JP6941103B2 - 半導体用途のための機械学習ベースのモデルの加速トレーニング - Google Patents

半導体用途のための機械学習ベースのモデルの加速トレーニング Download PDF

Info

Publication number
JP6941103B2
JP6941103B2 JP2018534670A JP2018534670A JP6941103B2 JP 6941103 B2 JP6941103 B2 JP 6941103B2 JP 2018534670 A JP2018534670 A JP 2018534670A JP 2018534670 A JP2018534670 A JP 2018534670A JP 6941103 B2 JP6941103 B2 JP 6941103B2
Authority
JP
Japan
Prior art keywords
defect
machine learning
model
specimens
information
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
JP2018534670A
Other languages
English (en)
Other versions
JP2019508789A5 (ja
JP2019508789A (ja
Inventor
クリス バスカー
クリス バスカー
ローラン カーセンティ
ローラン カーセンティ
スコット エイ ヤング
スコット エイ ヤング
モハン マハデヴァン
モハン マハデヴァン
ジン チャン
ジン チャン
ブライアン ダフィー
ブライアン ダフィー
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
Priority claimed from US15/394,792 external-priority patent/US9916965B2/en
Application filed by KLA Corp filed Critical KLA Corp
Publication of JP2019508789A publication Critical patent/JP2019508789A/ja
Publication of JP2019508789A5 publication Critical patent/JP2019508789A5/ja
Application granted granted Critical
Publication of JP6941103B2 publication Critical patent/JP6941103B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Description

本発明は、概して、半導体用途のための機械学習ベースのモデルの加速トレーニングのための方法およびシステムに関する。
以下の説明および例は、このセクションにおけるそれらの包含により先行技術であることが認められるものではない。
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の製作は、典型的には、多くの半導体製作プロセスを使用して半導体ウェハなどの基板を加工して、半導体デバイスの様々な特徴部および複数の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に関与する半導体製作プロセスである。半導体製作プロセスのさらなる例としては、化学機械研磨（ＣＭＰ）、エッチング、成膜、およびイオン注入が挙げられるが、これらに限定されない。複数の半導体デバイスが、単一の半導体ウェハ上に配置されて製作されて、その後、個別の半導体デバイスに分けられる場合がある。
ウェ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推進するために、半導体製造プロセス中の様々な工程において検査プロセスが使用される。検査は、常に、半導体デバイスの製造の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と、より小さな欠陥がデバイスを故障させ得るため、許容できる半導体デバイスの製造の成功には検査がさらにいっそう重要になる。
欠陥レビューは、典型的には、検査プロセスによって欠陥として検出された欠陥を再検出すること、および高倍率光学系または走査電子顕微鏡（ＳＥＭ）のいずれかを使用して欠陥に関する追加情報を高解像度で生成することに関与する。したがって、欠陥レビューは、検査によって欠陥が検出されたウェハ上の離散した場所で実施される。欠陥レビューによって生成された欠陥の高解像度データは、外形、粗さ、より正確なサイズ情報などの欠陥の属性を決定するのにより好適である。
プロセスを監視および制御するために、半導体製造プロセス中の様々な工程において計測プロセスも使用される。計測プロセスが、欠陥がウェハ上で検出される検査プロセスとは違って、現在使用される検査器具を使用して決定することができないウェハの１つ以上の特徴を測定するために使用されるという点において、計測プロセスは検査プロセスとは異なる。例えば、計測プロセスは、プロセス中にウェハ上に形成された特徴部の寸法（例えば、線幅、厚さなど）などのウェハの１つ以上の特徴を測定するために使用され、その結果、プロセスのパフォーマンスをその１つ以上の特徴から決定することができる。加えて、ウェハの１つ以上の特徴が許容できない（例えば、その特徴の所定の範囲外である）場合、ウェハの１つ以上の特徴の測定値は、プロセスによって製造される追加のウェハが許容できる特徴を有するように、プロセスの１つ以上のパラメータを変更するために使用され得る。
計測プロセスはまた、検査によって検出される欠陥が欠陥レビューにおいて再度調査される欠陥レビュープロセスとは違って、計測プロセスが欠陥が検出されなかった場所で実施され得るという点において、欠陥レビュープロセスとは異なる。言い換えると、欠陥レビューとは違って、計測プロセスがウェハ上で実施される場所は、ウェハ上で実施される検査プロセスの結果とは無関係であり得る。具体的には、計測プロセスが実施される場所は、検査結果とは無関係に選択され得る。
検査のような大半の半導体用途に使用される現行のアルゴリズムは、人手による特徴量（ｈａｎｄ ｃｒａｆｔｅｄ ｆｅａｔｕｒｅ）を必要とする傾向がある。このシステムにおいては学習が関与するが、それは、アドホック様式で、且つ、検査の結果が真の欠陥、偽陽性、有害などと見なされるＳＥＭ検閲に典型的には関与するループが存在する非常に高次（「ロッシーな」）で起こる傾向がある。「ロッシーな」とは、プロセスに関連した原因と効果を観察する我々の能力との関係が非常に複雑であるため、従来の方法が、半導体製造プロセスを制御するために使用される計測および検査設備のそのままの能力をフル活用するレシピに集中するのに適していないことを意味する。
プロセスウィンドウを通じた厳密なプロセスシミュレーション実験計画（ＤＯＥ）も用いられ得ることにも留意されたい。しかしながら、それらは、はるかに遅く、光近接補正（ＯＰＣ）後のデータ（マスクライタへの入力）を必要とするが、このデータは多くの場合、製造工場では利用できない。例えば、カリフォルニア州ミルピタスのＫＬＡ−Ｔｅｎｃｏｒによって開発された、製品名Ｄｅｓｉｇｎ Ｓｃａｎは、リソグラフィプロセスウィンドウを通して発生するパターン変動を予測することを意図していた。
ニューラルネットワーク学習の分野は、数十年にも及ぶ教師なし学習での試みの失敗で溢れかえっている。しかしながら、ここ２年で、本発明者らは、研究団体の一部が、文字認識のために転移学習および半教師あり学習に関連した技術を利用するにあたって、自然画像シーン分類においてかなりの成功を収めていることを発見した。
米国特許出願公開第２０１３／０２８２３４０号 米国特許出願公開第２００８／０２５５７８６号
深層学習モデルは、深層ニューラルネットワークが作用する大量のサンプルが存在するという仮定の下では、うまく機能する。作業するサンプル例が非常に少ないとき、これらの方法での成功は非常に制限される傾向がある。
したがって、上記の欠点のうちの１つ以上を有しない機械学習ベースのモデルをトレーニング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る。
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いかようにも制限するものとして解釈されるべきではない。
１つの実施形態は、機械学習ベースのモデルをトレーニングするように構成されたシステムに関する。本システムは、１つ以上のコンピュータサブシステム、および１つ以上のコンピュータサブシステムによって実行される１つ以上の構成要素を含む。１つ以上の構成要素は、標本のための１つ以上のシミュレーションを実施するように構成された機械学習ベースのモデルを含む。機械学習ベースのモデルは、標本のうちの１つ以上の標本の名目上のインスタンスのための情報のみを用いてトレーニングされる。１つ以上のコンピュータサブシステムは、標本のうちの１つ以上の標本の非名目上のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施される、取得すること、を行うように構成されている。１つ以上のコンピュータサブシステムはまた、機械学習ベースのモデルを標本のうちの１つ以上の標本の非名目上のインスタンスのための情報を用いて再トレーニングすることであって、それにより標本のうちの１つ以上の標本の非名目上のインスタンスのための情報の機械学習ベースのモデルへの転移学習を実施する、再トレーニングすること、を行うように構成されている。本システムは、本明細書に説明されるようにさらに構成されてもよい。
別の実施形態は、機械学習ベースのモデルをトレーニングするためのコンピュータ実装の方法に関する。本方法は、１つ以上の標本の非名目上のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施される、取得することを含む。機械学習ベースのモデルは、標本のための１つ以上のシミュレーションを実施するように構成されている。機械学習ベースのモデルは、１つ以上の追加の標本の名目上のインスタンスのための情報のみを用いてトレーニングされる。本方法はまた、機械学習ベースのモデルを１つ以上の標本の非名目上のインスタンスのための情報を用いて再トレーニングすることであって、それにより１つ以上の標本の非名目上のインスタンスのための情報の機械学習ベースのモデルへの転移学習を実施する、再トレーニングすることを含む。取得することおよび再トレーニングすることは、１つ以上のコンピュータシステムによって実施される。１つ以上の構成要素は、１つ以上のコンピュータシステムによって実行される。１つ以上の構成要素は、機械学習ベースのモデルを含む。
上記の方法のステップの各々は、本明細書内にさらに説明されるようにさらに実施されてもよい。加えて、上記の方法の実施形態は、本明細書に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。さらには、上記の方法は、本明細書に説明されるシステムのいずれかによって実施されてもよい。
別の実施形態は、機械学習ベースのモデルをトレーニングするためのコンピュータ実装の方法を実施するための１つ以上のコンピュータシステムに対して実行可能なプログラム命令を格納する非一時的なコンピュータ可読媒体に関する。コンピュータ実装の方法は、上記の方法のステップを含む。コンピュータ可読媒体は、本明細書に説明されるようにさらに構成されてもよい。コンピュータ実装の方法のステップは、本明細書内にさらに説明されるように実施されてもよい。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の方法は、本明細書に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恩恵により、および添付の図面への参照により、当業者には明らかになるものとする。
本明細書に説明されるように構成されたシステムの実施形態の側面図を例証する概略図である。 本明細書に説明されるように構成されたシステムの実施形態の側面図を例証する概略図である。 本明細書に説明される実施形態によって実施され得るステップを例証するフローチャートである。 本明細書に説明されるコンピュータ実装の方法をコンピュータシステムに実施させるためのプログラム命令を格納する非一時的なコンピュータ可読媒体の１つの実施形態を例証するブロック図である。
本発明は、様々な修正および代替形態の影響を受けやすいものであるが、本発明の特定の実施形態が、図面において例として示され、本明細書内で詳細に説明される。図面は縮尺通りでない場合がある。しかしながら、図面およびそれに関する詳細な説明は、本発明を開示された特定の形態に制限することを意図するものではなく、むしろ、本発明は、添付の特許請求の範囲によって規定されるような本発明の趣旨および範囲内に入るすべての修正物、等価物、および代替物を網羅するものとするということを理解されたい。
「設計」、「設計データ」、および「設計情報」という用語は、本明細書内で同じ意味で使用される場合、概して、ＩＣの物理的な設計（レイアウト）、ならびに複雑なシミュレーションまたは単純な幾何およびブール演算により物理的な設計から得たデータを指す。加えて、レチクル検査システムによって取得されたレチクルの画像および／またはその派生物を、設計のための「プロキシ」として使用することができる。そのようなレチクル画像またはその派生物は、設計を使用する本明細書に説明されるいかなる実施形態においても、設計レイアウトの代替としての機能を果たすことができる。設計は、権利者が共通の２００９年８月４日にザファル（Ｚａｆａｒ）らに対して発行された米国特許第７，５７０，７９６号および２０１０年３月９日にクルカルニ（Ｋｕｌｋａｒｎｉ）らに対して発行された同第７，６７６，０７７号に説明される任意の他の設計データまたは設計データプロキシを含み得、これらの両方が、本明細書に完全に明記されるかのように引用により援用する。加えて、設計データは、標準セルライブラリデータ、統合レイアウトデータ、１つ以上の層の設計データ、設計データの派生物、およびフルまたは部分チップ設計データであり得る。
加えて、本明細書に説明される「設計」、「設計データ」、および「設計情報」は、設計プロセスにおいて半導体デバイス設計者によって生成され、したがって、レチクルおよびウェハなどの任意の物理的な標本に対する設計のプリントのかなり前に、本明細書に説明される実施形態における使用のために利用可能である、情報およびデータを指す。
ここで図面に移るが、図は縮尺通りに描かれていないということに留意されたい。具体的には、図の要素の一部の縮尺は、要素の特徴を強調するために大いに誇張されている。図は同じ縮尺で描かれていないということにも留意されたい。同様に構成され得る２つ以上の図に示されている要素は、同じ参照番号を使用して示されている。本明細書内に別途記載のない限り、説明および図示される要素のいずれかは、任意の好適な市販の要素を含み得る。
１つの実施形態は、機械学習ベースのモデルをトレーニングするように構成されたシステムに関する。本明細書に説明される実施形態は、トレーニングサンプルが比較的限られているときに学習ベースのシステムを加速させるためのシステムおよび方法を提供する。本明細書に説明される実施形態は、検査、計測、欠陥レビュー、およびシミュレーションを含むがこれらに限定されない様々な半導体製造関連の用途に利用され得る。
そのようなシステムの１つの実施形態が図１に示される。本システムは、１つ以上の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１０２）、ならびに１つ以上の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１００を含む。１つ以上の構成要素は、標本のための１つ以上のシミュレーションを実施するように構成された機械学習ベースのモデル１０４を含む。本明細書にさらに説明されるように、機械学習ベースのモデルは、標本のうちの１つ以上の標本の名目上のインスタンスのための情報のみを用いてトレーニングされる。
いくつかの実施形態において、本システムは、光学ベースの撮像サブシステム１０を含む。一般に、光学ベースの撮像サブシステムは、標本の光学画像を生成するように構成されており、１つ以上のコンピュータサブシステムは、光学ベースの撮像サブシステムから光学画像を受信するように構成されている。光学ベースの撮像サブシステムはまた、複数のモードで光学画像を生成するように構成されている。
１つの実施形態において、標本はウェハを含む。ウェハは、当該技術分野で知られている任意のウェハを含み得る。別の実施形態において、標本はレチクルを含む。レチクルは、当該技術分野で知られている任意のレチクルを含み得る。
光学ベースの撮像サブシステムは、標本の上に光を向けるかまたは光を走査し、標本から光を検出することによって光学画像を生成し得る。１つのそのような例において、図１に示されるシステムの実施形態では、光学ベースの撮像サブシステム１０は、標本１４に光を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に示されるように、照明サブシステムは光源１６を含む。１つの実施形態において、照明サブシステムは、１つ以上の斜角および／または１つ以上の法線角を含み得る１つ以上の入射角で光を標本に向けるように構成されている。例えば、図１に示されるように、光源１６からの光は、斜めの入射角で、光学素子１８および次いでレンズ２０を通って標本１４に向けられる。斜めの入射角は、任意の好適な斜めの入射角を含み得、それは、例えば標本の特徴によって変化し得る。
光学ベースの撮像サブシステムは、異なる時に異なる入射角で標本に光を向けるように構成され得る。例えば、光学ベースの撮像サブシステムは、図１に示されるものとは異なる入射角で光を標本に向けることができるように、照明サブシステムの１つ以上の要素の１つ以上の特徴を変更するように構成され得る。１つのそのような例において、光学ベースの撮像サブシステムは、異なる斜めの入射角または法線の（もしくは法線に近い）入射角で光を標本に向けることができるように、光源１６、光学素子１８、およびレンズ２０を動かすように構成され得る。
いくつかの場合において、光学ベースの撮像サブシステムは、同時に２つ以上の入射角で光を標本に向けるように構成され得る。例えば、照明サブシステムは、２つ以上の照明チャネルを含み得、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、光学素子１８、およびレンズ２０を含み得、照明チャネルのうちの別のもの（図示せず）は、異なってもしくは同じに構成され得る同様の要素を含み得るか、または少なくとも光源およびおそらくは本明細書にさらに説明されるものなどの１つ以上の他の構成要素を含み得る。そのような光が他の光と同時に標本に向けられる場合、異なる入射角で標本に向けられる光の１つ以上の特徴（例えば、波長、偏光など）が、異なり得るため、異なる入射角で標本の照明から生じる光を検出器において互いと区別することができる。
別の場合において、照明サブシステムは、１つのみの光源（例えば図１に示される光源１６）を含み得、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（例えば、波長、偏光などに基づいて）異なる光経路内へ分離され得る。異なる光経路の各々における光が、次いで標本に向けられる。複数の照明チャネルが、同時にまたは異なる時（例えば、異なる照明チャネルを使用して標本を連続して照明するとき）に標本に光を向けるように構成され得る。別の場合において、同じ照明チャネルが、異なる時に異なる特徴を有する標本に光を向けるように構成され得る。例えば、いくつかの場合において、光学素子１８は、スペクトルフィルタとして構成され得、スペクトルフィルタの特性は、光の異なる波長を異なる時に標本に向けることができるように、様々な異なるやり方で（例えば、スペクトルフィルタを取り換えることによって）変えることができる。照明サブシステムは、異なるまたは同じ特徴を有する光を異なるまたは同じ入射角で連続してまたは同時に標本に向けるための当該技術分野において知られている任意の他の構成を有してもよい。
１つの実施形態において、光源１６は、広帯域プラズマ（ＢＢＰ）光源を含み得る。この様式では、光源によって生成され標本に向けられる光は、広帯域光を含み得る。しかしながら、光源は、レーザなどの任意の他の好適な光源を含んでもよい。レーザは、当該技術分野において知られている任意の好適なレーザを含み得、当該技術分野において知られている任意の好適な波長で光を生成するように構成され得る。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得る。この様式では、レーザは狭帯域レーザであってもよい。光源はまた、複数の離散した波長または波帯で光を生成する多色光源を含み得る。
光学素子１８からの光は、レンズ２０によって標本１４に焦点合わせされ得る。レンズ２０は、図１では単一の屈折光学素子として示されるが、実際には、レンズ２０は、共同して光学素子からの光を標本に焦点合わせするいくつかの屈折および／または反射光学素子を含み得ることが理解されるものとする。図１に示され本明細書に説明される照明サブシステムは、任意の他の好適な光学素子（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、当該技術分野で知られている任意のそのような好適な光学素子を含み得る、偏光構成要素、スペクトルフィルタ、空間フィルタ、反射光学素子、アポタイザ、ビームスプリッタ、アパーチャ、および同様のものが挙げられるが、これらに限定されない。加えて、光学ベースの撮像サブシステムは、撮像に使用される予定の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得る。
光学ベースの撮像サブシステムはまた、標本の上に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み得る。例えば、光学ベースの撮像サブシステムは、標本１４が撮像中に載置されるステージ２２を含み得る。走査サブシステムは、光を標本の上に走査することができるように標本を動かすように構成され得る（ステージ２２を含む）任意の好適な機械的および／またはロボットアセンブリを含み得る。加えて、または代替的に、光学ベースの撮像サブシステムは、光学ベースの撮像サブシステムの１つ以上の光学素子が標本の上で光の何らかの走査を実施するように構成され得る。光は、蛇行したような経路またはらせん経路などの任意の好適な方式で標本の上に走査され得る。
光学ベースの撮像サブシステムは、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うちの少なくとも１つは、システムによって標本の照明により標本から光を検出するように、および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に示される光学ベースの撮像サブシステムは、２つの検出チャネルを含み、一方は、集光器２４、要素２６、および検出器２８によって形成され、もう一方は、集光器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、異なる集光角度で光を収集および検出するように構成されている。いくつかの場合において、両方の検出チャネルが、散乱光を検出するように構成されており、これらの検出チャネルは、標本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ている。しかしながら、検出チャネルの１つ以上が、標本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されていてもよい。
図１にさらに示されるように、両方の検出チャネルが、紙面内に位置付けられて示され、照明サブシステムも紙面内に位置付けられて示される。したがって、この実施形態では、両方の検出チャネルが、入射面内に位置付けられる（例えば、入射面内の中心に置かれる）。しかしながら、検出チャネルのうちの１つ以上は、入射面外に位置付けられ得る。例えば、集光器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、入射面から外に散乱される光を収集および検出するように構成され得る。したがって、そのような検出チャネルは、「サイド」チャネルと一般に呼ばれ得、そのようなサイドチャネルは、入射面に略垂直である平面の中心に置かれ得る。
図１は、２つの検出チャネルを含む光学ベースの撮像サブシステムの実施形態を示すが、光学ベースの撮像サブシステムは、異なる数の検出チャネル（例えば、１つのみの検出チャネルまたは２つ以上の検出チャネル）を含んでもよい。１つのそのような場合において、集光器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、上記のような１つのサイドチャネルを形成してもよく、光学ベースの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サイドチャネルとして形成される追加の検出チャネル（図示せず）を含んでもよい。したがって、光学ベースの撮像サブシステムは、入射面の中心に置かれ、標本表面に対して法線であるかまたは法線に近い散乱角度で光を収集および検出するように構成された、集光器２４、要素２６、および検出器２８を含む検出チャネルを含み得る。この検出チャネルは、したがって、「トップ」チャネルと一般に呼ばれ得、光学ベースの撮像サブシステムはまた、上記のように構成された２つ以上のサイドチャネルを含み得る。そのようなものとして、光学ベースの撮像サブシステムは、少なくとも３つのチャネル（即ち、１つのトップチャネルおよび２つのサイドチャネル）を含み得、少なくとも３つのチャネルの各々が、独自の集光器を有し、その各々が、他の集光器の各々とは異なる散乱角度で光を収集するように構成されている。
上にさらに説明されるように、光学ベースの撮像サブシステムに含まれる検出チャネルの各々は、散乱光を検出するように構成され得る。したがって、図１に示される光学ベースの撮像サブシステムは、標本の暗視野（ＤＦ）撮像のために構成され得る。しかしながら、光学ベースの撮像サブシステムはまた、または代替的に、標本の明視野（ＢＦ）撮像のために構成されている検出チャネルを含み得る。言い換えると、光学ベースの撮像サブシステムは、標本から鏡面的に反射された光を検出するように構成されている少なくとも１つの検出チャネルを含み得る。したがって、本明細書に説明される光学ベースの撮像サブシステムは、ＤＦ撮像のみ、ＢＦ撮像のみ、またはＤＦ撮像およびＢＦ撮像の両方のために構成され得る。集光器の各々は、図１では単一の屈折光学素子として示されるが、集光器の各々は、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み得ることが理解されるものとする。
１つ以上の検出チャネルは、当該技術分野で知られている任意の好適な検出器を含み得る。例えば、検出器は、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、および当該技術分野で知られている任意の他の好適な検出器を含み得る。検出器はまた、非撮像検出器または撮像検出器を含み得る。この様式では、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徴を検出するように構成され得るが、そのような特徴を撮像平面内の位置の関数として検出するように構成されない場合がある。そのようなものとして、光学ベースの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、信号またはデータであり得るが、画像信号または画像データではない場合がある。そのような場合において、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標本の画像を生成するように構成され得る。しかしながら、他の場合において、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ている撮像検出器として構成され得る。したがって、光学ベースの撮像サブシステムは、いくつかのやり方で本明細書に説明される光学画像を生成するように構成され得る。
図１は、本明細書に説明されるシステム実施形態に含まれ得る、または本明細書に説明されるシステム実施形態によって使用される画像を生成し得る、光学ベースの撮像サブシステムの構成を全体的に例証するために本明細書に提供されるということに留意されたい。当然ながら、本明細書に説明される光学ベースの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実施されるように、光学ベースの撮像サブシステムのパフォーマンスを最適化するために変更されてもよい。加えて、本明細書に説明されるシステムは、カリフォルニア州ミルピタスのＫＬＡ−Ｔｅｎｃｏｒから市販されているツールの２９ｘｘ／２８ｘｘシリーズなど、既存のシステムを使用して（例えば、既存のシステムに本明細書に説明される機能性を追加することによって）実装され得る。いくつかのそのようなシステムでは、本明細書に説明される実施形態は、システムの選択的な機能性として提供され得る（例えば、システムの他の機能性に加えて）。代替的に、本明細書に説明される光学ベースの撮像サブシステムは、完全に新しい光学ベースの撮像サブシステムを提供するために「ゼロから」設計されてもよい。
光学ベースの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３６は、コンピュータサブシステムが標本のための検出器によって出力された出力を受信することができるように、任意の好適な様式で（例えば、「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）光学ベースの撮像サブシステムの検出器に結合され得る。コンピュータサブシステム３６は、検出器の出力を使用して、本明細書にさらに説明されるいくつかの機能を実施するように構成され得る。
図１に示されるコンピュータサブシステム（ならびに本明細書に説明される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め、様々な形態をとり得る。一般に、「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と広く定義され得る。コンピュータサブシステムまたはシステムはまた、パラレルプロセッサなどの、当該技術分野で知られている任意の好適なプロセッサを含み得る。加えて、コンピュータサブシステムまたはシステムは、スタンドアローンまたはネットワーク化した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備えたコンピュータプラットフォームを含み得る。
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、異なるコンピュータサブシステムは、画像、データ、情報、命令などを、本明細書にさらに説明されるようなコンピュータサブシステム間で送信することができるように互いに結合され得る。例えば、コンピュータサブシステム３６は、当該技術分野で知られている任意の好適な有線および／または無線伝送媒体を含み得る任意の好適な伝送媒体によって、図１の破線によって示されるようにコンピュータサブシステム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）によって有効に結合され得る。
撮像サブシステムは、光学または光ベースの撮像システムであると上に説明されるが、本システムはまた、または代替的に、標本の電子ビーム画像を生成するように構成された電子ビームベースの撮像サブシステムを含んでもよく、１つ以上のコンピュータサブシステムは、電子ビームベースの撮像サブシステムから電子ビーム画像を受信するように構成されている。１つのそのような実施形態において、電子ビームベースの撮像サブシステムは、標本の上に電子を向けるかまたは電子を走査するように、および標本から電子を検出するように構成され得る。図１ａに示される１つのそのような実施形態において、電子ビームベースの撮像サブシステムは、コンピュータサブシステム１２４に結合された電子カラム１２２を含む。
図１ａにも示されるように、電子カラムは、１つ以上の要素１３０によって標本１２８に焦点合わせ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チップを含み得、１つ以上の要素１３０は、例えば、ガンレンズ、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み得、それらのすべてが当該技術分野で知られている任意のそのような好適な要素を含み得る。
標本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に焦点合わせされ得る。１つ以上の要素１３２は、例えば、走査サブシステムを含み得、それは要素１３０に含まれる同じ走査サブシステムであり得る。
電子カラムは、当該技術分野で知られている任意の他の好適な要素を含み得る。加えて、電子カラムは、２０１４年に４月４日にジャン（Ｊｉａｎｇ）らに対して発行された米国特許第８，６６４，５９４号、２０１４年４月８日にコジマ（Ｋｏｊｉｍａ）らに対して発行された同第８，６９２，２０４号、２０１４年４月１５日にガベンズ（Ｇｕｂｂｅｎｓ）らに対して発行された同第８，６９８，０９３号、および２０１４年５月６日にマクドナルド（ＭａｃＤｏｎａｌｄ）らに対して発行された同第８，７１６，６６２号に説明されるようにさらに構成されてもよく、これらは、本明細書に完全に明記されるかのように引用により援用する。
図１ａでは、電子カラムは、電子が斜めの入射角で標本に向けられ、別の斜角で標本から散乱されるように構成されて示されるが、電子ビームは、任意の好適な角度で、標本に向けられそこから散乱され得るということが理解されるものとする。加えて、電子ビームベースの撮像サブシステムは、本明細書にさらに説明されるように標本の画像を生成するために複数のモードを使用するように構成され得る（例えば、異なる照明角度、集光角度などで）。電子ビームベースの撮像サブシステムの複数のモードは、電子ビームベースの撮像サブシステムの任意の画像生成パラメータが異なり得る。
コンピュータサブシステム１２４は、上記のように検出器１３４に結合され得る。検出器は、標本の表面から戻ってきた電子を検出し、それにより標本の電子ビーム画像を形成し得る。電子ビーム画像は、任意の好適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、標本について本明細書にさらに説明される１つ以上の機能を実施するように構成され得る。コンピュータサブシステム１２４は、本明細書に説明される任意の追加のステップを実施するように構成され得る。図１ａに示される電子ビームベースの撮像サブシステムを含むシステムは、本明細書に説明されるようにさらに構成され得る。
図１ａは、本明細書に説明される実施形態に含まれ得る電子ビームベースの撮像サブシステムの構成を全体的に例証するために、本明細書に提供されるということに留意されたい。上記の光学ベースの撮像サブシステムのように、本明細書に説明される電子ビームベースの撮像サブシステム構成は、市販の撮像サブシステムを設計するときに通常実施されるように、撮像サブシステムのパフォーマンスを最適化するために変更されてもよい。加えて、本明細書に説明されるシステムは、ＫＬＡ−Ｔｅｎｃｏｒから市販されているツールのｅＳｘｘｘおよびｅＤＲ−ｘｘｘｘシリーズなど、既存のシステムを使用して（例えば、既存のシステムに本明細書に説明される機能性を追加することによって）実装され得る。いくつかのそのようなシステムでは、本明細書に説明される実施形態は、システムの選択的な機能性として提供され得る（例えば、システムの他の機能性に加えて）。代替的に、本明細書に説明されるシステムは、完全に新しいシステムを提供するために「ゼロから」設計されてもよい。
撮像サブシステムは、光ベースまたは電子ビームベースの撮像サブシステムであると上に説明されるが、撮像サブシステムは、イオンビームベースの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、電子ビーム源が当該技術分野で知られている任意の好適なイオンビーム源で置き換えられ得るということを除き、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検査（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など、任意の他の好適なイオンビームベースの撮像サブシステムであってもよい。
上に記載されるように、光学および電子ビームベースの撮像サブシステムは、標本の物理的なバージョンの上に、エネルギー（例えば、光、電子）を向け、および／またはエネルギーを走査し、それにより標本の物理的なバージョンの実画像を生成するように構成され得る。この様式では、光学および電子ビームベースの撮像サブシステムは、「仮想」システムではなく「実」撮像システムとして構成され得る。例えば、記憶媒体（図示せず）および図１に示される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得る。具体的には、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１０の部分ではなく、標本の物理的なバージョンを取り扱うための任意の能力を有しない。言い換えると、仮想システムとして構成されたシステムでは、その１つ以上の「検出器」の出力は、実システムの１つ以上の検出器によって以前に生成され、仮想システムに格納されている出力であり得、「撮像および／または走査」中、仮想システムは、標本が撮像および／または走査されているかのように格納された出力を再生し得る。この様式では、仮想システムを用いて標本を撮像および／または走査することは、物理的な標本が実システムを用いて撮像および／または走査されているのと同じであるように見え得るが、現実には、この「撮像および／または走査」は、標本が撮像および／または走査され得るのと同じ様式で標本の出力を単に再生することに関与する。「仮想」検査システムとして構成されたシステムおよび方法は、同一出願人による２０１２年２月２８日にバスカー（Ｂｈａｓｋａｒ）らに対して発行された米国特許第８，１２６，２５５号、および２０１５年１２月２９日にダフィー（Ｄｕｆｆｙ）らに発行された同第９，２２２，８９５号に説明されており、それらの両方が、本明細書に完全に明記されるかのように引用により援用する。本明細書に説明される実施形態は、これらの特許において説明されるようにさらに構成され得る。例えば、本明細書に説明される１つ以上のコンピュータサブシステムは、これらの特許において説明されるようにさらに構成され得る。
さらに上に記載されるように、撮像サブシステムは、複数のモードで標本の画像を生成するように構成され得る。一般に、「モード」とは、標本の画像を生成することに使用される撮像サブシステムのパラメータの値、または標本の画像を生成するために使用される出力と定義することができる。したがって、異なるモードは、撮像サブシステムの撮像パラメータのうちの少なくとも１つに対する値が異なり得る。例えば、光学ベースの撮像サブシステムの１つの実施形態において、複数のモードのうちの少なくとも１つは、複数のモードのうちの少なくとも１つの他のモードに使用される照明の光の少なくとも１つの波長とは異なる照明の光の少なくとも１つの波長を使用する。モードは、異なるモードでは本明細書にさらに説明されるように照明波長が異なり得る（例えば、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）。別の実施形態において、複数のモードのうちの少なくとも１つは、複数のモードのうちの少なくとも１つの他のモードに使用される撮像サブシステムの照明チャネルとは異なる撮像サブシステムの照明チャネルを使用する。例えば、上に記載されるように、撮像サブシステムは、２つ以上の照明チャネルを含んでもよい。そのようなものとして、異なるモードでは異なる照明チャネルが使用され得る。
１つの実施形態において、本システムは、標本の出力を生成するように構成された検査サブシステムを含み、１つ以上のコンピュータサブシステムは、検査サブシステムからの出力を受信し、その出力に基づいて標本における欠陥を検出するように構成されている。例えば、本明細書に説明される光学および電子ビーム撮像サブシステムは、検査サブシステムとして構成され得る。コンピュータサブシステムは、上記のように検査サブシステムから出力を受信するように構成され得（例えば、撮像サブシステムの検出器から）、任意の好適な様式でその出力に基づいて標本における欠陥を検出するように構成され得る。例えば、コンピュータサブシステムは、出力を１つ以上のしきい値と比較するように構成され得、１つ以上のしきい値を上回るいかなる出力も、コンピュータサブシステムによって、欠陥または潜在的欠陥と識別され得、１つ以上のしきい値を上回らないいかなる出力も、コンピュータサブシステムによって、欠陥ではないまたは潜在的欠陥ではないと識別され得る。しかしながら、コンピュータサブシステムは、任意の好適なアルゴリズムおよび／または方法を使用して、出力に基づいて標本における欠陥を検出するように構成されてもよい。
別の実施形態において、本システムは、標本において検出された欠陥の出力を生成するように構成された欠陥レビューサブシステムを含み、コンピュータサブシステムは、欠陥レビューサブシステムから出力を受信し、その出力に基づいて標本において検出された欠陥の特性を決定するように構成されている。例えば、本明細書に説明される光学および電子ビーム撮像サブシステムは、欠陥レビューサブシステムとして構成され得る。コンピュータサブシステムは、上記のように欠陥レビューサブシステムから出力を受信するように構成され得（例えば、撮像サブシステムの検出器から）、任意の好適な様式でその出力に基づいて標本における欠陥の特性を決定するように構成され得る。例えば、コンピュータサブシステムは、当該技術分野で知られている任意の好適なアルゴリズムおよび／または方法を使用して、欠陥のサイズおよび形状などの１つ以上の特性を決定するためにその出力を使用するように構成され得る。
さらなる実施形態において、本システムは、標本の出力を生成するように構成された計測サブシステムを含み、１つ以上のコンピュータサブシステムは、計測サブシステムからの出力を受信し、その出力に基づいて標本の特性を決定するように構成されている。例えば、本明細書に説明される光学および電子ビーム撮像サブシステムは、計測サブシステムとして構成され得る。コンピュータサブシステムは、上記のように計測サブシステムから出力を受信するように構成され得（例えば、撮像サブシステムの検出器から）、任意の好適な様式でその出力に基づいて標本の特性を決定するように構成され得る。例えば、コンピュータサブシステムは、当該技術分野で知られている任意の好適なアルゴリズムおよび／または方法を使用して、標本において形成されるパターン化特徴部のサイズおよび形状などの１つ以上の特性を決定するためにその出力を使用するように構成され得る。
本明細書に説明され、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ことになる用途に応じて異なる撮像能力を提供するために１つ以上のパラメータが変更され得る。１つのそのような例において、図１に示される撮像サブシステムは、それが検査ではなく欠陥レビューまたは計測に使用される場合には、より高い解像度を有するように構成され得る。言い換えると、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、異なる用途に多かれ少なかれ好適である異なる撮像能力を有する撮像サブシステムを形成するために、当業者には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いくつかの一般的なおよび様々な構成を説明している。
検査サブシステム、欠陥レビューサブシステム、および計測サブシステムはまた、ウェハおよびレチクルなどの標本の検査、欠陥レビュー、および計測のために構成され得る。例えば、本明細書に説明される実施形態は、マスク検査、ウェハ検査、およびウェハ計測の目的で１つ以上のシミュレーションを実施する機械学習ベースのモデルをトレーニングするように構成され得る。具体的には、本明細書に説明される実施形態は、ブロードバンドプラズマインスペクタ、電子ビームインスペクタまたは欠陥レビューツール、マスクインスペクタ、仮想インスペクタなどの、撮像サブシステムの構成要素であるか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組み込まれ得る。この様式では、本明細書に説明される実施形態は、ウェハ検査、マスク検査、電子ビーム検査、およびレビュー、計測などを含むがこれらに限定されない様々な用途に使用することができるシミュレーションを実施し得る。図１および図１ａに示される撮像サブシステムの特徴は、それが実画像を生成することになる標本に基づいて上記のように変更され得る。
別の実施形態において、本システムは、標本に対して１つ以上の製作プロセスを実施するように構成された半導体製作サブシステムを含む。例えば、図１に示されるように、本システムは、コンピュータサブシステム１０２および／または本明細書に説明されるシステムの任意の他の要素に結合され得る半導体製作サブシステム１０６を含み得る。半導体製作サブシステムは、リソグラフィトラック、エッチングチャンバ、化学的機械研磨（ＣＭＰ）ツール、成膜チャンバ、剥離または洗浄チャンバ、および同様のものなど、当該技術分野で知られている任意の半導体製作ツールおよび／またはチャンバを含み得る。本明細書に説明される実施形態に含まれ得る好適な半導体製作ツールの例は、２００５年５月１０日にレヴィ（Ｌｅｖｙ）らに対して発行された米国特許第６，８９１，６２７号に説明されており、これは本明細書に完全に明記されるかのように引用により援用する。本明細書に説明される実施形態は、この特許において説明されるようにさらに構成され得る。
したがって、上記のように、本明細書に説明される１つ以上のコンピュータサブシステムは、実ウェハハンドリングおよび／または処理能力を有する１つ以上の他のサブシステム（例えば撮像サブシステム、検査サブシステム、欠陥レビューサブシステム、計測サブシステム、半導体製作プロセスサブシステム）を備えるシステムに含まれ得る。この様式では、本明細書に説明される実施形態は、その世界のモデル（例えば、半導体インスペクタの場合にはウェハにおける欠陥）を学習するために検出器および計算プラットフォームを有する、計測ツール、検査ツール、エッチングチャンバなどの任意の半導体プラットフォームの内側にインシチュでデータを含む予測システムとして構成され得る。しかしながら、本明細書に説明される１つ以上のコンピュータサブシステムは、実ウェハハンドリングおよび／または処理能力を有する１つ以上のサブシステムを含まないシステムに含まれ得る。この様式では、本明細書に説明される実施形態は、データが持続記憶機序にエクスポートされるエクスシチュでデータを含む予測システムとして構成され得る。例えば、本システムは、他のシステムおよび／または方法によって生成された実際の物理ウェハから情報を取得する場合としない場合とがある、本明細書にさらに説明されるような仮想システムとして構成され得る。具体的には、別のシステムまたは方法は、実際の物理的な標本を使用して１つ以上の標本の名目上および／または非名目上のインスタンスのための情報を生成し得、その情報を記憶媒体に格納し得る。次いで、本明細書に説明される１つ以上のコンピュータサブシステムが、記憶媒体からそのような情報を取得し得る。
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１０２によって実行される構成要素、例えば、図１に示される構成要素１００は、機械学習ベースのモデル１０４を含む。機械学習ベースのモデルは、標本のための１つ以上のシミュレーションを実施するように構成されており、機械学習ベースのモデルは、標本のうちの１つ以上の標本の名目上のインスタンスのための情報のみを用いてトレーニングされる。１つ以上の標本の名目上のインスタンスのみを用いたトレーニングは、ある種の初期トレーニングとして見なされ得、その後に本明細書にさらに説明される再トレーニングが続く。例えば、予測することができるようになる前に、そのような機械学習ベースのモデルは、典型的には、学習するための例のセットを与えられた後にトレーニングされる必要がある。名目上のインスタンスのみを用いて機械学習ベースのモデルをトレーニングすることは、本明細書に説明される１つ以上のコンピュータサブシステムによって実施され得る。しかしながら、名目上のインスタンスのみを用いて機械学習ベースのモデルをトレーニングすることは、別のシステムまたは方法によって実施されてもよく、トレーニングされた機械学習ベースのモデルは、他のシステムまたは方法（またはトレーニングされた機械学習ベースのモデルが他のシステムまたは方法によって格納されている記憶媒体）から取得され、次いで本明細書に説明されるコンピュータサブシステムによって再トレーニングされ得る。
機械学習は、概して、明示的にプログラミングされることなく学習する能力を持ったコンピュータを提供する一種の人工知能（ＡＩ）と定義することができる。機械学習は、新たなデータに露出されたときに独習して成長および変化することができるコンピュータプログラムの発展に焦点を合わせる。言い換えると、機械学習は、「明示的にプログラミングされることなく学習する能力をコンピュータに与える」コンピュータサイエンスの亜領域と定義することができる。機械学習は、データから学習することができ、且つデータに対して予測を行うことができるアルゴリズムの研究および構築を探究し、そのようなアルゴリズムは、サンプル入力からモデルを構築することを通して、データ駆動の予測または決定を行うことによる厳密に静的なプログラム命令に従うことを克服する。
本明細書に説明される機械学習ベースのモデルは、「Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｓｔａｔｉｓｔｉｃａｌ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ」、スギヤマ（Ｓｕｇｉｙａｍａ）、モーガン・カウフマン（Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ）、２０１６、５３４ ｐａｇｅｓ、「Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ， Ｇｅｎｅｒａｔｉｖｅ， ａｎｄ Ｉｍｉｔａｔｉｖｅ Ｌｅａｒｎｉｎｇ」、ジェバラ（Ｊｅｂａｒａ）、ＭＩＴ Ｔｈｅｓｉｓ、２００２、２１２ ｐａｇｅｓ、および「Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄａｔａ Ｍｉｎｉｎｇ （Ａｄａｐｔｉｖｅ Ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）」、ハンド（Ｈａｎｄ）ら、ＭＩＴ Ｐｒｅｓｓ、２００１、５７８ ｐａｇｅｓに説明されるようにさらに構成され得、これらは本明細書に完全に明記されるかのように引用により援用する。本明細書に説明される実施形態は、これらの参照文献において説明されるようにさらに構成され得る。
標本の１つ以上の名目上のインスタンスおよび１つ以上の名目上のインスタンスを使用して実施されるトレーニングは、機械学習ベースのモデルによって実施されることになるシミュレーションおよび機械学習ベースのモデル自体によって異なり得る。例えば、機械学習ベースのモデルを使用して標本が撮像システムによって生成された標本の画像内でどのように見えるかのシミュレーションを実施する場合、標本の名目上のインスタンスは、標本の設計データ、ならびに設計データがプリントされる標本の生成された実画像を含み得る。次いで、トレーニングは、機械学習ベースのモデルが、対応する実画像と実質的に同じである対応する設計情報からのシミュレーション画像を形成することを機械学習ベースのモデルに行わせる機械学習ベースのモデルの１つ以上のパラメータ（例えば重み）を見つける（即ち、学習または識別する）ことができるように、名目上のインスタンスを機械学習ベースのモデルに提供することに関与し得る。他の種類の情報が、本明細書に説明される他のシミュレーションに応じて機械学習ベースのモデルをトレーニングするのに使用される名目上のインスタンスのための情報に含まれ得る（例えば、計測システム出力および／または対応する標本設計情報を有する測定値）。加えて、名目上のインスタンスのための情報の特徴は、異なる種類の機械学習ベースのモデル（本明細書にさらに説明されるものなど）はトレーニングのための異なる量の情報（例えば異なる数の名目上のインスタンス）を必要とするという点において、機械学習ベースのモデル自体に応じて異なり得る。任意の特定の機械学習ベースのモデルの適切なトレーニングに必要とされる名目上のインスタンスのための情報の特徴は、当該技術分野で知られている任意の好適な様式で決定され得る。
「名目上のインスタンス」は、この用語が本明細書内で使用される場合、概して、欠陥が存在しないことが知られている標本の「インスタンス」と定義される。例えば、名目上である標本は、非欠陥的標本を生成することで知られる標本に関する設計を形成するために使用される１つ以上のプロセスの１つ以上のパラメータで処理され得る。言い換えると、標本を生成するために使用されるプロセスは、知られている良好なプロセスであり得る。加えて、標本の「名目上のインスタンス」は、欠陥が存在することが決定されなかった（例えば、標本上の場所、標本全体など）インスタンスを含み得る。例えば、標本の名目上のインスタンスは、検査または他の品質制御関連プロセス（例えば、欠陥レビュー、計測など）がいかなる欠陥も検出しなかった場所および／または標本を含み得る。対照的に、標本の「非名目上のインスタンス」は、この用語が本明細書内で使用される場合、概して、意図的（プログラムされることにより、または本明細書にさらに説明される合成欠陥により）、または非意図的（検査、欠陥レビュー、計測などによって１つ以上の標本において発見された欠陥により）のいずれかの、何らかの様式で「欠陥的」である標本の「インスタンス」と定義される。加えて、標本は、たとえ「欠陥」そのものが標本において検出されないとしても「欠陥的」であり得ることに留意されたい。例えば、１つ以上の測定値が、標本に対して形成された設計の１つ以上の特徴がそれらの１つ以上の特徴に対する値の所望の範囲外であることを示す場合には、標本は「欠陥的」と見なされ得る。
１つの実施形態において、１つ以上のシミュレーションを実施することは、標本のうちの１つについて１つ以上のシミュレーション画像を生成することを含み、１つ以上のシミュレーション画像は、標本のうちの１つが、撮像システムによって生成された１つ以上の標本の１つ以上の実画像内でどのように見えるかを例証する。例えば、機械学習ベースのモデルによって実施される１つ以上のシミュレーションは、標本が本明細書に説明される撮像システムのうちの１つによって生成される実画像内でどのように見えるかを例証するシミュレーション画像を生成し得る。この様式では、シミュレーション画像は、検査システム、欠陥レビューシステム、または本明細書に説明される他の撮像システムによって生成され得る標本の画像を表し得る。１つのそのような例において、機械学習ベースのモデルによって実施される１つ以上のシミュレーションへの入力は、標本の設計情報（例えば、本明細書にさらに説明される設計データのいずれか）を含み得、１つ以上のシミュレーションの出力は、設計情報が形成された標本がそれらの画像内でどのように見えるかを例証する１つ以上のシミュレートされた光学または電子ビーム画像を含み得る。
１つのそのような実施形態において、撮像システムは、光学ベースの撮像システムである。別のそのような実施形態において、撮像システムは、電子ビームベースの撮像システムである。これらの撮像システムは、本明細書にさらに説明されるように構成されてもよい。いくつかのそのような実施形態において、機械学習ベースのモデルによって実施される１つ以上のシミュレーションは、標本の検査に使用される１つ以上の参照画像を生成するために実施され得る。この様式では、本明細書に説明される実施形態は、研究開発製造シナリオにおいて応用するのに並外れて効率的である様式でダイツーデータベース（ｄｉｅ−ｔｏ−ｄａｔａｂａｓｅ）欠陥検出方法および／またはアルゴリズムなどの高度な検査アルゴリズムを可能にすることができる。そのような欠陥検出を可能にすることは、スループットが領域被覆率によって制約される電子ビームベースの検査にとっては特に価値がある。画像取得を「試験」画像のみに制限することによって、スループットを、現在使用されているダイツーダイ（ｄｉｅ−ｔｏ−ｄｉｅ）検査方法に対して２倍または３倍にすることができる。本明細書に説明される実施形態は、２０１６年１１月１６日出願のバスカー（Ｂｈａｓｋａｒら）による米国特許第１５／３５３，２１０号に説明されるようにさらに構成され得、これは本明細書に完全に明記されるかのように引用により援用する。例えば、本明細書に説明される実施形態は、この特許出願において説明されるように単一の画像検出を実施するように構成され得る。
別の実施形態において、１つ以上のシミュレーションを実施することは、標本のうちの１つについて１つ以上のシミュレーション測定値を生成することを含み、１つ以上のシミュレーション測定値は、計測システムによって標本のうちの１つについて生成された出力を表す。例えば、機械学習ベースのモデルによって実施される１つ以上のシミュレーションは、標本について本明細書に説明されるシステムのうちの１つによって生成された出力を表すシミュレーション測定値（例えば、画像、出力、データなど）を生成し得る。この様式では、シミュレーション測定値は、本明細書に説明される計測によって標本について生成され得る測定値、画像、出力、データなどを表し得る。１つのそのような例において、機械学習ベースのモデルによって実施される１つ以上のシミュレーションへの入力は、標本の設計情報（例えば、本明細書にさらに説明される設計データのいずれか）を含み得、１つ以上のシミュレーションの出力は、それらのシステムによって標本について生成された出力を表す１つ以上のシミュレートされた光学または電子ビーム測定値を含み得る。
コンピュータサブシステムは、標本のうちの１つ以上の標本の非名目上のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施される、取得すること、を行うように構成されている。本明細書にさらに説明されるように、非名目上のインスタンスのための情報は、機械学習ベースのモデルの再トレーニングすることであって、それにより非名目上のインスタンスの機械学習ベースのモデルへの転移学習を実施する、再トレーニングすることのために使用されることになる。したがって、非名目上のインスタンスのための情報を取得することは、本質的に、転移学習トレーニング入力生成であり得る。転移学習トレーニング入力生成は、ａ）プロセス実験計画（ＤＯＥ）を使用したウェハおよびマスク上の実際の欠陥イベントの経験的シミュレーション、ｂ）合成手法を使用することによる、設計／シミュレーション空間における仮想欠陥イベントの導入、ならびにｃ）経験的方法と合成法とを同時に使用するハイブリッド手法を含む、本明細書でさらに説明されるいくつかのやり方で実施することができる。この様式では、本明細書に説明される実施形態は、プロセスＤＯＥ、シミュレーション、およびプログラムされた欠陥を使用して、ニューラルネットワークおよび本明細書に説明される他の機械学習ベースのモデルのためのトレーニングセットを生成し得る。
標本の非名目上のインスタンスのための情報を取得することは、情報を生成することを含み得る。例えば、本明細書に説明されるシステムは、実際の標本に対して１つ以上のプロセスを実施すること（例えば、実際の物理的な標本に対して１つ以上の製作プロセスを実施し、次いで実際の物理的な標本に対して１つ以上の測定および／または撮像プロセスを実施すること）によって、非名目上のインスタンスのための情報を生成するように構成され得る。したがって、非名目上のインスタンスのための情報を生成することは、本明細書に説明される１つ以上の他のサブシステム（例えば、１つ以上の半導体製作サブシステム、１つ以上の撮像サブシステム、１つ以上の計測サブシステムなど）を有する本明細書に説明されるコンピュータサブシステムを使用して実施され得る。別の例において、本明細書に説明されるシステムは、１つ以上のシミュレーションを（実際の物理的な標本を使用して、または使用せずに）実施することによって非名目上のインスタンスのための情報を生成するように構成され得る。１つのそのような例において、本明細書にさらに説明されるように、１つ以上のコンピュータサブシステムは、標本の非名目上のインスタンスのための情報を生成するために別のモデルを使用するように構成され得る。代替的に、本明細書に説明される実施形態は、情報を生成した１つ以上の他の方法および／またはシステムによって情報が格納されている記憶媒体から標本の非名目上のインスタンスのための情報を取得するように構成され得る。
１つの実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含む。この様式では、非名目上のインスタンスのための情報は、１つ以上の標本における１つ以上の欠陥のための情報を含み得る。そのような情報は、本明細書にさらに説明される様々なやり方で生成され得る。
別の実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含み、１つ以上の標本は、１つ以上の実際の標本を含み、その標本に対して、プロセスが、プロセスの１つ以上のパラメータの２つ以上の異なる値を用いて実施される。例えば、ＤＯＥを使用したウェハおよびレチクル上の実際の欠陥イベントの実験的シミュレーションを含む転移学習トレーニング入力生成の場合、実世界のウェハを、本明細書にさらに説明されるように欠陥のために利用することができる。
１つのそのような実施形態において、プロセスは、プロセスウィンドウ認定（ＰＷＱ）法においてプロセスの１つ以上のパラメータの２つ以上の異なる値を用いて実施される。例えば、転移学習トレーニング入力を生成するための１つの戦略は、系統的欠陥のジェネレータとしてＰＷＱなどのＤＯＥを使用することである。ＰＷＱ法において変化されるプロセスの１つ以上のパラメータは、焦点および露光を含み得る（例えば、焦点−露光ＰＷＱプロセスにあるように）。ＰＷＱ法はまた、２００５年６月７日に発行されたピーターソン（Ｐｅｔｅｒｓｏｎ）らに対する米国特許第第６，９０２，８５５号、２００８年８月２６日に発行されたピーターソン（Ｐｅｔｅｒｓｏｎ）らに対する同第７，４１８，１２４号、２０１０年６月１日に発行されたウー（Ｗｕ）らに対する同第７，７２９，５２９号、２０１０年８月３日に発行されたケカレ（Ｋｅｋａｒｅ）らに対する同第７，７６９，２２５号、２０１１年１０月１８日に発行されたパク（Ｐａｋ）らに対する同第８，０４１，１０６号、２０１２年２月７日に発行されたウー（Ｗｕ）らに対する同第８，１１１，９００号、および２０１２年７月３日発行されたピーターソン（Ｐｅｔｅｒｓｏｎ）らに対する同第８，２１３，７０４号に説明されるように実施され得、これらは本明細書に完全に明記されるかのように引用により援用する。本明細書に説明される実施形態は、これらの特許に説明される任意の方法の任意のステップを含み得、これらの特許に説明されるようにさらに構成され得る。ＰＷＱウェハは、これらの特許に説明されるようにプリントされ得る。
別のそのような実施形態において、プロセスは、オーバーレイマージン決定のために設計されたＰＷＱ法においてプロセスの１つ以上のパラメータの２つ以上の異なる値を用いて実施される。例えば、転移学習トレーニング入力を生成するための１つの戦略は、系統的欠陥のジェネレータとしてオーバーレイＰＷＱウェハなどのＤＯＥを使用することである。オーバーレイマージン決定は、上に参照された特許において説明されるものを含む任意の好適な様式で実施され得る。したがって、オーバーレイＰＷＱ法は、標本上にそのようなダイをプリントするために使用され得、非名目上のインスタンスは、そのような標本におけるいかなる欠陥のインスタンスも含み得る。
追加のそのような実施形態において、プロセスは、焦点露出マトリクス（ＦＥＭ）法においてプロセスの１つ以上のパラメータの２つ以上の異なる値を用いて実施される。例えば、転移学習トレーニング入力を生成するための１つの戦略は、系統的欠陥のジェネレータとしてＦＥＭ法および／またはＦＥＭウェハなどのＤＯＥを使用することである。ＦＥＭ法は、一般的には、リソグラフィプロセスの焦点および露出パラメータ値の異なる組み合わせでウェハ上にいくつかのダイをプリントすることに関与する。次いで異なるダイが任意の好適な様式で検査されて、異なるダイにおける欠陥を検出することができる。次いで、典型的には、その情報を使用して、リソグラフィプロセスの焦点および露出のプロセスウィンドウを決定する。したがって、ＦＥＭ法は、標本上にそのようなダイをプリントするために使用され得、非名目上のインスタンスは、そのような標本におけるいかなる欠陥のインスタンスも含み得る。
したがって、上記のように、転移学習トレーニング入力生成は、系統的欠陥のジェネレータとして、ＰＷＱ、ＦＥＭ、およびオーバーレイＰＷＱウェハのうちの１つ以上などの１つ以上のＤＯＥを使用し得る。言い換えると、機械学習ベースのモデルは、系統的欠陥のジェネレータの役割を果たすことができるＰＷＱまたはＦＥＭウェハから生成された情報を使用することによってトレーニングされ得る。一般に、ＰＷＱは、２０００年代初頭にＫＬＡ−Ｔｅｎｃｏｒによって開発された、リソグラフィ焦点および露出プロセスウィンドウ特徴付けのための技術であり、様々な形で広く採用される。ＰＷＱの基礎は、インスペクタ準拠のウェハを作成することであり、そこでは名目上のダイスおよび変調ダイスがインスペクタための信号を最大限にする系統的形式で隣同士に存在する。同様のウェハを、オーバーレイマージンを決定するために作製することができる。ＰＷＱおよびそれらの「いとこ」ＦＥＭウェハは、今日、プロセスマージンを決定するために主に使用されるが、それらを、実際の欠陥を用いて深層ニューラルネットワーク（または本明細書に説明される任意の他の機械学習ベースのモデル）をトレーニングするという別の目的で使用することができる。これは、実際の欠陥が所与のウェハ上で大量に発生するためである。次いで、これらのウェハおよびそれらから生成された情報を、本明細書にさらに説明される再トレーニングのためのトレーニングサンプルのセットとして使用することができる。しかしながら、そのようなサンプルは、そのようなウェハ上ですべての欠陥タイプが見られる保証がないことから、可能性のある欠陥の完全なセットを提供しない場合がある。したがって、そのようなウェハから生成された情報は、本明細書にさらに説明されるいくつかの異なる様式で実施され得る合成欠陥生成によって生成された他の情報で補完されてもよい。
いくつかの実施形態において、取得した情報は、電子設計自動化（ＥＤＡ）ツールによって形成された１つ以上の標本のための合成設計データから生成される。この様式では、本明細書に説明される実施形態は、ＥＤＡコンピュータ支援設計（ＣＡＤ）ツールを用いて生成された合成データを利用するという追加の次元を有し得る。ＥＤＡツールは、任意の好適な市販のＥＤＡツールを含み得る。いくつかのそのような実施形態において、本明細書に説明されるコンピュータサブシステムのうちの１つ以上（例えばコンピュータサブシステム１０２）は、ＥＤＡツールとして構成され得るか、またはＥＤＡツールに含まれるコンピュータサブシステムであり得る。
さらなる実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含み、欠陥は、設計内に合成欠陥を作成するために１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含む。「合成」欠陥は、この用語が本明細書内で使用される場合、概して、例えば標本の設計情報の操作によって標本上で意図的に発生させた１つ以上の欠陥と定義することができる。したがって、「合成」欠陥はまた、「仮説上の」欠陥または「プログラムされた」欠陥と称され得る。１つのそのような実施形態において、合成手法を使用することによる設計／シミュレーション空間における仮想欠陥イベントの導入を介した転移学習トレーニング入力生成では、ＣＡＤ設計は、欠陥（例えば、オープン、ショート、凸、ラインエンド、計測マーカなど）を合成的に生成するために使用することができ、次いで、本明細書にさらに説明される深層生成的モデルもしくは他のモデルによって処理され得（トレーニング画像上に現実的な欠陥を作成するため）、および／または、１つ以上の標本上に合成的に生成された欠陥をプリントするために使用することができ、これが次いで、標本上の合成的に生成された欠陥の画像を生成するために使用され得る。ＣＡＤ作業は、任意の好適なＥＤＡソフトウェア、ハードウェハ、システム、または方法を含み得るプログラム可能な／グラフィカルなＥＤＡエディタを用いて自動化することができる。
１つのそのような実施形態において、１つ以上の構成要素は、設計内に合成欠陥を作成するために設計を変更するように構成されたインセプションモジュールを含む。例えば、本明細書に説明される機械学習ベースのモデルは、自然情景画像用のＧｏｏｇＬｅＮｅｔインセプションによって提案されるものなど欠陥幻視システムによってトレーニングされ得る。欠陥上で事前にトレーニングされる従来のニューラルネットワークは、次いでこれらを逆再生して、他の幾何学構造上に新しい欠陥タイプを作成することができる。ＧｏｏｇＬｅＮｅｔインセプションを実施するためのシステムおよび方法の例は、「Ｇｏｉｎｇ Ｄｅｅｐｅｒ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎｓ」、セゲディ（Ｓｚｅｇｅｄｙ）ら、２０１５ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）、Ｊｕｎｅ ２０１５、９ ｐａｇｅｓ、に見ることができ、これは本明細書に完全に明記されるかのように引用により援用する。本明細書に説明される実施形態は、この参照文献において説明されるようにさらに構成され得る。
いくつかの実施形態において、１つ以上の標本の名目上のインスタンスは、自然情景画像を含む。例えば、自然情景画像を使用して作成されたモデルを開始点として使用して、半導体データ（光学またはＳＥＭまたは本明細書に説明される任意の他の非名目上のインスタンス情報）に対してトレーニングされるモデルをファインチューニングすることができる。これは、比較的多くの自然画像に対してトレーニングすることから学習した低次の特徴部が半導体欠陥データを分類するのに役立つ転移学習の例である。本発明者らは、自然から半導体データへの転移学習を利用するとき、トレーニング時間の１０倍の短縮を実証した。この様式では、自然画像は、半導体データに対するトレーニング時間を加速させるために使用することができる。このトレーニング時間の短縮は、半導体データを使用するトレーニングセッションの初期化点として自然画像からのモデル重みを使用することによって達成される。自然と半導体データとの間でのこの重みの共有は、本明細書に説明される転移学習のいずれによっても達成することができる。追加の利益として、本発明者らは、自然画像から初期化された重みを用いてモデルをトレーニングするとき、分類精度の７％の増加を達成している。名目上のインスタンスに使用される自然情景画像は、標準自然情景画像など、当該技術分野で知られている任意の好適な自然情景画像を含み得る。この様式では、標本の名目上のインスタンスは、非半導体標本（即ち、ウェハまたはレチクルではない）を含み得るが、標本の非名目上のインスタンスは、半導体標本（即ち、ウェハおよびレチクル）を含み得る。したがって、トレーニングおよび再トレーニングは、異なる種類の標本を使用して実施され得る。さらには、標本の名目上のインスタンスは、異なる種類の自然情景（例えば、動物、人間、物体など）の画像を含み得る。
別の実施形態において、１つ以上の標本の名目上のインスタンスは、２種類以上のデータを含む。２種類以上のデータが、同じ種類の標本（例えば、ウェハのみまたはレチクルのみ）のために生成されてもよい。加えて、２種類以上のデータが、異なる撮像の種類（例えば、光学および電子ビーム）を使用して生成されてもよい。この様式では、様々な半導体データが、目標データセットのためのトレーニング時間を加速させるために使用され得る。例えば、上の実施形態の異形において、様々な半導体データからのデータ（光学およびＳＥＭ）を使用してモデルをトレーニングすることができ、このモデルは次いで、目標の半導体データセットに対してモデルをトレーニングするために開始点として使用され得る。この手法は、自然画像からの低次の特徴部を学習し、それらを半導体データに合うようにファインチューニングするという同様の影響を有する。様々な半導体データからデータをトレーニングすることは、モデルまたはネットワークが、その後目標のデータセットに転移され得る半導体データの低次表現を学習することを助ける。転移学習のこの兆候がまた、トレーニング時間を著しく加速させる。
いくつかの実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含み、欠陥は、設計内に合成欠陥を作成するために１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、非名目上のインスタンスのための情報は、合成欠陥がプリントされる１つ以上の標本のための撮像または計測システムによって生成された出力を含む。例えば、実験的方法および合成的方法の組み合わせに関与するハイブリッド手法を使用する転移学習トレーニング入力生成法の例は、設計空間における上記のような合成的レイアウト欠陥の生成、および修正された設計でマスクを作り、それらのマスクでウェハを処理することによってウェハ上のそれらの合成的レイアウト欠陥の実験的影響を決定することを含む。この様式では、機械学習ベースのモデルを、プログラムされた欠陥の実画像によってトレーニングすることができる。
１つの実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含み、欠陥は、設計内に合成欠陥を作成するために１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、非名目上のインスタンスのための情報は、変更された設計を含む。例えば、設計内の合成欠陥は、それらを生成的モードに供給することなく分離して消費され得る。設計内に作成された欠陥は、ネットワークが学習するために名目上のパターンが壊される構造体の例としての役割を果たすため、必ずしも正当な構造体である必要はない。これらの合成欠陥は、実際のパターン欠陥の必要性への依存を低減し、それによりデータ取得期間を低減し、ひいてはそれがモデルトレーニング時間を加速させる。この様式では、本明細書に説明される実施形態は、合成的設計欠陥を直接（生成的モデルなしに）使用してトレーニング時間を短縮し得る。
上に説明される転移学習トレーニング入力生成法ｂ）およびｃ）の設計プロセスは、工程能力、リソグラフィ能力、およびツールシミュレーション能力を利用し得る。例えば、別の実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含み、欠陥は、設計内に合成欠陥を作成するために１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、非名目上のインスタンスのための情報は、他のモデルの出力を含み、他のモデルの出力は、合成欠陥がプリントされる１つ以上の標本を表す。実験的にトレーニングされたプロセスモデルの１つの例としては、ノースカロライナ州ケーリーのＣｏｖｅｎｔｏｒ，Ｉｎｃ．から市販されているＳＥＭｕｌａｔｏｒ３Ｄが挙げられる。厳密なリソグラフィ シミュレーションモデルの例は、ＫＬＡ−Ｔｅｎｃｏｒから市販されているＰｒｏｌｉｔｈであり、これは、ＳＥＭｕｌａｔｏｒ３Ｄ生成物と協調して使用され得る。しかしながら、この実施形態において使用される他のモデルは、実標本を設計データから形成することに関与するプロセスのいずれかの任意の好適なモデルを含み得る。この様式では、変更された設計（１つ以上の合成欠陥を含むように変更された）は、変更された設計が形成されている標本が標本空間内でどのように見えるか（必ずしも、そのような標本が撮像または計測システムなどのシステムにとってどのように見えるかではない）をシミュレートするために使用され得る。したがって、他のモデルの出力は、標本が標本の２Ｄまたは３Ｄ空間でどのように見えるかを表し得る。
追加の実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含み、欠陥は、設計内に合成欠陥を作成するために１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、非名目上のインスタンスのための情報は、他のモデルの出力を含み、他のモデルの出力は、合成欠陥がプリントされる１つ以上の標本が撮像システムによって生成された標本の１つ以上の実画像内でどのように見えるかを例証する。例えば、適用され得る追加の能力は、インスペクタのシミュレーションであり、そのレシピが開発されている。そのようなモデルの例は、ＫＬＡ−Ｔｅｎｃｏｒから市販されているＷＩＮｓｉｍであり、これは、電磁（ＥＭ）波ソルバを使用してインスペクタの応答を厳密にモデル化することができる。この様式では、プログラムされた欠陥の欠陥挙動は、１つのモデルにおいて学習され、別のモデルにおいて適用され得る。そのようなシミュレーションは、本明細書に説明される任意の他の撮像サブシステムまたはシステムに対して実施され得る。加えて、そのようなシミュレーションは、当該技術分野で知られている任意の他の好適なソフトウェア、アルゴリズム、方法、またはシステムを使用して実施され得る。
さらなる実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含み、欠陥は、設計内に合成欠陥を作成するために１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、非名目上のインスタンスのための情報は、他のモデルの出力を含み、他のモデルの出力は、合成欠陥がプリントされる１つ以上の標本について計測システムによって生成された出力を表す。例えば、適用され得る追加の能力は、計測ツールシミュレーションであり、そのレシピが開発されている。この様式では、プログラムされた欠陥の欠陥挙動は、１つのモデルにおいて学習され、別のモデルにおいて適用され得る。合成欠陥がプリントされる１つ以上の標本についての計測システムの出力は、当該技術分野で知られている計測システムの任意の好適なモデルを使用して生成され得る。
いくつかの実施形態において、非名目上のインスタンスは、１つ以上の標本における欠陥のインスタンスを含み、欠陥は、設計内に合成欠陥を作成するために１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、非名目上のインスタンスのための情報は、他のモデルの出力を含み、他のモデルの出力は、合成欠陥がプリントされる１つ以上の標本について別のシステムによって生成された出力を表し、他のモデルは深層生成的モデルである。１つのそのような実施形態において、合成手法を使用することによる設計／シミュレーション空間における仮想欠陥イベントの導入を介した転移学習トレーニング入力生成では、ＣＡＤ設計は、欠陥（例えば、オープン、ショート、凸、ラインエンド、計測マーカなど）を合成的に生成するために使用することができ、次いで、本明細書にさらに説明される深層生成的モデルによって処理され得る（トレーニング画像上に現実的な欠陥を作成するため）。この様式では、プログラムされた欠陥の欠陥挙動は、１つのモデルにおいて学習され、別のモデルにおいて適用され得る。生成的モデルは、本明細書に説明されるシステム（例えば、半導体製作システム、検査システム、欠陥レビューシステム、計測システムなど）のいずれかによって生成された出力を表すシミュレートされた出力を生成するために使用され得る。
「生成的」モデルは、概して、事実上確率的であるモデルと定義することができる。言い換えると、「生成的」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手法を実施するものではなく、そのようなものとして、（シミュレーション画像または出力が生成されている）実画像または出力を生成することに関与するプロセスの物理のモデルが必要でない。代わりに、本明細書にさらに説明されるように、生成的モデルは、データの好適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）。本明細書にさらに説明されるように、そのような生成的モデルは、本明細書に説明される実施形態のいくつかの利点を有する。加えて、生成的モデルがいくつかのアルゴリズムまたは変換を実施する複数の層を含み得るという点において、生成的モデルは、深層学習アーキテクチャを有するように構成され得る。生成的モデルに含まれるいくつかの層は、ユースケース依存であり得る。実用的な目的のため、層の好適な範囲は、２層から数十層である。
１つの実施形態において、１つ以上の構成要素は、１つ以上の標本の名目上のインスタンスのための情報を作成するように構成された深層生成的モデルを含む。例えば、ＳＥＭ（実ウェハの画像）と設計（例えばＣＡＤまたは目的のレイアウトのベクトル表現）との間の同時確率分布（平均および分散）を学習する深層生成的モデルを使用して、機械学習ベースのモデルをトレーニングするために使用される名目上のインスタンスを生成することができる。生成的モデルはまた、標本の非名目上のインスタンスについて本明細書に説明される他のシミュレーション結果を生成するために使用され得る。機械学習ベースのモデルが名目上の（目的の／非欠陥的な）サンプルに対してトレーニングされると、本明細書にさらに説明されるように、欠陥的画像または本明細書に説明される他の非名目上のインスタンスを含む転移学習トレーニング入力データセットが、機械学習ベースのモデルを再トレーニングするために使用され得る。加えて、機械学習ベースのモデルは、半導体ウェハを作るために使用された設計データ（例えばＣＡＤまたはＥＤＡデータ）を修正することによって生成される合成データを使用することによって事前にトレーニングされ得る。オープン、ショート、凸、侵入などの欠陥アーチファクトは、ラインエンド後退などの計測マーカと共に、ＣＡＤ内へ挿入され得、次いで現実的な欠陥を作成するためにチャン（Ｚｈａｎｇ）らによる上に参照された特許出願において説明されるネットワークによってトレーニングされる生成的モデル内へ供給され得る。
上にさらに説明されるように、深層生成的モデルは、１つ以上の標本の非名目上のインスタンスのための情報を生成するために使用され得る。同じ深層生成的モデルが、１つ以上の標本の名目上のインスタンスのための情報を生成するために使用され得る。この様式では、深層生成的モデルは、名目上の（参照）画像および欠陥的（試験）画像または本明細書に説明される他の情報を生成することに使用され得る。
１つの実施形態において、機械学習ベースのモデルは識別モデルである。この様式では、本実施形態は、識別モデルをトレーニングするように構成され得る。加えて、識別モデルは、検査システム（例えば、光ベースの狭帯域または広帯域インスペクタ、電子ビームベースのインスペクタなど）、または本明細書に説明される他のシステム（例えば、計測システム、欠陥レビューシステムなど）の部分であってもよい。そのようなものとして、本明細書に説明される実施形態は、識別モデル学習のための様々な検査および／または他のシステムをトレーニングするように構成され得る。識別モデルは、当該技術分野で知られている任意の好適なアーキテクチャおよび／または構成を有し得る。
条件付きモデルとも呼ばれる識別モデルは、未観測変数ｙの観測変数ｘへの依存性をモデル化するための機械学習に使用されるモデルのクラスである。確率的フレームワーク内で、これは、ｘからｙを予測するために使用され得る条件付き確率分布Ｐ（ｙ｜ｘ）をモデル化することによって行われる。生成的モデルと対照的に、識別モデルは、ｘおよびｙの同時分布からサンプルを生成することを許可しない。しかしながら、同時分布を必要としない分類および回帰などのタスクでは、識別モデルはより優れたパフォーマンスをもたらすことができる。一方、生成的モデルは、典型的には、複雑な学習タスクにおける依存性を表現することにおいて識別モデルよりも柔軟性がある。加えて、大半の識別モデルは、本質的に教師ありであり、教師なし学習へと容易に拡張することができない。最終的には、特定用途向けの詳細事項が、識別モデル対生成的モデルの選択の適合性を指示する。
別の実施形態において、機械学習ベースのモデルはニューラルネットワークである。例えば、機械学習ベースのモデルは、深層ニューラルネットワークであり得、これは、それをトレーニングするために供給されているデータに従って世界をモデル化する重みのセットを有する。ニューラルネットワークは、概して、生物学的な脳が軸索によって繋がっている生物学的な神経の比較的大きなクラスタを用いて問題を解決するやり方を大まかにモデル化する比較的大きなニューラルユニット群に基づく計算手法と定義することができる。各ニューラルユニットは、多くの他のニューラルユニットと接続され、リンクは、接続されたニューラルユニットの活性化状態に対するそれらの効果において強制または抑制となり得る。これらのシステムは、自己学習であり、明示的にプログラムされるのではなくトレーニングされ、ソリューションまたは特徴部検出が従来のコンピュータプログラムでは表現することが難しいエリアにおいて勝っている。
ニューラルネットワークは、典型的には、複数の層からなり、信号パスは前から後ろへ縦走する。ニューラルネットワークの目的は、人間の脳が行うのと同じやり方で問題を解決することであるが、いくつかのニューラルネットワークは、もっと抽象的である。現代のニューラルネットワークプロジェクトは、典型的には、数千から数百万のニューラルユニットおよび何百万もの接続と連携する。ニューラルネットワークは、当該技術分野で知られている任意の好適なアーキテクチャおよび／または構成を有し得る。
さらなる実施形態において、機械学習ベースのモデルは、畳み込みおよび逆畳み込みニューラルネットワークである。例えば、本明細書に説明される実施形態は、畳み込みおよび逆畳み込みニューラルネットワークなどの深層学習概念を利用して、通常解決困難な表現変換問題（例えばレンダリング）を解決することができる。機械学習ベースのモデルは、当該技術分野で知られている任意の畳み込みおよび逆畳み込みニューラルネットワーク構成またはアーキテクチャを有し得る。
コンピュータサブシステムはまた、機械学習ベースのモデルを標本のうちの１つ以上の標本の非名目上のインスタンスのための情報を用いて再トレーニングすることであって、それにより標本のうちの１つ以上の標本の非名目上のインスタンスのための情報の機械学習ベースのモデルへの転移学習を実施する、再トレーニングすること、を行うように構成されている。例えば、本明細書に説明される実施形態の一般的目的は、限られたトレーニングセットを用いて効率的にトレーニング可能な機械学習ベースのモデルを使用した半導体デバイスのシミュレートされたおよび／または実験的な検査および／または計測のためのシステムおよび方法を提供することである。この目的のため、一連の転移学習法を使用して、理にかなった様式で機械学習ベースのモデルの効率的なトレーニングを可能にし且つ加速させることができる。これらの転移学習法および機械学習ベースのモデルを多数の検査および計測用途に使用することができる。
転移学習は、概して、すでに学習されている関連タスク（１つ以上のソースタスク）からの知識の転移による新しいタスク（または目標タスク）における学習の改善と定義することができる。したがって、本明細書に説明される実施形態において、名目上のインスタンスのみを用いて機械学習ベースのモデルをトレーニングすることは、１つ以上のソースタスクを学習することに関与し、非名目上のインスタンスを用いて機械学習ベースのモデルを再トレーニングすることが、ソースタスク（名目上のインスタンス）から目標タスク（非名目上のインスタンス）へ知識を転移する。転移学習において、エージェントは、それがソースタスクを学習している間、ターゲットタスクについては何も（またはターゲットタスクが存在することさえ）知らない。例えば、本明細書に説明される実施形態において、機械学習ベースのモデルは、それが名目上のインスタンスを用いてトレーニングされている間、非名目上のインスタンスについて何も知らない。
しかしながら、一般に、本明細書に説明される転移学習は、当該技術分野で知られている任意の好適な様式で実施され得る。例えば、帰納的学習タスクにおいては、トレーニング例のセットから予測モデルを帰納することが目的である。帰納的学習における転移は、ソースタスク知識が目標タスクの帰納的バイアスに影響を与えることを可能にすることによって機能する。帰納的転移法において、目標タスク帰納的バイアスは、ソースタスク知識に基づいて選択または調節される。これが行われるやり方は、どの帰納的学習アルゴリズムがソースおよび目標タスクを学習するために使用されるかによって様々である。
帰納的転移は、標準の教師あり学習タスクにおける学習を改善するためのやり方としてだけでなく、比較的小さいデータセットに関与するタスクによってもたらされる難しさを相殺するためのやり方としても見ることができる。すなわち、タスクについて比較的少ない量のデータまたはクラスラベルが存在する場合、それを目標タスクとして処理し、関連ソースタスクから帰納的転移を実施することにより、より正確なモデルを導くことができる。したがって、これらの手法は、２つのデータが異なる確率分布に由来すると仮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使用して、目標タスクデータを強化する。
本明細書に説明されるような転移学習は、「Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ」、トーレイ（Ｔｏｒｒｅｙ）ら、Ｈａｎｄｂｏｏｋ ｏｆ Ｒｅｓｅａｒｃｈ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ、ＩＧＩ Ｇｌｏｂａｌ出版、Ｅ．ソリア（Ｅ．Ｓｏｒｉａ）、Ｊ．マーティン（Ｊ．Ｍａｒｔｉｎ）、Ｒ．マグダレーナ（Ｒ．Ｍａｇｄａｌｅｎａ）、Ｍ．マルティネス（Ｍ．Ｍａｒｔｉｎｅｚ）、およびＡ．セラーノ（Ａ．Ｓｅｒｒａｎｏ）編、２００９、２２ ｐａｇｅｓ、および「Ｈｏｗ ｔｒａｎｓｆｅｒａｂｌｅ ａｒｅ ｆｅａｔｕｒｅｓ ｉｎ ａ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ？」、ヨシンスキー（Ｙｏｓｉｎｓｋｉ）ら、ＮＩＰＳ２０１４、Ｎｏｖｅｍｂｅｒ ６，２０１４、１４ ｐａｇｅｓに説明されるようにさらに実施され得、これらは本明細書に完全に明記されるかのように引用により援用する。本明細書に説明される実施形態は、これらの参照文献において説明されるようにさらに構成され得る。
本明細書に説明される実施形態により使用される再トレーニング（およびトレーニング）アーキテクチャは、好ましくは、最小限の数のサンプルを用いてグランドトゥルース（検証サンプルのための）に収束されるように設計される。１つの実施形態において、１つ以上の構成要素は、１つ以上の追加の構成要素を含み、再トレーニングは、１つ以上の追加の構成要素を使用して実施され、１つ以上の追加の構成要素は、標本上のすべての層のための共通マザーネットワーク、標本上のすべての層のためのグランド共通マザーネットワーク、敵対的ネットワーク、深層敵対的生成ネットワーク、敵対的オートエンコーダ、ベイジアンニューラルネットワーク、変分型ベイジアン法のために構成された構成要素、はしごネットワーク、またはそれらのいくつかの組み合わせを含む。例えば、転移学習法は、機械学習ベースのモデルをトレーニングするために、本明細書に説明される転移学習トレーニング入力生成法のいずれかを使用して生成されたトレーニングセットに適用され得る。ここで当てはまる潜在的な概念は多く存在する。半導体ウェハと機能する可能性が著しく高いものとしては、フロントエンドオブライン（ＦＥＯＬ：ｆｒｏｎｔ ｅｎｄ ｏｆ ｌｉｎｅ）、ミドルオブライン（ＭＯＬ：ｍｉｄｄｌｅ ｏｆ ｌｉｎｅ）、およびバックエンドオブライン（ＢＥＯＬ：ｂａｃｋ ｅｎｄ ｏｆ ｌｉｎｅ）層それぞれについて共通マザーネットワークを使用すること、すべての層（ＳＥＭに対して作用する可能性の高い）についてグランド共通マザーネットワークを使用すること、トレーニングを加速させるために敵対的ネットワークを使用すること、はるかに少ない層を必要とするベイジアンニューラルネットワーク（変分ベイズ）を使用すること、ならびにトレーニングのためにはしごネットワークの概念を使用することが挙げられる。例えば、本明細書に説明される実施形態は、半導体ウェハおよびマスク検査および他の用途のため、ならびにサンプルを「合法的に拡大すること」によってトレーニングを加速させるように構成されている。これらの方法は、半教師ありとしても知られている（いくつかの例が利用可能であるが、大部分は人間またはグランドトゥルースによってラベル付けされていない）。
１つのそのような例において、コンピュータサブシステムは、マザーネットワークの概念を使用して重みの事前にトレーニングされたシステムを利用し得る。コンピュータサブシステムはまた、最小限の数のサンプルにおいて結果を達成するためにベイジアン生成的モデリングを組み合わせる半教師ありの方法などの方法を使用することができる。そのような方法の例は、２０１６年６月７日出願のチャン（Ｚｈａｎｇ）らに対する米国特許出願第１５／１７６，１３９号、および「Ｓｅｍｉ−ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ ｗｉｔｈ Ｄｅｅｐ Ｇｅｎｅｒａｔｉｖｅ Ｍｏｄｅｌｓ」、キングマ（Ｋｉｎｇｍａ）ら、ＮＩＰＳ２０１４、Ｏｃｔｏｂｅｒ ３１，２０１４、ｐｐ．１−９に説明されており、これらは本明細書に完全に明記されるかのように引用により援用する。本明細書に説明される実施形態は、これらの参照文献において説明されるようにさらに構成され得る。加えて、コンピュータサブシステムは、本明細書に完全に明記されるかのように引用により援用する「Ｓｅｍｉ−Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ ｗｉｔｈ Ｌａｄｄｅｒ Ｎｅｔｗｏｒｋｓ」、ラスムス（Ｒａｓｍｕｓ）ら、ＮＩＰＳ２０１５、Ｎｏｖｅｍｂｅｒ ２４，２０１５、ｐｐ．１−１９において提案されるものなど、教師ありおよび教師なし学習が深層ニューラルネットワーク内で組み合わされるはしごネットワークを利用し得る。本明細書に説明される実施形態は、この参照文献において説明されるようにさらに構成され得る。本明細書に説明されるコンピュータサブシステムは、本明細書に完全に明記されるかのように引用により援用する「Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｓ」、グッドフェロウ（Ｇｏｏｄｆｅｌｌｏｗ）ら、Ｊｕｎｅ １０，２０１４、ｐｐ．１−９に説明される種類の深層敵対的生成ネットワークを使用して機械学習ベースのモデルをトレーニングするようにさらに構成され得る。本明細書に説明される実施形態は、この参照文献において説明されるようにさらに構成され得る。加えて、または代替的に、本明細書に説明されるコンピュータサブシステムは、本明細書に完全に明記されるかのように引用により援用する「Ａｄｖｅｒｓａｒｉａｌ Ａｕｔｏｅｎｃｏｄｅｒｓ」、マッカーニー（Ｍａｋｈｚａｎｉ）ら、ａｒＸｉｖ：１５１１．０５６４４ｖ２、Ｍａｙ ２５，２０１６、１６ ｐａｇｅｓに説明されるものなど、敵対的オートエンコーダ（変分オートエンコーダ（ＶＡＥ）および深層生成的敵対的ネットワーク（ＤＧＡＮ）を組み合わせた方法）を使用して機械学習ベースのモデルをトレーニングするように構成され得る。本明細書に説明される実施形態は、この参照文献において説明されるようにさらに構成され得る。いくつかの場合において、コンピュータサブシステムは、本明細書に完全に明記されるかのように引用により援用する「Ｂａｙｅｓｉａｎ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」、ニール（Ｎｅａｌ）、Ｓｐｒｉｎｇｅｒ−Ｖｅｒｌａｇ Ｎｅｗ Ｙｏｒｋ、１９９６、２０４ ｐａｇｅｓに説明されるようなベイジアン学習を実施するように構成され得る。本明細書に説明される実施形態は、この参照文献において説明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はまた、本明細書に完全に明記されるかのように引用により援用する「Ｔｈｅ Ｖａｒｉａｔｉｏｎａｌ Ｂａｙｅｓ Ｍｅｔｈｏｄ ｉｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ」、シュミドル（Ｓｍｉｄｌ）、Ｓｐｒｉｎｇｅｒ−Ｖｅｒｌａｇ Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ、２００６、２２８ ｐａｇｅｓに説明されるような変分ベイズ法を実施するように構成され得る。本明細書に説明される実施形態は、この参照文献において説明されるようにさらに構成され得る。
別の実施形態において、再トレーニングは、トレーニングされた機械学習ベースの方法の畳み込み層のすべての重みを転移すること、およびトレーニングされた機械学習ベースの方法の全結合層の重みをファインチューニングすることを含む。例えば、再トレーニングは、畳み込み層（例えば層１〜３）の重みすべてを転移し、次いで全結合層のみをファインチューニングすることを含み得る。別の例において、本明細書に説明されるものなどの機械学習ベースのモデルは、初期層についてはマザーネットワークから重みをコピーし、分類特化が発生する後方の層をファインチューニングする転移学習として知られている方法によって事前にトレーニングされ得る。しかしながら、再トレーニングは、機械学習ベースのモデルの任意の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。加えて、本明細書に説明される実施形態によってトレーニングされる機械学習ベースのモデルの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機械学習ベースのモデルの任意の層のための１つ以上の重みを含み得る。１つのそのような例において、重みは、プーリング層ではなく畳み込み層のための重みを含み得る。
図２は、本明細書に説明される実施形態によって実施され得る機械学習ベースのモデル再トレーニングの１つの実施形態を例証する。例えば、名目上の（設計者の意図）構造を学習し、シミュレートされた光学およびＳＥＭ画像を生成することができる１つ以上の深層生成的法（ＤＧＭ）が、機械学習ベースのモデルをトレーニングするために使用される名目上のインスタンスのための情報を生成するために、本明細書に説明される実施形態によって使用され得る。１つのそのような例において、生成的モデル２００は、名目上のインスタンスのための情報を生成するために使用され得る。生成的モデルは、実ウェハの実画像（例えばＳＥＭ画像）と設計（例えばＣＡＤまたは目的のレイアウトのベクトル表現）との間の同時確率分布（例えば平均および分散）を学習し得る。生成的モデルは、本明細書に説明される任意の他のシミュレーションを実施するように構成され得、本明細書に説明される任意の構成を有し得る。
名目上のインスタンスのための情報は、本明細書にさらに説明されるように実施され得る機械学習ベースのモデル２０６をトレーニングするために使用され得る。ニューラルネットワークが名目上の（目的の／非欠陥的な）サンプルについてトレーニングされると、欠陥誘導の設計が、現実世界のデータ（ＰＷＱデータおよび／またはウェハにプリントされる構造内に設計された欠陥プロキシなど）と実質的に同様に見える合成データを生成するために使用され得る。例えば、図２に示されるように、設計データ２０２は、明細書に説明されるように変更されて、設計データ内に合成欠陥を生成し得る。その変更された設計データは、生成的モデル２００に入力されて、変更された設計データに基づいて１つ以上の標本の非名目上のインスタンス（即ち、合成欠陥）のための情報を生成し得る。この様式で生成された非名目上のインスタンスのための情報はまた、本明細書にさらに説明されるように実施され得るモデルの再トレーニングのために機械学習ベースのモデル２０６に提供され得る。設計データおよび／または変更された設計データが機械学習ベースのモデルによって実施される１つ以上のステップのために使用され得るように、設計データおよび／または変更された設計データはまた、機械学習ベースのモデルへと提供され得る。
図２にさらに示されるように、実ウェハデータ２０４は、本明細書にさらに説明されるように生成され得る（例えばＰＷＱおよび／またはＦＥＭトレーニングウェハを使用して）。その実ウェハデータは、実ウェハデータが生成的モデルをトレーニングおよび／またはアップデートすることができるように、生成的モデル２００に提供され得る。その実ウェハデータはまた、本明細書にさらに説明されるように実施され得る、機械学習ベースのモデルの再トレーニングが実ウェハデータを使用して実施され得るように、機械学習ベースのモデル２０６に提供され得る。
本明細書に説明される機械学習ベースのモデルは、特定の標本（例えば特定のウェハまたはレチクル）、プロセス、撮像パラメータなどのために生成され得る。言い換えると、本明細書に説明される機械学習ベースのモデルは、標本に特有、プロセスに特有、撮像パラメータに特有などであり得る。この様式では、異なる機械学習ベースのモデルが、異なるウェハ層に対して生成され得る。加えて、異なる機械学習ベースのモデルが、撮像パラメータの異なるセット（例えば異なる撮像モード）に対して生成され得る。異なるモデルの各々は、データの異なるトレーニングセットを用いて生成され得る。データの異なるトレーニングセットの各々は、本明細書にさらに説明されるように生成され得る。
本明細書に説明される実施形態は、本明細書にさらに説明されるいくつかの利点を有する。加えて、本明細書に説明される実施形態は、検査および計測用途に使用可能なトレーニングされた画像生成モデルを達成することの１００〜１０００ｘの加速を可能にすることができる。
上記のシステムの各々の実施形態の各々は、１つの単一実施形態にまとめられてもよい。
別の実施形態は、機械学習ベースのモデルをトレーニングするためのコンピュータ実装の方法に関する。本方法は、１つ以上の標本の非名目上のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施される、取得することを含む。機械学習ベースのモデルは、標本のための１つ以上のシミュレーションを実施するように構成されており、機械学習ベースのモデルは、１つ以上の追加の標本の名目上のインスタンスのための情報のみを用いてトレーニングされる。本方法はまた、機械学習ベースのモデルを１つ以上の標本の非名目上のインスタンスのための情報を用いて再トレーニングすることであって、それにより１つ以上の標本の非名目上のインスタンスのための情報の機械学習ベースのモデルへの転移学習を実施する、再トレーニングすることを含む。取得することおよび再トレーニングすることは、１つ以上のコンピュータシステムによって実施される。１つ以上の構成要素は、１つ以上のコンピュータシステムによって実行され、１つ以上の構成要素は、機械学習ベースのモデルを含む。
本方法のステップの各々は、本明細書にさらに説明されるように実施されてもよい。本方法はまた、本明細書に説明されるシステム、コンピュータシステム、および／または機械学習ベースのモデルによって実施され得る任意の他のステップを含んでもよい。コンピュータシステムは、本明細書に説明される実施形態のいずれか、例えばコンピュータサブシステム１０２に従って構成され得る。加えて、上記の方法は、本明細書に説明されるシステム実施形態のいずれかによって実施され得る。
追加の実施形態は、機械学習ベースのモデルをトレーニングするためのコンピュータ実装の方法を実施するための１つ以上のコンピュータシステムに対して実行可能なプログラム命令を格納する非一時的な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は、図３に示される。具体的には、図３に示されるように、非一時的なコンピュータ可読媒体３００は、コンピュータシステム３０４に対して実行可能なプログラム命令３０２を含む。コンピュータ実装の方法は、本明細書に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などの方法を実装するプログラム命令３０２は、コンピュータ可読媒体３００に格納され得る。コンピュータ可読媒体は、磁気もしくは光学ディスク、磁気テープ、または当該技術分野で知られている任意の好適な非一時的な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、中でも手順ベース技術、構成要素ベース技術、および／またはオブジェクト指向技術など、様々なやり方のいずれかで実装され得る。例えば、プログラム命令は、要望に応じて、ＡｃｔｉｖｅＸコントロール、Ｃ＋＋オブジェクト、ＪａｖａＢｅａｎｓ（登録商標）、Ｍｉｃｒｏｓｏｆｔ Ｆｏｕｎｄａｔｉｏｎ Ｃｌａｓｓｅｓ（「ＭＦＣ」）、ＳＳＥ（Ｓｔｒｅａｍｉｎｇ ＳＩＭＤ Ｅｘｔｅｎｓｉｏｎ）、または他の技術または方法論を使用して実装され得る。
コンピュータシステム３０４は、本明細書に説明される実施形態のいずれかに従って構成され得る。
本発明の様々な態様のさらなる変形および代替実施形態は、本説明を考慮して当業者には明らかであるものとする。例えば、半導体用途のための機械学習ベースのモデルの加速トレーニングのための方法およびシステムが提供される。したがって、本説明は、例証的のみであると解釈されるべきであり、本発明を実行する一般的様式を当業者に教示するということを目的としている。本明細書に示されるおよび説明される本発明の形態は、現在好ましい実施形態として見られることが理解されるべきである。要素および材料は、本明細書に例証され説明されるものに取って代わることができ、部分およびプロセスは逆にすることができ、本発明の特定の特徴は、独立して利用することができ、すべては本発明の本説明の利益を有した後には当業者にとって明白であるものとする。以下の特許請求の範囲に説明されるような本発明の趣旨および範囲から逸脱することなく、本明細書に説明される要素に対して変更がなされてもよい。

Claims (36)

  1. 機械学習ベースのモデルをトレーニングするように構成されているシステムであって、
    １つ以上のコンピュータサブシステムと、
    前記１つ以上の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、
    標本のための１つ以上のシミュレーションを実施するように構成されている機械学習ベースのモデルであって、前記機械学習ベースのモデルは、前記標本のうちの１つ以上の標本の欠陥が存在しないことが知られているインスタンスのための情報のみを用いてトレーニングされる、機械学習ベースのモデルを含み、
    前記１つ以上のコンピュータサブシステムは、
    前記標本のうちの１つ以上の標本の欠陥のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施される、取得することと、
    前記機械学習ベースのモデルを前記標本のうちの前記１つ以上の標本の前記欠陥のインスタンスのための前記情報を用いて再トレーニングすることであって、それにより前記標本のうちの前記１つ以上の標本の前記欠陥のインスタンスのための前記情報の前記機械学習ベースのモデルへの転移学習を実施する、再トレーニングすることと、を行うように構成されているシステム。
  2. 請求項１に記載のシステムであって、前記１つ以上のシミュレーションを実施することは、前記標本のうちの１つについて１つ以上のシミュレーション画像を生成することを含み、前記１つ以上のシミュレーション画像は、前記標本のうちの前記１つが、撮像システムによって生成された前記標本のうちの前記１つの１つ以上の実画像内でどのように見えるかを例証するシステム。
  3. 請求項２に記載のシステムであって、前記撮像システムは光学ベースの撮像システムであるシステム。
  4. 請求項２に記載のシステムであって、前記撮像システムは電子ビームベースの撮像システムであるシステム。
  5. 請求項１に記載のシステムであって、前記１つ以上のシミュレーションを実施することは、前記標本のうちの１つについて１つ以上のシミュレーション測定値を生成することを含み、前記１つ以上のシミュレーション測定値は、計測システムによって前記標本のうちの前記１つについて生成された出力を表すシステム。
  6. 請求項１に記載のシステムであって、前記１つ以上の標本は、１つ以上の実際の標本を含み、その標本に対して、前記プロセスが、前記プロセスの１つ以上のパラメータの２つ以上の異なる値を用いて実施されるシステム。
  7. 請求項６に記載のシステムであって、前記プロセスは、プロセスウィンドウ認定法において前記プロセスの前記１つ以上のパラメータの前記２つ以上の異なる値を用いて実施されるシステム。
  8. 請求項６に記載のシステムであって、前記プロセスは、オーバーレイマージン決定のために設計されたプロセスウィンドウ認定法において前記プロセスの前記１つ以上のパラメータの前記２つ以上の異なる値を用いて実施されるシステム。
  9. 請求項６に記載のシステムであって、前記プロセスは、焦点露出マトリクス法において前記プロセスの前記１つ以上のパラメータの前記２つ以上の異なる値を用いて実施されるシステム。
  10. 請求項１に記載のシステムであって、取得した前記情報は、電子設計自動化ツールによって形成された前記１つ以上の標本のための合成設計データから生成されるシステム。
  11. 請求項１に記載のシステムであって、前記欠陥は、設計内に合成欠陥を作成するために前記１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含むシステム。
  12. 請求項１１に記載のシステムであって、前記１つ以上の構成要素は、前記設計内に前記合成欠陥を作成するために前記設計を変更するように構成されたインセプションモジュールをさらに含むシステム。
  13. 請求項１に記載のシステムであって、前記欠陥は、設計内に合成欠陥を作成するために前記１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、前記欠陥のインスタンスのための前記情報は、前記合成欠陥がプリントされる前記１つ以上の標本のための撮像または計測システムによって生成された出力を含むシステム。
  14. 請求項１に記載のシステムであって、前記欠陥は、設計内に合成欠陥を作成するために前記１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、前記欠陥のインスタンスのための前記情報は、他のモデルの出力を含み、前記他のモデルの前記出力は、前記合成欠陥がプリントされる前記１つ以上の標本を表すシステム。
  15. 請求項１に記載のシステムであって、前記欠陥は、設計内に合成欠陥を作成するために前記１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、前記欠陥のインスタンスのための前記情報は、他のモデルの出力を含み、前記他のモデルの前記出力は、前記合成欠陥がプリントされる前記１つ以上の標本が撮像システムによって生成された標本の１つ以上の実画像内でどのように見えるかを例証するシステム。
  16. 請求項１に記載のシステムであって、前記欠陥は、設計内に合成欠陥を作成するために前記１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、前記欠陥のインスタンスのための前記情報は、他のモデルの出力を含み、前記他のモデルの前記出力は、前記合成欠陥がプリントされる前記１つ以上の標本のための計測システムによって生成された出力を表すシステム。
  17. 請求項１に記載のシステムであって、前記欠陥は、設計内に合成欠陥を作成するために前記１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、前記欠陥のインスタンスのための前記情報は、他のモデルの出力を含み、前記他のモデルの前記出力は、前記合成欠陥がプリントされる前記１つ以上の標本のための別のシステムによって生成された出力を表し、前記他のモデルは深層生成的モデルであるシステム。
  18. 請求項１に記載のシステムであって、前記欠陥は、設計内に合成欠陥を作成するために前記１つ以上の標本のための設計を変更することによって生成された１つ以上の合成欠陥を含み、前記欠陥のインスタンスのための前記情報は、変更された前記設計を含むシステム。
  19. 請求項１に記載のシステムであって、前記１つ以上の構成要素は、前記１つ以上の標本の前記欠陥が存在しないことが知られているインスタンスのための前記情報を作成するように構成された深層生成的モデルをさらに含むシステム。
  20. 請求項１に記載のシステムであって、前記１つ以上の標本の前記欠陥が存在しないことが知られているインスタンスは、自然情景画像を含むシステム。
  21. 請求項１に記載のシステムであって、前記１つ以上の標本の前記欠陥が存在しないことが知られているインスタンスは、２種類以上のデータを含むシステム。
  22. 請求項１に記載のシステムであって、前記機械学習ベースのモデルは、識別モデルであるシステム。
  23. 請求項１に記載のシステムであって、前記機械学習ベースのモデルは、ニューラルネットワークであるシステム。
  24. 請求項１に記載のシステムであって、前記機械学習ベースのモデルは、畳み込みおよび逆畳み込みニューラルネットワークであるシステム。
  25. 請求項１に記載のシステムであって、前記１つ以上の構成要素は、１つ以上の追加の構成要素をさらに含み、前記再トレーニングは、前記１つ以上の追加の構成要素を使用して実施され、前記１つ以上の追加の構成要素は、敵対的ネットワーク、深層敵対的生成ネットワーク、敵対的オートエンコーダ、ベイジアンニューラルネットワーク、変分型ベイジアン法のために構成された構成要素、はしごネットワーク、またはそれらのいくつかの組み合わせを含むシステム。
  26. 請求項１に記載のシステムであって、前記再トレーニングは、トレーニングされた前記機械学習ベースの方法の畳み込み層のすべての重みを転移すること、およびトレーニングされた前記機械学習ベースの方法の全結合層の重みをファインチューニングすることを含むシステム。
  27. 請求項１に記載のシステムであって、前記標本の電子ビーム画像を生成するように構成された電子ビームベースの撮像サブシステムをさらに備え、前記１つ以上のコンピュータサブシステムが、前記電子ビームベースの撮像サブシステムから前記電子ビーム画像を受信するようにさらに構成されているシステム。
  28. 請求項１に記載のシステムであって、前記標本の光学画像を生成するように構成された光学ベースの撮像サブシステムをさらに備え、前記１つ以上のコンピュータサブシステムが、前記光学ベースの撮像サブシステムから前記光学画像を受信するようにさらに構成されているシステム。
  29. 請求項１に記載のシステムであって、前記標本の出力を生成するように構成された検査サブシステムをさらに備え、前記１つ以上のコンピュータサブシステムが、前記検査サブシステムから前記出力を受信し、前記出力に基づいて前記標本における欠陥を検出するようにさらに構成されているシステム。
  30. 請求項１に記載のシステムであって、前記標本において検出された欠陥の出力を生成するように構成された欠陥レビューサブシステムをさらに備え、前記１つ以上のコンピュータサブシステムが、前記欠陥レビューサブシステムから前記出力を受信して、前記出力に基づいて前記標本において検出された前記欠陥の特性を決定するようにさらに構成されているシステム。
  31. 請求項１に記載のシステムであって、前記標本の出力を生成するように構成された計測サブシステムをさらに備え、前記１つ以上のコンピュータサブシステムが、前記計測サブシステムから前記出力を受信し、前記出力に基づいて前記標本の特性を決定するようにさらに構成されているシステム。
  32. 請求項１に記載のシステムであって、前記標本に対して１つ以上の製作プロセスを実施するように構成された半導体製作サブシステムをさらに備えるシステム。
  33. 請求項１に記載のシステムであって、前記標本は、ウェハを含むシステム。
  34. 請求項１に記載のシステムであって、前記標本は、レチクルを含むシステム。
  35. 機械学習ベースのモデルをトレーニングするためのコンピュータ実装の方法を実施するための１つ以上のコンピュータシステムに対して実行可能なプログラム命令を格納する非一時的なコンピュータ可読媒体であって、前記コンピュータ実装の方法は、
    １つ以上の標本の欠陥のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施され、前記機械学習ベースのモデルは、前記標本のための１つ以上のシミュレーションを実施するように構成されており、前記機械学習ベースのモデルは、１つ以上の追加の標本の欠陥が存在しないことが知られているインスタンスのための情報のみを用いてトレーニングされる、取得することと、
    前記機械学習ベースのモデルを前記１つ以上の標本の欠陥のインスタンスのための前記情報を用いて再トレーニングすることであって、それにより前記１つ以上の標本の前記欠陥のインスタンスのための前記情報の前記機械学習ベースのモデルへの転移学習を実施し、前記取得することおよび前記再トレーニングすることは、前記１つ以上のコンピュータシステムによって実施され、１つ以上の構成要素は、前記１つ以上のコンピュータシステムによって実行され、前記１つ以上の構成要素は、前記機械学習ベースのモデルを含む、再トレーニングすることと、を含む非一時的なコンピュータ可読媒体。
  36. 機械学習ベースのモデルをトレーニングするためのコンピュータ実装の方法であって、
    １つ以上の標本の欠陥のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施され、前記機械学習ベースのモデルは、前記標本のための１つ以上のシミュレーションを実施するように構成されており、前記機械学習ベースのモデルは、１つ以上の追加の標本の欠陥が存在しないことが知られているインスタンスのための情報のみを用いてトレーニングされる、取得することと、
    前記機械学習ベースのモデルを前記１つ以上の標本の欠陥のインスタンスのための前記情報を用いて再トレーニングすることであって、それにより前記１つ以上の標本の前記欠陥のインスタンスのための前記情報の前記機械学習ベースのモデルへの転移学習を実施し、前記取得することおよび前記再トレーニングすることは、前記１つ以上のコンピュータシステムによって実施され、１つ以上の構成要素は、前記１つ以上のコンピュータシステムによって実行され、前記１つ以上の構成要素は、前記機械学習ベースのモデルを含む、再トレーニングすることと、を含むコンピュータ実装の方法。
JP2018534670A 2015-12-31 2016-12-30 半導体用途のための機械学習ベースのモデルの加速トレーニング Active JP6941103B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562273985P 2015-12-31 2015-12-31
US62/273,985 2015-12-31
US15/394,792 2016-12-29
US15/394,792 US9916965B2 (en) 2015-12-31 2016-12-29 Hybrid inspectors
PCT/US2016/069580 WO2017117568A1 (en) 2015-12-31 2016-12-30 Accelerated training of a machine learning based model for semiconductor applications

Publications (3)

Publication Number Publication Date
JP2019508789A JP2019508789A (ja) 2019-03-28
JP2019508789A5 JP2019508789A5 (ja) 2020-02-13
JP6941103B2 true JP6941103B2 (ja) 2021-09-29

Family

ID=59225974

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018534670A Active JP6941103B2 (ja) 2015-12-31 2016-12-30 半導体用途のための機械学習ベースのモデルの加速トレーニング

Country Status (6)

Country Link
EP (1) EP3398123A4 (ja)
JP (1) JP6941103B2 (ja)
KR (1) KR20180090385A (ja)
CN (1) CN108475351B (ja)
IL (1) IL259705B (ja)
WO (1) WO2017117568A1 (ja)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102449586B1 (ko) * 2017-02-24 2022-10-04 에이에스엠엘 네델란즈 비.브이. 기계 학습에 의해 공정 모델들을 결정하는 방법들
CN111837226B (zh) * 2018-03-05 2024-03-08 科磊股份有限公司 三维半导体结构的可视化
US10677742B2 (en) * 2018-03-09 2020-06-09 Kla-Tencor Corp. Detecting die repeating programmed defects located in backgrounds with non-repeating features
JP7323541B2 (ja) * 2018-03-13 2023-08-08 アプライド マテリアルズ インコーポレイテッド 半導体処理のモニタリングのための機械学習システム
US10789703B2 (en) * 2018-03-19 2020-09-29 Kla-Tencor Corporation Semi-supervised anomaly detection in scanning electron microscope images
DE102018207880A1 (de) 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
DE102018209562B3 (de) 2018-06-14 2019-12-12 Carl Zeiss Smt Gmbh Vorrichtungen und Verfahren zur Untersuchung und/oder Bearbeitung eines Elements für die Photolithographie
US10732130B2 (en) * 2018-06-19 2020-08-04 Kla-Tencor Corporation Embedded particle depth binning based on multiple scattering signals
DE102018211099B4 (de) 2018-07-05 2020-06-18 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses
US10657214B2 (en) 2018-10-09 2020-05-19 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
US10705514B2 (en) * 2018-10-09 2020-07-07 Applied Materials, Inc. Adaptive chamber matching in advanced semiconductor process control
US10930531B2 (en) 2018-10-09 2021-02-23 Applied Materials, Inc. Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes
JPWO2020121739A1 (ja) * 2018-12-11 2021-11-04 Ｔａｓｍｉｔ株式会社 画像マッチング方法、および画像マッチング処理を実行するための演算システム
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
JP2020131353A (ja) * 2019-02-19 2020-08-31 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
US11947890B2 (en) 2019-05-10 2024-04-02 Sandisk Technologies Llc Implementation of deep neural networks for testing and quality control in the production of memory devices
BR112021022869A2 (pt) * 2019-05-14 2022-01-04 Onesubsea Ip Uk Ltd Técnicas de aprendizagem de máquina com sistema no circuito para sistemas de telemetria de óleo e gás
US20210064977A1 (en) * 2019-08-29 2021-03-04 Synopsys, Inc. Neural network based mask synthesis for integrated circuits
EP3796230B1 (en) * 2019-09-17 2022-03-09 Imec VZW A method for determining process limits of a semiconductor process
CN110648935A (zh) * 2019-09-25 2020-01-03 上海众壹云计算科技有限公司 一种运用ai模型的半导体制造缺陷动态随机取样方法
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
KR20220147672A (ko) 2020-04-02 2022-11-03 에이에스엠엘 네델란즈 비.브이. 반도체 제조 프로세스에서 기판들의 그룹에 대한 검사 전략을 결정하기 위한 방법
EP3910417A1 (en) * 2020-05-13 2021-11-17 ASML Netherlands B.V. Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
KR20220164786A (ko) * 2020-04-06 2022-12-13 노바 엘티디. 스펙트럼 기반 계측 및 프로세스 제어를 위한 머신 및 딥 러닝 방법
US20220024032A1 (en) * 2020-07-21 2022-01-27 UiPath, Inc. Artificial intelligence / machine learning model drift detection and correction for robotic process automation
US11289387B2 (en) 2020-07-31 2022-03-29 Applied Materials, Inc. Methods and apparatus for backside via reveal processing
US11562476B2 (en) * 2020-09-03 2023-01-24 Applied Materials Israel Ltd. Determination of a simulated image of a specimen
JP2022043791A (ja) 2020-09-04 2022-03-16 キオクシア株式会社 情報処理装置
IL308126A (en) * 2021-05-06 2023-12-01 Asml Netherlands Bv A method for determining a stochastic index related to a lithographic process
CN113344886A (zh) * 2021-06-11 2021-09-03 长江存储科技有限责任公司 晶圆表面缺陷检测方法和设备
WO2023033884A1 (en) * 2021-09-02 2023-03-09 Sandisk Technologies Llc Implementation of deep neural networks for testing and quality control in the production of memory devices
US20230089092A1 (en) * 2021-09-23 2023-03-23 Applied Materials, Inc. Machine learning platform for substrate processing
WO2023083559A1 (en) * 2021-11-12 2023-05-19 Asml Netherlands B.V. Method and system of image analysis and critical dimension matching for charged-particle inspection apparatus
CN114664395A (zh) * 2022-03-25 2022-06-24 上海交通大学 基于神经网络和贝叶斯优化的热辐射材料设计方法及系统
WO2023223535A1 (ja) * 2022-05-20 2023-11-23 株式会社日立ハイテク 探索装置および探索方法並びに半導体装置製造システム

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5212765A (en) * 1990-08-03 1993-05-18 E. I. Du Pont De Nemours & Co., Inc. On-line training neural network system for process control
JP3288066B2 (ja) * 1992-03-10 2002-06-04 富士通株式会社 ネットワーク構成データ処理装置の学習処理方法およびシステム
US7167583B1 (en) 2000-06-28 2007-01-23 Landrex Technologies Co., Ltd. Image processing system for use with inspection systems
US6891627B1 (en) 2000-09-20 2005-05-10 Kla-Tencor Technologies Corp. Methods and systems for determining a critical dimension and overlay of a specimen
WO2004008244A2 (en) 2002-07-15 2004-01-22 Kla-Tencor Technologies Corp. Defect inspection methods that include acquiring aerial images of a reticle for different lithographic process variables
US6902855B2 (en) 2002-07-15 2005-06-07 Kla-Tencor Technologies Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns
US20040267397A1 (en) * 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
US7729529B2 (en) 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
US7769225B2 (en) 2005-08-02 2010-08-03 Kla-Tencor Technologies Corp. Methods and systems for detecting defects in a reticle design pattern
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8102408B2 (en) * 2006-06-29 2012-01-24 Kla-Tencor Technologies Corp. Computer-implemented methods and systems for determining different process windows for a wafer printing process for different reticle designs
US7792353B2 (en) * 2006-10-31 2010-09-07 Hewlett-Packard Development Company, L.P. Retraining a machine-learning classifier using re-labeled training samples
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US7483809B2 (en) * 2007-04-12 2009-01-27 Tokyo Electron Limited Optical metrology using support vector machine with profile parameter inputs
US8213704B2 (en) 2007-05-09 2012-07-03 Kla-Tencor Corp. Methods and systems for detecting defects in a reticle design pattern
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US8041106B2 (en) 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
US8533222B2 (en) * 2011-01-26 2013-09-10 Google Inc. Updateable predictive analytical modeling
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
US8468471B2 (en) * 2011-09-23 2013-06-18 Kla-Tencor Corp. Process aware metrology
US8570531B2 (en) * 2011-12-11 2013-10-29 Tokyo Electron Limited Method of regenerating diffraction signals for optical metrology systems
US8716662B1 (en) 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
CN102937784A (zh) * 2012-10-30 2013-02-20 中冶南方工程技术有限公司 基于人工神经网络的铸坯质量在线预报的控制方法
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US10502694B2 (en) * 2013-08-06 2019-12-10 Kla-Tencor Corporation Methods and apparatus for patterned wafer characterization
US20150204799A1 (en) * 2014-01-21 2015-07-23 International Business Machines Corporation Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services

Also Published As

Publication number Publication date
EP3398123A4 (en) 2019-08-28
EP3398123A1 (en) 2018-11-07
IL259705B (en) 2021-07-29
WO2017117568A1 (en) 2017-07-06
CN108475351B (zh) 2022-10-04
IL259705A (en) 2018-07-31
JP2019508789A (ja) 2019-03-28
KR20180090385A (ko) 2018-08-10
CN108475351A (zh) 2018-08-31

Similar Documents

Publication Publication Date Title
JP6941103B2 (ja) 半導体用途のための機械学習ベースのモデルの加速トレーニング
US11580375B2 (en) Accelerated training of a machine learning based model for semiconductor applications
TWI773888B (zh) 訓練用於低解析度影像中之缺陷偵測之神經網路
JP6758418B2 (ja) 半導体用途のための、入力画像からのシミュレーション画像の生成
JP6893514B2 (ja) ハイブリッドインスペクタ
JP6853273B2 (ja) ニューラルネットワークと順物理モデルを半導体用途に組み込んだシステムおよび方法
JP7049331B2 (ja) 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法
US10186026B2 (en) Single image detection
TWI713672B (zh) 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法
TWI734724B (zh) 針對半導體應用由低解析度影像產生高解析度影像之系統、方法及非暫時性電腦可讀媒體
KR20200039808A (ko) 결함 검출 및 분류를 위한 통합된 뉴럴 네트워크
TW201901113A (zh) 用於對準以不同模態所獲取之影像之以學習為基礎之方法
CN108351600A (zh) 从设计信息产生模拟图像

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191223

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191223

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210126

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210422

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: 20210824

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210903

R150 Certificate of patent or registration of utility model

Ref document number: 6941103

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150