒体を含むと見なすできである。従って、用語「コンピュータ可読記憶媒体」は、半導体メモリ、光学式媒体、及び磁気式媒体を含むと見なすことができるが、これらに限定されるものではない。
前述の説明においで、数多くの詳細内容が説明される。しかしながら、本発明の開示により恩恵を受ける当業者であれば、これらの詳細内容が無くても本発明を実施できることを理解できるはずである。いくつかの実施例では、公知の構造及び装置は、詳細にというよりはむしろ、本発明を不明瞭にしないように、詳細ではなくブロック図で示されている。
詳細な説明の一部は、コンピュータメモリ内のデータビット上の動作アルゴリズム及び記号表現を用いて示されている。これらのアルゴリズム的な説明及び表現は、データ処理の当業者へ作業結果の内容を最も効果的に伝達するために当業者が利用する手段である。本明細書では及び一般的には、アルゴリズムは、所望の結果に通じる自己矛盾の無い一連のステップであると考えられる。このステップは、物理量の物理的操作を必要とするステップである。必須はないが、通常、これらの量は、保存、転送、結合、比較、及び別な方法で操作することができる、電気的又は磁気的信号の形態である。これらの信号に、ビット、値、シンボル、特性、期間、数等としての言及することは、共通使用のために時には好都合であることが分かっている。
しかしながら、これらの用語及び類似の用語の全ては、適切な物理量に関連しており、これらの物理量に付与される単なる便宜上のラベルであることに留意されたい。以下の説明から明らかなように、特別に説明しない限り、明細書全体にわたって、用語「特定する」、「表す」、「更新する」、「決定する」、「実行する」、「提供する」、「受け取る」などを利用する説明は、コンピュータシステムのレジスタ及びメモリ内で物理的（例えば、電子的）な量で表現されるデータを操作して、コンピュータシステムのメモリ又はレジスタ、又は他のそのような情報記憶、転送、又は表示装置内の物理量として同様に表現される他のデータへ変換する、コンピュータシステム又は同様の電子計算装置の動作及びプロセスに言及することを理解されたい。
また、本発明は、本明細書に記載される操作を実行するための装置に関連する。この装置は、意図された目的を実現するように構成すること、又はコンピュータに保存されたコンピュータプログラムによって選択的に起動又は再構成される汎用コンピュータを備えることができる。このコンピュータプログラムは、コンピュータ可読記憶媒体に保存することができ、記憶媒体は、限定されるものではないが、フロッピー（登録商標）ディスク、光学ディスク、ＣＤ−ＲＯＭ、及び光磁気ディスクを含む任意のタイプのディスク、読取り専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気又は光学カード、又は電子的命令を記憶するのに適した任意のタイプの媒体とすることができる。
前記の説明は例示的であることは意図されており限定的ではないことを理解されたい。当業者であれば、前記の説明を読んで理解することにより、他の多くの実施形態を理解できるはずである。従って、本発明の範囲は、特許請求の範囲及びその均等物の範囲を参照して決定される。

Claims (15)

  1. 欠陥分類のための方法であって、
    コンピュータシステムにより、欠陥クラスに関連し、領域の形状を決定するパラメータを含むカーネル関数を備える、特徴空間における領域の定義を記憶する段階と、
    前記コンピュータシステムにより、前記クラスに関連する少なくとも１つの欠陥の自動分類のための信頼度閾値を受け取る段階と、
    前記コンピュータシステムにより、前記信頼度閾値に関連するパラメータ値を選択する段階と、
    前記コンピュータシステムにより、検査中の１つ又はそれ以上のサンプルから検出された複数の欠陥に関する検査データを受け取る段階と、
    前記コンピュータシステムにより、前記カーネル関数及び選択されたパラメータ値を用いて、前記クラスに関する前記複数の欠陥を自動的に分類する段階と、
    を含む欠陥分類のための方法。
  2. 前記パラメータ値を選択する段階は、
    複数の信頼度レベルの各々を、複数のパラメータ値の中の固有パラメータ値と関連付ける段階と、
    前記信頼度閾値と関連付けされた前記パラメータ値を選択する段階と、
    カーネル関数を訓練データに適用して、前記複数のパラメータ値を使用して訓練結果のセットを取得する段階と、
    前記訓練結果に基づいて、最適なパラメータ値を信頼度レベルの各々に割当てる段階と、
    を含む、請求項１に記載の方法。
  3. 最適なパラメータ値を信頼度レベルの各々に割当てる段階は、
    信頼度閾値の各々に関するパラメータ値を選択して、前記カーネル関数を使用して、前記訓練データの自動分類の間に前記信頼度閾値に対応する前記複数の欠陥のサブセットをもたらす段階を含む、請求項２に記載の方法。
  4. 前記特徴空間の前記領域は、前記カーネル関数を備える１クラスサポートベクトルマシンによって規定され、前記複数の欠陥を自動的に分類する段階は、前記１クラスサポートベクトルマシンを使用して、前記クラスに属する複数の第１の欠陥と、前記クラスに関して未知欠陥として分類された複数の第２の欠陥とを区別する、請求項１に記載の方法。
  5. 前記複数の欠陥を自動的に分類する段階は、多クラスサポートベクトルマシンを適用して、各欠陥をそれぞれの欠陥クラスに割当てる段階と、少なくとも１つの決定不能な欠陥を識別する段階とを含み、
    前記決定不能な欠陥は、特徴空間における少なくとも２つの欠陥クラスの複数の領域の間のオーバーラップ領域に存在し、前記１クラスサポートベクトルマシンは、検査データの前記特徴空間における超球面への写像を規定し、前記信頼度レベル及び前記パラメータ値は、前記超球面を分割して超球面頂点を生成する超平面を規定し、前記超球面頂点は、前記クラスに属するとして分類される前記複数の欠陥を含む特徴空間の領域に写像される、請求項４に記載の方法。
  6. 欠陥クラスに関連し、領域の形状を決定するパラメータを含むカーネル関数を備える、特徴空間における領域の定義を記憶するように構成されるメモリと、
    前記クラスに関連する少なくとも１つの欠陥を自動的に分類するための信頼度閾値を受け取り、前記信頼度閾値に関連するパラメータの値を選択し、検査中の１つ又はそれ以上のサンプルから検出された複数の欠陥に関する検査データを受け取り、前記カーネル関数及び選択されたパラメータ値を用いて、前記クラスに関する前記複数の欠陥を自動的に分類するように構成される、プロセッサと、
    を備える装置。
  7. 前記プロセッサは、複数の信頼度レベルの各々を、前記複数のパラメータ値の中の固有パラメータ値と関連付け、前記信頼度閾値と関連付けされた前記パラメータ値を選択し、
    カーネル関数を訓練データに適用して、前記複数のパラメータ値を使用して訓練結果のセットを取得し、前記訓練結果に基づいて、最適なパラメータ値を信頼度レベルの各々に割当てるように構成される、請求項６に記載の装置。
  8. 前記プロセッサは、信頼度閾値の各々に関するパラメータ値を選択して、前記カーネル関数を使用して、前記訓練データの自動分類の間に前記信頼度閾値に対応する前記複数の欠陥のサブセットをもたらす、請求項７に記載の装置。
  9. 前記特徴空間の前記領域は、前記カーネル関数を備える１クラスサポートベクトルマシンによって規定され、前記複数の欠陥を自動的に分類することは、前記１クラスサポートベクトルマシンを使用して、前記クラスに属する複数の第１の欠陥と、前記クラスに関して未知欠陥として分類された複数の第２の欠陥とを区別することを含む、請求項６に記載の装置。
  10. 前記プロセッサは、多クラス分類器を適用して、各欠陥をそれぞれの欠陥クラスに割当て、少なくとも１つの決定不能な欠陥を識別するように構成され、前記決定不能な欠陥は、特徴空間における少なくとも２つの欠陥クラスの複数の領域の間のオーバーラップ領域に存在し、前記１クラスサポートベクトルマシンは、検査データの前記特徴空間における超球面への写像を規定し、前記信頼度レベル及びパラメータ値は、前記超球面を分割して超球面頂点を生成する超平面を規定し、前記超球面頂点は、前記クラスに属するとして分類される前記複数の欠陥を含む特徴空間の領域に写像される、請求項９に記載の装置。
  11. 処理装置により実行される場合に、前記処理装置に、
    欠陥クラスに関連し、領域の形状を決定するパラメータを含むカーネル関数を備える、特徴空間における領域の定義を記憶する段階と、
    前記クラスに関連する少なくとも１つの欠陥の自動分類のための信頼度閾値を受け取る段階と、
    前記信頼度閾値に関連するパラメータ値を選択する段階と、
    検査中の１つ又はそれ以上のサンプルから検出された複数の欠陥に関する検査データを受け取る段階と、
    前記カーネル関数及び選択されたパラメータ値を用いて、前記クラスに関する前記複数の欠陥を自動的に分類する段階と、
    を含む操作を実行させる命令を有する非一時的コンピュータ可読記憶媒体。
  12. 前記処理装置は、
    複数の信頼度レベルの各々を、複数のパラメータ値の中の固有パラメータ値と関連付ける段階と、
    前記信頼度閾値と関連付けされた前記パラメータ値を選択する段階と、
    カーネル関数を訓練データに適用して、前記複数のパラメータ値を使用して訓練結果のセットを取得する段階と、
    前記訓練結果に基づいて、最適なパラメータ値を信頼度レベルの各々に割当てる段階と、
    を更に含む操作を実行する、請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  13. 前記処理装置は、
    信頼度閾値の各々に関するパラメータ値を選択して、前記カーネル関数を使用して、前記訓練データの自動分類の間に前記信頼度閾値に対応する前記複数の欠陥のサブセットをもたらす段階を更に含む操作を実行する、請求項１２に記載の非一時的コンピュータ可読記憶媒体。
  14. 前記特徴空間の前記領域は、前記カーネル関数を備える１クラスサポートベクトルマシンによって規定され、前記複数の欠陥を自動的に分類する段階は、前記１クラスサポートベクトルマシンを使用して、前記クラスに属する複数の第１の欠陥と、前記クラスに関して未知欠陥として分類された複数の第２の欠陥とを区別する、請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  15. 前記処理装置は、
    多クラス分類器を適用して、各欠陥をそれぞれの欠陥クラスに割当てる段階と、少なくとも１つの決定不能な欠陥を識別する段階とを更に含む操作を実行し、前記決定不能な欠陥は、特徴空間における少なくとも２つの欠陥クラスの複数の領域の間のオーバーラップ領域に存在し、前記１クラスサポートベクトルマシンは、検査データの前記特徴空間における超球面への写像を規定し、前記信頼度レベル及びパラメータ値は、前記超球面を分割して超球面頂点を生成する超平面を規定し、前記超球面頂点は、前記クラスに属するとして分類される前記複数の欠陥を含む特徴空間の領域に写像される、請求項１４に記載の非一時的コンピュータ可読記憶媒体。
JP2013099681A 2012-04-19 2013-04-18 自動欠陥分類のための未知欠陥除去の最適化 Pending JP2013224942A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018095319A JP6905954B2 (ja) 2012-04-19 2018-05-17 自動欠陥分類のための未知欠陥除去の最適化

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/451,500 US9715723B2 (en) 2012-04-19 2012-04-19 Optimization of unknown defect rejection for automatic defect classification
US13/451,500 2012-04-19

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2018095319A Division JP6905954B2 (ja) 2012-04-19 2018-05-17 自動欠陥分類のための未知欠陥除去の最適化

Publications (2)

Publication Number Publication Date
JP2013224942A true JP2013224942A (ja) 2013-10-31
JP2013224942A5 JP2013224942A5 (ja) 2016-06-09

Family

ID=49380168

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2013099681A Pending JP2013224942A (ja) 2012-04-19 2013-04-18 自動欠陥分類のための未知欠陥除去の最適化
JP2018095319A Active JP6905954B2 (ja) 2012-04-19 2018-05-17 自動欠陥分類のための未知欠陥除去の最適化

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2018095319A Active JP6905954B2 (ja) 2012-04-19 2018-05-17 自動欠陥分類のための未知欠陥除去の最適化

Country Status (4)

Country Link
US (1) US9715723B2 (ja)
JP (2) JP2013224942A (ja)
KR (1) KR102110755B1 (ja)
TW (1) TWI585397B (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150072332A (ko) * 2013-12-19 2015-06-29 후지쯔 가부시끼가이샤 검색 방법, 기억 매체 및 검색 장치
WO2017168630A1 (ja) * 2016-03-30 2017-10-05 株式会社日立ハイテクノロジーズ 欠陥検査装置、欠陥検査方法
CN107820620A (zh) * 2015-05-08 2018-03-20 科磊股份有限公司 用于缺陷分类的方法和系统
JP2018198034A (ja) * 2017-05-25 2018-12-13 日東電工株式会社 画像分類システム、画像分類機能付製造装置、画像分類用の識別器、及び画像分類方法
JP2019075553A (ja) * 2017-09-28 2019-05-16 アプライド マテリアルズ イスラエル リミテッド 半導体試料の欠陥を分類する方法およびそのシステム
JP2020113767A (ja) * 2019-01-16 2020-07-27 アプライド マテリアルズ イスラエル リミテッド 半導体試料の欠陥を分類する方法およびそのシステム
WO2021075152A1 (ja) * 2019-10-18 2021-04-22 株式会社日立ハイテク 欠陥分類装置、欠陥分類プログラム

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295024B (zh) * 2012-02-29 2017-03-01 佳能株式会社 分类与对象检测方法和装置以及图像拍摄和处理设备
US9262726B2 (en) * 2013-01-17 2016-02-16 Applied Materials, Inc. Using radial basis function networks and hyper-cubes for excursion classification in semi-conductor processing equipment
WO2015090774A1 (en) 2013-12-17 2015-06-25 Asml Netherlands B.V. Yield estimation and control
US10614373B1 (en) 2013-12-23 2020-04-07 Groupon, Inc. Processing dynamic data within an adaptive oracle-trained learning system using curated training data for incremental re-training of a predictive model
US11210604B1 (en) 2013-12-23 2021-12-28 Groupon, Inc. Processing dynamic data within an adaptive oracle-trained learning system using dynamic data set distribution optimization
US10657457B1 (en) 2013-12-23 2020-05-19 Groupon, Inc. Automatic selection of high quality training data using an adaptive oracle-trained learning framework
US20150332167A1 (en) * 2014-05-13 2015-11-19 Tokyo Electron Limited System and method for modeling and/or analyzing manufacturing processes
US10650326B1 (en) * 2014-08-19 2020-05-12 Groupon, Inc. Dynamically optimizing a data set distribution
US9286675B1 (en) * 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
US10339468B1 (en) 2014-10-28 2019-07-02 Groupon, Inc. Curating training data for incremental re-training of a predictive model
US9791929B2 (en) * 2014-10-31 2017-10-17 Elwha Llc Tactile control system
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
JP6430228B2 (ja) * 2014-12-15 2018-11-28 株式会社Ｓｃｒｅｅｎホールディングス 画像分類装置および画像分類方法
US20160189055A1 (en) * 2014-12-31 2016-06-30 Applied Materials Israel Ltd. Tuning of parameters for automatic classification
CN107450968B (zh) * 2016-05-31 2020-09-08 华为技术有限公司 负载还原方法、装置和设备
US11449980B2 (en) * 2016-07-08 2022-09-20 Ats Automation Tooling Systems Inc. System and method for combined automatic and manual inspection
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
KR20180054063A (ko) * 2016-11-14 2018-05-24 주식회사 고영테크놀러지 검사체에 대한 양부 판정 조건을 조정하는 방법 및 장치
US11366068B2 (en) 2016-11-14 2022-06-21 Koh Young Technology Inc. Inspection apparatus and operating method thereof
TWI608369B (zh) * 2016-11-23 2017-12-11 財團法人工業技術研究院 分類方法、分類模組及電腦程式產品
US10365617B2 (en) * 2016-12-12 2019-07-30 Dmo Systems Limited Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
US11032300B2 (en) 2017-07-24 2021-06-08 Korea University Research And Business Foundation Intrusion detection system based on electrical CAN signal for in-vehicle CAN network
US11636399B2 (en) * 2017-10-03 2023-04-25 Nec Corporation Parameter estimation system, parameter estimation method, and parameter estimation program recording medium for estimating parameter and kernel functions by incorporating machine learning
DE102018109816B3 (de) * 2018-04-24 2019-10-24 Yxlon International Gmbh Verfahren zur Gewinnung mindestens eines signifikanten Merkmals in einer Serie von Bauteilen gleichen Typs und Verfahren zur Klassifikation eines Bauteils eienr solchen Serie
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
US10769770B2 (en) * 2018-05-07 2020-09-08 Cummins Enterprise Llc Quality monitoring system and quality monitoring method for fuel cell manufacturing line and quality monitoring system for manufacturing line
JP2019204232A (ja) * 2018-05-22 2019-11-28 株式会社ジェイテクト 情報処理方法、情報処理装置、及びプログラム
CN108776808A (zh) * 2018-05-25 2018-11-09 北京百度网讯科技有限公司 一种用于检测钢包溶蚀缺陷的方法和装置
CN110910021A (zh) * 2019-11-26 2020-03-24 上海华力集成电路制造有限公司 一种基于支持向量机监控在线缺陷的方法
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
DE102020208474B4 (de) 2020-07-07 2022-01-27 Robert Bosch Gesellschaft mit beschränkter Haftung Messung der Empfindlichkeit von Klassifikatoren anhand zusammenwirkender Störungen
US11404244B1 (en) * 2021-02-10 2022-08-02 Applied Materials Israel Ltd. High-resolution x-ray spectroscopy surface material analysis
US11501951B1 (en) 2021-05-14 2022-11-15 Applied Materials Israel Ltd. X-ray imaging in cross-section using un-cut lamella with background material
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
CN114119472A (zh) * 2021-10-21 2022-03-01 东方晶源微电子科技（北京）有限公司 缺陷分类方法和装置、设备及存储介质
CN114998315B (zh) * 2022-07-18 2022-11-01 东声(苏州)智能科技有限公司 基于深度学习的缺陷检测模型的训练方法和装置
WO2024036552A1 (en) * 2022-08-18 2024-02-22 Applied Materials, Inc. Method for defect review measurement on a substrate, apparatus for imaging a substrate, and method of operating thereof

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004047939A (ja) * 2002-05-23 2004-02-12 Hitachi High-Technologies Corp 欠陥分類器の生成方法および欠陥自動分類方法
JP2008076167A (ja) * 2006-09-20 2008-04-03 Yamaguchi Univ 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム
JP2010249547A (ja) * 2009-04-10 2010-11-04 Denso Corp 外観検査装置及び外観検査方法

Family Cites Families (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5923430A (en) 1993-06-17 1999-07-13 Ultrapointe Corporation Method for characterizing defects on semiconductor wafers
US8144368B2 (en) 1998-01-20 2012-03-27 Digimarc Coporation Automated methods for distinguishing copies from original printed objects
US5991699A (en) 1995-05-04 1999-11-23 Kla Instruments Corporation Detecting groups of defects in semiconductor feature space
US6292582B1 (en) 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
US6148099A (en) * 1997-07-03 2000-11-14 Neopath, Inc. Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification
US6195458B1 (en) 1997-07-29 2001-02-27 Eastman Kodak Company Method for content-based temporal segmentation of video
US7318051B2 (en) * 2001-05-18 2008-01-08 Health Discovery Corporation Methods for feature selection in a learning machine
US6996549B2 (en) * 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
US6256093B1 (en) 1998-06-25 2001-07-03 Applied Materials, Inc. On-the-fly automatic defect classification for substrates using signal attributes
US6650779B2 (en) * 1999-03-26 2003-11-18 Georgia Tech Research Corp. Method and apparatus for analyzing an image to detect and identify patterns
US6922482B1 (en) 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
US6763130B1 (en) 1999-07-21 2004-07-13 Applied Materials, Inc. Real time defect source identification
US6577757B1 (en) 1999-07-28 2003-06-10 Intelligent Reasoning Systems, Inc. System and method for dynamic image recognition
JP2001156135A (ja) 1999-11-29 2001-06-08 Hitachi Ltd 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法
US6999614B1 (en) 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
US20020165839A1 (en) 2001-03-14 2002-11-07 Taylor Kevin M. Segmentation and construction of segmentation classifiers
IL149588A (en) 2001-05-11 2007-07-24 Orbotech Ltd Image searching defect detector
WO2002095553A2 (en) * 2001-05-18 2002-11-28 Imprivata Inc. Biometric authentication for remote initiation of actions and services
JP3726263B2 (ja) 2002-03-01 2005-12-14 ヒューレット・パッカード・カンパニー 文書分類方法及び装置
US20040034612A1 (en) * 2002-03-22 2004-02-19 Nick Mathewson Support vector machines for prediction and classification in supply chain management and other applications
US7020337B2 (en) * 2002-07-22 2006-03-28 Mitsubishi Electric Research Laboratories, Inc. System and method for detecting objects in images
US7359544B2 (en) 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
US7602962B2 (en) * 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines
US7756320B2 (en) 2003-03-12 2010-07-13 Hitachi High-Technologies Corporation Defect classification using a logical equation for high stage classification
US9002497B2 (en) 2003-07-03 2015-04-07 Kla-Tencor Technologies Corp. Methods and systems for inspection of wafers and reticles using designer intent data
US7106434B1 (en) 2003-07-28 2006-09-12 Kla-Tencor Technologies, Inc. Inspection tool
US20070063548A1 (en) * 2003-08-19 2007-03-22 Konrad Eipper Supporting frame structure
US7490071B2 (en) 2003-08-29 2009-02-10 Oracle Corporation Support vector machines processing system
JP2005158780A (ja) 2003-11-20 2005-06-16 Hitachi Ltd パターン欠陥検査方法及びその装置
JP2005198970A (ja) * 2004-01-19 2005-07-28 Konica Minolta Medical & Graphic Inc 医用画像処理装置
US20050175243A1 (en) 2004-02-05 2005-08-11 Trw Automotive U.S. Llc Method and apparatus for classifying image data using classifier grid models
US7609893B2 (en) 2004-03-03 2009-10-27 Trw Automotive U.S. Llc Method and apparatus for producing classifier training images via construction and manipulation of a three-dimensional image model
US20060009011A1 (en) 2004-07-06 2006-01-12 Gary Barrett Method for recycling/reclaiming a monitor wafer
US7188050B2 (en) 2004-08-25 2007-03-06 Siemens Corporate Research, Inc. Method and apparatus for detecting out-of-range conditions in power generation equipment operations
US7450766B2 (en) 2004-10-26 2008-11-11 Hewlett-Packard Development Company, L.P. Classifier performance
TWI447575B (zh) 2005-01-21 2014-08-01 Photon Dynamics Inc 自動缺陷修復系統
JP4654093B2 (ja) 2005-08-31 2011-03-16 株式会社日立ハイテクノロジーズ 回路パターン検査方法及びその装置
JP4776308B2 (ja) 2005-09-05 2011-09-21 株式会社東京精密 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570800B2 (en) 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
JP4644613B2 (ja) 2006-02-27 2011-03-02 株式会社日立ハイテクノロジーズ 欠陥観察方法及びその装置
US7684609B1 (en) 2006-05-25 2010-03-23 Kla-Tencor Technologies Corporation Defect review using image segmentation
JP4253335B2 (ja) * 2006-07-13 2009-04-08 株式会社東芝 カーネル関数値を用いた、画像の平均値シフトによるフィルタリングとクラスタリングの方法及び装置
JP4908995B2 (ja) * 2006-09-27 2012-04-04 株式会社日立ハイテクノロジーズ 欠陥分類方法及びその装置並びに欠陥検査装置
US7877722B2 (en) 2006-12-19 2011-01-25 Kla-Tencor Corp. Systems and methods for creating inspection recipes
US8194968B2 (en) 2007-01-05 2012-06-05 Kla-Tencor Corp. Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
JP5022174B2 (ja) 2007-10-22 2012-09-12 株式会社日立製作所 欠陥分類方法及びその装置
JP5081590B2 (ja) 2007-11-14 2012-11-28 株式会社日立ハイテクノロジーズ 欠陥観察分類方法及びその装置
US7949622B2 (en) 2007-12-13 2011-05-24 Yahoo! Inc. System and method for generating a classifier model for classifying web content
US8583416B2 (en) * 2007-12-27 2013-11-12 Fluential, Llc Robust information extraction from utterances
US7756658B2 (en) 2008-05-14 2010-07-13 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer and generating inspection results for the wafer
US20090305423A1 (en) 2008-06-09 2009-12-10 Ohio State University Research Foundation Methods for Monitoring Composition and Flavor Quality of Cheese Using a Rapid Spectroscopic Method
US8175373B2 (en) 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
US8112241B2 (en) 2009-03-13 2012-02-07 Kla-Tencor Corp. Methods and systems for generating an inspection process for a wafer
US8457414B2 (en) * 2009-08-03 2013-06-04 National Instruments Corporation Detection of textural defects using a one class support vector machine
US8315453B2 (en) * 2010-07-27 2012-11-20 Applied Materials Israel, Ltd. Defect classification with optimized purity
US9165051B2 (en) 2010-08-24 2015-10-20 Board Of Trustees Of The University Of Illinois Systems and methods for detecting a novel data class
US8983179B1 (en) * 2010-11-10 2015-03-17 Google Inc. System and method for performing supervised object segmentation on images
US8502146B2 (en) 2011-10-03 2013-08-06 Kla-Tencor Corporation Methods and apparatus for classification of defects using surface height attributes
JP6173423B2 (ja) 2012-03-19 2017-08-02 ケーエルエー−テンカー コーポレイション 自動検査半導体デバイスのレシピ生成のための方法、コンピュータシステムおよび装置
US10043264B2 (en) 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
US10599944B2 (en) 2012-05-08 2020-03-24 Kla-Tencor Corporation Visual feedback for inspection algorithms and filters
US10330608B2 (en) 2012-05-11 2019-06-25 Kla-Tencor Corporation Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools
US8826200B2 (en) 2012-05-25 2014-09-02 Kla-Tencor Corp. Alteration for wafer inspection
US9053390B2 (en) 2012-08-14 2015-06-09 Kla-Tencor Corporation Automated inspection scenario generation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004047939A (ja) * 2002-05-23 2004-02-12 Hitachi High-Technologies Corp 欠陥分類器の生成方法および欠陥自動分類方法
JP2008076167A (ja) * 2006-09-20 2008-04-03 Yamaguchi Univ 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム
JP2010249547A (ja) * 2009-04-10 2010-11-04 Denso Corp 外観検査装置及び外観検査方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101662904B1 (ko) 2013-12-19 2016-10-05 후지쯔 가부시끼가이샤 검색 방법, 기억 매체 및 검색 장치
KR20150072332A (ko) * 2013-12-19 2015-06-29 후지쯔 가부시끼가이샤 검색 방법, 기억 매체 및 검색 장치
CN107820620A (zh) * 2015-05-08 2018-03-20 科磊股份有限公司 用于缺陷分类的方法和系统
WO2017168630A1 (ja) * 2016-03-30 2017-10-05 株式会社日立ハイテクノロジーズ 欠陥検査装置、欠陥検査方法
KR20180102117A (ko) * 2016-03-30 2018-09-14 가부시키가이샤 히다치 하이테크놀로지즈 결함 검사 장치, 결함 검사 방법
KR102084535B1 (ko) 2016-03-30 2020-03-05 가부시키가이샤 히다치 하이테크놀로지즈 결함 검사 장치, 결함 검사 방법
JP2018198034A (ja) * 2017-05-25 2018-12-13 日東電工株式会社 画像分類システム、画像分類機能付製造装置、画像分類用の識別器、及び画像分類方法
JP7286290B2 (ja) 2017-09-28 2023-06-05 アプライド マテリアルズ イスラエル リミテッド 半導体試料の欠陥を分類する方法およびそのシステム
JP2019075553A (ja) * 2017-09-28 2019-05-16 アプライド マテリアルズ イスラエル リミテッド 半導体試料の欠陥を分類する方法およびそのシステム
JP2020113767A (ja) * 2019-01-16 2020-07-27 アプライド マテリアルズ イスラエル リミテッド 半導体試料の欠陥を分類する方法およびそのシステム
KR102367310B1 (ko) 2019-01-16 2022-02-23 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편에서 결함들을 분류하는 방법 및 그 시스템
JP7025459B2 (ja) 2019-01-16 2022-02-24 アプライド マテリアルズ イスラエル リミテッド 半導体試料の欠陥を分類する方法およびそのシステム
KR20200089618A (ko) * 2019-01-16 2020-07-27 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편에서 결함들을 분류하는 방법 및 그 시스템
WO2021075152A1 (ja) * 2019-10-18 2021-04-22 株式会社日立ハイテク 欠陥分類装置、欠陥分類プログラム
JP2021068745A (ja) * 2019-10-18 2021-04-30 株式会社日立ハイテク 欠陥分類装置、欠陥分類プログラム
JP7390851B2 (ja) 2019-10-18 2023-12-04 株式会社日立ハイテク 欠陥分類装置、欠陥分類プログラム

Also Published As

Publication number Publication date
JP6905954B2 (ja) 2021-07-21
KR20130118275A (ko) 2013-10-29
KR102110755B1 (ko) 2020-05-15
JP2018128468A (ja) 2018-08-16
TW201350836A (zh) 2013-12-16
US20130279795A1 (en) 2013-10-24
TWI585397B (zh) 2017-06-01
US9715723B2 (en) 2017-07-25

Similar Documents

Publication Publication Date Title
JP6285640B2 (ja) 自動及び手動欠陥分類の統合
JP6905954B2 (ja) 自動欠陥分類のための未知欠陥除去の最適化
JP6391083B2 (ja) 自動欠陥分類における分類器の準備及び保守
TWI691914B (zh) 用於自動分類的方法，及其裝置、系統，及電腦可讀取媒體
US10901402B2 (en) Closed-loop automatic defect inspection and classification
TWI571946B (zh) 疊代式缺陷濾除製程
TWI416346B (zh) 具最佳化純度的瑕疵分級方法
TW201915770A (zh) 對半導體樣本中的缺陷進行分類之方法及其系統
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
KR102483787B1 (ko) 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
KR102530950B1 (ko) 반도체 시편에서의 결함들의 분류
TWI755468B (zh) 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法
CN110660694B (zh) 基于系统缺陷的半导体晶片的引导式检验
CN113222884B (zh) 检查样本的方法和其系统
TWI683284B (zh) 保留可重標準化性之製造樣本成型
CN110310897B (zh) 基于空间密度分析的半导体晶片的引导检查

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160418

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160418

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170215

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170301

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20170601

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170801

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20180117