JP2021190716A - 弱いラベル付けを使用した半導体試料内の欠陥の検出 - Google Patents

弱いラベル付けを使用した半導体試料内の欠陥の検出 Download PDF

Info

Publication number
JP2021190716A
JP2021190716A JP2021093501A JP2021093501A JP2021190716A JP 2021190716 A JP2021190716 A JP 2021190716A JP 2021093501 A JP2021093501 A JP 2021093501A JP 2021093501 A JP2021093501 A JP 2021093501A JP 2021190716 A JP2021190716 A JP 2021190716A
Authority
JP
Japan
Prior art keywords
poi
training
pixel block
neural network
score
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
JP2021093501A
Other languages
English (en)
Inventor
ペレグ イラド
Peleg Irad
シュレイェン ラン
Schleyen Ran
コーエン ボアズ
Cohen Boaz
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 JP2021190716A publication Critical patent/JP2021190716A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

【課題】半導体試料上の関心パターン（ＰＯＩ）を分類するシステムを提供すること。【解決手段】システムは、プロセッサおよびメモリ回路を備え、プロセッサおよびメモリ回路は、ＰＯＩの高分解能画像を取得し、欠陥性関連分類に応じてＰＯＩを分類するために使用可能なデータを生成するように構成され、生成は、訓練サンプルに応じて訓練された機械学習モデルを利用し、訓練サンプルは、試料上のそれぞれの訓練パターンを走査することによって捕捉された高分解能訓練画像であって、それぞれの訓練パターンが、ＰＯＩに類似している、高分解能訓練画像と、画像に関連付けられたラベルとを含み、ラベルは、それぞれの訓練パターンの低分解能検査から誘導される。【選択図】図１

Description

本明細書に開示する主題は、一般にウエハ試料の試験の分野に関し、より詳細には試料内の欠陥を検出することに関する。
現在、製造されたデバイスの超大規模集積に伴う高い密度および性能が要求され、ミクロン以下の特徴、トランジスタおよび回路速度の増大、ならびに信頼性の改善が必要とされている。そのような要求により、高い精度および均一性を有するデバイス特徴の形成が必要とされており、これには、まだ半導体ウエハの形態にある間にデバイスの自動試験を含む、製造プロセスの入念な監視が必要である。
非限定的な例として、ランタイム試験では、２段階の手順を用いることができ、たとえば試料の検査に続いて、潜在的な欠陥の採取箇所が検討される。第１の段階中、速い速度および比較的低い分解能で、試料の表面が検査される。第１の段階では、試料上で欠陥の確率が高い疑わしい箇所を示すために、欠陥マップが作成される。第２の段階中、疑わしい箇所のうちの少なくともいくつかが、比較的高い分解能でより徹底的に分析される。いくつかの場合、両方の段階を同じ検査ツールによって実施することができ、いくつかの他の場合、これら２つの段階が異なる検査ツールによって実施される。
半導体製造中の様々なステップで、試料上の欠陥を検出および分類するために、試験プロセスが使用される。試験の有効性は、プロセスの自動化、たとえば自動欠陥分類（ＡＤＣ）、自動欠陥レビュー（ＡＤＲ）などによって高めることができる。
本明細書に開示する主題の一態様によれば、半導体試料上の関心パターン（ＰＯＩ）を分類するシステムが提供され、システムは、プロセッサおよびメモリ回路（ＰＭＣ）を備え、ＰＭＣは、
試料上のＰＯＩの高分解能画像を示すデータを取得し、
欠陥性関連分類に応じてＰＯＩを分類するために使用可能なデータを生成するように構成され、
生成は、少なくとも複数の訓練サンプルに応じて訓練された機械学習モデルを利用し、各訓練サンプルは、
試料上のそれぞれの訓練パターンを走査することによって捕捉された高分解能訓練画像を含み、それぞれの訓練パターンは、ＰＯＩに類似しており、
それぞれの訓練パターンは、それぞれの訓練パターンの低分解能検査から誘導されたラベルに関連付けられる。
上記の特徴に加えて、本明細書に開示する主題のこの態様によるシステムは、技術的に可能な任意の所望の組合せまたは順列で、以下に挙げる特徴（ｉ）〜（ｘｉｉｉ）のうちの１つまたは複数を含むことができ、
（ｉ）複数の訓練サンプルの各訓練サンプルの高分解能訓練画像が、走査電子顕微鏡（ＳＥＭ）画像であり、
（ｉｉ）複数の訓練サンプルの各訓練サンプルのラベルが、それぞれの訓練パターンの光学検査から誘導され、
（ｉｉｉ）機械学習モデルは、ニューラルネットワークを含み、ニューラルネットワークは、
ＰＯＩの高分解能画像を示す入力データを考慮して、特徴マップを出力するように構成された第１の一連の１つまたは複数のニューラルネット層と、
入力特徴マップを考慮して、少なくとも１つの画素ブロック毎分類スコアを示すデータを出力するように構成された第２の一連のニューラルネット層とを含み、各画素ブロック毎分類スコアは、ＰＯＩのうち、高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、画素ブロック毎分類スコアは、それぞれの領域の欠陥性の可能性を示し、
それによって欠陥性関連分類に応じてＰＯＩを分類するために使用可能なデータを生じさせ、
機械学習モデルは、
ａ）複数の訓練サンプルのうちの第１の訓練サンプルの第１のＰＯＩの第１の高分解能画像に第１の一連のニューラルネットワーク層を適用することであって、第１のＰＯＩが、欠陥性を示すラベルに関連付けられ、それによってニューラルネットワークの現在の訓練状態に応じて、疑い特徴マップを生じさせる、適用することと、
ｂ）疑い特徴マップに第２の一連のニューラルネットワーク層を適用することであって、それによってニューラルネットワークの現在の訓練状態に応じて、少なくとも１つの疑い画素ブロック毎スコアを示すデータを生じさせ、
各疑い画素ブロック毎スコアが、第１のＰＯＩのうち、第１の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、疑い画素ブロック毎スコアが、それぞれの領域の欠陥性の可能性を示す、適用することと、
ｃ）複数の訓練サンプルのうちの第２の訓練サンプルの第２のＰＯＩの第２の高分解能画像に第１の一連のニューラルネットワーク層を適用することであって、第２のＰＯＩが、非欠陥性を示すラベルに関連付けられ、それによってニューラルネットワークの現在の訓練状態に応じて、基準特徴マップを生じさせる、適用することと、
ｄ）基準特徴マップに第２の一連のニューラルネットワーク層を適用することであって、それによってニューラルネットワークの現在の訓練状態に応じて、少なくとも１つの基準画素ブロック毎スコアを示すデータを生じさせ、
各基準画素ブロック毎スコアが、第２のＰＯＩのうち、第２の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、基準画素ブロック毎スコアが、それぞれの領域の欠陥性の可能性を示す、適用することと、
ｅ）損失関数に応じて、第１および第２の一連のニューラルネットワーク層のうちの少なくとも１つの層の少なくとも１つの重みを調整することであって、損失関数が少なくとも、
疑い特徴マップおよび基準特徴マップから誘導される距離メトリック、少なくとも１つの疑い画素ブロック毎スコア、ならびに少なくとも１つの基準画素ブロック毎スコアを利用する、調整することと、
ｆ）複数の訓練サンプルのうちの１つまたは複数の追加の第１および第２の訓練サンプルに対して、ａ）〜ｅ）を繰り返すこととに応じて訓練されており、
（ｉｖ）ニューラルネットワーク層は、畳み込み層であり、
（ｖ）距離メトリックは、疑い特徴マップと基準特徴マップとの間のユークリッド差に応じ、
（ｖｉ）距離メトリックは、疑い特徴マップと基準特徴マップとの間のコサイン類似度に応じ、
（ｖｉｉ）追加の第２の訓練サンプルは、同じ訓練サンプルであり、
（ｖｉｉｉ）損失関数は、
第１の高分解能画像の画素群に関連付けられた注釈データをさらに利用し、注釈データは、第１のＰＯＩのうち、画素群によって表される領域の欠陥性を示し、
（ｉｘ）注釈データは、高分解能画像の人間による注釈から誘導され、
（ｘ）プロセッサによって、少なくとも１つの画素ブロック毎分類スコアの各スコアと欠陥性閾値とを比較し、それによってＰＯＩに欠陥があるかどうかの指示を生じさせ、
（ｘｉ）プロセッサによって、ＰＯＩに欠陥があるかどうかの指示に応じてオペレータに警報し、
（ｘｉｉ）プロセッサによって、少なくとも１つの画素ブロック毎分類スコアに応じて欠陥バウンディングボックスを判定し、
（ｘｉｉｉ）システムは、
ＰＯＩの低分解能画像を捕捉し、低分解能画像の光学検査を利用して、欠陥性関連分類に応じてＰＯＩを分類するように構成された低分解能試験ツールと、
低分解能ツールによる欠陥ありというＰＯＩの分類に応答して、ＰＯＩの高分解能画像を捕捉するように構成された高分解能試験ツールとをさらに備える。
本明細書に開示する主題の別の態様によれば、半導体試料上の関心パターン（ＰＯＩ）をパターンの高分解能画像から分類する方法が提供され、この方法は、
プロセッサによって、試料上のＰＯＩの高分解能画像を示すデータを受け取ることと、プロセッサによって、欠陥性関連分類に応じてＰＯＩを分類するために使用可能なデータを生成することとを含み、生成することは、少なくとも複数の訓練サンプルに応じて訓練された機械学習モデルを利用し、各訓練サンプルは、
試料上のそれぞれの訓練パターンを走査することによって捕捉された高分解能訓練画像を含み、訓練パターンは、ＰＯＩに類似しており、
それぞれの訓練パターンは、それぞれの訓練パターンの低分解能検査から誘導されたラベルに関連付けられる。
開示する主題のこの態様は、任意選択で、技術的に可能な任意の所望の組合せまたは順列で、必要な変更を加えて、システムに関して上に挙げた特徴（ｉ）〜（ｘｉｉ）のうちの１つまたは複数を含むことができる。
本明細書に開示する主題の別の態様によれば、処理およびメモリ回路によって可読の非一時的プログラムストレージデバイスが提供され、非一時的プログラムストレージデバイスは、パターンの高分解能画像から半導体試料上の関心パターン（ＰＯＩ）を分類する方法を実行するように、処理およびメモリ回路によって実行可能なコンピュータ可読命令を有形に実施し、この方法は、
試料上のＰＯＩの高分解能画像を示すデータを受け取ることと、欠陥性関連分類に応じてＰＯＩを分類するために使用可能なデータを生成することとを含み、
生成は、少なくとも複数の訓練サンプルに応じて訓練された機械学習モデルを利用し、各訓練サンプルは、
試料上のそれぞれの訓練パターンを走査することによって捕捉された高分解能訓練画像を含み、訓練パターンは、ＰＯＩに類似しており、
それぞれの訓練パターンは、それぞれの訓練パターンの低分解能検査から誘導されたラベルに関連付けられる。
開示する主題のこの態様は、任意選択で、技術的に可能な任意の所望の組合せまたは順列で、必要な変更を加えて、システムに関して上に挙げた特徴（ｉ）〜（ｘｉｉ）のうちの１つまたは複数を含むことができる。
本明細書に開示する主題の別の態様によれば、処理およびメモリ回路によって可読の非一時的プログラムストレージデバイスが提供され、非一時的プログラムストレージデバイスは、ＰＯＩの高分解能画像を示す入力データを考慮して、少なくとも１つの画素ブロック毎分類スコアを示すデータを生成するために、ニューラルネットワークを訓練する方法を実行するように、処理およびメモリ回路によって実行可能なコンピュータ可読命令を有形に実施し、各画素ブロック毎分類スコアは、ＰＯＩのうち、高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、画素ブロック毎分類スコアは、それぞれの領域の欠陥性の可能性を示し、それによって欠陥性関連分類に応じてＰＯＩを分類するために使用可能なデータを生じさせ、訓練は、少なくとも複数の訓練サンプルを利用し、各訓練サンプルは、
試料上のそれぞれの訓練パターンを走査することによって捕捉された高分解能訓練画像を含み、訓練パターンは、ＰＯＩに類似しており、
それぞれの訓練パターンは、それぞれの訓練パターンの低分解能検査から誘導されたラベルに関連付けられ、
この方法は、
ａ）複数の訓練サンプルのうちの第１の訓練サンプルの第１のＰＯＩの第１の高分解能画像に第１の一連のニューラルネットワーク層を適用することであって、第１のＰＯＩが、欠陥性を示すラベルに関連付けられ、それによってニューラルネットワークの現在の訓練状態に応じて、疑い特徴マップを生じさせる、適用することと、
ｂ）疑い特徴マップに第２の一連のニューラルネットワーク層を適用することであって、それによってニューラルネットワークの現在の訓練状態に応じて、少なくとも１つの疑い画素ブロック毎スコアを示すデータを生じさせ、
各疑い画素ブロック毎スコアが、第１のＰＯＩのうち、第１の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、疑い画素ブロック毎スコアが、それぞれの領域の欠陥性の可能性を示す、適用することと、
ｃ）複数の訓練サンプルのうちの第２の訓練サンプルの第２のＰＯＩの第２の高分解能画像に第１の一連のニューラルネットワーク層を適用することであって、第２のＰＯＩが、非欠陥性を示すラベルに関連付けられ、それによってニューラルネットワークの現在の訓練状態に応じて、基準特徴マップを生じさせる、適用することと、
ｄ）基準特徴マップに第２の一連のニューラルネットワーク層を適用することであって、それによってニューラルネットワークの現在の訓練状態に応じて、少なくとも１つの基準画素ブロック毎スコアを示すデータを生じさせ、
各基準画素ブロック毎スコアが、第２のＰＯＩのうち、第２の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、基準画素ブロック毎スコアが、それぞれの領域の欠陥性の可能性を示す、適用することと、
ｅ）損失関数に応じて、第１および第２の一連のニューラルネットワーク層のうちの少なくとも１つの層の少なくとも１つの重みを調整することであって、損失関数が少なくとも、
疑い特徴マップおよび基準特徴マップから誘導される距離メトリック、少なくとも１つの疑い画素ブロック毎スコア、ならびに少なくとも１つの基準画素ブロック毎スコアを利用する、調整することと、
ｆ）複数の訓練サンプルのうちの１つまたは複数の追加の第１および第２の訓練サンプルに対して、ａ）〜ｅ）を繰り返すこととを含む。
開示する主題のこの態様は、任意選択で、技術的に可能な任意の所望の組合せまたは順列で、必要な変更を加えて、システムに関して上に挙げた特徴（ｉ）〜（ｉｘ）のうちの１つまたは複数を含むことができる。
本発明を理解し、本発明を実際にどのように実施することができるかを見るために、実施形態について、添付の図面を参照して、非限定的な例として説明する。
本明細書に開示する主題の特定の実施形態による試験システムの概略的なブロック図である。 本明細書に開示する主題の特定の実施形態によって光学検査から誘導される弱いラベルに応じて半導体試料上の関心パターン（ＰＯＩ）を分類する例示的な方法を説明する流れ図である。 本明細書に開示する主題の特定の実施形態によってＰＯＩのＳＥＭ画像（または他の高分解能画像）を示すデータを受け取り、欠陥性関連分類によってＰＯＩを分類するために使用可能な画素ブロック毎スコアを示すデータを生成するために使用可能な機械学習モデルの例示的な層を示す図である。 本明細書に開示する主題のいくつかの実施形態によってＰＯＩの入力ＳＥＭ画像を受け取り、次いでＰＯＩを分類するために使用可能な画素ブロック毎スコアを示すデータを生成することができるように、機械学習モデルを訓練する例示的な方法を示す図である。 本明細書に開示する主題のいくつかの実施形態による例示的な機械学習モデルおよび訓練データの流れである。
以下の詳細な説明では、本開示の徹底的な理解を提供するために、多数の具体的な詳細について述べる。しかし、これらの具体的な詳細がなくても本明細書に開示する主題を実施することができることが、当業者には理解されよう。他の事例では、本明細書に開示する主題を曖昧にしないために、よく知られている方法、手順、構成要素、および回路について詳細には説明しない。
具体的に別段の記載がない限り、以下の議論から明らかなように、本明細書全体にわたって、「訓練する」、「取得する」、「生成する」、「演算する」、「利用する」、「供給する」、「提供する」、「重ね合わせる」、「適用する」、「調整する」などの用語を利用する議論は、データを他のデータに操作および／または変形するプロセッサの動作および／またはプロセスを指し、前記データは、電子量などの物理量として表され、かつ／または前記データは、物理的対象を表すことが理解されよう。「プロセッサ」という用語は、コンピュータ、サーバ、チップ、ハードウェアプロセッサなど、メモリ内に記憶されている命令に基づいてタスクを実行することができるデータ処理回路を有する任意の演算ユニットまたは電子ユニットを含む。この用語は、単一のプロセッサまたは複数のプロセッサを包含し、複数のプロセッサは、同じ地理的区間に位置することができ、または少なくとも部分的に異なる区間に位置することができ、かつともに通信することが可能である。
本明細書に使用される「非一時的メモリ」および「非一時的媒体」という用語は、本明細書に開示する主題に好適なあらゆる揮発性または不揮発性コンピュータメモリを含むように発展的に解釈されるべきである。
本明細書で使用される「欠陥」という用語は、試料上または試料内に形成されるあらゆる種類の異常または望ましくない特徴を含むように発展的に解釈されるべきである。
本明細書で使用される「試料」という用語は、半導体集積回路、磁気ヘッド、フラットパネルディスプレイ、および他の半導体製品を製造するために使用されるあらゆる種類のウエハ、マスク、および他の構造、組合せ、ならびに／またはそれらの部分を含むように発展的に解釈されるべきである。
本明細書で使用される「試験」という用語は、あらゆる種類の計測関連動作、ならびにその製造中の試料内の欠陥の検出および／または分類に関連する動作を含むように発展的に解釈されるべきである。試験は、試験すべき試料の製造中または製造後に非破壊試験ツールを使用することによって提供される。非限定的な例として、試験プロセスは、同じまたは異なる検査ツールを使用して試料またはその部分に関して提供されるランタイム走査（単一または複数の走査）、サンプリング、検討、測定、分類、および／または他の動作を含むことができる。同様に、試験は、試験すべき試料の製造前に提供することができ、たとえば、試験方策および／または他の設定動作を生成することを含むことができる。具体的に別段の記載がない限り、本明細書で使用される「試験」という用語またはその派生語は、検査領域の分解能またはサイズに関して限定されないことに留意されたい。非限定的な例として、様々な非破壊試験ツールには、走査電子顕微鏡、原子間力顕微鏡、光学検査ツールなどが含まれる。
本明細書に開示する主題の実施形態は、何らかの特定のプログラミング言語を参照して説明したものではない。本明細書に記載するように、様々なプログラミング言語を使用して、本明細書に開示する主題の教示を実施することができることが理解されよう。
本発明は、本発明の１つまたは複数の方法を実行するためにコンピュータによって可読のコンピュータプログラムを企図する。本発明は、本発明の１つまたは複数の方法を実行するためにコンピュータによって実行可能な命令のプログラムを有形に実施する機械可読メモリをさらに企図する。
これを念頭に、図１に注目されたい。図１は、本明細書に開示する主題の特定の実施形態による試験システムの機能ブロック図を示す。図１に示す試験システム１００は、試料製造プロセスの一部として、試料（たとえば、ウエハおよび／またはその部分などの半導体試料）の試験に使用することができる。図示の試験システム１００は、１つまたは複数の試料の画像を使用して計測関連および／または欠陥関連の情報を自動的に判定することが可能なコンピュータベースのシステム１０３を備える。システム１０３は、１つもしくは複数の低分解能試験ツール１０１および／または１つもしくは複数の高分解能試験ツール１０２および／または他の試験ツールに動作可能に接続することができる。試験ツールは、試料の画像を捕捉し、かつ／または捕捉した画像を検討し、かつ／または捕捉した画像に関連する測定を可能にしもしくは実現するように構成される。システム１０３は、データリポジトリ１０９にさらに動作可能に接続することができる。データリポジトリ１０９は、手動注釈入力デバイス１１０に動作可能に接続することができ、そこから手動注釈データを受け取ることができる。
システム１０３は、プロセッサおよびメモリ回路（ＰＭＣ）１０４を含む。ＰＭＣ１０４は、以下に記載する様々な実施形態にさらに詳述するように、システム１０３を動作させるために必要な処理を提供するように構成されており、プロセッサ（別個には図示せず）およびメモリ（別個には図示せず）を備える。図１で、ＰＭＣ１０４は、ハードウェアベースの入力インターフェース１０５およびハードウェアベースの出力インターフェース１０６に動作可能に接続される。
ＰＭＣ１０４のプロセッサは、ＰＭＣ内に含まれる非一時的コンピュータ可読メモリで実施されるコンピュータ可読命令に応じていくつかの機能モジュールを実行するように構成することができる。以下、そのような機能モジュールを、ＰＭＣ内に含まれるものとして参照する。ＰＭＣ１０４内に含まれる機能モジュールは、機械学習ユニット（ＭＬユニット）１１２を含むことができる。ＭＬユニット１１２は、機械学習モデル／機械学習アルゴリズムを使用するデータ処理を可能にし、試料の画像に基づくアプリケーション関連データを出力するように構成することができる。
ＭＬユニット１１２は、教師ありまたは教師なしの機械学習モデル（たとえば、ディープニューラルネットワーク（ＤＮＮ）向け）を含むことができる。ＭＬユニット１１２の機械学習モデルは、それぞれのＤＮＮアーキテクチャに応じて組織化された層を含むことができる。非限定的な例として、これらのＤＮＮ層は、畳み込みニューラルネットワーク（ＣＮＮ）アーキテクチャ、回帰型ニューラルネットワークアーキテクチャ、再帰型ニューラルネットワークアーキテクチャ、敵対的生成ネットワーク（ＧＡＮ）アーキテクチャなどに応じて組織化することができる。任意選択で、これらの層の少なくともいくつかは、複数のＤＮＮサブネットワークで組織化することができる。機械学習モデルの各層は、当技術分野で典型的に次元、ニューロン、またはノードと呼ばれる複数の基本計算要素（ＣＥ）を含むことができる。いくつかの実施形態では、機械学習モデルをニューラルネットワークとすることができ、各層はニューラルネットワーク層である。いくつかの実施形態では、機械学習モデルを畳み込みニューラルネットワークとすることができ、各層は畳み込み層である。
概して、所与の層の計算要素を、前の層および／または次の層のＣＥに接続することができる。前の層のＣＥと次の層のＣＥとの間の各接続は、重み値に関連付けられる。所与のＣＥが、それぞれの接続を介して前の層のＣＥから入力を受け取ることができ、所与の各接続は、重み値に関連付けられており、この重み値を、所与の接続の入力に適用することができる。重み値は、接続の相対的な強度、したがってそれぞれの入力が所与のＣＥの出力に与える相対的な影響を判定することができる。所与のＣＥは、活性化値（たとえば、入力の加重合計）を演算し、演算した活性化に活性化関数を適用することによって、出力をさらに導出するように構成することができる。活性化関数は、たとえば、恒等関数、確定関数（たとえば、線形、シグモイド、閾値など）、確率関数、または他の好適な関数とすることができる。
それぞれの接続を介して、所与のＣＥからの出力を次の層のＣＥへ伝送することができる。同様に、上記のように、ＣＥの出力における各接続を重み値に関連付けることができ、この重み値をこのＣＥの出力に適用してから、次の層のＣＥの入力として受け取ることができる。重み値に加えて、接続およびＣＥに閾値（制限関数を含む）を関連付けることができる。
機械学習モデルの重み値および／または閾値は、訓練前に最初に選択することができ、訓練されたＭＬネットワークの最適な１組の重み値および／または閾値を実現するように、訓練中にさらに反復して調整または修正することができる。各反復後、機械学習モデルによって作成された実際の出力と、それぞれの訓練データセットに関連付けられたターゲット出力との間の差（損失関数とも呼ばれる）を判定することができる。この差をエラー値と呼ぶことができる。エラー値を示す費用もしくは損失関数が所定の値より小さくなったとき、または追加の反復による性能の改善が制限されるとき、訓練が完了したと判定することができる。任意選択で、機械学習モデルネットワーク全体を訓練する前に、機械学習モデルサブネットワーク（もしあれば）の少なくともいくつかを別個に訓練することができる。
本明細書では、ニューラルネットワークの重み／閾値を調整するために使用される１組の機械学習モデル入力データを訓練セットと呼ぶ。
システム１０３は、入力インターフェース１０５を介して入力データを受け取るように構成することができ、入力データは、試験ツールによって作成されるデータ（および／またはその導関数および／またはそれに関連付けられたメタデータ）、ならびに／または１つもしくは複数のデータリポジトリ１０９および／もしくは別の関連データデポジトリで作成および／もしくは記憶されるデータを含むことができる。入力データは、画像（たとえば、捕捉された画像、捕捉された画像から導出された画像、シミュレートされた画像、合成画像など）、および関連付けられたスカラデータ（たとえば、メタデータ、手作業／手動の画像注釈、自動属性など）を含むことができることに留意されたい。画像データは、試料の関心層および／または試料の１つもしくは複数の他の層に関連するデータを含むことができることにさらに留意されたい。
入力データ（たとえば、低分解能画像データおよび／または高分解能画像データ、任意選択でたとえば設計データ、合成データ、検査データなどの他のデータとともに）を処理したとき、システム１０３は、出力インターフェース１０６を介して、結果（たとえば、命令関連データ）を試験ツールのいずれかへ送り、結果（たとえば、欠陥属性、欠陥分類など）をストレージシステム１０７に記憶し、ＧＵＩ１０８を介して結果を描画し、かつ／または外部システム（たとえば、ＦＡＢの収益管理システム（ＹＭＳ））へ送ることができる。ＧＵＩ１０８は、システム１０３に関連するユーザ指定入力を可能にするようにさらに構成することができる。
非限定的な例として、１つまたは複数の低分解能試験ツール１０１（たとえば、光学検査システム、低分解能ＳＥＭなど）は、試料を試験することができる。低分解能試験ツール１０１は、その結果得られる低分解能画像データ（試料の低分解能画像を示すことができる）をシステム１０３へ伝送することができる（直接、または１つもしくは複数の中間システムを介して）。別法または追加として、高分解能ツール１０２は、試料を試験することができる（たとえば、低分解能画像に基づいて検討のために選択された潜在的な欠陥箇所の一部を、走査電子顕微鏡（ＳＥＭ）または原子間力顕微鏡（ＡＦＭ）によって後に検討することができる）。高分解能ツール１０２は、その結果得られる高分解能画像データ（試料の高分解能画像を示すことができる）をシステム１０３へ伝送することができる（直接、または１つもしくは複数の中間システムを介して）。
画像データは、関連付けられたメタデータ（たとえば、画素サイズ、欠陥タイプのテキスト記述、画像捕捉プロセスのパラメータなど）とともに受け取って処理することができることに留意されたい。
いくつかの実施形態では、画像データは、注釈データとともに受け取って処理することができる。非限定的な例として、検討する人間が、領域（たとえば、手でマークした長円形領域）を選択してそれを欠陥ありとしてマークすることができ、または欠陥性を示すラベルによってマークすることができる。後述するように、手動または他の注釈データを訓練中に利用することができる。
本明細書に開示する主題の教示は、図１に示すシステムによって拘束されるものではなく、均等でありかつ／または修正された機能を別の方法で統合または分割することができ、ソフトウェアとファームウェアおよび／またはハードウェアとの任意の適当な組合せで実施することができることが、当業者には容易に理解されよう。
本開示の範囲を何ら限定するものではないが、試験ツールは、光学撮像機械、電子ビーム検査機械などの様々なタイプの検査機械として実施することができることにも留意されたい。いくつかの場合、同じ試験ツールが、低分解能画像データおよび高分解能画像データを提供することができる。いくつかの場合、少なくとも１つの試験ツールが、計測能力を有することができる。
図１に示す試験システムは、分散された演算環境で実施することができ、図１に示す上記の機能モジュールを、いくつかの局所および／または遠隔デバイスにわたって分散させることができ、通信ネットワークを介してリンクさせることができることに留意されたい。別の実施形態では、試験ツール１０１および／もしくは１０２、データリポジトリ１０９、手動注釈入力１１０、ストレージシステム１０７、ならびに／またはＧＵＩ１０８のうちの少なくともいくつかは、試験システム１００の外部に位置し、入力インターフェース１０５および出力インターフェース１０６を介してシステム１０３とデータ通信して動作することができることにさらに留意されたい。システム１０３は、試験ツールとともに使用される独立型コンピュータとして実施することができる。別法として、システムのそれぞれの機能は、１つまたは複数の試験ツールと少なくとも部分的に一体化することができる。
次に図２に注目されたい。図２は、本明細書に開示する主題の特定の実施形態によってパターンの高分解能画像からの半導体試料上の関心パターン（ＰＯＩ）を分類する例示的なプロセッサベースの方法について説明する流れ図を示す。
半導体製造プロセスを監視する際、製造される試料に関する様々なデータおよびメトリック、より具体的には試料上のパターンに関するデータおよびメトリックを判定することが望ましいことがある。これらのデータ／メトリックには、パターンの欠陥状態（たとえば、欠陥あり／欠陥なし）、欠陥の領域（たとえば、欠陥パターンを表す高分解能画像の画素群の識別）、および欠陥性の判定の精度に関する確実性レベルを含むことができる。
これらのデータは、たとえば高分解能画像の人間による注釈によって判定することができる。しかし、そのような注釈は、コストおよび時間がかかる。
本明細書に開示する主題のいくつかの実施形態では、「弱いラベル」を有する訓練サンプルを含む訓練セットを使用して訓練された機械学習モデルを使用して、高分解能画像の領域の欠陥性が判定され、すなわち「弱いラベル」を有する訓練サンプルとは、（たとえば）画像全体に当てはまる関連付けられたラベルを有し、たとえば光学検査などの低分解能の分類方法から導出された画像である。本開示の文脈で、「訓練する」とは、機械学習モデルを構成する任意の好適な方法を含むことができ、これには図４を参照して後述する方法などの訓練方法を含み、弱いラベルを有するサンプルなどを使用する訓練セットを使用して訓練された別のモデルの設定に基づいて、モデルのパラメータを設定する。
これらの方法のいくつかの利点の中には、容易に達成可能なサンプルに基づいて、注釈データを必要とすることなく、画素領域欠陥性の正確な評価を提供することができることが含まれる。
システム１０３（たとえば、ＰＭＣ１０４）は、試料上のＰＯＩの高分解能画像（走査電子顕微鏡（ＳＥＭ）画像など）を示すデータを受け取ることができる（２００）。
試験システム１００は、システム１０３（たとえば、ＰＭＣ１０４）が画像を受け取ることを可能にするように構成することができる。いくつかの実施形態では、低分解能試験ツール１０１は、１群の１つもしくは複数の試料（たとえば、ウエハまたはダイ）または試料の部分の低分解能画像を捕捉し、その際にこれらの試料上の関心パターンの低分解能画像を捕捉するように構成することができる。低分解能試験ツール１０１は、低分解能画像の光学検査（たとえば、当技術分野では知られているような）を利用して、欠陥性関連分類（たとえば、欠陥あり／欠陥なし）に応じて試料のパターンを分類するようにさらに構成することができる。高分解能ツール１０２は、１つまたは複数の低分解能試験ツール１０１による欠陥ありというＰＯＩの分類に応答して、関心パターン（ＰＯＩ）の高分解能画像を捕捉（たとえば、ＳＥＭを使用）するように構成することができる。高分解能ツール１０２は、ＰＯＩの捕捉された高分解能画像をシステム１０３に提供するようにさらに構成することができる。
次いで、コンピュータベースのシステム１０３（たとえば、ＰＭＣ１０４）は、高分解能画像の少なくとも１つの画素ブロックの各々に対して、欠陥性関連分類（ＰＯＩの一領域またはＰＯＩ全体の欠陥性／非欠陥性など）に応じてＰＯＩを分類するために使用可能なスコアを示すデータを生成することができる（２１０）。
より具体的には、いくつかの実施形態では、たとえば図３〜図５を参照して後述する方法を使用して、コンピュータベースのシステム１０３（たとえば、ＰＭＣ１０４）が、欠陥性関連分類に応じてＰＯＩを分類するために使用可能なデータを生成することができる。いくつかの実施形態では、生成されるデータは、１つまたは複数のスコア（たとえば、スコアのマトリックス）を示し、各スコアは、高分解能画像の画素ブロックから導出され、ＰＯＩのうち、画素ブロックの画素によって表される領域の欠陥性の可能性（たとえば、欠陥性の可能性の推定）を示す。以下、そのようなマトリックスを「グレードマップ」と呼ぶ。
いくつかの実施形態では、システム１０３（たとえば、ＭＬモデル１１２）によって生成されるグレードマップは、ＰＯＩの入力高分解能画像と同じ寸法を有し、マトリックスのエントリはスカラ値（たとえば、０〜１）であり、ＰＯＩの入力画像のそれぞれの画素がＰＯＩの欠陥領域に対応する可能性を示す。いくつかの他の実施形態では、生成されたグレードマップは、ＰＯＩの画像より小さく（たとえば、１０２４×１０２４の画像から５１２×５１２のマトリックスを生成することができ、各マトリックスエントリは、それぞれ２×２の画素ブロックのスコアを含む）、この場合、マトリックスのスカラ値は、ＰＯＩ画像のそれぞれの画素ブロック（たとえば、２×２もしくは４×４のブロック、または別の寸法の画素ブロック）がＰＯＩの欠陥領域に対応する可能性を示す。本明細書の「画素ブロック」という用語は、単一の画素ならびに様々な寸法の水平および／または垂直の画素群を含むことができることに留意されたい。
いくつかの実施形態では、システム１０３（たとえば、ＭＬユニット１１２）は、「弱いラベル」を有する１組の訓練例（たとえば、画像全体に当てはまる関連付けられたラベルを有する画像）に応じて訓練された機械学習モデルを利用することによって、グレードマップを生成する。より具体的には、いくつかのそのような実施形態では、各訓練例は、ＰＯＩに類似した訓練パターンを走査することによって捕捉された高分解能画像（または高分解能画像を示すデータ）である。いくつかの実施形態では、訓練パターンに関連付けられたラベルは、それぞれの訓練パターンの光学検査（または他の低分解能試験ツール）から導出される。たとえば、光学検査ツールが、パターンを検査し、検査したパターンと基準パターンとを比較し、検査されたパターンを「欠陥あり」または「欠陥なし」としてラベル付けすることができる。機械学習モデルを訓練する例示的な方法について、図４を参照して後述する。
ウエハまたはダイは、パターンの複数の事例がウエハまたはダイ上で繰り返されるように製造することができ、次いでウエハまたはダイは、後に多くのデバイス事例に分離される。本開示では、１つのＰＯＩが別のＰＯＩに類似しているという文脈で、「類似」という用語は、単一ウエハダイ上のパターンの複数の事例、ならびに同じウエハまたはダイの複数の事例にまたがるパターンの複数の事例などを含むように広く解釈されるべきである。
いくつかの実施形態では、システム１０３（たとえば、ＭＬユニット１１２）は、それにもかかわらず欠陥性関連分類に応じてＰＯＩを分類するために使用可能な画素毎（または画素ブロック毎）スコアを示すグレードマップ以外のデータ構造を生成することができる。
任意選択で、システム１０３（たとえば、ＰＭＣ１０４）は、次に（たとえば）グレードマップ内の値の各々（または対応する代替データ表現）を欠陥性閾値（たとえば、０〜１のスケールで０．５）と比較し（２２０）、それによってＰＯＩに欠陥があるかどうかの指示を生じさせ、また欠陥性関連分類（たとえば、欠陥あり／欠陥なし）に応じてＰＯＩを分類することができる。
任意選択で、システム１０３（たとえば、ＰＭＣ１０４）は、グレードマップ内に欠陥性閾値を満たすスコアが存在する場合、措置をとることができる。任意選択で、この措置は、ＰＯＩに欠陥があるかどうか（または一連のＰＯＩもしくは複数のＰＯＩに欠陥があることなど）の指示に応じて、オペレータに警報すること（２３０）を含むことができる。
いくつかの実施形態では、グレードマップを利用して、他の欠陥性関連分類に応じてＰＯＩを分類することができる。たとえば、システム１０３（たとえば、ＰＭＣ１０４）は、出力された画素ブロック毎スコアに応じて欠陥に対するバウンディングボックスを判定することができる。
本明細書に開示する主題の教示は、図２に示す流れ図に拘束されないことに留意されたい。この流れ図について、図１または図３のシステムの要素を参照して説明したが、これは何ら拘束するものではなく、本明細書に記載するもの以外の要素によって動作を実行することができることにも留意されたい。
次に、図３に注目されたい。図３は、本明細書に開示する主題の特定の実施形態によってたとえばＰＭＣ１０４（より具体的には、たとえばＭＬユニット１１２）によってＰＯＩのＳＥＭ画像（または他の高分解能画像）を示すデータを受け取り、画像の少なくとも１つの画素ブロックの各々に対して、欠陥性関連分類によってＰＯＩを分類するために使用可能なスコアを示すデータを生成するために使用可能な機械学習モデルの例示的な層を示す。
機械学習モデルは、ＰＯＩのＳＥＭ画像（または別のタイプの高分解能画像）３１０を入力として受け取るように構成された第１の一連の機械学習ネットワーク層３２０（たとえば、ニューラルネットワーク層または畳み込みニューラルネットワーク層）を含むことができる。次いで、第１の一連の機械学習ネットワーク層３２０は、ＳＥＭ画像３１０に基づいて、特徴マップ３３０を生成することができる。
特徴マップ３３０は、機械学習ネットワークの中間出力とすることができる。特に、上記で説明したように、機械学習ネットワークは、複数の層Ｌ1〜ＬNを含むことができ、特徴マップ３３０は、層Ｌjの出力として取得することができ、ここで１＜ｊ＜Ｎである（いくつかの実施形態では、層Ｌ1〜Ｌjの中間層は、ｊ＜Ｎで、畳み込みニューラルネットワークを構成することができる）。上述したように、機械学習モデルでは、最後の層ＬNによって最終出力が提供されるまで、各層Ｌjが中間出力を提供し、この中間出力は次の層Ｌj+1に供給される。たとえば、ＳＥＭ画像３１０が寸法Ｘ1、Ｙ1、Ｚ1を有し、ここで、
− Ｘ1は、第１の軸ＸによるＳＥＭ画像３１０の寸法に対応し、
− Ｙ1は、第２の軸ＹによるＳＥＭ画像３１０の寸法に対応し、
− Ｚ1は、各画素に関連付けられた値の数に対応し、Ｚ1≧１であると仮定する。たとえば、３つの色（赤色、緑色、および青色）を使用する表現が使用される場合、Ｚ1＝３である。これは限定的ではなく、他の表現を使用することもできる（たとえば、ＳＥＭ顕微鏡では、複数の異なるコレクタによって各画素に対する電子が収集され、各コレクタは異なる位置を有し、各チャネルが寸法に対応し、したがってＺ1はチャネルの総数である）。
いくつかの実施形態では、特徴マップ３３０は、寸法Ｘ2、Ｙ2、Ｚ2を有し、Ｘ2＜Ｘ1、Ｙ2＜Ｙ1、およびＺ2＞Ｚ1である。Ｚ2は、層Ｌj内に存在するフィルタの数に依存することができる。
機械学習モデルは、特徴マップ３３０を入力として受け取るように構成された第２の一連のＭＬネットワーク層３４０（たとえば、ニューラルネットワーク層または畳み込みニューラルネットワーク層）を含むことができる。次いで、第２の一連のＭＬネットワーク層３４０は、特徴マップ３３０に基づいて、たとえば図２を参照して上述した説明に一致するグレードマップ３５０を生成することができる。
本明細書に開示する主題の教示は、図３を参照して説明する機械学習モデル層に拘束されないことに留意されたい。均等でありかつ／または修正された機能を別の方法で統合または分割することができ、ソフトウェアとファームウェアおよび／またはハードウェアとの任意の適当な組合せで実施し、好適なデバイス上で実行することができる。
次に図４に注目されたい。図４は、機械学習モデル（たとえば、図３を参照して上述した構造を有するニューラルネットワークを含む）を訓練する例示的な方法を示し、したがって機械学習モデルは、ＰＯＩの入力された高分解能（たとえば、ＳＥＭ）画像を受け取り、次いで画像の少なくとも１つの画素ブロックの各々に対して、ＰＯＩのうち、画素ブロックの画素によって表される領域の欠陥性の可能性を示す画素ブロック毎分類スコアを示すデータを生成することができる。本明細書に開示する主題のいくつかの実施形態によれば、画素ブロック毎分類スコアは、欠陥性関連分類に応じてＰＯＩを分類するために使用可能とすることができる。図４に示す方法についてのこの説明は、図５に示す訓練データの流れを参照する。
いくつかの実施形態では、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）が、訓練セットからの弱いラベル（たとえば、画像レベルのラベル）を有する訓練サンプル対を使用して機械学習モデルを訓練し、一方の訓練サンプル（疑い訓練サンプルと呼ぶ）は、欠陥ありとして以前にラベル付けされた（または欠陥ありであることが疑われた）ＰＯＩの高分解能画像（たとえば、ＳＥＭ走査）を含み、第２のサンプル（基準訓練サンプルと呼ぶ）は、基準ＰＯＩの高分解能画像（たとえば、ＳＥＭ走査）、すなわち欠陥なしとして以前にラベル付けされた（たとえば、以前の分類による）ＰＯＩを含む。
高分解能画像のラベル付けは、たとえば、それぞれのＰＯＩの低分解能（たとえば光学）検査から導出することができる。別法として、高分解能画像のラベル付けは、人間による検査または別の好適な方法から導出することができる。
いくつかの実施形態では、訓練セットは完全に訓練サンプルからなり、光学検査または他の低分解能試験ツールから画像レベルのラベルが導出される。いくつかの実施形態では、訓練セットは、そのような訓練サンプルならびに他の訓練サンプルからなる。
いくつかの実施形態では、画像レベルでラベル付けされた訓練サンプルのいくつかまたはすべてを、注釈データに関連付けることができる。注釈データは、たとえば、人間による注釈から誘導することができる（たとえば、人間が高分解能画像の領域の周りに長円をマークする）。
注釈データは、高分解能画像の注釈が施された画素群によって表される試料パターンの一部分の欠陥性（いくつかの実施形態では、欠陥性のタイプ）を示すデータを含むことができる。この文脈で、「画素群」という用語は、単一の画素または画像全体を指すことができる。この文脈で、たとえば試料の一部分が実質上または完全に画素群によって描写される場合、このパターンの試料の一部分は、特有の画素群によって表されると見なすことができる。
後述するように、いくつかの実施形態では、図４に示す訓練方法は、疑い特徴マップ（すなわち、欠陥ありまたは疑いとしてラベル付けされたＰＯＩの画像から導出された特徴マップ）および基準特徴マップ（すなわち、欠陥なしとラベル付けされたＰＯＩの画像から導出された特徴マップ）から誘導される距離メトリックから演算された損失関数に応じて、機械学習モデル層の重みを調整する。
損失関数は、いくつかの実施形態では、ＰＯＩの欠陥部分を表す画素から導出された特徴マップ領域に対する２つの特徴マップ間の差を最大にし、ＰＯＩの非欠陥部分を表す画素から導出された特徴マップ領域に対する２つの特徴マップ間の差を最小にすることを求めることができる。
いくつかの実施形態では、損失関数は、それによって注意機構を構成する。第１の一連の機械学習モデル層は、意味領域を識別することができる特徴マップを生成することができ、第２の一連の機械学習モデル層は、欠陥性の可能性に関して領域をスコア化することができる。
ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、欠陥性（たとえば、判定されたまたは疑われた欠陥性）を示すラベルに関連付けられたＰＯＩの高分解能画像５１０に第１の一連のニューラルネットワーク層３２０を適用することができる（４００）。いくつかの実施形態では、光学検査がＰＯＩの欠陥性を示したため、欠陥性を示すラベルが画像に関連付けられた。次いで、第１の一連のニューラルネットワーク層３２０は、高分解能画像から特徴マップ５３０を生成することができる。特徴マップは、ニューラルネットワークの現在の訓練状態に応じて生成され、したがって訓練が進行するにつれて、その結果得られる特徴マップは、機械学習モデルの訓練の進行に応じて変化する。本明細書では、欠陥性を示すラベルに関連付けられた画像から生成される特徴マップを「疑い特徴マップ」と呼ぶ。
次いで、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、疑い特徴マップ５３０に第２の一連のニューラルネットワーク層３４０を適用することができる（４１０）。次いで、第２の一連のニューラルネットワーク層３４０が、グレードマップ５６０（たとえば、高分解能画像５１０の１つまたは複数の画素ブロックの各々に対するスコアであり、各スコアは、画素ブロックの画素によって表される第１のＰＯＩの領域の欠陥性の可能性を示す）を生成することができる。画像の画素ブロックに対して出力されるスコアを、画素ブロック毎スコアと呼ぶことができ、したがってグレードマップを画素群ブロック毎スコアと呼ぶことができる。グレードマップは、ニューラルネットワークの現在の訓練状態に応じて生成され、したがって訓練が進行するにつれて、その結果得られるグレードマップは、機械学習モデルの訓練の進行に応じて変化する。本明細書では、疑い特徴マップから生成されるグレードマップを「疑いグレードマップ」と呼ぶ。
次に、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、非欠陥性を示すラベルに関連付けられたＰＯＩの高分解能画像５２０に第１の一連のニューラルネットワーク層３２０を適用することができる（４２０）。いくつかの実施形態では、画像が欠陥なしであると判定され（たとえば、光学検査による）、または他の方法で欠陥なしであると判定もしくは推定されたため、このラベルが画像に関連付けられた。次いで、第１の一連のニューラルネットワーク層３２０は、高分解能画像５２０から特徴マップ５４０を生成することができる（機械学習モデルの現在の訓練状態に応じて計算される）。本明細書では、非欠陥性を示すラベルに関連付けられた画像から生成される特徴マップを「基準特徴マップ」と呼ぶ。
次いで、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、基準特徴マップ５４０に第２の一連のニューラルネットワーク層３４０を適用することができる（４３０）。次いで、第２の一連のニューラルネットワーク層３４０が、機械学習モデルの現在の訓練状態に応じて計算される基準グレードマップ５７０（たとえば、基準画像５２０の１つまたは複数の画素ブロックの各々に対するスコアであり、各スコアは、画素ブロックの画素によって表される基準ＰＯＩの領域の欠陥性の可能性を示す）を生成することができる。
次いで、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、損失関数に応じて第１の一連のニューラルネットワーク層３２０および第２の一連のニューラルネットワーク層３４０の重み（たとえば少なくとも１つの層の少なくとも１つの重み、またはたとえばすべての層のすべての重み）を調整することができる。たとえば、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、損失関数５９０を演算することができ（４４０）、たとえば逆伝播を用いて、第１の一連のニューラルネットワーク層３２０および第２の一連のニューラルネットワーク層３４０の重みを調整することができる。
いくつかの実施形態では、損失関数５９０は、少なくとも距離メトリック（たとえば、基準特徴マップ５４０と疑い特徴マップ５３０との間の差を表す値または１群の値）、疑いグレードマップ５６０、および基準グレードマップ５７０を利用する。いくつかの実施形態では、距離メトリックは、後述するように、たとえばユークリッド距離またはコサイン類似度に基づく差分特徴マップとすることができる。
いくつかの実施形態では、差分特徴マップ５５０は、基準特徴マップ５４０と疑い特徴マップ５３０との間のユークリッド距離に応じることができる。たとえば、差分特徴マップ５５０は、基準特徴マップ５４０と疑い特徴マップ５３０との間のユークリッド距離を計算することによって演算することができる（すなわち、この場合、差分特徴マップ５５０は、各エントリが２つの特徴マップ内の対応するエントリ間の算術差になるマトリックスである）。
他の実施形態では、差分特徴マップ５５０は、基準特徴マップ５４０内の値と疑い特徴マップ５３０内の対応する値との間のコサイン類似度に応じることができる。たとえば、差分特徴マップ５５０は、各エントリが基準特徴マップ５４０内の値と疑い特徴マップ５３０内の対応する値との間のコサイン類似度を計算することによって演算されるマトリックスとすることができる。
他の実施形態では、差分特徴マップ５５０は、疑い特徴マップ５３０と基準特徴マップ５４０との間の差の異なる表現とすることができる。他の実施形態では、損失関数５９０は、疑い特徴マップ５３０と基準特徴マップ５４０との間の差を表す異なる距離メトリックを使用することができる。
任意選択で、上述したように、いくつかの実施形態では、注釈データ５８０を利用可能とすることができる。注釈データは、それぞれのＰＯＩの欠陥領域に対する対応関係を有する疑い画像５１０内の特有の画素群を示すデータを含むことができる。そのような実施形態では、損失関数５９０は、差分特徴マップ５５０、基準グレードマップ５７０、および疑いグレードマップ５６０とともに注釈データ５８０を利用することができる。
ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、複数の訓練サンプルのうちの追加の訓練サンプル対に対する２つの一連のニューラルネットワーク層３２０、３４０の適用を繰り返すことができ（４５０）、サンプルの各対に対して、差分特徴マップ５５０、疑いグレードマップ５６０、および基準グレードマップ５７０などの距離メトリックを利用する損失関数に応じて、ニューラルネットワーク層の重みを調整することができる。たとえば、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）が、すべての利用可能な疑い訓練サンプルを使用して訓練することができ、各疑い訓練サンプルとともに、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、１組の訓練サンプルからの基準訓練サンプルを利用することができる。いくつかの実施形態では、ＰＭＣ１０４（たとえば、ＭＬユニット１１２）は、訓練の各反復で同じ基準訓練サンプルを利用する。
本明細書に開示する主題の教示は、図４に示す流れ図に拘束されるものではなく、図示の動作を図示の順序以外で行うことができることに留意されたい。たとえば、連続して示されている動作４００および４２０を、実質上同時にまたは逆の順序で実行することができる。この流れ図について、図１のシステム、図３のニューラルネットワーク層、および図５のデータの流れの要素を参照して説明したが、これは何ら拘束するものではなく、本明細書に記載するもの以外の要素によってこれらの動作を実行することができることにも留意されたい。
本明細書に開示する主題の教示は、図５を参照して説明するデータの流れによって拘束されないことに留意されたい。均等でありかつ／または修正された機能を別の方法で統合または分割することができ、ソフトウェアとファームウェアおよび／またはハードウェアとの任意の適当な組合せで実施し、好適なデバイス上で実行することができる。
上述したように、このようにして機械学習モデルを訓練することで（たとえば、疑い画像および基準画像の使用、ならびに差分特徴マップに基づく注意機構の利用）、高速訓練を可能にし、高い分類精度を提供することができる。
重みの更新は、フィードフォワード／逆伝播方法などの技法を使用することができ、任意のオプティマイザ（たとえば、確率的勾配降下法（ＳＧＤ）、ＡＤＡＭなど）に依拠することができる。
基準画像５２０は、試料（たとえば、ダイ、セルなど）の基準領域の画像であり、それぞれの画像データは、欠陥のない基準領域を表すことに留意されたい。基準画像は、基準（金製）ダイ、基準セル、または欠陥がないことが検証された他の領域から捕捉された画像とすることができる。別法または追加として、基準画像は、ＣＡＤデータを使用してシミュレートすることができ、かつ／または捕捉後、基準領域内の欠陥（もしあれば）を除外するように増強させることができる。
いくつかの実施形態では、疑い画像５１０は基準画像５２０と同等であり（たとえば、ダイ対ダイ、セル対セル、ダイ対データベースなど）、半導体試料の第１の領域を示すことにさらに留意されたい。第１の画像は、第１の領域に関連する複数の欠陥を示すことが想定される。第１の画像は、第１の領域から捕捉された画像とすることができる。任意選択で、第１の画像は、さらに増強させることができ、かつ／または捕捉後に導入された合成欠陥を含む可能性がある。第１の領域は、基準領域に関する類似度基準を満たすように構成され、同じまたは異なる半導体試料に属することができる。類似度基準は、たとえば、第１の領域および基準領域が半導体試料（たとえば、類似のダイ、セルなど）の同じ物理的構成要素または類似の区間に対応することを定義することができる。
いくつかの実施形態では、画像間の適合性を確実にするために、訓練サンプル内の少なくとも１つの基準画像５２０および第１の画像５１０が、重ね合わせ手順を受けなければならないことに留意されたい。異なる訓練サンプルの少なくとも一部が、同じ基準画像を含むことができることにさらに留意されたい。
様々な実施形態において説明した様々な特徴は、すべての可能な技術的組合せにより組み合わせることができることに留意されたい。本発明は、本明細書に含まれる説明に記載されまたは図面に示される詳細にその適用が限定されるものではないことを理解されたい。本発明は、他の実施形態が可能であり、様々な方法で実行および実施することが可能である。したがって、本明細書で用いる用語および術語は、説明を目的とし、限定と見なされるべきではないことを理解されたい。したがって、本開示が基づく概念は、本明細書に開示する主題のいくつかの目的を実施するための他の構造、方法、およびシステムを設計するための基本として容易に利用することができることが、当業者には理解されよう。添付の特許請求の範囲に定義される本発明の範囲から逸脱することなく、前述した本発明の実施形態に様々な修正および変更を加えることができることが、当業者には容易に理解されよう。
１００ 試験システム
１０１ 低分解能試験ツール
１０２ 高分解能試験ツール
１０３ コンピュータベースのシステム、システム
１０４ プロセッサおよびメモリ回路（ＰＭＣ）
１０５ 入力インターフェース
１０６ 出力インターフェース
１０７ ストレージシステム
１０８ ＧＵＩ
１０９ データリポジトリ
１１０ 手動注釈入力デバイス
１１２ 機械学習ユニット（ＭＬユニット）
３１０ ＳＥＭ画像
３２０ 第１の一連の機械学習ネットワーク層
３３０ 特徴マップ
３４０ 第２の一連のＭＬネットワーク層
３５０ グレードマップ
５１０ 高分解能画像、疑い画像、第１の画像
５２０ 高分解能画像、基準画像
５３０ 特徴マップ、疑い特徴マップ
５４０ 特徴マップ、基準特徴マップ
５５０ 差分特徴マップ
５６０ グレードマップ、疑いグレードマップ
５７０ 基準グレードマップ
５８０ 注釈データ
５９０ 損失関数

Claims (20)

  1. 半導体試料上の関心パターン（ＰＯＩ）を分類するシステムであって、プロセッサおよびメモリ回路（ＰＭＣ）を備え、前記ＰＭＣは、
    前記試料上の前記ＰＯＩの高分解能画像を示すデータを取得し、
    欠陥性関連分類に応じて前記ＰＯＩを分類するために使用可能なデータを生成するように構成され、
    前記生成は、少なくとも複数の訓練サンプルに応じて訓練された機械学習モデルを利用し、各訓練サンプルは、
    試料上のそれぞれの訓練パターンを走査することによって捕捉された高分解能訓練画像であって、前記それぞれの訓練パターンが、前記ＰＯＩに類似している、高分解能訓練画像と、
    前記画像に関連付けられたラベルとを含み、前記ラベルは、前記それぞれの訓練パターンの低分解能検査から誘導される、システム。
  2. 前記複数の訓練サンプルの各訓練サンプルの前記高分解能訓練画像が、走査電子顕微鏡（ＳＥＭ）画像である、請求項１に記載のシステム。
  3. 前記複数の訓練サンプルの各訓練サンプルに関連付けられたそれぞれの前記ラベルが、前記それぞれの訓練パターンの光学検査から誘導される、請求項１に記載のシステム。
  4. ＰＯＩの低分解能画像を捕捉し、前記低分解能画像の光学検査を利用して、欠陥性関連分類に応じて前記ＰＯＩを分類するように構成された低分解能試験ツールと、
    前記低分解能ツールによる欠陥ありという前記ＰＯＩの分類に応答して、前記ＰＯＩの前記高分解能画像を捕捉するように構成された高分解能試験ツールと
    をさらに含む、請求項１に記載のシステム。
  5. 前記機械学習モデルが、ニューラルネットワークを含み、前記ニューラルネットワークが、
    ＰＯＩの高分解能画像を示す入力データを考慮して、特徴マップを出力するように構成された第１の一連の１つまたは複数のニューラルネットワーク層と、
    入力特徴マップを考慮して、少なくとも１つの画素ブロック毎分類スコアを示すデータを生成するように構成された第２の一連のニューラルネットワーク層とを含み、
    各画素ブロック毎分類スコアが、前記ＰＯＩのうち、前記高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記画素ブロック毎分類スコアが、それぞれの前記領域の欠陥性の可能性を示し、
    それによって欠陥性関連分類に応じて前記ＰＯＩを分類するために使用可能なデータを生じさせ、
    前記機械学習モデルが、
    ａ）前記複数の訓練サンプルのうちの第１の訓練サンプルの第１のＰＯＩの第１の高分解能画像に前記第１の一連のニューラルネットワーク層を適用することであって、前記第１のＰＯＩが、欠陥性を示すラベルに関連付けられ、それによって前記ニューラルネットワークの現在の訓練状態に応じて、疑い特徴マップを生じさせる、適用することと、
    ｂ）前記疑い特徴マップに前記第２の一連のニューラルネットワーク層を適用することであって、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて、少なくとも１つの疑い画素ブロック毎スコアを示すデータを生じさせ、
    各疑い画素ブロック毎スコアが、前記第１のＰＯＩのうち、前記第１の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記疑い画素ブロック毎スコアが、それぞれの前記領域の欠陥性の可能性を示す、適用することと、
    ｃ）前記複数の訓練サンプルのうちの第２の訓練サンプルの第２のＰＯＩの第２の高分解能画像に前記第１の一連のニューラルネットワーク層を適用することであって、前記第２のＰＯＩが、非欠陥性を示すラベルに関連付けられ、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて、基準特徴マップを生じさせる、適用することと、
    ｄ）前記基準特徴マップに前記第２の一連のニューラルネットワーク層を適用することであって、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて、少なくとも１つの基準画素ブロック毎スコアを示すデータを生じさせ、
    各基準画素ブロック毎スコアが、前記第２のＰＯＩのうち、前記第２の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記基準画素ブロック毎スコアが、それぞれの前記領域の欠陥性の可能性を示す、適用することと、
    ｅ）損失関数に応じて、前記第１および第２の一連のニューラルネットワーク層のうちの少なくとも１つの層の少なくとも１つの重みを調整することであって、前記損失関数が少なくとも、
    前記疑い特徴マップおよび前記基準特徴マップから誘導される距離メトリック、
    前記少なくとも１つの疑い画素ブロック毎スコア、ならびに
    前記少なくとも１つの基準画素ブロック毎スコアに応じる、調整することと、
    ｆ）前記複数の訓練サンプルのうちの１つまたは複数の追加の第１および第２の訓練サンプルに対して、ａ）〜ｅ）を繰り返すこととに応じて訓練されている、請求項１に記載のシステム。
  6. 前記ニューラルネットワーク層が、畳み込み層である、請求項５に記載のシステム。
  7. 前記ＰＭＣが、前記少なくとも１つの画素ブロック毎分類スコアの各々と欠陥性閾値とを比較し、それによって前記ＰＯＩに欠陥があるかどうかの指示を生じさせるようにさらに構成される、請求項５に記載のシステム。
  8. 前記ＰＭＣが、前記ＰＯＩに欠陥があるかどうかの前記指示に応じてオペレータに警報するようにさらに構成される、請求項５に記載のシステム。
  9. 半導体試料上の関心パターン（ＰＯＩ）を前記パターンの高分解能画像から分類する方法であって、
    プロセッサによって、前記試料上のＰＯＩの高分解能画像を示すデータを受け取ることと、
    前記プロセッサによって、欠陥性関連分類に応じて前記ＰＯＩを分類するために使用可能なデータを生成することとを含み、
    前記生成することが、少なくとも複数の訓練サンプルに応じて訓練された機械学習モデルを利用し、各訓練サンプルが、
    試料上のそれぞれの訓練パターンを走査することによって捕捉された高分解能訓練画像を含み、前記訓練パターンが、前記ＰＯＩに類似しており、
    前記それぞれの訓練パターンが、前記それぞれの訓練パターンの低分解能検査から誘導されたラベルに関連付けられる、方法。
  10. 前記機械学習モデルが、ニューラルネットワークを含み、前記ニューラルネットワークが、
    ＰＯＩの高分解能画像を示す入力データを考慮して、特徴マップを出力するように構成された第１の一連の１つまたは複数のニューラルネットワーク層と、
    入力特徴マップを考慮して、少なくとも１つの第１の画素ブロック毎分類スコアを示すデータを生成するように構成された第２の一連のニューラルネットワーク層とを含み、
    各画素ブロック毎分類スコアが、前記ＰＯＩのうち、前記高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記画素ブロック毎分類スコアが、それぞれの前記領域の欠陥性の可能性を示し、
    それによって欠陥性関連分類に応じて前記ＰＯＩを分類するために使用可能なデータを生じさせ、
    前記機械学習モデルが、
    ａ）プロセッサによって、前記複数の訓練サンプルのうちの第１の訓練サンプルの第１のＰＯＩの第１の高分解能画像に前記第１の一連のニューラルネットワーク層を適用することであって、前記第１のＰＯＩが、欠陥性を示すラベルに関連付けられ、それによって前記ニューラルネットワークの現在の訓練状態に応じて、疑い特徴マップを生じさせる、適用することと、
    ｂ）前記プロセッサによって、前記疑い特徴マップに前記第２の一連のニューラルネットワーク層を適用することであって、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて、少なくとも１つの疑い画素ブロック毎スコアを示すデータを生じさせ、
    各疑い画素ブロック毎スコアが、前記第１のＰＯＩのうち、前記第１の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記疑い画素ブロック毎スコアが、それぞれの前記領域の欠陥性の可能性を示す、適用することと、
    ｃ）前記プロセッサによって、前記複数の訓練サンプルのうちの第２の訓練サンプルの第２のＰＯＩの第２の高分解能画像に前記第１の一連のニューラルネットワーク層を適用することであって、前記第２のＰＯＩが、非欠陥性を示すラベルに関連付けられ、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて、基準特徴マップを生じさせる、適用することと、
    ｄ）前記プロセッサによって、前記基準特徴マップに前記第２の一連のニューラルネットワーク層を適用することであって、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて、少なくとも１つの基準画素ブロック毎スコアを示すデータを生じさせ、
    各基準画素ブロック毎スコアが、前記第２のＰＯＩのうち、前記第２の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記基準画素ブロック毎スコアが、それぞれの前記領域の欠陥性の可能性を示す、適用することと、
    ｅ）前記プロセッサによって、損失関数に応じて、前記第１および第２の一連のニューラルネットワーク層のうちの少なくとも１つの層の少なくとも１つの重みを調整することであって、前記損失関数が少なくとも、
    前記疑い特徴マップおよび前記基準特徴マップから誘導される距離メトリック、
    前記少なくとも１つの疑い画素ブロック毎スコア、ならびに
    前記少なくとも１つの基準画素ブロック毎スコアを利用する、調整することと、
    ｆ）前記複数の訓練サンプルのうちの１つまたは複数の追加の第１および第２の訓練サンプルに対して、ａ）〜ｅ）を繰り返すこととを含む方法に応じて訓練されている、請求項９に記載の方法。
  11. 前記プロセッサによって、前記少なくとも１つの画素ブロック毎分類スコアの各スコアと欠陥性閾値とを比較し、それによって前記ＰＯＩに欠陥があるかどうかの指示を生じさせることをさらに含む、請求項１０に記載の方法。
  12. 前記プロセッサによって、前記ＰＯＩに欠陥があるかどうかの前記指示に応じてオペレータに警報することをさらに含む、請求項１１に記載の方法。
  13. 前記プロセッサによって、少なくとも１つの画素ブロック毎分類スコアに応じて欠陥バウンディングボックスを判定することをさらに含む、請求項１０に記載の分類する方法。
  14. プログラム命令を含むコンピュータ可読ストレージ媒体を備えるコンピュータプログラム製品であって、前記プログラム命令が、
    プロセッサによって読み取られたとき、前記プロセッサに、ＰＯＩの高分解能画像を示す入力データを考慮して、欠陥性関連分類に応じて前記ＰＯＩを分類するために使用可能なデータを生成するために、機械学習モデルを訓練する方法を実行させ、前記方法が、
    ａ）複数の訓練サンプルを取得することであって、各訓練サンプルが、
    試料上のそれぞれの訓練パターンを走査することによって捕捉された高分解能訓練画像を含み、前記訓練パターンが、前記ＰＯＩに類似しており、
    前記それぞれの訓練パターンが、前記それぞれの訓練パターンの低分解能検査から誘導されたラベルに関連付けられる、取得することと、
    ｂ）少なくとも前記複数の訓練サンプルに応じて前記機械学習モデルを訓練することとを含む、コンピュータプログラム製品。
  15. 前記機械学習モデルが、ニューラルネットワークを含み、前記ニューラルネットワークが、
    ＰＯＩの高分解能画像を示す入力データを考慮して、特徴マップを出力するように構成された第１の一連の１つまたは複数のニューラルネットワーク層と、
    入力特徴マップを考慮して、少なくとも１つの第１の画素ブロック毎分類スコアを示すデータを生成するように構成された第２の一連のニューラルネットワーク層とを含み、
    各画素ブロック毎分類スコアが、前記ＰＯＩのうち、前記高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記画素ブロック毎分類スコアが、それぞれの前記領域の欠陥性の可能性を示し、
    それによって欠陥性関連分類に応じて前記ＰＯＩを分類するために使用可能なデータを生じさせ、
    前記機械学習モデルを前記訓練することが、
    ａ）前記複数の訓練サンプルのうちの第１の訓練サンプルの第１のＰＯＩの第１の高分解能画像に第１の一連のニューラルネットワーク層を適用することであって、前記第１のＰＯＩが、欠陥性を示すラベルに関連付けられ、それによって前記ニューラルネットワークの現在の訓練状態に応じて、疑い特徴マップを生じさせる、適用することと、
    ｂ）前記疑い特徴マップに第２の一連のニューラルネットワーク層を適用することであって、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて、少なくとも１つの疑い画素ブロック毎スコアを示すデータを生じさせ、
    各疑い画素ブロック毎スコアが、前記第１のＰＯＩのうち、前記第１の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記疑い画素ブロック毎スコアが、それぞれの前記領域の欠陥性の可能性を示す、適用することと、
    ｃ）前記複数の訓練サンプルのうちの第２の訓練サンプルの第２のＰＯＩの第２の高分解能画像に前記第１の一連のニューラルネットワーク層を適用することであって、前記第２のＰＯＩが、非欠陥性を示すラベルに関連付けられ、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて基準特徴マップを生じさせる、適用することと、
    ｄ）前記基準特徴マップに前記第２の一連のニューラルネットワーク層を適用することであって、それによって前記ニューラルネットワークの前記現在の訓練状態に応じて、少なくとも１つの基準画素ブロック毎スコアを示すデータを生じさせ、
    各基準画素ブロック毎スコアが、前記第２のＰＯＩのうち、前記第２の高分解能画像のそれぞれの画素ブロックの画素によって表される領域に属し、前記基準画素ブロック毎スコアが、それぞれの前記領域の欠陥性の可能性を示す、適用することと、
    ｅ）損失関数に応じて、前記第１および第２の一連のニューラルネットワーク層のうちの少なくとも１つの層の少なくとも１つの重みを調整することであって、前記損失関数が少なくとも、
    前記疑い特徴マップおよび前記基準特徴マップから誘導される距離メトリック、
    前記少なくとも１つの疑い画素ブロック毎スコア、ならびに
    前記少なくとも１つの基準画素ブロック毎スコアを利用する、調整することと、
    ｆ）前記複数の訓練サンプルのうちの１つまたは複数の追加の第１および第２の訓練サンプルに対して、ａ）〜ｅ）を繰り返すこととを含む、請求項１４に記載のコンピュータプログラム製品。
  16. 前記距離メトリックが、前記疑い特徴マップと前記基準特徴マップとの間のユークリッド差に応じて計算された差分マップである、請求項１５に記載のコンピュータプログラム製品。
  17. 前記距離メトリックが、前記疑い特徴マップと前記基準特徴マップとの間のコサイン類似度に応じて計算された差分マップである、請求項１５に記載のコンピュータプログラム製品。
  18. 前記追加の第２の訓練サンプルが、同じ第２の訓練サンプルである、請求項１５に記載のコンピュータプログラム製品。
  19. 前記損失関数が、前記第１の高分解能画像の画素群に関連付けられた注釈データをさらに利用し、前記注釈データが、前記第１のＰＯＩのうち、前記画素群によって表される領域の欠陥性を示す、請求項１５に記載のコンピュータプログラム製品。
  20. 前記注釈データが、前記第１の高分解能画像の人間による注釈から誘導される、請求項１９に記載のコンピュータプログラム製品。
JP2021093501A 2020-06-03 2021-06-03 弱いラベル付けを使用した半導体試料内の欠陥の検出 Pending JP2021190716A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/892,139 2020-06-03
US16/892,139 US11379972B2 (en) 2020-06-03 2020-06-03 Detecting defects in semiconductor specimens using weak labeling

Publications (1)

Publication Number Publication Date
JP2021190716A true JP2021190716A (ja) 2021-12-13

Family

ID=78786923

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021093501A Pending JP2021190716A (ja) 2020-06-03 2021-06-03 弱いラベル付けを使用した半導体試料内の欠陥の検出

Country Status (5)

Country Link
US (2) US11379972B2 (ja)
JP (1) JP2021190716A (ja)
KR (1) KR20210150970A (ja)
CN (1) CN113763312B (ja)
TW (1) TW202147163A (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US11493901B2 (en) * 2020-09-24 2022-11-08 International Business Machines Corporation Detection of defect in edge device manufacturing by artificial intelligence
US20220101114A1 (en) * 2020-09-27 2022-03-31 Kla Corporation Interpretable deep learning-based defect detection and classification
CN115706819A (zh) * 2021-08-17 2023-02-17 鸿富锦精密工业（深圳）有限公司 网页视频播放方法、装置、电子设备及存储介质
US11789069B2 (en) * 2021-12-03 2023-10-17 International Business Machines Corporation Mixed high-resolution and low-resolution inspection for tamper detection
CN115061427B (zh) * 2022-06-28 2023-04-14 浙江同发塑机有限公司 吹塑机的料层均匀性控制系统及其控制方法
CN116046810B (zh) * 2023-04-03 2023-06-23 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3534582B2 (ja) * 1997-10-02 2004-06-07 株式会社日立製作所 パターン欠陥検査方法および検査装置
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP4928862B2 (ja) * 2006-08-04 2012-05-09 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP5065943B2 (ja) * 2008-02-29 2012-11-07 株式会社日立ハイテクノロジーズ 製造プロセスモニタリングシステム
JP5429869B2 (ja) * 2008-12-22 2014-02-26 株式会社 Ｎｇｒ パターン検査装置および方法
US8150140B2 (en) * 2008-12-22 2012-04-03 Ngr Inc. System and method for a semiconductor lithographic process control using statistical information in defect identification
WO2011083540A1 (ja) * 2010-01-05 2011-07-14 株式会社日立ハイテクノロジーズ Ｓｅｍを用いた欠陥検査方法及び装置
US8669523B2 (en) * 2011-05-25 2014-03-11 Kla-Tencor Corporation Contour-based defect detection using an inspection apparatus
KR102019534B1 (ko) * 2013-02-01 2019-09-09 케이엘에이 코포레이션 결함 특유의, 다중 채널 정보를 이용한 웨이퍼 상의 결함 검출
US9171364B2 (en) * 2013-06-21 2015-10-27 Kla-Tencor Corp. Wafer inspection using free-form care areas
US9714905B1 (en) * 2013-06-23 2017-07-25 Kla-Tencor Corp. Wafer inspection recipe setup
US9355208B2 (en) * 2013-07-08 2016-05-31 Kla-Tencor Corp. Detecting defects on a wafer
US9518935B2 (en) * 2013-07-29 2016-12-13 Kla-Tencor Corporation Monitoring changes in photomask defectivity
US10410338B2 (en) * 2013-11-04 2019-09-10 Kla-Tencor Corporation Method and system for correlating optical images with scanning electron microscopy images
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US9846934B2 (en) * 2015-04-13 2017-12-19 Anchor Semiconductor Inc. Pattern weakness and strength detection and tracking during a semiconductor device fabrication process
US9767548B2 (en) * 2015-04-24 2017-09-19 Kla-Tencor Corp. Outlier detection on pattern of interest image populations
US10359371B2 (en) * 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US11010886B2 (en) * 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10706522B2 (en) * 2016-11-08 2020-07-07 Kla-Tencor Corporation System and method for generation of wafer inspection critical areas
US10451563B2 (en) * 2017-02-21 2019-10-22 Kla-Tencor Corporation Inspection of photomasks by comparing two photomasks
US10620135B2 (en) * 2017-07-19 2020-04-14 Kla-Tencor Corp. Identifying a source of nuisance defects on a wafer
US9964607B1 (en) * 2017-08-28 2018-05-08 Seagate Technology Llc Recognizing and identifying defect patterns on magnetic media
US11138507B2 (en) * 2017-09-28 2021-10-05 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
KR20230170806A (ko) * 2017-10-02 2023-12-19 어플라이드 머티리얼즈 이스라엘 리미티드 패턴의 임계 치수 변동의 결정
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
KR102549196B1 (ko) * 2018-02-07 2023-06-30 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
WO2020043525A1 (en) * 2018-08-28 2020-03-05 Asml Netherlands B.V. Systems and methods of optimal metrology guidance
WO2020141072A1 (en) * 2018-12-31 2020-07-09 Asml Netherlands B.V. Fully automated sem sampling system for e-beam image enhancement
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
US11151710B1 (en) * 2020-05-04 2021-10-19 Applied Materials Israel Ltd. Automatic selection of algorithmic modules for examination of a specimen
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US20220044949A1 (en) * 2020-08-06 2022-02-10 Carl Zeiss Smt Gmbh Interactive and iterative training of a classification algorithm for classifying anomalies in imaging datasets

Also Published As

Publication number Publication date
US20220301151A1 (en) 2022-09-22
KR20210150970A (ko) 2021-12-13
TW202147163A (zh) 2021-12-16
CN113763312A (zh) 2021-12-07
CN113763312B (zh) 2024-04-19
US11790515B2 (en) 2023-10-17
US11379972B2 (en) 2022-07-05
US20210383530A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
JP2021190716A (ja) 弱いラベル付けを使用した半導体試料内の欠陥の検出
TWI767108B (zh) 用於檢查半導體試樣的方法與系統及在其上紀錄相關指令的電腦可讀取媒體
KR102176335B1 (ko) 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템
KR102549196B1 (ko) 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
TW202142852A (zh) 半導體試樣的基於深度學習之檢查的方法及其系統
US11686689B2 (en) Automatic optimization of an examination recipe
TW202044067A (zh) 基於機器學習之半導體樣本中的缺陷分類
KR20220156769A (ko) 생산 과정을 통하여 생산되는 제품을 분류하는 방법 및 시스템
JP2022027473A (ja) 半導体試料の検査に使用可能な訓練データの生成
CN113269709A (zh) 探测半导体晶片中缺陷的方法及半导体晶片缺陷探测系统
TWI786570B (zh) 生成可用於檢查半導體樣本的訓練集
CN116935092A (zh) 自动化缺陷分类和检测
TWI763451B (zh) 利用自動地選擇演算法模組來檢驗樣本的系統、方法、和非暫時性電腦可讀媒體
Lee et al. Multimodal machine learning for display panel defect layer identification
JP5566616B2 (ja) 特性解析装置、特性解析方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体
US20230408423A1 (en) Inspection recipe optimization for semiconductor specimens
US20220334567A1 (en) Fabrication fingerprint for proactive yield management
CN117529803A (zh) 用于主动良率管理的制造指纹
TW202413931A (zh) 用於半導體取樣的檢查配方最佳化
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練
JP2022013667A (ja) 半導体試料の画像のセグメンテーション