KR102412022B1 - 큰 오프셋 다이-다이 검사를 위한 다단계 이미지 정렬 방법 - Google Patents
큰 오프셋 다이-다이 검사를 위한 다단계 이미지 정렬 방법 Download PDFInfo
- Publication number
- KR102412022B1 KR102412022B1 KR1020207013974A KR20207013974A KR102412022B1 KR 102412022 B1 KR102412022 B1 KR 102412022B1 KR 1020207013974 A KR1020207013974 A KR 1020207013974A KR 20207013974 A KR20207013974 A KR 20207013974A KR 102412022 B1 KR102412022 B1 KR 102412022B1
- Authority
- KR
- South Korea
- Prior art keywords
- test image
- image
- processor
- skew
- test
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000007689 inspection Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 211
- 230000006870 function Effects 0.000 claims description 39
- 239000004065 semiconductor Substances 0.000 claims description 31
- 238000010894 electron beam technology Methods 0.000 claims description 28
- 238000013519 translation Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 4
- 230000003287 optical effect Effects 0.000 description 36
- 235000012431 wafers Nutrition 0.000 description 29
- 238000001514 detection method Methods 0.000 description 28
- 238000013136 deep learning model Methods 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000013135 deep learning Methods 0.000 description 15
- 238000005286 illumination Methods 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000013500 data storage Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000010884 ion-beam technique Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001433 helium-ion microscopy Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008904 neural response Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/20—Linear translation of whole images or parts thereof, e.g. panning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
-
- 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
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
다이-다이 검사 이미지는 기준 이미지 및 테스트 이미지를 수신하고, 기준 이미지 및 테스트 이미지 상의 국소 섹션들로부터 전역적 오프셋 및 회전 각도를 결정하며, 미세 정렬을 수행하기 전에 테스트 이미지의 대략 정렬 디-스큐를 수행하도록 구성된 방법 또는 시스템을 사용하여 정렬될 수 있다.
Description
관련 출원들에 대한 상호 참조
본 출원은 2017년 10월 20일에 출원된 미국 가출원 제62/575,304호에 대한 우선권을 주장하며, 이 미국 가출원의 개시내용은 이로써 참조에 의해 포함된다.
개시내용의 분야
본 개시내용은 일반적으로 반도체 디바이스들에서 결함들을 식별하는 것에 관한 것이다.
반도체 제조 산업의 발전은 수율 관리, 특히 계측 및 검사 시스템들에 대해 더 많은 요구를 하고 있다. 임계 치수들은 계속 축소되지만, 산업계는 고수율, 고가치 생산을 달성하기 위한 시간을 감소시킬 필요가 있다. 수율 문제를 검출하는 것으로부터 이를 해결하는 것까지의 총 시간을 최소화하는 것이 반도체 제조업체에 대한 투자 수익률을 결정한다.
로직 및 메모리 디바이스들과 같은, 반도체 디바이스들을 제조하는 것은 전형적으로 반도체 디바이스들의 다양한 피처들 및 다수의 레벨들을 형성하기 위해 많은 수의 제조 프로세스들을 사용하여 반도체 웨이퍼를 프로세싱하는 것을 포함한다. 예를 들어, 리소그래피는 레티클로부터 반도체 웨이퍼 상에 배열된 포토레지스트에 패턴을 전사하는 것을 수반하는 반도체 제조 프로세스이다. 반도체 제조 프로세스들의 부가의 예들은 화학적 기계적 폴리싱(CMP), 에칭, 퇴적, 및 이온 주입을 포함하지만, 이들로 제한되지 않는다. 다수의 반도체 디바이스들이 단일 반도체 웨이퍼 상에 일정 배열로 제조될 수 있고 이어서 개별 반도체 디바이스들로 분리될 수 있다.
검사 프로세스들은 웨이퍼들 상의 결함들을 검출하여 제조 프로세스에서의 더 높은 수율, 따라서 더 높은 수익을 증진시키기 위해 반도체 제조 동안 다양한 단계들에서 사용된다. 검사는 항상 집적 회로들(IC들)과 같은 반도체 디바이스들을 제조하는 것의 중요한 부분이었다. 그렇지만, 반도체 디바이스들의 치수들이 감소함에 따라, 검사가 용인가능한 반도체 디바이스들의 성공적인 제조에 훨씬 더 중요해지는데, 그 이유는 더 작은 결함들이 디바이스들을 고장나게 할 수 있기 때문이다. 예를 들어, 반도체 디바이스들의 치수들이 감소함에 따라, 감소하는 크기의 결함들의 검출이 필요하게 되었는데, 그 이유는 상대적으로 작은 결함들조차도 반도체 디바이스들에 원하지 않는 수차들을 야기할 수 있기 때문이다.
이미지들 사이의 오프셋들이 몇 픽셀을 초과할 때 이전에 사용된 다이-다이 정렬 방법들은 느리다. 더 빠른 방법들은 주파수 공간에서 오프셋들을 측정하는 것을 수반하지만, 이러한 방법들은 임의의 이미지 회전을 고려하지 않으며 계산 집약적이다. 이전 방법에 의한 큰 오프셋들 및 회전들을 갖는 전체 이미지 정렬은 시간당 검사될 수 있는 웨이퍼들의 개수를 제한하고 웨이퍼 표면 상의 결함들에 대한 제한된 감도를 갖는다.
따라서, 개선된 결함 식별 방법들 및 시스템들이 필요하다.
본 개시내용의 일 실시예에 따르면, 정렬된 다이-다이 검사 이미지를 획득하는 방법은, 프로세서에서, 기준 이미지 및 테스트 이미지를 수신하는 단계를 포함한다. 프로세서를 사용하여, 기준 이미지로부터의 제1 국소 섹션 및 테스트 이미지로부터의 제2 국소 섹션이 선택되고, 제1 국소 섹션 및 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋이 결정되며, 대략적인(rough) 정렬이 수행되어, 이에 의해 부분적으로 정렬된 테스트 이미지를 만들고, 부분적으로 정렬된 테스트 이미지에 대해 미세한(fine) 정렬이 수행된다.
본 개시내용의 다른 실시예는 하나 이상의 컴퓨팅 디바이스 상에서 단계들을 실행하기 위한 하나 이상의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체이다. 이러한 단계들은, 임의의 적절한 순서로, 기준 이미지 및 테스트 이미지를 수신하는 단계; 기준 이미지로부터의 제1 국소 섹션 및 테스트 이미지로부터의 제2 국소 섹션을 선택하는 단계; 제1 국소 섹션 및 제2 국소 섹션으로부터 추정된 회전 오프셋 및 병진 오프셋을 결정하는 단계; 테스트 이미지에 대해 대략 정렬(rough alignment)을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 만드는 단계; 및 부분적으로 정렬된 테스트 이미지에 대해 미세 정렬(fine alignment)을 수행하여 정렬된 다이-다이 검사 이미지를 획득하는 단계를 포함할 수 있다.
본 개시내용의 다른 실시예는 다이의 피처들의 이미지들을 캡처하는 센서 및 컴퓨팅 시스템을 포함하는 반도체 다이-다이 검사 시스템이다. 센서 및 컴퓨팅 시스템은 빔 소스, 스테이지, 검출기, 및 프로세서를 포함할 수 있다. 프로세서는 검출기와 전자 통신할 수 있다. 프로세서는 기준 이미지 및 테스트 이미지를 수신하고; 기준 이미지로부터의 제1 국소 섹션 및 테스트 이미지로부터의 제2 국소 섹션을 선택하며; 제1 국소 섹션 및 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋을 결정하도록 추가로 구성될 수 있다. 프로세서는 테스트 이미지의 대략 정렬을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 만들고, 부분적으로 정렬된 테스트 이미지의 미세 정렬을 수행하도록 구성될 수 있다.
빔 소스는 광 소스 또는 전자 빔 소스일 수 있다. 빔 소스는 광대역 플라스마 소스, 전자 빔 소스, 램프, 또는 레이저를 포함할 수 있다. 빔 소스는 전자들 또는 광자들을 방출할 수 있다. 일부 실시예들에서, 빔 소스는 또한 적외선 광, 가시 광, 자외선 광, 또는 x-선 광일 수 있는 광을 방출할 수 있다.
빔은 광 소스로부터의 광 빔 또는 전자 빔 소스로부터의 전자 빔일 수 있다.
스테이지는 빔 소스에 의해 생성되는 빔의 경로에 웨이퍼를 유지하도록 구성될 수 있다.
검출기는 웨이퍼로부터 반사되는 빔의 일 부분을 수용하도록 구성될 수 있다.
본 개시내용의 다양한 실시예들에 따르면:
테스트 이미지의 대략 정렬은 테스트 이미지 디-스큐(de-skew)를 포함할 수 있다. 대략 정렬은 이에 의해 부분적으로 정렬된 테스트 이미지를 만들 수 있다.
미세 정렬은 분할 병진(partitioned translation)을 포함할 수 있다. 부분적으로 정렬된 테스트 이미지에 대한 분할 병진은 이에 의해 정렬된 다이-다이 검사 이미지를 획득할 수 있다.
기준 이미지 또는 테스트 이미지는 픽셀들의 행들 및 열들을 포함할 수 있다.
테스트 이미지 디-스큐는 테스트 이미지의 스큐각(skew angle)을 결정하는 것 및 테스트 이미지를 디-스큐잉(de-skewing)하는 것을 포함할 수 있다.
스큐 비교는 스큐각을 결정하기 위해 테스트 이미지에서의 하나 이상의 두드러진 피처의 패턴 인식을 수행하는 것을 포함할 수 있다.
일부 예들에서, 스큐 비교는 스큐각을 결정하기 위해 머신 러닝 모듈을 사용하여 수행될 수 있다.
테스트 이미지의 스큐각은 기준 이미지로부터의 제1 국소 섹션과 테스트 이미지로부터의 제2 국소 섹션의 스큐 비교를 수행함으로써 결정될 수 있다. 스큐 비교는 기준 이미지로부터의 제1 국소 섹션 및 테스트 이미지로부터의 제2 국소 섹션에 대해 고속 푸리에 변환을 수행하여, 제각기, 기준 장면 함수(reference scene function) 및 테스트 장면 함수(test scene function)를 획득하는 것, 및 테스트 장면 함수를 기준 장면 함수와 비교하여 스큐각을 결정하는 것을 포함할 수 있다.
테스트 이미지를 디-스큐잉하는 것은 스큐각에 기초하여, 테스트 이미지에서의 픽셀들 각각에 대해, 열 시프트 벡터(column shift vector) 및 행 시프트 벡터(row shift vector)를 결정하는 것 및 픽셀들 각각을 그의 열 시프트 벡터 및 행 시프트 벡터에 따라 시프트시키는 것을 포함할 수 있다. 열 시프트 벡터는 픽셀을 포함하는 열과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함할 수 있다. 행 시프트 벡터는 픽셀을 포함하는 행과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함할 수 있다.
분할 병진은 기준 이미지를 적어도 하나의 기준 이미지 서브섹션으로 그리고 테스트 이미지를 적어도 하나의 테스트 이미지 서브섹션으로 분할하는 것, 및 테스트 이미지 서브섹션에 대응하는 기준 이미지 서브섹션과 정렬되도록 테스트 이미지 서브섹션을 병진시키는 것을 포함한다.
본 개시내용의 본질 및 목적들의 더 완전한 이해를 위해, 첨부 도면과 관련하여 취해진 이하의 상세한 설명이 참조되어야 한다.
도 1은 본 개시내용에 따른 정렬된 다이-다이 검사 이미지를 획득하기 위한 방법을 예시하는 플로차트이다;
도 2는 본 개시내용에 따른 테스트 이미지 디-스큐를 수행하는 방법을 예시하는 플로차트이다;
도 3은 본 개시내용에 따른 스큐 비교를 수행하는 방법을 예시하는 플로차트이다;
도 4는 본 개시내용에 따른 테스트 이미지를 디-스큐잉하는 방법을 예시하는 플로차트이다;
도 5는 본 개시내용에 따른 분할 병진을 수행하는 방법을 예시하는 플로차트이다;
도 6은 본 개시내용에 따른 스큐 비교를 수행하는 것을 예시한다;
도 7은 본 개시내용에 따른 분할 병진을 수행하는 것을 예시한다;
도 8은 본 개시내용의 시스템 실시예를 예시한다;
도 9은 본 개시내용의 다른 시스템 실시예를 예시한다.
도 1은 본 개시내용에 따른 정렬된 다이-다이 검사 이미지를 획득하기 위한 방법을 예시하는 플로차트이다;
도 2는 본 개시내용에 따른 테스트 이미지 디-스큐를 수행하는 방법을 예시하는 플로차트이다;
도 3은 본 개시내용에 따른 스큐 비교를 수행하는 방법을 예시하는 플로차트이다;
도 4는 본 개시내용에 따른 테스트 이미지를 디-스큐잉하는 방법을 예시하는 플로차트이다;
도 5는 본 개시내용에 따른 분할 병진을 수행하는 방법을 예시하는 플로차트이다;
도 6은 본 개시내용에 따른 스큐 비교를 수행하는 것을 예시한다;
도 7은 본 개시내용에 따른 분할 병진을 수행하는 것을 예시한다;
도 8은 본 개시내용의 시스템 실시예를 예시한다;
도 9은 본 개시내용의 다른 시스템 실시예를 예시한다.
비록 청구된 주제(subject matter)가 특정 실시예들과 관련하여 설명될 것이지만, 본 명세서에 기재된 이점들 및 특징들 전부를 제공하지는 않는 실시예들을 포함한, 다른 실시예들이 또한 본 개시내용의 범위 내에 있다. 본 개시내용의 범위를 벗어나지 않으면서 다양한 구조적, 논리적, 프로세스 단계, 및 전자적 변경들이 이루어질 수 있다. 그에 따라, 본 개시내용의 범위는 첨부된 청구항들을 참조해서만 한정된다.
본 명세서에 개시된 실시예들은 큰 오프셋들 및 회전들을 갖는 다이 이미지들을 정렬하는 새로운 방법을 확인해 준다. 예를 들어, 다이들이 다이싱 또는 재구성된 후에 웨이퍼들을 검사할 때, 다이 배치들이 수십 미크론만큼 서로에 대해 시프트될 수 있다. 본 개시내용은 주파수 도메인과 공간 도메인 둘 다에서 오프셋들을 측정하는 것을 결합하는, 웨이퍼 검사에서의 이미지 정렬 프로세스에 대한 효율적인 2-단계 접근법을 개시한다.
이 새로운 정렬 방법의 실시예들은 계산 효율적인 2-단계 프로세스이며, 여기서 오프셋들 및 회전들이, 예를 들어, 고속 푸리에 변환들(FFT)을 사용하는 것을 통해 주파수 도메인에서 먼저 측정될 수 있다. 이러한 전역적 오프셋 및 회전 성분이 이어서 보상될 수 있고, 제2 단계에서, 잔여 오프셋 또는 오프셋들이 측정되고 보정될 수 있다. 본 명세서에서 개시된 실시예들은 사용자가 큰 오프셋들 및 회전들을 갖는 웨이퍼 상의 다이들을 더 큰 감도 및 정밀도로 검사할 수 있게 해줄 수 있다.
본 명세서에서 개시된 실시예들은 또한 국소적 왜곡들을 갖는 이미지들을 정렬시킬 수 있다. 이전에는, 이러한 국소적 왜곡들이 정렬 문제들을 야기할 것이고 이들을 극복하기 위한 컴퓨팅 비용이 엄청나게 클 것이다.
본 개시내용의 실시예에서, 기준 웨이퍼 이미지와 비교한 테스트 웨이퍼 이미지의 스큐각이 결정될 수 있다. 기준 웨이퍼 이미지 상의 국소 섹션 및 테스트 웨이퍼 이미지 상의 국소 섹션으로부터의 스큐각의 결정으로부터, 전역적 오프셋 및 회전 각도가 결정될 수 있다. 각각의 픽셀이 시프트될 필요가 있는 양이 측정들로부터 결정될 수 있다. 회전 각도가 작은 분수의 각(a small fraction of a degree)을 초과하면, 대략 정렬이 필요할 수 있다. 대략 정렬은, 일부 실시예들에서, 기준 웨이퍼 이미지와 매칭하도록 테스트 웨이퍼 이미지를 적절한 각만큼 회전시키는 것 또는 테스트 웨이퍼 이미지가 포함하는 픽셀들의 열들 및 행들을 미리 결정된 양만큼 시프트시키는 것에 의해 테스트 웨이퍼 이미지를 디-스큐잉하는 것을 포함할 수 있다. 이러한 디-스큐잉 방법은 2-D 이미지 회전보다 계산상 더 빠르다. 본 개시내용의 일부 실시예들을 테스팅할 때, 이전의 다이-다이 정렬 방법들에 비해 10x 내지 50x의 계산 속도 증가들이 관찰되었다.
대략 정렬이 수행된 후에, 다이-다이 이미지들의 정렬을 완료하기 위해 미세 정렬이 수행될 수 있다. 이 미세 정렬은 작은 국소적 오정렬들을 측정하고 보정할 수 있다. 분할 병진 예에서, 기준 이미지 및 테스트 이미지는, 일단 대략 정렬이 수행되었다면, 대략 정렬이 오프셋들 중 다수 또는 심지어 대부분을 제거하기 때문에 정확하고 효율적인 방법을 사용하여, 개별적으로 정렬될 수 있는 작은 스트라이프들 또는 타일들로 분해된다.
본 명세서에서 설명된 이미지 정렬 방법, 소프트웨어, 및 시스템 실시예들은 전통적인 다이-다이 정렬 프로세스를 두 단계로 나누어, 계산 요구사항들의 감소를 결과한다. 이것은 더 빠른 검사를 가져와서, 개선된 결과 도달 시간(time-to-results), 따라서 반도체 제조업체의 소유 비용(cost-of-ownership)의 감소가 있게 된다.
도 1은 본 개시내용의 실시예에 따른 방법(100)의 플로차트이다. 101에서, 기준 이미지가 수신된다. 102에서, 기준 이미지로부터의 제1 국소 섹션이 선택된다. 103에서, 테스트 이미지가 수신된다. 104에서, 테스트 이미지로부터의 제2 국소 섹션이 선택된다. 제1 국소적 선택 및 제2 국소적 선택은, 그 중에서도, 이미지의 사분면을 선택하는 것, 이미지의 정의된 섹션을 선택하는 것, 또는 강한 피처들의 존재에 기초하여 선택을 결정하는 것에 의해 선택될 수 있다. 기준 이미지 및 테스트 이미지는 픽셀들의 행들 및 열들을 포함할 수 있다. 105에서, 추정된 회전 오프셋이 제1 회전 오프셋 및 제2 회전 오프셋에 기초하여 결정된다. 106에서, 회전 오프셋을 사용하여 부분적으로 정렬된 테스트 이미지를 산출하기 위해 테스트 이미지에 대해 대략 정렬이 수행된다. 107에서, 부분적으로 정렬된 테스트 이미지에 대해 미세 정렬이 수행되어, 정렬된 다이-다이 검사 이미지를 산출한다.
실시예에서, 추정된 회전 오프셋은 대략 정렬의 정도(extent)를 결정하는 데 사용될 수 있다. 이 결정은 테스트 이미지 내의 임의의 주어진 위치에서의 x-오프셋 및 y-오프셋을 추정하기 위해 삼각 함수를 사용하여 수행될 수 있다.
실시예에서, 대략 정렬 단계(106)는 테스트 이미지 디-스큐(200)를 포함할 수 있다. 도 2는 본 개시내용의 실시예에 따른 테스트 이미지 디-스큐(200)를 수행하기 위한 방법의 플로차트이다. 201에서, 테스트 이미지의 스큐각이 결정되고, 202에서, 테스트 이미지가 디-스큐잉된다.
실시예에서, 테스트 이미지의 스큐각을 결정하는 단계(201)는 스큐 비교(300)를 수행하는 단계를 포함할 수 있다. 도 3은 스큐 비교(300)의 실시예를 예시한다. 301에서, 기준 이미지로부터의 제1 국소 섹션에 대해 고속 푸리에 변환이 수행되어, 기준 장면 함수를 산출한다. 302에서, 테스트 이미지로부터의 제2 국소 섹션에 대해 고속 푸리에 변환이 수행되어, 테스트 장면 함수를 산출한다. 303에서, 스큐각을 결정하기 위해 테스트 장면 함수가 기준 장면 함수와 비교된다. 스큐 비교(300)는 기준 장면 함수 및 테스트 장면 함수의 위상, 또는 정규화된 곱(normalized product)을 결정하는 것을 수반할 수 있다. 오프셋을 산출하기 위해 위상에 대해 역 고속 푸리에 변환이 수행된다. 이미지 상의 하나 이상의 위치에서 이 오프셋이 결정될 수 있다. 스큐각은 그러면 오프셋 크기들의 차이를 이들 사이의 거리로 나눈 것일 수 있다. 대안적으로, 크기들의 차이를 이들 사이의 거리로 나눈 것의 역탄젠트(inverse tangent)가 스큐각일 수 있다.
본 개시내용의 다른 실시예에서, 스큐 비교는 스큐각을 결정하기 위해 테스트 이미지에서의 하나 이상의 두드러진 피처의 패턴 인식을 수행하는 것을 포함할 수 있다.
본 개시내용의 다른 실시예에서, 스큐 비교는 스큐각을 결정하기 위해 머신 러닝 모듈을 사용하는 것을 포함할 수 있다. 머신 러닝 모듈은 정렬할 최상의 이미지 피처들을 인식하는 딥 러닝 이미지 분류일 수 있다.
본 개시내용의 다른 실시예에서, 스큐 비교는 투영 대비(projection contrast)를 최대화하는 것, 특수 도메인에서의 상관들 및 눈에 띄는 이미지 정보를 사용하는 것, 또는 다른 유사한 방법들을 포함할 수 있다.
도 4는 테스트 이미지를 디-스큐잉하기 위한 방법(400)에서의 본 개시내용의 실시예를 예시한다. 실시예에서, 테스트 이미지(202)를 디-스큐잉하는 것은 방법(400)을 구성할 수 있다. 401에서, 테스트 이미지에서의 각각의 픽셀에 대해 열 시프트 벡터 및 행 시프트 벡터가 결정된다. 열 시프트 벡터 및 행 시프트 벡터는 스큐각에 기초하여 결정되며, 스큐각을 원점으로부터의 거리의 크기와 곱한 것의 각자의 사인들 및 코사인들을 계산하는 것에 의해 결정된다. 각각의 열 시프트 벡터는 픽셀을 포함하는 열과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향으로 이루어져 있다. 각각의 행 시프트 벡터는 픽셀을 포함하는 행과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향으로 이루어져 있다. 일부 실시예들에서, 열 벡터 방향은 포지티브 또는 네거티브 방향이고 행 벡터 방향은 포지티브 또는 네거티브 방향이다. 402에서, 테스트 이미지에서의 각각의 픽셀이 그의 열 시프트 벡터 및 행 시프트 벡터에 따라 시프트된다. 이것은 부분적으로 정렬된 테스트 이미지를 산출한다.
본 개시내용의 다른 실시예에서, 미세 정렬(107)은 분할 병진(500)을 수행하는 것을 포함할 수 있다. 도 5는 본 개시내용에 따른 분할 병진(500) 방법을 예시한다. 501에서, 기준 이미지가 하나 이상의 기준 이미지 서브섹션으로 분할된다. 502에서, 테스트 이미지가 하나 이상의 테스트 이미지 서브섹션으로 분할된다. 각각의 테스트 이미지 서브섹션은 기준 이미지 서브섹션에 대응한다. 503에서, 각각의 테스트 이미지 서브섹션이 그의 대응하는 기준 이미지 서브섹션과 정렬되도록 병진된다. 기준 이미지 서브섹션 및 테스트 이미지 서브섹션의 크기 및 수량은 자동으로 또는 사용자에 의해 중 어느 하나로 결정될 수 있다.
실시예에서, 테스트 이미지 서브섹션들을 그들의 대응하는 기준 이미지 서브섹션들과 정렬되도록 병진시키는 것은 몇몇 방법들 중 하나를 사용하여 수행될 수 있다. 하나의 방법에서, 이미지들 사이의 정규화된 교차 상관(normalized cross-correlation)이 수행된다. 대략적인 변환이 이미 수행되었기 때문에, 계산 자원들을 절감하기 위해 그러한 정규화된 교차 상관을 위한 탐색 범위가 제한될 수 있다.
본 개시내용의 실시예에서, 상기 방법들은, 그 중에서도, 프로세서를 포함하는 컴퓨팅 디바이스 상에서 수행된다.
본 개시내용의 일부 실시예들에 따르면, 도 6은 기준 이미지(601) 상의 하나 이상의 제1 국소 섹션(603)과 테스트 이미지(602) 상의 하나 이상의 제2 국소 섹션(604) 사이의 비교 셋업(setup)(600)의 시각화이다. 제1 국소 섹션들(603) 및 제2 국소 섹션들(604)은 하나 이상의 국소 섹션(604) 내의 하나 이상의 피처(606)와 하나 이상의 국소 섹션(603) 내의 하나 이상의 피처(605) 사이의 비교(607)를 수행함으로써 전역적 오프셋 및 회전을 측정하는 데 사용될 수 있다. 일부 실시예들에서, 비교(607)는 각각의 제1 국소 섹션(603)의 고속 푸리에 변환을 수행하는 것 및 이를 각각의 대응하는 제2 국소 섹션(604)의 고속 푸리에 변환과 비교하는 것을 포함한다. 있는 경우, 피처들(605 및 606)의 병진 오프셋 및 회전 오프셋으로 인해, 스큐각 측정을 결정하기 위해 국소 섹션들(603 및 604)의 고속 푸리에 변환 함수들이 비교될 수 있다. 도 6에 기초한 이 측정은 테스트 이미지를 디-스큐잉하는 데 사용될 수 있다.
도 7은 하나 이상의 기준 이미지 서브섹션(703)을 갖는 기준 이미지(701) 및 하나 이상의 테스트 이미지 서브섹션(704)을 갖는 부분적으로 디-스큐잉된 테스트 이미지(702)를 포함하는, 본 개시내용의 실시예에 따른 분할 병진 셋업(700)의 시각화이다. 이미지들을 더 작은 서브섹션들로 분할함으로써, 이들은, 하나 이상의 기준 이미지 서브섹션(703) 및 하나 이상의 테스트 이미지 서브섹션(704) 내에서, 제각기, 하나 이상의 피처(705 및 706)의 위치 차이들의 측정들에 기초하여 정렬될 수 있다. 도 7에 기초한 측정은 결함 검출이 발생하기 전에 이미지에 대해 최종 보정을 하는 데 사용될 수 있다.
본 개시내용의 다른 실시예에서, 상기 방법들은 하나 이상의 컴퓨팅 디바이스 상에서 실행하기 위한 하나 이상의 프로그램으로서 구현된다. 이 실시예에서, 하나 이상의 프로그램은 비일시적 컴퓨터 판독가능 저장 매체 상에 저장된다. 컴퓨터-구현 방법은 본 명세서에서 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.
시스템(800)의 일 실시예가 도 8에 도시되어 있다. 시스템(800)은 광학 기반 서브시스템(801)을 포함한다. 일반적으로, 광학 기반 서브시스템(801)은 광을 시료(802) 쪽으로 지향시키고(또는 광을 시료(802)에 걸쳐 스캐닝하고) 시료(802)로부터의 광을 검출하는 것에 의해 시료(802)에 대한 광학 기반 출력을 생성하도록 구성된다. 일 실시예에서, 시료(802)는 웨이퍼를 포함한다. 웨이퍼는 본 기술분야에서 알려진 임의의 웨이퍼를 포함할 수 있다. 다른 실시예에서, 시료는 레티클을 포함한다. 레티클은 본 기술분야에서 알려진 임의의 레티클을 포함할 수 있다.
도 8에 도시된 시스템(800)의 실시예에서, 광학 기반 서브시스템(801)은 광을 시료(802) 쪽으로 지향시키도록 구성된 조명 서브시스템을 포함한다. 조명 서브시스템은 하나 이상의 광 소스를 포함한다. 예를 들어, 도 8에 도시된 바와 같이, 조명 서브시스템은 광 소스(803)를 포함한다. 일 실시예에서, 조명 서브시스템은, 하나 이상의 경사각(oblique angle) 및/또는 하나 이상의 수직각(normal angle)을 포함할 수 있는, 하나 이상의 입사각(angle of incidence)으로 광을 시료(802) 쪽으로 지향시키도록 구성된다. 예를 들어, 도 8에 도시된 바와 같이, 광 소스(803)로부터의 광은 경사 입사각(oblique angle of incidence)으로 광학 요소(804) 그리고 이어서 렌즈(805)를 통해 시료(802) 쪽으로 지향된다. 경사 입사각은, 예를 들어, 시료(802)의 특성들에 따라 변할 수 있는, 임의의 적합한 경사 입사각을 포함할 수 있다.
광 소스(803) 또는 빔 소스는 광대역 플라스마 소스, 램프, 또는 레이저를 포함할 수 있다. 일부 실시예들에서, 빔 소스는 또한 적외선 광, 가시 광, 자외선 광, 또는 x-선 광의 형태일 수 있는 광 또는 광자들을 방출할 수 있다.
광학 기반 서브시스템(801)은 상이한 시간들에서 상이한 입사각들로 광을 시료(802) 쪽으로 지향시키도록 구성될 수 있다. 예를 들어, 광이 도 8에 도시된 것과 상이한 입사각으로 시료(802) 쪽으로 지향될 수 있도록, 광학 기반 서브시스템(801)은 조명 서브시스템의 하나 이상의 요소의 하나 이상의 특성을 변경하도록 구성될 수 있다. 하나의 그러한 예에서, 광이 상이한 경사 입사각 또는 수직(또는 거의 수직) 입사각으로 시료(802) 쪽으로 지향되도록, 광학 기반 서브시스템(801)은 광 소스(803), 광학 요소(804), 및 렌즈(805)를 이동시키도록 구성될 수 있다.
일부 예들에서, 광학 기반 서브시스템(801)은 동시에 하나 초과의 입사각으로 광을 시료(802) 쪽으로 지향시키도록 구성될 수 있다. 예를 들어, 조명 서브시스템은 하나 초과의 조명 채널을 포함할 수 있고, 조명 채널들 중 하나는 도 8에 도시된 바와 같은 광 소스(803), 광학 요소(804), 및 렌즈(805)를 포함할 수 있으며, 조명 채널들 중 다른 하나(도시되지 않음)는, 상이하게 또는 동일하게 구성될 수 있는, 유사한 요소들을 포함할 수 있거나, 또는 적어도 광 소스 및 어쩌면 본 명세서에서 추가로 설명되는 것들과 같은 하나 이상의 다른 컴포넌트를 포함할 수 있다. 그러한 광이 다른 광과 동시에 시료 쪽으로 지향되는 경우, 상이한 입사각들로 시료(802)를 조명하는 것으로부터 결과하는 광이 검출기(들)에서 서로 구별될 수 있도록, 상이한 입사각들로 시료(802) 쪽으로 지향되는 광의 하나 이상의 특성(예를 들어, 파장, 편광 등)이 상이할 수 있다.
다른 예에서, 조명 서브시스템은 단지 하나의 광 소스(예를 들어, 도 8에 도시된 광 소스(803))를 포함할 수 있고, 광 소스로부터의 광은 조명 서브시스템의 하나 이상의 광학 요소(도시되지 않음)에 의해 (예를 들어, 파장, 편광 등에 기초하여) 상이한 광학 경로들로 분리될 수 있다. 상이한 광학 경로들 각각에서의 광은 이어서 시료(802) 쪽으로 지향될 수 있다. 다수의 조명 채널들은 동시에 또는 상이한 시간들에서(예를 들어, 상이한 조명 채널들이 시료를 순차적으로 조명하는 데 사용될 때) 광을 시료(802) 쪽으로 지향시키도록 구성될 수 있다. 다른 예에서, 동일한 조명 채널이 상이한 시간들에서 상이한 특성들을 갖는 광을 시료(802) 쪽으로 지향시키도록 구성될 수 있다. 예를 들어, 일부 예들에서, 광학 요소(804)는 스펙트럼 필터로서 구성될 수 있고, 상이한 시간들에서 상이한 파장들의 광이 시료(802) 쪽으로 지향될 수 있도록, 스펙트럼 필터의 속성들(properties)이 다양한 상이한 방식들로(예를 들어, 스펙트럼 필터를 교체(swapping out)하는 것에 의해) 변경될 수 있다. 조명 서브시스템은 상이한 또는 동일한 특성들을 갖는 광을 상이한 또는 동일한 입사각들로 순차적으로 또는 동시에 시료(802) 쪽으로 지향시키기 위한 본 기술분야에서 알려진 임의의 다른 적합한 구성을 가질 수 있다.
일 실시예에서, 광 소스(803)는 광대역 플라스마(broadband plasma; BBP) 소스를 포함할 수 있다. 이러한 방식으로, 광 소스(803)에 의해 생성되어 시료(802) 쪽으로 지향되는 광은 광대역 광을 포함할 수 있다. 그렇지만, 광 소스는 레이저 또는 램프와 같은 임의의 다른 적합한 광 소스를 포함할 수 있다. 레이저는 본 기술분야에서 알려진 임의의 적합한 레이저를 포함할 수 있고 본 기술분야에서 알려진 임의의 적합한 파장 또는 파장들로 광을 생성하도록 구성될 수 있다. 그에 부가하여, 레이저는 단색(monochromatic) 또는 거의 단색(nearly-monochromatic)인 광을 생성하도록 구성될 수 있다. 이러한 방식으로, 레이저는 협대역 레이저일 수 있다. 광 소스(803)는 다수의 이산 파장들 또는 파장 대역들(wavebands)로 광을 생성하는 다색 광 소스(polychromatic light source)를 또한 포함할 수 있다.
광학 요소(804)로부터의 광은 렌즈(805)에 의해 시료(802) 상으로 집속될 수 있다. 렌즈(805)가 도 8에서 단일 굴절 광학 요소로서 도시되어 있지만, 실제로, 렌즈(805)가 다수의 굴절 광학 요소들 및/또는 반사 광학 요소들을 포함할 수 있고 이들이 조합하여 광학 요소로부터의 광을 시료 쪽으로 집속시킨다는 것이 이해되어야 한다. 도 8에 도시되고 본 명세서에서 설명된 조명 서브시스템은 임의의 다른 적합한 광학 요소들(도시되지 않음)을 포함할 수 있다. 그러한 광학 요소들의 예들은, 본 기술분야에서 알려진 임의의 그러한 적합한 광학 요소들을 포함할 수 있는, 편광 컴포넌트(들), 스펙트럼 필터(들), 공간 필터(들), 반사 광학 요소(들), 아포다이저(apodizer)(들), (빔 스플리터(813)와 같은) 빔 스플리터(들), 애퍼처(aperture)(들) 등을 포함하지만, 이들로 제한되지 않는다. 그에 부가하여, 광학 기반 서브시스템(801)은 광학 기반 출력을 생성하는 데 사용될 조명의 유형에 기초하여 조명 서브시스템의 요소들 중 하나 이상을 변경하도록 구성될 수 있다.
광학 기반 서브시스템(801)은 광이 시료(802)에 걸쳐 스캐닝되게 하도록 구성된 스캐닝 서브시스템(scanning subsystem)을 또한 포함할 수 있다. 예를 들어, 광학 기반 서브시스템(801)은 광학 기반 출력 생성 동안 시료(802)가 배치되는 스테이지(806)를 포함할 수 있다. 광이 시료(802)에 걸쳐 스캐닝될 수 있도록 스캐닝 서브시스템은 시료(802)를 이동시키도록 구성될 수 있는 (스테이지(806)를 포함하는) 임의의 적합한 기계 및/또는 로봇 어셈블리를 포함할 수 있다. 그에 부가하여 또는 대안적으로, 광학 기반 서브시스템(801)은 광학 기반 서브시스템(801)의 하나 이상의 광학 요소가 시료에 걸친 광의 일부 스캐닝을 수행하도록 구성될 수 있다. 광은 사행형(serpentine-like) 경로로 또는 나선형 경로로와 같이 임의의 적합한 방식으로 시료(802)에 걸쳐 스캐닝될 수 있다.
광학 기반 서브시스템(801)은 하나 이상의 검출 채널을 추가로 포함한다. 하나 이상의 검출 채널 중 적어도 하나는 서브시스템에 의한 시료(802)의 조명으로 인한 시료(802)로부터의 광을 검출하도록 그리고 검출된 광에 응답하여 출력을 생성하도록 구성된 검출기를 포함한다. 예를 들어, 도 8에 도시된 광학 기반 서브시스템(801)은 2개의 검출 채널을 포함하며, 하나는 수집기(collector)(807), 요소(808), 및 검출기(809)에 의해 형성되고, 다른 하나는 수집기(810), 요소(811), 및 검출기(812)에 의해 형성된다. 도 8에 도시된 바와 같이, 2개의 검출 채널은 상이한 수집 각도들에서 광을 수집 및 검출하도록 구성된다. 일부 경우들에서, 양쪽 검출 채널들은 산란 광을 검출하도록 구성되고, 검출 채널들은 시료(802)로부터 상이한 각도들로 산란되는 광을 검출하도록 구성된다. 그렇지만, 검출 채널들 중 하나 이상은 시료(802)로부터의 다른 유형의 광(예를 들어, 반사 광)을 검출하도록 구성될 수 있다.
도 8에 추가로 도시된 바와 같이, 양쪽 검출 채널들이 지면의 평면에 위치된 것으로 도시되고 조명 서브시스템이 또한 지면의 평면에 위치된 것으로 도시된다. 따라서, 이 실시예에서, 양쪽 검출 채널들은 입사 평면에 위치된다(예를 들어, 입사 평면에 중심을 두고 있다). 그렇지만, 검출 채널들 중 하나 이상이 입사 평면 밖에 위치될 수 있다. 예를 들어, 수집기(810), 요소(811), 및 검출기(812)에 의해 형성되는 검출 채널은 입사 평면 밖으로 산란되는 광을 수집 및 검출하도록 구성될 수 있다. 따라서, 그러한 검출 채널은 통상적으로 "사이드(side)" 채널이라고 지칭될 수 있고, 그러한 사이드 채널은 입사 평면에 실질적으로 수직인 평면에 중심을 두고 있을 수 있다.
비록 도 8이 2개의 검출 채널을 포함하는 광학 기반 서브시스템(801)의 실시예를 도시하지만, 광학 기반 서브시스템(801)은 상이한 개수의 검출 채널들(예를 들어, 단지 하나의 검출 채널 또는 2개 이상의 검출 채널)을 포함할 수 있다. 하나의 그러한 경우에, 수집기(810), 요소(811), 및 검출기(812)에 의해 형성되는 검출 채널은 위에서 설명된 바와 같이 하나의 사이드 채널을 형성할 수 있고, 광학 기반 서브시스템(801)은 입사 평면의 반대편 측면 상에 위치되는 다른 사이드 채널로서 형성되는 부가의 검출 채널(도시되지 않음)을 포함할 수 있다. 따라서, 광학 기반 서브시스템(801)은 수집기(807), 요소(808), 및 검출기(809)를 포함하고 입사 평면에 중심을 두고 있으며 시료(802) 표면에 수직인 또는 거의 수직인 산란각(들)에서 광을 수집 및 검출하도록 구성된 검출 채널을 포함할 수 있다. 따라서 이 검출 채널은 통상적으로 "톱(top)" 채널이라고 지칭될 수 있고, 광학 기반 서브시스템(801)은 위에서 설명된 바와 같이 구성된 둘 이상의 사이드 채널을 또한 포함할 수 있다. 그와 같이, 광학 기반 서브시스템(801)은 적어도 3개의 채널(즉, 하나의 톱 채널 및 2개의 사이드 채널)을 포함할 수 있고, 적어도 3개의 채널 각각은 그 자신의 수집기를 가지며, 이 수집기들 각각은 다른 수집기들 각각과 상이한 산란각들에서 광을 수집하도록 구성된다.
위에서 추가로 설명된 바와 같이, 광학 기반 서브시스템(801)에 포함된 검출 채널들 각각은 산란 광을 검출하도록 구성될 수 있다. 따라서, 도 8에 도시된 광학 기반 서브시스템(801)은 시료들(802)에 대한 암시야(dark field; DF) 출력 생성을 위해 구성될 수 있다. 그렇지만, 광학 기반 서브시스템(801)은 시료들(802)에 대한 명시야(bright field; BF) 출력 생성을 위해 구성된 검출 채널(들)을 또한 또는 대안적으로 포함할 수 있다. 환언하면, 광학 기반 서브시스템(801)은 시료(802)로부터 경면 반사되는(specularly reflected) 광을 검출하도록 구성된 적어도 하나의 검출 채널을 포함할 수 있다. 따라서, 본 명세서에서 설명된 광학 기반 서브시스템들(801)은 DF 이미징만, BF 이미징만, 또는 DF 이미징 및 BF 이미징 둘 다를 위해 구성될 수 있다. 비록 수집기들 각각이 도 8에서 단일 굴절 광학 요소들로서 도시되어 있지만, 수집기들 각각이 하나 이상의 굴절 광학 다이(들) 및/또는 하나 이상의 반사 광학 요소(들)를 포함할 수 있음이 이해되어야 한다.
하나 이상의 검출 채널은 본 기술분야에서 알려진 임의의 적합한 검출기들을 포함할 수 있다. 예를 들어, 검출기들은 광 증배관들(photo-multiplier tubes; PMT들), 전하 결합 디바이스들(charge coupled devices; CCD들), 시간 지연 적분(time delay integration; TDI) 카메라들을 포함할 수 있다. 검출기들은 비-이미징(non-imaging) 검출기들 또는 이미징 검출기들을 또한 포함할 수 있다. 이러한 방식으로, 검출기들이 비-이미징 검출기들이면, 검출기들 각각은 세기와 같은 산란 광의 특정 특성들을 검출하도록 구성될 수 있지만, 그러한 특성들을 이미징 평면 내에서의 위치의 함수로서 검출하도록 구성되지 않을 수 있다. 그와 같이, 광학 기반 서브시스템의 검출 채널들 각각에 포함된 검출기들 각각에 의해 생성되는 출력은 신호들 또는 데이터일 수 있지만, 이미지 신호들 또는 이미지 데이터가 아닐 수 있다. 그러한 예들에서, 프로세서(814)와 같은 프로세서는 검출기들의 비-이미징 출력으로부터 시료(802)의 이미지들을 생성하도록 구성될 수 있다. 그렇지만, 다른 예들에서, 검출기들은 이미징 신호들 또는 이미지 데이터를 생성하도록 구성된 이미징 검출기들로서 구성될 수 있다. 따라서, 광학 기반 서브시스템은 본 명세서에서 설명된 광학 이미지들 또는 다른 광학 기반 출력을 다수의 방식들로 생성하도록 구성될 수 있다.
도 8이 본 명세서에서 설명된 시스템 실시예들에 포함될 수 있는 또는 본 명세서에서 설명된 시스템 실시예들에 의해 사용되는 광학 기반 출력을 생성할 수 있는 광학 기반 서브시스템(801)의 구성을 일반적으로 예시하기 위해 본 명세서에서 제공된다는 점에 유의한다. 본 명세서에서 설명된 광학 기반 서브시스템(801) 구성은 상용 출력 취득 시스템을 설계할 때 통상적으로 수행되는 바와 같이 광학 기반 서브시스템(801)의 성능을 최적화하도록 변경될 수 있다. 그에 부가하여, 본 명세서에서 설명된 시스템들은 기존의 시스템을 사용하여(예를 들어, 본 명세서에서 설명된 기능성을 기존의 시스템에 추가함으로써) 구현될 수 있다. 일부 그러한 시스템들의 경우, 본 명세서에서 설명된 방법들은 이 시스템의 임의적 기능성으로서 (예를 들어, 이 시스템의 다른 기능성에 부가하여) 제공될 수 있다. 대안적으로, 본 명세서에서 설명된 시스템은 완전히 새로운 시스템으로서 설계될 수 있다.
예에서, 프로세서(814)는 시스템(800)과 통신한다.
도 9는 시스템(900)의 실시예의 블록 다이어그램이다. 시스템(900)은, 웨이퍼 또는 레티클을 포함할 수 있는, 시료(904)의 이미지들을 생성하도록 구성된 (전자 칼럼(electron column)(901)을 포함하는) 웨이퍼 검사 툴을 포함한다.
웨이퍼 검사 툴은 적어도 에너지 소스 및 검출기를 포함하는 출력 취득 서브시스템을 포함한다. 출력 취득 서브시스템은 전자 빔 기반 출력 취득 서브시스템일 수 있다. 예를 들어, 일 실시예에서, 시료(904) 쪽으로 지향되는 에너지는 전자들을 포함하고, 시료(904)로부터 검출되는 에너지는 전자들을 포함한다. 이러한 방식으로, 에너지 소스는 전자 빔 소스일 수 있다. 도 9에 도시된 하나의 그러한 실시예에서, 출력 취득 서브시스템은, 컴퓨터 서브시스템(들)(902)에 커플링되는, 전자 칼럼(901)을 포함한다. 스테이지(910)는 시료(904)를 유지할 수 있다.
또한 도 9에 도시된 바와 같이, 전자 칼럼(901)은 하나 이상의 요소(905)에 의해 시료(904) 쪽으로 집속되는 전자들을 생성하도록 구성된 전자 빔 소스(903)를 포함한다. 전자 빔 소스(903)는, 예를 들어, 캐소드 소스 또는 이미터 팁(emitter tip)을 포함할 수 있다. 하나 이상의 요소(905)는, 예를 들어, 건 렌즈(gun lens), 애노드, 빔 제한 애퍼처(beam limiting aperture), 게이트 밸브(gate valve), 빔 전류 선택 애퍼처(beam current selection aperture), 대물 렌즈, 및 스캐닝 서브시스템을 포함할 수 있으며, 이들 모두는 본 기술분야에서 알려진 임의의 그러한 적합한 요소들을 포함할 수 있다.
시료(904)로부터 되돌아오는 전자들(예를 들어, 이차 전자들)은 하나 이상의 요소(906)에 의해 검출기(907) 쪽으로 집속될 수 있다. 하나 이상의 요소(906)는, 예를 들어, 스캐닝 서브시스템을 포함할 수 있으며, 이 스캐닝 서브시스템은 요소(들)(905)에 포함된 동일한 스캐닝 서브시스템일 수 있다.
전자 칼럼(901)은 본 기술분야에서 알려진 임의의 다른 적합한 요소들을 또한 포함할 수 있다.
비록 전자 칼럼(901)이 도 9에서 전자들이 경사 입사각으로 시료(904) 쪽으로 지향되고 다른 경사각으로 시료(904)로부터 산란되도록 구성되는 것으로 도시되어 있지만, 전자 빔은 임의의 적합한 각도들로 시료(904) 쪽으로 지향되고 시료(904)로부터 산란될 수 있다. 그에 부가하여, 전자 빔 기반 출력 취득 서브시스템은 (예를 들어, 상이한 조명 각도들, 수집 각도들 등을 사용하여) 시료(904)의 이미지들을 생성하기 위해 다수의 모드들을 사용하도록 구성될 수 있다. 전자 빔 기반 출력 취득 서브시스템의 다수의 모드들은 출력 취득 서브시스템의 임의의 이미지 생성 파라미터들이 상이할 수 있다.
컴퓨터 서브시스템(902)은 위에서 설명된 바와 같이 검출기(907)에 커플링될 수 있다. 검출기(907)는 시료(904)의 표면으로부터 되돌아온 전자들을 검출하여, 이에 의해 시료(904)의 전자 빔 이미지들을 형성할 수 있다. 전자 빔 이미지들은 임의의 적합한 전자 빔 이미지들을 포함할 수 있다. 컴퓨터 서브시스템(902)은 검출기(907)의 출력 및/또는 전자 빔 이미지들을 사용하여 본 명세서에서 설명된 기능들 중 임의의 것을 수행하도록 구성될 수 있다. 컴퓨터 서브시스템(902)은 본 명세서에서 설명된 임의의 부가의 단계(들)를 수행하도록 구성될 수 있다. 도 9에 도시된 출력 취득 서브시스템을 포함하는 시스템(900)은 본 명세서에서 설명된 바와 같이 추가로 구성될 수 있다.
도 9가 본 명세서에서 설명된 실시예들에서 사용될 수 있는 전자 빔 기반 출력 취득 서브시스템의 구성을 전반적으로 예시하기 위해 본 명세서에서 제공된다는 점에 유의한다. 본 명세서에서 설명된 전자 빔 기반 출력 취득 서브시스템 구성은 상용 출력 취득 시스템을 설계할 때 통상적으로 수행되는 바와 같이 출력 취득 서브시스템의 성능을 최적화하도록 변경될 수 있다. 그에 부가하여, 본 명세서에서 설명된 시스템들은 기존의 시스템을 사용하여(예를 들어, 본 명세서에서 설명된 기능성을 기존의 시스템에 추가함으로써) 구현될 수 있다. 일부 그러한 시스템들의 경우, 본 명세서에서 설명된 방법들은 이 시스템의 임의적 기능성으로서 (예를 들어, 이 시스템의 다른 기능성에 부가하여) 제공될 수 있다. 대안적으로, 본 명세서에서 설명된 시스템은 완전히 새로운 시스템으로서 설계될 수 있다.
비록 출력 취득 서브시스템이 전자 빔 기반 출력 취득 서브시스템인 것으로 위에서 설명되었지만, 출력 취득 서브시스템은 이온 빔 기반 출력 취득 서브시스템일 수 있다. 그러한 출력 취득 서브시스템은 전자 빔 소스가 본 기술분야에서 알려진 임의의 적합한 이온 빔 소스로 대체될 수 있다는 것을 제외하고는 도 9에 도시된 바와 같이 구성될 수 있다. 그에 부가하여, 출력 취득 서브시스템은 상업적으로 이용가능한 집속 이온 빔(focused ion beam; FIB) 시스템들, 헬륨 이온 현미경법(helium ion microscopy; HIM) 시스템들, 및 2차 이온 질량 분광법(secondary ion mass spectroscopy; SIMS) 시스템들에 포함된 것들과 같은 임의의 다른 적합한 이온 빔 기반 출력 취득 서브시스템일 수 있다.
컴퓨터 서브시스템(902)은 프로세서(908) 및 전자 데이터 저장 유닛(909)을 포함한다. 프로세서(908)는 마이크로프로세서, 마이크로컨트롤러, 또는 다른 디바이스들을 포함할 수 있다.
프로세서(814 또는 908)가, 제각기, 출력을 수신할 수 있도록, 프로세서(814 또는 908) 또는 컴퓨터 서브시스템(902)은 임의의 적합한 방식으로(예를 들어, 유선 및/또는 무선 전송 매체들을 포함할 수 있는, 하나 이상의 전송 매체를 통해), 제각기, 시스템(800 또는 900)의 컴포넌트들에 커플링될 수 있다. 프로세서(814 또는 908)는 출력을 사용하여 다수의 기능들을 수행하도록 구성될 수 있다. 시스템(800 또는 900)은, 제각기, 프로세서(814 또는 908)로부터 명령어들 또는 다른 정보를 수신할 수 있다. 프로세서(814 또는 908) 및/또는 전자 데이터 저장 유닛(815 또는 909)은, 제각기, 부가 정보를 수신하거나 명령어들을 송신하기 위해 웨이퍼 검사 툴, 웨이퍼 계측 툴, 또는 웨이퍼 검토 툴(예시되지 않음)과 임의로 전자 통신할 수 있다. 예를 들어, 프로세서(814, 908) 및/또는 전자 데이터 저장 유닛(815 또는 909)은, 제각기, 스캐닝 전자 현미경(scanning electron microscope; SEM)과 전자 통신할 수 있다.
프로세서(814 또는 908)는, 제각기, 검출기(809 또는 812) 또는 검출기(907)와 같은, 웨이퍼 검사 툴과 전자 통신한다. 프로세서(814 또는 908)는, 제각기, 검출기(809 또는 812) 또는 검출기(907)로부터의 측정들을 사용하여 생성되는 이미지들을 프로세싱하도록 구성될 수 있다. 예를 들어, 프로세서는 방법들(100, 200, 300, 400, 또는 500)의 실시예들을 수행할 수 있다.
본 명세서에서 설명된 프로세서(814 또는 902) 또는 컴퓨터 서브시스템(902), 다른 시스템(들), 또는 다른 서브시스템(들)은, 개인 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 어플라이언스(network appliance), 인터넷 어플라이언스(internet appliance), 또는 다른 디바이스를 포함한, 다양한 시스템들의 일부일 수 있다. 서브시스템(들) 또는 시스템(들)은, 병렬 프로세서와 같은, 본 기술분야에서 알려진 임의의 적합한 프로세서를 또한 포함할 수 있다. 그에 부가하여, 서브시스템(들) 또는 시스템(들)은 고속 프로세싱 및 소프트웨어를 갖는 플랫폼을, 독립형(standalone) 툴 또는 네트워크화된(networked) 툴 중 어느 하나로서 포함할 수 있다.
프로세서(814 또는 908) 및 전자 데이터 저장 유닛(815 또는 909)은, 제각기, 시스템(800 또는 900) 내에, 제각기, 배치되거나 다른 방식으로 그 일부일 수 있거나, 또는 다른 디바이스 내에 배치되거나 다른 방식으로 그 일부일 수 있다. 예에서, 프로세서(814 또는 908) 및 전자 데이터 저장 유닛(815 또는 909)은, 제각기, 독립형 제어 유닛의 일부이거나 중앙집중식 품질 제어 유닛 내에 있을 수 있다. 다수의 프로세서들(814 또는 908) 또는 전자 데이터 저장 유닛들(815 또는 909)이, 제각기, 사용될 수 있다.
프로세서(814 또는 908)는 하드웨어, 소프트웨어, 및 펌웨어의 임의의 조합에 의해 실제로 구현될 수 있다. 또한, 본 명세서에서 설명된 바와 같은 그의 기능들은 하나의 유닛에 의해 수행되거나, 또는 상이한 컴포넌트들 간에 분할될 수 있으며, 이 컴포넌트들 각각은 차례로 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 구현될 수 있다. 프로세서(814 또는 908)가 다양한 방법들 및 기능들을 구현하기 위한 프로그램 코드 또는 명령어들은, 제각기, 전자 데이터 저장 유닛(815 또는 909) 내의 메모리, 또는 다른 메모리와 같은, 판독가능 저장 매체들에 저장될 수 있다.
시스템(800 또는 900)이 하나 초과의 프로세서(814 또는 908) 또는 컴퓨터 서브시스템(902)을 포함하면, 이미지들, 데이터, 정보, 명령어들 등이 서브시스템들 사이에서 송신될 수 있도록 상이한 서브시스템들이 서로 커플링될 수 있다. 예를 들어, 하나의 서브시스템은 본 기술분야에서 알려진 임의의 적합한 유선 및/또는 무선 전송 매체들을 포함할 수 있는, 임의의 적합한 전송 매체들에 의해 부가의 서브시스템(들)에 커플링될 수 있다. 그러한 서브시스템들 중 2개 이상의 서브시스템은 또한 공유된 컴퓨터 판독가능 저장 매체(도시되지 않음)에 의해 효과적으로 커플링될 수 있다.
프로세서(814 또는 908)는, 제각기, 시스템(800 또는 900)의 출력, 또는 다른 출력을 사용하여 다수의 기능들을 수행하도록 구성될 수 있다. 예를 들어, 프로세서(814 또는 908)는 출력을, 제각기, 전자 데이터 저장 유닛(815 또는 909) 또는 다른 저장 매체로 송신하도록 구성될 수 있다. 프로세서(814 또는 908)는 본 명세서에서 설명된 바와 같이 추가로 구성될 수 있다.
프로세서(814 또는 908) 또는 컴퓨터 서브시스템(902)은 결함 검토 시스템, 검사 시스템, 계측 시스템, 또는 어떤 다른 유형의 시스템의 일부일 수 있다. 따라서, 본 명세서에서 개시된 실시예들은 상이한 응용들에 대해 더 적합하거나 덜 적합한 상이한 능력들을 갖는 시스템들에 대해 다수의 방식들로 맞춤화될 수 있는 일부 구성들을 설명한다.
이 시스템이 하나 초과의 서브시스템을 포함하면, 이미지들, 데이터, 정보, 명령어들 등이 서브시스템들 사이에서 송신될 수 있도록 상이한 서브시스템들이 서로 커플링될 수 있다. 예를 들어, 하나의 서브시스템은 본 기술분야에서 알려진 임의의 적합한 유선 및/또는 무선 전송 매체들을 포함할 수 있는, 임의의 적합한 전송 매체들에 의해 부가의 서브시스템(들)에 커플링될 수 있다. 그러한 서브시스템들 중 2개 이상의 서브시스템은 또한 공유된 컴퓨터 판독가능 저장 매체(도시되지 않음)에 의해 효과적으로 커플링될 수 있다.
프로세서(814 또는 908)는 본 명세서에서 설명된 실시예들 중 임의의 것에 따라 구성될 수 있다. 프로세서(814 또는 908)는 또한, 제각기, 시스템(800 또는 900)의 출력을 사용하여 또는 다른 소스들로부터의 이미지들 또는 데이터를 사용하여 다른 기능들 또는 부가의 단계들을 수행하도록 구성될 수 있다.
프로세서(814 또는 908)는 본 기술분야에서 알려진 임의의 방식으로, 제각기, 시스템(800 또는 900)의 다양한 컴포넌트들 또는 서브시스템들 중 임의의 것에 통신가능하게 커플링될 수 있다. 더욱이, 프로세서(814 또는 908)는 유선 및/또는 무선 부분들을 포함할 수 있는 전송 매체에 의해 다른 시스템들로부터 데이터 또는 정보(예를 들어, 검토 툴과 같은 검사 시스템으로부터의 검사 결과들, 설계 데이터를 포함하는 원격 데이터베이스 등)를 수신 및/또는 취득하도록 구성될 수 있다. 이러한 방식으로, 전송 매체는 프로세서(814 또는 908)와, 제각기, 시스템(800 또는 900)의 다른 서브시스템들, 또는, 제각기, 시스템(800 또는 900) 외부의 시스템들 사이의 데이터 링크로서 역할할 수 있다.
실시예에서, 프로세서(814) 또는 프로세서(908)는 방법들(100, 200, 300, 400 또는 500) 중 하나 이상의 방법의 실시예에 따른 단계들을 수행하도록 구성될 수 있다.
실시예에서, 프로세서(814) 또는 프로세서(908)는 테스트 이미지 디-스큐를 포함하는 테스트 이미지의 대략 정렬을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 만들도록; 그리고 부분적으로 정렬된 테스트 이미지의 분할 병진을 포함하는 미세 정렬을 수행하도록 구성될 수 있다.
실시예에서, 프로세서(814) 또는 프로세서(908)는 기준 이미지를 수신하고 - 기준 이미지는 픽셀들의 행들 및 열들을 포함함 -; 기준 이미지로부터의 제1 국소 섹션을 선택하며; 테스트 이미지를 수신하고 - 테스트 이미지는 픽셀들의 행들 및 열들을 포함함 -; 테스트 이미지로부터의 제2 국소 섹션을 선택하고; 제1 국소 섹션 및 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋을 결정하도록 추가로 구성될 수 있다.
실시예에서, 프로세서(814) 또는 프로세서(908)는 테스트 이미지 디-스큐를 수행하도록 추가로 구성될 수 있고, 여기서 테스트 이미지 디-스큐는 테스트 이미지의 스큐각을 결정하는 것; 및 스큐각에 기초하여 테스트 이미지를 디-스큐잉하는 것을 포함한다.
실시예에서, 프로세서(814) 또는 프로세서(908)는 기준 이미지로부터의 제1 국소 섹션과 테스트 이미지로부터의 제2 국소 섹션의 스큐 비교를 수행함으로써 테스트 이미지의 스큐각을 결정하도록 추가로 구성될 수 있다.
실시예에서, 프로세서(814) 또는 프로세서(908)는 기준 이미지로부터의 제1 국소 섹션에 대해 고속 푸리에 변환을 수행하여 기준 장면 함수를 획득하는 것; 테스트 이미지로부터의 제2 국소 섹션에 대해 고속 푸리에 변환을 수행하여 테스트 장면 함수를 획득하는 것; 테스트 장면 함수를 기준 장면 함수와 비교하여 스큐각을 결정하는 것을 포함하는 스큐 비교를 수행하도록 추가로 구성될 수 있다.
실시예에서, 프로세서(814) 또는 프로세서(908)는 테스트 이미지를 디-스큐잉하도록 추가로 구성될 수 있고, 여기서 테스트 이미지를 디-스큐잉하는 것은, 스큐각에 기초하여, 테스트 이미지에서의 각각의 픽셀에 대해, 열 시프트 벡터 및 행 시프트 벡터를 결정하는 것 - 각각의 열 시프트 벡터는 픽셀을 포함하는 열과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함하고; 각각의 행 시프트 벡터는 픽셀을 포함하는 행과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함함 -; 각각의 픽셀을 그의 열 시프트 벡터 및 행 시프트 벡터에 따라 시프트시키는 것을 포함한다.
실시예에서, 프로세서(814) 또는 프로세서(908)는 분할 병진을 포함하는 미세 정렬을 수행하도록 추가로 구성될 수 있고, 여기서 분할 병진은: 기준 이미지를 하나 이상의 기준 이미지 서브섹션으로 분할하는 것; 테스트 이미지를 하나 이상의 테스트 이미지 서브섹션으로 분할하는 것 - 각각의 테스트 이미지 서브섹션은 기준 이미지 서브섹션에 대응함-; 및 각각의 테스트 이미지 서브섹션을 그의 대응하는 기준 이미지 서브섹션과 정렬되도록 병진시키는 것을 포함한다.
본 명세서에서 개시된 시스템(800) 또는 시스템(900) 및 방법들의 다양한 단계들, 기능들, 및/또는 동작들은 다음과 같은 것: 전자 회로들, 로직 게이트들, 멀티플렉서들, 프로그래밍가능 로직 디바이스들, ASIC들, 아날로그 또는 디지털 컨트롤들/스위치들, 마이크로컨트롤러들, 또는 컴퓨팅 시스템들 중 하나 이상에 의해 수행된다. 본 명세서에서 설명된 것들과 같은 방법들을 구현하는 프로그램 명령어들은 캐리어 매체를 통해 전송되거나 또는 캐리어 매체 상에 저장될 수 있다. 캐리어 매체는 판독 전용 메모리, 랜덤 액세스 메모리, 자기 또는 광학 디스크, 비휘발성 메모리, 솔리드 스테이트 메모리, 자기 테이프 등과 같은 저장 매체를 포함할 수 있다. 캐리어 매체는 와이어, 케이블, 또는 무선 전송 링크와 같은 전송 매체를 포함할 수 있다. 예를 들어, 본 개시내용 전반에 걸쳐 설명된 다양한 단계들은 단일 프로세서(814) 또는 단일 프로세서(908)(또는 컴퓨터 시스템(902)) 또는, 대안적으로, 다수의 프로세서들(814) 또는 다수의 프로세서들(908)(또는 다수의 컴퓨터 시스템들(902))에 의해 수행될 수 있다. 더욱이, 시스템(800) 또는 시스템(900)의 상이한 서브시스템들은 하나 이상의 컴퓨팅 또는 로직 시스템을 포함할 수 있다. 따라서, 상기 설명은 본 개시내용에 대한 제한으로서 해석되어서는 안되며 단지 예시로서 해석되어야 한다.
부가의 실시예는, 본 명세서에서 개시된 바와 같이, 시료(802 또는 904)의 표면 상의 조명된 영역의 높이를 결정하기 위한 컴퓨터-구현 방법을 수행하기 위해 제어기 상에서 실행가능한 프로그램 명령어들을 저장하는 비일시적 컴퓨터 판독가능 매체에 관한 것이다. 특히, 도 8 또는 도 9에 도시된 바와 같이, 전자 데이터 저장 유닛(815 또는 909) 또는 다른 저장 매체는, 제각기, 프로세서(814 또는 908) 상에서 실행가능한 프로그램 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체를 포함할 수 있다. 컴퓨터-구현 방법은, 방법들(100, 200, 300, 400, 또는 500)의 실시예들을 포함하여, 본 명세서에서 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.
본 명세서에서 설명된 것들과 같은 방법들을 구현하는 프로그램 명령어들은 컴퓨터 판독가능 매체 상에, 예컨대, 전자 데이터 저장 유닛(815), 전자 데이터 저장 유닛(909), 또는 다른 저장 매체에 저장될 수 있다. 컴퓨터 판독가능 매체는 자기 또는 광학 디스크, 자기 테이프, 또는 본 기술분야에서 알려진 임의의 다른 적합한 비일시적 컴퓨터 판독가능 매체와 같은 저장 매체일 수 있다.
프로그램 명령어들은, 그 중에서도, 프로시저 기반 기술들, 컴포넌트 기반 기술들, 및/또는 객체 지향 기술들을 포함한, 다양한 방식들 중 임의의 것으로 구현될 수 있다. 예를 들어, 프로그램 명령어들은, 원하는 바에 따라, ActiveX 컨트롤들, C++ 객체들, JavaBeans, MFC(Microsoft Foundation Classes), SSE(Streaming SIMD Extension), 또는 다른 기술들 또는 방법론들을 사용하여 구현할 수 있다.
프로세서에 의해 실행되는 컴포넌트(들)는 딥 러닝 모듈(예를 들어, 컨볼루션 신경 네트워크(convolutional neural network; CNN) 모듈)을 포함할 수 있다. 딥 러닝 모듈은 본 명세서에서 추가로 설명되는 구성들 중 하나를 가질 수 있다. 신경 네트워크 기술에 뿌리를 두고 있는, 딥 러닝은, 통상적으로 딥 아키텍처(deep architecture)라고 알려진, 많은 뉴런 계층들을 갖는 확률 그래프 모델(probabilistic graph model)이다. 딥 러닝 기술은 이미지, 텍스트, 음성 등과 같은 정보를 계층적 방식으로 프로세싱한다. 본 개시내용에서 딥 러닝을 사용할 때, 피처 추출(feature extraction)은 데이터로부터 학습하는 것을 사용하여 자동으로 달성된다. 예를 들어, 회전 오프셋 및 병진 오프셋을 결정할 때 참조할 피처들은 하나 이상의 추출된 피처에 기초하여 딥 러닝 모듈을 사용하여 추출될 수 있다.
일반적으로 말하면, 딥 러닝(딥 구조화 러닝(deep structured learning), 계층적 러닝(hierarchical learning) 또는 딥 머신 러닝(deep machine learning)이라고도 알려져 있음)은 데이터에서 상위 레벨 추상화들을 모델링하려고 시도하는 알고리즘들의 세트에 기초하는 머신 러닝의 한 분야이다. 간단한 경우에, 2개의 뉴런 세트(sets of neurons): 입력 신호를 수신하는 뉴런들 및 출력 신호를 송신하는 뉴런들이 있을 수 있다. 입력 계층(input layer)이 입력을 수신할 때, 입력 계층은 입력의 수정된 버전을 다음 계층에 전달한다. 딥 네트워크(deep network)에서는, 입력과 출력 사이에 많은 계층들이 있어서, 알고리즘이 다수의 선형 및 비-선형 변환들로 구성된 다수의 프로세싱 계층들을 사용할 수 있게 해준다.
딥 러닝은 데이터의 표현들을 학습하는 것에 기초한 더 넓은 계열의 머신 러닝 방법들의 일부이다. 관측치(예를 들어, 참조를 위해 추출될 피처)는 픽셀당 세기 값들의 벡터와 같은 많은 방식들로, 또는 에지들의 세트, 특정 형상의 영역들 등으로서 더 추상적인 방식으로 표현될 수 있다. 일부 표현들은 학습 과제(learning task)(예컨대, 얼굴 인식 또는 얼굴 표정 인식)를 단순화하는 데 다른 것들보다 양호하다. 딥 러닝은 비지도(unsupervised) 또는 반지도(semi-supervised) 피처 학습 및 계층적 피처 추출을 위한 효율적인 알고리즘들을 제공할 수 있다.
이 분야에서의 연구는 더 나은 표현들을 만들고 대규모 데이터로부터 이러한 표현들을 학습하는 모델들을 생성하려고 시도한다. 표현들 중 일부는 신경 과학(neuroscience)의 진보들에 영감을 받았으며, 다양한 자극들과 뇌에서의 연관된 신경 반응들 사이의 관계를 정의하려고 시도하는 신경 코딩(neural coding)과 같은, 신경 시스템에서의 정보 프로세싱 및 통신 패턴들의 해석에 느슨하게(loosely) 기초하고 있다.
DBN(Deep Belief Network), RBM(Restricted Boltzmann Machine), 및 오토 인코더(Auto-Encoder)를 포함하지만 이들로 제한되지 않는, 확률 규격(probability specification) 및 네트워크 아키텍처에 따라 딥 아키텍처를 갖는 신경 네트워크들의 많은 변형들이 있다. 다른 유형의 딥 신경 네트워크인 CNN은 피처 분석을 위해 사용할 수 있다. 실제 구현은 입력 이미지들의 크기, 분석될 피처들의 개수, 및 문제의 성질(nature)에 따라 달라질 수 있다. 본 명세서에서 개시된 신경 네트워크들 외에 다른 계층들이 딥 러닝 모듈에 포함될 수 있다.
실시예에서, 딥 러닝 모델은 머신 러닝 모델이다. 머신 러닝은 명시적으로 프로그래밍됨이 없이 학습할 수 있는 능력을 컴퓨터들에 제공하는 한 유형의 인공 지능(AI)으로서 일반적으로 정의될 수 있다. 머신 러닝은 새로운 데이터에 노출될 때 성장하고 변화하도록 스스로를 가르칠 수 있는 컴퓨터 프로그램들의 개발에 중점을 두고 있다. 머신 러닝은 데이터로부터 학습하고 데이터에 대해 예측할 수 있는 알고리즘들의 연구와 구성을 탐구한다. 그러한 알고리즘들은, 샘플 입력들로부터 모델을 구축하는 것을 통해, 데이터 기반(data driven) 예측들 또는 결정들을 행함으로써 엄격하게 정적인 프로그램 명령어들을 따르는 것을 극복한다.
일부 실시예들에서, 딥 러닝 모델은 생성 모델이다. "생성" 모델은 성질상 확률론적(probabilistic)인 모델로서 일반적으로 정의될 수 있다. 환언하면, "생성" 모델은 순방향 시뮬레이션(forward simulation) 또는 규칙 기반(rule-based) 접근법들을 수행하는 것이 아니다. 생성 모델은 적합한 트레이닝 데이터 세트(training set of data)에 기초하여 (그의 파라미터들이 학습될 수 있다는 점에서) 학습될 수 있다. 일 실시예에서, 딥 러닝 모델은 딥 생성 모델로서 구성된다. 예를 들어, 모델이, 다수의 알고리즘들 또는 변환들을 수행하는, 다수의 계층들을 포함할 수 있다는 점에서 모델은 딥 러닝 아키텍처를 갖도록 구성될 수 있다.
다른 실시예에서, 딥 러닝 모델은 신경 네트워크로서 구성된다. 추가 실시예에서, 딥 러닝 모델은 자신을 트레이닝시키기 위해 공급받은 데이터에 따라 세계를 모델링하는 가중치들의 세트를 갖는 딥 신경 네트워크일 수 있다. 신경 네트워크들은 생물학적 뇌가 축색돌기들(axons)에 의해 연결된 생물학적 뉴런들의 상대적으로 큰 클러스터들을 사용하여 문제들을 해결하는 방식을 느슨하게 모델링하는 신경 유닛들(neural units)의 상대적으로 큰 집합체에 기초하는 계산 접근법으로서 일반적으로 정의될 수 있다. 각각의 신경 유닛은 많은 다른 신경 유닛들과 연결되며, 링크들(links)은 연결된 신경 유닛들의 활성화 상태에 대한 그들의 영향을 강화(enforcing)하거나 억제(inhibitory)할 수 있다. 이러한 시스템들은 명시적으로 프로그래밍됨이 없이 자가 학습하고(self-learning) 트레이닝되며, 솔루션 또는 피처 검출이 전통적인 컴퓨터 프로그램으로 표현하기 어려운 분야들에서 우수하다.
신경 네트워크들은 전형적으로 다수의 계층들로 이루어져 있고, 신호 경로는 앞으로부터 뒤로 횡단(traverse)된다. 신경 네트워크의 목표는 인간의 뇌와 동일한 방식으로 문제들을 해결하는 것이지만, 몇몇 신경 네트워크들은 훨씬 더 추상적이다. 최신의 신경 네트워크 프로젝트들은 전형적으로 수천 내지 수백만개의 신경 유닛 및 수백만개의 연결로 작동한다. 신경 네트워크는 본 기술분야에서 알려진 임의의 적합한 아키텍처 및/또는 구성을 가질 수 있다.
일 실시예에서, 본 명세서에서 개시된 반도체 검사 응용들에 사용되는 딥 러닝 모델은 AlexNet로서 구성된다. 예를 들어, AlexNet는 회전 오프셋 및 병진 오프셋을 결정하기 위해 피처들을 분석하도록, 조합하여, 구성되고 트레이닝되는, 다수의 컨볼루션 계층들(convolutional layers)(예컨대, 5개) 및 그에 뒤이은 다수의 완전 연결 계층들(fully connected layers)(예컨대, 3개)을 포함한다. 다른 이러한 실시예에서, 본 명세서에서 개시된 반도체 검사 응용들에 사용되는 딥 러닝 모델은 GoogleNet로서 구성된다. 예를 들어, GoogleNet는 회전 오프셋 및 병진 오프셋을 결정하기 위해 피처들을 분석하도록 구성되고 트레이닝되는 것으로 본 명세서에서 추가로 설명되는 것들과 같은 컨볼루션 계층들, 풀링 계층들, 및 완전 연결 계층들과 같은 계층들을 포함할 수 있다. GoogleNet 아키텍처가 (특히 본 명세서에서 설명된 일부 다른 신경 네트워크들과 비교하여) 상대적으로 많은 수의 계층들을 포함할 수 있지만, 계층들 중 일부는 병렬로 동작하고 있을 수 있으며, 서로 병렬로 기능하는 계층들의 그룹들은 인셉션 모듈들(inception modules)이라고 일반적으로 지칭된다. 계층들 중 다른 것들은 순차적으로 동작할 수 있다. 따라서, GoogleNet들은 계층들 전부가 순차적인 구조로 배열되는 것은 아니라는 점에서 본 명세서에서 설명된 다른 신경 네트워크들과 상이하다. 병렬 계층들은 Google의 인셉션 네트워크(Inception Network) 또는 다른 구조들과 유사할 수 있다.
추가의 그러한 실시예에서, 본 명세서에서 개시된 반도체 검사 응용들에 사용되는 딥 러닝 모델은 VGG(Visual Geometry Group) 네트워크로서 구성된다. 예를 들어, VGG 네트워크들은 아키텍처의 다른 파라미터들을 고정시키면서 컨볼루션 계층들의 개수를 증가시키는 것에 의해 생성되었다. 깊이를 증가시키기 위해 컨볼루션 계층들을 추가하는 것은 계층들 전부에서 상당히 작은 컨볼루션 필터들을 사용함으로써 가능하게 된다. 본 명세서에 설명된 다른 신경 네트워크들과 같이, 회전 오프셋 및 병진 오프셋을 결정하기 위해 피처들을 분석하기 위해 VGG 네트워크들이 생성되어 트레이닝되었다. VGG 네트워크들은 컨볼루션 계층들 및 그에 뒤따른 완전 연결 계층들을 또한 포함한다.
일부 그러한 실시예들에서, 본 명세서에서 개시된 반도체 검사 응용들에 사용되는 딥 러닝 모델은 딥 잔차 네트워크(deep residual network)로서 구성된다. 예를 들어, 본 명세서에 설명된 일부 다른 네트워크들과 같이, 딥 잔차 네트워크는, 피처 속성 추출을 위해, 조합하여, 구성되고 트레이닝되는, 컨볼루션 계층들 및 그에 뒤이은 완전 연결 계층들을 포함할 수 있다. 딥 잔차 네트워크에서, 계층들은, 참조되지 않은 함수들(unreferenced functions)을 학습하는 대신에, 계층 입력들을 참조하여 잔차 함수들(residual functions)을 학습하도록 구성된다. 특히, 각각의 몇몇 적층된 계층들(stacked layers)이 원하는 기본 매핑(desired underlying mapping)을 직접 피팅(fit)하기를 기대하는 대신에, 이 계층들은, 쇼트커트 연결들(shortcut connections)을 갖는 피드포워드 신경 네트워크들에 의해 실현되는, 잔차 매핑(residual mapping)을 피팅하도록 명시적으로 허용된다. 쇼트커트 연결들은 하나 이상의 계층을 스킵하는 연결들이다. 딥 잔차 네트는 컨볼루션 계층들을 포함하는 일반 신경 네트워크 구조(plain neural network structure)를 취하고 쇼트커트 연결들을 삽입하여, 그에 의해 일반 신경 네트워크를 취하여 이를 그의 잔차 학습 대응물로 바꾸는 것에 의해 생성될 수 있다.
추가의 그러한 실시예에서, 본 명세서에서 개시된 반도체 검사 응용들에 사용되는 딥 러닝 모델은 회전 오프셋 및 병진 오프셋을 결정하기 위한 피처들을 분석하도록 구성된 하나 이상의 완전 연결 계층을 포함한다. 완전 연결 계층은 노드들 각각이 이전 계층에서의 노드들 각각에 연결되는 계층으로서 일반적으로 정의될 수 있다. 완전 연결 계층(들)은, 본 명세서에서 추가로 설명된 바와 같이 구성될 수 있는, 컨볼루션 계층(들)에 의해 추출되는 피처들에 기초하여 분류를 수행할 수 있다. 완전 연결 계층(들)은 피처 선택 및 분류를 위해 구성된다. 환언하면, 완전 연결 계층(들)은 피처 맵(feature map)으로부터 피처들을 선택하고 이어서 선택된 피처들에 기초하여 입력 이미지(들)를 분석한다. 선택된 피처들은 피처 맵 내의 피처들 전부(적절한 경우) 또는 피처 맵 내의 피처들 중 일부만을 포함할 수 있다.
일부 실시예들에서, 딥 러닝 모델에 의해 결정되는 정보는 딥 러닝 모델에 의해 추출되는 피처 속성들을 포함한다. 하나의 그러한 실시예에서, 딥 러닝 모델은 하나 이상의 컨볼루션 계층을 포함한다. 컨볼루션 계층(들)은 본 기술분야에서 알려진 임의의 적합한 구성을 가질 수 있다. 이러한 방식으로, 딥 러닝 모델(또는 딥 러닝 모델의 적어도 일부)은 CNN으로서 구성될 수 있다. 예를 들어, 딥 러닝 모델은 국소적 피처들을 추출하기 위해, 보통 컨볼루션 계층들과 풀링 계층들의 스택들(stacks)인, CNN으로서 구성될 수 있다. 본 명세서에서 설명된 실시예들은 통상적으로 다루기 힘든 표현 반전 문제(representation inversion problem)를 해결하기 위해 CNN과 같은 딥 러닝 개념들을 이용할 수 있다. 딥 러닝 모델은 본 기술분야에서 알려진 임의의 CNN 구성 또는 아키텍처를 가질 수 있다. 하나 이상의 풀링 계층은 본 기술분야에서 알려진 임의의 적합한 구성(예를 들어, 맥스 풀링 계층들(max pooling layers))을 또한 가질 수 있으며, 가장 중요한 피처들을 유지하면서 하나 이상의 컨볼루션 계층에 의해 생성되는 피처 맵의 차원성(dimensionality)을 감소시키도록 일반적으로 구성된다.
일반적으로, 본 명세서에서 설명된 딥 러닝 모델은 트레이닝된 딥 러닝 모델이다. 예를 들어, 딥 러닝 모델은 하나 이상의 다른 시스템 및/또는 방법에 의해 이전에 트레이닝되어 있을 수 있다. 딥 러닝 모델은 이미 생성되고 트레이닝되어 있으며, 이어서 모델의 기능성이 본 명세서에서 설명된 바와 같이 결정되며, 이 기능성은 이어서 딥 러닝 모델에 대한 하나 이상의 부가 기능을 수행하는 데 사용될 수 있다.
앞서 언급된 바와 같이, 비록 CNN이 딥 러닝 시스템의 아키텍처를 예시하기 위해 본 명세서에서 사용되지만, 본 개시내용은 CNN으로 제한되지 않는다. 딥 러닝 아키텍처들의 다른 변형들이 실시예들에서 사용될 수 있다. 예를 들어, 오토 인코더들, DBN들, 및 RBM들이 사용될 수 있다. 랜덤 포레스트들도 또한 사용할 수 있다.
트레이닝 데이터는, 임의의 적합한 방식으로 수행될 수 있는, 모델 트레이닝(예를 들어, CNN 트레이닝)에 입력될 수 있다. 예를 들어, 모델 트레이닝은 트레이닝 데이터를 딥 러닝 모델(예를 들어, CNN)에 입력하는 것 및 모델의 출력이 외부 검증 데이터와 동일(또는 실질적으로 동일)할 때까지 모델의 하나 이상의 파라미터를 수정하는 것을 포함할 수 있다. 모델 트레이닝은 하나 이상의 트레이닝된 모델을 생성할 수 있으며, 이들은 이어서, 검증 데이터를 사용하여 수행되는, 모델 선택으로 송신될 수 있다. 하나 이상의 트레이닝된 모델에 입력되는 검증 데이터에 대해 각각의 하나 이상의 트레이닝된 모델에 의해 생성되는 결과들은 모델들 중 어느 것이 최상의 모델인지를 결정하기 위해 검증 데이터와 비교될 수 있다. 예를 들어, 검증 데이터와 가장 가깝게 매칭하는 결과들을 생성하는 모델이 최상의 모델로서 선택될 수 있다. 테스트 데이터는 그러면 선택되는 모델(예를 들어, 최상의 모델)의 모델 평가에 사용될 수 있다. 모델 평가는 임의의 적합한 방식으로 수행될 수 있다. 최상의 모델이 사용(포스트-트레이닝(post-training) 모드)을 위해 반도체 검사 툴로 송신될 수 있는 모델 배포(model deployment)로, 최상의 모델이 또한 송신될 수 있다.
본 명세서에서 개시된 다양한 실시예들 및 예들에서 설명된 방법의 단계들은 본 발명의 방법들을 수행하기에 충분하다. 따라서, 실시예에서, 이 방법은 본질적으로 본 명세서에서 개시된 방법들의 단계들의 조합으로 이루어져 있다. 다른 실시예에서, 이 방법은 그러한 단계들로 구성된다.
비록 본 개시내용이 하나 이상의 특정 실시예 및/또는 예와 관련하여 설명되었지만, 본 개시내용의 범위를 벗어나지 않으면서 본 개시내용의 다른 실시예들 및/또는 예들이 이루어질 수 있다는 점이 이해될 것이다.
Claims (20)
- 정렬된 다이-다이 검사 이미지를 획득하기 위한 방법으로서,
프로세서에서 기준 이미지를 수신하는 단계 - 상기 기준 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 프로세서를 사용하여 상기 기준 이미지로부터의 제1 국소 섹션(local section)을 선택하는 단계;
상기 프로세서에서 테스트 이미지를 수신하는 단계 - 상기 테스트 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 프로세서를 사용하여 상기 테스트 이미지로부터의 제2 국소 섹션을 선택하는 단계;
상기 프로세서를 사용하여, 상기 제1 국소 섹션 및 상기 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋을 결정하는 단계;
상기 프로세서를 사용하여 테스트 이미지 디-스큐(de-skew)를 포함하는 대략 정렬(rough alignment)을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 형성하는 단계; 및
상기 부분적으로 정렬된 테스트 이미지에 대한 분할 병진(partitioned translation)을 포함하는 미세 정렬(fine alignment)을 수행하여 정렬된 다이-다이 검사 이미지를 획득하는 단계를 포함하고,
상기 분할 병진은:
상기 프로세서를 사용하여, 상기 기준 이미지를 적어도 하나의 기준 이미지 서브섹션으로 분할하는 것;
상기 프로세서를 사용하여, 상기 테스트 이미지를 적어도 하나의 테스트 이미지 서브섹션으로 분할하는 것; 및
상기 기준 이미지 서브섹션 및 상기 테스트 이미지 서브섹션 각각 내의, 하나 이상의 피처의 위치 차이의 측정에 기초하여, 상기 프로세서를 사용하여, 상기 테스트 이미지 서브섹션에 대응하는 상기 기준 이미지 서브섹션과 정렬되도록 상기 테스트 이미지 서브섹션을 병진시키는 것을 포함하는 것인, 정렬된 다이-다이 검사 이미지를 획득하기 위한 방법. - 제1항에 있어서, 상기 테스트 이미지 디-스큐는:
상기 프로세서를 사용하여 상기 테스트 이미지의 스큐각(skew angle)을 결정하는 것; 및
상기 프로세서를 사용하여 상기 테스트 이미지를 디-스큐잉하는 것
을 포함하는 것인 방법. - 제2항에 있어서, 상기 테스트 이미지의 상기 스큐각은, 상기 기준 이미지로부터의 상기 제1 국소 섹션과 상기 테스트 이미지로부터의 상기 제2 국소 섹션의 스큐 비교를 수행함으로써 결정되는 것인 방법.
- 정렬된 다이-다이 검사 이미지를 획득하기 위한 방법으로서,
프로세서에서 기준 이미지를 수신하는 단계 - 상기 기준 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 프로세서를 사용하여 상기 기준 이미지로부터의 제1 국소 섹션(local section)을 선택하는 단계;
상기 프로세서에서 테스트 이미지를 수신하는 단계 - 상기 테스트 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 프로세서를 사용하여 상기 테스트 이미지로부터의 제2 국소 섹션을 선택하는 단계;
상기 프로세서를 사용하여, 상기 제1 국소 섹션 및 상기 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋을 결정하는 단계;
상기 프로세서를 사용하여 테스트 이미지 디-스큐(de-skew)를 포함하는 대략 정렬(rough alignment)을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 형성하는 단계; 및
상기 부분적으로 정렬된 테스트 이미지에 대한 분할 병진(partitioned translation)을 포함하는 미세 정렬(fine alignment)을 수행하여 정렬된 다이-다이 검사 이미지를 획득하는 단계를 포함하고,
상기 테스트 이미지 디-스큐는:
상기 프로세서를 사용하여 상기 테스트 이미지의 스큐각(skew angle)을 결정하는 것; 및
상기 프로세서를 사용하여 상기 테스트 이미지를 디-스큐잉하는 것을 포함하고, 상기 테스트 이미지의 상기 스큐각은, 상기 기준 이미지로부터의 상기 제1 국소 섹션과 상기 테스트 이미지로부터의 상기 제2 국소 섹션의 스큐 비교를 수행함으로써 결정되고,
상기 스큐 비교는:
상기 프로세서를 사용하여 상기 기준 이미지로부터의 상기 제1 국소 섹션에 대해 고속 푸리에 변환을 수행하여 기준 장면 함수(reference scene function)를 획득하는 것;
상기 프로세서를 사용하여 상기 테스트 이미지로부터의 상기 제2 국소 섹션에 대해 고속 푸리에 변환을 수행하여 테스트 장면 함수를 획득하는 것; 및
상기 프로세서를 사용하여 상기 테스트 장면 함수를 상기 기준 장면 함수와 비교하여 상기 스큐각을 결정하는 것을 포함하는 것인, 방법. - 제3항에 있어서, 상기 스큐 비교는, 상기 스큐각을 결정하기 위해 상기 테스트 이미지에서의 하나 이상의 두드러진(prominent) 피처의 패턴 인식을 수행하는 것을 포함하는 것인 방법.
- 제3항에 있어서, 상기 스큐 비교는, 상기 스큐각을 결정하기 위해 머신 러닝 모듈을 사용하여 수행되는 것인 방법.
- 정렬된 다이-다이 검사 이미지를 획득하기 위한 방법으로서,
프로세서에서 기준 이미지를 수신하는 단계 - 상기 기준 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 프로세서를 사용하여 상기 기준 이미지로부터의 제1 국소 섹션(local section)을 선택하는 단계;
상기 프로세서에서 테스트 이미지를 수신하는 단계 - 상기 테스트 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 프로세서를 사용하여 상기 테스트 이미지로부터의 제2 국소 섹션을 선택하는 단계;
상기 프로세서를 사용하여, 상기 제1 국소 섹션 및 상기 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋을 결정하는 단계;
상기 프로세서를 사용하여 테스트 이미지 디-스큐(de-skew)를 포함하는 대략 정렬(rough alignment)을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 형성하는 단계; 및
상기 부분적으로 정렬된 테스트 이미지에 대한 분할 병진(partitioned translation)을 포함하는 미세 정렬(fine alignment)을 수행하여 정렬된 다이-다이 검사 이미지를 획득하는 단계를 포함하고,
상기 테스트 이미지 디-스큐는:
상기 프로세서를 사용하여 상기 테스트 이미지의 스큐각(skew angle)을 결정하는 것; 및
상기 프로세서를 사용하여 상기 테스트 이미지를 디-스큐잉하는 것을 포함하고,
상기 테스트 이미지를 디-스큐잉하는 것은:
상기 스큐각에 기초하여, 상기 테스트 이미지에서의 상기 픽셀들 각각에 대해, 상기 프로세서를 사용하여 열 시프트 벡터(column shift vector) 및 행 시프트 벡터(row shift vector)를 결정하는 것 - 상기 열 시프트 벡터는, 상기 픽셀을 포함하는 상기 열과 동일 선상에 있는(collinear) 시프트시킬 픽셀들의 수량 및 방향을 포함하고; 상기 행 시프트 벡터는, 상기 픽셀을 포함하는 상기 행과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함함 -; 및
상기 프로세서를 사용하여 상기 픽셀들 각각을 그의 열 시프트 벡터 및 행 시프트 벡터에 따라 시프트시키는 것을 포함하는 것인, 방법. - 삭제
- 하나 이상의 컴퓨팅 디바이스 상에서 다음의 단계들을 실행하기 위한 하나 이상의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 단계들은:
기준 이미지를 수신하는 단계 - 상기 기준 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 기준 이미지로부터의 제1 국소 섹션을 선택하는 단계;
테스트 이미지를 수신하는 단계 - 상기 테스트 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 테스트 이미지로부터의 제2 국소 섹션을 선택하는 단계;
상기 제1 국소 섹션 및 상기 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋을 결정하는 단계;
상기 테스트 이미지에 대해 테스트 이미지 디-스큐를 포함하는 대략 정렬을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 형성하는 단계; 및
상기 부분적으로 정렬된 테스트 이미지에 대해 분할 병진을 포함하는 미세 정렬을 수행하여 정렬된 다이-다이 검사 이미지를 획득하는 단계를 포함하고,
상기 분할 병진은:
상기 기준 이미지를 적어도 하나의 기준 이미지 서브섹션으로 분할하는 것;
상기 테스트 이미지를 적어도 하나의 테스트 이미지 서브섹션으로 분할하는 것; 및
상기 기준 이미지 서브섹션 및 상기 테스트 이미지 서브섹션 각각 내의, 하나 이상의 피처의 위치 차이의 측정에 기초하여, 상기 테스트 이미지 서브섹션에 대응하는 상기 기준 이미지 서브섹션과 정렬되도록 상기 테스트 이미지 서브섹션을 병진시키는 것을 포함하는 것인, 비일시적 컴퓨터 판독가능 저장 매체. - 하나 이상의 컴퓨팅 디바이스 상에서 다음의 단계들을 실행하기 위한 하나 이상의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 단계들은:
기준 이미지를 수신하는 단계 - 상기 기준 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 기준 이미지로부터의 제1 국소 섹션을 선택하는 단계;
테스트 이미지를 수신하는 단계 - 상기 테스트 이미지는 픽셀들의 행들 및 열들을 포함함 -;
상기 테스트 이미지로부터의 제2 국소 섹션을 선택하는 단계;
상기 제1 국소 섹션 및 상기 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋을 결정하는 단계;
상기 테스트 이미지에 대해 테스트 이미지 디-스큐를 포함하는 대략 정렬을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 형성하는 단계; 및
상기 부분적으로 정렬된 테스트 이미지에 대해 분할 병진을 포함하는 미세 정렬을 수행하여 정렬된 다이-다이 검사 이미지를 획득하는 단계를 포함하고,
상기 테스트 이미지 디-스큐는:
상기 테스트 이미지의 스큐각을 결정하는 것; 및
상기 테스트 이미지를 디-스큐잉하는 것
을 포함하고, 상기 테스트 이미지를 디-스큐잉하는 것은:
상기 스큐각에 기초하여, 상기 테스트 이미지에서의 상기 픽셀들 각각에 대해, 열 시프트 벡터 및 행 시프트 벡터를 결정하는 것 - 상기 열 시프트 벡터는, 상기 픽셀을 포함하는 상기 열과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함하고; 상기 행 시프트 벡터는, 상기 픽셀을 포함하는 상기 행과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함함 -; 및
상기 픽셀들 각각을 그의 열 시프트 벡터 및 행 시프트 벡터에 따라 시프트시키는 것을 포함하는 것인, 비일시적 컴퓨터 판독가능 저장 매체. - 제10항에 있어서, 상기 테스트 이미지의 상기 스큐각은, 상기 기준 이미지로부터의 상기 제1 국소 섹션과 상기 테스트 이미지로부터의 상기 제2 국소 섹션의 스큐 비교를 수행함으로써 결정되는 것인 비일시적 컴퓨터 판독가능 저장 매체.
- 제11항에 있어서, 상기 스큐 비교는:
상기 기준 이미지로부터의 상기 제1 국소 섹션에 대해 고속 푸리에 변환을 수행하여 기준 장면 함수를 획득하는 것;
상기 테스트 이미지로부터의 상기 제2 국소 섹션에 대해 고속 푸리에 변환을 수행하여 테스트 장면 함수를 획득하는 것; 및
상기 테스트 장면 함수를 상기 기준 장면 함수와 비교하여 상기 스큐각을 결정하는 것
을 포함하는 것인 비일시적 컴퓨터 판독가능 저장 매체. - 삭제
- 다이의 피처들의 이미지들을 캡처하는 센서 및 컴퓨팅 시스템을 포함하는 반도체 다이-다이 검사 시스템으로서,
빔 소스 - 상기 빔 소스는 광 소스 또는 전자 빔 소스임 -;
상기 빔 소스에 의해 생성되는 빔의 경로에 웨이퍼를 유지하도록 구성된 스테이지 - 상기 빔은 상기 광 소스로부터의 광 빔 또는 상기 전자 빔 소스로부터의 전자 빔임 -;
상기 웨이퍼로부터 반사되는 상기 빔의 일 부분을 수용하도록 구성된 검출기; 및
기준 이미지를 수신하고 - 상기 기준 이미지는 픽셀들의 행들 및 열들을 포함함 -, 상기 기준 이미지로부터의 제1 국소 섹션을 선택하며, 테스트 이미지를 수신하고 - 상기 테스트 이미지는 픽셀들의 행들 및 열들을 포함함 -, 상기 테스트 이미지로부터의 제2 국소 섹션을 선택하며, 상기 제1 국소 섹션 및 상기 제2 국소 섹션으로부터 추정된 회전 오프셋 및 추정된 병진 오프셋을 결정하고, 테스트 이미지 디-스큐를 포함하는 테스트 이미지의 대략 정렬을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 형성하고, 상기 부분적으로 정렬된 테스트 이미지의 분할 병진을 포함하는 미세 정렬을 수행하도록 구성된, 상기 검출기와 전자 통신하는 프로세서를 포함하고,
상기 분할 병진은:
상기 프로세서를 사용하여, 상기 기준 이미지를 적어도 하나의 기준 이미지 서브섹션으로 분할하는 것;
상기 프로세서를 사용하여, 상기 테스트 이미지를 적어도 하나의 테스트 이미지 서브섹션으로 분할하는 것; 및
상기 기준 이미지 서브섹션 및 상기 테스트 이미지 서브섹션 각각 내의, 하나 이상의 피처의 위치 차이의 측정에 기초하여, 상기 프로세서를 사용하여, 상기 테스트 이미지 서브섹션에 대응하는 상기 기준 이미지 서브섹션과 정렬되도록 상기 테스트 이미지 서브섹션을 병진시키는 것을 포함하는 것인, 반도체 다이-다이 검사 시스템. - 삭제
- 제14항에 있어서, 상기 테스트 이미지 디-스큐는:
상기 테스트 이미지의 스큐각을 결정하는 것; 및
상기 테스트 이미지를 디-스큐잉하는 것
을 포함하는 것인 반도체 다이-다이 검사 시스템. - 제16항에 있어서, 상기 테스트 이미지의 상기 스큐각은, 상기 기준 이미지로부터의 상기 제1 국소 섹션과 상기 테스트 이미지로부터의 상기 제2 국소 섹션의 스큐 비교를 수행함으로써 결정되는 것인 반도체 다이-다이 검사 시스템.
- 다이의 피처들의 이미지들을 캡처하는 센서 및 컴퓨팅 시스템을 포함하는 반도체 다이-다이 검사 시스템으로서,
빔 소스 - 상기 빔 소스는 광 소스 또는 전자 빔 소스임 -;
상기 빔 소스에 의해 생성되는 빔의 경로에 웨이퍼를 유지하도록 구성된 스테이지 - 상기 빔은 상기 광 소스로부터의 광 빔 또는 상기 전자 빔 소스로부터의 전자 빔임 -;
상기 웨이퍼로부터 반사되는 상기 빔의 일 부분을 수용하도록 구성된 검출기; 및
테스트 이미지 디-스큐를 포함하는 테스트 이미지의 대략 정렬을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 형성하고, 상기 부분적으로 정렬된 테스트 이미지의 분할 병진을 포함하는 미세 정렬을 수행하도록 구성된, 상기 검출기와 전자 통신하는 프로세서를 포함하고,
상기 테스트 이미지 디-스큐는:
상기 테스트 이미지의 스큐각을 결정하는 것; 및
상기 테스트 이미지를 디-스큐잉하는 것을 포함하고,
상기 테스트 이미지의 상기 스큐각은, 기준 이미지로부터의 제1 국소 섹션과 상기 테스트 이미지로부터의 제2 국소 섹션의 스큐 비교를 수행함으로써 결정되고,
상기 스큐 비교는:
상기 기준 이미지로부터의 상기 제1 국소 섹션에 대해 고속 푸리에 변환을 수행하여 기준 장면 함수를 획득하는 것;
상기 테스트 이미지로부터의 상기 제2 국소 섹션에 대해 고속 푸리에 변환을 수행하여 테스트 장면 함수를 획득하는 것; 및
상기 테스트 장면 함수를 상기 기준 장면 함수와 비교하여 상기 스큐각을 결정하는 것을 포함하는 것인, 반도체 다이-다이 검사 시스템. - 다이의 피처들의 이미지들을 캡처하는 센서 및 컴퓨팅 시스템을 포함하는 반도체 다이-다이 검사 시스템으로서,
빔 소스 - 상기 빔 소스는 광 소스 또는 전자 빔 소스임 -;
상기 빔 소스에 의해 생성되는 빔의 경로에 웨이퍼를 유지하도록 구성된 스테이지 - 상기 빔은 상기 광 소스로부터의 광 빔 또는 상기 전자 빔 소스로부터의 전자 빔임 -;
상기 웨이퍼로부터 반사되는 상기 빔의 일 부분을 수용하도록 구성된 검출기; 및
테스트 이미지 디-스큐를 포함하는 테스트 이미지의 대략 정렬을 수행하여, 이에 의해 부분적으로 정렬된 테스트 이미지를 형성하고, 상기 부분적으로 정렬된 테스트 이미지의 분할 병진을 포함하는 미세 정렬을 수행하도록 구성된, 상기 검출기와 전자 통신하는 프로세서를 포함하고,
상기 테스트 이미지 디-스큐는:
상기 테스트 이미지의 스큐각을 결정하는 것; 및
상기 테스트 이미지를 디-스큐잉하는 것을 포함하고,
상기 테스트 이미지를 디-스큐잉하는 것은:
상기 스큐각에 기초하여, 상기 테스트 이미지에서의 픽셀들 각각에 대해, 열 시프트 벡터 및 행 시프트 벡터를 결정하는 것 - 상기 열 시프트 벡터는, 픽셀을 포함하는 열과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함하고; 상기 행 시프트 벡터는, 픽셀을 포함하는 행과 동일 선상에 있는 시프트시킬 픽셀들의 수량 및 방향을 포함함 -; 및
상기 픽셀들 각각을 그의 열 시프트 벡터 및 행 시프트 벡터에 따라 시프트시키는 것을 포함하는 것인, 반도체 다이-다이 검사 시스템. - 삭제
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762575304P | 2017-10-20 | 2017-10-20 | |
| US62/575,304 | 2017-10-20 | ||
| US16/160,515 US10522376B2 (en) | 2017-10-20 | 2018-10-15 | Multi-step image alignment method for large offset die-die inspection |
| US16/160,515 | 2018-10-15 | ||
| PCT/US2018/056600 WO2019079658A1 (en) | 2017-10-20 | 2018-10-19 | MULTI-STAGE IMAGE ALIGNMENT METHOD FOR INSPECTION BETWEEN CHIPS WITH SHIFTING IMPORTANT |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200060519A KR20200060519A (ko) | 2020-05-29 |
| KR102412022B1 true KR102412022B1 (ko) | 2022-06-22 |
Family
ID=66169518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020207013974A KR102412022B1 (ko) | 2017-10-20 | 2018-10-19 | 큰 오프셋 다이-다이 검사를 위한 다단계 이미지 정렬 방법 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US10522376B2 (ko) |
| EP (1) | EP3698322A4 (ko) |
| JP (1) | JP7170037B2 (ko) |
| KR (1) | KR102412022B1 (ko) |
| CN (1) | CN111164646A (ko) |
| TW (1) | TWI774863B (ko) |
| WO (1) | WO2019079658A1 (ko) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10997712B2 (en) * | 2018-01-18 | 2021-05-04 | Canon Virginia, Inc. | Devices, systems, and methods for anchor-point-enabled multi-scale subfield alignment |
| JP7042118B2 (ja) * | 2018-03-08 | 2022-03-25 | 株式会社東芝 | 検査装置、検査方法、及びプログラム |
| GB201906371D0 (en) | 2019-05-07 | 2019-06-19 | Ash Tech Research Limited | Improved digital microscope |
| TWI759655B (zh) * | 2019-11-28 | 2022-04-01 | 國立中山大學 | 路徑規劃系統 |
| KR102697633B1 (ko) | 2020-01-21 | 2024-08-23 | 삼성전자주식회사 | 반도체 장치의 제조 방법 |
| US11631169B2 (en) * | 2020-08-02 | 2023-04-18 | KLA Corp. | Inspection of noisy patterned features |
| US11803960B2 (en) * | 2020-08-12 | 2023-10-31 | Kla Corporation | Optical image contrast metric for optical target search |
| US11748871B2 (en) * | 2020-09-28 | 2023-09-05 | KLA Corp. | Alignment of a specimen for inspection and other processes |
| JP7250054B2 (ja) * | 2021-02-04 | 2023-03-31 | 日本電子株式会社 | 分析装置および画像処理方法 |
| KR102601175B1 (ko) * | 2021-04-28 | 2023-11-10 | 창원대학교 산학협력단 | 딥러닝 모델을 이용하여 주기적인 패턴을 정렬하는 장치 및 방법 |
| DE102021119008A1 (de) * | 2021-07-30 | 2023-02-02 | Carl Zeiss Multisem Gmbh | Verfahren zur Defekterkennung in einer Halbleiterprobe bei Probenbildern mit Verzeichnung |
| US20230288822A1 (en) * | 2022-03-12 | 2023-09-14 | Applied Materials, Inc. | Package imaging for die location correction in digital lithography |
| US20230314336A1 (en) | 2022-03-31 | 2023-10-05 | Kla Corporation | Multi-mode optical inspection |
| US11922619B2 (en) * | 2022-03-31 | 2024-03-05 | Kla Corporation | Context-based defect inspection |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080050008A1 (en) | 2006-08-24 | 2008-02-28 | Advanced Mask Inspection Technology Inc. | Image correction method and apparatus for use in pattern inspection system |
| US20150116412A1 (en) * | 2013-10-28 | 2015-04-30 | Ronald J. Duke | Imaging module with aligned imaging systems |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7433509B1 (en) * | 2001-10-09 | 2008-10-07 | Nanometrics Incorporated | Method for automatic de-skewing of multiple layer wafer for improved pattern recognition |
| JP2005249745A (ja) | 2004-03-08 | 2005-09-15 | Ebara Corp | 試料表面検査方法および検査装置 |
| US7323897B2 (en) * | 2004-12-16 | 2008-01-29 | Verigy (Singapore) Pte. Ltd. | Mock wafer, system calibrated using mock wafer, and method for calibrating automated test equipment |
| JP3965189B2 (ja) * | 2005-03-24 | 2007-08-29 | 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 | 画像補正方法 |
| TWI316642B (en) * | 2006-09-19 | 2009-11-01 | Synchrotron Radiation Res Ct | Image aligning method |
| US8199991B2 (en) * | 2006-12-01 | 2012-06-12 | Koninklijke Philips Electronics N.V. | Method to automatically decode microarray images |
| WO2009063295A1 (en) * | 2007-11-12 | 2009-05-22 | Micronic Laser Systems Ab | Methods and apparatuses for detecting pattern errors |
| JP5444334B2 (ja) * | 2008-06-03 | 2014-03-19 | ファン ジェイ． ジーオン， | 干渉欠陥検知及び分類 |
| KR101798678B1 (ko) | 2010-02-26 | 2017-11-16 | 마이크로닉 아베 | 패턴 정렬을 수행하기 위한 방법 및 장치 |
| JP5221584B2 (ja) * | 2010-03-25 | 2013-06-26 | 株式会社日立ハイテクノロジーズ | 画像処理装置、画像処理方法、画像処理プログラム |
| JP5852641B2 (ja) * | 2011-04-20 | 2016-02-03 | 株式会社メガトレード | 自動検査装置および自動検査装置における位置合わせ方法 |
| US8942512B2 (en) * | 2011-12-24 | 2015-01-27 | Ecole De Technologie Superieure | Methods and systems for processing a first image with reference to a second image |
| US9778207B2 (en) | 2013-05-14 | 2017-10-03 | Kla-Tencor Corp. | Integrated multi-pass inspection |
| US10127653B2 (en) * | 2014-07-22 | 2018-11-13 | Kla-Tencor Corp. | Determining coordinates for an area of interest on a specimen |
| KR102057429B1 (ko) * | 2014-12-10 | 2019-12-18 | 가부시키가이샤 히다치 하이테크놀로지즈 | 결함 관찰 장치 및 결함 관찰 방법 |
| US9830421B2 (en) * | 2014-12-31 | 2017-11-28 | Kla-Tencor Corp. | Alignment of inspection to design using built in targets |
| US10211025B2 (en) | 2015-08-12 | 2019-02-19 | Kla-Tencor Corp. | Determining a position of a defect in an electron beam image |
| US9773194B2 (en) * | 2016-01-28 | 2017-09-26 | Longsand Limited | Select type of test image based on similarity score to database image |
| US10204416B2 (en) | 2016-02-04 | 2019-02-12 | Kla-Tencor Corporation | Automatic deskew using design files or inspection images |
| CN107240126B (zh) * | 2016-03-28 | 2020-11-20 | 华天科技（昆山）电子有限公司 | 阵列图像的校准方法 |
| CN106327491A (zh) * | 2016-08-23 | 2017-01-11 | 西安电子科技大学 | 基于fpga的无掩膜光刻pcb板校正系统及方法 |
-
2018
- 2018-10-15 US US16/160,515 patent/US10522376B2/en active Active
- 2018-10-19 WO PCT/US2018/056600 patent/WO2019079658A1/en unknown
- 2018-10-19 CN CN201880064233.4A patent/CN111164646A/zh active Pending
- 2018-10-19 TW TW107136889A patent/TWI774863B/zh active
- 2018-10-19 JP JP2020520821A patent/JP7170037B2/ja active Active
- 2018-10-19 KR KR1020207013974A patent/KR102412022B1/ko active IP Right Grant
- 2018-10-19 EP EP18867402.2A patent/EP3698322A4/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080050008A1 (en) | 2006-08-24 | 2008-02-28 | Advanced Mask Inspection Technology Inc. | Image correction method and apparatus for use in pattern inspection system |
| US20150116412A1 (en) * | 2013-10-28 | 2015-04-30 | Ronald J. Duke | Imaging module with aligned imaging systems |
Non-Patent Citations (2)
| Title |
|---|
| Guangjun Zhang 등, Novel template matching method with sub-pixel accuracy based on correlation and Fourier-Mellin transform, Optical Engineering.(2009.05.)* |
| Jie Zhang 등, Automatic inspection of density in yarn-dyed fabrics by utilizing fabric light transmittance and Fourier analysis, Applied Optics.(2015.02.01.) |
Also Published As
| Publication number | Publication date |
|---|---|
| US10522376B2 (en) | 2019-12-31 |
| JP2021500740A (ja) | 2021-01-07 |
| EP3698322A1 (en) | 2020-08-26 |
| TW201928541A (zh) | 2019-07-16 |
| CN111164646A (zh) | 2020-05-15 |
| WO2019079658A1 (en) | 2019-04-25 |
| JP7170037B2 (ja) | 2022-11-11 |
| TWI774863B (zh) | 2022-08-21 |
| US20190122913A1 (en) | 2019-04-25 |
| KR20200060519A (ko) | 2020-05-29 |
| EP3698322A4 (en) | 2021-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102412022B1 (ko) | 큰 오프셋 다이-다이 검사를 위한 다단계 이미지 정렬 방법 | |
| CN111052331B (zh) | 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法 | |
| KR102235581B1 (ko) | 이미지 합성을 위한 컨볼루션 신경망 기반의 모드 선택 및 결함 분류 | |
| US11774371B2 (en) | Defect size measurement using deep learning methods | |
| US11644756B2 (en) | 3D structure inspection or metrology using deep learning | |
| US11087449B2 (en) | Deep learning networks for nuisance filtering | |
| US11694327B2 (en) | Cross layer common-unique analysis for nuisance filtering | |
| WO2021222152A1 (en) | Training a machine learning model to generate higher resolution images from inspection images | |
| US11894214B2 (en) | Detection and correction of system responses in real-time | |
| WO2022046677A1 (en) | Wafer level spatial signature grouping using transfer learning | |
| KR20230048110A (ko) | 딥 러닝 기반 결함 검출 | |
| TWI851888B (zh) | 用於半導體檢測之系統及方法，及非暫時性電腦可讀儲存媒體 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |