JP6901565B2 - 画像融合のための畳込みニューラルネットワークベースのモード選択および欠陥分類 - Google Patents

画像融合のための畳込みニューラルネットワークベースのモード選択および欠陥分類 Download PDF

Info

Publication number
JP6901565B2
JP6901565B2 JP2019535212A JP2019535212A JP6901565B2 JP 6901565 B2 JP6901565 B2 JP 6901565B2 JP 2019535212 A JP2019535212 A JP 2019535212A JP 2019535212 A JP2019535212 A JP 2019535212A JP 6901565 B2 JP6901565 B2 JP 6901565B2
Authority
JP
Japan
Prior art keywords
image
scan
cnn
primary
mode
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.)
Active
Application number
JP2019535212A
Other languages
English (en)
Other versions
JP2019530117A (ja
Inventor
ビョルン ブラウアー
ビョルン ブラウアー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KLA Corp
Original Assignee
KLA Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KLA Corp filed Critical KLA Corp
Publication of JP2019530117A publication Critical patent/JP2019530117A/ja
Application granted granted Critical
Publication of JP6901565B2 publication Critical patent/JP6901565B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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
    • G06T7/001—Industrial image inspection using an image reference 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Description

本開示は欠陥検出に関する。
本出願は、２０１６年９月１４日に出願した、現在係属中の米国仮出願第６２／３９４，７４４号の優先権を主張するものであり、同仮出願の開示を本出願に引用して援用する。
論理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、多数の半導体製造プロセスを用いて、半導体ウエハなどの基板を処理して、半導体デバイスの様々な特徴および多重レベルを形成することを含む。例えば、リソグラフィは、レチクルから半導体ウエ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伴う半導体製造プロセスである。半導体製造プロセスの追加例としては、化学機械研磨（ＣＭＰ）、エッチング、成膜およびイオン注入を含むが、これらに限定されない。多数の半導体デバイスが、単一の半導体ウエハ上に配列して製造され、次いで個々の半導体デバイスに切り離されてもよい。
ウエハ上の欠陥を検出して、製造プロセスにおけるより高い歩留り、したがってより高い利益を促進するために、半導体製造プロセス中の様々なステップで検査プロセスが使用される。検査は、常にＩＣなどの半導体デバイスを製造することの重要な一部であった。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、より小さな欠陥によりデバイスが故障する可能性があるので、許容半導体デバイスの製造成功にとって検査がより一層重要になる。例えば、半導体デバイスの寸法が減少するにつれて、比較的小さな欠陥さえ半導体デバイスの不要な異常を引き起こす場合があるので、ますます減少するサイズの欠陥の検出が必要になった。
しかしながら、設計ルールが縮小するにつれて、半導体製造プロセスは、プロセスの性能可能性の限界のより近くで動作している場合がある。加えて、設計ルールが縮小するにつれて、より小さな欠陥がデバイスの電気的パラメータに影響を有する可能性があり、これがより感度の高い検査を推進する。したがって、設計ルールが縮小するにつれて、検査によって検出される潜在的に歩留り関連の欠陥の母集団が劇的に拡大し、そして検査によって検出されるニューサンス欠陥の母集団も劇的に増加する。したがって、ますます多くの欠陥がウエハ上に検出される場合があり、そしてプロセスを修正して欠陥の全てを排除することは困難かつ高価である場合がある。そのため、欠陥のいずれがデバイスの電気的パラメータおよび歩留りに実際に影響を有するかを判定することにより、プロセス制御方法がそれらの欠陥に集中される一方、他を大部分は無視するのを可能にすることができる。さらには、より小さな設計ルールでは、プロセス誘発故障が、場合により、系統的である傾向がある。すなわち、プロセス誘発故障は、しばしば設計内で何度も繰り返される所定の設計パターンで故障する傾向がある。空間的に系統的な電気関連の欠陥を排除することが歩留りに有意な全体的影響を有する可能性があるので、そのような欠陥の排除が重要である。上記した検査、レビューおよび解析プロセスは電気的設計に関する欠陥の位置を判定することができない場合があるので、欠陥がデバイスパラメータおよび歩留りに影響を及ぼすことになるか否かは、しばしばこれらのプロセスからは判定されることができない。
欠陥を検出する１つの方法は、コンピュータビジョンを使用することである。コンピュータビジョンでは、画像融合は、２つ以上の画像からの関連情報を単一の画像に結合するプロセスである。結果としての画像は、入力画像のいずれより情報量が多いはずである。画像融合では、２つ以上の異なる光学モードを使用して関心欠陥とニューサンス（すなわち、ノイズ）との間を区別してもよい。
米国特許出願公開第２０１１／０２７６９３５号
画像融合のための正しいモード対を見つけることは、非常に複雑でかつ時間を浪費する。先行技術の方法は専ら属性ベースであり、例えばエネルギーまたは振幅に依存している。
試験により、単純な属性ベースの画像融合がうまく機能していないことが明らかになる。１つの特定の誤差源は、画像相関を適切に行うために２つのモードの画像が互いに完全に位置合わせされなければならないということである。
本開示の一実施形態は、欠陥を分類するための方法として記載されることができる。本方法は、一次走査モードを特定することを含む。一次走査モードは、プロセッサを用いて特定されてもよい。一次走査モードは、ホット走査を実行して欠陥を検出することによって特定されてもよい。
本方法は、特定した一次走査モードを用いて第１のホット走査を行うことをさらに含む。第１のホット走査は、画像データ取得サブシステムを用いて行われてもよい。本方法は、第１のホット走査における複数の関心欠陥およびニューサンスデータを選択することをさらに含む。１つ以上の追加走査が、１つ以上の二次走査モードを用いて行われてもよい。１つ以上の二次走査モードは、焦点オフセット、開口、スペクトルおよび／もしくは偏光またはそれらの任意の組合せに基づいて一次走査モードから逸脱してもよい。各追加走査は、異なる二次走査モードを使用してもよい。
本方法は、プロセッサが１つ以上の画像集合を収集することをさらに含む。各画像集合は、一次走査モード画像および１つ以上の二次走査モード画像を含む。一次走査モード画像および１つ以上の二次走査モード画像は、選択された関心欠陥またはニューサンスデータに対応する。
一実施形態において、ＣＮＮへの入力は、選択された関心欠陥およびニューサンスデータごとに６つの画像である。画像は、サイズが３２×３２画素であってもよい。６つの画像は、一次走査モードに対する試験画像、基準画像および差分画像、ならびに二次走査モードのうちの１つに対する試験画像、基準画像および差分画像を含んでもよい。入力画像は、１つ以上の正規化線形ユニット層を通して処理されてもよい。正規化線形ユニット層は、１つ以上のフィルタを活用してもよい。１つ以上のプーリング層が活用されてもよい。最終結果は、全結合層であってもよい。
本方法は、各収集した画像集合を第１の画像部分集合および第２の画像部分集合に分割することをさらに含む。プロセッサは、各対の一次走査モードおよび二次走査モードに対して畳込みニューラルネットワーク（ＣＮＮ）を訓練する。訓練は、第１の画像部分集合を用いて行われる。一実施形態において、ＣＮＮを訓練することは、転移学習を使用して各ＣＮＮのためのハイパーパラメータを作成することを含む。
本方法は、各ＣＮＮを対応する第２の画像部分集合に適用することによって、理想二次走査モードを判定することをさらに含む。各ＣＮＮは、複数の関心欠陥とニューサンスデータとの間の分離に基づいて評価されてもよい。画像データ取得サブシステムおよび理想二次走査モードを用いて、最終ホット走査が行われる。
本方法は、理想二次走査モードに対応するＣＮＮを使用することによって最終ホット走査からの欠陥を分類して、最終ホット走査におけるニューサンスデータを除去することをさらに含む。
本開示の別の実施形態は、欠陥を分類するためのシステムとして記載されることができる。本システムは、画像データ取得サブシステムと、画像データ取得サブシステムと電子通信するプロセッサとを備えてもよい。プロセッサは、一次走査モードを特定することと；特定した一次走査モードを用いて第１のホット走査を返すように画像データ取得サブシステムに命令することと；返された第１のホット走査における複数の関心欠陥およびニューサンスデータを特定することと；１つ以上の二次走査モードを用いて１つ以上の走査を返すように画像データ取得サブシステムに命令することと；１つ以上の画像集合を収集することであって、各々の画像集合が、選択された関心欠陥またはニューサンスデータに対応する一次走査モード画像および１つ以上の二次走査モード画像を含む、収集することと；各収集した画像集合を第１の画像部分集合および第２の画像部分集合に分割することと；各対の一次走査モードおよび二次走査モードに対して、対応する第１の画像部分集合で畳込みニューラルネットワーク（ＣＮＮ）を訓練することと；各ＣＮＮを対応する第２の画像部分集合に適用することによって理想二次走査モードを判定することと；理想二次走査モードを用いて最終ホット走査を返すように画像データ取得サブシステムに命令することと；理想二次走査モードに対応するＣＮＮを使用することによって最終ホット走査からの欠陥を分類して、最終ホット走査におけるニューサンスデータを除去することとを行うように構成される。
一実施形態において、本システムは、プロセッサおよび画像データ取得サブシステムと電子通信するデータベースをさらに備えてもよい。データベースは、最終ホット走査からの分類された欠陥を記憶するように構成されてもよい。データベースは、１つ以上のＣＮＮを記憶するようにも構成されてもよい。
本開示の本質および目的のより完全な理解のために、添付図面と併せて以下の詳細な説明が参照されるべきである。
本開示の一実施形態を例示するフローチャートである。 本開示の一実施形態と併せて使用されるシステムのシステム図である。 本開示のコンピュータ実装方法を行う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した非一時的コンピュータ可読媒体を示す図である。 １つの可能な畳込みニューラルネットワーク（ＣＮＮ）構造を例示する図である。
特許請求される主題が或る実施形態の観点から記載されることになるが、本明細書に定められる利点および特徴の全てを提供するわけではない実施形態を含め、他の実施形態も本開示の範囲内である。様々な構造、論理、プロセスステップおよび電子変化が、本開示の範囲から逸脱することなくなされてもよい。したがって、本開示の範囲は、添付の請求項を参照することでのみ定められる。
本明細書で使用される場合、用語「ウエハ」は概して、半導体または非半導体材料から形成される基板を指す。そのような半導体または非半導体材料の例としては、単結晶シリコン、ヒ化ガリウムおよびリン化インジウムを含むが、これらに限定されない。そのような基板は、半導体製造施設で一般に見られるおよび／または処理されることができる。
ウエハは、基板上に形成される１つ以上の層を含んでもよい。例えば、そのような層としては、レジスト、誘電材料および導電材料を含んでもよいが、これらに限定されない。多くの異なる種類のそのような層が当該技術で知られており、本明細書で使用される用語ウエハは、全ての種類のそのような層を含むウエハを包含すると意図される。
ウエハ上に形成される１つ以上の層は、パターン化されていても、またはパターン化されていなくてもよい。例えば、ウエハは複数のダイを含んでもよく、各々が繰り返し可能なパターン化された特徴を有する。そのような材料の層の形成および処理は、最終的に完成されたデバイスになることができる。集積回路（ＩＣ）などの多くの異なる種類のデバイスがウエハ上に形成されてもよく、本明細書で使用される用語ウエハは、当該技術で知られている任意の種類のデバイスがその上に製造されているウエハを包含すると意図される。本明細書で使用される場合、用語「チップ」は、特定の目的のために設計されたＩＣの集まりを含んでもよい。
実施形態がウエハに関して本明細書に記載されるが、実施形態が、マスクまたはフォトマスクとも一般に称されてもよいレチクルなどの別の実例のために使用されてもよいことが理解されるはずである。多くの異なる種類のレチクルが当該技術で知られており、本明細書で使用される用語「レチクル」、「マスク」および「フォトマスク」は、当該技術で知られている全ての種類のレチクルを包含すると意図される。
ウエハ上の欠陥を検出することは、１つ以上の光学モードおよび１つ以上の欠陥検出アルゴリズムを用いてウエハ上でホット走査を行うことを含め、１つ以上の光学モードを使用することを伴ってもよい。「ホット走査」は概して、比較的積極的な検出設定（例えば、ノイズフロアに相当近い閾値）を適用することによってウエハ上の欠陥を検出するために行われるウエハの走査／検査を指す。このように、ホット走査は、調整プロセス（光学部品選択およびアルゴリズム調整）のために使用されることになるウエハについての検査データを収集するために行われてもよい。ホット走査の目的は、選択されたモードでウエハ上の全ての欠陥およびニューサンス種類の代表試料を検出することである。
本明細書に記載される実施形態は、多重ホット走査、例えば、光学部品選択のための１つのホット走査およびパラメータ調整のための別の１つを含んでもよい。パラメータ選択のために行われるホット走査は、ウエハ検査のために選択された光学モードを用いて行われてもよい。光学モードを選択することは、全体採点を伴う光学部品選択を含んでもよく、この採点は、モードまたは光学モードの組合せが、欠陥の所定の集合に対してニューサンスを抑制しつつＤＯＩを見つけることがどれくらい「上手」であるかを指示する単一の数字を自動的に計算する。これは、多くのモードにわたって欠陥ごとに信号対ノイズ比を手動で比較する作業を省き、かつ光学部品選択時間を有意に削減する。
本明細書に記載される実施形態は、記憶媒体のアレイに記憶された画像データおよびウエハのための少なくとも１つの追加データ源を用いてウエハの画像を生成するように構成されるプロセッサノードの集合を活用してもよい。このように、プロセッサノードの集合は、多チャネル画像融合を行うように構成されてもよい。ウエハのための追加データ源は、画像融合の時点で利用可能である任意の情報を含んでもよい。そのようなデータ源としては、設計データ、設計レイアウトを用いてオフラインで生成されるダイコンテキストマップ、画像からオフラインで生成されるダイコンテキストマップ、欠陥検出結果、検査システムの異なる検出チャネルによって生成される画像データを用いて生成される欠陥検出結果、ウエハの多重（異なる）走査（例えば、検査システムの異なる撮像モードを用いて行われる多重走査）によって生成される画像データ、ウエハにパターンを印刷するために使用されるレチクルについての情報、などを含んでもよいが、これらに限定されない。
画像融合は、多重データ源を単に重ね合わせることを含まなくてもよい（但しそのような重合わせも本明細書に記載される実施形態によって行われてもよい）。代わりに、画像融合は、多重データ源を結合して合成画像を生成することを含んでもよい。画像融合はまた、引用して援用する、２００９年１月２６日出願のチェン（Ｃｈｅｎ）他による同一所有者による米国特許出願第１２／３５９，４７６号であり、２０１０年７月２９日に公開された米国特許出願公開第２０１０／０１８８６５７号に記載されているように行われてもよい。さらには、プロセッサノードの集合は、画像融合によって生成される画像を用いて欠陥を検出するように構成されてもよい。
本開示の実施形態は、畳込みニューラルネットワークを使用して画像融合のための最良のモード対を見つける。一実施形態において、本開示は、正確な位置合わせのために複合方法を活用する。例えば、レンダリングされた設計クリップに光学パッチ画像を位置合わせすることによって、或る光学パッチ画像が設計空間においてどこに位置するかを本開示の実施形態が非常に高精度に予測するのを可能にする。ワイヤフレーム設計を濃度画像にレンダリングするには多くの方法がある。レンダリング技術は、検査ツールの様々な光学要素および財政上のウエハ性質を考慮した光学シミュレーションプロセスに設計フレームを通すことを伴ってもよい。光学要素としては、対物レンズの開口数、検査のために使用される光の波長、照明の光学的開口、および集光路を含んでもよい。他の光学要素が使用されてもよい。現在および以前の設計層のために使用される材料、プロセス層厚、および現在または以前の層からの設計などのウエハ性質が使用されてもよい。そのような情報により、シミュレーションシステムは、複素微分方程式を解いて数値閉形式解を達成し、設計をレンダリングして濃度画像を得る。本開示の実施形態は、ＣＮＮを使用して、画像融合ホット走査からの欠陥を分類し、かつノイズまたは他のニューサンスデータを除去してもよい。
加えて、最良の画像融合モードをそれらの属性に基づいて見つけるために、従来の機械学習手法（教師あり学習など）が使用されることができる。一次モードによって見つけられた欠陥の属性を生成するために、画像融合における二次モードが使用されてもよい。どの属性が関心欠陥およびノイズまたは他のニューサンスデータを最良に分離するかを見つけるために、二次モードおよび一次モードで機械学習技術が使用されてもよい。
本開示の実施形態は、より良好なモード選択を達成し、そして関心欠陥とノイズまたは他のニューサンスデータとの間の分離を改善してもよい。本開示の実施形態は、一部の派生属性だけでなく、走査および差分画像における全ての情報を使用して、画像融合のための最良のモード対を求めてもよい。加えて、ＣＮＮは、実行時の間、欠陥分類のために使用されてもよい。
本開示は、欠陥、例えばウエハ上の欠陥を分類するための方法１００として記載されることができる。方法１００を例示するフローチャートが図１に認められることができる。方法１００は、プロセッサを用いて、一次走査モードを特定すること（１０１）を含んでもよい。本明細書で使用される場合、プロセッサは、単一の処理ユニットまたは共にネットワーク化された複数の処理ユニットであってもよい。いくつかの実施形態において、プロセッサは、１つ以上の物理的位置に設けられてもよい。他の実施形態において、１つ以上のクラウドベースのプロセッサが使用されてもよい。
一次走査モードは、画像データ取得サブシステムによって使用されるパラメータを指してもよい。一次走査モードは、例えば、特定のウエハまたは製造プロセスに対して事前に決定されてもよい。いくつかの実施形態において、一次走査モードは、ハードドライブまたはネットワークドライブなどの電子記憶装置に記憶されてもよい。
一次走査モードは、データベースを検索して、どの一次走査モードが特定の用途に適しているかを判定することによって特定されてもよい（１０１）。別の実施形態において、一次走査モードは、以前に実行した走査または画像に基づいて特定されてもよい（１０１）。いくつかの実施形態において、一次走査モードは、他のコンテキストで成功した推定走査パラメータに基づいて特定されてもよい（１０１）。一実施形態において、一次走査モードは、ホット走査を実行して欠陥を検出することによって特定される。
方法１００は、特定した一次走査モードを用いて第１のホット走査を行うことをさらに含んでもよい（１０３）。第１のホット走査は、画像データ取得サブシステムを用いて行われてもよく（１０３）、その例は下記される。第１のホット走査は、プロセッサからの命令を通じて行われてもよい（１０３）。プロセッサは、特定した一次走査モードに対応する画像データ取得サブシステムパラメータを送るように構成されてもよい。プロセッサは、プロセッサの命令に応じて画像データ取得サブシステムからデータを受信して、第１のホット走査を行うようにも構成されてもよい（１０３）。
方法１００は、第１のホット走査における複数の関心欠陥およびニューサンスデータを選択することをさらに含んでもよい（１０５）。プロセッサは、各種の欠陥解析ツールおよび欠陥走査方法を用いて第１のホット走査における１つ以上の関心欠陥を選択してもよい（１０５）。本明細書で使用される場合、ニューサンスデータは、ノイズまたはノイズデータとも称されてもよい。ニューサンスデータは、欠陥が存在しない関心欠陥を示してもよいデータに対応する。ニューサンスデータは、関心欠陥または非欠陥であると識別されることができない走査の部分も指してもよい。プロセッサは、複数の関心欠陥ならびに、全関心欠陥およびニューサンスデータの部分集合であるニューサンスデータを選択してもよい（１０５）。例えば、プロセッサは、第１のホット走査に存在するより少ない関心欠陥を選択してもよい（１０５）。
方法１００は、１つ以上の二次走査モードを用いて１つ以上の追加走査を行うことをさらに含んでもよい（１０７）。一実施形態において、１つ以上の追加走査は、同じ画像データ取得サブシステムを用いて行われてもよい（１０７）。他の実施形態において、１つ以上の追加走査は、異なる画像データ取得サブシステムを用いて行われてもよい（１０７）。例えば、異なる画像データ取得サブシステムが、初期画像データ取得サブシステムとは異なるパラメータで走査を行うことが可能であってもよい（１０７）。
１つ以上の追加走査は、異なる走査パラメータを用いて行われる走査を指してもよい（１０７）。走査は、異なる速度、距離、開口、焦点オフセット、スペクトル、偏光などで行われてもよい（１０７）。例えば、様々な走査パラメータを用いて、多重走査が行われてもよい（１０７）。このように、複数の追加走査が行われてもよく（１０７）、各走査が走査パラメータの異なる集合を用いて画像データを収集する。収集された画像データは、第１のホット走査における選択された関心欠陥およびニューサンスデータと同じ位置と関連付けられてもよい。一実施形態において、追加走査は、選択（１０５）された複数の関心欠陥およびニューサンスデータに対応する位置でだけ行われてもよい（１０７）。
方法１００は、１つ以上の二次走査モードの各々に対する１つ以上の画像集合を収集することをさらに含んでもよい（１０９）。各画像集合における画像は、選択（１０５）された複数の関心欠陥およびニューサンスデータに対応してもよい。プロセッサは、追加的に行われた（１０７）走査から１つ以上の画像集合を収集してもよい（１０９）。１つ以上の画像集合は、追加的に行われた（１０７）走査の１つに記録された関心欠陥またはニューサンスデータの画像の集合を含んでもよい。各画像集合は、選択された関心欠陥またはニューサンスデータに対応する一次走査モード画像および１つ以上の二次走査モード画像を含んでもよい。
例えば、画像集合は、一次走査モードを用いて位置決めされた関心欠陥の領域に対応する領域の画像を含んでもよい。画像集合における各画像に対する領域は、同じサイズ、例えば３２×３２画素であってもよい。他の実施形態において、画像集合における各画像に対する領域は、異なるサイズであってもよい。画像集合における画像は、関心欠陥、ニューサンスデータまたは両方に関する画像データを含んでもよい。関心欠陥は、画像集合における画像の各々に同様であってもよい。他の実施形態において、関心欠陥は、異なる種類の欠陥であってもよい。
方法１００は、各収集（１０９）した画像集合を第１の画像部分集合および第２の画像部分集合に分割することをさらに含んでもよい（１１１）。プロセッサは、各収集（１０９）した画像集合を自動的に分割してもよい（１１１）。プロセッサは、画像集合を２つの等しい部分集合に分割してもよい（１１１）。いくつかの実施形態において、プロセッサは、画像集合をより大きな部分集合およびより小さな部分集合に分割してもよい（１１１）。他の実施形態において、プロセッサは、例えば、ウエハの同じ領域を表す画像を各画像集合にわたって同じ部分集合にまとめることによって、各収集（１０９）した画像集合を同じように分割してもよい（１１１）。他の実施形態において、分割（１１１）は無作為化されてもよい。いくつかの実施形態において、単一の画像集合から、多数の画像部分集合が作成されてもよい。例えば、３つ以上の部分集合が作成されてもよい。別の実施形態において、第１および第２の部分集合の多重版が作成されてもよい。
一実施形態において、分割（１１１）は対ごとに行われてもよい。例えば、Ｐ１が一次走査モードに関連した１つ以上の画像を含み、そしてＳ１．．．ＳＮ各々がＮ番目の走査モードに関連した１つ以上の画像を含むとする。収集（１０９）された画像集合は、Ｐ１Ｓ１、Ｐ１Ｓ２、．．．、Ｐ１ＳＮを含む集合に分割（１１１）されてもよい。別の実施形態において、分割（１１１）は多重対で行われてもよい。例えば、収集（１０９）された画像集合は、Ｐ１Ｓ１Ｓ２Ｓ３、Ｐ１Ｓ４Ｓ５Ｓ６、Ｐ１Ｓ２Ｓ４Ｓ６、Ｐ１Ｓ１Ｓ３Ｓ５などを含む集合に分割（１１１）されてもよい。
方法１００は、プロセッサを用いて、各二次走査モードに対してＣＮＮを訓練することをさらに含んでもよい（１１３）。訓練（１１３）は、対応する第１の画像部分集合を用いて行われてもよい。他の実施形態において、訓練（１１３）は、対応する第２の画像部分集合を用いて行われてもよい。各ＣＮＮは、各対の一次走査モードおよび１つの二次走査モードならびに／または一次走査モードと多くの二次走査モードに対して訓練（１１３）されてもよい。
ＣＮＮは、そのニューロン（すなわち、画素クラスタ）間の結合性パターンが動物の視覚野の組織によって示唆される一種のフィードフォワード人工ニューラルネットワークである。個々の皮質ニューロンは、受容野として知られる限定された空間の領域における刺激に応答する。異なるニューロンの受容野は、それらが視野をタイル状に埋めるように部分的に重なる。その受容野内の刺激に対する個々のニューロンの応答は、畳込み演算によって数学的に近似されることができる。
ＣＮＮは、受容野の多重層から構成されてもよい。これらは、１つ以上の入力画像の一部分を処理する小さなニューロンの集まりである。これらの集まりの出力は次いで、それらの入力領域が重なるようにタイル状に敷き詰められて、原画像のより良好な表現を得る。これが、そのような層ごとに繰り返されてもよい。タイル敷き詰めは、ＣＮＮが入力画像の並進を許容するのを可能にする。ＣＮＮは、ニューロンの３Ｄボリュームを有してもよい。ＣＮＮの層は、３次元：幅、高さおよび深さに配置されたニューロンを有してもよい。層内部のニューロンは、受容野と呼ばれる、その前の層の小領域に結合されるだけである。別個の種類の層が局所的にも全面的にも結合されつつ積み重ねられてＣＮＮアーキテクチャを形成する。ＣＮＮは、隣接層のニューロン間の局所結合性パターンを実施することによって空間的局所相関を利用する。アーキテクチャは、したがって、学習したフィルタが空間的局所入力パターンに対して最も強い応答を生じることを確実にする。多くのそのような層を積み重ねることで、ますます広域になる（すなわち、画素空間のより大領域に応答する）非線形フィルタとなる。これは、ネットワークが最初に入力の小部品の良好な表現を作成し、次いでそれらからより大領域の表現を組み立てるのを可能にする。ＣＮＮにおいて、各フィルタは視野全体にわたって複製される。これらの複製されたユニットは、同じパラメータ表示（重みベクトルおよびバイアス）を共有して特徴マップを形成する。これは、所定の畳込み層における全てのニューロンが同じ特徴を正確に検出することを意味する。ユニットをこのように複製することは、特徴が視野におけるそれらの位置に関係なく検出されるのを可能にし、したがって並進不変の性質を構成する。
併せて、これらの性質は、畳込みニューラルネットワークが視覚問題に関するより良好な一般化を達成するのを可能にする。重み共有も、学習されている自由パラメータの数を劇的に削減し、したがってネットワークを動かすためのメモリ要件を低下させることによって役立つ。メモリフットプリントを減少させることは、より大きく、より強力なネットワークの訓練を可能にする。ＣＮＮは、局所または広域プーリング層を含んでもよく、それらはニューロンクラスタの出力を結合する。プーリング層は、また、畳込みおよび全結合層の様々な組合せから成ってもよく、各層の端でまたは後で点別非線形性が適用される。自由パラメータの数を削減し、かつ一般化を改善するために、入力の小領域への畳込み演算が導入される。畳込みネットワークの１つの利点は、畳込み層における共有重みの使用であり、これは、層における各画素に対して同じフィルタ（重みバンク）が使用されることを意味する。これもメモリフットプリントを削減し、かつ性能を改善する。
ＣＮＮアーキテクチャは、微分可能関数を通じて入力ボリュームを出力ボリューム（例えば、クラススコアを保持する）に変換する別個の層の積重ねによって形成されてもよい。少数の別個の種類の層が使用されてもよい。畳込み層は、学習可能なフィルタ（またはカーネル）の集合から成る各種のパラメータを有しており、これらフィルタは小さな受容野を有するが、入力ボリュームの全深さを通じて延びる。フォワードパスの間、各フィルタは、入力ボリュームの幅および高さにわたって畳み込まれて、フィルタの項目と入力との間の点乗積を計算し、そしてそのフィルタの２次元活性化マップを生じてもよい。結果として、ネットワークは、入力における或る空間位置で或る特定種類の特徴を見ると活性化するフィルタを学習する。深さ次元に沿って全てのフィルタに対する活性化マップを積み重ねることによって、畳込み層の全出力ボリュームが形成される。出力ボリュームにおけるあらゆる項目が、したがって、入力における小領域に注目し、そして同じ活性化マップにおけるニューロンとパラメータを共有するニューロンの出力として解釈されることもできる。
画像などの高次元入力を取扱うとき、そのようなネットワークアーキテクチャはデータの空間構成を考慮しないので、ニューロンを以前のボリュームにおける全てのニューロンに結合することは非実用的である場合がある。ＣＮＮは、隣接層のニューロン間の局所結合性パターンを実施することによって空間的局所相関を利用してもよい。例えば、各ニューロンは、入力ボリュームの小領域だけに結合される。この結合性の程度は、ニューロンの受容野と呼ばれるハイパーパラメータである。結合は、空間において（幅および高さに沿って）局所的であってもよいが、常に入力ボリュームの深さ全体に沿って延びてもよい。そのようなアーキテクチャは、学習したフィルタが空間的局所入力パターンに対して最も強い応答を生じることを確実にする。一実施形態において、ＣＮＮを訓練（１１３）することは、転移学習を使用して各ＣＮＮのためのハイパーパラメータを作成することを含む。転移学習は、非常に大きなデータセットでＣＮＮを訓練することを含み、次いで訓練したＣＮＮ重みを関心タスクのための初期設定か固定特徴抽出器かとして使用してもよい。
３つのハイパーパラメータが畳込み層の出力ボリュームのサイズを制御する：深さ、ストライドおよびゼロパディング。出力ボリュームの深さは、入力ボリュームの同じ領域に結合する層におけるニューロンの数を制御する。これらのニューロンの全てが、入力における異なる特徴に対して活性化することを学習することになる。例えば、第１のＣＮＮ層が入力として生画像をとる場合、深さ次元に沿った異なるニューロンが様々な向きのエッジまたは色のブロッブの存在下で活性化してもよい。ストライドは、深さコラムが空間次元（幅および高さ）周りでどのように割り当てられるかを制御する。ストライドが１であるとき、ニューロンの新たな深さコラムが１空間単位だけ離れて空間位置に割り当てられる。これは、コラム間で大きく重なる受容野となり、また大きな出力ボリュームともなる。反対に、より高いストライドが使用される場合、受容野はあまり重ならないことになり、そして結果としての出力ボリュームは空間的により小さな寸法を有することになる。時には、入力ボリュームの境界上で入力にゼロを詰めることが便利である。このゼロパディングのサイズが第３のハイパーパラメータである。ゼロパディングは、出力ボリューム空間サイズの制御を提供する。特に、時には、入力ボリュームの空間サイズを正確に保持することが望ましい。
いくつかの実施形態において、パラメータ共有方式が層において使用されて自由パラメータの数を制御してもよい。１つのパッチ特徴が或る空間位置で計算するのが有効である場合、それは、異なる位置で計算するのも有効であってもよい。言い換えれば、深さスライスとして単一の２次元の深さのスライスを示すと、各深さスライスにおけるニューロンは、同じ重みおよびバイアスを使用するように制約されてもよい。
単一の深さスライスにおける全てのニューロンが同じパラメータ表示を共有してもよいので、層の各深さスライスにおけるフォワードパスは、入力ボリュームとのニューロンの重みの畳込みとして計算されることができる。したがって、重みの集合を、入力と畳み込まれるフィルタ（またはカーネル）と称することが一般的である。この畳込みの結果が活性化マップであり、そして各異なるフィルタに対する活性化マップの集合が深さ次元に沿って共に積み重ねられて出力ボリュームを生じる。
時には、例えば、ＣＮＮへの入力画像が或る特定の中心構造を有し、完全に異なる特徴が異なる空間的位置で学習されるのを期待されるときに、パラメータ共有が効果的でない場合がある。
ＣＮＮの別の重要な概念はプーリングであり、非線形ダウンサンプリングの一形態である。そのうちの１つが最大プーリングであるプーリングを実装するために、いくつかの非線形関数がある。最大プーリングは、入力画像を非重複短形の集合に仕切り、そして各そのような部分領域に対して、最大値を出力する。一旦特徴が見つけられると、その正確な位置は、他の特徴に対するその大まかな位置ほど重要でなくてもよい。プーリング層の機能は、表現の空間サイズを累進的に低減させて、ネットワークにおけるパラメータおよび計算の量を低減させ、それ故過剰適合も制御することであってもよい。プーリング層は、ＣＮＮアーキテクチャにおいて連続した畳込み層間に位置付けられてもよい。
ＣＮＮにおける別の層はＲｅＬＵ（正規化線形ユニット）層であってもよい。これは、非飽和活性化関数を適用するニューロンの層である。ＲｅＬＵ層は、畳込み層の受容野に影響を及ぼすことなく決定関数のおよびネットワーク全体の非線形的性質を増強してもよい。
最後に、いくつかの畳込みおよび／または最大プーリング層の後、ニューラルネットワークにおける高次推論が全結合層を介して完了される。全結合層におけるニューロンは、前の層における全ての活性化への完全な結合を有する。それらの活性化は、それ故、行列乗算に続いてバイアスオフセットで計算されることができる。
いくつかの実施形態において、過剰適合を防止するためにドロップアウト技術が活用されてもよい。本明細書で参照されるように、ドロップアウト技術は、訓練データに関する複雑な共適応を防止することによってニューラルネットワークにおける過剰適合を低減させるための正則化技術である。用語「ドロップアウト」は、ニューラルネットワークにおいてユニット（隠れも可視も）を脱落させることを指す。例えば、各訓練段階で、個々のノードは、確率１−ｐでＣＮＮから「脱落」されるか確率ｐで維持されてもよく、その結果縮小ＣＮＮが残る。いくつかの実施形態において、脱落されたノードに対する出入エッジも除去されてもよい。縮小ＣＮＮだけが訓練される。除去されたノードは次いで、それらの元の重みでネットワークに再挿入されてもよい。
訓練段階では、隠れノードが保持される（すなわち脱落されない）ことになる確率は、ほぼ０．５であってもよい。入力ノードに対しては、保持確率はより高くてもよい。全てのノードを全ての訓練データに関して訓練することを回避することによって、ドロップアウトは、ＣＮＮにおける過剰適合を減少させ、かつ訓練の速度を有意に改善する。
多くの異なる種類のＣＮＮが本開示の実施形態において使用されてもよい。異なるＣＮＮが特定の走査モードまたは状況に基づいて使用されてもよい。ＣＮＮの構成は、ウエハ、画像データ取得サブシステムまたは所定のパラメータに基づいて変化してもよい。
方法１００は、理想二次走査モードを判定することをさらに含んでもよい（１１５）。理想二次走査モードは、各ＣＮＮを対応する第２の画像部分集合に適用することによって判定されてもよい（１１５）。理想二次走査モードは、各ＣＮＮの出力を比較することによって判定されてもよい（１１５）。例えば、理想二次走査モードは、出力が最高信号対ノイズ比を有するＣＮＮと関連付けられてもよい。別の例では、理想二次走査モードは、最高関心欠陥識別率を有するＣＮＮと関連付けられてもよい。別の例では、理想二次走査モードは、最低量の出力ニューサンスデータを有するＣＮＮと関連付けられてもよい。別の実施形態において、ＣＮＮは、複数の関心欠陥とニューサンスデータとの間の分離に基づいて評価される。
方法１００は、理想二次走査モードを用いて最終ホット走査を行うことをさらに含んでもよい（１１７）。最終ホット走査は、同じ画像データ取得サブシステムまたは異なる画像データ取得サブシステムを用いて行われてもよい（１１７）。最終ホット走査は、より高い速度で、またはより低い信号対ノイズ比を引き起こすパラメータを使用して行われてもよい（１１７）。いくつかの実施形態において、関心欠陥位置に対応するデータだけが走査されてもよい。他の実施形態において、ウエハ全体が走査されてもよい。
方法１００は、理想二次走査モードに対応するＣＮＮを使用することによって最終ホット走査からの欠陥を分類して（１１９）、最終ホット走査におけるニューサンスデータを除去することをさらに含んでもよい。欠陥は、種類、位置、重大度または任意の他の客観的パラメータに基づいて分類されてもよい（１１９）。
多くの種類のＣＮＮが使用されてもよいが、本開示の方法と適合する例証的なＣＮＮが図４に図示されるようであってもよい。１つの走査モードのための入力層は、６つの画像を受けるように構成されてもよい。６つの画像は、一次走査モードに対する試験画像、基準画像および差分画像、ならびに二次走査モードのうちの１つに対する試験画像、基準画像および差分画像を含んでもよい。画像は、関心欠陥および／またはニューサンスデータを表してもよい。画像は、サイズが３２×３２であってもよい。入力層では、例えば、５つの５×５×６フィルタを用いる畳みが行われてもよい。５回の畳込み中または後に任意選択のＲｅＬＵ層が含まれてもよい。これらの畳込みの結果が第１の活性化マップである。第１の活性化マップは５×２８×２８であってもよい。第１の活性化マップに畳込み、例えば、１０個の３×３×５フィルタを用いる畳込みが行われてもよい。１０回の畳込み中または後に任意選択のＲｅＬＵ層が含まれてもよい。結果としての層が第２の活性化マップであってもよい。第２の活性化マップは１０×２６×２６であってもよい。全結合層が確立されるまで追加畳込みが行われてもよい。必要に応じてゼロパディングおよびプーリング層が使用されることができる。代替的に、３２×３２×７入力層スタックになる入力として設計クリップが追加されてもよい。
本開示の別の実施形態は、欠陥を分類するためのシステムとして記載されることができる。本システムは、画像データ取得サブシステムと、画像データ取得サブシステムと電子通信するプロセッサとを備えてもよい。
プロセッサは、一次走査モードを特定することと；特定した一次走査モードを用いて第１のホット走査を返すように画像データ取得サブシステムに命令することと；返された第１のホット走査における複数の関心欠陥およびニューサンスデータを特定することと；１つ以上の二次走査モードを用いて１つ以上の追加走査を返すように画像データ取得サブシステムに命令することと；１つ以上の二次走査モードの各々に対する１つ以上の画像集合を収集することであって、各々の画像集合における画像が、特定した複数の関心欠陥およびニューサンスデータに対応する、収集することと；各収集した画像集合を第１の画像部分集合および第２の画像部分集合に分割することと；各二次走査モードに対して、対応する第１の画像部分集合でＣＮＮを訓練することと；各ＣＮＮを対応する第２の画像部分集合に適用することによって理想二次走査モードを判定することと；理想二次走査モードを用いて最終ホット走査を返すように画像データ取得サブシステムに命令することと；理想二次走査モードに対応するＣＮＮを使用することによって最終ホット走査からの欠陥を分類して、最終ホット走査におけるニューサンスデータを除去することを行うように構成されてもよい。一実施形態において、本システムは、プロセッサおよび画像データ取得サブシステムと電子通信するデータベースをさらに備えてもよい。データベースは、最終ホット走査からの分類された欠陥またはＣＮＮを記憶するように構成されてもよい。
一実施形態において、レチクル検査システムによって生成されるレチクルの画像が、画像データ空間における画像データとして使用される。このように、レチクル検査システムによって生成されるレチクルの画像が、画像データの代用として使用されてもよい。本実施形態において使用されるレチクルの画像としては、当該技術で知られている任意のレチクル検査システムによって任意の適切な方式で生成されるレチクルの任意の適切な画像を含んでもよい。例えば、レチクルの画像は、高倍率光学レチクル検査システムまたは電子ビームベースのレチクル検査システムによってそれぞれ取得されるレチクルの高倍率光学または電子ビーム画像であってもよい。代替的に、レチクルの画像は、空中撮像レチクル検査システムによって取得されるレチクルの空中画像であってもよい。
一実施形態において、検査システムは、画像データを収集するために使用される。例えば、本明細書に記載される光学および電子ビーム出力取得サブシステムは、検査システムとして構成されてもよい。別の実施形態において、画像データ取得サブシステムは欠陥レビューシステムである。例えば、本明細書に記載される光学および電子ビーム出力取得サブシステムは、欠陥レビューシステムとして構成されてもよい。さらなる実施形態において、画像データ取得サブシステムは計量システムである。例えば、本明細書に記載される光学および電子ビーム出力取得サブシステムは、計量システムとして構成されてもよい。特に、本明細書に記載されかつ図２に図示される出力取得サブシステムの実施形態は、１つ以上のパラメータが変更されて、それらが使用されることになる用途に応じて異なる撮像能力を提供してもよい。そのような一例では、図２に図示される画像データ取得サブシステムは、それが検査のためよりもむしろ欠陥レビューまたは計量のために使用されることになる場合、より高い解像度を有するように構成されてもよい。言い換えれば、図２に図示される画像データ取得サブシステムの実施形態は、当業者にとって明らかであろう多数の方式で調整されて、異なる用途に多少適切である異なる撮像能力を有する出力取得サブシステムを生じることができる画像データ取得サブシステムのためのいくつかの一般的かつ様々な構成を説明する。
本開示のシステムおよび方法は、ウエハおよびレチクルなどの試料の検査、欠陥レビューおよび計量のために構成される出力取得サブシステム、欠陥レビュー出力取得サブシステムおよび計量画像データ取得サブシステムを活用してもよい。例えば、本明細書に記載される実施形態は、マスク検査、ウエハ検査およびウエハ計量の目的で走査電子顕微鏡法（ＳＥＭ）も光学画像も使用するために構成されてもよい。特に、本明細書に記載される実施形態は、広帯域プラズマ検査機、電子ビーム検査機または欠陥レビューツール、マスク検査機、仮想検査機、などといった画像データ取得サブシステムの構成要素である、またはそれに結合されるコンピュータノードまたはコンピュータクラスタに設置されてもよい。このように、本明細書に記載されている実施形態は、ウエハ検査、マスク検査、電子ビーム検査およびレビュー、計量、などを含むが、これらに限定されない各種の用途のために使用されることができる出力を生成してもよい。図２に図示される出力取得サブシステムの特性は、それが生成することになる実出力が関する試料に基づいて上記したように変更されることができる。
そのようなサブシステムとしては、少なくともエネルギー源および検出器を含む画像データ取得サブシステムを含む。エネルギー源は、ウエハに導かれるエネルギーを生成するように構成される。検出器は、ウエハからのエネルギーを検出し、そして検出したエネルギーに応答して出力を生成するように構成される。
一実施形態において、ウエハに導かれるエネルギーとしては光を含み、そしてウエハから検出されるエネルギーとしては光を含む。例えば、図２に図示されるシステムの実施形態において、画像データ取得サブシステム１０は、ウエハ１４に光を導くように構成される照射サブシステムを含む。照射サブシステムは、少なくとも１つの光源を含む。例えば、図２に図示されるように、照射サブシステムは光源１６を含む。一実施形態において、照射サブシステムは、１つ以上の入射角でウエハに光を導くように構成され、その角度には１つ以上の斜角および／または１つ以上の垂直角を含んでもよい。例えば、図２に図示されるように、光源１６からの光が光学素子１８、次いでレンズ２０を通してビームスプリッタ２１に導かれ、これが垂直入射角でウエハ１４に光を導く。入射角としては任意の適切な入射角を含んでもよく、例えば、ウエハの特徴に応じて異なってもよい。
照射サブシステムは、異なる時間に異なる入射角でウエハに光を導くように構成されてもよい。例えば、画像データ取得サブシステムは、光が図２に図示されるものとは異なる入射角でウエハに導かれることができるように、照射サブシステムの１つ以上の要素の１つ以上の特性を変えるように構成されてもよい。そのような一例では、画像データ取得サブシステムは、光が異なる入射角でウエハに導かれるように、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されてもよい。
いくつかの例では、画像データ取得サブシステムは、同時に２つ以上の入射角でウエハに光を導くように構成されてもよい。例えば、照射サブシステムは２つ以上の照射チャネルを含んでもよく、照射チャネルの１つは、図２に図示されるように、光源１６、光学素子１８およびレンズ２０を含んでもよく、そして照射チャネルの別の１つ（図示せず）は、同様の要素を含んでもよく、これらが異なってもしくは同じに構成されてもよく、または少なくとも光源および場合により、本明細書にさらに記載されるものなど、１つ以上の他の構成要素を含んでもよい。そのような光がその他の光と同時にウエハに導かれる場合、異なる入射角でのウエハの照射から生じる光が検出器で互いから区別されることができるように、異なる入射角でウエハに導かれる光の１つ以上の特性（例えば、波長、偏光など）が異なってもよい。
別の例では、照射サブシステムは１つの光源（例えば、図２に図示される光源１６）だけを含んでもよく、そして光源からの光が照射サブシステムの１つ以上の光学素子（図示せず）によって異なる光路へ分割されてもよい（例えば、波長、偏光などに基づいて）。異なる光路の各々における光は次いでウエハに導かれてもよい。多重照射チャネルが、同時にまたは異なる時間に（例えば、ウエハに順次照射するために異なる照射チャネルが使用されるとき）ウエハに光を導くように構成されてもよい。別の例では、同じ照射チャネルが、異なる時間に異なる特性でウエハに光を導くように構成されてもよい。例えば、いくつかの例では、光学素子１８は分光フィルタとして構成されてもよく、そして光の異なる波長が異なる時間にウエハに導かれることができるように、分光フィルタの性質が各種の異なる方法で（例えば、分光フィルタをスワップアウトすることによって）変更されることができる。照射サブシステムは、順次または同時に異なるまたは同じ入射角でウエハに異なるまたは同じ特性を有する光を導くために当該技術で知られている任意の他の適切な構成を有してもよい。
一実施形態において、光源１６としては、広帯域プラズマ（ＢＢＰ）光源を含んでもよい。このように、光源によって生成されてウエハに導かれる光としては、広帯域光を含んでもよい。しかしながら、光源としては、レーザなどの任意の他の適切な光源を含んでもよい。レーザとしては、当該技術で知られている任意の適切なレーザを含んでもよく、かつ当該技術で知られている任意の適切な１つ以上の波長で光を生成するように構成されてもよい。加えて、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。光源としては、多数の別個の波長または周波帯で光を生成する多色光源も含んでもよい。
光学素子１８からの光は、レンズ２０によってビームスプリッタ２１に焦束されてもよい。レンズ２０が単一の屈折光学素子として図２に図示されるが、実際には、レンズ２０が、組み合わさって光学素子からの光をウエハに焦束させる多数の屈折および／または反射光学素子を含んでもよいことが理解されるはずである。図２に図示されかつ本明細書に記載される照射サブシステムは、任意の他の適切な光学素子（図示せず）を含んでもよい。そのような光学素子の例としては、偏光要素、分光フィルタ、空間フィルタ、反射光学素子、アポダイザ、ビームスプリッタ、開口などを含むが、これらに限定されず、当該技術で知られている任意のそのような適切な光学素子を含んでもよい。加えて、システムは、出力取得のために使用されることになる種類の照射に基づいて照射サブシステムの要素の１つまたは複数を変えるように構成されてもよい。
画像データ取得サブシステムは、光がウエハ上に走査されるように構成される走査サブシステムも含んでもよい。例えば、画像データ取得サブシステムは、ウエハ１４が出力取得の間、配置されるステージ２２を含んでもよい。走査サブシステムは、光がウエハ上に走査されることができるようにウエハを移動させるように構成されることができる任意の適切な機械および／またはロボット組立体（ステージ２２を含む）を含んでもよい。加えて、または代替的に、画像データ取得サブシステムは、画像データ取得サブシステムの１つ以上の光学素子がウエハ上への光の或る走査を行うように構成されてもよい。光は、任意の適切な様式でウエハ上に走査されてもよい。
画像データ取得サブシステムは、１つ以上の検出チャネルをさらに含む。１つ以上の検出チャネルの少なくとも１つが、画像データ取得サブシステムによるウエハの照射によるウエハからの光を検出し、そして検出した光に応答して出力を生成するように構成される検出器を含む。例えば、図２に図示される画像データ取得サブシステムは２つの検出チャネルを含み、１つが収集器２４、要素２６および検出器２８によって形成され、そして別の１つが収集器３０、要素３２および検出器３４によって形成される。図２に図示されるように、２つの検出チャネルは、異なる収集角で光を収集および検出するように構成される。いくつかの例では、一方の検出チャネルが、鏡面反射光を検出するように構成され、そして他方の検出チャネルが、ウエハからの鏡面反射されていない（例えば、散乱、回折などされた）光を検出するように構成される。しかしながら、検出チャネルの２つ以上が、ウエハからの同じ種類の光（例えば、鏡面反射光）を検出するように構成されてもよい。図２は２つの検出チャネルを含む画像データ取得サブシステムの実施形態を図示するが、画像データ取得サブシステムは異なる数の検出チャネル（例えば、１つの検出チャネルだけまたは２つ以上の検出チャネル）を含んでもよい。収集器の各々が単一の屈折光学素子として図２に図示されるが、収集器の各々が１つ以上の屈折光学素子および／または１つ以上の反射光学素子を含んでもよいことが理解されるはずである。
１つ以上の検出チャネルは、当該技術で知られている任意の適切な検出器を含んでもよい。例えば、検出器としては、光電子増倍管（ＰＭＴ）、電荷結合素子（ＣＣＤ）および時間遅延積分（ＴＤＩ）カメラを含んでもよい。検出器としては、当該技術で知られている任意の他の適切な検出器も含んでもよい。検出器としては、非撮像検出器または撮像検出器も含んでもよい。このように、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、散乱光の或る特性を検出するように構成されてもよいが、そのような特性を撮像面内の位置の関数として検出するようには構成されなくてもよい。そのため、画像データ取得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なく、信号またはデータでよい。そのような例では、システムの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が、検出器の非撮像出力からウエハの画像を生成するように構成されてもよい。しかしながら、他の例では、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、システムは、本明細書に記載される画像を多数の方法で生成するように構成されてもよい。
図２が、本明細書に記載されるシステム実施形態に含まれることができる画像データ取得サブシステムの構成を全体的に例示するために本明細書に提供されることが留意される。明らかに、本明細書に記載される画像データ取得サブシステム構成は、市販システムを設計するときに通常行われるように、システムの性能を最適化するために変えられてもよい。加えて、本明細書に記載されるシステムは、ＫＬＡ−Ｔｅｎｃｏｒから市販されているツールなどの既存の出力取得システムを用いて（例えば、既存の出力取得システムに本明細書に記載される機能性を追加することによって）実装されてもよい。いくつかのそのようなシステムに対して、本明細書に記載される方法は、出力取得システムの任意選択の機能性として（例えば、出力取得システムの他の機能性に加えて）提供されてもよい。代替的に、本明細書に記載されるシステムは、完全に新たなシステムを提供するために「一から」設計されてもよい。
システムの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ウエハの走査の間に検出器によって生成される出力を受信することができるように、任意の適切な方式で（例えば、「有線」および／または「無線」伝送媒体を含んでもよい１つ以上の伝送媒体を介して）画像データ取得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、本明細書に記載されるように検出器の出力を用いた多数の機能および本明細書にさらに記載される任意の他の機能を行うように構成されてもよい。このコンピュータサブシステムは、本明細書に記載されるようにさらに構成されてもよい。
このコンピュータサブシステム（の他に本明細書に記載される他のコンピュータサブシステム）は、本明細書でコンピュータシステムとも称されてもよい。本明細書に記載されるコンピュータサブシステムまたはシステムの各々は、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、ネットワーク機器、インターネット機器または他のデバイスを含め、様々な形態をとってもよい。概して、用語「コンピュータシステム」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装置を包含するように広く定義されてもよい。コンピュータサブシステムまたはシステムは、また、並列プロセッサなど、当該技術で知られている任意の適切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、高速処理およびソフトウェアを伴うコンピュータプラットフォームを、独立型としてかネットワーク化ツールとして含んでもよい。
システムが２つ以上のコンピュータサブシステムを含む場合、本明細書にさらに記載されるように画像、データ、情報、命令などがコンピュータサブシステム間で送られることができるように、異なるコンピュータサブシステムが互いに結合されてもよい。例えば、コンピュータサブシステム３６は、当該技術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んでもよい任意の適切な伝送媒体によってコンピュータサブシステム１０２に結合されてもよい。そのようなコンピュータサブシステムの２つ以上が、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。
追加実施形態は、モード選択および画像融合のためのコンピュータ実装方法を行う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した非一時的コンピュータ可読媒体に関する。１つのそのような実施形態が図３に図示される。特に、図３に図示されるように、非一時的コンピュータ可読媒体１８００は、コンピュータシステム１８０４上で実行可能なプログラム命令１８０２を含む。コンピュータ実装方法は、本明細書に記載される任意の方法の任意のステップを含んでもよい。
本明細書に記載されるものなどの方法を実装するプログラム命令１８０２は、コンピュータ可読媒体１８００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、または当該技術で知られている任意の他の適切な非一時的コンピュータ可読媒体などの記憶媒体であってもよい。
プログラム命令は、手続きベースの技術、コンポーネントベースの技術および／またはオブジェクト指向の技術などを含め、様々な方法のいずれで実装されてもよい。例えば、プログラム命令は、所望通り、ＡｃｔｉｖｅＸコントロール、Ｃ＋＋オブジェクト、ＪａｖａＢｅａｎｓ、Ｍｉｃｒｏｓｏｆｔ Ｆｏｕｎｄａｔｉｏｎ Ｃｌａｓｓ（「ＭＦＣ」）、ＳＳＥ（ストリーミングＳＩＭＤ拡張命令）または他の技術もしくは方法論を用いて実装されてもよい。
コンピュータシステム１８０４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てもよい。
本開示が１つ以上の特定の実施形態に関して記載されたが、本開示の趣旨および範囲から逸脱することなく本開示の他の実施形態がなされてもよいことが理解されるであろう。それ故、本開示は、添付の請求項およびその合理的な解釈によってのみ限定されるとみなされる。

Claims (19)

  1. 欠陥を分類するための方法であって、
    プロセッサを用いて、一次走査モードを特定することと、
    画像データ取得サブシステムを用いて、前記特定した一次走査モードを用いて第１のホット走査を行うことと、
    前記プロセッサを用いて、前記第１のホット走査における複数の関心欠陥およびニューサンスデータを選択することと、
    前記画像データ取得サブシステムを用いて、１つ以上の二次走査モードを用いて１つ以上の追加走査を行うことと、
    前記プロセッサを用いて、１つ以上の画像集合を収集することであって、各々の画像集合が、選択された関心欠陥またはニューサンスデータに対応する一次走査モード画像および１つ以上の二次走査モード画像を含む、収集することと、
    前記プロセッサを用いて、各収集した画像集合を第１の画像部分集合および第２の画像部分集合に分割することと、
    前記プロセッサを用いて、各対の一次走査モードおよび二次走査モードに対して、対応する前記第１の画像部分集合で畳込みニューラルネットワーク（ＣＮＮ）を訓練することと、
    前記プロセッサを用いて、各ＣＮＮを対応する前記第２の画像部分集合に適用することによって、理想二次走査モードを判定することと、
    前記画像データ取得サブシステムを用いて、前記理想二次走査モードを用いて、最終ホット走査を行うことと、
    前記プロセッサを用いて、前記理想二次走査モードに対応する前記ＣＮＮを使用することによって前記最終ホット走査からの欠陥を分類して、前記最終ホット走査におけるニューサンスデータを除去することと、
    を含むことを特徴とする方法。
  2. 請求項１に記載の方法であって、前記一次走査モードが、ホット走査を実行して欠陥を検出することによって特定されることを特徴とする方法。
  3. 請求項１に記載の方法であって、前記１つ以上の二次走査モードが、焦点オフセットに基づいて前記一次走査モードから逸脱することを特徴とする方法。
  4. 請求項１に記載の方法であって、前記１つ以上の二次走査モードが、開口に基づいて前記一次走査モードから逸脱することを特徴とする方法。
  5. 請求項１に記載の方法であって、前記１つ以上の二次走査モードが、スペクトルに基づいて前記一次走査モードから逸脱することを特徴とする方法。
  6. 請求項１に記載の方法であって、前記１つ以上の二次走査モードが、偏光に基づいて前記一次走査モードから逸脱することを特徴とする方法。
  7. 請求項１に記載の方法であって、前記ＣＮＮを訓練することが、転移学習を使用して各ＣＮＮのためのハイパーパラメータを作成することを含むことを特徴とする方法。
  8. 請求項１に記載の方法であって、各ＣＮＮが、前記複数の関心欠陥とニューサンスデータとの間の分離に基づいて評価されることを特徴とする方法。
  9. 請求項１に記載の方法であって、各追加走査が、異なる二次走査モードを使用することを特徴とする方法。
  10. 請求項１に記載の方法であって、前記ＣＮＮへの入力が、選択された関心欠陥およびニューサンスデータごとに６つの画像であることを特徴とする方法。
  11. 請求項１０に記載の方法であって、前記画像が、サイズが３２×３２画素であることを特徴とする方法。
  12. 請求項１０に記載の方法であって、前記６つの画像が、前記一次走査モードに対する試験画像、基準画像および差分画像、ならびに前記二次走査モードのうちの１つに対する試験画像、基準画像および差分画像を含むことを特徴とする方法。
  13. 請求項１に記載の方法であって、入力画像が、１つ以上の正規化線形ユニット層を通して処理されることを特徴とする方法。
  14. 請求項１３に記載の方法であって、前記正規化線形ユニット層が、１つ以上のフィルタを活用することを特徴とする方法。
  15. 請求項１３に記載の方法であって、最終結果が全結合層であることを特徴とする方法。
  16. 請求項１３に記載の方法であって、１つ以上のプーリング層が活用されることを特徴とする方法。
  17. 欠陥を分類するためのシステムであって、
    画像データ取得サブシステムと、
    前記画像データ取得サブシステムと電子通信するプロセッサとを備え、前記プロセッサが、
    一次走査モードを特定することと、
    前記特定した一次走査モードを用いて第１のホット走査を返すように前記画像データ取得サブシステムに命令することと、
    前記返された第１のホット走査における複数の関心欠陥およびニューサンスデータを特定することと、
    １つ以上の二次走査モードを用いて１つ以上の走査を返すように前記画像データ取得サブシステムに命令することと、
    １つ以上の画像集合を収集することであって、各々の画像集合が、選択された関心欠陥またはニューサンスデータに対応する一次走査モード画像および１つ以上の二次走査モード画像を含む、収集することと、
    各収集した画像集合を第１の画像部分集合および第２の画像部分集合に分割することと、
    各対の一次走査モードおよび二次走査モードに対して、対応する前記第１の画像部分集合で畳込みニューラルネットワーク（ＣＮＮ）を訓練することと、
    各ＣＮＮを対応する前記第２の画像部分集合に適用することによって理想二次走査モードを判定することと、
    前記理想二次走査モードを用いて最終ホット走査を返すように前記画像データ取得サブシステムに命令することと、
    前記理想二次走査モードに対応する前記ＣＮＮを使用することによって前記最終ホット走査からの欠陥を分類して、前記最終ホット走査におけるニューサンスデータを除去することと、
    を行うように構成されることを特徴とするシステム。
  18. 請求項１７に記載のシステムであって、前記プロセッサおよび前記画像データ取得サブシステムと電子通信するデータベースであり、前記最終ホット走査からの分類された欠陥を記憶するように構成されるデータベースをさらに備えることを特徴とするシステム。
  19. 請求項１８に記載のシステムであって、前記データベースが、１つ以上のＣＮＮを記憶するようにも構成されることを特徴とするシステム。
JP2019535212A 2016-09-14 2017-09-13 画像融合のための畳込みニューラルネットワークベースのモード選択および欠陥分類 Active JP6901565B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662394744P 2016-09-14 2016-09-14
US62/394,744 2016-09-14
US15/371,882 US10115040B2 (en) 2016-09-14 2016-12-07 Convolutional neural network-based mode selection and defect classification for image fusion
US15/371,882 2016-12-07
PCT/US2017/051405 WO2018053031A1 (en) 2016-09-14 2017-09-13 Convolutional neural network-based mode selection and defect classification for image fusion

Publications (2)

Publication Number Publication Date
JP2019530117A JP2019530117A (ja) 2019-10-17
JP6901565B2 true JP6901565B2 (ja) 2021-07-14

Family

ID=61560270

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019535212A Active JP6901565B2 (ja) 2016-09-14 2017-09-13 画像融合のための畳込みニューラルネットワークベースのモード選択および欠陥分類

Country Status (8)

Country Link
US (1) US10115040B2 (ja)
JP (1) JP6901565B2 (ja)
KR (1) KR102235581B1 (ja)
CN (1) CN109690749B (ja)
IL (1) IL264874B (ja)
SG (1) SG11201901334SA (ja)
TW (1) TWI733900B (ja)
WO (1) WO2018053031A1 (ja)

Families Citing this family (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10740939B1 (en) * 2016-12-09 2020-08-11 Snap Inc. Fast image style transfers
JP6668278B2 (ja) 2017-02-20 2020-03-18 株式会社日立ハイテク 試料観察装置および試料観察方法
EP3489892B1 (en) * 2017-11-24 2022-01-05 Ficosa Adas, S.L.U. Determining clean or dirty captured images
WO2019159324A1 (ja) * 2018-02-16 2019-08-22 パナソニックＩｐマネジメント株式会社 処理方法およびそれを利用した処理装置
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US11151711B2 (en) * 2018-06-06 2021-10-19 Kla-Tencor Corporation Cross layer common-unique analysis for nuisance filtering
CN110663971B (zh) * 2018-07-02 2022-03-29 天津工业大学 基于双分支深度融合卷积神经网络的红枣品质分类方法
CN109003239B (zh) * 2018-07-04 2022-03-29 华南理工大学 一种基于迁移学习神经网络的多光谱图像锐化方法
EP3598474A1 (en) * 2018-07-19 2020-01-22 FEI Company Adaptive specimen image acquisition using an artificial neural network
US11668655B2 (en) 2018-07-20 2023-06-06 Kla Corporation Multimode defect classification in semiconductor inspection
CN109239075B (zh) * 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置
TWI690859B (zh) * 2018-09-10 2020-04-11 陳柏蒼 利用圖形辨識量測水位之方法及其系統
US10867108B2 (en) * 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
CN109492628B (zh) * 2018-10-08 2021-11-16 杭州电子科技大学 一种应用于课堂违纪抓取的球形定位系统的实现方法
JP2022504937A (ja) * 2018-10-19 2022-01-13 ジェネンテック， インコーポレイテッド 畳み込みニューラルネットワークによる凍結乾燥製剤における欠陥検出
CN109115805A (zh) * 2018-10-25 2019-01-01 广东华中科技大学工业技术研究院 基于超声和光学双成像的透明构件缺陷检测装置及方法
WO2020082396A1 (zh) * 2018-10-27 2020-04-30 合刃科技（深圳）有限公司 一种检测方法和检测装置
CN109598287B (zh) * 2018-10-30 2021-06-08 中国科学院自动化研究所 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法
US11151707B2 (en) 2018-12-07 2021-10-19 Kla Corporation System and method for difference filter and aperture selection using shallow deep learning
TWI694414B (zh) * 2018-12-18 2020-05-21 國立成功大學 卷積神經網路分析方法、電腦程式產品與電子裝置
US11010885B2 (en) * 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US11379967B2 (en) * 2019-01-18 2022-07-05 Kla Corporation Methods and systems for inspection of semiconductor structures with automatically generated defect features
CN109902584B (zh) * 2019-01-28 2022-02-22 深圳大学 一种口罩缺陷的识别方法、装置、设备及存储介质
WO2020166076A1 (ja) * 2019-02-15 2020-08-20 株式会社日立ハイテク 構造推定システム、構造推定プログラム
CN112001211B (zh) * 2019-05-27 2024-04-19 商汤集团有限公司 对象检测方法、装置、设备及计算机可读存储介质
CN110246131A (zh) * 2019-06-21 2019-09-17 成都卡普数据服务有限责任公司 基于卷积神经网络的导线分股缺陷图像识别方法
US11151412B2 (en) * 2019-07-01 2021-10-19 Everseen Limited Systems and methods for determining actions performed by objects within images
US11527005B2 (en) 2019-07-22 2022-12-13 Samsung Electronics Co., Ltd. Video depth estimation based on temporal attention
WO2021040409A1 (ko) * 2019-08-27 2021-03-04 삼성전자 주식회사 광학 검사 방법 및 이를 이용한 장치
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11415531B2 (en) 2019-10-11 2022-08-16 KLA Corp. Statistical learning-based mode selection for multi-mode inspection
US11087449B2 (en) * 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
KR20220074927A (ko) * 2019-10-31 2022-06-03 칼 짜이스 에스엠테 게엠베하 고형상비 구조의 형상 편차를 측정하기 위한 fib-sem 3d 단층 촬영
CN114787878A (zh) 2019-11-12 2022-07-22 光明机器公司 用于制造测试的图像分析系统
US20210158223A1 (en) * 2019-11-22 2021-05-27 Kla Corporation Finding Semiconductor Defects Using Convolutional Context Attributes
JP2021089219A (ja) * 2019-12-05 2021-06-10 東洋製罐グループホールディングス株式会社 画像検査システム、及び画像検査方法
US11961219B2 (en) 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
US11151710B1 (en) * 2020-05-04 2021-10-19 Applied Materials Israel Ltd. Automatic selection of algorithmic modules for examination of a specimen
US11769242B2 (en) 2020-05-21 2023-09-26 Kla Corporation Mode selection and defect detection training
TWI777173B (zh) * 2020-06-01 2022-09-11 汎銓科技股份有限公司 人工智慧辨識之半導體影像量測方法
JP7332810B2 (ja) * 2020-07-09 2023-08-23 株式会社日立ハイテク パターンマッチング装置、パターン測定システム、パターンマッチングプログラム
US11889222B2 (en) * 2020-07-23 2024-01-30 Malay Kundu Multilayer three-dimensional presentation
US11328410B2 (en) 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
CN112734692B (zh) * 2020-12-17 2023-12-22 国网信息通信产业集团有限公司 一种变电设备缺陷识别方法及装置
CN113012123A (zh) * 2021-03-13 2021-06-22 山东大学 碳纤维复合材料缺陷损伤分类识别与定量分析方法及系统
CN113077444A (zh) * 2021-04-01 2021-07-06 复旦大学 一种基于cnn的超声无损检测图像缺陷分类方法
CN114170230B (zh) * 2022-02-14 2022-04-29 清华大学 基于可变形卷积与特征融合的玻璃缺陷检测方法与装置
CN115239712B (zh) * 2022-09-21 2023-01-31 季华实验室 电路板表面缺陷检测方法、装置、电子设备及存储介质
CN116051542B (zh) * 2023-03-06 2023-07-14 深圳市深视智能科技有限公司 缺陷检测方法及缺陷检测装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7333650B2 (en) * 2003-05-29 2008-02-19 Nidek Co., Ltd. Defect inspection apparatus
WO2008086282A2 (en) 2007-01-05 2008-07-17 Kla-Tencor Corporation Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
JP6185693B2 (ja) * 2008-06-11 2017-08-23 ケーエルエー−テンカー・コーポレーションＫｌａ−Ｔｅｎｃｏｒ Ｃｏｒｐｏｒａｔｉｏｎ ウェーハー上の設計欠陥および工程欠陥の検出、ウェーハー上の欠陥の精査、設計内の１つ以上の特徴を工程監視特徴として使用するための選択、またはそのいくつかの組み合わせのためのシステムおよび方法
JP5509581B2 (ja) 2008-11-27 2014-06-04 信越半導体株式会社 半導体ウェーハの評価方法
US8223327B2 (en) 2009-01-26 2012-07-17 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer
US8605275B2 (en) * 2009-01-26 2013-12-10 Kla-Tencor Corp. Detecting defects on a wafer
US8896832B2 (en) 2010-06-17 2014-11-25 Kla-Tencor Corp. Discrete polarization scatterometry
US9401013B2 (en) * 2012-02-03 2016-07-26 Applied Materials Israel, Ltd. Method of design-based defect classification and system thereof
JP6009956B2 (ja) * 2013-01-31 2016-10-19 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
US9222895B2 (en) * 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US8984450B2 (en) * 2013-03-14 2015-03-17 Taiwan Semiconductor Manufacturing Company, Ltd. Method and apparatus for extracting systematic defects
US9726617B2 (en) * 2013-06-04 2017-08-08 Kla-Tencor Corporation Apparatus and methods for finding a best aperture and mode to enhance defect detection
US10290088B2 (en) * 2014-02-14 2019-05-14 Kla-Tencor Corporation Wafer and lot based hierarchical method combining customized metrics with a global classification methodology to monitor process tool condition at extremely high throughput
WO2015138130A1 (en) * 2014-03-10 2015-09-17 Applied Materials, Inc. Pixel blending for multiple charged-particle beam lithography
CN104977313A (zh) * 2014-04-09 2015-10-14 四川省特种设备检验研究院 一种焊缝x射线图像缺陷检测与识别方法和装置
US9401016B2 (en) 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection

Also Published As

Publication number Publication date
KR102235581B1 (ko) 2021-04-01
JP2019530117A (ja) 2019-10-17
US10115040B2 (en) 2018-10-30
US20180075594A1 (en) 2018-03-15
TW201824417A (zh) 2018-07-01
KR20190042739A (ko) 2019-04-24
CN109690749B (zh) 2020-05-29
WO2018053031A1 (en) 2018-03-22
IL264874B (en) 2021-02-28
TWI733900B (zh) 2021-07-21
CN109690749A (zh) 2019-04-26
SG11201901334SA (en) 2019-04-29

Similar Documents

Publication Publication Date Title
JP6901565B2 (ja) 画像融合のための畳込みニューラルネットワークベースのモード選択および欠陥分類
JP6845327B2 (ja) 畳み込み式ニューラルネットワークに基づく欠陥検査のためのデータ増強
CN111819676B (zh) 训练用于低分辨率图像中的缺陷检测的神经网络
US11379967B2 (en) Methods and systems for inspection of semiconductor structures with automatically generated defect features
US9805462B2 (en) Machine learning method and apparatus for inspecting reticles
JP7170037B2 (ja) 大オフセットダイ・ダイ検査用複数段階画像整列方法
TWI706485B (zh) 光學晶粒對資料庫檢查
TW201701383A (zh) 對於關注之圖像群體之圖案之異常偵測
JP6472447B2 (ja) フォトマスク欠陥性における変化の監視
US11087449B2 (en) Deep learning networks for nuisance filtering
TW202013538A (zh) 用於損害篩選之跨層共同─獨特分析
KR102201122B1 (ko) 민감도 개선 및 뉴슨스 억제를 위해 로직 및 핫스팟 검사에서 z-층 컨텍스트를 사용하는 시스템 및 방법
KR20230160234A (ko) 인라인 선별을 위한 촬상 반사계측

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200908

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200908

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210108

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20210113

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210302

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210524

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: 20210608

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210617

R150 Certificate of patent or registration of utility model

Ref document number: 6901565

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150