KR102445995B1 - 주사 전자 현미경 이미지에서의 반지도 이상 검출 - Google Patents

주사 전자 현미경 이미지에서의 반지도 이상 검출 Download PDF

Info

Publication number
KR102445995B1
KR102445995B1 KR1020207029970A KR20207029970A KR102445995B1 KR 102445995 B1 KR102445995 B1 KR 102445995B1 KR 1020207029970 A KR1020207029970 A KR 1020207029970A KR 20207029970 A KR20207029970 A KR 20207029970A KR 102445995 B1 KR102445995 B1 KR 102445995B1
Authority
KR
South Korea
Prior art keywords
image
model
autoencoder
processor
wafer
Prior art date
Application number
KR1020207029970A
Other languages
English (en)
Other versions
KR20200123853A (ko
Inventor
샤오유 루
리 헤
산카르 벤카타라만
Original Assignee
케이엘에이 코포레이션
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 케이엘에이 코포레이션 filed Critical 케이엘에이 코포레이션
Publication of KR20200123853A publication Critical patent/KR20200123853A/ko
Application granted granted Critical
Publication of KR102445995B1 publication Critical patent/KR102445995B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Abstract

오토인코더 기반 반지도 방식이 이상 검출에 사용된다. 반도체 웨이퍼의 결함은 이러한 방식을 사용하여 발견될 수 있다. 모델은 사다리형 망을 포함하는 것과 같은 변분 오토인코더를 포함할 수 있다. 결함 없는 이미지 또는 깨끗한 이미지를 사용하여 나중에 결함 또는 기타 이상을 발견하는 데 사용되는 모델을 훈련할 수 있다.

Description

주사 전자 현미경 이미지에서의 반지도 이상 검출
[관련 출원에 대한 상호 참조]
본 출원은 2018년 3월 19일자에 출원되어 미국 출원 번호 제 62/644,962 호가 부여된 가출원에 대한 우선권을 주장하고, 이의 개시 내용은 참조로 본 명세서에 포함된다.
[기술분야]
본 개시는 이미지에서의 이상 검출에 관한 것으로, 특히 반도체 웨이퍼의 주사 전자 현미경 이미지에서의 이상 검출에 관한 것이다.
반도체 제조 산업의 진화에는 수율 관리, 특히 계측 및 검사 시스템에 대한 요구가 더욱 커지고 있다. 임계 치수는 계속 축소되고 있지만, 업계는 높은 수율, 고가의 생산을 달성하기 위한 시간을 줄여야 한다. 수율 문제를 검출하여 이를 해결하는데 걸리는 총 시간을 최소화하는 것이 반도체 제조업체의 투자 수익(return-on-investment)을 결정한다.
로직 및 메모리 디바이스와 같은 반도체 디바이스의 제조는 통상적으로 다수의 제조 공정 사용하여 반도체 웨이퍼를 처리하여 다양한 특징부 및 다수 레벨의 반도체 디바이스를 형성하는 것을 포함한다. 예를 들어, 리소그래피는 레티클로부터 반도체 웨이퍼 상에 배치된 포토 레지스트로 패턴을 전사하는 것을 포함하는 반도체 제조 공정이다. 반도체 제조 공정의 추가적인 예들은, 화학적 기계적 연마(chemical-mechanical polishing; CMP), 에칭, 증착 및 이온 주입을 포함하지만 이에 제한되는 것은 아니다. 다수의 반도체 디바이스가 단일 반도체 웨이퍼 상에 정렬되어 제조될 수 있고, 그리고 나서 개별적인 반도체 디바이스로 분리될 수 있다.
검사 공정이 반도체 제조 동안 다양한 단계에서 사용되어 웨이퍼 상의 결함을 검출하여 제조 공정에서의 더욱 높은 수율을 촉진시키고 더욱 높은 수익을 창출한다. 검사는 집적 회로(IC)와 같은 반도체 디바이스를 제조하는 데 항상 중요한 부분이었다. 그러나, 반도체 디바이스의 치수가 감소함에 따라, 보다 작은 결함이 디바이스를 불량하게 할 수 있기 때문에, 허용 가능한 반도체 디바이스의 성공적인 제조를 위해 검사가 더욱 중요해지고 있다. 예를 들어, 반도체 디바이스의 치수가 감소함에 따라, 비교적 작은 결함이라도 반도체 디바이스에 원치 않는 수차를 유발할 수 있기 때문에, 크기가 감소하는 결함의 검출이 필요하게 되었다.
그러나 설계 규칙이 축소됨에 따라, 반도체 제조 공정은 공정 성능 능력의 한계에 가깝게 동작될 수 있다. 또한, 설계 규칙이 축소됨에 따라, 더 작은 결함이 디바이스의 전기적 파라미터에 영향을 미칠 수 있으며, 이는 더 민감한 검사를 유도한다. 설계 규칙이 축소됨에 따라, 검사로 검출된 잠재적인 수율 관련 결함의 개체군이 급격히 증가하고, 검사로 검출된 방해 결함의 개체군도 급격히 증가한다. 따라서, 웨이퍼 상에서 더 많은 결함이 검출될 수 있으며, 모든 결함을 제거하기 위해 공정을 수정하는 것은 어렵고 비용이 많이 들 수 있다. 어떤 결함이 디바이스의 전기적 파라미터와 수율에 실제로 영향을 미치는지 결정하면 공정 제어 방법은 해당 결함에 초점을 맞추고 다른 결함은 거의 무시할 수 있다. 또한, 더 작은 설계 규칙에서, 공정 유도 불량은 경우에 따라 체계적인 경향이 있다. 즉, 공정 유도 불량은 설계 내에서 자주 반복되는 미리 결정된 설계 패턴에서 불량한 경향이 있다. 공간적으로 체계적이고 전기적으로 관련된 결함의 제거는 수율에 영향을 미칠 수 있다.
반도체 디바이스의 크기가 축소됨에 따라, 주사 전자 현미경(scanning electron microscope; SEM)을 사용하는 것과 같은 검사가 더욱 중요해지고 있다. 검사에 사용되는 현재 알고리즘은 맞춤형 특징부가 필요한 경향이 있다. 시스템에 관련된 학습이 있지만, 이러한 학습은 검사 결과가 실제 결함, 오경보, 방해 등으로 간주되는 SEM 검토를 일반적으로 포함하는 루프에서 임시방편으로 높은 레벨에서 발생하는 경향이 있다. 공정 관련 원인과 작업자의 효과 관찰 능력 사이의 관계는 너무 복잡해서 기존의 방법으로는 반도체 제조 공정을 제어하는 데 사용되는 검사 장비의 원시 능력을 최대한 활용하는 레시피에 수렴하지 못한다.
SEM 이미지에서의 이상 검출(예를 들어, 결함 검출)은 수동 방법을 사용하여 수행되었다. 전자 빔을 사용하여 검사하기 전에, 작업자는 광학 검사 도구와 같은 다른 도구로부터 결함 개체군에 대한 정보를 사용했다. 그런 다음, 작업자는 통계에 의존하여 이상 패턴의 위치를 찾거나, SEM 이미지를 검토하여 결함을 시각적으로만 검색했다. 이것은 지루하고 오류가 발생하기 쉬운 수동 기술이다. 작업자의 시각적 검토는 시간이 많이 걸릴 수 있다.
SEM 이미지에서의 이상 검출(예를 들어, 결함 검출)은 또한 지도 기계 학습(supervised machine learning)을 사용하여 수행되었다. 작업자는 SEM 이미지의 결함에 주석을 달아 기계 학습 모델을 훈련하기 위한 훈련 세트를 생성했다. 그런 다음, 이 모델은 검사에 사용될 수 있다. 이것은 이전의 다른 기술과 마찬가지로, 지루하고 오류가 발생하기 쉬운 부분적인 수동 기술이다. 주석 달기 공정은 결함의 작고 미묘한 특성 때문에 어려운 경향이 있다. 예를 들어, 상이한 작업자는 "이상" 패턴의 모양에 대해 상이한 정의를 가질 수 있다. 이로 인해 이상 검출 중에 예기치 않은 오류 동작이 생성된다. 또한, 이상 개체군은 일반적으로 명목 개체군에 비해 적다. 작업자는 수많은 명목 패턴 개체군에서 이상 패턴을 찾아야 했는데, 이는 어려울 수 있다.
따라서, 필요한 것은 이상 검출을 위한 개선된 기술이다.
제 1 실시예에서 시스템이 제공된다. 시스템은 웨이퍼 검사 도구 및 웨이퍼 검사 도구와 전자 통신하는 프로세서를 포함한다. 웨이퍼 검사 도구는 웨이퍼의 이미지를 생성하도록 구성되며, 전자 빔 소스와 검출기를 포함한다. 프로세서는 이미지에서 하나 이상의 이상을 찾도록 구성된 모델을 작동한다. 모델은 반도체 디바이스의 결함 없는 훈련 이미지만을 기반으로 반지도 기계 학습을 사용하여 훈련된다.
웨이퍼 검사 도구는 SEM일 수 있다.
모델에는 변분 오토인코더가 포함될 수 있다. 변분 오토인코더는 사다리형 망을 포함할 수 있다.
제 2 실시예에서 방법이 제공된다. 웨이퍼의 이미지가 프로세서에서 수신된다. 프로세서는 이미지에서 하나 이상의 이상을 찾도록 구성된 모델을 작동한다. 모델은 반도체 디바이스의 결함 없는 훈련 이미지만을 기반으로 반지도 기계 학습을 사용하여 훈련된다. 이미지에서 하나 이상의 이상의 존재가 모델을 사용하여 결정된다.
이미지는 SEM 이미지일 수 있다.
훈련은 명목 패턴을 사용할 수 있다.
모델에는 변분 오토인코더가 포함될 수 있다. 변분 오토인코더는 사다리형 망을 포함할 수 있다.
방법은 웨이퍼 검사 도구를 사용하여 이미지를 획득하는 단계를 더 포함할 수 있다. 예를 들어, 웨이퍼 검사 도구는 SEM이다.
하나 이상의 이상은 각각 이상 패치 또는 이상 영역 중 하나일 수 있다.
방법은 프로세서를 사용하여 특징 공간에서 이미지와 결함 없는 훈련 이미지 사이의 거리를 결정하는 단계, 및 프로세서를 사용하여 그 거리에 기초하여 이미지가 이상치인지 여부를 결정하는 단계를 더 포함할 수 있다.
방법은 프로세서를 사용하여 생성기로 오토인코더를 사용하고 판별기로 콘볼루션 신경망을 사용하는 생성적 적대 신경망을 사용하여 이미지가 이상치인지 여부를 결정하는 단계를 더 포함할 수 있다.
제 3 실시예에서 비일시적 컴퓨터 판독 가능 저장 매체가 제공된다. 비일시적 컴퓨터 판독 가능 저장 매체는 하나 이상의 컴퓨팅 디바이스에서 모델을 실행하기 위한 하나 이상의 프로그램을 포함한다. 모델은 반도체 디바이스의 결함 없는 훈련 이미지만을 기반으로 반지도 기계 학습을 사용하여 훈련된다. 모델은 웨이퍼의 이미지를 수신하고, 이미지에서 하나 이상의 이상의 존재를 결정하도록 구성될 수 있다.
이미지는 SEM 이미지일 수 있다.
모델은 명목 패턴을 사용하여 훈련될 수 있다.
모델에는 변분 오토인코더가 포함될 수 있다. 변분 오토인코더는 사다리형 망을 포함할 수 있다.
모델은 이상치 검출을 수행하도록 구성되어, 이에 의해 이상을 검출할 수 있다.
본 개시의 본질 및 목적의 완전한 이해를 위해, 첨부 도면들과 함께 취해진 다음의 상세한 설명을 참조해야 한다.
도 1은 본 개시에 따른 방법의 일 실시예의 흐름도이다.
도 2는 깨끗한 부위를 통해 오토인코더를 훈련하고 결함을 포함할 수 있는 테스트 부위로 추론을 실행하는 것을 포함하는 작업 흐름 동작을 위해 오토인코더를 사용하는 것을 도시한다.
도 3은 인코더 및 디코더를 포함하는 변분 오토인코더의 아키텍처를 도시한다.
도 4는 예시적인 심층 콘볼루션 신경망 및 사다리형 변분 오토인코더 아키텍처를 도시한다.
도 5는 입력 및 오토인코더를 사용한 재구성된 이상 SEM 패치를 도시한다.
도 6은 재구성 오류 히스토그램이며, 배경 사실은 음영에 기초하여 볼 수 있다.
도 7a 내지 도 7c는 100 단계, 200 단계 및 2000 단계 이후의 재구성 오류 히스토그램이다.
도 8은 입력 및 200 단계 이후에 오토인코더를 사용한 재구성된 SEM 패치를 도시한다.
도 9는 입력 및 2000 단계 이후에 오토인코더를 사용한 재구성된 SEM 패치를 도시한다.
도 10은 본 개시에 따른 시스템의 일 실시예의 블록도이다.
청구된 주제가 특정 실시예들에 관하여 설명될 것이지만, 본 명세서에 기재된 모든 이점 및 특징을 제공하지 않는 실시예들을 포함하는 다른 실시예들도 또한 본 개시의 범위 내에 있다. 본 개시의 범위를 벗어나지 않으면서 다양한 구조적, 논리적, 공정 단계 및 전자적 변경이 이루어질 수 있다. 따라서, 본 개시의 범위는 오직 첨부된 청구 범위를 참조하여 정의된다.
오토인코더 기반 반지도 방식이 이상(예를 들어, 결함) 검출에 사용된다. 지도 또는 비지도 방식이 실현 가능하지만, 지도 기계 학습은 지루하고 비용이 많이 드는 수동 라벨링 공정이 필요하며, 비지도 기계 학습 방식은 상이한 데이터에 적응하기 어렵다. 따라서, 지도 또는 비지도 방식 대신 이상 검출을 위해 반지도 방식이 사용될 수 있다. 반지도 방식은 깨끗한 SEM 이미지를 선택하는 것과 같은 수동 단계가 더 적게 필요할 수 있다.
본 명세서에 개시된 실시예들은 이상 검출을 위해 반지도 기계 학습을 사용한다. 반지도를 통해, 작업자는 훈련 데이터 세트를 제공한다. 그러나, 작업자는 훈련 데이터 세트를 위해 깨끗한 SEM 이미지만 선택하면 되는데, 이는 결함 이미지에 주석을 다는 것보다 쉬울 수 있다.
도 1은 방법(100)의 일 실시예의 흐름도이다. 101에서, 훈련 세트를 만들기 위해 명목 패턴이 수집된다. 이러한 명목 패턴에는 픽셀 라벨링이 포함되지 않을 수 있다. 예를 들어, SEM 이미지가 훈련 세트로 사용될 수 있다.
예를 들어, 훈련 세트는 반도체 구조, 다이 또는 반도체 웨이퍼 표면의 일부의 이미지를 포함한다. 훈련 세트에는 깨끗한 (예를 들어, 결함 없는) 이미지만 존재할 수 있다. 훈련 세트의 깨끗한 이미지는 깨끗한, 결함 없는 또는 다른 유사한 라벨로 라벨링될 수 있다. 훈련 세트에는 깨끗한 이미지만 포함되므로, 훈련 세트의 픽셀 레벨 주석이 불필요할 수 있다.
결함 있는 이미지를 사용하여 모델을 검증할 수 있다. 예를 들어, 결함 있는 이미지를 검증에 사용하거나 테스트 이미지로 사용할 수 있다. 라벨링된 결함 있는 이미지 또는 이미지의 라벨링된 결함을 사용하여 모델을 검증할 수 있다. 비라벨링된 결함 있는 이미지를 사용하여 모델을 테스트할 수 있다.
다시 도 1로 돌아가면, 102에서, 모델은 반지도 기계 학습을 사용하여 훈련된다. 이는 명목 패턴을 사용할 수 있으며, 이 경우에 명목 패턴은 결함 없는 훈련 이미지를 포함한다. 모델은 명목 패턴의 분포를 나타내도록 훈련된다.
103에서, 프로세서를 사용하여 이미지 패치에서 하나 이상의 이상을 찾기 위해 모델을 적용한다. 모델은 재구성 오류 및/또는 확률을 생성할 수 있다. 모델은 패치 레벨 재구성 오류 및/또는 확률을 검사하여 패치가 비정상인지 여부를 예측할 수 있다. 이상 영역은 픽셀 레벨 재구성 오류 및/또는 확률을 임계화하여 식별될 수 있다.
예를 들어, 103에서 모델을 적용하여 입력 SEM 이미지로부터 재구성된 이미지를 생성할 수 있다.
오토인코더는 어레이나 도트와 같이 반복되는 패턴에서 가장 잘 수행될 수 있다. 생성적 적대 신경망(generative adversarial network; GAN)과 같은 다른 방법을 사용하여 더 복잡한 패턴을 재구성할 수 있다.
104에서, 이미지에서 하나 이상의 이상의 존재가 모델을 사용하여 결정된다. 재구성 오류 또는 확률 임계화를 사용하여 이미지에서 이상 패치 또는 영역을 찾을 수 있다. 예를 들어, 104에서, 재구성된 SEM 이미지와 원본 SEM 이미지 간의 차이가 계산되어 이상 패턴(예를 들어, 결함)의 위치를 찾을 수 있다.
103 이전 또는 104 이전에, 웨이퍼의 이미지가 프로세서에서 수신될 수 있다. 이미지는 SEM 이미지일 수 있다. 웨이퍼의 이미지는 SEM과 같은 웨이퍼 검사 도구를 사용하여 획득될 수 있다.
예를 들어, 모델에는 변분 오토인코더가 포함된다. 변분 오토인코더는 사다리형 망을 포함할 수 있다. 오토인코더는 또한 콘볼루션 신경망(convolutional neural network; CNN) 오토인코더 또는 다른 유형의 오토인코더일 수 있다.
변분 오토인코더는 잠재 공간에서의 관찰을 설명하기 위한 확률적 방식을 제공할 수 있다. 따라서, 변분 오토인코더는 각각의 잠재 속성에 대한 확률 분포를 설명할 수 있다. 각각의 입력 이미지는 각각의 속성에 대한 확률 분포를 사용하는 것과 같이 잠재 속성의 관점에서 설명될 수 있다. 변분 오토인코더는 도 2에서 볼 수 있는 바와 같이 작업 흐름 동작 동안 인코더 및 디코더를 사용할 수 있다. 오토인코더는 깨끗한 부위를 통해 훈련될 수 있으며, 결함을 포함할 수 있는 테스트 부위로 추론을 실행할 수 있다. 인코더 및 디코더를 포함하는 변분 오토인코더의 아키텍처는 도 3에서 볼 수 있다.
도 3에서 볼 수 있는 바와 같이, x는 입력 변수를 나타내고, z는 저차원 숨겨진 공간에 사는 잠재 변수이다. 인코딩의 경우, f(x)는 x에서 z까지의 인코더 매핑을 나타내며, 인코더 매핑은 n 세트의 아핀 매핑(W 및 b를 통함)과 비선형 성 σ로 구성되며(수학식 1 참조), 여기서 n은 숨겨진 층의 수이고,
Figure 112020110276429-pct00001
은 콘볼루션을 나타낸다. 디코딩의 경우, g(z)는 재구성된 데이터
Figure 112020110276429-pct00002
를 생성하는 복잡한 디코딩 프로세스를 나타내며, 인코더와 유사한 신경망 구조로 모델링된다.
단일 숨겨진 층이 있는 신경망은 각각 수학식 1 및 수학식 2와 같은 인코더 및 디코더를 갖는다.
Figure 112020110276429-pct00003
Figure 112020110276429-pct00004
수학식 1 및 수학식 2는 결정론적 인코딩 및 디코딩 매핑을 설명한다. 변분 오토인코더(variational autoencoder; VAE)는 잠재 변수의 실제 값이 아닌 분포를 모델링하는 것을 목표로 한다. 도 3에서와 같이, qφ(z|x)는 근사 사후(approximate posterior)이고, pθ(z)는 잠재 변수 z의 사전 분포이다. 손실 함수(수학식 3)는 근사 사후와 사전 분포 간의 KL 발산(DKL)을 최소화하고 가중치가 λ인 재구성 오류(수학식 4)를 최소화하는 것을 목표로 한다. n은 층의 수이다.
Figure 112020110276429-pct00005
변분 오토인코더의 장점은 잠재 변수가 확률 변수라는 것이다. 때로는 명목 데이터와 결함 데이터가 동일한 평균을 공유할 수 있지만, 그 편차는 상이할 수 있다. 변분 오토인코더는 원본 입력과 재구성된 데이터 간의 분포 차이를 고려하여 정확성과 견고성을 향상시킨다.
변분 오토인코더 원칙에는 다음 두 가지 특징이 포함될 수 있다. 근사 사후는 CNN과 같은 신경망으로 모델링될 수 있다. 예를 들어, f(x)는 한 번의 실현에 대해 근사 사후 q 및 샘플 z 파라미터를 출력한다. 잠재 변수의 사전 분포의 경우, 등방성 분포(예를 들어, 이진 값의 경우 베르누이 분포(Bernoulli), 연속 값의 경우 다변량 가우시안 분포(Multivariate Gaussian))를 가정하고, z는 하나의 실현에 대해 샘플링될 수 있다.
변분 오토인코더를 위한 사다리형 망은 사다리형 망이 없는 변분 오토인코더 또는 기존의 오토인코더에 비해 개선된 결과를 제공할 수 있다. 예를 들어, 변분 오토인코더를 위한 사다리형 망은 연속 값 이미지에 대해 개선된 결과를 제공할 수 있다.
심층 CNN 아키텍처 대신 사다리형 아키텍처가 선택될 수 있다. 도 4는 심층 CNN 변분 오토인코더(왼쪽) 및 사다리형 변분 오토인코더(오른쪽)에 대한 추론 및 생성 모델을 도시한다. 원은 확률적 노드를 나타내고, 다이아몬드는 결정론적 노드를 나타낸다. 이중선은 조건부 확률을 나타내고, 실선은 결정적 매핑을 나타내며, 점선은 KL 발산(수학식 3)에 의해 사전 pθ(z)를 사후 qφ(z|x)와 일치시키는 정규화를 나타낸다. 사다리형 변분 오토인코더는 추가 정규화를 통해 얕은 층을 연결하여 과적합을 극복한다.
그러나, 다른 예에서, 변분 오토인코더의 인코더 및 디코더 부분에 CNN이 포함되었다.
본 명세서에 개시된 방법의 실시예들은 어레이 패턴과 같은 반복된 패턴에 대한 결함 검출로서 사용될 수 있다. 명목 패턴이 어레이 패턴과 같은 단순하고 반복 가능한 패턴인 경우 개시된 변분 오토인코더를 사용하여 모든 유형의 반도체 결함을 검출할 수 있다. 더 복잡한 패턴이 또한 검출될 수 있으며, 단순하고 반복 가능한 패턴은 단지 예로 나열된다. 또한, 다른 반지도 또는 비지도 기술을 사용하여 더 복잡한 패턴으로 성능을 향상시킬 수 있다. 이러한 패턴의 이상치가 식별될 수 있다. 예를 들어, 입자, 공극 누락, 회색조 변경 또는 얇은 핀과 같은 결함을 식별할 수 있다. 다른 유형의 결함도 식별할 수 있다.
본 명세서에 설명된 방법의 실시예들은 이상치 검출을 수행하도록 구성될 수 있다. 이것은 이상을 검출하는 데 사용될 수 있다.
제 1 실시예에서, 특징 공간에서의 거리를 사용하여 이상치가 결정될 수 있다. 일부 기계 학습 특징 벡터가 결함 없는 훈련 이미지에서 추출된다. 테스트 작업 실행 중에 새로운 이미지가 전달되면, 이러한 새로운 이미지에서 동일한 유형의 특징 벡터를 추출할 수 있다. 하나의 새로운 이미지의 특징 벡터가 모든 결함 없는 훈련 이미지의 특징 벡터로부터 얼마나 멀리 떨어져 있는지를 결정할 수 있다. 거리가 문턱값을 초과하면, 새로운 이미지는 이상치로 간주된다. 예를 들어, 결함 없는 훈련 데이터에서 이미지 데이터 세트의 질량 중심을 결정할 수 있다. 새로운 이미지와 이 질량 중심 사이의 거리를 결정할 수 있으며, 이는 이상치를 찾는 데 사용될 수 있다.
제 2 실시예에서, 판별망으로서 하나의 CNN을 갖는 GAN을 사용하여 이상치를 결정할 수 있다. GAN은 두 개의 망(생성망 및 판별망)으로 구성된다. 오토인코더를 생성기로 사용할 수 있고, CNN을 판별기로 사용할 수 있다. 오토인코더의 모든 훈련 이미지는 명목적(즉, 결함 없음)일 수 있다. 이러한 훈련 이미지를 예로 사용하여 이 오토인코더에서 재구성 이미지를 생성할 수 있다. 일부는 더 실제처럼 보이고(예를 들어, 명목 이미지), 일부는 더 가짜처럼 보인다(예를 들어, 이상 이미지). 판별기의 역할은 생성된 이미지로부터 실제인지 가짜인지 여부를 결정하는 것이다. 훈련이 끝나면, 판별망은 어떤 이미지가 명목적(실제)이고 어떤 이미지가 이상(가짜)인지 결정할 수 있는 능력을 가질 것이다. 따라서, 새로운 이미지(테스트 이미지)를 CNN 판별망에 전달하여 이미지가 이상인지 여부를 발견할 수 있다. 이러한 방식으로, GAN을 사용하여 새로운 데이터에서 이상치를 찾을 수 있다.
본 명세서에 개시된 방법의 실시예들은 지도되는 분류 대신 방해 필터로서 사용될 수 있다. 기존 검출 모델이 존재하는 경우, 출력은 결함이 있을 가능성이 높은 SEM 패치 이미지일 것이다. 반지도 모델은 동일한 SEM 층의 깨끗한 부위로부터의 동일한 패치 크기 이미지로 훈련되고, 그런 다음 검출 출력 패치를 이 모델에 전달할 수 있다. 결함 있는 패치는 더 높은 재구성 오류로 필터링될 것이다. 이 필터를 사용하면 방해 패치가 깨끗한 것으로 표시될 것이다.
반지도 흐름은 이상 검출을 위한 작업자 상호 작용을 최소화한다. 이는 작업자 검출에 의한 지루하고 오류가 발생하기 쉬운 수동 라벨링을 방지할 수 있다. 이는 결함을 검색하거나 페인트할 필요성을 제거하므로, 모델 훈련을 위해 데이터를 제공하는 데 필요한 시간을 줄일 수 있다.
모델을 훈련하여 이상을 검출하기 위해 명목 패턴만 사용할 수 있으므로, 작업자가 기계 모델을 훈련하는 부담을 줄일 수 있다. 따라서, 깨끗한 SEM 이미지만 필요할 수 있다. 결과적으로, 명목 패턴이 대부분의 개체군을 지배하는 경향이 있기 때문에 사용할 수 있는 엄청난 양의 훈련 데이터가 있다. 이는 라벨링된 결함 이미지의 수를 피하거나 줄일 수 있다. 따라서, 복잡한 인공 지능 모델에 대한 과적합을 잠재적으로 피할 수 있다.
반지도 흐름은 또한 개선된 성능을 제공할 수 있다. 지도 기계 학습을 사용하면, 제한된 데이터를 훈련에 사용할 수 있다. 그러나, 본 명세서에 개시된 실시예를 사용하면, 깨끗한 SEM 이미지만 필요하기 때문에 많은 데이터를 사용할 수 있다. 이는 결함 검출에서 더 양호한 캡 비율(cap rate)과 방해 비율(nuisance rate)을 생성할 수 있다.
깨끗한 이미지 모양을 학습함으로써, 새로운 이미지의 재구성 동안 재구성 오류가 새로운 이미지에 존재하는 경우 결함을 나타낼 것이다. 깨끗한 이미지 및 결함 있는 이미지를 모두 사용하여 훈련하면 모델이 손상될 수 있다.
본 명세서에 개시된 실시예들은 셋업 시간을 감소시킴으로써 처리량 개선을 제공할 수 있다. 모델 훈련을 위한 데이터 준비가 더 빠를 수 있다. 예를 들어, 전체 이미지에 대해 깨끗한 이미지를 라벨링하는 것은 결함 위치에 대한 픽셀 레벨 주석보다 훨씬 빠르다.
다른 실시예에서, 비지도 기계 학습 알고리즘이 이미지의 수동 주석 없이 이 방법에 사용될 수 있다. 반지도 기계 학습 대신 비지도 기계 학습이 수행된다. 비지도 학습을 사용하면 복잡성이 증가할 수 있다. 이상 데이터 포인트가 명목 데이터 포인트보다 적기 때문에, 분포를 모델링하고 분리하기가 어려울 수 있다. 실현 가능하지만, 상이한 층 및 디바이스의 SEM 이미지에 맞는 모델을 훈련하는 것은 어려울 수 있다. 대신 반지도 기계 학습을 사용할 수 있으며, 이는 깨끗한 이미지를 찾는 데 필요한 작업자 시간을 최소로 하는, 획득이 용이한 명목 데이터 포인트의 볼륨을 활용한다.
도 5는 입력 및 오토인코더를 사용한 재구성된 SEM 패치를 도시한다. 훈련 세트에는 배경 패치만 포함되기 때문에, 결함 있는 영역은 재구성되지 않는다. 따라서, 이상 패치는 더 높은 재구성 오류를 가질 것이다.
도 6은 재구성 오류의 그래프이다. 이상을 명목과 구별하는 데 문턱값이 사용된다. 한 테스트에서, 포획 비율은 100 %였고 방해 비율은 27.8 %였다. 도 6의 방해 및 결함 결과는 상이한 폭 및 음영으로 도시된다.
재구성 오류는 수학식 4에서와 같이 원본 입력 벡터
Figure 112020110276429-pct00006
와 재구성 벡터
Figure 112020110276429-pct00007
사이의 차이로 정의될 수 있다.
Figure 112020110276429-pct00008
변분 오토인코더는 명목 데이터의 분포를 모델링하므로, 이상은 더 높은 재구성 오류(수학식 4)를 가질 것으로 예상된다. 도 6은 재구성 오류가 두 가지 모달 분포를 나타낼 수 있음을 보여주며, 이는 자동 임계화가 이상을 명목과 분리할 수 있게 한다. 예를 들어, 동적 범위를 더 양호하게 활용하기 위해 Otsu(오츠) 알고리즘이 로그 스케일 재구성 오류에 적용될 수 있지만, 플로팅을 위해 원래 스케일로 다시 매핑될 수 있다. 이는 재구성 확률이 재구성 오류의 로그 스케일에 비례하고, AVE 모델 재구성 확률이 가우스 분포하기 때문에 작동한다.
도 7a 내지 도 7c는 100 단계, 200 단계 및 2000 단계 이후의 재구성 오류의 그래프이다. 이것은 어레이와 같은 명목 SEM 이미지를 포함하는 도 5와 동일한 훈련 입력 데이터를 사용한다. 작업 흐름은 도 2에서 설명될 수 있다. 오토인코더 훈련에 깨끗한 이미지만 사용된다. 상이한 오토인코더 모델은 100 단계, 200 단계, 2000 단계로 동일한 훈련 데이터를 사용하여 훈련된다. 그런 다음, 결함 있는 일부 이미지를 포함하는 검사 데이터가 전달되었다. 도 8은 결함 있는 입력 이미지와 이러한 세 가지 훈련된 오토인코더 모델을 사용한 재구성된 이미지를 보여준다. 훈련된 단계가 많을수록 재구성된 이미지가 더 양호하다. 그러나, 더 양호한 재구성된 이미지를 얻기 위해 더 긴 훈련을 수행할 수 있지만, 오류 히스토그램 분리에서, 200 단계 모델이 명목 검사 이미지에서 이상을 분리하는 데 충분할 수 있다. 도 7a 내지 도 7c의 방해 및 결함 결과는 상이한 폭 및 음영으로 도시된다.
도 8은 입력 및 200 단계 이후에 오토인코더를 사용한 재구성된 SEM 패치를 도시한다. 도 9은 입력 및 2000 단계 이후에 오토인코더를 사용한 재구성된 SEM 패치를 도시한다.
도 10은 시스템(200)의 일 실시예의 블록도이다. 시스템(200)은 웨이퍼(204)의 이미지를 생성하도록 구성된 웨이퍼 검사 도구(전자 칼럼(201)을 포함함)를 포함한다.
웨이퍼 검사 도구는 적어도 에너지 소스 및 검출기를 포함하는 출력 획득 서브 시스템을 포함한다. 출력 획득 서브 시스템은 전자 빔 기반 출력 획득 서브 시스템일 수 있다. 예를 들어, 일 실시예에서, 웨이퍼(204)에 지향된 에너지는 전자를 포함하고, 웨이퍼(204)로부터 검출된 에너지는 전자를 포함한다. 이러한 방식에서, 에너지 소스는 전자 빔 소스일 수 있다. 도 10에 도시된 이러한 하나의 실시예에서, 출력 획득 서브 시스템은 컴퓨터 서브 시스템(202)에 결합된 전자 칼럼(201)을 포함한다. 척(도시되지 않음)이 웨이퍼(204)를 홀딩할 수 있다.
또한, 도 10에 도시된 바와 같이, 전자 칼럼(201)은 하나 이상의 요소(205)에 의해 웨이퍼(204)에 포커싱되는 전자를 생성하도록 구성된 전자 빔 소스(203)를 포함한다. 전자 빔 소스(203)는, 예를 들어, 캐소드 소스 또는 이미터 팁을 포함할 수 있다. 하나 이상의 요소(205)는, 예를 들어, 건 렌즈, 애노드, 빔 제한 조리개, 게이트 밸브, 빔 전류 선택 조리개, 대물렌즈 및 주사 서브 시스템을 포함할 수 있으며, 이들 모두는 당 업계에 공지된 임의의 적합한 요소를 포함할 수 있다.
웨이퍼(204)로부터 반환된 전자(예를 들어, 2차 전자)가 하나 이상의 요소(206)에 의해 검출기(207)에 포커싱될 수 있다. 하나 이상의 요소(206)는, 예를 들어, 주사 서브 시스템을 포함할 수 있으며, 이는 요소(들)(205)에 포함된 주사 서브 시스템과 동일할 수 있다.
전자 칼럼은 또한 당 업계에 공지된 임의의 다른 적합한 요소를 포함할 수 있다.
도 10에서는 전자가 경사 입사각으로 웨이퍼(204)에 지향되고 다른 경사 각도로 웨이퍼(204)로부터 산란되도록 전자 칼럼(201)이 구성되는 것으로 도시되어 있지만, 전자 빔은 임의의 적합한 각도로 웨이퍼(204)에 지향되고 웨이퍼(204)로부터 산란될 수 있음을 이해해야 한다. 또한, 전자 빔 기반 출력 획득 서브 시스템은 (예를 들어, 상이한 조명 각도, 수집 각도 등으로) 웨이퍼(204)의 이미지를 생성하기 위해 다중 모드를 사용하도록 구성될 수 있다. 전자 빔 기반 출력 획득 서브 시스템의 다중 모드는 출력 획득 서브 시스템의 임의의 이미지 생성 파라미터에서 상이할 수 있다.
컴퓨터 서브 시스템(202)은 위에서 설명된 바와 같이 검출기(207)에 결합될 수 있다. 검출기(207)는 웨이퍼(204)의 표면으로부터 반환된 전자를 검출하여 웨이퍼(204)의 전자 빔 이미지를 형성할 수 있다. 전자 빔 이미지는 임의의 적합한 전자 빔 이미지를 포함할 수 있다. 컴퓨터 서브 시스템(202)은 검출기(207)의 출력 및/또는 전자 빔 이미지를 사용하여 본 명세서에 설명된 기능들 중 임의의 기능을 수행하도록 구성될 수 있다. 컴퓨터 서브 시스템(202)은 본 명세서에 설명된 임의의 추가의 단계(들)을 수행하도록 구성될 수 있다. 도 10에 도시된 출력 획득 서브 시스템을 포함하는 시스템(200)은 또한 본 명세서에 설명된 바와 같이 구성될 수 있다.
도 10은 본 명세서에서 설명된 실시예들에서 사용될 수 있는 전자 빔 기반 출력 획득 서브 시스템의 구성을 일반적으로 도시하기 위해 본 명세서에 제공된 것임을 유념한다. 본 명세서에서 설명된 전자 빔 기반 출력 획득 서브 시스템 구성은 상업적 출력 획득 시스템을 설계할 때 일반적으로 수행되는 바와 같이 출력 획득 서브 시스템의 성능을 최적화하도록 변경될 수 있다. 또한, 본 명에서에 설명된 시스템은 기존 시스템을 사용하여 (예를 들어, 본 명세서에 설명된 기능을 기존 시스템에 추가함으로써) 구현될 수 있다. 이러한 일부 시스템의 경우, 본 명세서에 설명된 방법은 (예를 들어, 시스템의 다른 기능에 더하여) 시스템의 선택적 기능으로서 제공될 수 있다. 대안적으로, 본 명세서에 설명된 시스템은 완전히 새로운 시스템으로 설계될 수 있다.
출력 획득 서브 시스템이 전자 빔 기반 출력 획득 서브 시스템인 것으로서 위에서 설명되었지만, 출력 획득 서브 시스템은 이온 빔 기반 출력 획득 서브 시스템일 수 있다. 이러한 출력 획득 서브 시스템은 전자 빔 소스가 당 업계에 공지된 임의의 적합한 이온 빔 소스로 대체될 수 있다는 것을 제외하고는, 도 10에 도시된 바와 같이 구성될 수 있다. 또한, 출력 획득 서브 시스템은 상업적으로 사용 가능한 포커싱 이온 빔(focused ion beam; FIB) 시스템, 헬륨 이온 현미경(helium ion microscopy; HIM) 시스템 및 2차 이온 질량 분광기(secondary ion mass spectroscopy; SIMS) 시스템 내에 포함된 것과 같은 임의의 다른 적합한 이온 빔 기반 출력 획득 서브 시스템일 수 있다.
컴퓨터 서브 시스템(202)은 프로세서(208), 전자 데이터 저장 매체(209) 및 기계 학습 모듈(210)을 포함한다. 프로세서(208)는 마이크로 프로세서, 마이크로 컨트롤러 또는 다른 디바이스를 포함할 수 있다. 기계 학습 모듈(210)은 프로세서(208)와는 별개로 도시되어 있지만, 프로세서(208) 및/또는 전자 데이터 저장 매체(209) 상에서 실행되거나, 저장되거나 또는 그 일부일 수 있다. 컴퓨터 서브 시스템(202)은 선택적으로 웨이퍼 계측 도구 또는 웨이퍼 검토 도구(도시되지 않음)와 전자 통신할 수 있어 추가 정보를 수신할 수 있다.
컴퓨터 서브 시스템(202)은 프로세서(208)가 출력을 수신할 수 있도록 임의의 적합한 방식으로 (예를 들어, 유선 및/또는 무선 전송 매체를 포함할 수 있는 하나 이상의 전송 매체를 통해) 시스템(200)의 컴포넌트에 결합될 수 있다. 프로세서(208)는 출력을 사용하여 다수의 기능을 수행하도록 구성될 수 있다. 웨이퍼 검사 도구는 프로세서(208)로부터 명령어 또는 기타 정보를 수신할 수 있다. 프로세서(208) 및/또는 전자 데이터 저장 매체(209)는 선택적으로 다른 웨이퍼 검사 도구, 웨이퍼 계측 도구 또는 웨이퍼 검토 도구(도시되지 않음)와 전자 통신할 수 있어 추가 정보를 수신하거나 명령어를 전송할 수 있다.
프로세서(208)는 검출기(207)와 같은 웨이퍼 검사 도구와 전자 통신한다. 프로세서(208)는 검출기(207)로부터의 측정을 사용하여 생성된 이미지를 처리하도록 구성될 수 있다. 프로세서(208)는 모델을 사용하여 이미지 또는 이미지들에서 하나 이상의 이상을 찾도록 구성될 수 있다. 모델은 반지도 기계 학습을 사용하여 훈련될 수 있다.
예를 들어, 모델에는 변분 오토인코더가 포함된다. 변분 오토인코더는 사다리형 망을 포함할 수 있다. 기계 학습 모듈(210)은 프로세서(208)에서 실행되는 모델을 생성하기 위해 사용될 수 있다. 기계 학습 모듈(210)은 전자 데이터 저장 매체 상의 데이터베이스 또는 드라이브와 같은 훈련 세트에 대한 이미지 소스와 전자 통신할 수 있다.
본 명세서에 설명된 컴퓨터 서브 시스템(202), 다른 시스템(들) 또는 다른 서브 시스템(들)은 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인 프레임 컴퓨터 시스템, 워크 스테이션, 네트워크 기기, 인터넷 기기 또는 다른 디바이스를 포함하는 다양한 시스템의 일부일 수 있다. 서브 시스템(들) 또는 시스템(들)은 또한 병렬 프로세서와 같은 당 업계에 공지된 임의의 적합한 프로세서를 포함할 수 있다. 또한, 서브 시스템(들) 또는 시스템(들)은 고속 처리 및 소프트웨어를 갖는 플랫폼을 독립형 또는 네트워크형 도구로서 포함할 수 있다.
프로세서(208) 및 전자 데이터 저장 매체(209)는 시스템(200) 또는 다른 디바이스 내에 또는 다른 부분에 배치될 수 있다. 예를 들어, 프로세서(208) 및 전자 데이터 저장 매체(209)는 독립형 제어 유닛의 일부이거나 중앙 집중식 품질 제어 유닛에 있을 수 있다. 다수의 프로세서(208) 또는 전자 데이터 저장 매체(209)가 사용될 수 있다.
프로세서(208)는 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 실제로 구현될 수 있다. 또한, 본 명세서에 기술된 바와 같은 기능들이 하나의 유닛에 의해 수행될 수 있거나, 상이한 컴포넌트들 간에 분할될 수 있으며, 각각의 컴포넌트는 결국 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 구현될 수 있다. 프로세서(208)가 다양한 방법 및 기능을 구현하도록 하는 프로그램 코드 또는 명령어는 전자 데이터 저장 매체(209) 내의 메모리 또는 다른 메모리와 같은 판독 가능 저장 매체에 저장될 수 있다.
시스템(200)이 하나 이상의 컴퓨터 서브 시스템(202)을 포함하는 경우, 상이한 서브 시스템은 이미지, 데이터, 정보, 명령어 등이 서브 시스템 간에 전송될 수 있도록 서로 결합될 수 있다. 예를 들어, 하나의 서브 시스템은 당 업계에 공지된 임의의 적합한 유선 및/또는 무선 전송 매체를 포함할 수 있는 임의의 적합한 전송 매체에 의해 추가 서브 시스템(들)에 결합될 수 있다. 이러한 서브 시스템 중 2 개 이상이 또한 공유된 컴퓨터 판독 가능 저장 매체(도시되지 않음)에 의해 효과적으로 결합될 수 있다.
프로세서(208)는 시스템(200)의 출력 또는 다른 출력을 사용하여 다수의 기능을 수행하도록 구성될 수 있다. 예를 들어, 프로세서(208)는 출력을 전자 데이터 저장 매체(209) 또는 다른 저장 매체에 전송하도록 구성될 수 있다. 프로세서(208)는 또한 본 명세서에 설명된 바와 같이 구성될 수 있다.
프로세서(208) 또는 컴퓨터 서브 시스템(202)은 결함 검토 시스템, 검사 시스템, 계측 시스템, 또는 일부 다른 유형의 시스템의 일부일 수 있다. 따라서, 본 명세서에 개시된 실시예들은 상이한 애플리케이션에 다소 적합한 상이한 능력을 갖는 시스템에 대해 다수의 방식으로 조정될 수 있는 일부 구성을 설명한다.
시스템이 하나 이상의 서브 시스템을 포함하는 경우, 상이한 서브 시스템은 이미지, 데이터, 정보, 명령어 등이 서브 시스템 간에 전송될 수 있도록 서로 결합될 수 있다. 예를 들어, 하나의 서브 시스템은 당 업계에 공지된 임의의 적합한 유선 및/또는 무선 전송 매체를 포함할 수 있는 임의의 적합한 전송 매체에 의해 추가 서브 시스템(들)에 결합될 수 있다. 이러한 서브 시스템 중 2 개 이상이 또한 공유된 컴퓨터 판독 가능 저장 매체(도시되지 않음)에 의해 효과적으로 결합될 수 있다.
프로세서(208)는 본 명세서에 설명된 실시예들 중 임의의 실시예에 따라 구성될 수 있다. 프로세서(208)는 또한 시스템(200)의 출력을 사용하거나 다른 소스로부터의 이미지 또는 데이터를 사용하여 다른 기능 또는 추가 단계를 수행하도록 구성될 수 있다.
프로세서(208)는 당 업계에 공지된 임의의 방식으로 시스템(200)의 다양한 컴포넌트 또는 서브 시스템 중 임의의 것에 통신 가능하게 결합될 수 있다. 더욱이, 프로세서(208)는 유선 및/또는 무선 부분을 포함할 수 있는 전송 매체에 의해 다른 시스템으로부터 데이터 또는 정보(예를 들어, 검토 도구와 같은 검사 시스템의 검사 결과, 설계 데이터를 포함하는 원격 데이터베이스 등)를 수신 및/또는 획득하도록 구성될 수 있다. 이러한 방식으로, 전송 매체는 프로세서(208)와 시스템(200)의 다른 서브 시스템 또는 시스템(200) 외부의 시스템 사이의 데이터 링크로서 기능 할 수 있다.
일부 실시예들에서, 본 명세서에 개시된 시스템(200) 및 방법의 다양한 단계, 기능 및/또는 동작은 전자 회로, 로직 게이트, 멀티플렉서, 프로그램 가능 로직 디바이스, ASIC, 아날로그 또는 디지털 제어부/스위치, 마이크로 컨트롤러 또는 컴퓨팅 시스템 중 하나 이상에 의해 수행된다. 본 명세서에 설명된 것과 같은 방법을 구현하는 프로그램 명령어는 캐리어 매체를 통해 전송되거나 이에 저장될 수 있다. 캐리어 매체는 읽기 전용 메모리, 랜덤 액세스 메모리, 자기 또는 광 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 개시 내용 전체에 걸쳐 설명된 다양한 단계는 단일 프로세서(208)(또는 컴퓨터 서브 시스템(202)) 또는 대안적으로 다수의 프로세서(208)(또는 다수의 컴퓨터 서브 시스템(202))에 의해 수행될 수 있다. 더욱이, 시스템(200)의 상이한 서브 시스템은 하나 이상의 컴퓨팅 또는 로직 시스템을 포함할 수 있다. 그러므로, 상기 설명은 본 개시에 대한 제한으로 해석되어서는 안 되고, 단지 예시로서 해석되어야 한다.
추가 실시예는 프로세서 상에서 실행 가능한 프로그램 명령어를 저장하는 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 특히, 프로세서(208)와 같은 프로세서는 실행 가능한 프로그램 명령어를 포함하는 전자 데이터 저장 매체(209)와 같은 비일시적 컴퓨터 판독 가능 매체와 전자 데이터 저장 매체 내의 메모리에 결합될 수 있다. 컴퓨터 구현 방법은 본 명세서에 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다. 예를 들어, 프로세서(208)는 방법(100)의 실시예의 단계들의 일부 또는 전부를 수행하도록 프로그래밍될 수 있다. 전자 데이터 저장 매체(209) 내의 메모리는 자기 또는 광 디스크, 자기 테이프 또는 당 업계에 공지된 임의의 다른 적합한 비일시적 컴퓨터 판독 가능 매체와 같은 저장 매체일 수 있다.
프로그램 명령어는 절차 기반 기술, 컴포넌트 기반 기술 및/또는 객체 지향 기술을 포함하는 다양한 방식들 중 임의의 방식으로 구현될 수 있다. 예를 들어, 프로그램 명령어는 원하는 바에 따라, 액티브 X 컨트롤(ActiveX control), C++ 객체, 자바빈(JavaBean), 마이크로소프트 파운데이션 클래스(Microsoft Foundation Classes; MFC), SSE(Streaming SIMD Extension) 또는 다른 기술들 또는 방법론들을 사용하여 구현될 수 있다.
일 실시예에서, 하나 이상의 프로그램이 전자 데이터 저장 매체(209)와 같은 비일시적 컴퓨터 판독 가능 저장 매체에 포함된다. 하나 이상의 프로그램은 하나 이상의 컴퓨팅 디바이스 상에서 단계를 실행하기 위한 것이다. 예를 들어, 결함 검출 모델이 전자 데이터 저장 매체(209)에 포함될 수 있다. 모델은 반지도 기계 학습을 사용하여 훈련될 수 있다. 프로세서를 사용하여 작동할 수 있는 모델은 웨이퍼의 이미지를 수신하고, 이미지에서 하나 이상의 이상의 존재를 결정하도록 구성될 수 있다. 이미지는 SEM 이미지일 수 있다. 모델은 명목 패턴을 사용하거나 결함 없는 훈련 이미지만 사용하여 훈련될 수 있다. 모델에는 사다리형 망을 포함하는 변분 오토인코더와 같은 변분 오토인코더가 포함될 수 있다.
방법의 각각의 단계는 본 명세서에서 설명된 바와 같이 수행될 수 있다. 방법은 또한 본 명세서에서 설명된 프로세서 및/또는 컴퓨터 서브 시스템(들) 또는 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수 있다. 단계는 본 명세서에서 설명된 임의의 실시예에 따라 구성될 수 있는 하나 이상의 컴퓨터 시스템에 의해 수행될 수 있다. 게다가, 위에서 설명된 방법은 본 명세서에 설명된 임의의 시스템 실시예에 의해 수행될 수 있다.
본 개시가 하나 이상의 특정 실시예들에 관하여 설명되었지만, 본 개시의 범위를 벗어나지 않고 본 개시의 다른 실시예들이 이루어질 수 있음을 이해할 것이다. 따라서, 본 개시는 첨부된 청구 범위 및 그것의 합리적인 해석에 의해서만 제한되는 것으로 간주된다.

Claims (20)

  1. 시스템에 있어서,
    웨이퍼의 이미지를 생성하도록 구성된 웨이퍼 검사 도구 - 상기 웨이퍼 검사 도구는 전자 빔 소스와 검출기를 포함함 - ; 및
    상기 웨이퍼 검사 도구와 전자 통신하는 프로세서 - 상기 프로세서는 상기 이미지에서 하나 이상의 이상(anomaly)을 찾도록 구성된 모델을 작동하고, 상기 모델은 반도체 디바이스의 결함 없는 훈련 이미지만을 기반으로 반지도 기계 학습(semi-supervised machine learning)을 사용하여 훈련됨 -
    를 포함하는, 시스템.
  2. 제 1 항에 있어서, 상기 웨이퍼 검사 도구는 주사 전자 현미경인 것인, 시스템.
  3. 제 1 항에 있어서, 상기 모델은 변분 오토인코더(variational autoencoder)를 포함하는 것인, 시스템.
  4. 제 3 항에 있어서, 상기 변분 오토인코더는 사다리형 망을 포함하는 것인, 시스템.
  5. 방법에 있어서,
    프로세서에서 웨이퍼의 이미지를 수신하는 단계 - 상기 프로세서는 상기 이미지에서 하나 이상의 이상을 찾도록 구성된 모델을 작동하고, 상기 모델은 반도체 디바이스의 결함 없는 훈련 이미지만을 기반으로 반지도 기계 학습을 사용하여 훈련됨 - ; 및
    상기 이미지에서 하나 이상의 이상의 존재를 상기 모델을 사용하여 결정하는 단계
    를 포함하는, 방법.
  6. 제 5 항에 있어서, 상기 이미지는 주사 전자 현미경 이미지인 것인, 방법.
  7. 제 5 항에 있어서, 상기 훈련은 명목 패턴(nominal pattern)을 사용하는 것인, 방법.
  8. 제 5 항에 있어서, 상기 모델은 변분 오토인코더를 포함하는 것인, 방법.
  9. 제 8 항에 있어서, 상기 변분 오토인코더는 사다리형 망을 포함하는 것인, 방법.
  10. 제 5 항에 있어서,
    웨이퍼 검사 도구를 사용하여 상기 이미지를 획득하는 단계
    를 더 포함하는, 방법.
  11. 제 10 항에 있어서, 상기 웨이퍼 검사 도구는 주사 전자 현미경인 것인, 방법.
  12. 제 5 항에 있어서, 상기 하나 이상의 이상은 각각 이상 패치 또는 이상 영역 중 하나인 것인, 방법.
  13. 제 5 항에 있어서,
    상기 프로세서를 사용하여, 특징 공간에서 상기 이미지와 상기 결함 없는 훈련 이미지 사이의 거리를 결정하는 단계; 및
    상기 프로세서를 사용하여, 상기 거리에 기초하여 상기 이미지가 이상치(outlier)인지 여부를 결정하는 단계
    를 더 포함하는, 방법.
  14. 제 5 항에 있어서,
    상기 프로세서를 사용하여, 생성기로서의 오토인코더 및 판별기로서의 콘볼루션 신경망을 사용하는 생성적 적대 신경망(generative adversarial network)을 사용하여 상기 이미지가 이상치인지 여부를 결정하는 단계
    를 더 포함하는, 방법.
  15. 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,
    하나 이상의 컴퓨팅 디바이스에서 모델을 실행하기 위한 하나 이상의 프로그램을 포함하고, 상기 모델은 반도체 디바이스의 결함 없는 훈련 이미지만을 기반으로 반지도 기계 학습을 사용하여 훈련되며, 상기 모델은,
    웨이퍼의 이미지를 수신하고;
    상기 이미지에서 하나 이상의 이상의 존재를 결정하도록 구성되는 것인, 비일시적 컴퓨터 판독 가능 저장 매체.
  16. 제 15 항에 있어서, 상기 이미지는 주사 전자 현미경 이미지인 것인, 비일시적 컴퓨터 판독 가능 저장 매체.
  17. 제 15 항에 있어서, 상기 모델은 명목 패턴을 사용하여 훈련되는 것인, 비일시적 컴퓨터 판독 가능 저장 매체.
  18. 제 15 항에 있어서, 상기 모델은 변분 오토인코더를 포함하는 것인, 비일시적 컴퓨터 판독 가능 저장 매체.
  19. 제 18 항에 있어서, 상기 변분 오토인코더는 사다리형 망을 포함하는 것인, 비일시적 컴퓨터 판독 가능 저장 매체.
  20. 제 15 항에 있어서, 상기 모델은 이상치 검출을 수행하도록 구성되어, 이에 의해 이상을 검출하는 것인, 비일시적 컴퓨터 판독 가능 저장 매체.
KR1020207029970A 2018-03-19 2019-03-18 주사 전자 현미경 이미지에서의 반지도 이상 검출 KR102445995B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862644962P 2018-03-19 2018-03-19
US62/644,962 2018-03-19
US16/106,341 2018-08-21
US16/106,341 US10789703B2 (en) 2018-03-19 2018-08-21 Semi-supervised anomaly detection in scanning electron microscope images
PCT/US2019/022655 WO2019182922A1 (en) 2018-03-19 2019-03-18 Semi-supervised anomaly detection in scanning electron microscope images

Publications (2)

Publication Number Publication Date
KR20200123853A KR20200123853A (ko) 2020-10-30
KR102445995B1 true KR102445995B1 (ko) 2022-09-21

Family

ID=67904134

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207029970A KR102445995B1 (ko) 2018-03-19 2019-03-18 주사 전자 현미경 이미지에서의 반지도 이상 검출

Country Status (5)

Country Link
US (1) US10789703B2 (ko)
KR (1) KR102445995B1 (ko)
CN (2) CN115393341A (ko)
TW (1) TWI803595B (ko)
WO (1) WO2019182922A1 (ko)

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3499459A1 (en) * 2017-12-18 2019-06-19 FEI Company Method, device and system for remote deep learning for microscopic image reconstruction and segmentation
US11042710B2 (en) * 2018-10-17 2021-06-22 Fujitsu Limited User-friendly explanation production using generative adversarial networks
US11017307B2 (en) * 2018-10-17 2021-05-25 Fujitsu Limited Explanations generation with different cognitive values using generative adversarial networks
US10990470B2 (en) * 2018-12-11 2021-04-27 Rovi Guides, Inc. Entity resolution framework for data matching
US11995854B2 (en) * 2018-12-19 2024-05-28 Nvidia Corporation Mesh reconstruction using data-driven priors
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
US11263496B2 (en) 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
CN110231360B (zh) * 2019-05-31 2020-06-26 华南农业大学 电镜像差的确定方法、消除方法及装置
CN110796637A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 图像缺陷检测模型的训练、测试方法、装置及存储介质
US20210097673A1 (en) * 2019-10-01 2021-04-01 Carl Zeiss Smt Gmbh Root cause analysis for fabrication processes of semiconductor structures
KR20210065285A (ko) * 2019-11-26 2021-06-04 삼성전자주식회사 생성적 적대망들에 기반하여 웨이퍼 맵을 생성하는 프로그램 코드를 저장하는 비일시적 컴퓨터 판독가능 매체 및 컴퓨팅 장치
SE1930421A1 (en) * 2019-12-30 2021-07-01 Unibap Ab Method and means for detection of imperfections in products
EP4089624A4 (en) * 2020-01-09 2023-10-25 Hitachi High-Tech Corporation IMAGE PRODUCTION SYSTEM AND NON-VOLATILE COMPUTER-READABLE MEDIUM
JP7262409B2 (ja) * 2020-03-06 2023-04-21 株式会社日立ハイテク 試料観察システム及び画像処理方法
JP7426261B2 (ja) * 2020-03-10 2024-02-01 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法
JP2021144000A (ja) * 2020-03-13 2021-09-24 オムロン株式会社 検査システム、検査装置、及び検査プログラム
EP3885991A1 (en) * 2020-03-26 2021-09-29 Another Brain Autoencoder-based segmentation mask generation in an alpha channel
EP3889684A1 (en) * 2020-04-01 2021-10-06 ASML Netherlands B.V. Removing an artefact from an image
CN115461612A (zh) * 2020-04-28 2022-12-09 三菱电机株式会社 外观检查装置和外观检查方法
TWI777173B (zh) * 2020-06-01 2022-09-11 汎銓科技股份有限公司 人工智慧辨識之半導體影像量測方法
US20210383253A1 (en) 2020-06-08 2021-12-09 SK Hynix Inc. Novelty detector
CN113807527A (zh) * 2020-06-11 2021-12-17 华硕电脑股份有限公司 信号检测方法及使用其的电子装置
WO2022024245A1 (ja) * 2020-07-29 2022-02-03 オリンパス株式会社 検査システム、学習方法、検査方法、及び記憶媒体
CN116194954A (zh) * 2020-09-25 2023-05-30 发那科株式会社 用于外观检查的模型生成装置以及外观检查装置
WO2022070145A1 (en) * 2020-10-02 2022-04-07 Servicenow Canada Inc. Systems and computer-implemented methods for identifying anomalies in an object and training methods therefor
US11676266B2 (en) * 2020-11-04 2023-06-13 Tokyo Electron Limited Method and apparatus for inspecting pattern collapse defects
EP4083858A1 (en) * 2021-04-29 2022-11-02 Siemens Aktiengesellschaft Training data set reduction and image classification
CN113296369B (zh) * 2021-05-14 2022-09-23 长鑫存储技术有限公司 用于光学临近修正的图形量测方法及装置
KR102653349B1 (ko) 2021-05-26 2024-03-29 서울대학교산학협력단 오토 인코더 기반 이상 데이터 감지 시스템 및 방법
CN113541834B (zh) * 2021-06-24 2023-03-03 西安电子科技大学 一种异常信号半监督分类方法、系统、数据处理终端
DE112021007362T5 (de) * 2021-07-30 2024-02-15 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Einrichtung zur automatischen optischen Prüfung
WO2023055993A1 (en) * 2021-10-01 2023-04-06 Fei Company Data triage in microscopy systems
DE102021213084A1 (de) 2021-11-22 2022-12-15 Carl Zeiss Smt Gmbh Verfahren zum Betreiben eines EUV-Reflektometers
DE102021213091A1 (de) 2021-11-22 2022-12-22 Carl Zeiss Smt Gmbh Verfahren zur Kalibrierung eines EUV-Reflektometers
WO2023177635A1 (en) * 2022-03-14 2023-09-21 Ats Ip, Llc Deep learning of bismuth telluride crystal size and grain boundaries for predictive performance
CN115049472B (zh) * 2022-05-12 2024-01-26 之江实验室 一种基于多维特征张量的无监督信用卡异常检测方法
JP2024046905A (ja) * 2022-09-26 2024-04-05 株式会社Ｓｃｒｅｅｎホールディングス マーク検出方法およびコンピュータプログラム
WO2024068203A1 (en) * 2022-09-28 2024-04-04 Carl Zeiss Smt Gmbh Computer implemented method for defect detection in an imaging dataset of a wafer, corresponding computer-readable medium, computer program product and systems making use of such methods
CN116596875B (zh) * 2023-05-11 2023-12-22 哈尔滨工业大学重庆研究院 晶圆缺陷检测方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017117568A1 (en) 2015-12-31 2017-07-06 Kla-Tencor Corporation Accelerated training of a machine learning based model for semiconductor applications
KR101836096B1 (ko) 2016-12-02 2018-03-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7215030B2 (en) * 2005-06-27 2007-05-08 Advanced Micro Devices, Inc. Lead-free semiconductor package
DE102010061505B4 (de) 2010-12-22 2012-10-31 Kla-Tencor Mie Gmbh Verfahren zur Inspektion und Detektion von Defekten auf Oberflächen von scheibenförmigen Objekten
US9189844B2 (en) * 2012-10-15 2015-11-17 Kla-Tencor Corp. Detecting defects on a wafer using defect-specific information
US10192303B2 (en) * 2012-11-12 2019-01-29 Kla Tencor Corporation Method and system for mixed mode wafer inspection
US9679224B2 (en) * 2013-06-28 2017-06-13 Cognex Corporation Semi-supervised method for training multiple pattern recognition and registration tool models
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US9996768B2 (en) 2014-11-19 2018-06-12 Adobe Systems Incorporated Neural network patch aggregation and statistics
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10346740B2 (en) * 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
CN107506792B (zh) * 2017-08-16 2020-09-29 广西荷福智能科技有限公司 一种半监督的显著对象检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017117568A1 (en) 2015-12-31 2017-07-06 Kla-Tencor Corporation Accelerated training of a machine learning based model for semiconductor applications
KR101836096B1 (ko) 2016-12-02 2018-03-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR20200123853A (ko) 2020-10-30
WO2019182922A1 (en) 2019-09-26
TWI803595B (zh) 2023-06-01
CN115393341A (zh) 2022-11-25
US20190287230A1 (en) 2019-09-19
CN111837229A (zh) 2020-10-27
TW201946089A (zh) 2019-12-01
US10789703B2 (en) 2020-09-29

Similar Documents

Publication Publication Date Title
KR102445995B1 (ko) 주사 전자 현미경 이미지에서의 반지도 이상 검출
JP7216822B2 (ja) 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用
KR102466582B1 (ko) 결함 분류기 트레이닝을 위한 능동적 학습
KR102468982B1 (ko) 주사 전자 현미경 계측을 사용한 결함 검출, 분류 및 프로세스 윈도우 제어
KR102513715B1 (ko) 반도체 제조에서 확률적 불량 메트릭의 사용
KR20210087874A (ko) 시편의 기계 학습 기반 결함 검출
US10970834B2 (en) Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance
KR20220022091A (ko) 검사 레시피의 자동 최적화
CN110582842B (zh) 依据光学检验结果进行计量导引检验样品成形
KR20190098271A (ko) 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법
TW202227838A (zh) 半導體試樣的電屬性的預測
US20220101114A1 (en) Interpretable deep learning-based defect detection and classification

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right