JP2023539235A - 転移学習を用いるウェハレベルシグネチャグループ化 - Google Patents

Abstract

ウェハマップが、機械学習ベースモデルと、そのウェハマップ上のシグネチャとを用い分類される。その機械学習ベースモデルでは転移学習が用いられる。その機械学習ベースモデルを、抽出及び補強された様々な源泉由来の画像並びにそれらの抽出済特徴を用い、訓練することができる。それら抽出済特徴を、半導体製造中に生じる欠陥に分類することができる。

Description

本件開示は半導体製造に関する

［関連出願への相互参照］
本願では、２０２０年８月２５日付印国特許出願第２０２０４１０３６５７３号及び２０２０年１０月８日付米国暫定特許出願第６３／０８９０３６号に基づく優先権を主張し、参照によりそれらの開示内容を本願に繰り入れる。

半導体製造業界の発展につれ歩留まり管理、とりわけ計量及び検査システムへの要請が強まっている。限界寸法が縮まり続けているのに、業界にはより短時間で高歩留まり高付加価値生産を達成することが求められている。歩留まり問題を察知してからそれを正すまでの合計時間を縮めることで、半導体製造業者にとっての投資収益率が高まる。

半導体デバイス、例えば論理及び記憶デバイスを製造する際には、通常、多数の製造プロセスを用い半導体ウェハを処理することで、それら半導体デバイスの様々なフィーチャ（外形特徴）及び複数の階層が形成される。例えばリソグラフィなる半導体製造プロセスにおいては、半導体ウェハ上に配置されたフォトレジストへと、レティクルからパターンが転写される。半導体製造プロセスの更なる例には、これに限られるものではないが化学機械研磨（ＣＭＰ）、エッチング、堆積及びイオンインプランテーションがある。

大抵のモノリシック集積回路は、ウェハ上にあるデバイス群のバッチとして製造される。１枚のウェハ上にそうしたデバイスを多く設けることで、それらのデバイスを扱うのが容易になるし、製造コストを下げることができる。各デバイス内の機能素子は、極端に小さくなりがちであるため、容易に損傷しうる。例えば粒状物は、その粒状物が気媒性か液媒性か否かによらず、デバイスにとっては致命的なものとなりうる。ウェハの表面上に着地した何れの粒子も、適時に取り除かれない場合、その製造プロセスに支障をきたしそのデバイスに不調を発生させるものとなろう。同様に、スクラッチ（ひっかき傷）その他、所望の製造プロセスに対する物理的障害によっても、デバイスに不調が生じることがある。

こうした物理的不正常（例．欠陥）の原因を識別し可能な限り補正することは、大変に重要であるので、通常、ウェハは製造サイクルの様々な段階で物理的検査を受ける。検査システムでは、欠陥のタイプ（例．スクラッチや粒状物）のみならずその欠陥の発生源をも判別することが試みられる。多くの場合、欠陥のタイプ及びその欠陥のパターンにより、その欠陥の発生源について手掛かりを得ることができる。通常、こうした検査は、訓練された技能者又は技術者がある種の顕微鏡下でそれらのウェハのうち１枚又は複数枚を調べ、欠陥を探し、実験を踏まえそれらの発生源の特定を試みることにより、マニュアルで行われている。

個々のウェハのマニュアル検査は厄介なことであるし、疲労、不慣れ、不注意等が原因でその結果が不正確且つ非一貫的になることがある。マニュアル検査は、関わってくるウェハが大量であるため、製造セッティングでは非現実的なことでもある。空間シグネチャ（痕跡）分析は、集積回路ウェハプロセスにおける諸問題を自動追跡する能力をもたらすものである。空間シグネチャ分析は製造プロセスの様々な段階にてウェハを対象に実行することができ、それによって、それらの上の欠陥がなす特定のパターンを検出することができる。識別されたパターンを、そのウェハに施された様々なプロセスへとマッピング（写像）することができる。例えば、ＣＭＰプロセスに欠陥があると、長い湾曲スクラッチが発生することがある。そうした場合に、微視的欠陥のサブセットの精査、典型的には走査型電子顕微鏡レビュー（観察）が必要な精査に頼ることなく、プロセス問題を自動検出することができる。これは、翻って、補正処置の迅速化、歩留まりの向上、並びに利益の増大につながる。

不運なことに、空間シグネチャ分析は柔軟性を欠くプロセスであったし、欠陥を個別に分析しすぎる傾向及びそれを繰り返し行う傾向を有していることが多く、また存在しているはずの欠陥パターンを認識し損ねることがある。即ち、空間シグネチャ分析は、通常、欠陥の性質特定に関わる問題を有していて、非常に長い時間をとりがちであり、且つそれに元々実装されていた能力及びパラメタを越えて拡張又は再構成することができない。

従来のシステムでは、パラメトリック則がウェハシグネチャと併用されていた。ある従来例によれば、画素レベルシグネチャ分析プラットフォームによるシグネチャの検出が、一連のパラメトリック則をセットアップすることによって、或いはパターンテンプレートを用いることによって行われていた。そのパラメトリックサーチが、基本的で数学的に記述可能な形状に限られていた。独立なルールが形状毎に構成されることが、過剰適合や検出し損ねにつながっていた。加えて、大抵のプロセスシグネチャは、線、弧、円等といった単純なルールを用い定義することができない。テンプレートサーチを用いることで複雑な形状への対処が行われていたが、これはユーザにより定義されるテンプレートによる制約を受けていた。重要なシグネチャは、形状、サイズ、密度及び完全性の面で様々なバリエーションを孕むものである。これら従来のパラメトリック則は、衝撃を受けたウェハの発見やあらゆる根本原因分析を遅らせるものであり、それにより半導体製造業者での歩留まりが低下していた。

米国特許出願公開第２０１７／０１９３４００号明細書

"Very Deep Convolutional Networks for Large-Scale Image Recognition," by Simonyan et al., ICLR 2015

そのため、改善された方法及びシステムが必要とされている。

第１実施形態では方法が提供される。本方法では、プロセッサにてウェハマップ、特にウェハ全体の表面に係るウェハマップを受領する。プロセッサは、ウェハマップを分類するため機械学習（マシンラーニング）ベースモデルを実行するよう構成する。ウェハマップを、その機械学習ベースモデルとそのウェハマップ上のシグネチャとを用い分類する。機械学習ベースモデルでは転移学習（トランスファラーニング）を用いる。

本方法にて、更に、その分類に係る信頼度レベルを決定することもできる。その信頼度レベルは、そのシグネチャ内の欠陥の重要度（クリティカリティ）に基づくものとする。

本方法にて、更に、そのシグネチャが信頼度レベルの枠外である場合に警報を送ることもできる。

本方法にて、更に、プロセッサにて複数個の標本ウェハマップを受領し、プロセッサを用い欠陥の根本原因に基づきそれらの標本ウェハマップを分類し、プロセッサを用いそれらの標本ウェハマップをもとに標本シグネチャのライブラリを生成することもできる。ある例によれば、プロセッサを用い複数個の欠陥マップ、ビンソート（並べ替え）マップ及び／又は計量マップから画像を抽出し、プロセッサを用いそれらの画像を補強することができる。ある例では、機械学習ベースモデルを訓練する際に、それらの画像から抽出された特徴が用いられる。

本方法にて、同じ分類を有するウェハマップ群を以てウェハマップをグループ化することもできる。

第２実施形態ではシステムが提供される。本システムは、半導体ウェハ検査システムと、その半導体ウェハ検査システムと電子通信するプロセッサとを有する。プロセッサは、ウェハマップを受領し、機械学習ベースモデルとそのウェハマップ上のシグネチャとを用いそのウェハマップを分類するよう構成する。ウェハマップはウェハ全体の表面に係るものとする。プロセッサは、ウェハマップを分類するため機械学習ベースモデルを実行するよう構成する。その機械学習ベースモデルでは転移学習を用いる。

半導体ウェハ検査システムは、光源又は電子ビーム源を有するものとすることができる。

半導体ウェハ検査システムにてウェハマップを生成することもできる。

プロセッサは更に、分類に係る信頼度レベルを決定するよう構成することができる。その信頼度レベルは、シグネチャ内の欠陥の重要度に基づくものとすることができる。

プロセッサは更に、シグネチャが信頼度レベルの枠外である場合に警報を送るよう構成することができる。

プロセッサは更に、複数個の標本ウェハマップを受領し、欠陥の根本原因に基づきそれら標本ウェハマップを分類し、それらの標本ウェハマップをもとに標本シグネチャのライブラリを生成するよう、構成することができる。ある例では、プロセッサが更に、複数個の欠陥マップ、ビンソートマップ及び／又は計量マップから画像を抽出してそれらの画像を補強するよう構成される。ある例では、プロセッサが更に、それらの画像から抽出された特徴を用い機械学習ベースモデルを訓練するよう構成される。

プロセッサは更に、同じ分類を有するウェハマップ群を以てウェハマップをグループ化するよう構成することができる。

第３実施形態では非一時的コンピュータ可読格納媒体が提供される。この非一時的コンピュータ可読格納媒体は、以下の諸ステップを１個又は複数個の情報処理装置上で実行するための１個又は複数個のプログラムを備える。ウェハマップは、機械学習ベースモデルとそのウェハマップ上のシグネチャとを用い分類される。機械学習ベースモデルでは転移学習を用いる。ウェハマップはウェハ全体の表面に係るものとする。

それらステップのなかに、更に、複数個の標本ウェハマップを受領するステップと、欠陥の根本原因に基づきそれらの標本ウェハマップを分類するステップと、それらの標本ウェハマップをもとに標本シグネチャのライブラリを生成するステップとを、含めることができる。

それらステップのなかに、更に、複数個の欠陥マップ、ビンソートマップ及び／又は計量マップから画像を抽出するステップと、それらの画像を補強するステップとを、含めることができる。

それらステップのなかに、更に、それらの画像から抽出された特徴を用い機械学習ベースモデルを訓練するステップを、含めることができる。

本件開示の性質及び目的についてのより遺漏なき理解のためには、後掲の詳細記述と併せ、以下の添付図面を参照すべきである。

本件開示に係る動作のフローチャートである。 シグネチャの分類例が描かれている図である。 本件開示に係るシグネチャ分類のフローチャートである。 ウェハハンドライシュー（問題）に係るシグネチャ例を示す図である。 ＣＭＰイシューに係るシグネチャ例を示す図である。 様々な半導体製造イシューに係る他のシグネチャ例を示す図である。 本件開示に係る方法の一実施形態のフローチャートである。 本件開示に係るシステムの一実施形態を示す図である。

特定の諸実施形態により特許請求の範囲記載の主題につき記述するが、本件開示の技術的範囲内には、本願中で説明される諸利益及び諸特徴が全ては提供されない諸実施形態を含め、他の諸実施形態も存在している。本件開示の技術的範囲から離隔することなく様々な構造的、論理的、処理ステップ的及び電子的改変を施すことができる。従って、本件開示の技術的範囲は専ら別項の特許請求の範囲への参照によって定まる。

転移学習及び機械学習を用い、ウェハレベルでウェハシグネチャを自動分類することができる。ウェハマップシグネチャは半導体製造業者に情報をもたらすものであり、これはそれらが根本原因分析を助けるからである。図４はウェハハンドライシューに係るシグネチャ例であり、これには３個の衝撃点が示されている。図５はＣＭＰイシューに係るシグネチャ例であり、これには長い弧状スクラッチが示されている。図６には様々な半導体製造イシューに係る他のシグネチャ例が描かれている。これらの例はそれぞれ別々な発生源を有しており、ウェハ上のシグネチャを速やかに識別することで、その問題の根本原因の特定を助けることができる。

既存のアプリケーションはマニュアルであるか用いるのが煩わしく、特に単一のクラス（階級）下に収まるシグネチャ形状の分布が与えられている許では、満足のいくものではない。転移学習を用いれば、ウェハマップ上のマルチラベルマルチクラスシグネチャを分類することができる。これは変動性の新たなシグネチャが入り込んでいる場合に役立つことであり、それは再訓練が迅速で情報処理パワーが少ししか必要でない傾向があるからである。

図７は方法１００の一実施形態である。方法１００の諸ステップのうち一部又は全てでプロセッサを用いることができる。１０１では、プロセッサにてウェハマップが受領される。このウェハマップはウェハ全体の表面に係るものであり、図４～図６の諸例に示されている。その表面がウェハの平坦面であってもよいし、そのウェハ上で諸デバイス（例．ダイ又は集積回路）が備わる面であってもよい。プロセッサは、機械学習ベースモデルを実行することでそのウェハマップを分類するよう構成されている。

１０２では、そのウェハマップが機械学習ベースモデルとそのウェハマップ上のシグネチャとを用い分類される。その機械学習ベースモデルでは転移学習が用いられる。ウェハシグネチャは半導体製造業者にとり役立ちうるものである。それらを用いそのエラーの根本原因を探すことができる。根本原因の早期検出はウェハ廃棄が少なくなることを意味している。これにより半導体製造業者における歩留まりが高まる。シグネチャの自動処理及び定量により、半導体製造業者にて、インラインエクスカージョン（逸脱）に対しより速く応答し根本原因分析を実行することもできる。

図３に示されている実施形態では標本ウェハマップが受領される。それらの標本ウェハマップが欠陥の根本原因に基づき分類される。例えば、図２にはシグネチャの分類例が描かれている。図３に示されている通り、標本シグネチャのライブラリがそれら標本ウェハマップをもとに生成される。機械学習ベースモデルは、これらの画像から抽出された特徴を用い訓練することができる。

図３の実施形態では、諸画像が欠陥マップ、ビンソートマップ及び／又は計量マップから抽出される。欠陥マップは、検出された欠陥の所在個所を示すウェハマップである。ビンソートマップは、そのウェハ内の諸ダイの合否ステータスを示すウェハマップである。計量マップは、そのウェハ内の実部材或いはそのウェハ内に配置されている専用ターゲット（標的）マークの特性計測結果を示すウェハマップである。その後、これらの画像を補強することができる。

抽出を実行することができる。ディープ（深層）ニューラルネットワークを、諸画像をクラスへとマッピングするよう訓練することができる。そのディープニューラルネットワークの中間層によって、その画像の抽象表現を提供することができる。抽出中には画像が処理され、それら中間層のうち一層の出力から諸特徴が抽出される。特徴を生成するのに用いられるディープニューラルネットワークを別の画像データセットに基づき訓練してあれば、転移学習が実行される。

補強を実行することができる。補強に際しては、それら原画像を別々の事例と見なせるやり方で原画像群（即ち小さなデータセット）を変換することによって、より大きな画像データセットが生成される。それらの画像は、完全に別なデータセットの一部分であると見なすのに十分なほどには、変換されない。

図１のフローチャートを用い図３の実施形態を更に説明する。諸特徴は、補強された諸画像から抽出される。その上で、それらの特徴が分類され、標本シグネチャのライブラリに追加される。ユーザは、その標本シグネチャライブラリ内の諸例に基づき、その機械学習ベースモデルを確認及び／又は再訓練することができる。マニュアル分類を用いグラウンドトゥルース（正解）を提供することができる。例えば、半導体製造業者が１個又は２個の例を分類した後、その機械学習ベースモデルに残りを決定させることができる。図１の例では諸画像がクラスＡ～ｎへと分類されている。その機械学習ベースモデルにより傾向を調べ、欠陥源を追跡し、そして生産を監視することができる。その機械学習ベースモデルにより、特定のウェハ処理工程又はツールに係る複雑なシグネチャを探すこともできる。

方法１００の諸実施形態により、半導体製造環境にて見出される一群のシグネチャのうちウェハ廃棄による歩留まり損失に影響しかねないシグネチャに、対処することができる。入力がデータではなく画像であるため、既存方法を用い決定することができないシグネチャクラスを分類することができる。

ある例によれば、分類に係る信頼度レベルを決定することができる。その信頼度レベルを、シグネチャにおける欠陥の重要度に基づくものとすることができる。その信頼度レベルからの逸脱を監視することができる。例えば、そのシグネチャが信頼度レベルの枠外である場合に警報を送ることができる。信頼度指標によって、半導体製造業者が、その重要度に基づきそのシグネチャビンの純度を制御することが可能となる。

ある例によれば、同じ分類を有するウェハマップ群を以てウェハマップをグループ化することができる。シグネチャを、変動性のある形状、サイズ及び形態を踏まえ組織的にグループ化することができる。

転移学習を機械学習ベースモデルと併用することができる。転移学習は機械学習技術の一種であり、この技術ではあるタスクを対象にして訓練されたモデルが第２の関連タスクを対象にして再編（リパーパス）される。転移学習により、第２のタスクをモデル化する際の進捗を早め又は性能を改善することが可能となる。

本願開示の諸実施形態によれば、転移学習技術と深層学習（ディープラーニング）技術との組合せを用いた自動ウェハレベルシグネチャ分析が可能となる。あるプロトタイプにおいては、初期分析を踏まえ８０％超の精度及び回収率で以てシグネチャクラスが検出された。ある具体例においては、約３０００枚の生産ウェハが分析された。シグネチャクラスの純度は信頼度行列により制御することができる。本願開示の諸実施形態は、諸ウェハ、層及びデバイスに亘り半導体製造に適用することができる。ある期間に亘るツール安定性を監視することができる。

ウェハ上のＣＭＰイシューを検出させるべくモデルを訓練する際に、類似ドメイン（例．ウェハハンドリングイシュー）を対象にして訓練されたモデルを用いることができる。これらのタイプのシグネチャが図４及び図５に示されている。とはいえ、実際には、そのモデルが自身の訓練データのバイアスを受け継いでいること、並びに新たなドメイン（領域）向けにどう一般化するかを知っていないことが原因で、性能の劣化又は崩壊が発生することがありうる。エッチング欠陥の検出等といった新タスクを実行させるべくモデルを訓練する際に既存モデルを再使用できないのは、それらタスク間でラベルが相違するためである。

実際、そのソース（転移元）セッティングからターゲット（転移先）タスク又はドメインへと適量の知識を転移させることは、有益たりうる。この知識は、そのデータ次第で様々な形態を採りうる。例えば、新規オブジェクトの識別につき諸オブジェクトをどのように編成するかに関するものとすることができる。

転移学習であれば、ある種の関連タスク又はドメインの既存なラベル付きデータを活用することで、これらのシナリオを扱うことができる。この知識はそのソースドメインにてそのソースタスクを解くことで得られるものであり、格納しておきそれら新たなウェハシグネチャに対し適用することができる。

転移学習は、概略、既に学習が済んでいる関連タスク（１個又は複数個のソースタスク）からの知識転移を通じた新タスク（又はターゲットタスク）での学習改善として、定義することができる。本願記載の諸実施形態では、名目例（ノミナルインスタンス）のみで以て機械学習ベースモデルを訓練する際に、その１個又は複数個のソースタスクの学習が行われ、非名目例で以てその機械学習ベースモデルを再訓練する際には、それらソースタスク（名目例）からそのターゲットタスク（非名目例）へと知識が転移される。転移学習では、そのエージェントが、ターゲットタスクについて（或いはターゲットタスクがありそうなことさえ）無知な状態で、ソースタスクについて学習する。例えば、本願記載の諸実施形態では、機械学習ベースモデルが、新シグネチャ群について無知な状態で、従前のデータで以て訓練される。とはいえ、一般に、本願記載の転移学習は、本件技術分野にて既知であり好適な何れの要領に従い実行することもできる。

帰納転移（インダクティブトランスファ）は、標準的な教師付き学習タスクにおける学習を改善する途のみならず、比較的小さなデータセットが関わるタスクにより背負わされる難事をオフセットする途とも、見ることができる。即ち、あるタスクに係るデータ又はクラスラベルが比較的少量である場合、そのタスクをターゲットタスクとして扱い関連ソースタスクからの帰納転移を実行することで、より正確なモデルへと導くことができる。こうした手法では、それら２個のデータセットが別々の確率分布に由来するものと想定されるという事実にもかかわらず、ソースタスクデータを用いターゲットタスクデータを増強することができる。本願記載の転移学習は更に特許文献１に記載の如く実行することができるので、同特許文献を参照により繰り入れ本願中で全面説明されていると見なすことにする。本願記載の諸実施形態は、更に、同特許文献や、本願にて開示されているあらゆる関連参考文献に記載の如く、構成することができる。

本願記載の諸実施形態により用いられる再訓練（及び訓練）アーキテクチャは、最小個数の標本で以てグラウンドトゥルース（確認標本に係るそれ）へと収束するよう、設計することができる。ある実施形態では、その１個又は複数個のコンポーネントが、１個又は複数個の付加的コンポーネントを含むものとされ、その再訓練が、その１個又は複数個の付加的コンポーネントを用い実行される。その１個又は複数個の付加的コンポーネントのなかに、それらの試料の全層に共通なマザーネットワーク、それらの試料の全層に共通なグランドマザーネットワークその他のコンポーネントを、含めることができる。例えば、転移学習法を、本願記載の転移学習訓練入力生成方法のうち何れかを用い生成された訓練セット（群）に対し適用することで、それら機械学習ベースモデルを訓練することができる。

ある例によれば、ディープニューラルネットワーク（例．ＶＧＧ１９ディープニューラルネットワーク）を用い、ウェハマップから特徴ベクトルを抽出することができる。そのディープニューラルネットワークに一連のロジスティック回帰モデルを後続させ、それらに分類を実行させることができる。そのディープニューラルネットワークを機械学習ベースモデルとすることができる。

大略、「深層学習」（深層構造化学習、階層的学習又は深層学習としても知られるそれ）は機械学習の一分岐であり、データ中の高度な抽象概念をモデル化するよう試みる一組のアルゴリズムに依拠している。単純なケースでは二組の層、即ち入力信号を受領するものと出力信号を送るものとが設けられよう。入力層にて入力が受領されると、そこから次層へとその入力の修正版が引き渡される。ディープネットワークでは入出力間に多くの層があるので、そのアルゴリズムに従い、複数通りの線形変換及び非線形変換で構成されている複数個の処理層を用いることができる。

深層学習は、データ表現の学習に依拠する機械学習法の拡大ファミリの一員である。観測結果（例．画像）は多くのやり方、例えば画素毎強度値のベクトルで、或いはより抽象的なやり方で一組のエッジ、特定形状領域等々として、表現することができる。ある種の表現は、その学習タスク（例．顔認識又は顔表情認識）を単純化する上で他のものに勝っている。深層学習の展望の一つは、教師無し又は準教師付き特徴学習及び階層的特徴抽出向けの効率的アルゴリズムで以て、人手設計特徴（ハンドクラフト特徴）が置換されることにある。

この分野の研究では、より良好な表現を作成すること、並びにそれら表現を大規模なラベル無しデータから学習するモデルを生成することが、試みられている。それら表現のうち幾つかは神経科学の進歩に鼓吹されたものであり、神経系における情報処理及び通信パターンの解釈、例えば様々な刺激とそれに関連する大脳内ニューロン反応との間の関係を定めようと試みる神経符号化論（ニューラルコーディング）に、緩く依拠している。

ある種の実施形態では深層学習モデルが生成モデルとされる。「生成」モデルは、一般に、確率的な性質のモデルとして定義することができる。生成モデルの学習は、適切な訓練データセットに基づき行うことができる（その学習においてそのモデルの諸パラメタを学習することができる）。ある実施形態では深層学習モデルが深層生成モデルとして構成される。例えば、そのモデルを、深層学習アーキテクチャを有するものとなるよう構成すること、即ちそのモデルに備わる複数個の層により複数のアルゴリズム又は変換が実行されるようにすることができる。

別の実施形態では深層学習モデルがニューラルネットワークとして構成される。更なる実施形態によれば、その深層学習モデルを、自身の訓練用に供給されたデータに従い世界をモデル化する一組の荷重付きのディープニューラルネットワークとすることができる。ニューラルネットワークは、一般に、軸索により結合された生体ニューロンからなる相対的に大きなクラスタで以て生体脳が問題を解決するやり方を緩くモデル化している比較的大きなニューラルユニット集団に依拠した情報処理手法として、定義することができる。各ニューラルユニットが他の多くのニューラルユニットに結合されているので、リンクによって、結合されている諸ニューラルユニットの活性化状態に対するそれらの影響を増強又は抑制することができる。これらのシステムは、明示的にプログラミングされているというより自己学習し且つ訓練を受けるものであり、旧来のコンピュータプログラムでは解決又は特徴検出策を提示するのが難しかった分野に秀でている。

ニューラルネットワークは、通常は複数個の層で構成されており、その信号路が前方から後方へと走っている。ニューラルネットワークの目標は人間の頭脳が行うであろうそれと同じやり方で問題を解決することであるが、ニューラルネットワークのなかにはかなり抽象的なものもある。昨今のニューラルネットワークプロジェクトでは、通常、数千～数百万個のニューラルユニット及び数百万通りの結合を有するものを手掛けている。ニューラルネットワークは、本件技術分野にて既知であり好適な何れのアーキテクチャ及び／又は構成を有するものにもすることができる。

ある実施形態では、試料上で検出された欠陥に係る分類が情報に組み込まれる。その種のある実施形態では深層学習モデルがＡｌｅｘＮｅｔとして構成される。例えば、ＡｌｅｘＮｅｔに複数個の畳込み層（例．５個）及びそれに後続する複数個の全結合層（例．３個）を設け、画像を分類すべくそれらを結合的に構成及び訓練することができる。

その種の別の実施形態では、深層学習モデルがＧｏｏｇＬｅＮｅｔとして構成される。例えば、ＧｏｏｇＬｅＮｅｔに畳込み層、プーリング層、全結合層等の諸層、例えば画像を分類すべく構成及び訓練された本願詳述のそれらを組み込むことができる。ＧｏｏｇＬｅＮｅｔアーキテクチャには比較的多数の層を設けうるところ、それらの層のうち幾つかは並列に動作させることができ、互いに並列に機能する層の集まりのことを一般にインセプションモジュールと呼んでいる。他の諸層は順次動作させればよい。従って、ＧｏｏｇＬｅＮｅｔは、シーケンシャル（順次的）構造の態で全層が配列されるわけではない点で、本願記載の他のニューラルネットワークと異なっている。

その種の更なる実施形態では深層学習モデルがＶＧＧネットワークとして構成される。例えば、ＶＧＧネットワークは、そのアーキテクチャの他パラメタを固定しておき畳込み層の個数を増やすことで生成される。畳込み層を追加することで深さを増大させることができ、またそれを、それらの層全てで十分に小さな畳込みフィルタを用いることにより行うことができる。本願記載の他のニューラルネットワークと同じく、ＶＧＧネットワークが、画像を分類するよう生成及び訓練される。ＶＧＧネットワークは、畳込み層及びそれに後続する全結合層をも有する。ＶＧＧとして構成されたニューラルネットワークの例が非特許文献１に記載されているので、参照によりそれを繰り入れ本願にて全面説明されていると見なすことにする。本願記載の深層学習モデルを、この非特許文献に記載の如く更に構成することができる。

その種のある実施形態では深層学習モデルが深層残差ネットワークとして構成される。例えば、本願記載の他の幾つかのネットワークと同じく、深層残差ネットワークには畳込み層及びそれに後続する全結合層を設けることができ、それらを画像分類向けに結合的に構成及び訓練することができる。深層残差ネットワークでは、諸層が、非参照関数を学習するのに代え層入力を参照して残差関数を学習するよう構成される。具体的には、数個あるスタック層それぞれが所望の基礎マッピングに直にフィットすることを期待するのに代え、それらの層を明示的に、残差マッピングに対しフィットさせうるようにし、またそれを、ショートカット接続を有するフィードフォワード型ニューラルネットワークにより実現させる。ショートカット接続とは１個又は複数個の層をスキップする接続・結合のことである。深層残差ネットを生成するには、畳込み層を有するプレーンなニューラルネットワーク構造を採用しショートカット接続を挿入することによって、採用されているそのプレーンなニューラルネットワークをそれの残差学習版へと転化させればよい。

その種の更なる実施形態では、深層学習モデルに、試料上の欠陥を分類するよう構成された１個又は複数個の全結合層が設けられる。「全結合層」は、一般に、各ノードが前層内の各ノードに結合されている層として定義することができる。その全結合層（群）により、畳込み層（群）例えば本願詳述の如く構成されたものにより抽出された特徴に基づき、分類を実行することができる。その全結合層（群）は、特徴選択及び分類向けに構成されたものとする。言い換えれば、その全結合層（群）により特徴マップから諸特徴が選択され、更にそれら選択された特徴に基づき画像（群）における欠陥が分析されるようにする。それら選択される特徴が、特徴マップ内の特徴全てを含んでいることも（適切な場合）、特徴マップ内の特徴のうち幾つかしか含んでいないこともありうる。

試料上で検出された欠陥に係る分類を深層学習モデルから出力させる際に、その深層学習モデルから画像分類を出力させてもよく、またそのなかに、画像毎の分類結果と併せ各分類結果に係る信頼度を含めてもよい。この画像分類結果も本願詳述の如く用いることができる。その画像分類は、何れか好適なフォーマット（例えば画像又は欠陥ＩＤや、「パターン」、「ブリッジ」等といった欠陥記述等）を有するものとすることができる。それら画像分類結果を格納して本願詳述の如く用いることができる。

幾つかの実施形態では、深層学習モデルにより決定される情報が、その深層学習モデルにより抽出された画像の特徴を含むものとされる。その種のある実施形態では、その深層学習モデルに１個又は複数個の畳込み層が設けられる。その畳込み層（群）は、本件技術分野にて既知であり好適な何れの構成を有するものであってもよく、一般には、１個又は複数個のフィルタを用い入力画像に畳込み関数を適用することにより画像に係る特徴をその画像上での位置の関数（即ち特徴マップ）として特定するよう、構成される。こうすることで、その深層学習モデル（又はその深層学習モデルの少なくとも一部）を畳込みニューラルネットワーク（ＣＮＮ）として構成することができる。例えば、その深層学習モデルをＣＮＮ、通常は畳込み層及びプーリング層のスタックたるそれとして構成することで、局所的な特徴を抽出可能とすることができる。本願記載の諸実施形態では、深層学習概念例えばＣＮＮの長所を利用することで、通常は手に負えない表現反転問題を解くことができる。その深層学習モデルは、本件技術分野で既知な何れのＣＮＮ構成又はアーキテクチャを有するものとすることもできる。その１個又は複数個のプーリング層は、本件技術分野にて既知であり好適な何れの構成（例．最多プーリング層）を有するものともすることもでき、一般には、その最重要特徴を保ちつつその１個又は複数個の畳込み層により生成される特徴マップの次元数を低減するよう構成される。

深層学習モデルにより特定される特徴には、本願にて詳述されており又は本件技術分野にて既知であって好適なあらゆる特徴のうち、本願記載の入力から推論可能（であり且つ潜在的には本願詳述の出力を生成するのに使用可能）なものを、含めることができる。例えば、それらの特徴のなかに、画素毎の強度値のベクトルを含めることができる。それらの特徴のなかに、本願記載のあらゆる他タイプの特徴、例えばスカラー値のベクトル、独立分布のベクトル、結合分布その他、本件技術分野にて既知であり好適な何れのタイプの特徴をも含めることができる。

総じて、本願記載の深層学習モデルは訓練された深層学習モデルである。例えば、１個又は複数個の診断機能が実行される深層学習モデルを、他の１個又は複数個のシステム及び／又は方法により前以て訓練しておくことができる。加えて、その深層学習モデルを、本願記載の諸実施形態のうち１個又は複数個により訓練した後に、その深層学習モデルに関しその１個又は複数個の診断機能が実行されるようにすることができる。このように、本願記載の診断機能は、深層学習モデルの訓練中に実行される深層学習モデル特性評価とは異なっており、本願記載の諸実施形態では、その深層学習モデルが予め生成及び訓練された上でそのモデルの機能を本願記載の如く決定し、その上でそれを用いその深層学習モデルに係る１個又は複数個の付加的機能を実行することができる。

システム２００の一実施形態が図８に示されている。本システム２００は光学ベースサブシステム２０１を有している。大略、光学ベースサブシステム２０１は、試料２０２に光を差し向け（或いはその上を光で走査し）その試料２０２からの光を検出することで、試料２０２に係る光学ベース出力を生成するよう、構成されている。ある実施形態によれば、試料２０２にウェハが包含される。そのウェハには、本件技術分野で既知なあらゆるウェハが包含されうる。別の実施形態によれば、試料にレティクルが包含される。そのレティクルには、本件技術分野で既知なあらゆるレティクルが包含されうる。

図８に示されている実施形態のシステム２００では、光学ベースサブシステム２０１が、試料２０２に光を差し向けるよう構成された照明サブシステムを有している。この照明サブシステムは少なくとも１個の光源を有している。例えば、図８に示されている通り、照明サブシステムは光源２０３を有している。ある実施形態によれば、照明サブシステムが一通り又は複数通りの入射角、例えば一通り又は複数通りの斜め角及び／又は一通り又は複数通りの直交角を含む入射角にて試料２０２に光を差し向けるよう、構成される。例えば、図８に示されている通り、光源２０３からの光は、光学素子２０４、次いでレンズ２０５を介し、ある斜め入射角にて試料２０２に差し向けられる。この斜め入射角には何れの好適な斜め入射角を含めることもでき、またそれを、例えば試料２０２の特性により変えることもできる。

光学ベースサブシステム２０１は、別々の時点では別々の入射角にて試料２０２に光を差し向けるよう、構成することもできる。例えば、光学ベースサブシステム２０１を、照明サブシステムに備わる１個又は複数個の素子の一通り又は複数通りの特性を変化させることで、図８に示されているそれとは異なる入射角にて試料２０２に光を差し向けうるように、構成してもよい。その種のある例によれば、光学ベースサブシステム２０１を、光源２０３、光学素子２０４及びレンズ２０５を動かせるよう、ひいては光を試料２０２へと別の斜め入射角又は直交（又は近直交）入射角にて差し向けうるよう、構成することができる。

幾つかの例によれば、光学ベースサブシステム２０１を、同時に複数通りの入射角にて試料２０２に光を差し向けるよう構成することができる。例えば、照明サブシステムに複数個の照明チャネルを設けることができ、それら照明チャネルのうち１個に、図８に示されている通り光源２０３、光学素子２０４及びレンズ２０５を設けることができ、且つそれら照明チャネルのうち別の１個（図示せず）に、それに類する素子群を設けることができ、またそれらを別様にも同様にも構成することができ、或いは少なくとも１個の光源と恐らくは１個又は複数個の他部材、例えば本願詳述のそれらを設けることもできる。そうした光を他方の光と同時に試料へと差し向ける場合、別々の入射角にて試料２０２に差し向けられる光に備わる一通り又は複数通りの特性（例．波長、偏波等々）を異ならせることで、それら別々の入射角での試料２０２の照明によりもたらされる光をその検出器（群）にて互いに弁別可能とすることができる。

別のある例によれば、照明サブシステムに光源を１個（例．図８に示した光源２０３）だけ設け、その光源からの光を、その照明サブシステムに備わる１個又は複数個の光学素子（図示せず）により（例．波長、偏波等々に基づき）別々の光路へと振り分けるように、することができる。その後はそれら別々の光路それぞれの光を試料２０２へと差し向ければよい。複数個の照明チャネルを、光を試料２０２に同時に差し向けるよう構成してもよいし、別々の時点で差し向けるよう構成してもよい（例．別々の照明チャネルを用い試料を順次照明する際）。別のある例によれば、同一の照明チャネルを、別々の時点では別々の特性で以て試料２０２に光を差し向けるよう構成することができる。例えば、ある種の例によれば、光学素子２０４を分光フィルタとして構成し、その分光フィルタの特性を様々なやり方にて（例．その分光フィルタを交換することにより）変化させることで、別々の時点にて別々の波長の光を試料２０２に差し向けうるようにすることができる。照明サブシステムは、別々又は同一の特性を有する光を別々又は同一の入射角にて順次又は同時に試料２０２に差し向けるのに適し、本件技術分野で既知な、他の何れの構成を有するものともすることができる。

ある実施形態によれば、光源２０３を、広帯域プラズマ（ＢＢＰ）光源を有するものとすることができる。こうすることで、光源２０３により生成され試料２０２に差し向けられる光を、広帯域光を含むものとすることができる。とはいえ、光源には他のあらゆる好適な光源例えばレーザが含まれうる。そのレーザには本件技術分野にて既知であり好適なあらゆるレーザが含まれうるし、本件技術分野にて既知であり好適な何れの波長又は波長群にて光を生成するようにもそのレーザを構成することができる。加えて、単色又は近単色の光を生成するようそのレーザを構成することができる。こうすることで、そのレーザを狭帯域レーザとすることができる。光源２０３を、複数通りのとびとびな波長又は波帯にて光を生成する多色光源を有するものと、することもできる。

光学素子２０４からの光は、レンズ２０５により試料２０２上へと集束させることができる。図８ではレンズ２０５が単一の屈折性光学素子として示されているが、ご理解頂けるように、実際には、レンズ２０５を複数個の屈折性及び／又は反射性光学素子を備えるものとし、それらの協働でその光学素子から試料へと光が集束されるようにすることができる。図８に示され本願にて記述されている照明サブシステムには、この他にもあらゆる好適な光学素子（図示せず）を設けることができる。そうした光学素子の例には、これに限られるものではないが偏向部材（群）、分光フィルタ（群）、空間フィルタ（群）、反射性光学素子（群）、アポダイザ（群）、ビームスプリッタ（群）（例えばビームスプリッタ２１３）、アパーチャ（群）等があり、これには本件技術分野にて既知であり好適なあらゆる類種光学素子が含まれうる。加えて、光学ベースサブシステム２０１を、光学ベース出力を生成するのに用いられる照明の種類に基づき照明サブシステムの諸素子のうち１個又は複数個を改変するよう、構成してもよい。

光学ベースサブシステム２０１に、光で試料２０２上を走査するよう構成された走査サブシステムを設けることもできる。例えば、光学ベースサブシステム２０１に、光学ベース出力の生成中に試料２０２が載置されるステージ２０６を設ければよい。走査サブシステムに何らかの好適な機械及び／又はロボットアセンブリ（ステージ２０６を有するもの）を設け、そのアセンブリを、試料２０２を動かしその試料２０２上を光で走査することができるように構成すればよい。これに加え又は代え、光学ベースサブシステム２０１を、その光学ベースサブシステム２０１に備わる１個又は複数個の光学素子により試料２０２上にて幾ばくかの光走査が実行されうるように構成してもよい。光による試料２０２上の走査は、例えば蛇状路沿い或いは螺旋路沿い等、何らかの好適な様式で行えばよい。

光学ベースサブシステム２０１は、更に、１個又は複数個の検出チャネルを有している。その１個又は複数個の検出チャネルのうち少なくとも１個が検出器を有しており、その検出器が、そのサブシステムによる試料２０２の照明の結果その試料２０２からもたらされる光を検出するよう、且つその検出光に応じ出力を生成するよう、構成されている。例えば、図８に示されている光学ベースサブシステム２０１は２個の検出チャネルを有しており、そのうち１個が集光器２０７、素子２０８及び検出器２０９により、もう１個が集光器２１０、素子２１１及び検出器２１２により形成されている。図８に示されている通り、それら２個の検出チャネルは、別々の集光角にて光を集め検出するよう構成されている。ある種の例では、両検出チャネルが、散乱光を検出するよう構成され、またそれら検出チャネルが、試料２０２から別々の角度で散乱されてきた光を検出するよう構成される。とはいえ、検出チャネルのうち１個又は複数個を、試料２０２からの別種の光（例．反射光）を検出するよう構成してもよい。

図８に更に示されている通り、両検出チャネルは紙面内に位置する態で示されており、照明サブシステムも紙面内に位置する態で示されている。即ち、本実施形態では、どちらの検出チャネルも入射面内に配置（例．芯決め）されている。とはいえ、検出チャネルのうち１個又は複数個を入射面外に配置することもできる。例えば、集光器２１０、素子２１１及び検出器２１２により形成される検出チャネルを、入射面外に散乱された光を集め検出するよう構成することができる。こうした検出チャネルは従って「サイド」チャネルと通称することができ、そうしたサイドチャネルを、入射面に対し略垂直な平面内にて芯決めすることもできる。

図８に示す実施形態の光学ベースサブシステム２０１は２個の検出チャネルを有しているが、光学ベースサブシステム２０１が別の個数の検出チャネル（例．単一の検出チャネル又は２個以上の検出チャネル）を有していてもよい。その種のある例によれば、集光器２１０、素子２１１及び検出器２１２で形成される検出チャネルにより上述の如く１個のサイドチャネルを形成する一方で、その光学ベースサブシステム２０１に更なる検出チャネル（図示せず）を設け、それを入射面の逆側に位置する別のサイドチャネルとして形成することができる。そのため、光学ベースサブシステム２０１にて、集光器２０７、素子２０８及び検出器２０９を有する検出チャネルを設けて入射面内で芯決めし、試料２０２の表面に直交し又はそれに近い（複数の）散乱角にて光を集め検出するよう構成することもできる。この検出チャネルは従って「トップ」チャネルと通称することができ、またその光学ベースサブシステム２０１に上述の如く構成された２個以上のサイドチャネルを設けることもできる。即ち、光学ベースサブシステム２０１を、少なくとも３個のチャネル（即ち１個のトップチャネル及び２個のサイドチャネル）を有するものとし、それら少なくとも３個のチャネルそれぞれを、自身の集光器を有するものとし、そのそれぞれを、他の集光器の何れとも異なる散乱角の光を集めるよう構成することができる。

更に上述の通り、光学ベースサブシステム２０１内の各検出チャネルを、散乱光を検出するよう構成することができる。従って、図８に示されている光学ベースサブシステム２０１を、試料２０２に係る暗視野（ＤＦ）出力の生成用に構成することができる。とはいえ、それに加え又は代えて、光学ベースサブシステム２０１に、試料２０２に係る明視野（ＢＦ）出力の生成用に構成された検出チャネル（群）を設けることもできる。言い換えれば、光学ベースサブシステム２０１に、試料２０２から鏡面反射されてきた光を検出するよう構成された少なくとも１個の検出チャネルを、設けることができる。従って、本願記載の光学ベースサブシステム２０１は、ＤＦ単独、ＢＦ単独又はＤＦ・ＢＦ両者での撮像用に構成することができる。図８では各集光器が単一の屈折性光学素子として示されているが、ご理解頂けるように、各集光器が、１個又は複数個の屈折性光学ダイ及び／又は１個又は複数個の反射性光学素子を有していてもよい。

その１個又は複数個の検出チャネルは、本件技術分野にて既知であり好適な何れの検出器を有するものともすることができる。例えば、それら検出器のなかに、光電子増倍管（ＰＭＴ）、電荷結合デバイス（ＣＣＤ）、時間遅延積分（ＴＤＩ）カメラその他、本件技術分野にて既知であり好適なあらゆる検出器を含めることができる。それら検出器のなかに、非撮像型検出器も撮像型検出器も含めることもできる。この構成において、それら検出器を非撮像型検出器にする場合、各検出器を、散乱光に備わるある種の特性、例えば強度を検出するよう構成しうる反面、その特性をその撮像面における位置の関数として検出するようには構成することができない。即ち、その光学ベースサブシステムの各検出チャネル内に設けられている検出器それぞれにより生成される出力が、信号又はデータとはされうるが、画像信号又は画像データとはされえない。この種の例でも、プロセッサ例えばプロセッサ２１４を、それら検出器の非撮像出力をもとに試料２０２の画像を生成するよう構成することはできる。とはいえ、別の例に従い、それら検出器を、撮像信号又は画像データを生成するよう構成された撮像型検出器として構成することもできる。このように、光学ベースサブシステムは、様々なやり方で光学画像その他、本願記載の光学ベース出力を生成するよう構成することができる。

なお、本願に図８を設けたのは、本願記載の諸システム実施形態に組み込むことができ或いは本願記載の諸システム実施形態にて用いられる光学ベース出力を生成することができる光学ベースサブシステム２０１の構成を、大まかに描出するためである。商用の出力獲得システムを設計する際に通常行われている通り、本願記載の構成を有する光学ベースサブシステム２０１を、その光学ベースサブシステム２０１の性能が最適化されるよう改変することもできる。加えて、本願記載の諸システムを、既存システムを用い（例．既存システムに本願記載の機能を付加することで）実施することもできる。その種のあるシステム向けに、本願記載の諸方法を、（例．そのシステムの他の機能に加え）そのシステムのオプション的機能として提供することもできる。これに代え、本願記載のシステムを完全に新規なシステムとして設計することもできる。

プロセッサ２１４は、システム２００の諸部材に何らかの好適な要領にて（例．１個又は複数個の伝送媒体、例えば有線及び／又は無線伝送媒体を含むそれを介し）結合させることができ、ひいてはそのプロセッサ２１４にて出力を受け取れるようにすることができる。プロセッサ２１４は、その出力を用い多数の機能を実行するよう構成することができる。システム２００にて、そのプロセッサ２１４から命令その他の情報を受け取ることができる。プロセッサ２１４及び／又は電子データ格納ユニット２１５にて、オプション的に、ウェハ検査ツール、ウェハ計量ツール又はウェハレビューツール（描写せず）と電子通信し、付加的な情報を受け取ることや命令を送ることもできる。例えば、プロセッサ２１４及び／又は電子データ格納ユニット２１５が走査型電子顕微鏡と電子通信することができる。

本願記載のプロセッサ２１４その他のシステム（群）又はその他のサブシステム（群）は、パーソナルコンピュータシステム、イメージコンピュータ、メインフレームコンピュータシステム、ワークステーション、ネットワーク機器、インターネット機器その他のデバイスを初め、様々なシステムの一部分とすることができる。そのサブシステム（群）又はシステム（群）には、本件技術分野にて既知であり好適なあらゆるプロセッサ、例えば並列プロセッサをも含めることができる。加えて、そのサブシステム（群）又はシステム（群）には、スタンドアロンであれネットワーク接続されたツールであれ、高速な処理及びソフトウェアを伴うプラットフォームを含めることができる。

プロセッサ２１４及び電子データ格納ユニット２１５は、システム２００その他のデバイスの一部分とすること、例えばその内部に配置することができる。ある例によれば、プロセッサ２１４及び電子データ格納ユニット２１５をスタンドアロン制御ユニットの一部とし、或いは集中品質制御ユニット内に設けることができる。複数個のプロセッサ２１４又は電子データ格納ユニット２１５を用いてもよい。

プロセッサ２１４は、現実には、ハードウェア、ソフトウェア及びファームウェアのどのような組合せで実施することもできる。また、それの機能であり本願記載のものを、単一ユニットで実行しても複数個の異なる部材間で分かち合ってもよいし、その部材それぞれをハードウェア、ソフトウェア及びファームウェアのどのような組合せで実施してもよい。プロセッサ２１４に様々な方法及び機能を実行・実施させるためのプログラムコード又は命令は、可読格納媒体内、例えば電子データ格納ユニット２１５内メモリやその他のメモリ内に格納することができる。

システム２００が複数個のプロセッサ２１４を有している場合、それら別々なサブシステム同士を結合させることができ、ひいては画像、データ、情報、命令等々をそれらサブシステム間で送り合うことができる。例えば、あるサブシステムを付加的なサブシステム（群）に対し何らかの好適な伝送媒体により結合させることができ、またその媒体のなかに本件技術分野で既知であり好適なあらゆる有線及び／又は無線伝送媒体を含めることができる。そうしたサブシステムのうち２個以上を、共有型コンピュータ可読格納媒体（図示せず）により実質結合させることもできる。

プロセッサ２１４は、システム２００の出力その他の出力を用い多数の機能を実行するよう構成することができる。例えば、プロセッサ２１４を、その出力を電子データ格納ユニット２１５その他の格納媒体に送るよう構成することができる。プロセッサ２１４は、本願記載の諸実施形態の何れに従い構成することもできる。プロセッサ２１４は、また、システム２００の出力を用い、或いは他の源泉からの画像又はデータを用い、他の諸機能又は付加的ステップを実行するよう、構成することもできる。

本願開示のシステム２００及び諸方法の様々なステップ、機能及び／又は及び動作は、電子回路、論理ゲート、マルチプレクサ、プログラマブル論理デバイス、ＡＳＩＣ、アナログ若しくはディジタルコントローラ／スイッチ、マイクロコントローラ又は情報処理システムのうち１個又は複数個により実行される。諸方法例えば本願記載のそれらを実施するプログラム命令群を、キャリア媒体上で伝送させ又はそれに格納することができる。そのキャリア媒体には、リードオンリメモリ、ランダムアクセスメモリ、磁気若しくは光ディスク、不揮発性メモリ、固体メモリ、磁気テープ等といった格納媒体が包含されうる。キャリア媒体には、ワイヤ、ケーブル、無線伝送リンク等といった伝送媒体も包含されうる。例えば、本件開示の随所に記載の諸ステップを、単一のプロセッサ２１４により実行することも、それに代え複数個のプロセッサ２１４により実行することもできる。更に、システム２００の様々なサブシステムに１個又は複数個の情報処理又は論理システムを組み込んでもよい。従って、上掲の記述は、本件開示に対する限定事項としてではなく、単なる例証として解されるべきである。

ある例では、プロセッサ２１４がシステム２００と通信する。プロセッサ２１４は、諸実施形態の方法１００を実行するよう構成される。そのプロセッサ２１４により、一例に係る機械学習ベースモデルを動作させることができる。システム２００により、欠陥との関連でウェハを検査することができ、その結果を用い、プロセッサ２１４にて受領されるウェハマップを生成することができる。

付加的実施形態には、コントローラ上で実行可能なプログラム命令であり本願開示の如くウェハマップを分類するコンピュータ実施方法を実行するためのそれを格納している、非一時的コンピュータ可読媒体に関するものがある。具体的には、図８に示されている通り、電子データ格納ユニット２１５その他の格納媒体のなかに、プロセッサ２１４上で実行可能なプログラム命令が入っている非一時的コンピュータ可読媒体を含めることができる。そのコンピュータ実施方法は、方法１００を初め本願記載の何れの方法（群）の何れのステップ（群）を有するものともすることができる。

それらプログラム命令は、就中、手続きベース技術、要素ベース技術及び／又はオブジェクト指向技術を初め、様々なやり方のうち何れで実現することもできる。例えば、それらプログラム命令を、ＡｃｔｉｖｅＸ（登録商標）コントロール、Ｃ＋＋オブジェクト、ＪａｖａＢｅａｎｓ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標）ＦｏｕｎｄａｔｉｏｎＣｌａｓｓｅｓ（ＭＦＣ）、ストリーミングＳＩＭＤエクステンション（ＳＳＥ）その他のテクノロジ又は方法論を所望の如く用い実施することができる。

システム２００では光が用いられているが、方法１００を、別の半導体検査ツールを用い実行することもできる。例えば、方法１００を、電子ビームを用いるシステム例えば走査型電子顕微鏡やイオンビームを用いるシステムからもたらされる結果を用い、実行することができる。ひいては、そのシステムを、電子ビーム源又はイオンビーム源を有するものとすることができる。

１個又は複数個の具体的実施形態を基準にして本件開示につき記述してきたが、ご理解頂けるように、本件開示の技術的範囲から離隔することなく本件開示の他の諸実施形態をなすこともできる。即ち、本件開示は、添付する特許請求の範囲及びその合理的解釈によってのみ限定されるものと解される。

Claims (20)

1. 方法であって、
   ウェハマップをプロセッサにて受領する方法であり、但しそのウェハマップがウェハ全体の表面に係るものであり、そのプロセッサが、そのウェハマップを分類するため機械学習ベースモデルを実行するよう構成されたものであり、且つ
   前記機械学習ベースモデルと、前記ウェハマップ上のシグネチャと、を用い前記ウェハマップを分類する方法であり、但しその機械学習ベースモデルが転移学習を用いるものである、
   方法。
2. 請求項１に記載の方法であって、更に、前記分類に係る信頼度レベルを決定する方法であり、その信頼度レベルが前記シグネチャ内の欠陥の重要度に基づくものである方法。
3. 請求項１に記載の方法であって、更に、前記シグネチャが信頼度レベルの枠外である場合に警報を送る方法。
4. 請求項１に記載の方法であって、更に、
   前記プロセッサにて複数個の標本ウェハマップを受領し、
   前記プロセッサを用い、欠陥の根本原因に基づき前記標本ウェハマップを分類し、且つ
   前記プロセッサを用い、前記標本ウェハマップをもとに標本シグネチャのライブラリを生成する、
   方法。
5. 請求項４に記載の方法であって、更に、
   前記プロセッサを用い複数個の欠陥マップ、ビンソートマップ及び／又は計量マップから画像を抽出し、且つ
   前記プロセッサを用い前記画像を補強する、
   方法。
6. 請求項５に記載の方法であって、更に、前記画像から抽出された特徴を用い前記機械学習ベースモデルを訓練する方法。
7. 請求項１に記載の方法であって、更に、同じ分類を有するウェハマップ群を以て前記ウェハマップをグループ化する方法。
8. 半導体ウェハ検査システムと、
   前記半導体ウェハ検査システムと電子通信するプロセッサと、
   を備えるシステムであって、
   前記プロセッサが、
   ウェハマップを受領するよう構成されており、但しそのウェハマップがウェハ全体の表面に係るものであり、前記プロセッサが、そのウェハマップを分類するため機械学習ベースモデルを実行するよう構成されており、且つ
   前記機械学習ベースモデルと、前記ウェハマップ上のシグネチャと、を用い前記ウェハマップを分類するよう構成されており、但しその機械学習ベースモデルが転移学習を用いるものである、
   システム。
9. 請求項８に記載のシステムであって、前記半導体ウェハ検査システムが光源又は電子ビーム源を有するシステム。
10. 請求項８に記載のシステムであって、前記半導体ウェハ検査システムが前記ウェハマップを生成するシステム。
11. 請求項８に記載のシステムであって、前記プロセッサが更に、前記分類に係る信頼度レベルを決定するよう構成されており、その信頼度レベルが前記シグネチャ内の欠陥の重要度に基づくものであるシステム。
12. 請求項８に記載のシステムであって、前記プロセッサが更に、前記シグネチャが信頼度レベルの枠外である場合に警報を送るよう構成されているシステム。
13. 請求項８に記載のシステムであって、前記プロセッサが更に、
    複数個の標本ウェハマップを受領するよう、
    欠陥の根本原因に基づき前記標本ウェハマップを分類するよう、且つ
    前記標本ウェハマップをもとに標本シグネチャのライブラリを生成するよう、
    構成されているシステム。
14. 請求項１３に記載のシステムであって、前記プロセッサが更に、
    複数個の欠陥マップ、ビンソートマップ及び／又は計量マップから画像を抽出するよう、且つ
    前記画像を補強するよう、
    構成されているシステム。
15. 請求項１４に記載のシステムであって、前記プロセッサが更に、前記画像から抽出された特徴を用い前記機械学習ベースモデルを訓練するよう構成されているシステム。
16. 請求項８に記載のシステムであって、前記プロセッサが更に、同じ分類を有するウェハマップ群を以て前記ウェハマップをグループ化するよう構成されているシステム。
17. １個又は複数個のプログラムが備わる非一時的コンピュータ可読格納媒体であって、そのプログラムが、１個又は複数個の情報処理装置上で、
    機械学習ベースモデルとウェハマップ上のシグネチャとを用いウェハマップを分類するステップであり、その機械学習ベースモデルにて転移学習が用いられ且つそのウェハマップがウェハ全体の表面に係るものとされているステップを含め、
    諸ステップを実行するためのものである非一時的コンピュータ可読格納媒体。
18. 請求項１７に記載の非一時的コンピュータ可読格納媒体であって、前記諸ステップに更に、
    複数個の標本ウェハマップを受領するステップと、
    欠陥の根本原因に基づき前記標本ウェハマップを分類するステップと、
    前記標本ウェハマップをもとに標本シグネチャのライブラリを生成するステップと、
    が含まれている非一時的コンピュータ可読格納媒体。
19. 請求項１８に記載の非一時的コンピュータ可読格納媒体であって、前記諸ステップに更に、
    複数個の欠陥マップ、ビンソートマップ及び／又は計量マップから画像を抽出するステップと、
    前記画像を補強するステップと、
    が含まれている非一時的コンピュータ可読格納媒体。
20. 請求項１９に記載の非一時的コンピュータ可読格納媒体であって、前記諸ステップに更に、前記画像から抽出された特徴を用い前記機械学習ベースモデルを訓練するステップが含まれている非一時的コンピュータ可読格納媒体。
    

Images