KR101868379B1 - 검사 영상들 내의 분류를 위한 시스템, 방법 및 컴퓨터 프로그램 제품 - Google Patents

검사 영상들 내의 분류를 위한 시스템, 방법 및 컴퓨터 프로그램 제품 Download PDF

Info

Publication number
KR101868379B1
KR101868379B1 KR1020120150749A KR20120150749A KR101868379B1 KR 101868379 B1 KR101868379 B1 KR 101868379B1 KR 1020120150749 A KR1020120150749 A KR 1020120150749A KR 20120150749 A KR20120150749 A KR 20120150749A KR 101868379 B1 KR101868379 B1 KR 101868379B1
Authority
KR
South Korea
Prior art keywords
image
segments
resolution
inspection
mask
Prior art date
Application number
KR1020120150749A
Other languages
English (en)
Other versions
KR20130072177A (ko
Inventor
미첼 달라-토르레
길 샤바트
아디 다프니
아미트 바티코프
Original Assignee
어플라이드 머티리얼즈 이스라엘 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 어플라이드 머티리얼즈 이스라엘 리미티드 filed Critical 어플라이드 머티리얼즈 이스라엘 리미티드
Publication of KR20130072177A publication Critical patent/KR20130072177A/ko
Application granted granted Critical
Publication of KR101868379B1 publication Critical patent/KR101868379B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • 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
    • 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
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • 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
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

지금 개시되는 주제의 양태에 따라, 검사된 물체의 검사 영상 내에서 식별되는 가능한 결함들을 분류하기 위한 분석 시스템이 제공되며, 상기 시스템은 검사 영상의 일부와 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 앵커 위치를 결정하도록 구성되는 패턴 짝이룸기 - 상기 앵커 위치 결정의 정확도는 검사 영상의 해상도를 초과함 -; 상이한 세그먼트들을 한 영역 내에서 규정하는 마스크 및 앵커 위치에 기초하여 상기 하나 또는 둘 이상의 세그먼트들에 대해 잠재적 결함의 분포를 결정하도록 구성되는 분포 분석 모듈; 및 상기 분포에 기초하여 잠재적 결함을 분류하도록 구성되는 분류기를 포함한다.

Description

검사 영상들 내의 분류를 위한 시스템, 방법 및 컴퓨터 프로그램 제품{SYSTEM, METHOD AND COMPUTER PROGRAM PRODUCT FOR CLASSIFICATION WITHIN INSPECTION IMAGES}
본 발명은 검사 영상들 내의 분류를 위한 시스템들 및 방법들에 관한 것이다. 특히, 본 발명은 웨이퍼들, 포토마스크들, 및 전자 회로들과 같은 미세물(minute detail)들을 갖는 인공물(artifact)들의 제조 분야에서 실시될 수 있다.
많은 실시들에 있어서, 검사된 물체들은 목표 패턴들을 발견하기 위해 영상화되며 그 후 탐색된다. 예를 들어, 적 탱크들에 대해 공중(aerial) 영상들이 탐색될 수 있으며, 제조 중 영상화된 텍스타일(textile) 직물은 구멍들에 대해 탐색될 수 있으며, 웨이퍼들과 같은 전자 회로들은 결함에 대해 영상화 및 탐색될 수 있다.
웨이퍼들의 제조 중 탐색된 결함들의 경우를 예로 들면, 결함들이 전자 회로의 적절한 작동성(operability)을 손상시킬 수 있는 동안, 전자 회로의 작동에 대한 상이한 결함들의 영향이 변할 수 있는 것이 명백하다. 따라서, 예를 들어 회로 작동에 대한 그 영향이 적다면, 일부 결함들은 검사 대상에 대해 실질적인 관심이 없을 수 있다. 또한, 미래의 유사한 전자 회로들의 제조를 위해, 상이한 결함들에 관한 지식이 유용할 수 있다.
도1a 및 1b는 전자 회로의 결함들의 2가지 타입들을 도시하고 있으며, 도1a 및 1b의 각각은 전자 비임(beam) 검사를 사용하여 스캐닝된 (웨이퍼와 같은) 전자 회로를 도시하고 있다. 도1a 및 1b에 도시된 회로들의 각각의 하나의 그레이 레벨(grey level)은 웨이퍼의 당해 부분의 전자 회로의 패턴을 나타낸다. 예를 들어, (도전성 물질 및 절연 물질과 같은) 상이한 도전성 물질들은 상이한 그레이 레벨들로 바꿀 수 있는 상이한 반사 지수(index)들을 가질 수 있다. 하기의 서술은 영상 내의 실질적으로 상이한 그레이 레벨 값들이 실질적으로 상이한 전기 도전성의 상이한 물질들을 나타내는 예에 관한 것이다.
결함들(10a 및 10c)("엣지 거칠기" 결함들로 또한 표기됨)은 2개의 상이한 물질들 사이에서 웨이퍼의 영상화된 층의 영역의 경계부상에 위치된다. 따라서, 이런 결함의 전자적 효과가 비교적 제한되며, 일부 환경들 하에서 이런 결함은 관심이 없을 수 있다.
한편, 결함들(10b, 10d)["숏 게이트(short gate)" 결함들로 또한 표기됨]은 유사한 물질들로 된 영상화된 층의 2개의 영역들 사이에 위치되며, 서로 절연되어야 하는 전자 회로들의 2개의 부분들 사이의 도전성 연결을 나타낼 수 있다. 이런 결함의 전자적 효과들은 비교적 중요할 수 있기 때문에, 일부 환경들 하에서 이런 결함은 예를 들어, 보다 높은 검사 해상도로 및/또는 보다 느리고 더욱 깊은 영상 분석을 사용하여 추가로 검사될 수 있다.
지금 개시되는 주제의 양태(aspect)에 따라, 검사된 물체의 검사 영상 내에서 식별되는 가능한 결함들을 분류하기 위한 분석 시스템이 제공되며, 상기 시스템은 검사 영상의 일부와 템플레이트(template)의 짝이룸(matching)에 기초하여 검사 영상에 대해 앵커(anchor) 위치를 결정하도록 구성되는 패턴 짝이룸기(matcher) -상기 앵커 위치 결정의 정확도는 검사 영상의 해상도를 초과함-, 영역 내에 상이한 세그먼트(segment)들을 한정(define)하는 마스크와 앵커 위치에 기초하여 상기 하나 또는 둘 이상의 세그먼트들에 대해 잠재적 결함의 분포(distribution)를 결정하도록 구성되는 분포 분석 모듈, 및 상기 분포에 기초하여 잠재적 결함을 분류하도록 구성되는 분류기(classifier)를 포함한다.
지금 개시되는 주제의 실시예에 따라, 시스템이 추가로 제공되며, 상기 검사된 물체는 전자 회로, 웨이퍼, 및 포토마스크로 구성되는 그룹으로부터 선택된다.
지금 개시되는 주제의 실시예에 따라, 시스템이 추가로 제공되며, 상기 분포 분석 모듈은 검사 영상의 해상도를 초과하는 정확도로 분포를 결정하도록 구성된다.
지금 개시되는 주제의 실시예에 따라, 시스템이 추가로 제공되며, 상기 상이한 세그먼트들은 상이한 물리적 특성들을 갖는 검사된 물체의 부분들에 대응한다.
지금 개시되는 주제의 실시예에 따라, 시스템이 또한 추가로 제공되며, 상기 분류기는 클래스(class)들이 결함 타입들에 대응하는 분류에 따라, 잠재적 결함을 분류하도록 구성되며, 검사된 물체의 작동성에 대한 상기 결함 타입들의 연관성(implication)들은 상이하다.
지금 개시되는 주제의 실시예에 따라, 시스템이 또한 추가로 제공되며, 상기 패턴 짝이룸기는 검사 영상의 다수의 부분들과 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 다수의 앵커 위치들을 결정하도록 구성되며, 상기 다수의 앵커 위치들의 결정의 정확도들은 검사 영상의 해상도를 초과하며, 상기 분포 분석 모듈은 마스크에 기초하여 및 다수의 앵커 위치들에 기초하여 마스크의 적어도 하나의 세그먼트에 대해 상기 잠재적 결함의 분포들을 결정하도록 구성되며, 상기 분류기는 분포 분석 모듈에 의한 잠재적 결함에 대해 결정된 다수의 분포들에 기초하여 잠재적 결함을 분류하도록 구성된다.
지금 개시되는 주제의 실시예에 따라, 시스템이 또한 추가로 제공되며, 상기 분류기는 특정 클래스들로 분류되는 잠재적 결함들의 추가적인 스캐닝을 선택하도록 추가로 구성되며, 상기 선택은 상기 특정 클래스들 이외의 적어도 하나의 클래스로 분류된 잠재적 결함들을 선택하는 것을 억제(refrain)하는 것을 포함하며, 상기 시스템은 검사 영상의 해상도보다 높은 해상도로 선택된 잠재적 결함들의 위치들에 기초하여 선택되는 검사된 물체의 적어도 하나의 영역을 선택적으로 스캐닝하도록 구성된 검사 모듈을 추가로 포함한다.
지금 개시되는 주제의 실시예에 따라, 기준(reference) 영상의 일부분을 다운샘플링(downsample)하기 위해 그리고 상기 다운샘플링의 결과에 기초하여 템플레이트를 발생시키기 위해, 검사된-물체 기준 영역의 기준 영상에 기초하여 마스크를 규정하도록 구성된 기준 데이터 발생기를 추가로 포함하는 시스템이 추가로 제공된다.
지금 개시되는 주제의 양태에 따라, 검사된 물체의 검사 영상 내에서 식별되는 잠재적 결함을 분류하기 위한 컴퓨터화된(computerized) 방법이 추가로 제공되며, 상기 방법은 검사 영상의 일부와 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 앵커 위치를 결정하는 단계 -상기 앵커 위치의 결정 단계의 정확도는 검사 영상의 해상도를 초과함-, 상이한 세그먼트들을 한 영역 내에서 규정하는 마스크에 기초하여 및 앵커 위치에 기초하여 하나 또는 둘 이상의 세그먼트들에 대해 잠재적 결함의 분포를 결정하는 단계, 및 상기 분포에 기초하여 잠재적 결함을 분류하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 방법이 또한 추가로 제공되며, 상기 검사된 물체는 전자 회로, 웨이퍼, 및 포토마스크로 구성되는 그룹으로부터 선택된다.
지금 개시되는 주제의 실시예에 따라, 방법이 또한 추가로 제공되며, 상기 분포의 결정 단계는 검사 영상의 해상도를 초과하는 정확도로 분포를 결정하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 방법이 또한 추가로 제공되며, 상기 상이한 세그먼트들은 상이한 물리적 특성들을 갖는 검사된 물체의 부분들에 대응한다.
지금 개시되는 주제의 실시예에 따라, 방법이 또한 추가로 제공되며, 상기 분류 단계는 클래스들이 결함 타입들에 대응하는 분류에 따라, 잠재적 결함을 분류하는 단계를 포함하며, 검사된 물체의 작동성에 대한 상기 결함 타입들의 연관성들은 상이하다.
지금 개시되는 주제의 실시예에 따라, 검사 영상의 다수의 부분들과 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 다수의 앵커 위치들을 결정하는 단계 -상기 다수의 앵커 위치들의 결정 단계의 정확도들은 검사 영상의 해상도를 초과함-, 마스크에 기초하여 및 다수의 앵커 위치들에 기초하여, 하나 또는 둘 이상의 세그먼트들에 대해 잠재적 결함의 분포들을 결정하는 단계, 및 잠재적 결함을 이에 대해 결정된 다수의 분포들에 기초하여 분류하는 단계를 포함하는 방법이 또한 추가로 제공된다.
지금 개시되는 주제의 실시예에 따라, 특정 클래스들로 분류되는 잠재적 결함들의 추가적인 스캐닝을 선택하는 단계 -상기 선택 단계는 상기 특정 클래스들 이외의 적어도 하나의 클래스로 분류된 잠재적 결함들을 선택하는 것을 억제하는 단계를 포함함-, 및 검사 영상의 해상도보다 높은 해상도로 선택된 잠재적 결함들의 위치들에 기초하여 선택되는 검사된 물체의 적어도 하나의 영역을 선택적으로 스캐닝하는 단계를 추가로 포함하는 방법이 또한 추가로 제공된다.
지금 개시되는 주제의 실시예에 따라, 방법이 추가로 제공되며, 상기 마스크는 검사된 물체 기준 영역의 기준 영상에 기초하여 결정되며, 상기 방법은 템플레이트를 발생시키는 단계를 추가로 포함하며, 상기 발생시키는 단계는 기준 영상의 일부분을 다운샘플링하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 방법이 또한 추가로 제공되며, 기준 영상은 컴퓨터-이용 설계(CAD) 데이터로부터 발생된다.
지금 개시되는 주제의 양태에 따라, 검사된 물체의 검사 영상 내에서 식별되는 잠재적 결함을 분류하기 위한 방법을 실행하기 위해, 머신(machine)에 의해 실행 가능한 명령들로 된 프로그램을 명확하게(tangibly) 구현하는 머신에 의해 판독 가능한 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 방법은 검사 영상의 일부와 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 앵커 위치를 결정하는 단계 -상기 앵커 위치의 결정 단계의 정확도는 검사 영상의 해상도를 초과함-, 상이한 세그먼트들을 한 영역 내에 규정하는 마스크에 기초하여 및 앵커 위치에 기초하여 하나 또는 둘 이상의 세그먼트들에 대해 잠재적 결함의 분포를 결정하는 단계, 및 상기 분포에 기초하여 잠재적 결함을 분류하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 검사된 물체는 전자 회로, 웨이퍼, 및 포토마스크로 구성되는 그룹으로부터 선택된다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 분포의 결정 단계는 검사 영상의 해상도를 초과하는 정확도로 분포를 결정하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 상이한 세그먼트들은 상이한 물리적 특성들을 갖는 검사된 물체의 부분들에 대응한다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 분류 단계는 클래스들이 결함 타입들에 대응하는 분류에 따라 잠재적 결함을 분류하는 단계를 포함하며, 검사된 물체의 작동성에 대한 상기 결함 타입들의 연관성들은 상이하다.
지금 개시되는 주제의 실시예에 따라, 검사 영상의 다수의 부분들과 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 다수의 앵커 위치들을 결정하는 단계 -상기 다수의 앵커 위치들의 결정 단계의 정확도들은 검사 영상의 해상도를 초과함-, 마스크에 기초하여 및 다수의 앵커 위치들에 기초하여 하나 또는 둘 이상의 세그먼트들에 대해 잠재적 결함의 분포들을 결정하는 단계, 및 잠재적 결함을 이에 대해 결정된 다수의 분포들에 기초하여 분류하는 단계를 포함하는 프로그램 저장 디바이스가 또한 추가로 제공된다.
지금 개시되는 주제의 실시예에 따라, 특정 클래스들로 분류되는 잠재적 결함들의 추가적인 스캐닝을 선택하는 단계 -상기 선택 단계는 상기 특정 클래스들 이외의 적어도 하나의 클래스로 분류된 잠재적 결함들을 선택하는 것을 억제하는 단계를 포함함-, 및 검사 영상의 해상도보다 높은 해상도로 선택된 잠재적 결함들의 위치들에 기초하여 선택되는 검사된 물체의 적어도 하나의 영역을 선택적으로 스캐닝하는 단계를 추가로 포함하는 프로그램 저장 디바이스가 또한 추가로 제공된다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 마스크는 검사된-물체 기준 영역의 기준 영상에 기초하여 결정되며, 상기 방법은 템플레이트를 발생시키는 단계를 추가로 포함하며, 상기 발생시키는 단계는 기준 영상의 일부분을 다운샘플링하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 기준 영상은 컴퓨터-이용 설계(CAD) 데이터로부터 발생된다.
본 발명을 이해하고 본 발명이 실제로 어떻게 실시되는지를 이해하기 위하여, 첨부의 도면들을 참조하여 단지 비제한적인 예로서만 실시예들이 서술될 것이다.
도1a 및 1b는 전자 회로 내의 2개의 타입들의 결함들을 도시한다.
도2는 본 발명의 실시예에 따라, 검사된 물체의 검사 영상 내에서 식별되는 잠재적 결함들을 분류하기 위해 사용될 수 있는 잠재적-결함 분석 시스템의 블럭도이다.
도3은 본 발명의 실시예에 따라, 검사된 물체의 검사 영상 내에서 식별되는 아이템(item)을 분류하기 위한 컴퓨터화된 방법의 흐름도이다.
도4는 본 발명의 실시예에 따라, 템플레이트와 마스크의 표시(representation)를 도시한다.
도5는 본 발명의 실시예에 따라, 분류에 사용된 실체(entity)들 사이의 관계들을 도시한다.
도6은 본 발명의 실시예에 따라, 검사 영상 내의 반복적인 패턴을 도시한다.
도7은 본 발명의 실시예에 따라, 마스크에 의해 규정된 다수의 세그먼트들 사이의 웨이퍼의 검사 영상에서 식별되는 잠재적 결함의 분포를 도시한다.
도8은 본 발명의 실시예에 따라, 분류를 위해 사용될 수 있는 기준 데이터를 발생시키기 위한 방법을 도시한다.
도9는 본 발명의 실시예에 따라, 분류를 위해 사용될 수 있는 기준 데이터를 발생시키기 위한 프로세스를 도시한다.
도시의 간단함 및 명료함을 위해, 도면들에 도시된 요소들은 반드시 일정한 비례로 도시된 것은 아님이 이해될 것이다. 예를 들어, 명료함을 위해 일부 요소들의 치수들은 다른 요소들에 대해 과장될 수 있다. 또한, 적절한 것으로 간주되는 경우, 대응하는 요소들 또는 유사한 요소들을 나타내기 위해, 도면들 중에서 참조 번호들이 반복될 수 있다.
하기의 상세한 설명에 있어서, 본 발명의 철저한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 설명된다. 그러나, 본 발명이 이들 특정한 세부 사항들 없이도 실행될 수 있음이 본 기술분야의 숙련자에게 이해될 것이다. 다른 경우들에 있어서, 본 발명을 불명료하게 하지 않도록 주지의 방법들, 절차들, 및 부품들은 상세히 서술되지 않았다.
설명된 서술들 및 도면들에 있어서, 동일한 참조 번호들은 상이한 실시예들 또는 구성들에 대해 공통적인 해당 부품들을 나타낸다.
달리 특정하게 언급하지 않는 한, 하기의 논의들로부터 명백한 바와 같이, 명세서 전체에 걸쳐 프로세싱, 계산, 결정, 발생, 세팅, 선택, 등과 같은 용어들을 사용한 서술들은 데이터를 다른 데이터로 조작 및/또는 변형하는 컴퓨터의 동작 및/또는 프로세스들을 포함하며, 상기 데이터는 예를 들어 전자적 양들과 같은 물리적 양들로서 표현되며, 및/또는 상기 데이터는 물리적 물체들을 나타내는 것이 인식된다. "컴퓨터"라는 용어는 비제한적인 예로서 퍼스널 컴퓨터, 서버, 컴퓨팅(computing) 시스템, 통신 디바이스, 프로세서[예를 들어, 디지털 신호 프로세서(DSP), 마이크로컨트롤러, 필드 프로그램 가능한 게이트 어레이(FPGA), 주문형 반도체(ASIC), 등], 임의의 다른 전자 컴퓨팅 디바이스, 및/또는 그 임의의 조합을 포함하는 데이터 프로세싱 능력들을 갖는 임의의 종류의 전자 디바이스를 포함하는 것으로 포괄적으로 이해되어야만 한다.
본원의 교시들에 따른 작동들은, 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램에 의해 원하는 목적들을 위해 특별히 구성된 컴퓨터에 의해 또는 원하는 목적들을 위해 특별히 형성된 범용 컴퓨터에 의해 수행될 수 있다.
여기에서 사용되는 바와 같이, "예를 들어", "~와 같은", "예컨대" 및 그 변형들의 어구(phrase)는 지금 개시되는 주제의 비제한적인 실시예들을 서술한다. 명세서에 있어서 "하나의 경우", "일부 경우들", "다른 경우들" 또는 그 변형들에 대한 기준은, 실시예(들)과 함께 서술되는 특정한 특징, 구조 또는 특성이 지금 개시되는 주제의 적어도 하나의 실시예에 포함되는 것을 의미한다. 따라서, "하나의 경우", "일부 경우들", "다른 경우들" 또는 그 변형들의 어구의 출현(appearance)은 필연적으로 동일한 실시예(들)을 지칭하지는 않는다.
명확함을 위해 별도의 실시예들의 문맥(context)에 기재되는 여기에 개시된 주제의 특정한 특징들은, 또한 단일의 실시예에서 조합하여 제공될 수 있음이 인식된다. 역으로, 간결함을 위해 단일의 실시예의 문맥에 기재되는 여기에 개시된 주제의 다양한 특징들은 또한 별도로 또는 임의의 적합한 하위조합(sub-combination)으로 제공될 수 있다.
여기에 개시되는 주제의 실시예들에 있어서, 도면들에 도시된 하나 또는 둘 이상의 스테이지(stage)들은 상이한 순서로 실행될 수 있으며 및/또는 스테이지들의 하나 또는 둘 이상의 그룹들이 동시에 실행될 수 있으며, 그리고 그 역 또한 같다. 도면들은 여기에 개시되는 주제의 실시예에 따라 시스템 아키텍쳐(architecture)의 일반적인 개략도를 도시하고 있다. 도면들의 각각의 모듈은 여기에 한정된 및 설명된 기능들을 수행하는 소프트웨어, 하드웨어 및/또는 펌웨어의 임의의 조합으로 형성될 수 있다. 도면들의 모듈들은 하나의 위치에 집중화될 수 있거나 또는 하나의 위치보다 많은 위치에 걸쳐 분산될 수 있다.
도2는 본 발명의 실시예에 따라 검사된 물체(50)의 검사 영상 내에서 식별되는 잠재적 결함들(또는 다른 타입들의 확인된 아이템들)을 분류하기 위해 사용될 수 있는 분석 시스템(200)의 블럭도이다. 반드시 그러한 것은 아니지만, 검사된 물체는 전자 회로, 웨이퍼, 및 포토마스크로 구성되는 그룹으로부터 선택될 수 있다.
시스템(200)은 많은 방법들로 검사 영상을 얻을 수 있다. 예를 들어, 시스템(200)은 웨이퍼 또는 다른 타입들의 검사된 물체를 (예를 들어, 그 제조의 상이한 스테이지들 중) 검사하는데 사용되는 검사 머신(210)과 조합될 수 있다. 다른 실시에 있어서, 시스템(200)은 이런 검사 머신에 연결될 수 있으며, 또는 검사 영상은 한번에 머신들 중 오직 하나에만 연결되는 오프라인 디바이스에 의해 전송될 수 있다. 또한, 시스템(200)은 하기에 논의되는 수정들 및/또는 특징들의 일부 또는 전부가 통합된 검사 머신일 수 있다.
하기에 더욱 상세히 서술되는 바와 같이, 시스템(200)의 부품들 중 하나 또는 둘 이상은 웨이퍼의 스캐닝된 영상에서 검출된 잠재적 결함들을 분류하는데 사용될 수 있다. 이 결정된 분류는 나중에 웨이퍼의 제조에, 및/또는 웨이퍼의 검사의 나중의 스테이지들에 사용될 수 있다. 시스템(200)이 작동할 수 있는 방법들의 일부는, 하기에 서술되는 방법(500)을 고려하여 관찰될 때 더욱 명확해질 것이다.
검사 영상의 일부와 템플레이트의 짝이룸에 기초하여, 시스템(200)은 검사 영상에 대해 앵커 위치를 결정하도록 구성되는 패턴 짝이룸기(220)를 포함한다. 예를 들어, 패턴 짝이룸기(220)는 검사 영상의 상이한 부분들과 템플레이트 사이의 상호관계를 계산하고, 그리고 템플레이트와의 그 상호관계가 가장 높은 부분에 기초하여 앵커 위치를 규정하도록 구성될 수 있다. 선택적으로, 패턴 짝이룸기(220)는 검사 영역내에서 미리 결정된 셀(cell)-크기의 셀-영역을 선택하도록 구성될 수 있다(예를 들어, 상호관계의 결과들에 기초하여, 가장 높은 상호관계를 갖는 영역을 선택한다). 반드시 그러한 것은 아니지만, 패턴 짝이룸기(220)는 검사 영상의 해상도를 초과하는 정확도로 앵커 위치를 결정하도록 구성될 수 있음이 주목되어야 한다. 패턴 짝이룸기(220)가 작동할 수 있는 방법들의 예들이 방법(500)의 스테이지들(530 및 540)과 관련하여 더욱 상세히 서술된다.
템플레이트는 기준 데이터 입력 인터페이스(202)로부터 수신될 수 있으며, 또는 영상 프로세싱 모듈(230)과 같은 시스템(200)의 부품에 의해 발생될 수 있다. 검사 영상은 검사 결과들 인터페이스(204)를 통해 수신될 수 있으며, 또는 영상 시스템(210)("검사 머신"으로 또한 표기됨)에 의해 얻어질 수 있다.
선택적으로, 시스템(200)은 검사 영상의 해상도보다 높은 해상도로 영역(110)을 업샘플링(upsampling)하도록 구성되는 영상 프로세싱 모듈(230)을 포함할 수 있다. 영상 프로세싱 모듈(230)이 작동할 수 있는 방법들의 예들이 방법(500)의 스테이지(550)와 관련하여 더욱 상세히 서술된다.
상이한 세그먼트들을 한 영역 내에 규정하는 마스크에 기초하여 및 앵커 위치에 기초하여, 마스크의 하나 또는 둘 이상의 세그먼트들에 대해 식별된 아이템(예를 들어, 잠재적 결함)의 분포를 결정하도록 분포 분석 모듈(240)이 구성된다. 분포 분석 모듈(240)이 작동할 수 있는 방법들의 예들이 방법(500)의 스테이지(560)와 관련하여 더욱 상세히 서술된다.
하기에 더욱 상세히 서술되는 바와 같이, 본 발명의 실시예에 따라, 분포 분석 모듈(240)은 마스크의 해상도에 대해 서브-픽셀(sub-pixel) 레벨로 분포를 결정하도록 구성될 수 있다.
시스템(200)의 분류기(250)는 분포 분석 모듈(240)에 의해 식별된 아이템(예를 들어, 잠재적 결함)을 그에 대해 결정된 분포에 기초하여[그리고, 가능하기로는 또한, 예를 들면 하기에 서술되는 바와 같이 분류 규칙들에 기초하여] 분류하도록 구성된다. 분류기(250)는 그 분류 중 그레이 레벨, 크기, 형상, 등과 같은 잠재적 결함에 관한 추가적인 요인들을 사용할 수 있음이 주목되어야 한다.
시스템(200)은 분류(또는 그 일부-예를 들어, 현저한 것으로 분류된 결함들만)를 유형의(tangible) 저장장치에 저장하기 위한 유형의 저장장치(260)(예를 들어, 하드-드라이브 디스크, 플래시 드라이브, 등)를 포함할 수 있다. 또한, 시스템(200)은 외부 시스템으로(예를 들어, 케이블 연결을 통해 또는 무선 연결을 통해) 분류(또는 그 일부)를 전송하기 위한 출력 인터페이스(270)를 포함할 수 있으며, 상기 외부 시스템은 분류에 기초하여 다시 작용할 수 있다.
시스템(200)은 또한 검사 모듈을 포함할 수 있으며, 이는 웨이퍼들과 같은 검사된 물체들의 스캐닝에 의해 위에 서술한 검사 영상을 제공하는 위에 서술한 검사 머신(210)일 수 있으며, 그리고 대안적으로 검사 영상의 해상도보다 높은 해상도로 웨이퍼(또는 다른 검사된 물체)를 검사하도록 구성되는 차후의(posterior) 검사 모듈(280)일 수 있다. 이 검사 모듈은 특정 클래스들로 분류되지만 그러나 다른 클래스들 중 적어도 하나로는 분류되지 않는(즉, 특정 클래스들 이외의 적어도 하나의 클래스로 분류되는 잠재적 결함들을 선택하는 것이 억제되는) 식별된 아이템들(예를 들어, 잠재적 결함들)의 위치들에 기초하여 선택되는 검사된 물체의 영역들을, 검사 영상의 해상도보다 높은 해상도로 선택적으로 스캐닝하도록 구성된다. 차후의 검사 모듈(280)의 시계(field of view)는 검사 머신(210)의 시계보다 협소할 수 있지만, 그러나 이는 반드시 그러하지는 않다.
이런 경우에 있어서, 추가적인 스캐닝을 위해 선택된 영역들은 특정 클래스들로 분류되지만 그러나 다른 클래스들 중 적어도 하나로는 분류되지 않는 잠재적 결함들의 위치들에 기초하여 선택될 수 있다. 예를 들어, 보다 높은 해상도로의 스캐닝은 "엣지 거칠기"로서 분류되는 가능한 결함들의 위치들의 둘레에서가 아니라, "숏 게이트"로서 분류되는 가능한 결함들의 위치들의 둘레에서 실시될 수 있다.
실행된다면, 검사 머신(210) 및/또는 차후의 검사 모듈(280)이 옵티컬 영상 머신들, 전자 비임 검사 머신들, 레이더들, LIDARs 등과 같은 다양한 타입들의 검사 머신들로서 실시될 수 있음이 주목되어야 한다.
일반적으로, 웨이퍼(또는 다른 검사된 물체) 내의 결함들의 식별은 상이한 기술들을 사용하여, 그 중에서도 옵티컬 검사 및 전자 비임 검사되는 기술들을 사용하여 실시될 수 있다. 시스템(200)의 사용은 하나보다 많은 단일의 검사 기술의 사용을 촉진시킬 수 있다. 예를 들어, 웨이퍼의 초기 검사가 먼저 비교적 신속하게 그리고 검사 시스템(200)에 의해 거친(coarse) 방식으로 (예를 들어, 거친 그리고 빠른 검사를 위한 옵티컬 검사 또는 전자 비임 검사 세트를 사용하여) 실시된다. 후에, 비교적 보다 느린 그러나 더욱 정확한 검사를 사용하여, 초기 검사에서 발견된 잠재적 결함들의 일부[분류기(250)의 분류 결과들에 기초하여 선택됨]가 다시 연구된다. 이런 차후의 스캐닝은 검사 머신(210)의 다른 모드로 또는 상이한 차후의 검사 모듈(280)로 (예를 들어, DRSEM-결함 관찰 스캐닝 전자 현미경에 의한 "관찰"로 또한 지칭되는 프로세스에서) 실행될 수 있다.
위에 언급한 마스크를 참조하면, 선택적으로 마스크는 다수의 타입들의 세그먼트들을 규정할 수 있으며, 상기 타입들의 개수(number)는 세그먼트들의 개수보다 적다. 이런 실시들에 있어서, 분포 분석 모듈(240)은 타입들 중 하나 또는 둘 이상의 사이에서 잠재적 결함의 타입-기반형(type-based) 분포를 결정하도록 구성될 수 있으며, 그리고 분류기(250)는 상기 타입-기반형 분포에 기초하여 잠재적 결함을 분류하도록 구성될 수 있다. 그러나, 설명의 간단함을 위해, 각각의 세그먼트는 다른 세그먼트들과는 독립적으로 핸들링되는 것으로 가정될 것이다.
반드시 그러한 것은 아니지만, 상이한 세그먼트들은 세그먼트들이 제조되는 물질, 그 반사값, 그 전기 컨덕턴스, 등과 같은 상이한 물리적 특성들을 갖는 검사된 물체의 부분들에 대응할 수 있다. 하기에 보다 상세히 논의되는 바와 같이, 분류기(250)는 클래스들이 결함 타입들에 대응하는 분류에 따라 잠재적 결함(또는 다른 식별된 아이템)을 분류하도록 구성될 수 있으며, 검사되는 물체의 작동성에 대해 결함 타입들이 미치는 연관성들은 상이하다.
일부 실시들에 있어서, 검사 영상의 다수의 부분들과 템플레이트의 짝이룸에 기초하여, 패턴 짝이룸기(220)는 검사 영상에 대해 다수의 앵커 위치들을 결정하도록 구성될 수 있다. 마찬가지로, 검사 영상의 다수의 상이한 부분들에 대한 템플레이트의 상호관계에 기초하여, 패턴 짝이룸기(220)는 선택적으로 검사 영상 내에서 미리 결정된 셀-크기의 다수의 셀-영역들을 선택하도록 구성될 수 있다. 단일의 앵커 위치를 선택하는 경우에서와 같이, 다수의 앵커 위치들의 결정 단계의 정확도들은 검사 영상의 해상도를 초과할 수 있다.
이런 실시에 있어서 마스크 및 다수의 앵커 위치들에 기초하여, 마스크의 적어도 하나의 세그먼트에 대해 잠재적 결함의 분포들을 결정하도록 분포 분석 모듈(240)이 구성될 수 있다. 또한, 분포 분석 모듈(240)에 의해 그 단일의 잠재적 결함에 대해 결정된 다수의 분포들에 기초하여, 단일의 잠재적 결함을 분류하도록 분류기(250)가 구성될 수 있다.
하기에 논의되는 도5의 용어 및 예를 참조하면, 단일의 확인된 아이템이 프로세싱된 2개 또는 3개 이상의 셀-영역들에 포함될 수 있기 때문에, 본 발명의 실시예에 따라 분류기(250)는 2개 또는 3개 이상의 상이한 셀-영역들에서 잠재적 결함을 이에 대해 결정된 분포들에 기초하여 분류하도록 구성될 수 있다.
기준 데이터 입력 인터페이스(202)를 통해 외부 시스템으로부터 마스크 및 템플레이트를 수용하는 대신에, 시스템(200)은 검사된-물체 기준 영역의 기준 영상에 기초하여 마스크를 규정하도록 구성되는 기준 데이터 발생기(도시되지 않음)를 포함할 수 있다. 시스템(200)의 기준 데이터 발생기는 기준 영상의 일부분을 다운샘플링하도록 구성될 수 있으며, 그리고 다운샘플링의 결과에 기초하여 템플레이트를 발생시키도록 구성될 수 있다. 템플레이트가 기준 영상 및/또는 검사 영상보다 낮은 해상도를 가질 수 있지만, 템플레이트의 발생 시 간단한 다운샘플링이 아닌 영상 프로세싱 기술들이 또한 다운샘플링에 추가하여 또는 다운샘플링 대신에 실시될 수 있음이 주목된다. 기준 데이터 발생기는 컴퓨터-이용 설계(CAD) 데이터로부터 기준-영상을 발생시키거나 또는 스캐닝 영상을 기준으로서 사용하도록 구성될 수 있다.
위에 서술한 바와 같이, 시스템(200) 및 그 부품이 작동할 수 있는 방법들의 일부가 방법(500)에 대해 보다 상세히 서술된다.
시스템(200)은 (PC와 같은) 컴퓨터상에서 실시될 수 있으며, 예를 들어 상기 컴퓨터는 런타임(runtime) 검사 결과들의 전체적인 분류[영상 기반 애트리뷰팅(attributing); IBA]를 실시하지만, 그러나 이는 반드시 그러한 것은 아니다. 시스템(200)의 모듈들 또는 부품들의 각각은 소프트웨어, 하드웨어, 펌웨어, 또는 그 임의의 조합으로 실시될 수 있다. 또한, 시스템(200)은 도시되지 않은 다른 부품들을 포함할 수 있으며, 본 기술분야의 숙련자에게는, 예를 들어 전원, 디스플레이 등의 포함이 명백할 것이다.
도3은 본 발명의 실시예에 따라, 검사된 물체의 검사 영상 내에서 식별된 아이템을 분류하기 위한 컴퓨터화된 방법(500)의 흐름도이다. 이전의 도면들에서 설명된 예들을 참조하면, 방법(500)은 시스템(200)에 의해 실시될 수 있다. 명확하게 서술되지 않음에도 불구하고, 시스템(200)의 상이한 실시예들은 방법(500)의 다양한 개시된 변형예들을 실시할 수 있다. 마찬가지로, 서술의 간결함 및 명료함이 이런 반복을 필요로 하지 않았더라도, 방법(500)의 상이한 실시예들은 그 실행이 시스템(200)의 다양한 개시된 변형예들을 충족시키는 스테이지들을 포함할 수 있다.
방법(500)은, 매우 미세한 크기(예를 들어, 밀리미터 또는 나노크기 물체들)로부터 비행기로부터 또는 위성으로부터 영상화된 지리학적 영역과 같은 보다 대형인 물체들까지 다양한 타입들의 검사된 물체들에 대해 실시될 수 있다. 식별된 아이템은 (예를 들어, 지역적 영상에서 탱크들을 찾는) 특정한 아이템 또는 그 그룹일 수 있지만, 그러나 또한 예를 들어 (텍스타일 직물의 구멍 또는 웨이퍼의 잠재적 제조 결함과 같은) 예상된 패턴으로부터의 일탈일 수 있다.
명세서를 명확히 하기 위하여, 전자 회로, 웨이퍼, 및 포토마스크(포토리소그래피와 같은 이런 포토마스크를 통해 광 전송을 실시하는 프로세스에서 전자 회로들 또는 다른 물체들의 제조를 위해 사용될 수 있는 부분적으로 투명한 판)로 구성되는 그룹으로부터 선택되는 검사된 물체의 변경된 예를 사용하여, 방법(500)의 상이한 스테이지들이 예시될 것이다. 검사 영상 내에서 식별된 하나 또는 둘 이상의 아이템들은 이런 경우들에 잠재적 결함들의 예를 사용하여 예시될 것이다. 그럼에도 불구하고, 이는 단지 하나의 예일 뿐이며 또한 (상기에 제공된 예들과 같은) 그 검사 영상들 내에서 식별된 검사된 물체들 및 아이템들의 다른 많은 타입들이 실시될 수 있음을 본 기술분야의 숙련자가 이해할 것이다.
방법(500)은 검사된 물체의 적어도 일부분이 영상화되는 검사 영상을 포함하는 검사 결과들을 수용하는 스테이지(510)를 포함할 수 있다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(510)는 시스템(200)의 검사 결과들 인터페이스(204)와 같은 검사 결과 인터페이스에 의해 실시될 수 있다.
검사 결과들은 검사 영상 내에서 식별된 하나 또는 둘 이상의 아이템들을 식별하는 아이템 식별 정보를 추가로 포함할 수 있다. 아이템 확인 영상은 하기 중 하나 또는 둘 이상을 포함할 수 있다.
a. 하나 또는 둘 이상의 아이템들의 각각의 위치 정보[예를 들어, 아이템에 대응하는 검사 영상의 하나 또는 둘 이상의 픽셀들의 표시, 또는 심지어 서브-픽셀 정확도의 표시]
b. (예를 들어, 픽셀로 표시된) 아이템의 크기를 나타내는 크기 정보
c. 아이템의 초기 분류를 식별하는 타입 정보
d. 검사 영상의 작은 영상 발췌들, 그 각각은 하나 또는 둘 이상의 아이템들을 포함한다.
e. 하나 또는 둘 이상의 등급화(grading) 시스템들에서 아이템의 등급(예를 들어, 표시된 잠재적 결함의 불완전함의 가능성의 표시).
명백히, 아이템 식별 정보는 추가적인 정보를 포함할 수 있다. 아이템들이 웨이퍼의 검사 영상에서 식별된 잠재적 결함들인 예에 있어서, 아이템 확인 정보는 또한 결함 리스트로서 지칭될 수 있다.
명백히, 검사 영상의 수용은 검사 영상을 캡처하는(또는 그렇지 않다면 발생시키는) 스테이지에 의해 대체될 수 있다. 예를 들어, 이것은 옵티컬 포토그래피(optical photography)에 의해, 전자 비임 검사에 의해, 레이저 비임 검사 등에 의해 실시될 수 있다. 마찬가지로, 아이템 식별 정보는 외부 실체로부터 이를 수용함으로써 얻어질 수 있을 뿐만 아니라 검사 영상을 영상-프로세싱하고 그리고 상기 영상 프로세싱의 결과들에 기초하여 아이템 확인 정보를 발생시킴으로써 얻어질 수 있다.
또한, 방법(500)은 그 내용 및 사용이 하기에 서술될 하기의 데이터 실체들(템플레이트, 마스크, 및 분류 규칙들) 중 적어도 하나를 포함하는 기준 데이터를 수용하는 단계를 포함하는 스테이지(520)를 포함할 수 있다. 다른 실시에 있어서, 이들 데이터 실체들 중 하나 또는 둘 이상은 방법의 일부분으로서 생성될 수 있다. 이런 데이터 실체들의 생성은 방법(600)과 관련하여 서술되며, 이는 방법(500)의 일부분으로서 또는 그와는 독립적으로 실시될 수 있다. 이전의 도면들에 설명된 예들을 참조하면, 스테이지(520)는 시스템(200)의 기준 데이터 입력 인터페이스(202)와 같은 기준 데이터 입력 인터페이스에 의해 실시될 수 있다. 템플레이트, 마스크 및 분류 규칙들은 사용자에 의해 규정되고 머신 등에 의해 규정되며, 기타 등등에 의해 규정될 수 있다.
방법(500)에서 그 사용의 논의의 일부분으로서 분류 규칙들이 적절한 때에 논의될 것이다. 템플레이트 및 마스크 데이터 실체들이 도4를 참조하여 소개될 것이다.
도4는 본 발명의 실시예에 따라 마스크(400)의 표시와 템플레이트(300)를 도시하고 있다. 본 발명의 이런 실시예에 따르면, 템플레이트(300)는 영상이다. 템플레이트 영상은 검사된 물체의 일부분의 실제 영상 또는 유사한 영상일 수 있다. 예를 들어, 템플레이트(300)의 영상 데이터는 검사된 물체(또는 예를 들어 하기에 서술되는 바와 같이 유사한 기준 물체)의 일부분을 실제로 영상화함으로써 얻어질 수 있다. 다른 실시예들에 있어서, 템플레이트(300)의 영상 데이터는 디자인 데이터(예를 들어, CAD 데이터)를 프로세싱함으로써 얻어질 수 있다. 하기에 서술되는 바와 같이, 템플레이트의 영상 데이터는 보다 고해상도의 본래 영상의 적어도 일부분을 다운샘플링함으로써(즉, 그 공간 해상도를 감소시킴으로써) 얻어질 수 있다. 수용된 템플레이트의 해상도는 런타임 검사 영상의 해상도와 동일할 수 있지만, 그러나 이는 반드시 그러한 것은 아니다.
(400으로 도시된 지역에 의해 표시된) 마스크는 미리 규정된 영역("셀-크기의 영역"으로 또한 지칭됨) 내에 상이한 세그먼트들(410)을 규정한다. 단위들의 변환이 적용될 수 있지만, 셀-크기의 영역에 관하여 "크기"라는 용어는 웨이퍼가 검사될 때 웨이퍼의 검사된 층의 평면과 같은 검사 평면의 좌표들과 관련되어 있다.
상이한 세그먼트들(410)은 동일한 또는 상이한 크기들을 가질 수 있으며, 그리고 동일한 또는 상이한 형상들을 가질 수 있다. 세그먼트들(410)이 직사각형으로 도시되었지만, 이는 반드시 그러한 것은 아니며, 그리고 또한 다른 형상들의 세그먼트들(410)이 실시될 수 있다. 다양한 세그먼트들(410)은 마스크의 전체 영역을 포함할 수 있지만, 그러나 이는 반드시 그러한 것은 아니다.
마스크의 크기는 외부 데이터에 응답하여 또는 달리 규정될 수 있다. 예를 들어, 검사된 물체가 (예를 들어, 도6에 예시된 바와 같이) 반복적인 패턴을 포함한다면, 마스크의 크기는 (도6에 180으로 표기된) 반복적인 영역의 크기에 또는 그 일부에 대응할 수 있다.
선택적으로, 마스크(400)에 의해 규정된 세그먼트들(410)은 다수의 타입들을 가질 수 있다(예를 들어, 타입들의 개수는 세그먼트들의 개수보다 적다). 이것은 410(1)로 표기된 3개의 세그먼트들이 동일한 타입을 갖는 것으로 예시된다. 세그먼트들(410)(또는 상이한 타입들의 세그먼트들)의 각각은 상이한 물리적 특성들을 갖는 검사된 물체의 부분들에 대응할 수 있다. 예를 들어, 검사된 물체의 전기 도전성의 상이한 레벨들은 상이한 타입들의 세그먼트들에 대응할 수 있다.
다양한 세그먼트들(410)(또는 상이한 타입들의 세그먼트들)은 방법(500)에 의해 그 분류가 달성되는 아이템들의 타입(또는 타입들)에 따라 규정될 수 있다. 예를 들어, 방법(500)이 잠재적 결함들의 분류를 위해 사용된다면, 상이한 세그먼트들(410)(또는 그 타입들)은 결함들에 대해 상이한 민감성(susceptibility)을 갖는 및/또는 상이한 타입들의 결함들을 갖는 상이한 가능성을 갖는 검사된 물체(예를 들어, 웨이퍼, 전자 회로 또는 포토마스크)의 상이한 부분들에 대응할 수 있다. 일부 실시들에 있어서, 단일의 세그먼트는 서로 연결되지 않는 영역들을 포함할 수 있음이 주목되어야 한다. 예를 들어, 이런 실시에 있어서, 모든 세그먼트들(410)(1)은 단일의 세그먼트로서 간주될 수 있으며, 동일한 타입의 여러 개의 세그먼트들로만 간주되지 않는다.
마스크는 상이한 포맷(format)들로 저장될 수 있다. 예를 들어, 마스크는 (상이한 컬러들이 상이한 타입들의 세그먼트들에 대응하는) 영상으로서, (예를 들어, 시작 지점, 치수들, 및 세그먼트들의 각각에 대해 가능한 타입으로 표기된) 테이블로서, 벡터 포맷 등으로서 저장될 수 있다.
도4에 있어서, 템플레이트(300)와 (400으로 표기된) 표시된 마스크 모두는 (비록 가능하게는 상이한 해상도들을 가질지라도) 검사된 물체의 유사한 크기의 영역에 대응한다. 그러나, 다른 실시들에 있어서, 예를 들어 도5에 예시된 바와 같이, 템플레이트 및 마스크가 속하는 물리적 영역들은 서로 상이할 수 있다. 이런 경우에, 이들 대응하는 영역들 중 하나는 부분적으로 오버랩핑되고 그리고 심지어 오버랩핑되지 않는 다른 것(도5에 예시된 바와 같이)에 포함될 수 있다.
도3으로 되돌아가서, 방법(500)은 검사 영상의 적어도 일부와 템플레이트를 상호관계시키는 스테이지(530)를 포함할 수 있다. 템플레이트가 검사 영상의 임의의 상호관계된 부분들과 반드시 동일하지는 않지만, 부분들의 일부에 대한 그 상호관계는 다른 것들에 대한 그 상호관계보다 더 높을 것이다. 예를 들어, 부분들 중 하나에 대한 템플레이트의 상호관계는 비교적 높을 수 있으며, 상기 부분에 대해 약간 시프트된(shifted) 검사 영상의 부분들보다 적어도 더 높을 수 있다. 이전의 도면들에서 설명된 예들에 관하여, 스테이지(530)는 시스템(200)의 패턴 짝이룸기(220)와 같은 패턴 짝이룸기에 의해 실시될 수 있다.
상기 상호관계는 검사 영상의 픽셀들과 반드시 일치하지는 않음이 주목되어야 한다. 상기 상호관계는 서브-픽셀 정확도로(예를 들어, 마스크 픽셀의 1000분의 1의 정확도로) 실시될 수 있음이 주목된다. 도5의 예에서 알 수 있는 바와 같이, 템플레이트를 최상으로 상호관계시키는 예가 될 예에서 가정되는 영역(130)은 검사 영상(100)의 픽셀들을 표시하는 그리드(grid) 상에 위치되는 것이 아니라, 오히려 서브-픽셀 해상도로 위치된다(따라서, 결정된다). 스테이지(530)의 상호관계 단계는 결함 리스트(예를 들어, 잠재적 결함들이 검출된 웨이퍼의 영역들에서만)에 기초하여 또는 그와 관계없이 실시될 수 있다.
방법(500)의 스테이지(540)는, 검사 영상의 일부와 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 앵커 위치를 결정하는 단계를 포함한다. 이전의 도면들에서 설명된 예들에 대해, 스테이지(540)는 패턴 짝이룸기(220)와 같은 패턴 짝이룸기에 의해 실시될 수 있다. 앵커 위치는 예를 들어 (미소한(dimensionless) 지점이거나 또는 다른 종류의 앵커일 수 있는) 앵커(120)의 위치일 수 있다. 영상(예를 들어, 도5에 도시된 영역(130))의 일부와 템플레이트의 짝이룸이 [스테이지(530)에서와 같은] 상호관계에 의해 달성될 수 있지만, 다른 실시들에 있어서 (패턴 검출, 등과 같은) 다른 짝이룸 기술들이 실시될 수 있음이 주목되어야 한다. 반드시 그러한 것은 아니지만, 일부 실시들에 있어서, 앵커 위치의 결정 단계의 정확도는 검사 영상의 해상도를 초과한다.
선택적으로, 방법(500)은 검사 영상 내에서 미리 결정된 셀-크기의 셀-영역을 선택하는 단계를 포함하는 스테이지(542)를 포함할 수 있으며, 상기 선택 단계는 검사 영상의 적어도 일부와 템플레이트의 상호관계(또는 이들 둘 사이의 다른 타입의 짝이룸)에 기초한다. 어떤 면에서, 앵커 위치와 셀-크기의 영역 사이의 지리적 관계가 미리 알려져 있다면[예를 들어, 영역(110)의 크기뿐만 아니라, 도5의 화살표(122)], 스테이지(542)의 셀-영역의 선택 단계는 스테이지(540)의 앵커 위치의 선택 단계의 직접적인 부산물일 수 있다.
단위들의 변환이 적용될 수 있지만, 셀-영역에 관하여 "크기"라는 용어는 검사 평면(예를 들어, 웨이퍼가 검사될 때 웨이퍼의 검사된 층의 평면)의 좌표들과 관련되어 있다. 셀-크기가 마스크에 의해 규정된 영역-크기와 동일할 수 있지만, 이는 반드시 그러한 것은 아니며, 그리고 마스크는 위에 서술한 셀-크기의 영역을 포함하는 더 큰 영역 내에 세그먼트들을 규정할 수 있다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(540)는 패턴 짝이룸기(220)와 같은 상호관계기(correlator)에 의해 실시될 수 있다.
마스크의 해상도가 셀-영역의 해상도보다 더 높다면, 검사 평면의 유사한 크기의 영역들에 관한 것일지라도, 두 영역들은 상이한 픽셀 크기를 가질 것임이 주목되어야 한다. 검사 평면의 좌표들 내의 템플레이트의 크기에 관하여, 셀-영역의 크기는 템플레이트의 영역보다 작거나, 유사하거나, 또는 클 수 있다.
본 발명의 일부 실시들에 있어서, 스테이지(540)의 실행 이전에 결정 규칙이 실시될 수 있으며, 그에 따라 검사 영상의 영역이 충분히 만족스런 방식으로 템플레이트와 짝이룸되지 않는다면, 방법이 종료된다. 예를 들어, 검사 영상의 어떠한 부분도 미리 결정된 임계치(threshold)를 초과하는 상호관계 스코어(score)를 갖지 않는 것으로 발견되면, 앵커 위치가 반드시 결정되지는 않는다. 템플레이트에 대한 그 상호관계에 기초하여 스테이지(530)(또는 검사 영상의 영역에 템플레이트를 짝이룸하는 다른 스테이지)의 한가지 가능한 결과는 검사 영상의 적어도 일부분으로부터 선발(single)되는 반면, 다른 가능한 결과는 짝이룸되는 영역이 발견되지 않는다는 것이다.
스테이지(540)로 되돌아가서, 선택적으로 검사 영상의 상기 선발된 부분들 중 임의의 하나에 대해 앵커가 규정될 수 있다[도5의 예를 참조하면, 앵커(120)는 검사 영상(100) 내에서 선택되는 영역(130) 내에 또는 그렇지 않으면 영역(130)에 대해 규정될 수 있다]. 스테이지(542)가 실시되면, 그 스테이지의 선택 단계는 스테이지(530)로부터 선발된 검사 영상의 부분(또는 부분들)을 선택하는 단계를 포함할 수 있지만, 검사 영상의 다른 영역을 선택하는 단계를 또한 포함할 수 있다. 도5의 예를 다시 참조하면, 스테이지(542)에서 선택된 영역(110)은 스테이지(530)에서 선택된 영역(130)보다 더 크다. ["셀-영역"(110)으로 또한 지칭되는] 영역(110)은 스테이지(540)에서 결정되는 앵커(120)에 대해 규정될 수 있다[예를 들어, 이것은 영역(130)에 대해 규정될 수 있으며, 이는 짝이룸에 기초하여 검사 영상으로부터 선발되었다].
위에 서술한 바와 같이, 검사된 물체는 (예를 들어, 도6에 예시된 바와 같이) 반복적인 패턴을 포함할 수 있다. 템플레이트가 패턴으로 반복되는 영역의 일부(또는 전부)에 대응하면, 검사 영상의 많은 유사한 부분들이 템플레이트에 짝이룸될 수 있으며[예를 들어, 스테이지(530)에서처럼 상호관계될 수 있으며], 그리고 그에 따라 스테이지(540)에서 많은 앵커 위치들이 결정될 수 있다.
예를 들어, 도6의 검사 영상(100)으로 영상화된 검사된 물체는 한 쌍의 수직선들의 다수의 발생들을 포함하는 반복적인 패턴을 포함한다. 이들 다수의 영역들이 동일하지 않지만, 이들 영역들 중 하나에 대한 템플레이트의 각각의 짝이룸은 그럼에도 불구하고 (예를 들어, 템플레이트에 대한 검사 영상의 상이한 부분들의 상호관계에 기초하여, 이는 도시되지 않았음) 스테이지(540)에서 별도의 앵커 위치의 규정으로 귀결될 수 있다.
템플레이트와 유사한 검사 영상의 다수의 부분들은 유사한 부분들이 순환하는(recurring) 패턴을 형성하지 않더라도 다수의 앵커 위치의 결정(및 가능하기로는 또한 다수의 셀-크기의 영역들의 선택)을 형성할 수 있다. 더욱이, 일부 실시들에 있어서, (예를 들어, 웨이퍼의 상이한 순환 패턴들에 대응하는) 다수의 템플레이트들이 실시될 수 있으며, 다수의 템플레이트들에 대한 검사 영상의 다양한 영역들의 짝이룸에 기초하여, 스테이지(540)에서 다수의 앵커 위치가 결정될 수 있다. 이런 경우에, 상이한 크기들의 마스크들이 이런 영역들을 위해 사용될 수 있다. 스테이지(540)에서 다수의 앵커 위치 영역들이 결정되면, 이들 다수의 앵커 위치들의 일부 또는 전부를 위해 방법(500)의 하기의 스테이지들의 일부 또는 전부가 반복될 수 있다.
위에 서술한 바와 같이, 마스크의 해상도는 상이할 수 있으며, 그리고 특히 검사 영상의 해상도보다 더 높을 수 있다. 즉, 마스크의 영역에 규정된 세그먼트들은 검사 영상의 해상도보다 더 높은 해상도로, 그리고 특히 선택적인 스테이지(542)에서 선택되는 경우, 하나 또는 둘 이상의 선택된 셀-영역들의 해상도보다 더 높은 해상도로 규정될 수 있다.
이런 경우에, 방법(500)은 검사 영상의 해상도보다 더 높은 해상도로 스테이지(542)의 셀-영역을 업샘플링하는 스테이지(550)를 선택적으로 포함할 수 있다. 특히, 스테이지(550)는 마스크의 해상도에 셀-영역을 업샘플링하는 단계를 포함할 수 있다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(550)는 시스템(200)의 영상 프로세싱 모듈(230)과 같은 영상 프로세싱 모듈에 의해 실시될 수 있다.
도5의 예를 참조하면, 영역(110)[이하, 단순히 "셀"로서 또는 "영역(110)"으로서 또한 지칭된다]은 Xcell×Ycell 픽셀들 크기의 영역이다. Xcell 및 Ycell은 정수(integer)일 수 있지만, 검사 영상(100)의 (102로 표기된) 픽셀들의 그리드 상에서 영역(110)의 위치는 정확히 읽을 필요가 없음을 알 수 있다. 예를 들어, 템플레이트와 검사 영상 사이의 최적의 짝이룸은 정수가 아닌 픽셀 좌표들에 의해 한정되는 영역을 위해 달성될 수 있다. 추가적인 예에 있어서, 앵커(120)의 위치와 대응하는 영역(110) 사이의 거리는 정수가 아닌 픽셀 좌표들로 규정될 수 있다.
도5의 우측에 있어서, 영역(110)의 업샘플링된 버전이 도시되어 있으며(도면부호 110'로 표기됨), 마스크(400)의 표시와 오버랩핑되어 있다. 인식할 수 있는 바와 같이, 검사 영상의 해상도에 있어서, ("셀"로서 또한 지칭되는) 영역(110)의 크기는 6×6 픽셀들이다. 그 업샘플링된 버전의 크기는 15×15 픽셀들이다. 도시된 예에 있어서, 영역(110') 내로의 영역(110)의 업샘플링은 N=2.5배만큼 해상도를 증가시키는 단계를 포함한다. 선택된 셀 영역의 업샘플링이 본 발명의 일부 실시들에서 실행될 수 있지만, 이는 반드시 그러한 것은 아님이 다시 주목된다. 위에 서술한 바와 같이, 일부 실시들에 있어서 이런 셀-영역은 선택 또는 규정되지 않는다.
실시된다면, 업샘플링은 간단한 선형 보간법(linear interpolation)을 포함할 수 있다. 다른 실시들에 있어서, 고등차수(bicubic) 보간법, 이중 선형 보간법, 최근린(nearest-neighbor) 보간법 등과 같은 다른 타입들의 보간법 기술들이 실시될 수 있다.
실례로서, 선형 보간법이 실시되는 예에서, 검사 영상의 가장 밝은 픽셀(140)은 마스크-해상도에서[실제로 래스터(raster) 영상으로 실시되면] 140'로 표기된 N×N 픽셀들 영역에 대응한다.
가장 밝은 픽셀(140)은 예를 들어 검사 영상의 분석 중 검출된 잠재적 결함의 위치를 표시할 수 있다. 그러나, 잠재적 결함들은 또한 단일의 픽셀보다 더 크게 또는 더 작게 규정될 수 있음이 주목되어야 한다.
마스크의 상이한 세그먼트들(410)이 서브-픽셀 해상도로 규정되어 도시되어 있다. 이것은 예를 들어 마스크의 벡터 표시로 실시될 수 있다. 일부 실시들에서 예를 들어 마스크가 래스터 영상으로서 규정되면, 마스크의 세그먼트들(410)은 전체 픽셀들의 해상도로만 규정될 수 있음이 주목되어야 한다. 마스크의 상이한 세그먼트들은 도5에서 410(3), 410(4), 410(5), 및 410(6)으로서 열거되고 있다. 410(0)으로 표기된 영역들은 마스크에서 세그먼트들로서 규정될 수 있으며(그에 따라, 전체 영역을 덮는 세그먼트들을 가지며), 또는 전혀 규정되지 않을 수 있다(그에 따라, 단지 부분적으로만 영역을 덮는 세그먼트들을 갖는다).
도3으로 되돌아가서, 방법(500)은 하나 또는 둘 이상의 세그먼트들에 대해 식별된 아이템(예를 들어, 잠재적 결함)의 분포뿐만 아니라, (위에 서술한 바와 같이, 영역 내에 상이한 세그먼트들을 규정하는) 마스크에 기초하여 및 앵커 위치에 기초하여 결정하는 스테이지(560)로 계속된다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(560)는 시스템(200)의 분포 분석 모듈(240)과 같은 분포 분석 모듈에 의해 실시될 수 있다.
도5의 예를 참조하면, 마스크의 세그먼트들과 식별된 아이템 사이의 상호관계는 앵커(120)의 위치와 마스크의 적어도 하나의 기준 지점 사이의 상호관계를 앎으로써[이것은 화살표(122)로 도시되며, 기준 데이터의 부분일 수 있다], 그리고 앵커(120)의 위치와 식별된 아이템 상의 적어도 하나의 기준 지점 사이의 상호관계를 앎으로써[이것은 화살표(124)로 도시되며, 앵커 위치와 식별된 아이템의 위치 모두가 검사 영상(100)의 좌표들로 규정될 수 있기 때문에 결정될 수 있다] 촉진될 수 있음이 주목된다.
[검사 영상의 픽셀(140)의 확대된 아날로그(analogue)인] 영역(140')은 마스크의 세그먼트들[410(0), 410(3), 및 410(6)] 사이에 분포되는 것을 알 수 있다. 위에 서술한 바와 같이, 잠재적 결함(또는 다른 아이템)의 크기는 또한 하나의 픽셀보다 크거나 작을 수 있다. 위에 서술한 바와 같이, 식별된 아이템(예를 들어, 웨이퍼의 잠재적 결함)은 위치 정보와 관련될 수 있으며, 또한 아이템 식별 정보로 얻어지는 바와 같이 가능하기로는 크기 정보 및/또는 등급과 관련될 수 있다.
분포의 결정 단계는 템플레이트의, 검사 영상의, 및/또는 마스크가 규정되는 정확도의 해상도를 초과하는 정확도로 분포를 결정하는 단계를 포함할 수 있음이 주목되어야 한다. 이것은 그 중에서도 스캐닝의 해상도의 증가를 요구하지 않으면서 고해상도 규칙들에 기초한 분류를 제공할 수 있다.
도7의 예에 있어서, 검사 영상에서 식별된 바와 같이 아이템(예를 들어, 잠재적 결함)의 크기는 단일의 픽셀(도5의 예에서처럼)이 아니라, 오히려 도7의 영역(150)에 의해 도시된 4개의 픽셀들이다. 영역(150)의 업샘플링된 유사체(analogue)는 영역(152)이다. 영역(152)은 4개의 쿼터(quarter)들로 분할된 것으로 도시되었지만, 이는 단지 예시적인 이유들을 위해 이루어지며, 그리고 위에 서술한 바와 같이, 분포의 결정 단계는 더 높은 해상도로 이루어진다.
인식할 수 있는 바와 같이, 영역(152)의 절반(half)보다 약간 큰 영역이 세그먼트[410(7)]와 오버랩핑되며, 절반보다 약간 작은 영역이 세그먼트[410(8)]와 오버랩핑된다. 이것은 {세그먼트들[410(8)]에 대응하는} 세그먼트 타입(1)이 2 바로 아래의 스코어를 수용하고, 그리고 {세그먼트들[410(7)]에 대응하는} 세그먼트 타입(2)이 2 바로 위의 스코어를 수용하는 결정된 분포(900으로 표기됨)에 의해 반영된다. 주어진 예에 있어서, 상기 분포의 스코어들은 검사 영상의 본래의 픽셀들과 동일한 단위들로 주어지지만, 그러나 본 기술분야의 숙련자는 분포를 결정하는 임의의 다른 방법이 실시될 수 있음을 이해할 것이다. 예를 들어, 분포는 백분율로, 픽셀로(일반적으로 단편적인 양), 나노미터로 등으로 결정될 수 있으며, 이런 정의는 일반적으로 분류 로직이 규정되는 정의와 유사할 것이다.
식별된 아이템에 대응하는 영역이 마스크의 다수의 세그먼트들 사이에 분포될 수 있지만, 이것은 반드시 그러한 경우는 아니며, 전체 영역은 마스크의 단일의 세그먼트에 대응할 수 있음이 주목된다.
위에 서술한 바와 같이, 마스크는 다수의 타입들의 세그먼트들{예를 들어, 세그먼트들[410(7)], 세그먼트들[410(8)]}을 한정할 수 있으며, 타입들의 개수는 세그먼트들의 개수보다 더 적다. 이런 경우에, 예를 들어 도7에 예시된 바와 같이, 분포의 결정 단계는 하나 또는 둘 이상의 타입들 사이의 잠재적 결함의 타입-기반형 분포를 결정하는 단계를 포함할 수 있다. 이런 경우의 스테이지(570)의 분류 단계는 타입-기반형 분포에 기초할 것이다.
도3으로 되돌아가서, 방법(500)은 식별된 아이템(예를 들어, 잠재적 결함)을 그에 대해 결정된 분포에 기초하여 분류하는 스테이지(570)를 추가로 포함한다. 스테이지(570)의 분류 단계는 추가로 분류 규칙들["빈닝(binning) 규칙들", "빈닝 로직" 및 "분류 로직"으로 또한 지칭될 수 있음]에 기초할 수 있다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(570)는 시스템(200)의 분류기(250)와 같은 분류기에 의해 실시될 수 있다.
분류 규칙들은, 식별된 아이템(예를 들어, 잠재적 결함)이 그에 대한 분포에 기초하여 어떤 클래스로 분류되어야 하는지를 나타낼 수 있다. 예로서, 도7의 도시를 참조하면, 웨이퍼의 검사 영상에서 식별된 잠재적 결함은 그 결함의 50% 미만이 세그먼트[410(7)]에 대응하면 중요하지 않은 것으로, 그러나 그 결함의 50% 초과가 상기 세그먼트에 대응하면 중요한 것으로, 분류되어야 하는 것을 분류 규칙들이 나타낼 수 있다.
표1은 본 발명의 실시예에 따른 빈닝 로직의 예이다. 최종 분류는 클래스 네임(Class Name) 컬럼으로 도시되어 있으며, 그에 의해 이 분류가 선택되는 규칙들은 중간의 5개의 컬럼들에 부호들(1, 0, X)로 표시되어 있다. "1"은 세그먼트가 발견되어야만 하는 것을 표시하며, "X"는 세그먼트가 발견될 수 있거나 또는 발견될 수 없음을 나타내며, "0"은 세그먼트가 발견되어서는 안되는 것을 표시한다. 우선권(priority)은 실행 시 2개 또는 3개 이상의 규칙들을 위한 조건들이 충족되면, 보다 낮은 우선권 지수(index)를 갖는 규칙이 선택될 것임을 나타낸다. 예를 들어, 규칙 2의 선택을 위한 조건들의 충족은 또한 규칙 3을 위한 자격을 줄 것이다. 그러나, 규칙 2가 보다 낮은 우선권 지수를 갖기 때문에, 이것은 규칙 3에 대해 선택될 것이다.
우선권 세그먼트 1 세그먼트 2 세그먼트 3 세그먼트 4 기타 클래스 네임
1 0 0 0 1 0 오직 4
2 0 0 0 1 1 4 및 기타
3 1 1 0 X X DOI 1
4 1 1 1 X X DOI 2
스테이지(570)의 분류는 보다 큰 분류 프로세스의 단지 일부분일 수 있으며, 이 또한 다른 매개변수들에 의존할 수 있다. 예를 들어, 식별된 아이템(예를 들어, 웨이퍼의 잠재적 결함)의 분류는 그 크기, 컬러, 명시야(bright field)/암시야(dark field), 등에 또한 의존할 수 있다. 이 분류는 종래 기술의 머신들에서 웨이퍼 검사 시 잠재적 결함들의 빈닝을 위해 사용되는 것들과 같이, 더욱 일반적인 빈닝 적용 시의 분류를 위해 방법(500)을 조합함으로써 실시될 수 있다.
위에 서술한 바와 같이, 상이한 타입들의 세그먼트들은 상이한 물리적 특성들(예를 들어, 전기 특성들, 상이한 내부 구조, 상이한 물질로의 제조, 등)을 갖는 검사된 물체의 부분들에 대응할 수 있다. 이런 경우에, 분류 단계는 검사된 물체의 전기 작동성에 대해 전기적으로 상이한 연관성들을 갖는 결함 타입들에 대응하는 클래스들로 잠재적 결함을 분류하는 단계를 포함할 수 있다. 이것은 예를 들어 웨이퍼 또는 포토마스크의 잠재적 결함들을 "엣지 거칠기" 결함들 대(versus) "숏 게이트" 결함들로 분류하는 단계를 포함할 수 있다.
위에 서술한 바와 같이, 검사 영상의 다수의 상이한 부분들에 대한 템플레이트의 짝이룸에 기초하여(가능하기로는 결함들이 검출된 검사 영상의 영역들에서만; 그러나 이는 반드시 그러하지는 않음), 방법(500)은 검사 영상 내에서 다수의 앵커 위치들(및 가능하기로는 미리 결정된 셀-크기의 다수의 셀-영역들)을 결정하는 단계를 포함할 수 있다. 이런 경우에[잠재적으로 방법(500)의 다른 스테이지들뿐만 아니라], 분포의 결정 단계 및 분류 단계의 스테이지들은 다수의 셀-영역들을 위해 반복될 수 있다.
결정된 분포로 되돌아가서, 셀-영역들이 서로 부분적으로 오버랩핑될 수 있기 때문에(예를 들어, 도6에 예시된 바와 같은 반복적인 패턴으로), 단일의 아이템(예를 들어, 잠재적인 결함)이 [스테이지(560)에서] 마스크의 2가지 경우들을 위해 프로세싱될 수 있으며, 그 결함 분포는 각각의 경우에 상이할 것임을 주목해야 한다. 이런 경우의 분류 규칙들은 이런 상황들에서 어떻게 진행할 것인지(예를 들어, 가장 나쁜 경우의 시나리오를 선호하는 것, 결과들을 평균화하는 것, 잠재적인 결함을 결과들에 2배로 나타나게 하는 것, 등)에 대한 명령들을 포함할 수 있다.
일반적으로, 본 발명의 실시예에 따라, 2개 또는 3개 이상의 앵커 위치들에 기초하여 결정된 2개 또는 3개 이상의 분포들에 기초하여, 분류 단계는 잠재적 결함을 분류하는 단계를 포함할 수 있다.
일단 아이템(또는 아이템들)이 분류되면, 분류에 기초하여 동작들이 계속될 수 있다. 방법(500)은 분류(또는 그 일부, 예를 들어 현저한 것으로 분류된 결함들만)를 유형의 저장장치에 저장하는 것으로 및/또는 분류에 기초하여 다시 작용할 수 있는 외부 시스템으로 상기 분류(또는 그 일부)를 전송하는 것으로 결론을 내릴 수 있다.
그러나, 방법(500)은 또한 분류에 기초한 다른 동작들을 계속할 수 있다. 예를 들어, 방법(500)은 검사 영상의 해상도보다 더 높은 해상도로 검사된 물체의 영역들을 선택적으로 스캐닝하는 스테이지(580)로 계속할 수 있다. 이런 경우에, 특정 클래스들로 분류되지만 그러나 다른 클래스들 중 적어도 하나로는 분류되지 않는 잠재적 결함들의 위치들에 기초하여, 추가적인 스캐닝을 위해 선택된 영역들이 선택될 수 있다. 예를 들어, 보다 높은 해상도로의 스캐닝은 "숏 게이트"로서 분류된 가능한 결함들의 위치들의 둘레에서 실시될 수 있지만, 그러나 "엣지 거칠기"로서 분류된 가능한 결함들의 위치들의 둘레에서는 실시될 수 없다.
이전의 도면들에서 설명된 예들을 참조하면, 스테이지(580)는 검사 머신(210)과 같은 검사 머신에 의해, 또는 차후의 검사 모듈(280)과 같은 차후의 검사 모듈(다른 검사 머신일 수 있음)에 의해 실시될 수 있다. 예를 들어, 검사된 물체가 실제로 웨이퍼라면, 검사 영상은 제1해상도로 전자 비임 검사(EBI)를 사용하여 획득될 수 있지만, 선택된 잠재적 결함들은 결함들이 분류된 방법에 기초하여 결함 관찰(review) 스캐닝 전자 현미경(DRSEM)에 의해 더욱 높은 해상도로 추가로 검사될 수 있다.
선택된 잠재적 결함들의 고해상도 검사에 기초하여, 웨이퍼[또는 그 특정한 다이(die)들]는 작동 가능한 또는 작동 불가능한 것으로 선언(declare)될 수 있다. 마스크에 기초하여 분류된 잠재적 결함들만의 검사 단계는 다른 잠재적 결함들(웨이퍼들의 "관심없는" 영역들에 위치될 수 있음)을 검사하지 않지만 시간 및 자원들을 절약하며, 또한 검사의 결과들을 개선할 수 있다. 예를 들어, 웨이퍼의 보다 작은 영역들의 스캐닝은, 전자 비임 스캐닝 장치에 의해 발신된(beamed) 전자들에 기인한 전기 전하(charge)의 보다 적은 축적을 유발할 것이다.
방법(500)을 참조하면, 전체적으로 이것은 웨이퍼의 런타임 검사 영상의 영역을 템플레이트에 상호관계시키는 단계를 포함할 수 있다[이 스테이지는 "템플레이트 앵커링(anchoring)"으로 또한 지칭된다]. 이 상호관계에 기초하여, 검사 영상의 영역들이 선택되고, 나중에 업샘플링되어 마스크에 대응하는 영역들을 제공한다. 마스크의 결정 단계는 상대적으로 긴 프로세스일 수 있지만, 검사된 많은 웨이퍼들(또는 임의의 다른 검사된 물체들)의 런타임 검사를 위해 작용할 수 있으므로, 이런 시나리오에서 런타임 검사는 비교적 신속해야 한다(이는 여러번 반복되기 때문이다). 이 신속함을 달성하기 위해, 검사는 비교적 낮은 해상도로 실시될 수 있다.
분류 프로세스에 대해 유용한 추가적인 정보를 제공하지만, 방법(500)은 런타임 검사 시간의 임의의 증가를 필요로 하지 않으며, 그리고 서브-픽셀 정확도로 정보를 제공할 수 있는 반면, 방법은 런타임 검사 픽셀 크기의 임의의 감축을 요구하지 않음이 주목되어야 한다.
위의 예들이 전자 비임 스캐닝에 관한 것이지만, 개시된 기술들은 또한 다른 타입들의 검사 또는 영상화[예를 들어, 옵티컬, 레이더, 소나(sonar), 등]를 위해 실시될 수 있음이 주목된다. 마찬가지로, 위의 예들의 일부가 웨이퍼들과 같은 전자 회로의 검사에 관한 것이지만, 서술된 기술들은 또한 나노미터 규모 또는 다른 규모들인지에 관계없이 다른 타입들의 검사 물체들을 위해 실시될 수 있다.
위에 언급한 바와 같이, 방법(500)에 사용된 마스크 및 템플레이트는 상이한 방법들로 형성될 수 있다. 예를 들어, 마스크는 검사된-물체 기준 영역의 기준 영상에 기초하여 결정될 수 있다. 하기에 서술되는 바와 같이, 이런 경우의 방법은 보다 낮은 해상도를 갖는 템플레이트를 제공하기 위해 기준 영상의 적어도 일부를 다운샘플링하는 단계를 포함할 수 있다. 다운샘플링과는 별도로, 템플레이트의 발생 단계는 또한 추가적인 타입들의 영상 프로세싱을 포함할 수 있음이 주목된다.
검사된-물체 기준 영역은 동일한 검사된 물체(예를 들어, 동일한 웨이퍼의 다른 다이)의 일부분일 수 있거나, 또는 다른 검사된 물체[예를 들어, 동일한 배치(batch) 또는 다른 배치의 다른 웨이퍼]에 속할 수 있다. 이런 경우의 기준 영상은 방법(500)의 검사 영상을 얻기 위해 사용된 동일한 검사 머신에 의해 발생될 수 있다. 다른 실시에 있어서, 기준 영상은 컴퓨터-이용 설계(CAD) 데이터로부터 발생될 수 있다.
방법(500)에 사용된 마스크 및/또는 템플레이트의 형성 단계는 방법(600)의 프로세스에 따라 실시될 수 있다.
도8은 본 발명의 실시예에 따라 [예를 들어, 방법(500)에서의] 분류를 위해 사용될 수 있는 기준 데이터를 발생시키기 위한 방법(600)을 도시하고 있다.
방법(600)은 검사된-물체 기준 영역의 기준 영상을 얻는 스테이지(610)로 시작한다. 기준 영상이 실제 물체의 영상이라면(그리고 예를 들어, CAD 데이터에 기초하지 않았다면) - 직접 스캐닝, 검사, 등에 의해 또는 다른 시스템으로부터 동일한 것을 수용함으로써 - (전자 회로, 웨이퍼, 및 포토마스크로 구성되는 그룹으로부터 선택될 수 있는, 그러나 이는 반드시 그러하지는 않은) 기준 물체의 고해상도 영상이 획득될 수 있다. 고해상도 영상은 전체 기준 물체 또는 단지 기준 영역의 데이터를 영상화하는 단계를 포함할 수 있다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(610)는 검사 결과들 인터페이스(204)와 같은 검사 결과들 인터페이스에 의해 또는 검사 머신(210)과 같은 검사 머신에 의해 실시될 수 있다.
예를 들어, 고해상도 기준 영상은 다이 또는 다이의 일부분의 영상일 수 있다. 고해상도 기준 영상은 고해상도 검사 프로세스 및/또는 컴퓨터-이용 설계(CAD) 파일로부터 수집될 수 있다. 예로서, e-비임 검사 툴(tool) 상에 해상도를 증가시킴으로써 또는 SEM 영상화 시스템을 사용함으로써 고해상도 영상이 수집된다.
일단 고해상도 영상이 획득되면, 이것은 검출된 가능한 결함들의 실제 분류에 나중에 사용될 수 있는 정보의 정의를 위해 사용될 수 있다. 방법(600)은 기준 영상의 관심있는 패턴을 식별하는 스테이지(620)로 계속될 수 있다. 관심있는 이런 패턴은 또한 "골든 셀(Golden Cell)"로 지칭된다. 관심있는 이런 패턴은 사람에 의해 식별될 수 있거나, 또는 자동으로 발생될 수 있다. 이런 패턴 또는 "골든 셀"은 검사 영상에서 다수 번 반복될 수 있지만(가능하기로는 주기적인 순환 패턴으로), 이는 반드시 그러한 것은 아님이 주목된다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(620)는 영상 프로세싱 모듈(230)과 같은 영상 프로세싱 모듈에 의해 실시될 수 있다.
방법(600)의 스테이지(630)는 셀-크기의 영역에 상이한 세그먼트들을 규정하는 마스크를 발생시키는 단계를 포함한다. 반복적인 패턴을 포함하는 기준 영상의 경우, 셀의 크기는 반복적인 패턴의 크기[또는 그 서브-영역, 예를 들어 스테이지(620)의 관심있는 패턴으로 규정되는 것]와 실질적으로 유사할 수 있다. 일부 실시들에 있어서 마스크의 크기는 반복적인 패턴의 크기보다 작거나(가능하기로는 상당히 그러한) 또는 반복적인 패턴의 크기보다 더 클 수 있음이 주목된다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(630)는 시스템(200)의 마스크 발생 모듈(290)과 같은 마스크 발생 모듈에 의해 실시될 수 있다.
마스크 내에, 상이한 세그먼트들이 규정된다. 이런 상이한 세그먼트들은 상이한 이유들로 규정될 수 있다. 예를 들어, 세그먼트들은 대응하는 영역에서 또는 골든 셀 패턴 내의 관심있는 다른 영역들에서 전자 회로(또는 다른 아이템)의 상이한 기능성들에 대응하도록 규정될 수 있다. 다른 예에 있어서, 세그먼트들은 결함들에 대한 상이한 민감성에 대응하도록 규정될 수 있다. 마스크에 규정된 영역들의 개수는 상이한 검사된 물체들(예를 들어, 상이한 전자 회로들)에 대해 상이할 수 있으며, 그리고 나중의 결함의 검출 및/또는 분석에 대한 이런 세그먼트들에 기초하여 분류의 유용성에 따라 상이할 수 있다.
예를 들어, 일부 실시들에서 마스크의 독특한 세그먼트들의 개수가 3개, 5개, 또는 8개일 수 있지만, 다른 실시들에서 12개의 그리고 심지어 수백 개의 영역들이 규정될 수 있다. 마스크 세그먼트들의 규정 단계는 (예를 들어, CAD 데이터에 기초하여) 컴퓨터에 의해 또는 숙련자에 의해 실시될 수 있다.
실제로, 마스크가 방법(500)의 런타임 검사를 위해 나중에 사용되는 해상도보다 더 높은 해상도로 발생되면, 마스크의 세그먼트들이 스테이지(630)에서 비교적 높은 해상도로(예를 들어, 고해상도 기준 영상의 해상도로) 규정되는 것이 주목되어야 한다. 일부 실시들에서 마스크에 규정된 세그먼트들이 오버랩핑되지 않고 그들 사이에서 마스크의 전체 영역을 덮지만, 이것은 반드시 그러한 것은 아니며, 그리고 마스크의 일부 영역들이 임의의 세그먼트에 속할 수 없다.
식별된 아이템들(예를 들어, 잠재적 결함들)이 분류될 방법(500)의 런타임 검사가 (예를 들어, 고해상도 픽셀 크기의 2배, 3배, 또는 그 초과에 대응하는 픽셀 크기를 갖는) 비교적 보다 낮은 해상도로 실시될 수 있지만, (검사 영상의 부분의 업샘플링과 함께) 고해상도 마스크의 사용은 훨씬 더 정확한 보다 높은 해상도 마스크에 관한 그 위치들에 기초하여 이러한 식별된 아이템들의 분류를 가능하게 한다는 것을 주목해야 한다.
실제로, 기준 영상의 해상도가 방법(500)에 사용된 검사 영상의 해상도보다 더 높다면, 적어도 고해상도 영상의 영역에 대응하는 보다 낮은 해상도의 템플레이트를 제공하기 위해, 방법(600)은 고해상도 기준 영상을 프로세싱하는 스테이지(640)를 추가로 포함할 수 있다. 기준 영상의 적어도 일부분의 다운샘플링과는 별도로, 템플레이트의 발생 단계는 연화(softening), 평탄화(smoothing), 엣지 강화들 등과 같은 추가적인 영상 프로세싱 기술들의 실시를 포함할 수 있다. 본 발명의 실시예에 따라, 마스크가 방법(500)의 검사 영상의 발생을 위해 사용된 검사 해상도와는 상이한 해상도로 규정되면, 이 단계는 강제적이다. 이전의 도면들에서 설명된 예들을 참조하면, 스테이지(640)는 시스템(200)의 영상 프로세싱 모듈(230)과 같은 영상 프로세싱 모듈에 의해 실시될 수 있다.
스테이지(640)의 프로세싱은 제거(decimation) 영상 프로세싱 알고리즘 또는 다른 다운샘플링 알고리즘에 의해 실시될 수 있지만, 그러나 이것은 반드시 그러한 것은 아니다. 템플레이트("저해상도 기준 영상"으로 또한 지칭됨)는 런타임 검사 영상으로 순환하는 패턴의 검출을 위해(예를 들어, 그 일부분을 앵커로 식별함으로써) 사용될 수 있으며, 따라서 마스크와 런타임 검사 영상 사이의 공간적 상호관계를 결정하기 위해 사용될 수 있다.
선택적으로, 템플레이트의 해상도는 마스크(및 고해상도 영상)의 해상도보다 낮을 수 있으며, 그리고 의도된 런타임 검사 해상도에 대응한다. 상이한 런타임 검사 해상도들로 사용될, 예를 들어 상이한 저해상도들로 하나 초과의 템플레이트가 발생될 수 있다. 예로서, 템플레이트의 해상도는 100 nm에 대응하는 픽셀 크기(높이 또는 폭)를 가질 수 있는 반면, 마스크 해상도는 70 nm에 대응하는 픽셀 크기를 가질 수 있다. 보다 낮은 해상도의 템플레이트를 제공하기 위한 고해상도 기준 영상의 부분의 프로세싱의 예가 도9에 예시되어 있다.
템플레이트와 마스크 사이의 1-D 픽셀 치수 간 비율은 본 발명의 다양한 실시들에서 상이할 수 있다(예를 들어, 1:2, 1:4, 1:7, 1:15, 등). 대응하는 픽셀 영역들 사이의 비율은 그 비율의 2 제곱(예를 들어, 1:4, 1:16, 1:49, 등)임이 주목된다.
방법(600)은, 상이한 분류 규칙들이 마스크의 마스크 세그먼트들 사이의 상이한 분포들에 적용하는 분류 로직을 한정하는 스테이지(650)를 추가로 포함할 수 있다. 분류 규칙들의 한정은 한정된 특정한 마스크에 의존할 수 있지만, 그러나 이는 반드시 그러한 것은 아니다. 예를 들어, 분류 규칙들은 마스크의 세그먼트 타입들 각각에 의해 덮히는 상대적인 부분에 기초하여 한정될 수 있다. 대안적으로, 분류 규칙들은 특정한 마스크와 관계없을 수 있으며 그리고 세그먼트들의 각각의 타입들에 의해 표시된 물리적 특성들과 같은 다른 고려사항(consideration)들에 기초하여 [방법(600)의 부분으로서 또는 다른 것으로서] 규정될 수도 있다.
방법(600)의 임의의 스테이지는 사람에 의해(특히, 컴퓨터를 사용하여), 컴퓨터 또는 다른 머신에 의해, 및/또는 그 조합에 의해 실시될 수 있다.
도9는 본 발명의 실시예에 따라 [예를 들어, 방법(500)에서] 분류를 위해 사용될 수 있는 기준 데이터를 발생시키기 위한 프로세스(600')를 도시하고 있다. 특히, 프로세스(600')는 마스크(400) 및 템플레이트(300)의 발생을 위해 사용될 수 있다.
따옴표(apostrophe)(예를 들어, 610', 620', 등)로 표기된 스테이지들은 방법(600)의 대응하는 스테이지들[예를 들어, 스테이지들(610 및 620) 각각]의 가능한 실시들이다.
적어도 기준 영상의 영역에 대응하는 저해상도의 템플레이트를 제공하기 위해 기준 영상을 프로세싱하는 스테이지(640')를 참조하면, 이 스테이지는 여러가지 방법들로 실시될 수 있음이 주목되며, 그 일부가 도시되어 있다.
먼저, 고해상도 모(parent)-템플레이트(300')가 기준 영상(800)으로부터 선택된다. 그 선택이 641'로 도시되어 있다. 고해상도 모-템플레이트(300')는 관심있는 영역(810)의 선택된 셀-크기의 패턴과 동일할 수 있거나, 또는 그것과는 상이할 수 있다. 그 후 ("다운샘플링된 템플레이트" 및 "제거된 템플레이트"로 또한 표기된) 저해상도의 템플레이트(300")를 제공하기 위해, 예를 들어 평탄화 또는 엣지 강화와 같은 형태학적(morphological) 영상 프로세싱 기술들을 적용함으로써, 고해상도 모-템플레이트(300')가 제거되거나 또는 그렇지 않으면 다운샘플링되거나 또는 조작된다(642'로 표기되어 있다). 이 템플레이트(300")는 제공된 템플레이트로서 선택적으로 사용될 수 있다(이 선택은 643'로 표기되었다).
(644'로 표기된) 다른 실시에 있어서, 다운샘플링된 템플레이트(300")는 보다 낮은 해상도의 영상(100')으로부터 다운샘플링된 템플레이트(300")를 짝이룸하는 영역(190')을 [예를 들어, 방법(500)의 검사 영상이 얻어지는 해상도로] 선택하기 위해, 그리고 영역(190')을 템플레이트(300)로서 사용하기 위해 사용된다.
전체적으로 시스템(200) 및 방법(500)으로 되돌아가서, 시스템(200) 및/또는 방법(500)의 사용은 초미세한 패턴-기반형 분류를 가능하도록 실시될 수 있으며, 이는 다시 결함 검출 프로세스 및 그 분석의 보다 양호한 제어를 촉진시키는 것이 주목된다.
지금 개시되는 주제의 양태에 따라, 검사된 물체의 검사 영상 내에서 식별되는 잠재적 결함을 분류하기 위한 방법을 실행하기 위해, 머신에 의해 실행 가능한 명령들의 프로그램을 명확하게 구현하는 머신에 의해 판독 가능한 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 방법은 검사 영상의 일부와 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 앵커 위치를 결정하는 단계 -상기 앵커 위치의 결정 단계의 정확도는 검사 영상의 해상도를 초과함-, 상이한 세그먼트들을 한 영역 내에 규정하는 마스크에 기초하여 및 앵커 위치에 기초하여, 하나 또는 둘 이상의 세그먼트들에 대해 잠재적 결함의 분포를 결정하는 단계, 및 상기 분포에 기초하여 잠재적 결함을 분류하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 검사된 물체는 전자 회로, 웨이퍼, 및 포토마스크로 구성되는 그룹으로부터 선택된다.
지금 개시되는 주제의 실시예에 따라, 방법이 또한 추가로 제공되며, 상기 분포의 결정 단계는 검사 영상의 해상도를 초과하는 정확도로 분포를 결정하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 상이한 세그먼트들은 상이한 물리적 특성들을 갖는 검사된 물체의 부분들에 대응한다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 분류 단계는 클래스들이 결함 타입들에 대응하는 분류에 따라 잠재적 결함을 분류하는 단계를 포함하며, 검사된 물체의 작동성에 대한 상기 결함 타입들의 연관성들은 상이하다.
지금 개시되는 주제의 실시예에 따라, 검사 영상의 다수의 부분들과 템플레이트의 짝이룸에 기초하여 검사 영상에 대해 다수의 앵커 위치들을 결정하는 단계 -상기 다수의 앵커 위치들의 결정 단계의 정확도들은 검사 영상의 해상도를 초과함-, 마스크에 기초하여 및 다수의 앵커 위치들에 기초하여 하나 또는 둘 이상의 세그먼트들에 대해 잠재적 결함의 분포들을 결정하는 단계, 및 잠재적 결함을 그에 대해 결정된 다수의 분포들에 기초하여 분류하는 단계를 포함하는 프로그램 저장 디바이스가 또한 추가로 제공된다.
지금 개시되는 주제의 실시예에 따라, 어떤 클래스들로 분류된 잠재적 결함들의 추가적인 스캐닝을 선택하는 단계 -상기 선택 단계는 상기 특정 클래스들 이외의 적어도 하나의 클래스로 분류된 잠재적 결함들을 선택하는 것을 억제하는 단계를 포함함-, 및 검사 영상의 해상도보다 더 높은 해상도로 선택된 잠재적 결함들의 위치들에 기초하여 선택되는 검사된 물체의 적어도 하나의 영역을 선택적으로 스캐닝하는 단계를 추가로 포함하는 프로그램 저장 디바이스가 또한 추가로 제공된다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 마스크는 검사된-물체 기준 영역의 기준 영상에 기초하여 결정되며, 상기 방법은 템플레이트를 발생시키는 단계를 추가로 포함하며, 상기 발생시키는 단계는 기준 영상의 일부분을 다운샘플링하는 단계를 포함한다.
지금 개시되는 주제의 실시예에 따라, 프로그램 저장 디바이스가 또한 추가로 제공되며, 상기 기준 영상은 컴퓨터-이용 설계(CAD) 데이터로부터 발생된다.
본 발명의 어떤 특징들이 여기에 도시되고 서술되었지만, 본 기술분야의 숙련자들에게 많은 수정들, 치환들, 변화들, 및 등가물이 발생할 것이다. 따라서, 첨부된 청구범위들은 본 발명의 진정한 사상 내에 속하는 바와 같은 이런 모든 수정들 및 변화들을 포함하는 것으로 의도됨이 이해되어야 한다.
위에 서술된 실시예들은 예로서 언급되었으며 그 다양한 특징들 및 이들 특징의 조합들이 변화 및 변경될 수 있음이 예상될 것이다.
다양한 실시예들이 도시 및 서술되었지만, 이런 명세서에 의해 본 발명을 제한하려는 의도는 없으며, 오히려 첨부된 청구범위들에 한정된 바와 같이 본 발명의 범주 내에 속하는 모든 수정들 및 대안적인 구성들을 포함하는 것으로 의도됨이 이해될 것이다.

Claims (20)

  1. 검사된 물체의 검사 영상 내에서 식별되는 가능한 결함들을 분류하기 위한 분석 시스템으로서:
    저장 디바이스; 및
    상기 저장 디바이스에 커플링되는 프로세서를 포함하고, 상기 프로세서는:
    상기 검사 영상의 일부와 템플레이트(template)를 짝이룸(match)시킴으로써, 상기 검사 영상의 짝이룸 부분을 발생시키고 ― 상기 검사 영상은 검사 툴에 의해 캡처됨 ―;
    상기 템플레이트에 대응하는 마스크를 사용하고 그리고 상기 검사 영상의 상기 짝이룸 부분 내의 하나 또는 둘 이상의 세그먼트들을 규정하여 상기 하나 또는 둘 이상의 세그먼트들에 관한 잠재적 결함의 위치를 결정함으로써, 상기 검사 영상의 짝이룸 세그먼트를 발생시키고 ― 상기 짝이룸 세그먼트는 상기 잠재적 결함의 위치에 대응함 ―; 그리고
    상기 짝이룸 세그먼트에 기초하여 상기 잠재적 결함을 분류함으로써 상기 검사 영상 내에 규정된 상기 개별적인 세그먼트에 관한 상기 잠재적 결함의 위치를 간주하도록
    구성되고,
    상기 프로세서는 기준(reference) 영상의 일부분을 다운샘플링(downsample)하기 위해 그리고 상기 다운샘플링의 결과에 기초하여 상기 템플레이트를 발생시키기 위해, 검사된-물체 기준 영역의 상기 기준 영상에 기초하여 상기 마스크를 규정하도록 추가로 구성되고, 상기 기준 영상 및 상기 마스크는 상기 검사 영상의 해상도를 초과하는 해상도에 의해 특징지어지는,
    분석 시스템.
  2. 제1항에 있어서,
    상기 검사된 물체는 전자 회로, 웨이퍼, 및 포토마스크로 구성되는 그룹으로부터 선택되는,
    분석 시스템.
  3. 제1항에 있어서,
    상기 프로세서는 상기 검사 영상의 상기 해상도를 초과하는 정확도에서 상기 하나 또는 둘 이상의 세그먼트들에 관한 상기 잠재적 결함의 위치를 결정하도록 추가로 구성되는,
    분석 시스템.
  4. 제1항에 있어서,
    상기 하나 또는 둘 이상의 세그먼트들 중 적어도 두 개의 세그먼트들은 상이한 물리적 특성들을 갖는 상기 검사된 물체의 부분들에 대응하는,
    분석 시스템.
  5. 제1항에 있어서,
    상기 프로세서는 상기 하나 또는 둘 이상의 세그먼트들 중 상이한 세그먼트들에 대응하는 적어도 2개의 클래스들이 상기 검사된 물체의 작동성(operability)에 대한 연관성(implication)들이 상이한 결함 타입들을 특징짓는 분류에 따라 상기 잠재적인 결함을 분류하는,
    분석 시스템.
  6. 제1항에 있어서,
    상기 프로세서는 특정 클래스들로 분류되는 추가적인 스캐닝 잠재적 결함들을 추가로 선택하고, 상기 선택은 상기 특정 클래스들 이외의 적어도 하나의 클래스로 분류된 잠재적 결함들을 선택하는 것을 억제하는(refrain) 것을 포함하며, 상기 시스템은 상기 검사 영상의 해상도보다 더 높은 해상도로, 선택된 잠재적 결함들의 위치들에 기초하여 선택되는 상기 검사된 물체의 적어도 하나의 영역을 선택적으로 스캐닝하도록 구성되는 검사 모듈을 추가로 포함하는,
    분석 시스템.
  7. 검사된 물체의 검사 영상 내에서 식별되는 잠재적 결함을 분류하기 위한 컴퓨터화된 방법으로서,
    상기 검사 영상의 일부와 템플레이트를 짝이룸시킴으로써, 상기 검사 영상의 짝이룸 부분을 결정하는 단계 ― 상기 검사 영상은 검사 툴에 의해 캡처됨 ―;
    상기 템플레이트에 대응하는 마스크를 사용하고 그리고 상기 검사 영상의 짝이룸 부분 내의 하나 또는 둘 이상의 세그먼트들에 관한 상기 잠재적 결함의 위치를 결정하기 위해 상기 하나 또는 둘 이상의 세그먼트들을 규정함으로써, 상기 검사 영상의 짝이룸 세그먼트를 발생시키는 단계 ― 상기 짝이룸 세그먼트는 상기 잠재적 결함의 위치에 대응함 ―; 및
    상기 짝이룸 세그먼트에 기초하여 상기 잠재적 결함을 분류함으로써 상기 검사 영상 내에 규정된 상기 개별적인 세그먼트에 관한 상기 잠재적 결함의 위치를 간주하는 단계
    를 포함하고,
    상기 마스크는 검사된-물체 기준 영역의 기준 영상에 기초하여 결정되고, 상기 방법은 상기 템플레이트를 발생시키는 단계를 더 포함하고, 상기 발생시키는 단계는 상기 기준 영상의 부분을 다운샘플링하는 단계를 포함하고, 상기 기준 영상 및 상기 마스크는 상기 검사 영상의 해상도를 초과하는 해상도에 의해 특징지어지는,
    컴퓨터화된 방법.
  8. 제7항에 있어서,
    상기 검사된 물체는 전자 회로, 웨이퍼, 및 포토마스크로 구성되는 그룹으로부터 선택되는,
    컴퓨터화된 방법.
  9. 제7항에 있어서,
    상기 하나 또는 둘 이상의 세그먼트들에 관한 상기 잠재적 결함의 위치를 결정하는 것이 상기 검사 영상의 상기 해상도를 초과하는 정확도에서 제공되는,
    컴퓨터화된 방법.
  10. 제7항에 있어서,
    상기 분류하는 것은 상기 하나 또는 둘 이상의 세그먼트들 중 상이한 세그먼트들에 대응하는 적어도 2개의 클래스들이 상기 검사된 물체의 작동성에 대한 연관성들이 상이한 결함 타입들을 특징짓는 분류에 따라 상기 잠재적인 결함을 분류하는 것을 포함하는,
    컴퓨터화된 방법.
  11. 제7항에 있어서,
    상기 기준 영상 또는 상기 마스크 중 적어도 하나는 컴퓨터-이용 설계(CAD) 데이터로부터 발생되는,
    컴퓨터화된 방법.
  12. 프로세서에 의해 실행될 때 상기 프로세서로 하여금 검사된 물체의 검사 영상 내에서 식별되는 잠재적 결함을 분류하기 위한 방법을 수행하게 하기 위한 명령들을 포함하는 비-일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은:
    상기 검사 영상의 일부와 템플레이트를 짝이룸시킴으로써, 상기 검사 영상의 짝이룸 부분을 결정하는 단계 ― 상기 검사 영상은 검사 툴에 의해 캡처됨 ―;
    상기 템플레이트에 대응하는 마스크를 사용하고 그리고 상기 검사 영상의 짝이룸 부분 내의 하나 또는 둘 이상의 세그먼트들에 관한 상기 잠재적 결함의 위치를 결정하기 위해 상기 하나 또는 둘 이상의 세그먼트들을 규정함으로써, 상기 검사 영상의 짝이룸 세그먼트를 발생시키는 단계 ― 상기 짝이룸 세그먼트는 상기 잠재적 결함의 위치에 대응함 ―; 및
    상기 짝이룸 세그먼트에 기초하여 상기 잠재적 결함을 분류함으로써 상기 검사 영상 내에 규정된 상기 개별적인 세그먼트에 관한 상기 잠재적 결함의 위치를 간주하는 단계
    를 포함하고,
    상기 마스크는 검사된-물체 기준 영역의 기준 영상에 기초하여 결정되고, 상기 템플레이트는 상기 기준 영상의 부분의 다운샘플링을 이용하는 것에 의해 발생되고, 상기 기준 영상 및 상기 마스크는 상기 검사 영상의 해상도를 초과하는 해상도에 의해 특징지어지는,
    비-일시적 컴퓨터 판독가능 저장 매체.
  13. 제12항에 있어서,
    상기 하나 또는 둘 이상의 세그먼트들에 관한 상기 잠재적 결함의 위치를 결정하는 것은 상기 검사 영상의 상기 해상도를 초과하는 정확도에서 상기 위치를 결정하는 것을 포함하는,
    비-일시적 컴퓨터 판독가능 저장 매체.
  14. 제12항에 있어서,
    상기 분류하는 것은 상기 하나 또는 둘 이상의 세그먼트들 중 상이한 세그먼트들에 대응하는 적어도 2개의 클래스들이 상기 검사된 물체의 작동성에 대한 연관성들이 상이한 결함 타입들을 특징짓는 분류에 따라 상기 잠재적인 결함을 분류하는 것을 포함하는,
    비-일시적 컴퓨터 판독가능 저장 매체.
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
KR1020120150749A 2011-12-21 2012-12-21 검사 영상들 내의 분류를 위한 시스템, 방법 및 컴퓨터 프로그램 제품 KR101868379B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/333,912 US9098893B2 (en) 2011-12-21 2011-12-21 System, method and computer program product for classification within inspection images
US13/333,912 2011-12-21

Publications (2)

Publication Number Publication Date
KR20130072177A KR20130072177A (ko) 2013-07-01
KR101868379B1 true KR101868379B1 (ko) 2018-07-19

Family

ID=48654606

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120150749A KR101868379B1 (ko) 2011-12-21 2012-12-21 검사 영상들 내의 분류를 위한 시스템, 방법 및 컴퓨터 프로그램 제품

Country Status (4)

Country Link
US (2) US9098893B2 (ko)
JP (1) JP6009351B2 (ko)
KR (1) KR101868379B1 (ko)
TW (1) TWI542868B (ko)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9053390B2 (en) * 2012-08-14 2015-06-09 Kla-Tencor Corporation Automated inspection scenario generation
US20140358830A1 (en) 2013-05-30 2014-12-04 Synopsys, Inc. Lithographic hotspot detection using multiple machine learning kernels
US10296814B1 (en) 2013-06-27 2019-05-21 Amazon Technologies, Inc. Automated and periodic updating of item images data store
GB201313682D0 (en) 2013-07-31 2013-12-18 Mbda Uk Ltd Method and apparatus for tracking an object
GB201313681D0 (en) * 2013-07-31 2014-01-08 Mbda Uk Ltd Image processing
US10366306B1 (en) 2013-09-19 2019-07-30 Amazon Technologies, Inc. Item identification among item variations
JP6373116B2 (ja) * 2014-08-06 2018-08-15 リコーエレメックス株式会社 画像検査装置
US10192283B2 (en) * 2014-12-22 2019-01-29 Cognex Corporation System and method for determining clutter in an acquired image
WO2016176354A1 (en) * 2015-04-30 2016-11-03 Kla-Tencor Corporation Automated image-based process monitoring and control
US9569834B2 (en) 2015-06-22 2017-02-14 Kla-Tencor Corporation Automated image-based process monitoring and control
US10140698B2 (en) 2015-08-10 2018-11-27 Kla-Tencor Corporation Polygon-based geometry classification for semiconductor mask inspection
DE202015007881U1 (de) 2015-11-13 2017-02-15 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Fahrerassistenzsystem
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
CN106157314B (zh) * 2015-12-23 2018-12-14 河海大学 一种造纸设备的实时故障诊断方法
US10365639B2 (en) * 2016-01-06 2019-07-30 Kla-Tencor Corporation Feature selection and automated process window monitoring through outlier detection
US9846929B2 (en) * 2016-03-24 2017-12-19 Hong Kong Applied Science and Technology Research Institute Company Limited Fast density estimation method for defect inspection application
US20170323149A1 (en) * 2016-05-05 2017-11-09 International Business Machines Corporation Rotation invariant object detection
US10190991B2 (en) 2016-11-03 2019-01-29 Applied Materials Israel Ltd. Method for adaptive sampling in examining an object and system thereof
US10082471B2 (en) * 2017-01-02 2018-09-25 United Microelectronics Corp. Semiconductor structure and method for reviewing defects
US10515444B2 (en) * 2017-01-30 2019-12-24 Dongfang Jingyuan Electron Limited Care area generation for inspecting integrated circuits
JP2019020292A (ja) * 2017-07-19 2019-02-07 株式会社ニューフレアテクノロジー パターン検査装置及びパターン検査方法
CN111542855A (zh) * 2017-12-31 2020-08-14 Asml荷兰有限公司 用于缺陷检查和复验的方法和系统
US11060981B2 (en) * 2018-03-20 2021-07-13 Applied Materials Israel Ltd. Guided inspection of a semiconductor wafer based on spatial density analysis
CN110293753B (zh) * 2018-03-22 2021-07-23 海德堡印刷机械股份公司 借助计算机对印刷产品进行图像检测的方法
US11562505B2 (en) 2018-03-25 2023-01-24 Cognex Corporation System and method for representing and displaying color accuracy in pattern matching by a vision system
CN110969175B (zh) * 2018-09-29 2022-04-12 长鑫存储技术有限公司 晶圆处理方法及装置、存储介质和电子设备
EP3867919A4 (en) * 2018-10-19 2022-08-31 F. Hoffmann-La Roche AG DEFECT DETECTION IN LYOPHILIZED MEDICINAL PRODUCTS USING NEURAL CONVOLUTIONAL NETWORKS
CN109351651B (zh) * 2018-10-23 2020-12-04 山东新华健康产业有限公司 平面口罩制造检测系统
CN109632808B (zh) * 2018-12-05 2021-11-09 深圳大学 棱边缺陷检测方法、装置、电子设备及存储介质
US10902620B1 (en) 2019-04-18 2021-01-26 Applied Materials Israel Ltd. Registration between an image of an object and a description
US11023770B2 (en) * 2019-09-23 2021-06-01 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Systems and methods for obtaining templates for tessellated images
CN110853115B (zh) * 2019-10-14 2023-06-16 平安国际智慧城市科技股份有限公司 一种开发流程页面的创建方法及设备
CN111787381A (zh) * 2020-06-24 2020-10-16 北京声迅电子股份有限公司 一种安检机采集图像的上传方法及上传装置
US11907627B2 (en) * 2020-12-15 2024-02-20 Battelle Memorial Institute Fabricated layout correlation
US20220307990A1 (en) * 2021-03-24 2022-09-29 Kla Corporation Imaging reflectometry for inline screening
CN115223878A (zh) * 2021-04-15 2022-10-21 长鑫存储技术有限公司 失效位置的修补方法和装置
CN113808094A (zh) * 2021-09-10 2021-12-17 武汉联开检测科技有限公司 一种射线检测焊接缺陷图像评级系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050030346A (ko) * 2003-09-25 2005-03-30 동부아남반도체 주식회사 결함 유형 분류 방법 및 시스템
KR20090074552A (ko) * 2008-01-02 2009-07-07 주식회사 하이닉스반도체 포토마스크 결함 검사방법
KR20110010690A (ko) * 2008-05-14 2011-02-07 케이엘에이-텐코어 코오포레이션 웨이퍼 상의 결함들을 검출하고 상기 웨이퍼에 대한 검사 결과들을 발생시키기 위한 시스템들 및 방법들

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL99823A0 (en) * 1990-11-16 1992-08-18 Orbot Instr Ltd Optical inspection method and apparatus
US5548326A (en) * 1993-10-06 1996-08-20 Cognex Corporation Efficient image registration
JPH08181053A (ja) * 1994-12-26 1996-07-12 Nikon Corp 位置検出方法
JP4310090B2 (ja) * 2002-09-27 2009-08-05 株式会社日立製作所 欠陥データ解析方法及びその装置並びにレビューシステム
JP4154374B2 (ja) * 2004-08-25 2008-09-24 株式会社日立ハイテクノロジーズ パターンマッチング装置及びそれを用いた走査型電子顕微鏡
US20080317194A1 (en) * 2005-11-10 2008-12-25 Koninklijke Philips Electronics N. V. Pet Imaging Using Anatomic List Mode Mask
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570800B2 (en) * 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
JP4542164B2 (ja) * 2008-03-18 2010-09-08 アドバンスド・マスク・インスペクション・テクノロジー株式会社 パターン検査装置、パターン検査方法及びプログラム
JP5320329B2 (ja) * 2010-03-15 2013-10-23 株式会社日立ハイテクノロジーズ Ｓｅｍ式欠陥観察装置および欠陥画像取得方法
US20130016895A1 (en) * 2011-07-15 2013-01-17 International Business Machines Corporation Method and system for defect-bitmap-fail patterns matching analysis including peripheral defects

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050030346A (ko) * 2003-09-25 2005-03-30 동부아남반도체 주식회사 결함 유형 분류 방법 및 시스템
KR20090074552A (ko) * 2008-01-02 2009-07-07 주식회사 하이닉스반도체 포토마스크 결함 검사방법
KR20110010690A (ko) * 2008-05-14 2011-02-07 케이엘에이-텐코어 코오포레이션 웨이퍼 상의 결함들을 검출하고 상기 웨이퍼에 대한 검사 결과들을 발생시키기 위한 시스템들 및 방법들

Also Published As

Publication number Publication date
KR20130072177A (ko) 2013-07-01
JP2013130582A (ja) 2013-07-04
US20150310600A1 (en) 2015-10-29
TW201335588A (zh) 2013-09-01
US20130163851A1 (en) 2013-06-27
US9098893B2 (en) 2015-08-04
JP6009351B2 (ja) 2016-10-19
TWI542868B (zh) 2016-07-21

Similar Documents

Publication Publication Date Title
KR101868379B1 (ko) 검사 영상들 내의 분류를 위한 시스템, 방법 및 컴퓨터 프로그램 제품
KR101934313B1 (ko) 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
US10853932B2 (en) Method of defect detection on a specimen and system thereof
US8045789B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
JP5393550B2 (ja) 走査荷電粒子顕微鏡を用いた画像生成方法及び装置、並びに試料の観察方法及び観察装置
US9767548B2 (en) Outlier detection on pattern of interest image populations
US10290087B2 (en) Method of generating an examination recipe and system thereof
JP5444092B2 (ja) 検査方法およびその装置
JP2019129169A (ja) 画像評価方法及び画像評価装置
US9235885B2 (en) System, a method and a computer program product for patch-based defect detection
TW201237443A (en) Circuit pattern inspection device and inspection method therefor
US20090202137A1 (en) Method and apparatus for image generation
JPH1089931A (ja) パターン検査方法及びその装置並びに半導体ウエハの製造方法
JP2006066478A (ja) パターンマッチング装置及びそれを用いた走査型電子顕微鏡
JP4970569B2 (ja) パターン検査装置およびパターン検査方法
JP2017198589A (ja) パターン検査方法及びパターン検査装置
KR20180081820A (ko) 다이 내부 검사에 있어서의 등록 및 설계 주변부에서 야기된 노이즈의 저감
JP2012251785A (ja) 検査装置および検査方法
KR20230115891A (ko) 결함 관찰 방법, 장치 및 프로그램
CN114365183A (zh) 晶片检验方法和系统

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant