JP2022515353A - 電子ビーム画像向上のための完全自動semサンプリングシステム - Google Patents
電子ビーム画像向上のための完全自動semサンプリングシステム Download PDFInfo
- Publication number
- JP2022515353A JP2022515353A JP2021533481A JP2021533481A JP2022515353A JP 2022515353 A JP2022515353 A JP 2022515353A JP 2021533481 A JP2021533481 A JP 2021533481A JP 2021533481 A JP2021533481 A JP 2021533481A JP 2022515353 A JP2022515353 A JP 2022515353A
- Authority
- JP
- Japan
- Prior art keywords
- image
- training
- quality
- machine learning
- patterns
- 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.)
- Granted
Links
- 238000010894 electron beam technology Methods 0.000 title description 92
- 238000005070 sampling Methods 0.000 title description 56
- 238000012549 training Methods 0.000 claims abstract description 215
- 238000000034 method Methods 0.000 claims abstract description 114
- 238000010801 machine learning Methods 0.000 claims abstract description 92
- 238000010586 diagram Methods 0.000 abstract description 24
- 238000007689 inspection Methods 0.000 description 79
- 239000000047 product Substances 0.000 description 52
- 235000012431 wafers Nutrition 0.000 description 50
- 238000004519 manufacturing process Methods 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 21
- 230000006872 improvement Effects 0.000 description 16
- 238000013461 design Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 15
- 230000007547 defect Effects 0.000 description 14
- 239000004065 semiconductor Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000012935 Averaging Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 238000001878 scanning electron micrograph Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of 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
- G06F18/21—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
Description
[0001] 本出願は、2018年12月31日に出願されたUS出願第62/787,031号の優先権を主張する。これは参照により全体が本願に含まれる。
1.機械学習モデルの訓練に用いられる訓練画像を自動的に取得する方法であって、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別することと、
複数の訓練位置の各々において第1の品質を有する第1の画像を取得することと、
複数の訓練位置の各々において、第1の品質よりも高い第2の品質を有する第2の画像を取得することと、
第1の画像及び第2の画像を用いて機械学習モデルを訓練することと、
を含む方法。
2.データはデータベース内にある、条項1に記載の方法。
3.データベースは、グラフィックデータベースシステム(GDS)、OASIS、又はCIFのうち任意の1つである、条項2に記載の方法。
4.GDSはGDSフォーマットのデータ又はGDSIIフォーマットのデータを含む、条項3に記載の方法。
5.複数の訓練位置の各々において第1の品質を有する第1の画像を取得するステップは、複数の訓練位置の各々において第1の品質を有する2つ以上の第1の画像を取得することを含む、条項1に記載の方法。
6.複数の訓練位置の各々において第2の品質を有する第2の画像を取得するステップは、複数の訓練位置の各々において第2の品質を有する2つ以上の第2の画像を取得することを含む、条項1に記載の方法。
7.製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンをパターンの複数のサブセットに分類することを含む、条項1に記載の方法。
8.製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンからフィーチャを抽出することを含む、条項1から7のいずれか1項に記載の方法。
9.抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、条項8に記載の方法。
10.複数のパターンをパターンの複数のサブセットに分類することは抽出したフィーチャに基づく、条項7に記載の方法。
11.パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、条項7に記載の方法。
12.複数の訓練位置を識別することは、視野、局所アライメントポイント、又はオートフォーカスポイントに基づく、条項1から11のいずれか1項に記載の方法。
13.第1の画像を取得するための第1のスキャンを含む第1のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定することを更に含む、条項1から12のいずれか1項に記載の方法。
14.第2の画像を取得するための第2のスキャンを含む第2のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定することを更に含む、条項13に記載の方法。
15.第1のスキャンは第1の回数のスキャンを含み、第2のスキャンは第2の回数のスキャンを含み、第2の回数のスキャンは第1の回数のスキャンよりも多い、条項14に記載の方法。
16.第2の画像は任意選択的なユーザ入力によって参照画像として取得される、条項1から13のいずれか1項に記載の方法。
17.機械学習モデルを用いて、ある位置の第1の画像を修正してその位置の第2の画像を取得することを更に含み、第2の画像は第1の画像よりも向上した品質を有する、条項1から16のいずれか1項に記載の方法。
18.複数の訓練位置を識別することは、パターンの各サブセットにおいて1つ以上の訓練位置を識別することを含む、条項1から17のいずれか1項に記載の方法。
19.品質は、解像度、コントラスト、輝度、又はノイズレベルを含む、条項1から18のいずれか1項に記載の方法。
20.機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正することを更に含む、条項1から19のいずれか1項に記載の方法。
21.画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得するための装置であって、
メモリと、
メモリに結合された少なくとも1つのプロセッサであって、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別し、
複数の訓練位置の各々において第1の品質を有する第1の画像を取得し、
複数の訓練位置の各々において、第1の品質よりも高い第2の品質を有する第2の画像を取得し、
第1の画像及び第2の画像を用いて機械学習モデルを訓練する、
ように構成された少なくとも1つのプロセッサと、
を備える装置。
22.データはデータベース内にある、条項21に記載の装置。
23.データベースは、グラフィックデータベースシステム(GDS)、OASIS、又はCIFのうち任意の1つである、条項22に記載の装置。
24.GDSはGDSフォーマットのデータ又はGDSIIフォーマットのデータを含む、条項23に記載の装置。
25.少なくとも1つのプロセッサは更に、複数の訓練位置の各々において第1の品質を有する2つ以上の第1の画像を取得するように構成されている、条項21に記載の装置。
26.少なくとも1つのプロセッサは更に、複数の訓練位置の各々において第2の品質を有する2つ以上の第2の画像を取得するように構成されている、条項21に記載の装置。
27.少なくとも1つのプロセッサは更に、複数のパターンをパターンの複数のサブセットに分類するように構成されている、条項21に記載の装置。
28.少なくとも1つのプロセッサは更に、複数のパターンからフィーチャを抽出するように構成されている、条項21に記載の装置。
29.抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、条項28に記載の装置。
30.少なくとも1つのプロセッサは更に、抽出したフィーチャに基づいて複数のパターンをパターンの複数のサブセットに分類するように構成されている、条項27に記載の装置。
31.パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、条項27に記載の装置。
32.少なくとも1つのプロセッサは更に、視野、局所アライメントポイント、又はオートフォーカスポイントに基づいて複数の訓練位置を識別するように構成されている、条項21から31のいずれか1項に記載の装置。
33.少なくとも1つのプロセッサは更に、
第1の画像を取得するための第1のスキャンを含む第1のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定する、
ように構成されている、条項21から32のいずれか1項に記載の装置。
34.少なくとも1つのプロセッサは更に、
第2の画像を取得するための第2のスキャンを含む第2のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定する、
ように構成されている、条項33に記載の装置。
35.第1のスキャンは第1の回数のスキャンを含み、第2のスキャンは第2の回数のスキャンを含み、第2の回数のスキャンは第1の回数のスキャンよりも多い、条項34に記載の装置。
36.第2の画像は任意選択的なユーザ入力によって参照画像として受信される、条項21から33のいずれか1項に記載の方法。
37.少なくとも1つのプロセッサは更に、
機械学習モデルを用いて、ある位置の第1の画像を修正してその位置の第2の画像を取得するように構成され、第2の画像は第1の画像よりも向上した品質を有する、条項21から36のいずれか1項に記載の装置。
38.少なくとも1つのプロセッサは更に、
パターンの各サブセットにおいて1つ以上の訓練位置を識別する、
ように構成されている、条項21から37のいずれか1項に記載の装置。
39.品質は、解像度、コントラスト、輝度、又はノイズレベルを含む、条項21から38のいずれか1項に記載の装置。
40.少なくとも1つのプロセッサは更に、
機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正する、
ように構成されている、条項21から39のいずれか1項に記載の装置。
41.デバイスに方法を実行させるため、デバイスのコントローラによって実行可能な命令のセットを記憶する非一時的コンピュータ可読媒体であって、方法は、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別することと、
複数の訓練位置の各々において第1の品質を有する第1の画像を取得することと、
複数の訓練位置の各々において、第1の品質よりも高い第2の品質を有する第2の画像を取得することと、
第1の画像及び第2の画像を用いて機械学習モデルを訓練することと、
を含む、非一時的コンピュータ可読媒体。
42.データはデータベース内にある、条項41に記載の非一時的コンピュータ可読媒体。
43.データベースは、グラフィックデータベースシステム(GDS)、OASIS、CIF、又は電子設計交換フォーマットのうち任意の1つである、条項42に記載の非一時的コンピュータ可読媒体。
44.GDSはGDS又はGDSIIのうち少なくとも1つを含む、条項43に記載の非一時的コンピュータ可読媒体。
45.複数の訓練位置の各々において第1の品質を有する第1の画像を取得するステップは更に、複数の訓練位置の各々において第1の品質を有する2つ以上の第1の画像を取得することを含む、条項41に記載の非一時的コンピュータ可読媒体。
46.複数の訓練位置の各々において第2の品質を有する第2の画像を取得するステップは更に、複数の訓練位置の各々において第2の品質を有する2つ以上の第2の画像を取得することを含む、条項41に記載の非一時的コンピュータ可読媒体。
47.製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンをパターンの複数のサブセットに分類することを含む、条項41に記載の非一時的コンピュータ可読媒体。
48.製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンからフィーチャを抽出することを含む、条項41から47のいずれか1項に記載の非一時的コンピュータ可読媒体。
49.抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、条項48に記載の非一時的コンピュータ可読媒体。
50.複数のパターンをパターンの複数のサブセットに分類することは抽出したフィーチャに基づく、条項47に記載の非一時的コンピュータ可読媒体。
51.パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、条項47に記載の非一時的コンピュータ可読媒体。
52.複数の訓練位置を識別することは、視野、局所アライメントポイント、又はオートフォーカスポイントに基づく、条項41から51のいずれか1項に記載の非一時的コンピュータ可読媒体。
53.方法は更に、
第1の画像を取得するための第1のスキャンを含む第1のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定すること、
を含む、条項41から52のいずれか1項に記載の非一時的コンピュータ可読媒体。
54.方法は更に、
第2の画像を取得するための第2のスキャンを含む第2のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定すること、
を含む、条項53に記載の非一時的コンピュータ可読媒体。
55.第1のスキャンは第1の回数のスキャンを含み、第2のスキャンは第2の回数のスキャンを含み、第2の回数のスキャンは第1の回数のスキャンよりも多い、条項54に記載の非一時的コンピュータ可読媒体。
56.第2の画像は任意選択的なユーザ入力によって参照画像として取得される、条項41から53のいずれか1項に記載の非一時的コンピュータ可読媒体。
57.方法は、機械学習モデルを用いて、ある位置の第1の画像を修正してその位置の第2の画像を取得することを更に含み、第2の画像は第1の画像よりも向上した品質を有する、条項41から56のいずれか1項に記載の非一時的コンピュータ可読媒体。
58.複数の訓練位置を識別することは、パターンの各サブセットにおいて1つ以上の訓練位置を識別することを含む、条項41から57のいずれか1項に記載の非一時的コンピュータ可読媒体。
59.品質は、解像度、コントラスト、輝度、又はノイズレベルを含む、条項41から58のいずれか1項に記載の非一時的コンピュータ可読媒体。
60.方法は更に、
機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正すること、
を含む、条項41から59のいずれか1項に記載の非一時的コンピュータ可読媒体。
61.電子ビーム検査装置であって、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別することと、
複数の訓練位置の各々において第1の品質を有する第1の画像を取得することと、
複数の訓練位置の各々において、第1の品質よりも高い第2の品質を有する第2の画像を取得することと、
第1の画像及び第2の画像を用いて機械学習モデルを訓練することと、を電子ビーム検査装置に実行させることと、
を電子ビーム検査装置に実行させる回路を有するコントローラ、
を備える電子ビーム検査装置。
62.データはデータベース内にある、条項61に記載の電子ビーム検査装置。
63.データベースは、グラフィックデータベースシステム(GDS)、OASIS、又はCIFのうち任意の1つである、条項62に記載の電子ビーム検査装置。
64.GDSはGDS又はGDSIIのうち少なくとも1つを含む、条項63に記載の電子ビーム検査装置。
65.複数の訓練位置の各々において第1の品質を有する第1の画像を取得するステップは、複数の訓練位置の各々において第1の品質を有する2つ以上の第1の画像を取得することを含む、条項61に記載の電子ビーム検査装置。
66.複数の訓練位置の各々において第2の品質を有する第2の画像を取得するステップは、複数の訓練位置の各々において第2の品質を有する2つ以上の第2の画像を取得することを含む、条項61に記載の電子ビーム検査装置。
67.製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンをパターンの複数のサブセットに分類することを含む、条項61に記載の電子ビーム検査装置。
68.製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンからフィーチャを抽出することを含む、条項61から67のいずれか1項に記載の電子ビーム検査装置。
69.抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、条項68に記載の電子ビーム検査装置。
70.複数のパターンをパターンの複数のサブセットに分類することは抽出したフィーチャに基づく、条項67に記載の電子ビーム検査装置。
71.パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、条項67に記載の電子ビーム検査装置。
72.複数の訓練位置を識別することは、視野、局所アライメントポイント、又はオートフォーカスポイントに基づく、条項61から71のいずれか1項に記載の電子ビーム検査装置。
73.回路を有するコントローラは、
第1の画像を取得するための第1のスキャンを含む第1のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定すること、
を更に電子ビーム検査装置に実行させる、条項61から72のいずれか1項に記載の電子ビーム検査装置。
74.回路を有するコントローラは、
第2の画像を取得するための第2のスキャンを含む第2のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定すること、
を更に電子ビーム検査装置に実行させる、条項73に記載の電子ビーム検査装置。
75.第1のスキャンは第1の回数のスキャンを含み、第2のスキャンは第2の回数のスキャンを含み、第2の回数のスキャンは第1の回数のスキャンよりも多い、条項74に記載の電子ビーム検査装置。
76.第2の画像は任意選択的なユーザ入力によって参照画像として取得される、条項61から73のいずれか1項に記載の電子ビーム検査装置。
77.回路を有するコントローラは、
機械学習モデルを用いて、ある位置の第1の画像を修正してその位置の第2の画像を取得することを更に電子ビーム検査装置に実行させ、第2の画像は第1の画像よりも向上した品質を有する、条項61から76のいずれか1項に記載の電子ビーム検査装置。
78.複数の訓練位置を識別することは、パターンの各サブセットにおいて1つ以上の訓練位置を識別することを含む、条項61から77のいずれか1項に記載の電子ビーム検査装置。
79.品質は、解像度、コントラスト、輝度、又はノイズレベルを含む、条項61から78のいずれか1項に記載の電子ビーム検査装置。
80.回路を有するコントローラは、
機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正すること、
を更に電子ビーム検査装置に実行させる、条項61から79のいずれか1項に記載の電子ビーム検査装置。
81.データのパターンは製品の走査電子顕微鏡(SEM)画像である、条項1に記載の方法。
82.第2の画像は複数の低品質画像に基づいて取得される、条項1に記載の方法。
83.第2の画像は複数の低品質画像を平均化することによって取得される、条項1に記載の方法。
84.第2の画像は複数の低品質画像を組み合わせることによって取得される、条項1に記載の方法。
85.第1の画像及び第2の画像は1つ以上の走査電子顕微鏡によって取得された画像であり、第2の画像は第1の画像よりも高い品質の画像である、条項1に記載の方法。
86.第2の画像は、第1の画像に比べて高い解像度、高いコントラスト、高い輝度、又は低いノイズレベルを有する、条項85に記載の方法。
87.データのパターンは製品の走査電子顕微鏡(SEM)画像である、条項21に記載の装置。
88.第2の画像は複数の低品質画像に基づいて取得される、条項21に記載の装置。
89.第2の画像は複数の低品質画像を平均化することによって取得される、条項21に記載の装置。
90.第2の画像は複数の低品質画像を組み合わせることによって取得される、条項21に記載の装置。
91.データのパターンは製品の走査電子顕微鏡(SEM)画像である、条項41に記載の非一時的コンピュータ可読媒体。
92.第2の画像は複数の低品質画像に基づいて取得される、条項41に記載の非一時的コンピュータ可読媒体。
93.第2の画像は複数の低品質画像を平均化することによって取得される、条項41に記載の非一時的コンピュータ可読媒体。
94.第2の画像は複数の低品質画像を組み合わせることによって取得される、条項41に記載の非一時的コンピュータ可読媒体。
95.データのパターンは製品の走査電子顕微鏡(SEM)画像である、条項61に記載の電子ビーム検査装置。
96.第2の画像は複数の低品質画像に基づいて取得される、条項61に記載の電子ビーム検査装置。
97.第2の画像は複数の低品質画像を平均化することによって取得される、条項61に記載の電子ビーム検査装置。
98.第2の画像は複数の低品質画像を組み合わせることによって取得される、条項61に記載の電子ビーム検査装置。
Claims (15)
- 画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得するための装置であって、
メモリと、
前記メモリに結合された少なくとも1つのプロセッサであって、
製品のレイアウトに関するデータの複数のパターンを分析して、前記機械学習モデルの訓練に関連して使用される複数の訓練位置を識別し、
前記複数の訓練位置の各々において第1の品質を有する第1の画像を取得し、
前記複数の訓練位置の各々において、前記第1の品質よりも高い第2の品質を有する第2の画像を取得し、
前記第1の画像及び前記第2の画像を用いて前記機械学習モデルを訓練する、
ように構成された少なくとも1つのプロセッサと、
を備える装置。 - 前記データはデータベース内にある、請求項1に記載の装置。
- 前記データベースは、グラフィックデータベースシステム(GDS)、OASIS、又はCIFのうち任意の1つである、請求項2に記載の装置。
- 前記GDSはGDSフォーマットのデータ又はGDSIIフォーマットのデータを含む、請求項3に記載の装置。
- 前記少なくとも1つのプロセッサは更に、前記複数の訓練位置の各々において第1の品質を有する2つ以上の第1の画像を取得するように構成されている、請求項1に記載の装置。
- 前記少なくとも1つのプロセッサは更に、前記複数の訓練位置の各々において第2の品質を有する2つ以上の第2の画像を取得するように構成されている、請求項1に記載の装置。
- 前記少なくとも1つのプロセッサは更に、前記複数のパターンをパターンの複数のサブセットに分類するように構成されている、請求項1に記載の装置。
- 前記少なくとも1つのプロセッサは更に、前記複数のパターンからフィーチャを抽出するように構成されている、請求項1に記載の装置。
- 前記抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、請求項8に記載の装置。
- 前記少なくとも1つのプロセッサは更に、前記抽出したフィーチャに基づいて前記複数のパターンをパターンの複数のサブセットに分類するように構成されている、請求項7に記載の装置。
- 前記パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、請求項7に記載の装置。
- 前記少なくとも1つのプロセッサは更に、視野、局所アライメントポイント、又はオートフォーカスポイントに基づいて前記複数の訓練位置を識別するように構成されている、請求項1に記載の装置。
- 前記少なくとも1つのプロセッサは更に、
前記第1の画像を取得するための第1のスキャンを含む第1のスキャン経路を、前記複数の訓練位置のスキャンエリア全体に基づいて決定する、
ように構成されている、請求項1に記載の装置。 - 前記少なくとも1つのプロセッサは更に、
前記第2の画像を取得するための第2のスキャンを含む第2のスキャン経路を、前記複数の訓練位置のスキャンエリア全体に基づいて決定する、
ように構成されている、請求項13に記載の装置。 - デバイスに方法を実行させるため、前記デバイスのコントローラによって実行可能な命令のセットを記憶する非一時的コンピュータ可読媒体であって、前記方法は、
製品のレイアウトに関するデータの複数のパターンを分析して、前記機械学習モデルの訓練に関連して使用される複数の訓練位置を識別することと、
前記複数の訓練位置の各々において第1の品質を有する第1の画像を取得することと、
前記複数の訓練位置の各々において、前記第1の品質よりも高い第2の品質を有する第2の画像を取得することと、
前記第1の画像及び前記第2の画像を用いて前記機械学習モデルを訓練することと、
を含む、非一時的コンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862787031P | 2018-12-31 | 2018-12-31 | |
US62/787,031 | 2018-12-31 | ||
PCT/EP2019/085720 WO2020141072A1 (en) | 2018-12-31 | 2019-12-17 | Fully automated sem sampling system for e-beam image enhancement |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022515353A true JP2022515353A (ja) | 2022-02-18 |
JP7232911B2 JP7232911B2 (ja) | 2023-03-03 |
Family
ID=69061340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021533481A Active JP7232911B2 (ja) | 2018-12-31 | 2019-12-17 | 電子ビーム画像向上のための完全自動semサンプリングシステム |
Country Status (7)
Country | Link |
---|---|
US (2) | US11769317B2 (ja) |
JP (1) | JP7232911B2 (ja) |
KR (2) | KR20240038156A (ja) |
CN (1) | CN113272820A (ja) |
IL (1) | IL284031A (ja) |
TW (1) | TWI738157B (ja) |
WO (1) | WO2020141072A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023238384A1 (ja) * | 2022-06-10 | 2023-12-14 | 株式会社日立ハイテク | 試料観察装置および方法 |
JP7538174B2 (ja) | 2022-05-23 | 2024-08-21 | 日本電子株式会社 | マスイメージ処理装置及び方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021026926A (ja) * | 2019-08-07 | 2021-02-22 | 株式会社日立ハイテク | 画像生成方法、非一時的コンピューター可読媒体、及びシステム |
US11379972B2 (en) | 2020-06-03 | 2022-07-05 | Applied Materials Israel Ltd. | Detecting defects in semiconductor specimens using weak labeling |
CN111862255B (zh) * | 2020-07-17 | 2024-07-26 | 上海联影医疗科技股份有限公司 | 正则化图像重建方法、系统、可读存储介质和设备 |
TW202238110A (zh) * | 2021-02-23 | 2022-10-01 | 以色列商奧寶科技有限公司 | 使用混合成像系統之自動光學檢測 |
CN113177497B (zh) * | 2021-05-10 | 2024-04-12 | 百度在线网络技术(北京)有限公司 | 视觉模型的训练方法、车辆识别方法及装置 |
CN117115048B (zh) * | 2023-10-25 | 2024-02-02 | 国仪量子(合肥)技术有限公司 | 图像降噪方法、系统以及存储介质、电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003059441A (ja) * | 2002-05-24 | 2003-02-28 | Hitachi Ltd | 走査電子顕微鏡 |
JP2005315596A (ja) * | 2004-04-27 | 2005-11-10 | Japan Science & Technology Agency | 画像検査方法及び装置 |
JP2009224848A (ja) * | 2008-03-13 | 2009-10-01 | Sony Corp | 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム |
JP2011170456A (ja) * | 2010-02-16 | 2011-09-01 | Fujifilm Corp | 画像処理方法及び装置並びにプログラム |
US20140301630A1 (en) * | 2013-04-08 | 2014-10-09 | Kla-Tencor Corporation | Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology |
JP2017050222A (ja) * | 2015-09-03 | 2017-03-09 | 株式会社東芝 | 検査装置及び検査方法 |
US20170193680A1 (en) * | 2016-01-04 | 2017-07-06 | Kla-Tencor Corporation | Generating high resolution images from low resolution images for semiconductor applications |
JP2017143034A (ja) * | 2016-02-12 | 2017-08-17 | 東方晶源微電子科技(北京)有限公司 | 画像取得方法及び電子ビーム検査・測長装置 |
JP2018137275A (ja) * | 2017-02-20 | 2018-08-30 | 株式会社日立ハイテクノロジーズ | 試料観察装置および試料観察方法 |
US20180293721A1 (en) * | 2017-04-07 | 2018-10-11 | Kla-Tencor Corporation | Contour based defect detection |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9799098B2 (en) | 2007-04-24 | 2017-10-24 | Massachusetts Institute Of Technology | Method and apparatus for image processing |
CN105023240B (zh) * | 2015-07-08 | 2019-07-09 | 北京大学深圳研究生院 | 基于迭代投影重建的字典类图像超分辨率系统及方法 |
US10043261B2 (en) | 2016-01-11 | 2018-08-07 | Kla-Tencor Corp. | Generating simulated output for a specimen |
US10546085B2 (en) | 2017-04-12 | 2020-01-28 | Anchor Semiconductor Inc. | Pattern centric process control |
US20180342045A1 (en) * | 2017-05-26 | 2018-11-29 | Microsoft Technology Licensing, Llc | Image resolution enhancement using machine learning |
US20190377814A1 (en) * | 2018-06-11 | 2019-12-12 | Augmented Radar Imaging Inc. | Annotated dataset based on different sensor techniques |
-
2019
- 2019-12-17 CN CN201980087128.7A patent/CN113272820A/zh active Pending
- 2019-12-17 KR KR1020247008560A patent/KR20240038156A/ko active Application Filing
- 2019-12-17 KR KR1020217019393A patent/KR102649132B1/ko active Application Filing
- 2019-12-17 JP JP2021533481A patent/JP7232911B2/ja active Active
- 2019-12-17 WO PCT/EP2019/085720 patent/WO2020141072A1/en active Application Filing
- 2019-12-18 US US16/718,706 patent/US11769317B2/en active Active
- 2019-12-25 TW TW108147527A patent/TWI738157B/zh active
-
2021
- 2021-06-15 IL IL284031A patent/IL284031A/en unknown
-
2023
- 2023-08-03 US US18/365,134 patent/US20240046620A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003059441A (ja) * | 2002-05-24 | 2003-02-28 | Hitachi Ltd | 走査電子顕微鏡 |
JP2005315596A (ja) * | 2004-04-27 | 2005-11-10 | Japan Science & Technology Agency | 画像検査方法及び装置 |
JP2009224848A (ja) * | 2008-03-13 | 2009-10-01 | Sony Corp | 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム |
JP2011170456A (ja) * | 2010-02-16 | 2011-09-01 | Fujifilm Corp | 画像処理方法及び装置並びにプログラム |
US20140301630A1 (en) * | 2013-04-08 | 2014-10-09 | Kla-Tencor Corporation | Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology |
JP2017050222A (ja) * | 2015-09-03 | 2017-03-09 | 株式会社東芝 | 検査装置及び検査方法 |
US20170193680A1 (en) * | 2016-01-04 | 2017-07-06 | Kla-Tencor Corporation | Generating high resolution images from low resolution images for semiconductor applications |
JP2017143034A (ja) * | 2016-02-12 | 2017-08-17 | 東方晶源微電子科技(北京)有限公司 | 画像取得方法及び電子ビーム検査・測長装置 |
JP2018137275A (ja) * | 2017-02-20 | 2018-08-30 | 株式会社日立ハイテクノロジーズ | 試料観察装置および試料観察方法 |
US20180293721A1 (en) * | 2017-04-07 | 2018-10-11 | Kla-Tencor Corporation | Contour based defect detection |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7538174B2 (ja) | 2022-05-23 | 2024-08-21 | 日本電子株式会社 | マスイメージ処理装置及び方法 |
WO2023238384A1 (ja) * | 2022-06-10 | 2023-12-14 | 株式会社日立ハイテク | 試料観察装置および方法 |
Also Published As
Publication number | Publication date |
---|---|
US11769317B2 (en) | 2023-09-26 |
CN113272820A (zh) | 2021-08-17 |
TW202143281A (zh) | 2021-11-16 |
TWI738157B (zh) | 2021-09-01 |
IL284031A (en) | 2021-08-31 |
JP7232911B2 (ja) | 2023-03-03 |
TW202042273A (zh) | 2020-11-16 |
KR20210094022A (ko) | 2021-07-28 |
KR102649132B1 (ko) | 2024-03-20 |
US20240046620A1 (en) | 2024-02-08 |
WO2020141072A1 (en) | 2020-07-09 |
US20200211178A1 (en) | 2020-07-02 |
KR20240038156A (ko) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7232911B2 (ja) | 電子ビーム画像向上のための完全自動semサンプリングシステム | |
JP6873129B2 (ja) | 領域適応的欠陥検出を行うシステムおよび方法 | |
JP5715873B2 (ja) | 欠陥分類方法及び欠陥分類システム | |
TWI683103B (zh) | 於樣品上判定所關注圖案之一或多個特性 | |
US8502146B2 (en) | Methods and apparatus for classification of defects using surface height attributes | |
TWI697849B (zh) | 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統 | |
US11880193B2 (en) | System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design | |
US20190333205A1 (en) | Defect pattern grouping method and system | |
KR102607148B1 (ko) | 물리학 기반의 이미지 교란을 사용하여 결함을 결정하기 위한 시스템 및 방법 | |
TWI750514B (zh) | 電子束檢測設備、用於對準一晶圓影像與一參考影像之方法及相關之非暫時性電腦可讀媒體 | |
JP5415523B2 (ja) | パターン検査装置及びその検査方法 | |
WO2023280489A1 (en) | Method and system for anomaly-based defect inspection | |
JP2016111166A (ja) | 欠陥観察装置および欠陥観察方法 | |
TWI845876B (zh) | 電子束檢測設備、用於對準一晶圓影像與一參考影像之方法及相關之非暫時性電腦可讀媒體 | |
TWI848252B (zh) | 用於產生合成缺陷影像的設備及相關的非暫時性電腦可讀媒體 | |
US20240062362A1 (en) | Machine learning-based systems and methods for generating synthetic defect images for wafer inspection | |
US20230139085A1 (en) | Processing reference data for wafer inspection | |
JP2008147679A (ja) | 電子線応用装置 | |
KR20240122854A (ko) | 하전 입자 검사 이미지 정렬을 위한 자동 파라미터 튜닝 | |
TW202240640A (zh) | 用於在帶電粒子系統中之檢查期間判定局部焦點之系統及方法 | |
WO2024061632A1 (en) | System and method for image resolution characterization | |
WO2023156125A1 (en) | Systems and methods for defect location binning in charged-particle systems | |
WO2015064399A1 (ja) | 荷電粒子線装置およびプログラム記録媒体 | |
JP2014130745A (ja) | 荷電粒子線装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210802 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220609 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220704 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220930 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221005 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221227 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230126 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7232911 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |