JP7150918B2 - 試料の検査のためのアルゴリズムモジュールの自動選択 - Google Patents
試料の検査のためのアルゴリズムモジュールの自動選択 Download PDFInfo
- Publication number
- JP7150918B2 JP7150918B2 JP2021034973A JP2021034973A JP7150918B2 JP 7150918 B2 JP7150918 B2 JP 7150918B2 JP 2021034973 A JP2021034973 A JP 2021034973A JP 2021034973 A JP2021034973 A JP 2021034973A JP 7150918 B2 JP7150918 B2 JP 7150918B2
- Authority
- JP
- Japan
- Prior art keywords
- algorithm module
- algorithm
- score
- probability
- images
- 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
Links
Images
Classifications
-
- 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
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Description
- アルゴリズムモジュールMSによって提供された提案を正しいと認める(310)こと。
- アルゴリズムモジュールMSによって提供された提案を改善すること(オペレータは、アルゴリズムモジュールMSによって提供された楕円300よりも欠陥にさらに焦点を合わせた楕円320を提供する)。言い換えれば、アルゴリズムモジュールMSの出力は、部分的にのみ正しかった(340)。
- アルゴリズムモジュールMSによって提供された提案を拒絶する(330)こと。
いくつかの実施形態によれば、アルゴリズムモジュールによって提供された楕円と、人間によって提供された楕円との間で、交差オーバーユニオンを計算することができ、それによって、ソフトウェアが完全に正しい(310)か、全く誤っている(330)か、または部分的にのみ正しい(340)かの識別を可能にする。
図3に示されたようなフィードバックは、限定的ではない。他の実施形態によれば、フィードバックは、必ずしもグラフィック形式で提供されるとは限らず、例えば、テキスト形式で提供されることがある(例えば、人間が、欠陥の座標および/または欠陥の分類を提供する)。
MSに関連付けられたスコアの増加は、(すべてのスコアの合計を1に等しく維持するために)他のすべてのアルゴリズムモジュールに関連付けられたスコアの減少を引き起こすことがある。
MSに関連付けられたスコアの減少は、(すべてのスコアの合計を1に等しく維持するために)他のすべてのアルゴリズムモジュールに関連付けられたスコアの増加を引き起こすことがある。
- [1;0;…;0](画像が、アルゴリズムモジュールM1を訓練するために使用された訓練セットに属する場合)、
- [0;1;…;0](画像が、アルゴリズムモジュールM2を訓練するために使用された訓練セットに属する場合)、など。
実際、アルゴリズムモジュールが、訓練中に使用される画像に対して最良の結果を提供することが期待される。選択モジュールを訓練する(操作630、例えばバックプロバゲーションを使用して)するために、損失関数が、選択モジュールの出力と画像のラベルベクトルとの間で計算される(操作620)。この方法は、複数の画像に対して繰り返すことができる(640を参照)。
101 低解像度検査ツール、低解像度検査機
102 高解像度検査ツール、高解像度機械
103 システム
104 プロセッサおよびメモリ回路(PMC)
105 入力インタフェース
106 出力インタフェース
107 ストレージシステム
108 GUI
109 データレポジトリ
110 CAD(コンピュータ支援設計)サーバ
112 アルゴリズムモジュール
121 低解像度画像データ
122 高解像度画像データ
123 命令関連データ
124 命令関連データ
300 楕円
310 ソフトウェアが完全に正しい
320 楕円
330 ソフトウェアが全く誤っている
340 ソフトウェアが部分的にのみ正しい
Claims (11)
- プロセッサおよびメモリ回路(PMC)を含む、半導体試料の検査のシステムであって、前記プロセッサおよびメモリ回路(PMC)が、
- 1つまたは複数の半導体試料の画像のセットを取得することと、
- 複数のアルゴリズムモジュールを取得することであり、各アルゴリズムモジュールが、半導体試料の画像に基づいて、前記画像内の1つまたは複数の欠陥を表すデータを提供するように構成される、取得することと、
- (1)前記画像のセットの画像に対して、前記複数のアルゴリズムモジュールから少なくとも1つのアルゴリズムモジュールMSを選択することと、
- (2)前記画像を前記少なくとも1つのアルゴリズムモジュールMSに送り込んで、前記画像内の1つまたは複数の欠陥を表すデータDMSを取得することと、
- (3)前記アルゴリズムモジュールMSによって提供されたデータDMSの正しさに関する監視フィードバックを取得することと、
- (4)前記画像のセットの次の画像に対して、完了基準が満たされるまで、(1)から(3)を繰り返すことと
を行うように構成され、(1)において選択されたアルゴリズムモジュールが、前記画像のセットの少なくとも2つの異なる画像に対して異なり、
- 前記システムが、
・ 前記監視フィードバックに少なくとも基づいて、複数の前記アルゴリズムモジュールの各々に対するスコアを生成することと、
・ 前記アルゴリズムモジュールに関連付けられたスコアを使用して、前記画像のセット内の1つまたは複数の欠陥を表すデータを提供するための前記複数のアルゴリズムモジュールの中で最も適合したものとして、1つまたは複数のアルゴリズムモジュールMbestを識別することと
を行うように構成され、
(i)前記複数のアルゴリズムモジュールから少なくとも1つのアルゴリズムモジュールM S を選択することは、どのアルゴリズムモジュールが画像の欠陥を表すデータD MS を提供するために最も適合しているかを予測するように訓練された機械学習ネットワークを実装する選択モジュールによって行われること、または
(ii)(1)において前記アルゴリズムモジュールM S を選択することは、前記アルゴリズムモジュールM S に関連付けられたスコアを使用することを含み、前記スコアは、前記アルゴリズムモジュールM S を選択する必要がある確率を示し、前記スコアは、少なくとも(3)において以前に得られた監視フィードバックに基づいて生成されていることを満たす、システム。 - アルゴリズムモジュールに対して生成された前記スコアは、正のフィードバックが前記アルゴリズムモジュールに対して取得された回数と、前記アルゴリズムモジュールが(1)において選択された回数との間の比を表す、請求項1に記載のシステム。
- 前記アルゴリズムモジュールMSが、前記画像のセット内の1つまたは複数の欠陥を表すデータを提供するように適合されている確率を表す前記アルゴリズムモジュールMSのスコアを(3)において生成するように構成され、前記スコアが少なくとも前記監視フィードバックに依存する、請求項1に記載のシステム。
- - 前記監視フィードバックが(3)における前記データDMSを正しいと認める場合、前記アルゴリズムモジュールMSに関連付けられた前記スコアが、前記アルゴリズムモジュールMSに以前に関連付けられたスコアに関して増加され、
- 前記監視フィードバックが(3)における前記データDMSを拒絶する場合、前記アルゴリズムモジュールMSに関連付けられた前記スコアが、前記アルゴリズムモジュールMSに以前に関連付けられたスコアに関して減少され、
- 前記少なくとも1つのアルゴリズムモジュールMbestが、前記複数のアルゴリズムモジュールの中で最も高いスコアに関連付けられる、請求項3に記載のシステム。 - (i)を満たし、前記システムは、
前記選択モジュールから、前記複数のアルゴリズムモジュールの各アルゴリズムモジュールについての第1の確率を取得することであって、前記第1の確率は各アルゴリズムモジュールが前記画像内の欠陥を表すデータを提供するために適合される確率を表す、第1の確率を取得し、
各アルゴリズムモジュールの第2の確率を取得することであって、前記第2の確率は最初の反復において、予め定義され、監視フィードバックに応じて進化し、前記第2の確率はアルゴリズムモジュールが画像内の1つまたは複数の欠陥を表すデータを提供するために選択されるべき確率を表す、第2の確率を取得し、
前記第1の確率及び前記第2の確率に基づいて各アルゴリズムモジュールの前記スコアを生成するように構成される、請求項1に記載のシステム。 - 半導体試料の検査の方法であって、プロセッサおよびメモリ回路(PMC)によって、
- 1つまたは複数の半導体試料の画像のセットを取得することと、
- 複数のアルゴリズムモジュールを取得することであり、各アルゴリズムモジュールが、半導体試料の画像に基づいて、前記画像内の1つまたは複数の欠陥を表すデータを提供するように構成される、取得することと、
- (1)前記画像のセットの画像に対して、前記複数のアルゴリズムモジュールから少なくとも1つのアルゴリズムモジュールMSを選択することと、
- (2)前記画像を前記少なくとも1つのアルゴリズムモジュールMSに送り込んで、前記画像内の1つまたは複数の欠陥を表すデータDMSを取得することと、
- (3)前記アルゴリズムモジュールMSによって提供されたデータDMSの正しさに関する監視フィードバックを取得することと、
- (4)前記画像のセットの次の画像に対して、完了基準が満たされるまで、(1)から(3)を繰り返すことであって、(1)において選択されたアルゴリズムモジュールが、前記画像のセットの少なくとも2つの異なる画像に対して異なることと、
- 前記監視フィードバックに少なくとも基づいて、複数の前記アルゴリズムモジュールの各々に対するスコアを生成することと、
- 前記アルゴリズムモジュールに関連付けられたスコアを使用して、前記画像のセット内の1つまたは複数の欠陥を表すデータを提供するための前記複数のアルゴリズムモジュールの中で最も適合したものとして、1つまたは複数のアルゴリズムモジュールMbestを識別することと
を含み、
(i)前記複数のアルゴリズムモジュールから少なくとも1つのアルゴリズムモジュールM S を選択することは、どのアルゴリズムモジュールが画像の欠陥を表すデータD MS を提供するために最も適合しているかを予測するように訓練された機械学習ネットワークを実装する選択モジュールによって行われること、または
(ii)(1)において前記アルゴリズムモジュールM S を選択することは、前記アルゴリズムモジュールM S に関連付けられたスコアを使用することを含み、前記スコアは、前記アルゴリズムモジュールM S を選択する必要がある確率を示し、前記スコアは、少なくとも(3)において以前に得られた監視フィードバックに基づいて生成されていることを満たす、方法。 - アルゴリズムモジュールに対して生成された前記スコアは、正のフィードバックが前記アルゴリズムモジュールに対して取得された回数と、前記アルゴリズムモジュールが(1)において選択された回数との間の比を表す、請求項6に記載の方法。
- 前記アルゴリズムモジュールMSが、前記画像のセット内の1つまたは複数の欠陥を表すデータを提供するように適合されている確率を表す前記アルゴリズムモジュールMSのスコアを(3)において生成することであり、前記スコアが少なくとも前記監視フィードバックに依存する、生成することを含む、請求項6に記載の方法。
- - 前記監視フィードバックが(3)における前記データDMSを正しいと認める場合、前記アルゴリズムモジュールMSに関連付けられた前記スコアが、前記アルゴリズムモジュールMSに以前に関連付けられたスコアに関して増加され、
- 前記監視フィードバックが(3)における前記データDMSを拒絶する場合、前記アルゴリズムモジュールMSに関連付けられた前記スコアが、前記アルゴリズムモジュールMSに以前に関連付けられたスコアに関して減少され、
- 前記少なくとも1つのアルゴリズムモジュールMbestが、前記複数のアルゴリズムモジュールの中で最も高いスコアに関連付けられる、
請求項8に記載の方法。 - (i)を満たし、前記方法は、
前記選択モジュールから、前記複数のアルゴリズムモジュールの各アルゴリズムモジュールについての第1の確率を取得することであって、前記第1の確率は各アルゴリズムモジュールが前記画像内の欠陥を表すデータを提供するために適合される確率を表す、第1の確率を取得し、
各アルゴリズムモジュールの第2の確率を取得することであって、前記第2の確率は最初の反復において、予め定義され、監視フィードバックに応じて進化し、前記第2の確率はアルゴリズムモジュールが画像内の1つまたは複数の欠陥を表すデータを提供するために選択されるべき確率を表す、第2の確率を取得し、
前記第1の確率及び前記第2の確率に基づいて各アルゴリズムモジュールの前記スコアを生成することを含む、請求項8に記載の方法。 - プロセッサおよびメモリ回路(PMC)によって実行されるとき、前記PMCに操作を実行させる命令を含む非一過性コンピュータ可読媒体であって、前記操作が、
- 複数のアルゴリズムモジュールを取得する際に、1つまたは複数の半導体試料の画像のセットを取得することであり、各アルゴリズムモジュールが、半導体試料の画像に基づいて、前記画像内の1つまたは複数の欠陥を表すデータを提供するように構成される、取得することと、
- (1)前記画像のセットの画像に対して、前記複数のアルゴリズムモジュールから少なくとも1つのアルゴリズムモジュールMSを選択することと、
- (2)前記画像を前記少なくとも1つのアルゴリズムモジュールMSに送り込んで、前記画像内の1つまたは複数の欠陥を表すデータDMSを取得することと、
- (3)アルゴリズムモジュールMSによって提供されたデータDMSの正しさに関する監視フィードバックを取得することと、
- (4)前記画像のセットの次の画像に対して、完了基準が満たされるまで、(1)から(3)を繰り返すことであって、(1)において選択されたアルゴリズムモジュールが、前記画像のセットの少なくとも2つの異なる画像に対して異なることと、
- 前記監視フィードバックに少なくとも基づいて、複数の前記アルゴリズムモジュールの各々に対するスコアを生成することと、
- 前記アルゴリズムモジュールに関連付けられたスコアを使用して、前記画像のセット内の1つまたは複数の欠陥を表すデータを提供するための前記複数のアルゴリズムモジュールの中で最も適合したものとして、1つまたは複数のアルゴリズムモジュールMbestを識別することと
を含
み、
(i)前記複数のアルゴリズムモジュールから少なくとも1つのアルゴリズムモジュールM S を選択することは、どのアルゴリズムモジュールが画像の欠陥を表すデータD MS を提供するために最も適合しているかを予測するように訓練された機械学習ネットワークを実装する選択モジュールによって行われること、または
(ii)(1)において前記アルゴリズムモジュールM S を選択することは、前記アルゴリズムモジュールM S に関連付けられたスコアを使用することを含み、前記スコアは、前記アルゴリズムモジュールM S を選択する必要がある確率を示し、前記スコアは、少なくとも(3)において以前に得られた監視フィードバックに基づいて生成されていることを満たす、非一過性コンピュータ可読媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/866,463 US11151710B1 (en) | 2020-05-04 | 2020-05-04 | Automatic selection of algorithmic modules for examination of a specimen |
US16/866,463 | 2020-05-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021177541A JP2021177541A (ja) | 2021-11-11 |
JP7150918B2 true JP7150918B2 (ja) | 2022-10-11 |
Family
ID=78083021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021034973A Active JP7150918B2 (ja) | 2020-05-04 | 2021-03-05 | 試料の検査のためのアルゴリズムモジュールの自動選択 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11151710B1 (ja) |
JP (1) | JP7150918B2 (ja) |
KR (1) | KR102360769B1 (ja) |
CN (2) | CN115205279A (ja) |
TW (1) | TWI763451B (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11379972B2 (en) * | 2020-06-03 | 2022-07-05 | Applied Materials Israel Ltd. | Detecting defects in semiconductor specimens using weak labeling |
US12061669B2 (en) * | 2021-06-10 | 2024-08-13 | United Microelectronics Corp | Manufacturing data analyzing method and manufacturing data analyzing device |
CN116739975A (zh) * | 2023-04-13 | 2023-09-12 | 浙江水利水电学院 | 一种半导体基板的缺陷区域的评价方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014229317A (ja) | 2013-05-24 | 2014-12-08 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 1つ以上の画像処理アルゴリズムの自動選択のための方法およびシステム |
JP2015075798A (ja) | 2013-10-07 | 2015-04-20 | 株式会社日立ハイテクノロジーズ | データ処理装置、測長システム、欠陥検査システム、画像トラッキングシステム、及びデータ処理方法 |
JP2016173615A (ja) | 2013-06-24 | 2016-09-29 | 株式会社日立ハイテクノロジーズ | 計測装置 |
JP2019106112A (ja) | 2017-12-14 | 2019-06-27 | オムロン株式会社 | 情報処理装置、識別システム、設定方法及びプログラム |
JP2020064367A (ja) | 2018-10-15 | 2020-04-23 | 株式会社東芝 | 異常検知装置及び異常検知方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5414416B2 (ja) * | 2008-09-24 | 2014-02-12 | キヤノン株式会社 | 情報処理装置及び方法 |
WO2010091307A2 (en) * | 2009-02-06 | 2010-08-12 | Kla-Tencor Corporation | Selecting one or more parameters for inspection of a wafer |
US8270701B2 (en) * | 2010-01-08 | 2012-09-18 | 3M Innovative Properties Company | Optical web-based defect detection using intrasensor uniformity correction |
JP5296739B2 (ja) * | 2010-04-28 | 2013-09-25 | 浜松ホトニクス株式会社 | 半導体故障解析装置及び故障解析方法 |
WO2011153500A2 (en) * | 2010-06-04 | 2011-12-08 | Aperio Technologies, Inc. | System and method to determine slide quality of a digitized microscope slide |
NL2006700A (en) * | 2010-06-04 | 2011-12-06 | Asml Netherlands Bv | Method and apparatus for measuring a structure on a substrate, computer program products for implementing such methods & apparatus. |
CA2842824C (en) * | 2011-07-26 | 2023-03-14 | General Electric Company | Wastewater treatment plant online monitoring and control |
US9761014B2 (en) * | 2012-11-15 | 2017-09-12 | Siemens Healthcare Gmbh | System and method for registering pre-operative and intra-operative images using biomechanical model simulations |
US20160358099A1 (en) * | 2015-06-04 | 2016-12-08 | The Boeing Company | Advanced analytical infrastructure for machine learning |
CN106127120B (zh) * | 2016-06-16 | 2018-03-13 | 北京市商汤科技开发有限公司 | 姿势估计方法和装置、计算机系统 |
US10115040B2 (en) * | 2016-09-14 | 2018-10-30 | Kla-Tencor Corporation | Convolutional neural network-based mode selection and defect classification for image fusion |
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
GB201705189D0 (en) * | 2017-03-31 | 2017-05-17 | Microsoft Technology Licensing Llc | Sensor data processor with update ability |
KR102176335B1 (ko) * | 2018-02-07 | 2020-11-10 | 어플라이드 머티리얼즈 이스라엘 리미티드 | 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템 |
US11199506B2 (en) * | 2018-02-21 | 2021-12-14 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
US10957031B1 (en) * | 2019-09-06 | 2021-03-23 | Accenture Global Solutions Limited | Intelligent defect detection from image data |
-
2020
- 2020-05-04 US US16/866,463 patent/US11151710B1/en active Active
-
2021
- 2021-02-25 CN CN202210946386.XA patent/CN115205279A/zh active Pending
- 2021-02-25 CN CN202110213883.4A patent/CN113610747B/zh active Active
- 2021-03-05 JP JP2021034973A patent/JP7150918B2/ja active Active
- 2021-03-16 KR KR1020210033846A patent/KR102360769B1/ko active IP Right Grant
- 2021-04-21 TW TW110114340A patent/TWI763451B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014229317A (ja) | 2013-05-24 | 2014-12-08 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 1つ以上の画像処理アルゴリズムの自動選択のための方法およびシステム |
JP2016173615A (ja) | 2013-06-24 | 2016-09-29 | 株式会社日立ハイテクノロジーズ | 計測装置 |
JP2015075798A (ja) | 2013-10-07 | 2015-04-20 | 株式会社日立ハイテクノロジーズ | データ処理装置、測長システム、欠陥検査システム、画像トラッキングシステム、及びデータ処理方法 |
JP2019106112A (ja) | 2017-12-14 | 2019-06-27 | オムロン株式会社 | 情報処理装置、識別システム、設定方法及びプログラム |
JP2020064367A (ja) | 2018-10-15 | 2020-04-23 | 株式会社東芝 | 異常検知装置及び異常検知方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210343000A1 (en) | 2021-11-04 |
CN113610747A (zh) | 2021-11-05 |
US11151710B1 (en) | 2021-10-19 |
TWI763451B (zh) | 2022-05-01 |
CN113610747B (zh) | 2022-08-19 |
KR20210135416A (ko) | 2021-11-15 |
JP2021177541A (ja) | 2021-11-11 |
KR102360769B1 (ko) | 2022-02-14 |
CN115205279A (zh) | 2022-10-18 |
TW202147249A (zh) | 2021-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110945528B (zh) | 产生可用于检查半导体样品的训练集的方法及其系统 | |
JP7150918B2 (ja) | 試料の検査のためのアルゴリズムモジュールの自動選択 | |
KR102466582B1 (ko) | 결함 분류기 트레이닝을 위한 능동적 학습 | |
CN111512324B (zh) | 半导体样品的基于深度学习的检查的方法及其系统 | |
US10679333B2 (en) | Defect detection, classification, and process window control using scanning electron microscope metrology | |
KR20210087874A (ko) | 시편의 기계 학습 기반 결함 검출 | |
JP2019537839A (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 | |
US12007335B2 (en) | Automatic optimization of an examination recipe | |
EP4092632A1 (en) | Systems and methods for sample generation for identifying manufacturing defects | |
US20230343078A1 (en) | Automated defect classification and detection | |
US11948347B2 (en) | Fusion model training using distance metrics | |
TW202347396A (zh) | 用於晶圓之成像資料集中異常之偵測與分類的電腦實施方法以及使用此方法的系統 | |
US11639906B2 (en) | Method and system for virtually executing an operation of an energy dispersive X-ray spectrometry (EDS) system in real-time production line | |
US20240087300A1 (en) | Systematic testing of ai image recognition | |
Sinha et al. | Design and optimization of three class object detection modalities for manufacturing steel surface fault diagnosis and dimensionality classification | |
JP2023544502A (ja) | 可解釈な深層学習ベース欠陥検出及び分類 | |
KR20240140120A (ko) | 웨이퍼의 이미징 데이터세트에서 이상들의 검출 및 분류를 위한 컴퓨터에 의해 구현되는 방법, 및 이러한 방법들을 이용하는 시스템들 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210728 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210728 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211101 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220427 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220727 |
|
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: 20220829 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220928 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7150918 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |