JP2018506168A - サンプリング及びフィーチャ選択を伴わない自動欠陥分類 - Google Patents

Abstract

半導体プロセスにおける欠陥分類のためのシステム及び方法を提供する。本システムは、半導体プロセスからウェハの欠陥画像を受け取るべく構成された通信ラインと、その通信ラインで以て電子通信するディープアーキテクチャニューラルネットワークと、を備える。そのニューラルネットワークは、欠陥画像由来の画素をフィルタで以て畳み込むことで第１フィーチャマップを生成するよう構成されたニューロン群からなる、第１畳み込み層を有する。このニューラルネットワークは、また、第１フィーチャマップのサイズ及び変動を低減するよう構成された第１サブサンプリング層を有する。フィーチャマップに基づき欠陥分類を特定するためクラシファイアを設ける。本システムは、複数個の畳み込み層及び／又はサブサンプリング層を有するものとしうる。ある方法では、ディープアーキテクチャニューラルネットワーク例えば畳み込みニューラルネットワークを用い欠陥画像から１個又は複数個のフィーチャが抽出される。

Description

本件開示は、半導体製造ツールにおける自動欠陥分類のためのシステム及び方法に関する。

（関連出願への相互参照）
本願は、２０１４年１２月３日付米国暫定特許出願第６２／０８７，１８０号及び２０１５年６月１１日付米国暫定特許出願第６２／１７４，２８８号に基づく優先権主張を伴う出願であるので、それら暫定出願による開示をこの参照を以て繰り入れることにする。

半導体デバイスの製造では、半導体プロセス内で欠陥を分類するのに欠陥レビューシステムが用いられ、そのプロセスのエクスカーション（歩留まり急落）又は欠陥の根本原因を絞り込むのに役立てられている。欠陥レビューシステムは、サブミクロンレベルにて欠陥エリア周囲の高分解能画像を捕捉することによりこれを実行する。このシステムやオペレータは、捕捉した画像に依拠し、またそれら欠陥の種類と生産歩留まりに対する欠陥の影響の仕方とに従い、欠陥をカテゴリ分類することができる。システムを用い行われるのであればこれは自動プロセスである。通常の自動化技術では欠陥のうちかなりの部分がなおも未分類のまま残されるので、現状の自動欠陥分類技術ではオペレータの介在がまだ必要である。

欠陥レビュー画像を表現するフィーチャベクトルは欠陥分類の精度にとり重要である。弁別性のフィーチャ（形状的特徴）は発見及び保有することすら難しく、多くの商用欠陥レビュー及び分類システムでしばしば秘密として保全されてきた。フィーチャ群は階層的様式に従い組織化することができる。例えば、一般的な低位フィーチャたるエッジディテクタに対し、中位キュー例えば平行線、隅部、線連接部等々は隣接エリア内にある一組のエッジパターンにより形成される。周知の通り、大抵の画像処理技術では低位フィーチャの抽出に焦点が置かれており、且つ上位オブジェクト表現用フィーチャの設計は非常に困難である。加えて、ある一組の欠陥画像を分類するのに用いうるフィーチャだからといって、他のどのようなデータセットでもうまく働くとは限らない。従って、中位から上位のオブジェクトを表現可能なフィーチャを見つける新手法が必要である。

現行の欠陥分類実務では、オペレータが各カテゴリから数個の欠陥画像をサンプリングし、顕著な時間を費やしてフィーチャをサーチすることで、未分類欠陥画像を対応するカテゴリへと分類する。このプロセスは半導体製造プロセスにて各新規デバイスの層毎に反復されうるので、ファブがランプアップするまでの時間が増してしまう。更に、オペレータが、そのデバイスについての自分の理解及び経験に基づき別の弁別性フィーチャを選ぶことができるので、オペレータが他の人に変わることで分類結果も変わりうる。こうした一貫性のない分類は、ウェハ製造のプロセス制御にて不必要な混乱、或いは更に矛盾を引き起こす。有用なフィーチャを自動的にサーチ可能なシステム又は方法があれば、オペレータにとり有益となろう。

多くの欠陥画像自動分類手法が具体化されてきた。第１のものでは、欠陥画像を特徴付けるフィーチャが抽出された後、各欠陥にクラスコードを割り当てるためのクラシファイア（分類器）がフィーチャの数値に基づき構築される。抽出されるフィーチャには、ある種の欠陥を他種の欠陥から仕分ける区別力が備わっていなければならない。例えば、特許文献１には、カーネル関数を用い、欠陥エリアの領域をその領域の形状を特徴付けうる実数値フィーチャに振り替える方法が、開示されている。抽出されたフィーチャに依拠するこの分類手法は、通常、単純な二分岐の決定木（例えば特許文献２記載の決定木）となる。

米国特許出願公開第２０１３／０２７９７９５号明細書 米国特許第８６６０３４０号明細書 米国特許第８３１５４５３号明細書

上述手法に付随する周知問題の一つはクラシファイアの寄与である。一般的な現行のクラシファイアで分類可能なのは、デバイスから見つかる欠陥のうち６０％〜７０％である。それなのに、生産環境における欠陥レビューシステムのスループットが故に、オペレータに残りの画像をマニュアル分類させることはできない。例えば、ある既知の欠陥レビューシステムでは、１時間当たり約１８０００〜２００００個以上の欠陥を見つけることができる。６０％〜７０％の自動分類率では、なおも、１時間当たり約６０００〜８０００個の欠陥をオペレータがマニュアル分類する必要が残る。

クラシファイアの寄与を、複雑な機械学習手法例えば（特許文献３記載の）サポートベクタマシンを用いることにより改善しうるシステムが、既に開発されている。しかしながら、これらのシステムは、生産時のトレーニングフェーズやエキスパートが定義したフィーチャセットを必要とするため、生産ランプに強い影響を及ぼしかねず、またフィーチャを識別するため高度にトレーニングされたオペレータが必要になりうる。

本件開示のある実施形態では半導体プロセスにおける欠陥分類システムが提供される。本システムは、半導体プロセスからウェハの欠陥画像を受け取るべく構成された通信ラインを備える。この通信ラインは、例えば有線ネットワーク接続、無線ネットワーク接続、シリアルライン、ＵＳＢ接続その他、どのような通信ラインでもよい。画像はリモートデバイスから受け取るのでもローカルデバイスから受け取るのでもよい。例えば、画像は格納デバイス、半導体プロセス内検査デバイス、カメラ等々から受け取れる。本システムは、この通信ラインで以て電子通信するディープアーキテクチャニューラルネットワークを備える。このニューラルネットワークはニューロン群からなる第１畳み込み層を有する。第１畳み込み層の各ニューロンは、欠陥画像由来の画素群からなる対応する受容野（receptive field）をフィルタで以て畳み込むことで第１フィーチャマップを生成するよう構成する。このニューラルネットワークは、また、第１フィーチャマップのサイズ及び変動を低減するよう構成された第１サブサンプリング層を有する。クラシファイアを、そのフィーチャマップに基づき欠陥分類を特定すべく設ける。本システムは、複数個の畳み込み層及び／又はサブサンプリング層を有するシステムとすることができる。

他の実施形態では半導体プロセスにおける欠陥分類方法が提供される。本方法は、ディープアーキテクチャニューラルネットワークを用い、半導体プロセス由来のウェハの欠陥画像から１個又は複数個のフィーチャを抽出するステップを有する。そのディープアーキテクチャニューラルネットワークを用い、１個又は複数個の抽出されたフィーチャに基づき欠陥画像を分類する。当該１個又は複数個のフィーチャは、１個又は複数個の畳み込み層を有し当該１個又は複数個の畳み込み層中の畳み込み層それぞれにサブサンプリング層が後続する畳み込みニューラルネットワーク（ＣＮＮ）を用い、欠陥画像から抽出することができる。

他の実施形態ではフィーチャ導出システムが提供される。本システムは、電子格納デバイスと、その格納デバイス上に格納されたフィーチャライブラリと、を備える。本システムは、また、その格納デバイスと電子通信するディープアーキテクチャニューラルネットワークを備える。このニューラルネットワークは、１個又は複数個の欠陥画像からフィーチャ、特にその欠陥画像の欠陥を分類する上で統計的に有意なフィーチャを導出するよう構成する。このニューラルネットワークは、更に、そのフィーチャを特定するのに用いられた一組の計算込みでフィーチャをカプセル化し、カプセル化されたフィーチャを格納デバイスのフィーチャライブラリに追加するよう、構成する。

本件開示の性質及び目的についてのより充足した理解のためには、後掲の詳細な記述を以下の如き添付図面と併せ参照すべきである。

本件開示に係るディープラーニングアーキテクチャの一実施形態を示す図である。 本件開示によるローカルディスクリプタ（記述子）からのフィーチャ学習を示すフローチャートである。 本件開示の実施形態による自動欠陥分類エンジンのセットアップを示すフローチャートである。 本件開示の実施形態による欠陥画像の自動分類を示すフローチャートである。 本件開示に従い利用しうる畳み込みニューラルネットワークを示す図である。 本件開示に係るディープニューラルネットワークにおける学習の前向き推論部分を示す図である。 図５Ａの実施形態における学習の逆方向学習部分を示す図である。 本件開示によるディープラーニング構造への付加的フィーチャの注入を示す図である。 本件開示による集中データベースへの機械学習済フィーチャの転送を示す図である。 本件開示の実施形態に係る方法を示す図である。 本件開示の他の実施形態に係る方法を示す図である。 本件開示の他の実施形態に係るシステムを示す図である。

本件開示のシステム及び方法は、自動欠陥分類（ＡＤＣ）システムにおけるトレーニング／セットアップフェーズを排する新規な手法を表すものである。この新規な手法では、マシンラーニング欠陥分類システムを構築するのに多くの欠陥画像及び時間が必要になりうるが、ひとたび学習が達成されライブラリが成立したならば、それを梃子に、セットアップ中に引き起こされた影響を打ち消すことができる。しばしば、ツールの顧客向け出荷に先立つ受入手続き中に多くの画像が収集される。それら画像をこの学習プロセスに利用することができる。ひとたび配備されれば、この新規なＡＤＣ手法により、人間の介在無しで速やかに欠陥クラスコードを生成することができる。生産性への影響は多大である。

例えば、本件開示のシステム及び方法を用いた場合、サンプリングやオペレータからの認証が必要ないのでマンパワーの節約となる。クラシファイアセットアッププロセスが必要なくランプ時間が改善される。オペレータにより引き起こされる不一貫性及び変動が排される。しかも、プロセス欠陥問題のより迅速な識別はより高い総歩留まりに通じる。

本件開示のシステム及び方法によれば、また、その新規手法で必要とされるのが欠陥画像のみであり、現状の実務と違い欠陥画像及び参照画像が必要とされないので、スループットを少なくとも２倍に改善することができる。加えて、本件開示のシステム及び方法によれば、人間である画像処理エキスパートには認識されないフィーチャを自動的に見つけ出すことができる。それら新たなフィーチャは、分析精度を顕著に改善させる助けになりうる。それらフィーチャをドメインエキスパートが再審査することで、欠陥画像に関し、場合によっては欠陥の根本原因に関し、より多くの識見を得ることができる。

本件開示は、半導体プロセスにおける欠陥分類方法１００であり“ディープラーニング”を用いるもの（例えば図８を参照）、即ちディープアーキテクチャニューラルネットワークを用いるものとして実施することができる。ニューラルネットワーク技術に根ざす“ディープラーニング”は多数のニューロン層を有する確率的グラフモデルであり、ディープアーキテクチャとして一般に知られている。“ディープラーニング”技術では情報、例えば画像、テキスト、音声等が階層的様式で処理される。本件開示に従いディープラーニングを用いる際には、データからの学習を用いフィーチャ抽出が自動的になされる。これは、ある一組の画像についてのエキスパートの理解に基づきフィーチャを抽出する従来手法に対し有益なことである。本方法１００では、半導体プロセス由来のウェハの欠陥画像から１個又は複数個のフィーチャが抽出される（１０３）。その欠陥画像は、ウェハ全体の画像であることも、ウェハの一部分の画像、例えばウェハのうち欠陥があると疑わしき又は既に見つかっている部分の画像であることもありうる。欠陥画像が複数個の画素を有するところ、本方法１００は画素値レベルでの使用に適している。欠陥は、１個又は複数個の抽出されたフィーチャに基づき、ディープアーキテクチャニューラルネットワークを用い分類される（１０６）。

ディープアーキテクチャを有するニューラルネットワークには、その確率仕様及びネットワークアーキテクチャによる多様な変種、例えば、これに限られるものではないがディープビリーフネットワーク（ＤＢＮ）、制限ボルツマンマシン（ＲＢＭ）及びオートエンコーダ（自己符号化器）がある。もう一種類のディープニューラルネットワーク、即ち畳み込みニューラルネットワーク（ＣＮＮ）も役立ち画像分類用に適している。他のディープラーニングニューラルネットワークも用いうるけれども、畳み込みニューラルネットワークの概念を描出するため、本件開示の例示的実施形態としてＬｅＮｅｔ−５アーキテクチャを用いるものを記述してある。実際の実現形態は、画像のサイズ、利用可能な画像の個数並びに問題の性質により変わりうる。例えば、サイズ３２＊３２の光学的欠陥画像が対象なら、２個の畳み込み層を有するローキャパシティのニューラルネットワークモデル（例．ＬｅＮｅｔ）が相応であろうし、サイズ４８０＊４８０画素の走査型電子顕微鏡（ＳＥＭ）画像が対象なら、よりハイキャパシティのモデル、例えば７個の畳み込み層を有するモデル（例．ＡｌｅｘＮｅｔ）がより適切であろう。

ある例示的実施形態では、ＣＮＮを用い欠陥画像からフィーチャが抽出される（１０３）。このＣＮＮは１個又は複数個の畳み込み層を有し、各畳み込み層に原則としてサブサンプリング層が後続するものである。畳み込みネットワークは視覚系の構造による啓示を受けている。その視角野はセル（細胞）の複雑な配置を含有している。それらのセルは視野の小部分領域に対し有感であり、その小部分領域のことを受容野と呼んでいる。図４に示すように、入力内の小領域が次層内のニューロンによって処理される。それらの小領域を敷き詰めることで入力画像全体がカバーされる。

図１に示すように、その階層的確率グラフを構成している畳み込み層内の各ノードは、前層内ノード群からの入力の線形結合を求め更に非線形性を適用することで（１１２）出力を生成しそれを次層内のノード群に引き渡す。視角野の仕組みを模すため、畳み込みニューラルネットワークではまず、小規模なフィルタで以て入力画像を畳み込むことで（１０９）フィーチャマップを生成する（フィーチャマップ上の各画素は受容野に対応するニューロンである）。フィーチャマップを構成する各マップユニットは同じフィルタを用い生成される。ある種の実施形態、例えば複数個のフィルタが用いられうる実施形態では、対応する個数のフィーチャマップがもたらされることとなろう。サブサンプリング層では、フィーチャマップのサイズを縮小すべく、また少量のシフト不変性を得るべく、前層の小窓に亘り最大又は平均が計算される（１１５）。畳み込み・サブサンプリング間の交番は複数回反復されうる。最終層は全結合された古典的なニューラルネットワークである。下から上に進むにつれ、入力画素値は、ローカルなエッジパターンからオブジェクトパーツへ、更には最終的なオブジェクト概念へと抽象化されていく。

図５Ａ及び図５Ｂは、ディープ構造を有するニューラルネットワークがどのようにしてデータを学習するかについての簡略描写である。各学習エポックには前向き推論（図５Ａ）と逆方向学習（図５Ｂ）が含まれる。入力層を層１上のノード群に接続する荷重と、入力データとが与えられれば、層１の諸ノード値を算出することができる。層１を層２にリンクさせる荷重を用い、層２のノード値、次いで層３、といった具合に、予測結果ｈ（ｇ（ｆ（Ｘ）））が生成されるまでノード値が算出される。これにより前向き推論のプロセスは終わりである。逆方向学習中にはまず、その予測値と実観測Ｌ（ｈ（ｇ（ｆ（ｘ）），ｏ））との比較によりロスが計算される。その後、勾配を算出することにより、学習ロスが低減されるよう全荷重が更新される。この連鎖律があるので、前レベルに対するノードの勾配を十分に算出することができる。従って、勾配下降プロセス全体をトップダウン様式で実行することができる。高度な最適化技術例えばＭｉｎｉｂａｔｃｈ、早期停止、過剰荷重に対する正規化及び適応学習レートを、安定で擬似グローバルな最適解を見つけるのに役立てることができる。

上述の通り、本願では畳み込みニューラルネットワークを用いディープラーニングシステム例のアーキテクチャを描出しているが、本件開示はＣＮＮには限定されない。ディープアーキテクチャの他の変種を実施形態にて用いること、例えばオートエンコーダ、ＤＢＮ及びＲＢＭを用い未ラベリング画像から有用なフィーチャを見つけることができる。本件開示のシステム及び方法では、欠陥を分類するのに参照画像が必要ない。ウェハ欠陥検査システムにより欠陥の所在が特定された後に、ディープラーニングを用いる欠陥分類システムで参照画像を把握する必要がない。これはより高いスループット、例えば２倍のスループット改良につながる。

本件開示の他の実施形態では、図２に示す欠陥分類方法２００が提供される（図９も参照）。１個又は複数個の欠陥画像が取得される（２０３）。欠陥画像の例は、ウェハのうち欠陥エリアを分離させた部分の画像である。欠陥エリアは、欠陥画像を参照画像と比較することにより特定することができる。本方法２００では、各画素にてローカルディスクリプタが抽出される（２０６）。画素におけるローカルディスクリプタにより、その画素を取り巻くある種のパターンが定義される。ローカルディスクリプタの例としては、勾配方向ヒストグラム（ＨＯＧ）、ローカルバイナリパターン（ＬＢＰ）、並びに密ディスクリプタ例えばＤＡＩＳＹがある。機械学習アルゴリズムを適用することでローカルディスクリプタの組合せが探され、それにより上位フィーチャが生成される（２０９）。線形回動されたフィーチャ空間におけるフィーチャ非類似性がそれにより増強されるので、主成分分析（ＰＣＡ）が、このタスクに相応しい機械学習アルゴリズムの一つである。そして、生成されたフィーチャ（２０９）を用い、欠陥画像が適正なカテゴリへと分類される（２１２）。

本件開示のある実施形態では、方法２００を用いローカルディスクリプタから学習したフィーチャ群をディープラーニング方法１００に注入することで、学習プロセスを加速すること、及び／又は、その学習プロセスにて用いられる欠陥画像の個数を増やすことができる。同様に、（例．ドメインエキスパートにより）マニュアル識別された上位フィーチャを、ディープラーニング方法１００に注入することができる。この着想を説明する上で良好なアナロジは言語の学習である。乳幼児は、自分の母語を、自然に、焦らず、ゆっくりと且つ効率的に学習することができる。とはいえ、何らかの発音及び文法則を教われば、やや効率性が低くても、より迅速に小労力で言語を学習することができる。

図６に示すその種の実現形態では、上掲の方法２００中に記述されている手法を用い得られた選択的なフィーチャが層１に追加され、ドメインエキスパートから得られた更に上位のフィーチャが本システムの更に上位の層に追加される。ディープラーニング方法１００により学習した“層１”フィーチャは概してエッジ特性であり、方法２００にて識別されたローカルディスクリプタから学習したフィーチャに対しコンパチブルである。フィーチャ注入は、既存のニューラルネットワークではうまく理解されない比較的新種の欠陥をそのシステムで処理するときに非常に有用である。

本件開示のシステム及び方法では、機械学習したフィーチャを既存のフィーチャライブラリへと転送することができる。そのライブラリ内には、マニュアル選択されたフィーチャが包含されうる。例えば、図７の層２にて学習したフィーチャＶは、欠陥を分類する上で統計的に顕著な力を有するものと判明している。入力からのこの機械学習フィーチャの導出は関数ｖ＝ｆ（ｘ１，ｘ２，ｘ３）を用い調べられる。関連する入力及び計算はいずれもフィーチャにカプセル化され、その新たなフィーチャが既存のライブラリへと転送される。それら新たな機械学習フィーチャは、古典的な画像処理手法では表現するのが難しい画像特性を見つける上でひときわ有用である。ニューラルネットワークで抽出されたこの新たなフィーチャは、欠陥分類以外の目的でも用いることができる。

ある実施形態に係るフィーチャ導出システム５０は、その上にフィーチャライブラリ６２が格納される電子格納デバイス６０を有している（例えば図１０を参照）。ディープアーキテクチャニューラルネットワーク７０はその格納デバイス６０と電子通信状態にある。このニューラルネットワーク７０は１個又は複数個の欠陥画像からフィーチャ、特に欠陥画像に備わる欠陥を分類する上で統計的に有意なフィーチャを導出するよう構成されている。フィーチャは、そのフィーチャを特定するのに用いられた一組の計算込みでカプセル化される。カプセル化されたフィーチャは格納デバイス６０のフィーチャライブラリ６２に追加される。

図３Ａに示す本件開示の他態様では、装備構内の複数個のツールから欠陥画像を集める集中システムが提供される。様々な半導体デバイス層に亘る検査結果内の欠陥画像群が集中サーバへと諸共にプールされる。様々なデバイスに由来する画像を欠陥の類似性に基づき一緒にプールすることができる。このプールによりディープラーニングニューラルネットワークの能力、特に諸欠陥に共通するパターンを識別する能力及び諸種の欠陥のうち些細な背景上の差異を抑圧する能力が増強される。チップ製造者は、通常、検査画像中に示される欠陥外観ではなく欠陥の事由に基づき欠陥をカテゴリ分けする。例えば、粒子を有すると共に個々の上に幾ばくかのカスがある２個の欠陥なら、単純に言ってそれら粒子及びカス双方が前層に対する不完全なプロセスの結果として現れることから、“前層から影響を受ける”同じカテゴリへと分類されることとなろう。本システムは、プロセス及びデバイスのコンテキスト情報に従い人間に知覚に基づき、製造者定義クラスコードをクラスコードの表へとマッピングする部材を、備える構成とすることができる。その後は、内部クラスコードを有する欠陥画像をそのディープラーニングエンジンにより処理することができる。

本件開示のシステム及び方法によれば計算速度を最適化することができる。ディープラーニングモデルの構築は極端に計算コストが高い。例えば、ディープラーニングにて肝要な反復的ステップは２次元畳み込み、即ちＭ＊Ｎサイズのフィーチャマップをｍ＊ｎサイズのフィルタで以て畳み込むことである。計算の複雑性たるＯ（ＭＮｍｎ）は非常に計算コストが高い。大規模並列アーキテクチャはこの問題の解決に用いられる一策である。比較的少数の処理コアを有する中央処理ユニット（ＣＰＵ）と対比し、グラフィクス処理ユニット（ＧＰＵ）は、通常、より小さな処理コアを数千個有していて、それらを用い同時的な要素単位計算を効率的に実行することができる。別の手法では、他の専用高性能アーキテクチャに梃子入れすべく低位ソフトウェアが実装されよう。例えば、ＩＢＭ（登録商標）Ｎｅｔｅｚｚａ（登録商標）システムでは、高性能計算を実現すべく数百個のＦＰＧＡ及びＣＰＵが組み合わされている。こうした高性能アーキテクチャを用い、ディープラーニングニューラルネットワークを、ＧＰＵ側で反復的な基礎的行列演算を実行しＣＰＵ側でより複雑なタスク及びＩＯ動作を実行するよう、構成することができる。

本件開示のシステム及び方法によれば画像ジッタを生成することができる。ディープラーニングアルゴリズムにおける分析精度を高める方法の一つは画像ジッタ、即ちその近隣からランダムに採取した画素で以て一部の画素を意図的に置き換えるという方法である。複数個の層を有するグラフモデルは複雑であり、データに過剰適合してそのデータ上の小変に対し敏感になりがちである。画像ジッタにより、そのディープラーニングアルゴリズムがよりロバスト且つ安定になる。例えば、欠陥毎に、Ｅ−ｂｅａｍにより様々な視角から捉えられた欠陥画像複数個を、試験ツールにより保持することができる。同じ欠陥に係る欠陥画像全てをディープラーニングアルゴリズムに通すことで、画像ジッタを自然に生成することができる。

本件開示について、１個又は複数個の具体的な実施形態との間連で記述してきたが、本件開示の神髄及び技術的範囲から離隔することなく本件開示の他実施形態をなしうることを、ご理解頂けよう。従って、本件開示は、添付する特許請求の範囲及びそれについての妥当な解釈によってのみ限定されるものと認められる。

Claims (19)

1. 半導体プロセスにおける欠陥分類システムであって、
   前記半導体プロセスからウェハの欠陥画像を受け取るべく構成された通信ラインと、
   前記通信ラインで以て電子通信するディープアーキテクチャニューラルネットワークと、
   を備え、前記ディープアーキテクチャニューラルネットワークが、
   ニューロン群からなる第１畳み込み層であり、各ニューロンが、上記欠陥画像由来の画素群からなる対応する受容野(receptive field)をフィルタで以て畳み込むことで第１フィーチャマップを生成するよう、構成された第１畳み込み層と、
   前記第１フィーチャマップのサイズ及び変動を低減するよう構成された第１サブサンプリング層と、
   前記フィーチャマップに基づき欠陥分類を特定するクラシファイアと、
   を備えるシステム。
2. 半導体プロセスにおける欠陥分類方法であって、
   ディープアーキテクチャニューラルネットワークを用い、上記半導体プロセス由来のウェハの欠陥画像から１個又は複数個のフィーチャを抽出するステップと、
   前記ディープアーキテクチャニューラルネットワークを用い、前記１個又は複数個の抽出されたフィーチャに基づき前記欠陥画像を分類するステップと、
   を有する方法。
3. 請求項２記載の方法であって、１個又は複数個の畳み込み層を有し当該１個又は複数個の畳み込み層中の畳み込み層それぞれにサブサンプリング層が後続する畳み込みニューラルネットワーク（ＣＮＮ）を用い、前記欠陥画像から前記１個又は複数個のフィーチャが抽出される方法。
4. 請求項３記載の方法であって、１個又は複数個のフィーチャを抽出するステップが、更に、前記ＣＮＮの第１畳み込み層にて、複数個の重複する受容野それぞれをフィルタで以て畳み込むことで、複数個のマップユニットを有する第１フィーチャマップを生成するステップを有し、各受容野が前記欠陥画像の画素群の部分集合で構成される方法。
5. 請求項４記載の方法であって、１個又は複数個のフィーチャを抽出するステップが、更に、前記第１フィーチャマップのマップユニットに非線形性を適用するステップを有する方法。
6. 請求項４記載の方法であって、１個又は複数個のフィーチャを抽出するステップが、更に、前記ＣＮＮの第１サブサンプリング層にて前記第１フィーチャマップの２個以上のマップユニットを組み合わせてサブサンプリングフィーチャマップのユニットにするステップを有する方法。
7. 請求項６記載の方法であって、前記第１フィーチャマップのユニットのサイズが、それらマップユニットの値を平均化すること、それらマップユニットの最大値を探索すること又はそれらマップユニットを加算することにより低減される方法。
8. 請求項７記載の方法であって、前記ＣＮＮの各後続畳み込み層にて、その前層のフィーチャマップのマップユニットの部分集合をフィルタで以て畳み込むことで、対応するフィーチャマップを生成する方法。
9. 請求項８記載の方法であって、前記欠陥画像が前記ＣＮＮの全結合層を用い分類される方法。
10. 請求項２記載の方法であって、逆伝搬法を用い前記ＣＮＮをトレーニングすることでそのＣＮＮの各畳み込み層のフィルタを精緻化するステップを有する方法。
11. 請求項２記載の方法であって、前記ＣＮＮの畳み込み層のうち１個又は複数個にて１個又は複数個のフィーチャを注入するステップを有する方法。
12. 請求項１１記載の方法であって、それら被注入フィーチャが、
    プロセッサを用い、複数個の欠陥画像それぞれの各画素にて複数個のローカルディスクリプタを抽出すること、並びに
    前記プロセッサを用い、前記抽出済ローカルディスクリプタに基づき１個又は複数個のフィーチャを生成すること、
    により特定される方法。
13. 請求項１２記載の方法であって、前記複数個のローカルディスクリプタが、勾配ヒストグラム（ＨＯＧ）、ローカルバイナリパターン及びＤＡＩＳＹディスクリプタのうち一種類又は複数種類を含む方法。
14. 請求項１３記載の方法であって、前記１個又は複数個の上位フィーチャが主成分分析（ＰＣＡ）により生成される方法。
15. 請求項２記載の方法であって、前記欠陥画像が、オートエンコーダ、ディープビリーフネットワーク（ＤＢＮ）又は制限ボルツマンマシン（ＲＢＭ）を用い処理される方法。
16. 請求項２記載の方法であって、前記１個又は複数個の欠陥画像が集中データサーバ内に格納される方法。
17. 請求項１６記載の方法であって、顧客定義欠陥クラスコードが前記１個又は複数個の欠陥画像に基づき生成される方法。
18. 請求項１７記載の方法であって、前記欠陥画像が前記顧客定義欠陥クラスコードに基づき分類される方法。
19. フィーチャ導出システムであって、
    電子格納デバイスと、
    前記格納デバイス上に格納されたフィーチャライブラリと、
    前記格納デバイスと電子通信するディープアーキテクチャニューラルネットワークと、
    を備え、前記ニューラルネットワークが、
    １個又は複数個の欠陥画像からフィーチャ、特にその欠陥画像の欠陥を分類する上で統計的に有意なフィーチャを導出し、
    そのフィーチャを特定するのに用いられた一組の計算込みで上記フィーチャをカプセル化し、
    カプセル化されたフィーチャを前記格納デバイスの前記フィーチャライブラリに追加する、
    よう構成されているシステム。
    

Images