JP2024526003A - 半導体ベースのアプリケーションのための深層学習画像ノイズ除去 - Google Patents

Abstract

試料についての情報を決定するための方法およびシステムが提供される。システムは、コンピュータサブシステムと、コンピュータサブシステムによって実行される１つ以上の構成要素とを含む。１つ以上の構成要素は、撮像サブシステムによって生成された試料の画像をノイズ除去するように構成された深層学習モデルを含む。コンピュータサブシステムは、ノイズ除去された画像から試料についての情報を決定するように構成される。

Description

本発明は、概して、試料についての情報を決定するための方法およびシステムに関する。特定の実施形態は、試料の情報を決定するために使用される試料の画像をノイズ除去するように構成された深層学習モデルに関する。

以下の説明および実施例は、このセクションに含まれることによって先行技術であるとは認められない。

論理デバイスおよびメモリデバイスなどの半導体デバイスを製造することは、典型的には、半導体デバイスの様々な特徴および複数のレベルを形成するために、多数の半導体製造プロセスを使用して半導体ウェハなどの基板を処理することを含む。例えば、リソグラフィは、レチクルから半導体ウェハ上に配置されたレジストにパターンを転写することを含む半導体製造プロセスである。半導体製造プロセスのさらなる例は、化学機械研磨（ＣＭＰ）、エッチング、堆積、およびイオン注入を含むが、これらに限定されない。複数の半導体デバイスは、単一の半導体ウェハ上に配置で製造され、次いで個々の半導体デバイスに分離され得る。

検査プロセスは、半導体製造プロセス中の様々なステップで使用されて、試料上の欠陥を検出し、製造プロセスにおけるより高い歩留まり、したがってより高い利益をもたらす。検査は、半導体デバイスを製造する上で常に重要な部分であった。しかしながら、半導体デバイスの寸法が減少するにつれて、より小さい欠陥がデバイスの故障を引き起こし得るため、検査は、許容可能な半導体デバイスの製造の成功にとってさらに重要になる。

上記のように構成されたツールによって生成された画像、出力などを処理してそこから情報を決定する多くの異なる方法がある。しばしば検査の場合、テスト画像は、テスト画像と基準画像との間の任意の差異が識別され、試料上の欠陥を検出するために使用され得るように、基準画像と比較される。情報がどのように決定されるかにかかわらず、決定された情報に対する画像内のノイズの影響を軽減することは困難であり得、画像ノイズが呈する障害を克服するために多くの研究および開発が行われてきた。

現在使用されているいくつかの欠陥検出アルゴリズムは、ツール上のノイズを低減するように設計されている。例えば、いくつかの現在使用されているアルゴリズムは、基準画像がより少ないノイズを有するように、ウェハ上の複数のダイからの基準フレームの線形結合を使用して基準フレームを計算する。別の手法は、差分フィルタの使用であり、これは通常、差分画像と畳み込まれたときに欠陥の信号対雑音比（ＳＮＲ）を改善すると予想される行列である。レチクルがウェハ上に印刷され、レチクル上の欠陥を検出するためにウェハが検査される場合、ランダムノイズを低減し、リピータを検出するためのＳＮＲを改善するために、１つまたは２つの行からのダイまたはレチクルを積み重ねることができる。ノイズの影響を低減するための別の方法は、深層学習（ディープラーニング）を使用して、ニューサンスイベントフィルタリング（ＮＥＦ）のための新しい属性を抽出するために検出後に適用されるフィルタを学習することである。

上述のノイズ軽減戦略にはいくつかの欠点がある。例えば、本発明者らは、今日、ノイズを低減するために使用される、テスト画像に対してノイズ除去を行ういかなるアプローチも不知である。１つのそのような例では、同様のノイズの多い実現の線形結合を計算する方法は、基準画像についてのみそれを行う。加えて、ノイズ軽減のために設計された上述の基準生成の後でさえ、依然として、基準を用いて生成された差分画像内に残留ノイズが存在し得る。さらなるノイズ低減は、多くの場合、決定された情報の所望の精度を達成するために必要であり得る。別の例では、差分画像フィルタは標準カーネルであり、異なるノイズ分布に適応しない。カスタム差分画像フィルタを定義することは特別な専門知識を要する。さらに、ゴールデンデータベース基準と比較するために生成された積層ダイまたはレチクルは、レチクルで印刷されたウェハを使用して実行されるレチクル検査のような特定の使用事例に対処し、非リピータ欠陥を検出するために適用することができない。

米国特許出願公開第２０２０／０２２６７２２号 米国特許出願公開第２０２１／０１１８１２５号

したがって、上述の欠点の１つ以上を有さない試料についての情報を決定するためのシステムおよび方法を開発することが有利であろう。

様々な実施形態の以下の説明は、添付の特許請求の範囲の主題を限定するものとして決して解釈されるべきではない。

一実施形態は、試料についての情報を決定するように構成されたシステムに関する。システムは、コンピュータサブシステムと、コンピュータサブシステムによって実行される１つ以上の構成要素とを含む。１つ以上の構成要素は、撮像サブシステムによって生成された試料の画像をノイズ除去するように構成された深層学習モデルを含む。コンピュータサブシステムは、ノイズ除去された画像から試料についての情報を決定するように構成される。システムはさらに、本明細書に説明されるように構成されてもよい。

別の実施形態は、試料についての情報を決定するためのコンピュータ実装方法に関する。この方法は、撮像サブシステムによって生成された試料の画像を、ノイズ除去を実行するように構成された深層学習モデルに入力することによってノイズ除去することを含む。深層学習モデルは、コンピュータサブシステムによって実行される１つ以上の構成要素に含まれる。この方法は、ノイズ除去された画像から試料についての情報を決定することも含む。入力および決定は、コンピュータサブシステムによって実行される。本方法のステップの各々は、本明細書にさらに記載されるようにさらに実施され得る。本方法は、本明細書で説明される任意の他の方法の任意の他のステップを含んでもよい。本方法は、本明細書で説明されるシステムのうちのいずれかによって実施されてもよい。

別の実施形態は、試料についての情報を決定するためのコンピュータ実装方法を実行するためのコンピュータシステム上で実行可能なプログラム命令を記憶する非一時的なコンピュータ可読媒体に関する。コンピュータ実装方法は、上述の方法のステップを含む。コンピュータ可読媒体は、本明細書で説明するようにさらに構成され得る。コンピュータ実装方法のステップは、本明細書でさらに説明されるように実行されてもよい。加えて、プログラム命令が実行可能であるコンピュータ実装方法は、本明細書で説明される任意の他の方法の任意の他のステップを含んでもよい。

本発明のさらなる利点は、好ましい実施形態の以下の詳細な説明の利益を得て、添付の図面を基準して、当業者には明らかになるであろう。
本明細書に記載されるように構成されるシステムの実施形態の側面図を示す概略図である。 本明細書に記載されるように構成されるシステムの実施形態の側面図を示す概略図である。 深層学習モデルをトレーニングするために本明細書で説明される実施形態によって実行され得るステップを示すフローチャートである。 ノイズ除去された画像を生成するために本明細書で説明される実施形態によって実行され得るステップを示すフローチャートである。 １つ以上のノイズ除去された画像から試料についての情報を決定するために本明細書で説明される実施形態によって実行され得るステップを示すフローチャートである。 コンピュータシステムに本明細書に記載のコンピュータ実装方法を実行させるためのプログラム命令を記憶する非一時的コンピュータ可読媒体の一実施形態を示すブロック図である。

本発明は、種々の修正および代替形態を受け入れる余地があるが、その特定の実施形態が、例として図面に示され、本明細書で詳細に説明される。図面は縮尺通りではない場合がある。しかしながら、図面およびその詳細な説明は、本発明を開示される特定の形態に限定することを意図するものではなく、逆に、添付の特許請求の範囲によって定義される本発明の精神および範囲内に入る全ての修正、均等物、および代替を網羅することを意図することを理解されたい。

本明細書で使用される用語「欠陥」（これは、「ニューサンス欠陥」または「ニューサンスイベント」と互換的に使用されることがある）は、一般に、ユーザが注意を払わない欠陥および／または試料上で検出されるが、実際には試料上の実際の欠陥ではないイベントとして定義される。実際には欠陥ではないニューサンスは、試料上の非欠陥ノイズ源（例えば、試料上の金属ラインのグレイン、試料上の下層または材料からの信号、ラインエッジラフネス（ＬＥＲ）、パターン化されたフィーチャにおける比較的小さいクリティカルディメンション（ＣＤ）変動、厚さ変動など。）に起因する、および／または検査システム自体もしくは検査に使用されるその構成における限界に起因する事象として検出され得る。

本明細書で使用するとき、用語「関心欠陥（ＤＯＩ）」は、試料上で検出される欠陥として定義され、試料上の実際の欠陥である。したがって、ＤＯＩは、ユーザが概して、検査されている試料上の実際の欠陥の数および種類について気にするので、ユーザにとって興味深い。いくつかの文脈では、「ＤＯＩ」という用語は、試料上の実際の欠陥のすべてのサブセットを指すために使用され、これは、ユーザが気にかける実際の欠陥のみを含む。例えば、任意の所与の試料上に複数のタイプのＤＯＩが存在してもよく、それらのうちの１つ以上は、１つ以上の他のタイプよりもユーザにとってより興味深いものであり得る。しかし、本明細書で説明する実施形態の文脈では、「ＤＯＩ」という用語は、試料上のあらゆる実際の欠陥を指すために使用される。

ここで図面を基準すると、図は縮尺通りに描かれていないことに留意されたい。特に、図の要素のいくつかの縮尺は、要素の特性を強調するために大きく誇張されている。図面は同じ縮尺で描かれていないことにも留意されたい。同様に構成され得る複数の図に示される要素は、同じ基準番号を使用して示されている。本明細書において別段の注記がない限り、説明および図示される要素のいずれも、任意の好適な市販の要素を含み得る。

概して、本明細書に記載される実施形態は、試料についての情報を決定するためのシステムおよび方法である。より具体的には、本明細書に記載される実施形態は、光学欠陥検出などの用途のための画像のノイズ除去のために構成される。

本明細書に記載の実施形態の１つの特定の有用な用途は、畳み込みニューラルネットワーク（ＣＮＮ）を使用して広帯域プラズマ（ＢＢＰ）パッチ画像をノイズ除去することである。ＢＢＰツールは、工場において最も感度の高い光学検査ツールである。クリティカル欠陥およびギャップ欠陥を生成する感度は、ツールユーザからの主な期待であり、したがって、これらのツールにおける革新に対する動機付けである。設計ノードおよび欠陥サイズが縮小すると、これらのツールで最良の光学検査モードを使用するにもかかわらず、重要なＤＯＩを検出することは極めて困難になっている。したがって、感度を高めるアルゴリズムが強く求められている。実際には、感度は、所与のＤＯＩタイプの信号対雑音比（ＳＮＲ）に変換される。ＳＮＲの改善は、信号をブーストするか又はノイズを低減することによって行うことができる。本明細書で説明される実施形態は、有利には、本明細書で説明されるＣＮＮまたは他の深層学習（ＤＬ）モデルを使用し、随意に、感度を向上させるように新しい属性を計算することによって、ＢＢＰ（および他の）画像内の雑音を低減させるために使用されることができる。

いくつかの実施形態では、試料はウェハである。ウェハは、半導体技術分野で知られている任意のウェハを含むことができる。いくつかの実施形態は、１つ以上のウェハに関して本明細書で説明されることがあるが、実施形態は、それらを使用することができる試料に限定されない。例えば、本明細書に記載の実施形態は、レチクル、フラットパネル、パーソナルコンピュータ（ＰＣ）ボード、および他の半導体試料などの試料に使用することができる。

試料についての情報を決定するように構成されたシステムの一実施形態を図１に示す。いくつかの実施形態では、システムは、撮像サブシステム１００等の撮像サブシステムを含む。撮像サブシステムは、コンピュータサブシステム、例えば、コンピュータサブシステム３６および／または１つ以上のコンピュータシステム１０２を含む、および／またはそれに結合される。

概して、本明細書に説明される撮像サブシステムは、少なくとも、エネルギ源と、検出器と、走査サブシステムとを含む。エネルギ源は、撮像サブシステムによって試料に向けられるエネルギを生成するように構成される。検出器は、試料からのエネルギを検出し、検出されたエネルギに応答して出力を生成するように構成される。走査サブシステムは、エネルギが向けられ、エネルギが検出される試料上の位置を変更するように構成される。一実施形態では、図１に示されるように、撮像サブシステムは、光ベースの撮像サブシステムとして構成される。このようにして、本明細書で説明する試料画像は、光ベースの撮像サブシステムによって生成することができる。

本明細書に記載の光ベースの撮像サブシステムでは、試料に向けられるエネルギは光を含み、試料から検出されるエネルギは光を含む。例えば、図１に示すシステムの実施形態では、撮像サブシステムは、光を試料１４に向けるように構成された照明サブシステムを含む。照明サブシステムは、少なくとも１つの光源を含む。例えば、図１に示すように、照明サブシステムは光源１６を含む。照明サブシステムは、１つ以上の斜角および／または１つ以上の垂直角を含むことができる１つ以上の入射角で試料に光を向けるように構成される。例えば、図１に示すように、光源１６からの光は、光学素子１８を通り、次いでレンズ２０を通って、斜めの入射角で試料１４に向けられる。斜入射角は、任意の適切な斜入射角を含むことができ、この斜入射角は、例えば、試料の特性および試料に対して実行されているプロセスによって異なる。

照明サブシステムは、異なる時間に異なる入射角で試料に光を向けるように構成することができる。例えば、撮像サブシステムは、照明サブシステムの１つ以上の要素の１つ以上の特性を変更して、図１に示す入射角とは異なる入射角で試料に光を向けることができるように構成することができる。１つのそのような例では、撮像サブシステムは、異なる斜入射角または垂直（またはほぼ垂直）入射角で光が試料に向けられるように光源１６、光学素子１８、およびレンズ２０を移動させるように構成することができる。

場合によっては、撮像サブシステムは、同時に複数の入射角で試料に光を向けるように構成することができる。例えば、照明サブシステムは、複数の照明チャネルを含んでもよく、照明チャネルのうちの１つは、図１に示されるように、光源１６、光学要素１８、およびレンズ２０を含んでもよく、照明チャネルのうちの別のもの（図示せず）は、異なるように構成されてもよい、または同じであってもよい、類似要素を含んでもよい。または、少なくとも光源と、場合によっては、本明細書でさらに説明されるもの等の１つ以上の他の構成要素とを含んでもよい。そのような光が他の光と同時に試料に向けられる場合、異なる入射角で試料に向けられる光の１つ以上の特性（例えば、波長、偏光など。）は、異なる入射角での試料の照明から生じる光を検出器で互いに区別することができるように異なり得る。別の例では、照明サブシステムは、１つの光源（例えば、図１に示すソース１６である）のみを含んでもよく、光源からの光は、照明サブシステムの１つ以上の光学素子（図示せず）によって異なる光路（例えば、波長、偏光などに基づく。）に分離されてもよい。異なる光路の各々の光は、次いで試料に向けることができる。複数の照明チャネルを、同時にまたは異なる時間（例えば、異なる照明チャネルを使用して試料を順次照明する場合である）に試料に光を向けるように構成することができる。他の例では、同じ照明チャネルを、異なる時間に異なる特性で試料に光を向けるように構成することができる。例えば、光学素子１８は、スペクトルフィルタとして構成することができ、スペクトルフィルタの特性は、異なる波長の光を異なる時間に試料に向けることができるように、様々な異なる方法（例えば、あるスペクトルフィルタを別のスペクトルフィルタと交換することによって）で変更することができる。照明サブシステムは、異なるまたは同じ特性を有する光を異なるまたは同じ入射角で順次または同時に試料に向けるための、当技術分野で知られている任意の他の適切な構成を有することができる。

光源１６は、ＢＢＰ光源を含んでもよい。このようにして、光源によって生成され、試料に向けられる光は、広帯域光を含むことができる。しかしながら、光源は、任意の適切な波長で光を生成するように構成された、当技術分野で知られている任意の適切なレーザなどの任意の他の適切な光源を含むことができる。レーザは、単色またはほぼ単色である光を生成するように構成されてもよい。このように、レーザは狭帯域レーザであってもよい。光源はまた、複数の離散波長または波長帯で光を生成する多色光源を含んでもよい。

光学素子１８からの光は、レンズ２０によって試料１４上に集束させることができる。

レンズ２０は単一の屈折光学素子として図１に示されているが、実際には、レンズ２０は、組み合わせて光学素子からの光を試料に集束させるいくつかの屈折および／または反射光学素子を含むことができる。図１に示され、本明細書で説明される照明サブシステムは、任意の他の好適な光学要素（図示せず）を含んでもよい。そのような光学要素の例は、偏光構成要素、スペクトルフィルタ、空間フィルタ、反射光学要素、アポダイザ、ビームスプリッタ、アパーチャ等を含むが、それらに限定されず、当技術分野で公知の任意のそのような好適な光学要素を含んでもよい。加えて、本システムは、撮像に使用される照明の種類に基づいて、照明サブシステムの要素のうちの１つ以上を変更するように構成されてもよい。

撮像サブシステムはまた、光が向けられ、光が検出される試料上の位置を変更し、場合によっては試料上で光を走査させるように構成された走査サブシステムを含むことができる。例えば、撮像サブシステムは、撮像中に試料１４が配置されるステージ２２を含むことができる。走査サブシステムは、光が試料上の異なる位置に向けられ、異なる位置から検出されるように試料を移動させるように構成することができる任意の適切な機械的および／またはロボットアセンブリ（ステージ２２を含む）を含むことができる。加えて、または代替として、撮像サブシステムは、撮像サブシステムの１つ以上の光学要素が、光が試料上の異なる位置に指向され、そこから検出され得るように、試料にわたって光のいくらかの走査を行うように構成されてもよい。光が試料上で走査される事例では、光は、蛇行１極経路または渦巻経路等の任意の好適な様式で試料上で走査されてもよい。

撮像サブシステムはさらに、１つ以上の検出チャネルを含む。検出チャネルの少なくとも１つは、撮像サブシステムによる試料の照明に起因する試料からの光を検出し、検出された光に応答して出力を生成するように構成された検出器を含む。例えば、図１に示される撮像サブシステムは、２つの検出チャネルを含み、一方はコレクタ２４、要素２６、および検出器２８によって形成され、他方はコレクタ３０、要素３２、および検出器３４によって形成される。図１に示されるように、２つの検出チャネルは、異なる収集角度で光を収集および検出するように構成される。場合によっては、両方の検出チャネルは、散乱光を検出するように構成され、検出チャネルは、試料から異なる角度で散乱される光を検出するように構成される。しかし、検出チャネルの１つ以上は、試料からの別の種類の光（例えば、反射光）を検出するように構成することができる。図１にさらに示すように、両方の検出チャネルは紙面に位置付けられて示されており、照明サブシステムも紙面に位置付けられて示されている。したがって、この実施形態では、両方の検出チャネルは、入射平面内に位置付けられる（例えば、中心に置かれる）。しかしながら、検出チャネルのうちの１つ以上は、入射平面から外れて位置付けられてもよい。例えば、コレクタ３０、要素３２、および検出器３４によって形成される検出チャネルは、入射平面から散乱される光を収集および検出するように構成されてもよい。したがって、そのような検出チャネルは一般に「側部」チャネルと呼ばれてもよく、そのような側部チャネルは入射面に対して実質的に垂直な面の中心にあってもよい。

図１は、２つの検出チャネルを含む撮像サブシステムの実施形態を示すが、撮像サブシステムは、異なる数の検出チャネル（例えば、１つの検出チャネルのみ、または２つ以上の検出チャネルである）を含んでもよい。１つのそのような事例では、コレクタ３０、要素３２、および検出器３４によって形成される検出チャネルは、前述のように、１つの側面チャネルを形成してもよく、撮像サブシステムは、入射面の反対側に位置付けられる別の側面チャネルとして形成される、付加的検出チャネル（図示せず）を含んでもよい。したがって、撮像サブシステムは、コレクタ２４、要素２６、および検出器２８を含み、入射面の中心にあり、試料表面に対して垂直または垂直に近い散乱角で光を収集および検出するように構成される、検出チャネルを含んでもよい。したがって、この検出チャネルは、一般に「上部」チャネルと呼ばれてもよく、撮像サブシステムはまた、上述のように構成される２つ以上の側部チャネルを含んでもよい。したがって、撮像サブシステムは、少なくとも３つのチャネル（すなわち、１つの上部チャネルおよび２つの側部チャネル）を含んでもよく、少なくとも３つのチャネルの各々は、それ自体の集光器を有し、その各々は、他の集光器の各々とは異なる散乱角で光を集光するように構成される。

上記でさらに説明されるように、撮像サブシステムに含まれる検出チャネルのそれぞれは、散乱光を検出するように構成されてもよい。したがって、図１に示す撮像サブシステムは、試料の暗視野（ＤＦ）撮像用に構成することができる。しかし、撮像サブシステムは、追加的または代替的に、試料の明視野（ＢＦ）撮像用に構成された検出チャネルを含むことができる。言い換えると、撮像サブシステムは、試料から正反射される光を検出するように構成された少なくとも１つの検出チャネルを含むことができる。したがって、本明細書で説明される撮像サブシステムは、ＤＦのみ、ＢＦのみ、またはＤＦおよびＢＦ撮像の両方のために構成されてもよい。コレクタの各々は、単一の屈折光学素子として図１に示されているが、コレクタの各々は、１つ以上の屈折光学素子及び／又は１つ以上の反射光学素子を含むことができる。

１つ以上の検出チャネルは、光電子増倍管（ＰＭＴ）、電荷結合素子（ＣＣＤ）、および時間遅延積分（ＴＤＩ）カメラなど、当技術分野で知られている任意の適切な検出器を含むことができる。検出器はまた、非撮像検出器または撮像検出器を含んでもよい。検出器が非撮像検出器である場合、検出器の各々は、強度などの散乱光の特定の特性を検出するように構成され得るが、撮像平面内の位置の関数としてそのような特性を検出するように構成されないことがある。したがって、撮像サブシステムの検出チャネルの各々に含まれる検出器の各々によって生成される出力は、画像信号または画像データではなく、信号またはデータであってもよい。このような場合、コンピュータサブシステム３６などのコンピュータサブシステムは、検出器の非撮像出力から試料の画像を生成するように構成することができる。しかしながら、他の事例では、検出器は、撮像信号または画像データを生成するように構成される、撮像検出器として構成されてもよい。したがって、撮像サブシステムは、いくつかの方法で画像を生成するように構成されてもよい。

図１は、本明細書で説明されるシステムの実施形態に含まれ得る撮像サブシステムの構成を概略的に図示するために本明細書で提供されることに留意されたい。明らかに、本明細書で説明される撮像サブシステム構成は、市販の撮像システムを設計するときに通常行われるように、撮像サブシステムの性能を最適化するように変更されてもよい。加えて、本明細書に記載されるシステムは、ＫＬＡ Ｃｏｒｐ．，カリフォルニア州ミルピタスから市販されているツールの２９ｘｘ／３９ｘｘシリーズ等の既存のシステム（例えば、本明細書に記載の機能を既存の検査システムに追加することによって）を使用して実装されてもよい。いくつかのそのようなシステムに関して、本明細書で説明される方法は、システムの随意の機能性（例えば、システムの他の機能に加えて、）として提供されてもよい。あるいは、本明細書に記載されるシステムは、完全に新しいシステムを提供するように「スクラッチから」設計されてもよい。

コンピュータサブシステム３６は、コンピュータサブシステムが検出器によって生成された出力を受信することができるように、任意の好適な様式（たとえば、「有線」および／または「無線」伝送媒体を含み得る１つ以上の伝送媒体を介して）で撮像サブシステムの検出器に結合されてもよい。コンピュータサブシステム３６は、本明細書でさらに説明されるステップおよび機能を含む、検出器の出力の有無にかかわらず、いくつかの機能を行うように構成されてもよい。したがって、本明細書で説明されるステップは、撮像サブシステムに結合されるか、またはその一部であるコンピュータサブシステムによって「オンツール」で行われてもよい。加えて、または代替として、コンピュータシステム１０２は、本明細書で説明されるステップのうちの１つ以上を実施してもよい。したがって、本明細書で説明されるステップのうちの１つ以上は、撮像サブシステムに直接連結されないコンピュータシステムによって、「オフツール」で行われてもよい。コンピュータサブシステム３６およびコンピュータシステム１０２は、本明細書に記載されるようにさらに構成され得る。

コンピュータサブシステム３６（ならびに本明細書に記載の他のコンピュータサブシステム）は、本明細書ではコンピュータシステムとも呼ばれ得る。本明細書に説明されるコンピュータサブシステムステムまたはシステムのそれぞれは、パーソナルコンピュータシステム、画像コンピュータ、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、ネットワークアプライアンス、インターネットアプライアンス、または他のデバイスを含む、種々の形態を成してもよい。概して、「コンピュータシステム」という用語は、メモリ媒体からの命令を実行する１つ以上のプロセッサを有する任意のデバイスを包含するように広く定義され得る。コンピュータサブシステムまたはシステムはまた、並列プロセッサ等の当技術分野で公知の任意の好適なプロセッサを含んでもよい。加えて、コンピュータサブシステムまたはシステムは、スタンドアロンツールまたはネットワークツールのいずれかとして、高速処理およびソフトウェアを有するコンピュータプラットフォームを含んでもよい。

システムが複数のコンピュータサブシステムを含む場合、画像、データ、情報、命令などをコンピュータサブシステム間で送信できるように、異なるコンピュータサブシステムを互いに結合することができる。例えば、コンピュータサブシステム３６は、当技術分野で知られている任意の適切な有線および／または無線伝送媒体を含み得る任意の適切な伝送媒体によって、図１に破線によって示されるようにコンピュータシステム１０２に結合され得る。そのようなコンピュータサブシステムのうちの２つ以上はまた、共有コンピュータ可読記憶媒体（図示せず）によって効果的に結合されてもよい。

撮像サブシステムは、光学または光ベースの撮像サブシステムであるものとして上記で説明されるが、別の実施形態では、撮像サブシステムは、電子ベースの撮像サブシステムとして構成される。このようにして、本明細書で説明する試料画像は、電子ベースの撮像サブシステムによって生成することができる。電子ビーム撮像サブシステムでは、試料に向けられるエネルギは電子を含み、試料から検出されるエネルギは電子を含む。図１ａに示す１つのそのような実施形態では、撮像サブシステムは電子カラム１２２を含み、システムは撮像サブシステムに結合されたコンピュータサブシステム１２４を含む。コンピュータサブシステム１２４は、上述のように構成されてもよい。加えて、そのような撮像サブシステムは、上記で説明され、図１に示されるのと同じ様式で、別の１つ以上のコンピュータシステムに連結されてもよい。

図１ａにも示すように、電子カラムは、１つ以上の要素１３０によって試料１２８に集束される電子を生成するように構成された電子ビーム源１２６を含む。電子ビーム源は、例えば、カソード源またはエミッタ先端を含んでもよく、１つ以上の要素１３０は、例えば、銃レンズ、アノード、ビーム制限アパーチャ、ゲート弁、ビーム電流選択アパーチャ、対物レンズ、および走査サブシステムを含んでもよく、その全ては、当技術分野で公知の任意のそのような好適な要素を含んでもよい。

試料から戻ってきた電子（例えば、二次電子）は、１つ以上の要素１３２によって検出器１３４に集束させることができる。１つ以上の要素１３２は、たとえば、要素１３０に含まれるのと同じ走査サブシステムであり得る走査サブシステムを含み得る。電子カラムは、当技術分野で公知の任意の他の好適な要素を含んでもよい。さらに、電子カラムは、参照により本明細書に完全に規定されているかのように取り込まれる、２０１４年４月８日にＫｏｊｉｍａらに発行された米国特許８，６６４，５９４号（２０１４年４月４日、Ｊｉａｎｇら）、８，６９２，２０４号、２０１４年４月１５日にＧｕｂｂｅｎｓらに発行された８，６９８，０９３号、および２０１４年５月６日にＭａｃＤｏｎａｌｄらに発行された８，７１６，６６２号に記載されているようにさらに構成することができる。

電子カラムは、電子が斜めの入射角で試料に向けられ、別の斜めの角度で試料から散乱されるように構成されるものとして図１ａに示されているが、電子ビームは、任意の適切な角度で試料に向けられ、試料から散乱されてもよい。さらに、電子ビーム撮像サブシステムは、本明細書でさらに説明するように、複数のモードを使用して試料の出力を生成するように構成することができる（例えば、異なる照明角度、集光角度などを有する。）。電子ビーム撮像サブシステムの複数のモードは、撮像サブシステムの任意の出力生成パラメータにおいて異なり得る。

コンピュータサブシステム１２４は、上述のように検出器１３４に結合されてもよい。検出器は、試料の表面から戻ってきた電子を検出し、それによって試料の電子ビーム画像（または他の出力）を形成する。電子ビーム画像は、任意の適切な電子ビーム画像を含み得る。コンピュータサブシステム１２４は、検出器１３４によって生成された出力を使用して試料上の事象を検出するように構成することができ、これは、本明細書でさらに説明するように実行することができる。コンピュータサブシステム１２４は、本明細書で説明される任意の追加のステップを行うように構成されてもよい。図１ａに示される撮像サブシステムを含むシステムは、本明細書に記載されるようにさらに構成され得る。

図１ａは、本明細書で説明される実施形態に含まれ得る電子ビーム撮像サブシステムの構成を概略的に図示するために本明細書で提供されることに留意されたい。上述の光学撮像サブシステムと同様に、本明細書に記載される電子ビーム撮像サブシステム構成は、商用システムを設計するときに通常行われるように、撮像サブシステムの性能を最適化するように変更されてもよい。加えて、本明細書で説明されるシステムは、ＫＬＡから市販されているツール等の既存のシステム（たとえば、本明細書で説明する機能を既存のシステムに追加することによって、）を使用して実装されてもよい。いくつかのそのようなシステムに関して、本明細書で説明される方法は、システムの随意の機能性（例えば、システムの他の機能に加えて、）として提供されてもよい。あるいは、本明細書に記載されるシステムは、完全に新しいシステムを提供するように「スクラッチから」設計されてもよい。

撮像サブシステムは、光または電子ビーム撮像サブシステムとして上述されているが、撮像サブシステムは、イオンビーム撮像サブシステムであってもよい。そのような撮像サブシステムは、電子ビーム源が当技術分野で公知の任意の好適なイオンビーム源と置換され得ることを除いて、図１ａに示されるように構成され得る。加えて、撮像サブシステムは、市販の集束イオンビーム（ＦＩＢ）システム、ヘリウムイオン顕微鏡（ＨＩＭ）システム、および二次イオン質量分析（ＳＩＭＳ）システムに含まれるもの等の任意の他の好適なイオンビーム撮像システムを含んでもよい。

さらに上述したように、撮像サブシステムは、複数のモードを有するように構成されてもよい。一般に、「モード」は、試料のための出力を生成するために使用される撮像サブシステムのパラメータの値によって定義される。したがって、異なるモードは、撮像サブシステム（出力が生成される試料上の位置以外）の撮像パラメータの少なくとも１つに対する値において異なり得る。例えば、光ベースの撮像サブシステムの場合、異なるモードは、異なる波長の光を使用し得る。これらのモードは、本明細書でさらに説明されているように、試料に向けられる光の波長（例えば、異なるモードに対して異なる光源、異なるスペクトルフィルタなどを使用することによって）が異なる。別の実施形態では、異なるモードが異なる照明チャネルを使用してもよい。例えば、上述のように、撮像サブシステムは、複数の照明チャネルを含んでもよい。したがって、異なる照明チャネルを異なるモードに使用することができる。

複数のモードはまた、照明および／または収集／検出において異なり得る。例えば、上記でさらに説明されるように、撮像サブシステムは、複数の検出器を含んでもよい。したがって、検出器のうちの１つは、あるモードのために使用され得、検出器のうちの別のものは、別のモードのために使用され得る。さらに、モードは、本明細書に記載の複数の方法（例えば、異なるモードは、１つ以上の異なる照明パラメータ及び１つ以上の異なる検出パラメータを有してもよい）で互いに異なっていてもよい。加えて、複数のモードは、視点が異なっていてもよく、これは、上記でさらに説明されるように達成可能である、異なる入射角および収集角のいずれかまたは両方を有することを意味する。撮像サブシステムは、例えば、同時に試料を走査するために複数のモードを使用する能力に応じて、同じ走査または異なる走査で異なるモードで試料を走査するように構成することができる。

いくつかの事例では、本明細書に説明されるシステムは、検査システムとして構成されてもよい。しかしながら、本明細書で説明されるシステムは、欠陥レビューシステムおよび計測システム等の別のタイプの半導体関連品質制御型システムとして構成されてもよい。例えば、本明細書で説明され、図１および図１ａに示される撮像サブシステムの実施形態は、それらが使用される用途に応じて異なる撮像能力を提供するように、１つ以上のパラメータにおいて修正されてもよい。一実施形態では、撮像サブシステムは、電子ビーム欠陥レビューサブシステムとして構成される。例えば、図１ａに示す撮像サブシステムは、検査ではなく欠陥レビュー又は計測に使用される場合、より高い分解能を有するように構成することができる。言い換えれば、図１および１ａに示される撮像サブシステムの実施形態は、異なる用途に多少適している異なる撮像能力を有する撮像サブシステムを生成するために、当業者に明白であろういくつかの様式で調整することができる、撮像サブシステムのためのいくつかの一般的かつ種々の構成を説明する。

上述のように、撮像サブシステムは、エネルギ（例えば、光、電子）を試料の物理的バージョンに向け、および／または試料の物理的バージョン上でエネルギを走査し、それによって試料の物理的バージョンの実際の画像を生成するように構成することができる。このように、撮像サブシステムは、「仮想「システムではなく、「実際の」撮像システムとして構成されてもよい。しかしながら、図１に示される記憶媒体（図示せず）およびコンピュータサブシステム１０２は、「仮想」システムとして構成されてもよい。特に、記憶媒体およびコンピュータサブシステムは、撮像サブシステム１００の一部ではなく、試料の物理的バージョンを処理するためのいかなる能力も有しないが、検査のような機能を実行する仮想インスペクタ、計測のような機能を実行する仮想計測システム、記憶された検出器出力を使用して欠陥レビューのような機能を実行する仮想欠陥レビューツールなどとして構成され得る。「仮想」システムとして構成されたシステムおよび方法は、２０１５年８月２９日に発行されたＤｕｆｆｙらの米国特許８，１２６，２５５号（２０１２年２月２８日、Ｂｈａｓｋａｒら）、９，２２２，８９５号および２０１７年１１月１４日に発行されたＤｕｆｆｙらの９，８１６，９３９号に共通に譲渡され、参照により本明細書に完全に規定されているかのように取り込まれる。本明細書に記載される実施形態は、これらの特許に記載されるようにさらに構成され得る。例えば、本明細書に記載されるコンピュータサブシステムは、これらの特許に記載されるようにさらに構成され得る。

システムは、上述のコンピュータサブシステムまたはシステムのいずれかの任意の構成を含み得るコンピュータサブシステムと、コンピュータサブシステムによって実行される１つ以上の構成要素（コンポーネント）とを含む。例えば、図１に示されるように、システムは、コンピュータサブシステム３６と、コンピュータサブシステムによって実行される１つ以上の構成要素１０４とを含んでもよい。１つ以上の構成要素は、本明細書でさらに説明するようにコンピュータサブシステムによって、または当技術分野で知られている任意の他の適切な方法で実行され得る。１つ以上の構成要素を実行することの少なくとも一部は、画像、データなどの１つ以上の入力を１つ以上の構成要素に入力することを含むことができる。コンピュータサブシステムは、任意の画像、データなどを任意の適切な方法で１つ以上の構成要素に入力するように構成され得る。

１つ以上の構成要素は、撮像サブシステムによって生成された試料の画像をノイズ除去するように構成された深層学習（ＤＬ）モデル１０６を含む。画像は、本明細書に説明される撮像サブシステムのうちのいずれかによって生成される、本明細書に説明される画像のうちのいずれかを含んでもよい。いくつかの実施形態は、画像をノイズ除去するものとして本明細書で説明されるが、本明細書で説明されるＤＬモデルは、撮像サブシステムによって生成される試料の任意の数の画像をノイズ除去するために使用されてもよい。撮像サブシステムは、本明細書に説明される撮像サブシステムのうちのいずれかを含んでもよい。一般に、「深層学習」（深層構造学習、階層学習、又は深層機械学習としても知られている）は、データの高レベル抽象化をモデル化しようとするアルゴリズムのセットに基づく機械学習の分岐である。単純なケースでは、ニューロンの２つのセットがあり得る：入力信号を受信するもの、および出力信号を送信するもの。入力層が入力を受け取ると、入力の修正バージョンを次の層に渡す。深層学習ベースのモデルでは、入力と出力との間に多くの層が存在し（また、層はニューロンで作られていないが、そのように考えるのを助けることができる）、アルゴリズムが、ｍｕｌｔｉｐｌｅ線形および／または非線形変換から構成される複数の処理層を使用することを可能にする。

本明細書で説明される実施形態によって使用されるＤＬモデルは、生成モデルとして分類され得る。「生成」モデルは、概して、本質的に確率的であるモデルとして定義することができる。言い換えれば、「生成」モデルは、フォワードシミュレーションまたはルールベースのアプローチを実行するものではない。代わりに、生成モデルは、データの適切なトレーニングセットに基づいて学習され得る（そのパラメータが学習され得るという点で）。一実施形態では、ＤＬモデルは、深層生成モデルとして構成される。たとえば、ＤＬモデルは、ＤＬモデルが、いくつかのアルゴリズムまたは変換を実行する複数のレイヤを含み得るという点で、ＤＬアーキテクチャを有するように構成され得る。

一実施形態では、ＤＬモデルは、畳み込みニューラルネットワーク（ＣＮＮ）として構成される。ＣＮＮは、通常、局所特徴を抽出するために、畳み込み層およびプーリング層のスタックを含む。畳み込み層は、当技術分野で知られている任意の適切な構成を有することができ、一般に、１つ以上のフィルタを使用して畳み込み関数を入力画像に適用することによって、画像にわたる位置の関数として画像の特徴（すなわち、特徴マップ）を決定するように構成される。１つ以上のプーリング層はまた、当技術分野で知られている任意の適切な構成（たとえば、最大プーリング層）を有し得、概して、最も重要な特徴を保持しながら、１つ以上の畳み込み層によって生成される特徴マップの次元を低減するように構成される。ＤＬモデルは、当技術分野で知られている任意の適切なＣＮＮ構成またはアーキテクチャを有し得る。本明細書で使用される「ノイズ除去」という用語は、画像をある空間（または画像タイプ）から別の空間に変換すること、または画像の解像度を変更することによって画像を変換することなど、他の目的のために画像を変換することによって生じ得るいかなるノイズ低減も指さない。言い換えれば、本明細書で説明される「ノイズ除去」は、画像のノイズ特性以外の画像のいかなる特性も変更することを意図しない。ノイズ除去は、試料画像のような１つの比較的ノイズの多いタイプの画像から、画像タイプの変更を必要とする設計画像のような比較的静かなタイプの画像にいかなる画像も変換しない。ノイズ除去はまた、ノイズ以外の少なくとも１つの画像特性（解像度）の変化を必要とする低解像度画像から高解像度画像へのいかなる画像も変換しない。このようにして、ＤＬベースであってもなくてもよいいくつかの画像変換アルゴリズムまたは方法は、元の画像よりもノイズが少ないと見なされ得る画像を生成することができるが、それらの画像変換アルゴリズムおよび方法は、ノイズ以外の元の画像特性のすべてを保持するわけではない。１つのそのような例では、本明細書で説明される実施形態によってノイズ除去される画像は、１つの解像度およびピクセルサイズを有するＢＢＰツールによって生成される光学検査画像であってもよく、結果として生じるノイズ除去画像はまた、同じ解像度およびピクセルサイズを有するが、元の画像よりもノイズが少ない光学検査画像であってもよい。

上述のような画像変換（例えば、あるタイプから別のタイプへ、またはある解像度から別の解像度へ画像を変更する）は多くの用途に有用であり得るが、そのような変換は、本明細書に記載のノイズ除去の目標ではない。他方では、本明細書で説明するノイズ除去を他のそのような画像変換と組み合わせることができない理由がないことに留意することが重要である。例えば、本明細書で説明されるようにノイズ除去された画像は、そのノイズ除去された画像を異なるタイプの画像または異なる解像度を有する画像に変換するモデルに入力されると、元の画像が変換に入力された場合よりも良好な品質の変換された画像を提供し得る。このように、本明細書で説明されるように実行されるノイズ除去は、他の画像変換プロセスの上流で実行されてもよく、ノイズ除去された画像は、それらのプロセスのための入力として使用される。本明細書で説明されるノイズ除去および情報決定ステップはまた、他の画像変換ステップとは異なる方法で使用されてもよい。例えば、本明細書で説明されるノイズ除去された画像は、ニューサンスフィルタリングのために使用され得、次いで、ノイズ除去された画像または元の画像のいずれかを使用して、ニューサンスフィルタリング後に残っている欠陥に対して他の画像変換が実行され得る。このようにして、本明細書に記載のノイズ除去および情報決定ステップは、様々な方法で検査または他の品質管理タイプのプロセスに統合することができる。

本明細書に記載される実施形態は、２つのステップを有し得る：トレーニングおよび推論。一実施形態では、コンピュータサブシステムは、同じ画像の複数のノイズの多い実現（realization）および平均損失関数を含むトレーニングセットを用いてＤＬモデルをトレーニングするように構成される。例えば、トレーニングは、層ＡのＢＢＰホットスキャンからのサンプリングされたデータ、すなわち、検査される試料層に対するＣＮＮモデルを使用して行われ得る。トレーニングは、ＣＮＮネットワーク内の同じ画像の複数のノイズの多い実現をマッピングすることによって行われ得る。テスト画像および基準画像（テスト画像に類似する）は、同じ画像のノイズの多い実現として使用され得る。これらの画像は、欠陥検出の有無にかかわらず可能である。言い換えれば、これらの画像は、欠陥検出アルゴリズムを介して欠陥が検出された画像、または画像上で欠陥検出が実行されていないので欠陥が存在するかどうかが分からない画像であり得る。一般に、試料上の同じ設計位置の２つ以上（例えば、３つ）のインスタンスで生成された２つ以上（例えば、３つ）の画像をトレーニング入力として使用することができ、これらの画像の各々に対するトレーニング出力を、例えば摂動、平均化を介して入力画像から生成することができる。または、充分な画像ノイズ低減能力を有することが知られている何らかの他の画像ノイズ低減技術。このようにして、トレーニング出力またはトレーニング入力のノイズ除去バージョンは、少なくともいくつかのノイズ低減能力を提供することが知られている方法を使用してトレーニング入力から生成され得る。平均損失関数とともに使用される場合、ＣＮＮモデルは平均挙動に収束し、したがってノイズ除去関数を学習する。

適切なサンプルサイズの比較的低い信号事象もまた、トレーニングの目的で、試料全体からサンプリングされ得る。この文脈における「比較的低い信号事象」は、概して、主に欠陥ではなく、ほとんどがノイズである画像として定義することができる。言い換えれば、画像は、はるかに大きい欠陥信号であり得るものによって支配される画像ではなく、比較的低い信号ノイズから主に構成される。このサンプリングは、画像内の信号に基づいてフィルタリングまたはサンプリング方法を使用する、本明細書で説明されるコンピュータサブシステムによることを含む、種々の方法で行われてもよい。

図２は、トレーニングフローにおいて実行され得るステップの一実施形態を示す。ステップ２００に示されているように、システムは、試料のホットスキャンを実行する。概して、ホットスキャンは、試料をスキャンし、次いで、スキャン中に生成された出力にホット閾値を適用することを伴う。ホット閾値は、走査出力のノイズフロアにあるか、その近くにあるか、又はその範囲内にあるので、このようにして基準される。このようにして、ホットスキャンは、多くの事象を検出することになり、その大部分は欠陥ではないことがあるが、代わりに雑音または迷惑である。したがって、ホットスキャンは、一般に、プロセスがよく理解され、ある種の既知のタイプの欠陥のみが関心対象である生産目的では実行されない。代わりに、ホットスキャンは、多くの場合、どの種類の欠陥が層上にあるかを発見するため、および／または検査プロセスをセットアップするために使用することができるかなりの量のデータを生成するために使用される。この場合、ホットスキャンは、比較的ノイズが多く、したがって、本明細書で説明するＤＬモデルをトレーニングするのに適している多くの画像を生成することができる。加えて、ホットスキャンによって保存される画像の多くは、欠陥信号が比較的強い（そのようなホットスキャンによって検出されるイベントは、多くの比較的低い信号イベントを含み得る）画像ではない場合がある。欠陥を含み得るが、典型的には低信号であるそのような画像は、本明細書で説明されるトレーニングに特に適し得る。

ホットスキャンは、本明細書で説明される実施形態のためのトレーニング画像を生成するための特に容易かつ有利な方法の１つであるが、必ずしも必要ではない。例えば、生産型スキャンを介して充分に適切な画像（主にノイズから構成される画像）が生成される場合、そのスキャンは、ノイズ除去ＤＬモデルのためのトレーニング画像を生成するために使用され得る。加えて、本明細書で説明される実施形態は、必ずしもトレーニング画像を生成する必要はなく、撮像サブシステムまたは異なるシステムもしくは方法によって以前に記憶された記憶媒体からそれらを取得してもよい。さらに、トレーニング画像は、トレーニングに使用する前に検出が行われた画像である必要はない。さらに、トレーニング画像は、ノイズ除去画像が生成され、次いで試料についての情報を決定するために使用されるプロセスに使用されるであろう同じ撮像サブシステムパラメータを使用して生成されることが好ましい場合があるが、これも必要ではない。

トレーニング画像はまた、トレーニングされたＤＬモデルによってノイズ除去された画像を使用して情報が決定される試料を使用して生成されてもよいが、本明細書でさらに説明されるように、その上に１つの層が形成される１つの試料に対してトレーニングされるノイズ除去ＤＬモデルはまた、場合によっては、その上に同じ層が形成される場合もあり、ない場合もある異なる試料の画像をノイズ除去するために使用されてもよい。このように、トレーニング画像は、その画像がＤＬモデルによってノイズ除去される物理的試料を走査することによって生成されてもされなくてもよい。

撮像サブシステムなしでトレーニングに使用される画像の少なくとも一部を生成することも可能であり得る。例えば、撮像サブシステムで試料を走査することによって生成された実際の画像を使用して、実際の画像とともに、または実際の画像の代わりにトレーニングに使用することができる人工画像を生成することができる。人工画像の生成は、画像に人工的なまたは異なるノイズを加えるために、または実際の画像の他のノイズ特性を変更するために、実際の画像を摂動させること、またはフィルタ、関数などを用いてそれらを修正することを含み得る。このように、ホットスキャンは、本明細書で説明されるノイズ除去ＤＬモデルのためのトレーニング画像を生成するための迅速で、容易で、信頼性のある方法であり得るが、ホットスキャンは、トレーニングセットが生成され得る唯一の方法ではない。

ステップ２０２に示すように、コンピュータサブシステムは、トレーニングのためにステップ２００で実行されたホットスキャンによって検出された欠陥をサンプリングすることができる。トレーニングのためにサンプリングされる欠陥の数は、大きく変動し得、ＤＬモデルの構成およびそれをトレーニングするために一般に必要とされるトレーニングサンプルの数に依存し得る。サンプリングされた欠陥画像はまた、トレーニング、試験、および検証等のトレーニングの異なる段階に使用される異なるサブセットに分割されてもよい。概して、ＤＬモデルをトレーニングすることは、かなりの数のトレーニングサンプルを必要とし、トレーニング画像を生成するためにホットスキャンを使用することの１つの利点は、ホットスキャンが、トレーニングのために使用することができる充分な数のサンプルを生成することがほとんど保証されることである。上述のように、同じ画像の複数のノイズの多い実現がトレーニングに使用されることが好ましい。このようにして、トレーニングサンプルは、試料上の複数のダイ、フィールドなどの同じ位置などの試料上の対応する位置で生成された複数の画像を含むことができる。本明細書で使用される用語「同じ画像の複数のノイズの多い実現」は、概して、同じ設計部分が印刷される試料上の複数の位置で（または複数の位置について）生成される少なくとも２つの画像、すなわち対応する設計座標として定義される。それらは、試料上で実行される任意のノイズ除去型機能の前に試料上で実行されるプロセスにおいて生成されるであろう画像を表すという点で「ノイズが多い」。このようにして、試料のホットスキャンまたは試料の通常の生産スキャンにおいて、同じ画像の複数のノイズの多いリアルライゼーションを生成することができる。複数のノイズの多い実現はまた、１つ以上のテスト画像および／または１つ以上の基準画像を含むことができ、テスト画像および基準画像は、テスト画像および基準画像が試料上の異なる隣接するダイからのものであるダイツーダイタイプの検査であるか、または本明細書で説明する別のタイプの検査もしくは品質管理タイプのプロセスであるかにかかわらず、画像を使用して試料上で実行されるプロセスによって定義される。

トレーニングは、同じ画像の複数のノイズの多い実現を使用して実行され得るが、これは、トレーニングが試料の１つの画像に対してのみ実行され得ることを意味するものではない。例えば、トレーニングは、第１の設計座標で生成された第１の画像の複数のノイズの多い実現、第２の設計座標で生成された第２の画像の複数のノイズの多い実現などを用いて実行され得る。このようにして、ＤＬモデルは、試料の設計の異なる位置で生成された画像からノイズを除去するように学習することができる。

ステップ２０４に示されるように、コンピュータサブシステムは、本明細書でさらに説明されるように実行され得る、２つ以上の同様のノイズの多い実現を使用してＤＬモデルをトレーニングし得る。このステップにおいて、コンピュータサブシステムは、ＤＬモデルをトレーニングして、ノイズ除去機能を学習し、この機能は、次いで、同じ試料の画像および任意選択で他の試料の画像を含み得る他の画像に適用され、この画像は、本明細書でさらに説明するように、同じタイプであってもなくてもよい。したがって、ステップ２０４で実行されたトレーニングの結果は、トレーニングされたノイズ除去モデル２０６であり、これは、次いで、上述のように画像をノイズ除去するためにコンピュータサブシステムによって使用され得る。言い換えれば、トレーニングが同じ画像の複数の同様のノイズのある実現を使用して行われた後、コンピュータサブシステムは、他の試料画像をＤＬモデルに入力することができ、これは、これらの入力画像のノイズを除去することになり、これは、本明細書でさらに説明するように情報を決定するために使用することができる。

ＤＬモデルは、コンピュータサブシステムおよび／またはコンピュータサブシステムによって実行される構成要素の１つによってトレーニングされてもされなくてもよい。例えば、別の方法またはシステムは、ＤＬモデルをトレーニングしてもよく、次いで、それは、コンピュータサブシステムによって実行される構成要素として使用するために記憶されてもよい。いずれの場合も、トレーニングは、トレーニング入力をＤＬモデルに入力することと、ＤＬモデルが平均挙動に収束するまでＤＬモデルの１つ以上のパラメータを変更することとを含み得る。トレーニングは、ＤＬモデルの任意の１つ以上のトレーニング可能なパラメータを変更することを含み得る。トレーニングされるＤＬモデルの１つ以上のパラメータは、トレーニング可能な重みを有するＤＬモデルの任意の層の１つ以上の重みを含むことができる。１つのそのような例では、重みは、畳み込み層のための重みを含み得るが、プーリング層のための重みは含まない。

モデルが上述のようにトレーニングされると、モデルは、画像が生成された試料上の層の欠陥の残り、または同じ層の異なる試料のホットスキャンによって生成された画像に適用することができる。言い換えれば、いったんノイズ除去モデルがトレーニングされると、モデルをトレーニングするために画像が使用された試料だけでなく、同じ層が形成され、撮像サブシステムによって撮像される他の試料にも使用することができる。１つのそのような実施形態では、同じ画像の複数のノイズの多い実現は、追加の試料について生成され、試料および追加の試料は、その上に形成された異なる層を有する。例えば、本発明者らによって生成された予備データは、例えば層Ａが形成された試料の画像に対してトレーニングされたモデルが、例えば層Ｂが形成された試料の画像に対しても作用し得る、すなわち充分にノイズ除去し得る可能性を支持する。言い換えれば、２つの試料の設計が異なり、層ＡおよびＢが異なる場合であっても、層ＡおよびＢ上に形成されるパターン化された特徴の材料および寸法などの設計と層との間に充分な類似性があり得るので、層Ａの画像に対してトレーニングされたノイズ除去モデルを層Ｂの画像のノイズ除去に使用することができる。加えて、本発明者らによって生成された予備的結果に基づいて、１層データに対してトレーニングされたノイズ除去モデルは、いかなる追加のトレーニングもなしに異なる層データに適用されたときに改善された感度を示した。任意のアルゴリズムのためにある層から別の層へのノイズ除去モデルを使用することは、ＢＢＰ検査などの光学検査におけるその種類の第１であると考えられる。あるレイヤについてトレーニングされたノイズ除去モデルが別のレイヤについて充分に画像をノイズ除去できないことが判明したとしても、ある種の母ネットワークまたはトランスファー学習用途においてレイヤＢについて再トレーニングされる初期ＤＬモデル構成として、レイヤＡについてトレーニングされたノイズ除去モデルが使用され得る。

別の実施形態では、画像は、欠陥がノイズ除去の前に検出されたテスト画像である。このように、実施形態は、検出後の画像をノイズ除去することができる。対照的に、検査ツールによって現在使用されているフローでは、画像をノイズ除去するための検出後のステップがない。そのような一実施形態では、欠陥は、上述のように実行することができる試料のホットスキャンによって検出された。試料のホットスキャンで欠陥が検出されたノイズ除去画像は、多くの理由で特に有用である。例えば、ホットスキャンは、典型的には、上述の理由（すなわち、検出に使用される実質的に低い閾値である）のために、誤って多数の検出された欠陥を生成する。したがって、ホットスキャンによって生成される欠陥母集団は、ほとんどの場合、（欠陥発見または検査プロセス設定のために）実際の欠陥から非欠陥（ニューサンスまたはノイズ）を除去するために処理されなければならない。そのような走査によって欠陥が検出された画像を、本明細書で説明するノイズ除去ＤＬモデルに入力することによって、ＤＬモデルによって生成されたノイズ除去画像は、欠陥をノイズまたはニューサンスから分離するか、または検出された欠陥の追加情報を決定するために、はるかに有用な画像を生成することができ、これは本明細書でさらに説明するように実行することができる。本明細書で説明される実施形態によってノイズ除去される画像は、欠陥がホットスキャンによって検出された画像を含み得るが、これは必要条件ではない。例えば、欠陥がどのように検出されたかにかかわらず、欠陥が検出されたあらゆる画像を、ノイズ除去のために本明細書に記載のＤＬモデルに入力することができる。図３は、推論フローにおいて本明細書で説明される実施形態によって実行され得るステップの一実施形態を示す。この実施形態では、システムは、ステップ３００に示されているようにホットスキャンを実行することができるが、この図に示されている推論フローは、任意のタイプの試料スキャンで生成された任意の画像に対して実行することができる。ホットスキャンの出力は、図３にテスト画像３０２及び基準画像３０４としてそれぞれ示すテスト画像及び基準画像を含むことができる。テスト画像および基準画像は両方とも、ノイズ除去（推定）ステップに入力されてもよい。例えば、図３に示すように、テスト画像３０２はノイズ除去ステップ３０６に入力されてもよく、基準画像３０４はノイズ除去ステップ３０８に入力されてもよい。テストおよび基準画像ノイズ除去は、異なるステップとして図３に示されているが、これらのステップは、本明細書に記載されるように構成される同じＤＬモデルによって実行されてもよい。テスト画像および基準画像は、複数の入力チャネルのようにＤＬモデルに同時に入力されてもよく、またはＤＬモデルの構成に応じて画像ごとに順次入力されてもよい。ノイズ除去ステップ３０６の出力はノイズ除去されたテスト画像３１０であり、ノイズ除去ステップ３０８の出力はノイズ除去された基準画像３１２である。次いで、コンピュータサブシステムは、ステップ３１４に示すように、ノイズ除去されたテスト画像からノイズ除去された基準画像を減算し、それによってノイズ除去された差分画像３１６を生成することができる。このように、いくつかの実施形態では、推論によって生成される出力は、ノイズ除去されたテスト画像、基準画像、および差分画像を有するホットスキャンである。

図３に示されるように、ノイズ除去された差分画像は、ノイズ除去されたテスト画像からノイズ除去された基準画像を減算することによって生成され得る。いくつかの事例では、それはまた、または代替として、ノイズ除去のために、ノイズ除去されていないテスト画像からノイズ除去されていない基準画像を減算することによって生成された差分画像をＤＬモデルに入力するために好適であり得る。言い換えれば、オリジナル画像から生成された差分画像は、追加的または代替的に、ノイズ除去ＤＬモデルに入力され、本明細書で説明されるような情報を決定するために使用され得る。

いくつかの実施形態では、コンピュータサブシステムは、撮像サブシステムによって生成された試料のテスト画像に基づいて試料上の欠陥を検出するように、およびノイズ除去のためにテスト画像をＤＬモデルに入力するように構成され、コンピュータサブシステムによってＤＬモデルに入力されるテスト画像は、欠陥の１つ以上が検出されたテスト画像のみを含む。このように、ノイズ除去のためにＤＬモデルに入力される画像は、スキャンによって生成された画像のすべてを含むとは限らない。代わりに、ノイズ除去された画像は、少なくとも１つの欠陥が検出されたテスト画像のみを含んでもよい。そのような場合、ノイズ除去される画像はまた、それらのテスト画像の基準画像および（場合によっては）差分画像を含むが、欠陥が検出されなかった任意のテスト画像の基準画像または差分画像を含まない場合がある。欠陥検出後にノイズ除去を実行することによって、ノイズ除去される画像の数を、おそらくは著しく低減することができ、それによって、計算時間およびノイズ除去の費用を低減することができる。この実施形態のステップは、本明細書に記載されるように他の方法で実行されてもよい。

さらなる実施形態では、ノイズ除去は、画像を使用して実行される欠陥検出の前に実行される。例えば、検出後にパッチ画像をノイズ除去する本明細書に記載のいくつかの実施形態とは対照的に、本明細書に記載の実施形態を使用するノイズ除去は、検出前のフレームデータに対して行うことができる。このようにして、試料の走査によって生成された画像（およびおそらくすべての画像）を、本明細書で説明するように構成されたＤＬモデルに入力することによって、ノイズ除去を実行することができる。また、推論ノイズ除去は、異なる時間（検出前または検出後）に実行されてもよいが、これらは相互に排他的ではないことにも留意されたい。１つのそのような例では、欠陥検出の前後の両方で画像をノイズ除去することが可能であり、これは、いくつかの例では、追加の計算時間／費用が価値があると見なされるかどうかに応じて有利であり得る。

いくつかの実施形態では、画像は、試料のテスト画像であり、ＤＬモデルは、テスト画像に対応する基準をノイズ除去するように構成される。例えば、図３に示すように、テスト画像と基準画像の両方をノイズ除去ステップに入力することができる。これらの画像は、次いで、図３に示されるようなノイズ除去された差分画像を生成するために使用されてもよく、および／または本明細書で説明される任意の他の様式で使用されてもよい。本発明者らは、本明細書に記載の実施形態が、テスト画像と基準画像の両方のノイズを除去するための第１の既知の手法であると考える。例えば、欠陥検出のための最良の基準を生成することを試みる目的で（またはその副産物として）典型的に作成される、基準画像をノイズ除去するための種々の現在使用されている方法がある。しかしながら、一般に、検査画像は、欠陥信号を不注意に低減又は排除する恐れにより、特に欠陥検出の前ではなくノイズ除去されず、これは、欠陥の欠落及び不正確な検査結果をもたらし得る。したがって、本明細書に記載される実施形態の１つの新しい特徴は、それらが、光学検査ツールによって生成されるテスト画像からノイズを除去するための方法またはアルゴリズムを提供することであると考えられる。例えば、いくつかの現在使用されているアプローチは、テスト画像に類似する画像の線形結合を使用して基準画像を算出し、それによって、線形結合される画像のそれぞれよりも少ない雑音を有する基準画像を生成する。対照的に、本明細書に記載される実施形態は、非線形関係を学習することができる深層学習を使用する解決策を提案する。したがって、本明細書に記載の実施形態は、テスト画像と基準画像の両方についてより良好なノイズ除去画像を生成することができる。

そのような一実施形態では、基準は、テスト画像が生成された試料上の位置に対応する試料上の位置で撮像サブシステムによって生成された試料の追加画像である。例えば、多くの検査プロセスでは、テスト画像が、試料上の対応する位置で生成された別の画像と比較される。次いで、他方の画像は、ダイ間検査、セル間検査などの検査における基準画像として役立ち得る。試料から生成されない他の基準画像、例えばデータベースから生成された基準画像とは異なり、試料から生成された基準画像は、テスト画像と同じノイズ特性の多くを有し得るか、またはノイズ除去されない限り検出の問題を引き起こし得る充分なノイズを含み得る。このため、基準画像を生成するための多くの異なる方法が作成されている。しばしば、そのような現在使用されている基準画像作成は、試料上の同じ設計位置の複数のインスタンスで取得された画像を必要とする。基準画像作成のために複数の画像を必要とすることは、明らかに、画像取得のための時間の増加、基準を生成するための計算時間、基準記憶および再利用可能性の懸念、ならびに画像整合不正確さ、試料変動等のような事柄による基準画質の懸念等の問題を引き起こし得る。これらの現在使用されている方法とは異なり、本明細書に記載される実施形態は、有利には、テスト画像が生成された位置に対応する位置で取得された単一の画像のみから適切な基準画像を生成することができる。例えば、テスト画像が生成されたダイ、セルなどに隣接するダイ、セルなどからの画像を、本明細書に記載のＤＬモデルに入力することができ、このモデルは、適切にトレーニングされると、実質的にノイズのない基準画像を生成することができる。したがって、本明細書に記載の実施形態は、現在使用されている方法およびシステムよりもはるかに迅速かつ迅速に、検査および他の品質管理タイプのプロセスに適した基準画像を生成することが可能であり得る。加えて、本明細書で説明されるＤＬモデルは、その特性（線形、非線形等）にかかわらず、ありとあらゆるタイプの雑音を低減するようにトレーニングすることができるため、本明細書で説明される実施形態は、元の画像の雑音特性にかかわらず、有意に可能な限り雑音のない基準画像を生成することが可能であり得、それによって、基準画像生成のための現在使用されている方法およびシステムよりも潜在的により多くの柔軟性およびロバスト性を提供する。

コンピュータサブシステムは、ノイズ除去された画像から試料についての情報を決定するように構成される。決定された情報およびノイズ除去された画像が情報決定のために使用される方法は、試料に対して実行されているプロセスに応じて多様であり得る。情報を決定するステップは、コンピュータサブシステムによって実行される１つ以上の構成要素の一部であり得るか、またはそれらの構成要素とは別個であり得るアルゴリズムを使用してコンピュータサブシステムによって実行され得る。

別のそのような実施形態では、情報を決定するステップは、ノイズ除去されたテスト画像からノイズ除去された基準を減算し、それによって差分画像を生成するステップと、差分画像に基づいて試料上の欠陥を検出するステップとを含む。このようにして、欠陥検出は、対応するノイズ除去されたテスト画像及び基準画像から図３に示すように生成された差分画像に基づいて実行することができる。したがって、そのような欠陥検出は、テスト画像および基準画像がノイズ除去された後まで実行され得ない。したがって、この実施形態では、欠陥検出の前に、かつ欠陥についてまだ検査されていない画像に対して、ノイズ除去を実行することができる。ノイズ除去された画像に対して欠陥検出を実行することは、欠陥検出（ここで、ノイズ除去は、少なくとも１つの欠陥が検出された画像に対してのみ実行される）の後にノイズ除去が実行される場合よりも計算集約的であり得る。しかしながら、いくつかの方法では、ノイズ除去された画像を使用して検出された欠陥母集団は、事前ノイズ除去された画像を使用して検出されるであろう欠陥母集団よりもはるかに小さい場合があるため、その計算は相殺され得る。例えば、欠陥検出が、元の画像ではなくノイズ除去された画像に対して実行される場合、ニューサンスフィルタリングおよび属性抽出（両方とも、本明細書で説明されるように実行され得る）等の他のステップに入力される、検出された欠陥母集団は、はるかに小さく、それらのステップを計算集約的でなくし得る。

一般に、ノイズ除去された画像は、他の画像と同様に欠陥検出に使用することができる。言い換えれば、ノイズ除去された画像は、欠陥検出アルゴリズムまたは方法特有ではなく、ノイズ除去された画像を使用して欠陥を検出することは、当技術分野で知られている任意の適切な欠陥検出アルゴリズムまたは方法を使用して実行され得る。１つのそのような例では、欠陥検出は、上述のように差分画像を生成することと、差分画像に閾値を適用することとを含み得る。閾値を上回る値を有する差分画像内の任意のピクセルは、欠陥として識別されてもよく、全ての他のピクセルは、欠陥として識別されなくてもよい。もちろん、これは、欠陥検出を実行することができる最も単純な方法である可能性があり、本明細書では単に非限定的な例として含まれる。

したがって、いくつかの実施形態では、試料について決定された情報は、試料上で検出された欠陥に関する情報を含む。そのような場合、情報は、例えば、検出された欠陥のタイプ、試料画像、試料、撮像サブシステム、および試料の設計のうちの１つ以上に対する検出された欠陥の位置、ならびに欠陥検出方法またはアルゴリズムによって欠陥について生成された任意の他の情報を含むことができる。そのような情報は、本明細書でさらに説明されるように、コンピュータサブシステムによって出力および／または記憶されてもよい。さらなるそのような実施形態では、欠陥は、ノイズ除去の前にテスト画像において検出され、情報を決定することは、ノイズ除去されたテスト画像からノイズ除去された基準を減算し、それによって差分画像を生成することと、差分画像に基づいて欠陥についての情報を決定することとを含む。たとえば、ノイズ除去されていない画像に基づいて欠陥検出がすでに実行されている場合であっても、ノイズ除去されたテスト画像および基準画像は、図３に示すように生成され、差分画像を生成するために使用され得る。このノイズ除去された差分画像は、欠陥がニューサンス欠陥であるか実際の欠陥であるか、欠陥の１つ以上の属性などの欠陥についての情報を決定するために使用され、これは本明細書でさらに説明されているように実行される。このようにして、ノイズ除去されていない差分画像を欠陥検出に使用することができ、次いでノイズ除去された差分画像をフィルタリング、分類、属性抽出などの追加の欠陥機能に使用することができる。ノイズ除去された差分画像はまた、ノイズ除去された差分画像を使用して欠陥検出が実行されるときに、これらの方法で使用され得る。

別の実施形態では、試料について決定された情報は、画像またはノイズ除去された画像内で検出された欠陥の１つ以上の属性を含む。例えば、推定後（ノイズ除去）、所定の属性セットは、ノイズ除去されたテスト画像、基準画像、および差分画像のうちの少なくとも１つ（またはすべて）から計算され得る。現在の検査欠陥検出フローでは、トレーニング、推論、および属性計算の各々は、検出後、またはツールもしくは分析ステーション上でオフラインのいずれかで起こり得る。言い換えれば、ノイズ除去のためのＤＬモデルのトレーニング、ノイズ除去の実行、およびノイズ除去された画像のうちの少なくとも１つからの属性の計算は、それぞれ検出前または検出後およびツール上またはツール外で実行することができる。３つのステップはすべて、前述の順序で一緒にまたは別々に行うことができる。したがって、本明細書に記載される実施形態は、改善された信号対雑音比（ＳＮＲ）を有し得るノイズ除去された画像に対する属性を計算することができる。欠陥属性は、本明細書で説明されているノイズ除去画像のうちの１つ以上から決定することができる任意の適切な欠陥属性、たとえば、分類、サイズ、形状など（報告されている欠陥位置以外）、および／または設計データなどの試料の他の情報に対するその位置合わせを含むことができる。欠陥属性は、当技術分野で公知の任意の好適な方法またはアルゴリズムを使用して、コンピュータサブシステムによって判定されてもよい。これらの属性は、ロット結果に書き込むことができ、既存の属性に追加または上書きすることができる。

いくつかの実施形態では、欠陥は、画像またはノイズ除去画像内で検出され、試料についての情報を決定することは、ノイズ除去画像から欠陥の属性の第１の部分を決定することと、画像から欠陥の属性の第２の部分を決定することとを含む。言い換えれば、以下でさらに説明する図４に示すように、試料上で検出された任意の１つ以上の欠陥に対して実行される属性抽出または計算ステップは、任意の１つの欠陥に対して生成されたノイズ除去画像のいずれかを含み得るノイズ除去画像から決定された欠陥属性のすべてのうちの所定のサブセットのみを計算することができる。例えば、いくつかの欠陥属性は、ノイズに対して比較的鈍感であり得、これは、画像内に存在するノイズが、画像から決定されるそれらの欠陥属性の精度に悪影響を及ぼさないこと、または同じ画像の異なるインスタンスに対して実行されるが、異なるノイズ特性を有する属性計算が、同じ属性結果をもたらすことを意味する。しかしながら、他の欠陥属性は、ノイズに対してより敏感であり得、これは、それらの欠陥属性の決定が、画像内のノイズの差とともに変化することを意味する。したがって、欠陥属性がノイズに対してどれだけ敏感であるかに応じて、コンピュータサブシステムまたはユーザは、その欠陥属性を決定するために、ノイズ除去された画像またはノイズ除去されていない画像を選択することができる。したがって、本明細書でさらに説明されるノイズ除去された画像からの欠陥属性抽出のための提案されるフローは、元の画像を使用して実行される検出後の属性抽出の現在のフローと並行して実行され得る。

図４は、属性計算のために実行され得るステップの一実施形態を示す。このフローでは、ノイズ除去されたテスト画像４００、ノイズ除去された基準画像４０２、及びノイズ除去された差分画像４０４（これらは全て本明細書に記載されるように生成され得る）は、属性抽出ステップ４０６に入力され得、ここで全ての可能性のある欠陥属性の所定のサブセットのみが計算される。欠陥属性の所定のサブセットは、画像ノイズの影響を受け得る属性のみを含むことができる。他の欠陥属性は、通常、ノイズ除去されていない画像から計算することができる。このステップの結果は、ノイズ除去されたバックグラウンド属性４０８及びノイズ除去された信号属性４１０を含むことができ、これらは、ノイズ除去された画像から決定することができる現在使用されている検査プロセスにおいて決定されるもののいずれかを含む、関心のある任意のバックグラウンド又は信号属性とすることができる。

なお、図４では、試料上で検出されたいずれか１つの欠陥について、ノイズ除去されたテスト画像、基準画像、差分画像を属性抽出ステップに入力するようにしたが、これらの画像を全て入力する必要はない。例えば、ノイズ除去されたテスト画像のみ、またはノイズ除去された差分画像のみが属性抽出ステップに入力されてもよい。他の例では、特に属性抽出ステップが複数の欠陥属性を決定することを含み、各属性決定が異なる入力画像を必要とし得る場合、利用可能な画像のすべてを図４に示す属性抽出ステップに入力することが最も便利であり得る。

他の実施形態では、試料の情報を決定するステップは、画像内で検出された欠陥がニューサンスであるかどうかを決定するステップを含む。画像内で検出された欠陥がニューサンスであるかどうかの判定は、判定された属性および／または本明細書で説明されるように生成されたノイズ除去された画像のいずれかを使用して実行され得る。例えば、ノイズ除去された画像のいずれかから（おそらくは元の画像から決定された属性と組み合わせて）本明細書で説明されるように決定された属性は、任意の他の欠陥属性と同じ方法でニューサンスイベントフィルタ（ＮＥＦ）に入力され得る。このようにして、本明細書で説明されるように決定された属性のいずれも、任意の現在使用されているＮＥＦとともに使用され得る。本発明者らによって実施された予備的研究は、本明細書に記載されるように判定された属性を使用してニューサンスフィルタリングが実行されるとき、本明細書に記載されるようにノイズ除去されていない画像のみから判定された属性と比較して、改善されたニューサンス抑制を示した。加えて、予備データは、本明細書に記載される実施形態が既存のアルゴリズムよりもニューサンス抑制において良好であることを示す。

一般に、情報を決定するステップは、試料の１つ以上の検査様の結果を生成するステップを含むことができる。したがって、本質的に、情報を決定するステップは、各々が異なるタイプの情報のための複数の出力チャネルを有し得る。次いで、複数のチャネルからの出力を組み合わせて、試料の単一の検査結果ファイル（例えば、いくつかのＫＬＡ検査ツールによって生成されたＫＬＡＲＦファイル）とすることができる。このように、試料上の任意の１つの位置について、検査結果ファイル内に複数のタイプの情報が存在し得る。
図２～図４は、検査アプリケーションのために実行され得るステップを説明し示しているが、これらの同じステップは、メトロロジーおよび欠陥レビューのような本明細書で説明される他のアプリケーションのために同様に実行され得る。そのような事例では、入力画像は、図２～４に示されるものとは異なる場合があり、計測または欠陥レビューツールに含まれるもの等の別の撮像サブシステムによって生成される好適な画像と置換され得る。さらに、ノイズ除去された画像から決定された情報は、異なる場合があり、試料に対して実行されているプロセスに応じて異なる場合がある。例えば、図４に示すように欠陥属性を決定する代わりに、コンピュータサブシステムは、ノイズ除去されたテスト画像から計測（パターン構造属性計算など）又は計測（パターン構造識別など）を実行するために使用されるステップを実行するように構成されてもよい。

概して、計測および欠陥レビューツールは、検査ツールによって生成される画像よりもはるかにノイズが少ない画像を生成するが、計測および欠陥レビュープロセスが、例えば、ツール内の予期しない試料変動またはドリフトに起因して、通常よりもノイズが多い画像を生成する事例があり得る。このように、本明細書で説明されるノイズ除去は、そのようなプロセスに共通して使用され得ないが、画像を予想よりもノイズが多い場合にバックアップ方法として使用することができ、さらには、例えば、その後にノイズ除去された画像の検査を介して、画像が通常よりもノイズが多い理由の理解を容易にすることができる。

検査プロセスとは異なり、欠陥レビュープロセスは、一般に、欠陥が検出された試料上の離散位置を再訪する。欠陥レビュー用に構成された撮像サブシステムは、本明細書で説明するように試料画像を生成することができ、試料画像は、ノイズ除去のために本明細書で説明するＤＬモデルに入力することができる。ＤＬモデルは、本明細書でさらに説明されるように、画像ノイズ除去のためにトレーニングおよび構成され得る。欠陥レビュー用途では、コンピュータサブシステムはまた、任意の適切な欠陥レビューツール上で使用される任意の適切な欠陥レビュー方法またはアルゴリズムを使用して、場合によっては欠陥レビュープロセスによってまたはノイズ除去された画像から決定された任意の他の情報と組み合わせて、ノイズ除去された画像から欠陥または試料についての情報を決定するように構成されてもよい。さまざまな入力および出力は、検査と比較して欠陥レビューユースケースについて異なり得るが、同じＤＬモデルが、欠陥レビューおよび検査の両方に使用され得る（アプリケーションに適切なトレーニングの後）。ＤＬモデルは、そうでなければ、上述のようにトレーニングおよび構成され得る。

上述のように、いくつかの実施形態では、撮像サブシステムは、試料の計測用に構成することができる。そのような一実施形態では、情報を決定するステップは、入力画像内の試料構造の１つ以上の特性を決定するステップを含む。例えば、本明細書で説明するＤＬモデルは、計測ツールによって生成された試料の画像をノイズ除去するように構成することができ、次いでこれを使用して試料の計測情報を決定することができる。計測情報は、対象の任意の計測情報を含むことができ、これは試料上の構造に応じて異なり得る。そのような計測情報の例は、限定はしないが、線幅などの限界寸法（ＣＤ）および試料構造の他の寸法を含む。試料画像は、任意の計測ツールによって生成された任意の画像を含むことができ、任意の画像は、本明細書で説明されているような構成、または当技術分野で知られている他の適切な構成を有することができる。このようにして、本明細書で説明する実施形態は、有利には、試料画像に含まれる試料および任意の１つ以上の試料構造に関する計測情報を予測するために、計測ツールによって生成され、本明細書で説明するようにノイズ除去された試料画像を使用することができる。計測用途の場合、コンピュータサブシステムはまた、任意の適切な計測ツール上で使用される任意の適切な計測方法またはアルゴリズムを使用して、ノイズ除去された画像から、場合によっては計測プロセスによってまたはノイズ除去された画像から決定された任意の他の情報と組み合わせて、試料についての情報を決定するように構成されてもよい。さまざまな入力および出力は、検査と比較してメトロロジーユースケースについて異なり得るが、同じＤＬモデルが、メトロロジーおよび検査の両方に使用され得る（アプリケーションに適切なトレーニングの後）。ＤＬモデルは、そうでなければ、上述のようにトレーニングおよび構成され得る。

コンピュータサブシステムはまた、決定された情報を含む結果を生成するように構成されてもよく、これは、本明細書で説明される結果または情報のいずれかを含んでもよい。情報を決定する結果は、任意の適切な方法でコンピュータサブシステムによって生成されてもよい。本明細書で説明する実施形態のすべては、実施形態の１つ以上のステップの結果をコンピュータ可読記憶媒体に記憶するように構成され得る。結果は、本明細書で説明される結果のいずれかを含んでもよく、当技術分野で公知の任意の様式で記憶されてもよい。決定された情報を含む結果は、標準ファイルタイプなどの任意の適切な形式またはフォーマットを有し得る。記憶媒体は、本明細書で説明する任意の記憶媒体または当技術分野で知られている任意の他の好適な記憶媒体を含み得る。

結果が記憶された後、結果は、記憶媒体にアクセスされ、本明細書に説明される方法またはシステム実施形態のうちのいずれかによって使用され、ユーザへの表示のためにフォーマットされ、試料または同じ種類の別の試料のための１つ以上の機能を行うように、別のソフトウェアモジュール、方法、またはシステム等によって使用されることができる。例えば、コンピュータサブシステムによって生成された結果は、検出された欠陥の境界ボックスの位置などの試料上で検出された任意の欠陥についての情報、検出スコア、クラスラベルまたはＩＤなどの欠陥分類についての情報、画像のいずれかから決定された任意の欠陥属性など、予測された試料構造測定値、寸法、形状などを含むことができる。その他、または当技術分野で公知の任意のそのような好適な情報。この情報は、欠陥レビューまたは他の分析のために欠陥をサンプリングすること、欠陥の根本原因を突き止めることなど、試料および／または検出された欠陥に関する追加の機能を実行するためのコンピュータサブシステムまたは別のシステムもしくは方法によって使用することができる。

そのような機能には、それだけに限らないが、フィードバックまたはフィードフォワード方式で試料に対して実行されたかまたは実行されることになる製造プロセスまたはステップなどのプロセスを変更することなども含まれる。例えば、コンピュータサブシステムは、決定された情報に基づいて試料に対して実行されたプロセスおよび／または試料に対して実行されるプロセスに対する１つ以上の変更を決定するように構成されている。プロセスに対する変更は、プロセスの１つ以上のパラメータに対する任意の好適な変更を含んでもよい。１つのそのような例では、コンピュータサブシステムは、好ましくは、修正されたプロセスが実行される他の試料上で欠陥を低減または防止することができるように、試料上で実行される別のプロセスにおいて試料上で欠陥を修正または排除することができるように、試料上で実行される別のプロセスにおいて欠陥を補償することができるようになど、それらの変化を決定する。コンピュータサブシステムは、当技術分野で知られている任意の適切な方法でそのような変化を決定することができる。

次いで、これらの変更は、半導体製造システム（図示せず）またはコンピュータサブシステムおよび半導体製造システムの両方にアクセス可能な記憶媒体（図示せず）に送信することができる。半導体製造システムは、本明細書に記載のシステムの実施形態の一部であってもなくてもよい。例えば、本明細書で説明される撮像サブシステムおよび／またはコンピュータサブシステムは、例えば、筐体、電源、試料取扱いデバイスまたは機構等の１つ以上の共通要素を介して、半導体製造システムに連結されてもよい。半導体製造システムは、リソグラフィツール、エッチングツール、化学機械研磨（ＣＭＰ）ツール、堆積ツールなど、当技術分野で知られている任意の半導体製造システムを含むことができる。
上記のシステムの各々の実施形態の各々は、１つの単一の実施形態に一緒に組み合わせることができる。

別の実施形態は、試料についての情報を決定するためのコンピュータ実装方法に関する。この方法は、撮像サブシステムによって生成された試料の画像を、ノイズ除去を実行するように構成されたＤＬモデルに入力することによってノイズ除去することを含む。ＤＬモデルは、コンピュータサブシステムによって実行される１つ以上の構成要素に含まれる。この方法は、ノイズ除去された画像から試料についての情報を決定することも含む。入力ステップおよび決定ステップは、コンピュータサブシステムによって実行される。本方法のステップの各々は、本明細書にさらに記載されるように実行され得る。本方法はまた、本明細書に説明されるシステム、コンピュータサブシステム、構成要素、および／またはＤＬモデルによって行われることができる、任意の他のステップを含んでもよい。コンピュータサブシステムは、本明細書に記載の実施形態のいずれかに従って構成されてよく、例えば、コンピュータサブシステム３６である。１つ以上の構成要素およびＤＬモデルはまた、本明細書で説明する実施形態のいずれかに従って構成され得る。本方法は、本明細書に説明されるシステム実施形態のうちのいずれかによって行われてもよい。

さらなる実施形態は、試料についての情報を決定するためのコンピュータ実装方法を実行するためのコンピュータシステム上で実行可能なプログラム命令を記憶する非一時的なコンピュータ可読媒体に関する。そのような一実施形態を図５に示す。特に、図５に示すように、非一時的コンピュータ可読媒体５００は、コンピュータシステム５０４上で実行可能なプログラム命令５０２を含む。コンピュータ実装方法は、本明細書で説明される任意の方法の任意のステップを含んでもよい。

本明細書に説明されるもの等の方法を実装するプログラム命令５０２は、コンピュータ可読媒体５００上に記憶されてもよい。コンピュータ可読媒体は、磁気もしくは光ディスク、磁気テープ、または当技術分野で知られている任意の他の好適な非一時的コンピュータ可読媒体などの記憶媒体であり得る。

プログラム命令は、とりわけ、プロシージャベースの技法、構成要素ベースの技法、および／またはオブジェクト指向技法を含む、様々な方法のいずれかで実装され得る。例えば、プログラム命令は、所望に応じて、ＡｃｔｉｖｅＸ制御、Ｃ オブジェクト、ＪａｖａＢｅａｎｓ、Ｍｉｃｒｏｓｏｆｔ Ｆｏｕｎｄａｔｉｏｎ Ｃｌａｓｓｅｓ（「ＭＦＣ」）、ＳＳＥ（Ｓｔｒｅａｍｉｎｇ ＳＩＭＤ Ｅｘｔｅｎｓｉｏｎ）、または他の技術もしくは方法論を使用して実装されてもよい。

コンピュータシステム５０４は、本明細書に記載される実施形態のいずれかに従って構成され得る。本発明のさまざまな態様のさらなる修正および代替実施形態は、この説明を考慮すれば当業者には明らかであろう。例えば、試料についての情報を決定するための方法およびシステムが提供される。したがって、この説明は、単なる例示として解釈されるべきであり、本発明を実施する一般的な方法を当業者に教示する目的のためである。本明細書に示され、記載される本発明の形態は、現在好ましい実施形態として解釈されるべきであることを理解されたい。要素および材料は、本明細書に図示および説明されるものと置換されてもよく、部品およびプロセスは、逆にされてもよく、本発明のある特徴は、独立して利用されてもよく、全て、本発明の本説明の利益を有する後に、当業者に明白となるであろう。以下の特許請求の範囲に記載される本発明の精神および範囲から逸脱することなく、本明細書に記載される要素に変更が行われ得る。

Claims (20)

1. 試料についての情報を決定するように構成されたシステムであって、
   コンピュータサブシステムと、
   前記コンピュータサブシステムによって実行される１つ以上の構成要素と、
   を備え、
   前記１つ以上の構成要素は、撮像サブシステムによって生成された試料の画像をノイズ除去するように構成された深層学習モデルを備え、
   前記コンピュータサブシステムは、前記ノイズ除去された画像から前記試料についての情報を決定するように構成される、
   システム。
2. 前記深層学習モデルは、畳み込みニューラルネットワークとしてさらに構成されることを特徴とする請求項１に記載のシステム。
3. 前記画像は、前記ノイズ除去の前に欠陥が検出されたテスト画像であることを特徴とする請求項１に記載のシステム。
4. 前記欠陥は、前記試料のホットスキャンによって検出したことを特徴とする請求項３に記載のシステム。
5. 前記ノイズ除去は、前記画像を用いて行われる欠陥検出の前に行われることを特徴とする請求項１に記載のシステム。
6. 前記画像は、前記試料のテスト画像であり、前記深層学習モデルはさらに、前記テスト画像に対応する基準をノイズ除去するように構成されることを特徴とする請求項１に記載のシステム。
7. 前記基準は、前記テスト画像が生成された前記試料上の位置に対応する試料上の位置で前記撮像サブシステムによって生成された前記試料の追加画像であることを特徴とする請求項６に記載のシステム。
8. 前記情報を決定することは、前記ノイズ除去された前記テスト画像からノイズ除去された前記基準を減算し、それによって差分画像を生成することと、前記差分画像に基づいて前記試料上の欠陥を検出することを含むことを特徴とする請求項６に記載のシステム。
9. 前記欠陥は、前記ノイズ除去の前に前記テスト画像において検出され、前記情報を決定することは、前記ノイズ除去された前記テスト画像からノイズ除去された前記基準を減算し、それによって差分画像を生成することと、前記差分画像に基づいて前記欠陥についての情報を決定することを含むことを特徴とする請求項６に記載のシステム。
10. 前記コンピュータサブシステムは、前記撮像サブシステムによって生成された前記試料の前記テスト画像に基づいて前記試料上の欠陥を検出し、前記テスト画像を深層学習モデルに入力してノイズ除去を行うようにさらに構成され、前記コンピュータサブシステムによって前記深層学習モデルに入力される前記テスト画像は、欠陥の１つ以上が検出されたテスト画像のみを含むことを特徴とする請求項１に記載のシステム。
11. 前記試料について決定された情報は、画像またはノイズ除去された画像において検出された欠陥の１つ以上の属性を含むことを特徴とする請求項１に記載のシステム。
12. 前記欠陥は、画像またはノイズ除去された画像において検出され、前記試料についての情報を決定することは、前記ノイズ除去された画像から欠陥の属性の第１の部分を決定することと、前記画像から欠陥の属性の第２の部分を決定することを含むことを特徴とする請求項１に記載のシステム。
13. 前記試料についての情報を決定することは、画像内で検出された欠陥がニューサンスであるかどうかを決定することを含むことを特徴とする請求項１に記載のシステム。
14. 前記コンピュータサブシステムは、同じ画像の複数のノイズの多い実現および平均損失関数を含むトレーニングセットを用いて前記深層学習モデルをトレーニングするようにさらに構成されることを特徴とする請求項１に記載のシステム。
15. 前記同じ画像の複数のノイズの多い実現は、追加の試料に対して生成され、前記試料および前記追加の試料は、その上に形成された異なる層を有することを特徴とする請求項１４に記載のシステム。
16. 前記撮像サブシステムは、光ベースの撮像サブシステムであることを特徴とする請求項１に記載のシステム。
17. 前記撮像サブシステムは、電子ベースの撮像サブシステムであることを特徴とする請求項１に記載のシステム。
18. 前記試料はウェハであることを特徴とする請求項１に記載のシステム。
19. 試料についての情報を決定するためのコンピュータに実装される方法を実行するためのコンピュータシステム上で実行可能なプログラム命令を記憶する、コンピュータ可読媒体であって、前記コンピュータに実装される方法は、
    撮像サブシステムによって生成された試料の画像を、ノイズ除去を実行するように構成された深層学習モデルに入力することによってノイズ除去するステップであって、前記深層学習モデルは、前記コンピュータシステムによって実行される１つ以上の構成要素に含まれる、ステップと、
    前記ノイズ除去された画像から試料についての情報を決定するステップ
    を含む、コンピュータ可読媒体。
20. 試料についての情報を決定するためのコンピュータに実装される方法であって、
    撮像サブシステムによって生成された試料の画像を、ノイズ除去を実行するように構成された深層学習モデルに入力することによってノイズ除去するステップであって、前記深層学習モデルは、コンピュータサブシステムによって実行される１つ以上の構成要素に含まれる、ステップと、
    前記試料についての情報をノイズ除去画像から決定し、前記入力および前記決定は前記コンピュータサブシステムによって実行されるステップと
    を含む方法。