KR20160007630A - 레티클들을 검사하기 위한 머신 학습 방법 및 장치 - Google Patents

레티클들을 검사하기 위한 머신 학습 방법 및 장치 Download PDF

Info

Publication number
KR20160007630A
KR20160007630A KR1020157035225A KR20157035225A KR20160007630A KR 20160007630 A KR20160007630 A KR 20160007630A KR 1020157035225 A KR1020157035225 A KR 1020157035225A KR 20157035225 A KR20157035225 A KR 20157035225A KR 20160007630 A KR20160007630 A KR 20160007630A
Authority
KR
South Korea
Prior art keywords
images
voxel
reticle
cluster
feature vectors
Prior art date
Application number
KR1020157035225A
Other languages
English (en)
Other versions
KR102100007B1 (ko
Inventor
압둘라만 세즈기너
강 판
빙 리
Original Assignee
케이엘에이-텐코 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-텐코 코포레이션 filed Critical 케이엘에이-텐코 코포레이션
Publication of KR20160007630A publication Critical patent/KR20160007630A/ko
Application granted granted Critical
Publication of KR102100007B1 publication Critical patent/KR102100007B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G06K9/6252—
    • G06K9/6282—
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95676—Masks, reticles, shadow masks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Image Analysis (AREA)

Abstract

포토리소그래픽 레티클을 검사하기 위한 장치 및 방법들이 개시되어 있다. 레티클 검사 도구는 레티클의 복수의 트레이닝 영역들의 이미지들을 얻기 위하여 하나 이상의 동작 모드들에서 이용되고, 트레이닝 영역들은 결함 없는 것으로서 식별된다. 3 개 이상의 기본 트레이닝 이미지들은 트레이닝 영역들의 이미지들로부터 유도된다. 분류자는 3 개 이상의 기본 트레이닝 이미지들에 기초하여 형성된다. 검사 시스템은 레티클의 복수의 테스트 영역들의 이미지들을 얻기 위하여 하나 이상의 동작 모드들에서 이용된다. 3 개 이상의 기본 테스트 이미지들은 테스트 영역들로부터 유도된다. 분류자는 테스트 영역들에서 결함들을 발견하기 위하여 3 개 이상의 기본 테스트 이미지들에 적용된다.

Description

레티클들을 검사하기 위한 머신 학습 방법 및 장치{MACHINE LEARNING METHOD AND APPARATUS FOR INSPECTING RETICLES}
관련 출원들에 대한 상호-참조
이 출원은 Abdurrahman (Apo) Sezginer 등에 의해 "Machine Learning Method and Apparatus for Inspecting Reticles(레티클들을 검사하기 위한 머신 학습 방법 및 장치)"라는 명칭으로 2013년 5월 14일자로 출원된 종래의 미국 가출원 제61/823,156호의 35 U.S.C. §119 하에서의 우선권을 주장하고, 이 출원은 모든 목적들을 위하여 그 전체적으로 참조를 위해 본원에 편입된다.
본 발명은 일반적으로 반도체 레티클 검사(semiconductor reticle inspection)의 분야에 관한 것이다. 특히, 본 발명은 설계 데이터베이스가 존재하지 않을 때, 비-반복 패턴들을 포함하는 레티클들을 검사하기 위한 기법들에 관한 것이다.
집적 회로들을 제조하는 것은 금속, 유전체, 및 반도체 재료들의 층들을 실리콘과 같은 기판 또는 웨이퍼 상으로 증착하고 패터닝하는 것을 수반한다. 층들은, 레티클의 이미지를 패터닝되어야 할 웨이퍼 상으로 투영하는 광학적 리소그래피(optical lithography)를 이용하여 패터닝된다. 반도체 디바이스들의 감소하는 사이즈로 인해, 디바이스에서 고장을 야기시키는 결함들은 점진적으로 더 작아지고 있다.
집적 회로는 전형적으로 복수의 레티클들로 제조된다. 대략 50 개의 리소그래피 단계들이 진보된 CMOS 로직 칩의 제조에서 이용된다. 각각의 레티클은 집적 회로의 하나의 물리적 층의 패턴을 인코딩한다. 멀티-패터닝의 경우, 하나를 초과하는 리소그래피 단계, 이에 따라, 하나를 초과하는 레티클이 하나의 물리적 층을 패터닝하기 위하여 이용된다. 레티클들의 생성 및 이러한 레티클들의 후속하는 광학적 검사는 반도체들의 생산에서 표준적인 단계들이다. 레티클 자체는 벡터-형상(vector-shaped) 빔 도구를 이용한 e-빔 리소그래피(e-beam lithography)에 의해, 또는 덜 중요한 층들의 경우에는, 레이저 스캐너를 이용한 광학적 리소그래피에 의해 패터닝된다. 전자 설계 자동화(electronic design automation; EDA) 소프트웨어에 의해 지원받은 설계자들은 IC의 기능적인 설명과 함께 시작하고, 많은 단계들 후에, IC의 각각의 층의 물리적 레이아웃을 만들어낸다. 물리적 레이아웃은 층들을 포함하는 데이터베이스에 의해 표현되고, 각각의 층은 다각형들의 세트를 포함한다. 광학적 근접성 정정, 마스크 근접성 정정 또는 바이어싱(biasing), 및 프랙처링(fracturing)과 같은 추가의 EDA 프로세스들은 물리적 레이아웃을, 레티클 라이터(reticle writer)를 제어하는 데이터로 변환한다. 레티클 라이터 데이터(reticle writer data)는 또한, 다각형 데이터베이스 내에 포함된다. 레티클 검사 시스템은 그 생산 동안에 발생하였을 수도 있는 결함들에 대하여 완성된 레티클을 검사한다.
레티클은 결함 없는 웨이퍼 디바이스들을 제조하기 위하여 결함들이 없이 제조될 필요가 있다. 추가적으로, 레티클은 이용 후에 결함으로 될 수도 있다. 이에 따라, 개선된 레티클 검사 기법들에 대한 계속적인 필요성이 있다. 레티클은 리소그래피 투영기에서 강렬한 심자외선 방사선(deep-ultraviolet radiation)에 노출된다. 광화학적 반응들은 레티클 상에 잔류물들을 증착시킬 수 있다. 이러한 잔류물들은 헤이즈(haze)라고 칭해진다. 정전 방전(electrostatic discharge)은 그것이 부적당하게 다루어질 경우에 레티클을 손상시킬 수 있다. 그러므로, 레티클은 전형적으로 수령 시에, 그리고 그 후에는 주기적으로 웨이퍼 팹(wafer fab)에서 검사된다. 웨이퍼 팹에서의 검사 중인 레티클은 그 제조 시에 다수의 검사들을 이미 통과하였다. 웨이퍼 팹에서의 검사의 목적은 결함 없는 것으로 일단 알려져 있었던 레티클의 선적 또는 이용 동안에 진전되었을 수도 있는 결함들을 검출하기 위한 것이다.
다음은 발명의 어떤 실시형태들의 기본적인 이해를 제공하기 위하여, 개시물의 간략화된 요약을 제시한다. 이 요약은 개시물의 철저한 개요는 아니고, 그것은 발명의 핵심적인/중요한 요소들을 식별하지 않거나 발명의 범위를 묘사하지 않는다. 그 유일한 목적은 더 이후에 제시되는 더욱 상세한 설명에 대한 서두로서, 본원에서 개시된 일부의 개념들을 간략화된 형태로 제시하는 것이다.
하나의 실시형태에서는, 포토리소그래픽 레티클(photolithographic reticle)을 검사하는 방법이 개시되어 있다. 검사 도구는 레티클의 복수의 트레이닝 영역(training region)들의 이미지들을 얻기 위하여 하나 이상의 동작 모드들에서 이용되고, 트레이닝 영역들은 결함 없는 것으로서 식별된다. 3 개 이상의 기본 트레이닝 이미지(basis training image)들은 트레이닝 영역들의 이미지들로부터 유도된다. 분류자(classifier)는 3 개 이상의 기본 트레이닝 이미지들에 기초하여 형성된다. 검사 시스템은 레티클의 복수의 테스트 영역들의 이미지들을 얻기 위하여 하나 이상의 동작 모드들에서 이용된다. 3 개 이상의 기본 테스트 이미지들은 테스트 영역들로부터 유도된다. 분류자는 테스트 영역들에서 결함들을 발견하기 위하여 3 개 이상의 기본 테스트 이미지들에 적용된다.
특정 구현예에서, 분류자는 3 개 이상의 기본 트레이닝 이미지들을 3 이상의 차원의 공간의 복수의 복셀들에 맵핑하는 것과, 이러한 복셀이 트레이닝 세트에서 관찰되는 비-결함(non-defective) 복셀로서 정의되는지 여부를 특정하기 위하여 관찰 표시자(observation indicator)를 각각의 복셀에 배정하는 것을 포함한다. 추가의 양태에서, 분류자를 형성하는 것은, 이러한 복셀이 트레이닝 세트에서 관찰되지 않는 것을 특정하는 것으로부터, 이러한 복셀이 비-결함 복셀인 것을 특정하는 것으로 각각의 구멍의 각각의 복셀의 표시자를 변경함으로써, 비-결함 복셀들에서의 복수의 구멍들을 메우는 것을 더 포함한다. 추가의 양태에서, 분류자를 형성하는 것은, 비-결함 복셀까지의 이러한 복셀의 거리에 기초하여 거리 값을 각각의 복셀에 배정하기 위하여 거리 변환을 수행하는 것을 더 포함한다. 더욱 추가의 양태에서, 결함은 특별한 복셀이 미리 정의된 임계치를 초과하는 거리 값을 가질 때에 발견된다. 또 다른 예에서, 분류자를 형성하는 것은 아핀-선형(affine-linear) 공간들의 서브세트들의 집합을 갖는 비-결함 복셀들에 대응하는 특징 벡터들의 세트를 근사화하는 것을 포함한다.
또 다른 실시형태에서, 방법은 (i) 3 개 이상의 기본 트레이닝 이미지들의 복수의 상이한 세트들에 기초하여 복수의 분류자들의 각각을 형성하는 단계, 및 (ii) 테스트 영역들에서 결함들을 발견하기 위하여 복수의 분류자들을 3 개 이상의 기본 테스트 이미지들에 적용하는 단계를 포함한다. 또 다른 예에서, 공간-파티셔닝 데이터 구조는 분류자로부터 형성된다.
또 다른 구현예에서, 분류자를 형성하는 단계는, (i) 기본 트레이닝 이미지들에 기초하는 특징 벡터들의 세트를 복수의 클러스터들로 클러스터링하는 단계, (ii) 각각의 클러스터의 특징 벡터들의 클러스터 중심을 결정하는 단계, (iii) 각각의 클러스터에 대하여, 각각의 클러스터 중심으로부터 클러스터의 특징 벡터들까지의 복수의 클러스터 벡터들을 결정하는 단계, 및 (iv) 각각의 클러스터에 대하여, 클러스터의 클러스터 중심을 포함하며 클러스터의 클러스터 벡터들의 복수의 주요 성분들에 의해 걸쳐 이어지는 아핀-선형(affine-linear) 공간을 결정하는 단계를 포함한다. 분류자를 3 개 이상의 기본 테스트 이미지들에 적용하는 것은 3 개 이상의 기본 테스트 이미지들의 각각의 테스트 벡터 및 가장 근접한 아핀-선형 공간 사이의 거리에 기초한다.
또 다른 예에서, 분류자를 형성하는 단계는, (i) 아핀 선형 공간으로부터 3 개 이상의 기본 트레이닝 이미지들로부터의 복수의 특징 벡터들까지의 거리들의 놈(norm)을 최소화하는 단계, (ii) 거리가 최고인 특징 벡터들의 세트를 폐기하는 단계, 및 (iii) 복수의 아핀-선형 공간들을 세분화하여, 특징 벡터들이 미리 정의된 공차 레벨 내에서 아핀-선형 공간들의 최종 세트에 피팅(fitting)될 때까지 특징 벡터들 중의 나머지 특징 벡터들을 더욱 양호하게 피팅하기 위하여, 거리의 놈을 최소화하기 위한 단계를 반복하는 단계를 포함한다.
또 다른 실시형태에서, 분류자는 투과 이미지 값, 반사 이미지 값, 및 투과 또는 반사 이미지 값의 변환에 기초한 변환된 이미지 값을 각각 가지는 특징 벡터들의 3 이상의 차원들을 포함한다. 추가의 양태에서, 각각의 변환된 이미지 값은 다음 중의 하나에 의해 결정되고:
Figure pct00001
, 여기서, T는 투과 이미지 값이고, R은 반사 이미지 값이다. 또 다른 실시형태에서, 하나 이상의 동작 모드들은 다음의 품질들 또는 수량들 중의 하나 이상에서 차별화하도록 선택가능하다: 반사 모드, 투과 모드, 명시야 모드(brightfield mode), 암시야 모드(darkfield mode), 조명 개구수(illumination numerical aperture), 조명 동공 패턴(illumination pupil pattern), 조명 편광(illumination polarization), 집합 개구수(collection numerical aperture), 집합 동공 필터 진폭 및 위상, 집합 분석기(collection analyzer), 및 초점.
어떤 실시형태들에서, 발명은 포토리소그래픽 레티클을 검사하기 위한 시스템에 속한다. 시스템은 적어도 하나의 메모리와, 상기 설명된 동작들 중의 적어도 일부를 수행하도록 구성되는 적어도 하나의 프로세서를 포함한다. 다른 실시형태들에서, 발명은 상기 설명된 동작들 중의 적어도 일부를 수행하기 위한 명령들을 저장한 컴퓨터 판독가능한 매체들에 속한다.
발명의 이러한, 그리고 다른 양태들은 도면들을 참조하여 이하에서 더욱 설명된다.
도 1은 본 발명의 하나의 실시형태에 따라 검사 프로세스를 예시하는 플로우차트이다.
도 2는 본 발명의 하나의 실시형태에 따라 분류자를 형성하기 위한 절차를 예시하는 플로우차트이다.
도 3은 트레이닝 세트의 특징 벡터들이 특정 실시형태에 따라 맵핑되는 3D 특징 공간의 예를 도시한다.
도 4는 트레이닝 세트에서 관찰되었던 복셀(voxel)들을 가지는 복셀들의 어레이를 예시한다.
도 5는 본 발명의 어떤 실시형태들에 따라 4 개의 가능한 3D 분류자들을 도시한다.
도 6은 2D 및 3D 분류자 접근법 사이의 비교를 예시한다.
도 7은 하나의 실시형태에 따라 비-결함 특징 벡터들로부터 구성된 매니폴드(manifold)를 예시한다.
도 8은 본 발명의 기법들이 구현될 수도 있는 일 예의 검사 시스템의 개략적인 표현이다.
도 9a는 어떤 실시형태들에 따라 마스크 패턴을 포토마스크로부터 웨이퍼 상으로 전사하기 위한 리소그래픽 시스템의 간략화된 개략적인 표현이다.
도 9b는 어떤 실시형태들에 따라 포토마스크 검사 장치의 개략적인 표현을 제공한다.
다음의 설명에서는, 본 발명의 철저한 이해를 제공하기 위하여 여러 특정 세부사항들이 기재된다. 본 발명은 이 특정 세부사항들의 일부 또는 전부 없이 실시될 수도 있다. 다른 사례들에서, 잘 알려진 프로세스 동작들은 본 발명을 불필요하게 모호하게 하지 않기 위하여 상세하게 설명되지 않았다. 발명은 특정 실시형태들과 함께 설명될 것이지만, 그것은 발명을 실시형태들로 제한하도록 의도된 것이 아니라는 것이 이해될 것이다.
본 발명의 어떤 실시형태들은 설계 데이터베이스의 이용 없이 비-반복 패턴들에서 결함들을 발견하기 위한 검사 기법들 및 장치를 포함한다. 하나의 검사 기법은, 하나 이상의 검사 모드들로부터의 반사(R) 및 투과(R)된 이미지들 또는 신호들, 및/또는 이러한 R 또는 T 이미지들로부터 유도되는 신호들에 기초하여 3 이상의 차원의 특징 벡터들로부터 형성되는 분류자들을 이용한 머신 학습을 포함한다. 다음으로, 하나 이상의 다차원 분류자들은 알려지지 않은 테스트 영역들의 레티클 검사로부터 얻어진 특징 벡터들의 대응하는 다차원 공간에서 결함들을 위치시키기 위하여 이용될 수 있다.
도 1은 본 발명의 하나의 실시형태에 따라 검사 프로세스(100)를 예시하는 플로우차트이다. 먼저, 동작(102)에서, 레티클의 트레이닝 영역들의 R 및 T 이미지들이 얻어진다. 트레이닝 영역들은 결함들이 없는 것으로 알려져 있다. 예를 들어, 조작자는 결함 없는 것으로서 알려져 있는 레티클의 하나 이상의 영역들을 결함 없는 영역들의 트레이닝 세트로서 선택할 수도 있다.
일반적으로, 트레이닝 영역들은 생산 공차(production tolerance)들을 고려하기 위하여 동일한 타입의 선택된 수의 기판들의 결함 없는 구역들의 대표적인 샘플링을 포함한다. 트레이닝 영역들은 단일의 샘플 기판으로부터 시작될 수도 있다. 그러나, 몇몇 샘플 기판들의 이용은 더 양호한 통계적 평균과, 샘플 기판들 중의 하나 상의 결함의 포함을 해소할 가능성을 제공할 수도 있다.
예를 들어, 특정 레티클 영역들은 임의의 적당한 검사 기법을 이용하여 이전에 검사되었을 수도 있고, 웨이퍼 상에 인쇄가능한 에러를 산출하거나 야기시키는 것에 영향을 줄 임의의 결함들을 포함하지 않을 것으로 간주되었을 수도 있다. 레티클은 임의의 적당한 방식에 의해 실질적으로 열화 또는 결함들을 가지지 않는 것으로 검증되거나 정의될 수도 있다. 예를 들어, 레티클은 마스크 샵(mask shop)에서 제조될 때에 엄격하게 검사된다. 마스크 샵 검사는 다이-대-다이(die-to-die) 모드를 이용할 수도 있고, 여기서, 동일한 것으로 예상되는 레티클 상의 2 개의 다이들의 이미지들이 비교된다. 대안적으로, 마스크 샵 검사는 다이-대-데이터베이스(die-to-database) 검사를 이용할 수도 있고, 여기서, 레티클의 이미지는 마스크 데이터베이스와 비교된다. 레티클이 결함 없는 것으로 알려질 때, 트레이닝 영역들은 마스크-샵 검사의 일부로서 또는 마스크 샵 검사를 통과한 직후에 선택될 수 있다. 다음으로, 트레이닝 영역들은 후속 웨이퍼 팹 검사들을 위해 이용될 수 있다. 대안적으로, 이전에 검사된 레티클의 트레이닝 영역은 레티클의 작은 부분에서 결함을 조우할 확률이 작으므로, 검증 없이도 결함 없는 것으로 간주될 수도 있다. 예를 들어, 레티클의 이미지는 1012 개의 픽셀들을 포함할 수도 있고, 트레이닝 영역은 107 개의 픽셀들을 포함할 수도 있고, 레티클 상에 10 개의 결함들이 있을 수도 있다. 결함들 중의 하나가 트레이닝 영역에 있을 확률은 10-4이다.
광학적 검사 도구는 임의의 적당한 방식으로 레티클 영역들로부터 R 및 T 이미지들 또는 신호들을 얻기 위해 이용될 수도 있다. 예를 들어, 조명 광은 특별한 레티클 영역들을 향해 지향될 수도 있고, 다음으로, 레티클로부터 반사된 광은 하나 이상의 검출기 시스템들에 의해 검출될 수도 있다. 레티클 상의 불투명 및 반투명 구조들 또는 결함들은 광을 하나 이상의 검출기 시스템들로 다시 반사할 수도 있다. 어떤 조명 광 부분들은 또한, 투명 또는 반투명 패턴 또는 결함 부분들과 같은 레티클의 부분들을 통해 투과될 수도 있다. 이러한 투과된 광 부분들은 하나 이상의 검출기 시스템들에 의해 검출될 수도 있다. 투과되고 반사된 광은 동시에 또는 별도로 검출될 수도 있다.
동작(104)에서, 결함 없는 영역들의 추가적인 R 및/또는 T 이미지들은 하나 이상의 다른 동작 모드들 하에서 선택적으로 얻어질 수도 있다. 예를 들어, 초점, 조명 파장, 조명 동공 형상(illumination pupil shape), 집합 동공 형상(collection pupil shape), 조명 편광, 분석기 설정, 조명 또는 집합 동공의 개구수, 촬영 동공 필터 설정 등과 같은 상이한 동작 구성들은 R 및/또는 T 이미지들 또는 신호들의 상이한 세트들을 얻기 위해 이용될 수도 있다. (예컨대, 리소그래피 도구의 NA와 유사한) 낮은 개구수(numerical aperture; NA) 검사는 또한, T 및/또는 R 이미지들 또는 신호들을 집합시키기 위해 이용될 수도 있다. 예를 들어, 0.85의 NA에서의 레티클 평면 검사는 R 및 T 이미지들을 집합시키기 위해 이용될 수도 있고, 0.3375의 NA에서의 낮은 NA 검사는 T 이미지들을 집합시키기 위해 이용될 수도 있다.
다음으로, 동작(106)에서, 3D(또는 더 높은 차원의) 분류자는 결함 없는 트레이닝 영역들의 R 및 T 이미지들에 기초하여 형성될 수도 있다. 예를 들어, 3D 분류자의 차원들은 상이한 검사 모드에서 얻어졌던 R 및 T 이미지 값들과, R 및 T 이미지들의 어느 하나의 또 다른 세트로부터, 및/또는 R 또는 T 이미지들로부터 유도되는 다른 차원 값들로부터 형성될 수도 있다.
도 2는 본 발명의 하나의 실시형태에 따라 분류자를 형성하기 위한 절차를 예시하는 플로우차트이다. 먼저, 동작(202)에서, 트레이닝 세트로부터의 얻어진 R 및 T 이미지들은 정렬될 수도 있다. 동일한 레티클 위치에 대한 R 및 T 값들이 서로 정렬되도록, R & T 이미지들은 일반적으로 서로에 대해 정렬된다. 임의의 적당한 접근법은 검사들에 걸쳐 동일한 좌표계 또는 원점에 대해 이미지들을 정렬하기 위해 이용될 수도 있다. 예를 들어, 이미지들이 레티클 상의 동일한 원점에 관련하여 얻어지도록, 각각의 검사는 레티클을 정렬할 수 있다. 레티클 원점은 레티클을 정렬하기 위한 하나 이상의 기준 마크(reference mark)들의 형태를 취할 수도 있다. 정렬은 바람직하게는, 이미지 컴퓨터에 의해 픽셀 미만 분해능(sub pixel resolution)으로 수행된다. 이미지들은 그 상관을 최대화하기 위하여, 예컨대, 동기 필터(sync filter) 또는 푸리에 변환(Fourier transform)의 어느 하나를 이용하여 연속적으로 시프트될 수도 있다.
각각의 정렬된 이미지의 좌표들 (x,y)는 레티클 및 검출기 상의 특징의 위치를 표시한다. (x,y)에 대한 편리한 단위는 픽셀들이다. 통상적으로, (x,y)는 정수 값들을 가지지만, 이미지는 분수-픽셀 좌표들로 보간될 수 있다. R(x,y)는 반사된 광 강도 이미지를 나타낸다. 강도 R(x,y)는 그레이 스케일(gray scale)들 또는 ADC(analog to digital conversion; 아날로그 대 디지털 변환) 카운트들로 측정될 수도 있다. 유사하게, T(x,y)는 픽셀 (x,y)에서의 투과된 광 강도를 나타내고, 그레이 스케일들 또는 ADC 카운트들로 측정될 수 있다.
다음으로, 동작(203)에서, 이미지 베이스(image base)들은 정렬된 R 및 T 이미지들로부터 결정될 수도 있다. 이미지 베이스들은 하나 이상의 검사 모드들 및/또는 R 및/또는 T 이미지들의 다양한 변환들로부터 얻어진 하나 이상의 R 및/또는 T 이미지들과 같은 임의의 적당한 R 및/또는 T-기반 이미지들로부터 형성될 수도 있다. 또 다른 방법으로 말하면, 각각의 이미지 픽셀 (x,y)에는 정렬 후의 특징 벡터가 배정될 수도 있다. 이 벡터는 하나의 실시형태에서 3-튜플(three-tuple)일 수도 있다. 3-튜플에서의 수들 중의 2 개는 R 및 T 광 강도, R(x,y) 및 T(x,y) 일 수도 있다. 특정 실시형태들에서, 세 번째 수는 다음과 같이 정의된
Figure pct00002
중의 하나로서 정의될 수도 있다:
Figure pct00003
또 다른 베이스 이미지는 R(x,y) 및 T(x,y)에 적용된 선형 또는 비선형 이미지 변환에 의해 형성될 수 있다. 선형 변환의 일반적인 형태는 다음과 같다:
Figure pct00004
여기서, gR 및 gT는 2차원 필터들이고 연산자
Figure pct00005
는 2 차원 컨벌루션(2-dimensional convolution)을 표시한다.
다른 실시형태들에서, 세 번째 수는 R 또는 T 광 강도, 또는 (낮은 NA 또는 다른 동작 모드들과 같은) 상이한 검사 모드 하에서 집합된,
Figure pct00006
중의 임의의 하나일 수도 있다. 물론, 각각의 특징 벡터는 위에서 설명된 특징 값들 중의 임의의 것에 기초한 3 개를 초과하는 차원들을 가질 수도 있다. 이 수량들의 각각은 레티클로부터 집합된 이미지 또는 변환된 이미지에 대응할 수 있다. 이 이미지들의 집합은 "이미지 기본(image basis)"로서 지칭될 수 있거나, 이들 중의 하나는 베이스 이미지(base image) 또는 이미지 베이스로서 지칭될 수 있다. 상기 리스트는 이미지 베이스들의 완전한 리스트가 아니다.
동작(204)에서, 트레이닝 세트의 이미지 베이스들은 3D 공간(또는 더 높은 차원의 공간)의 복셀 인덱스들에 맵핑될 수도 있다. 복셀은 특징 벡터들의 세트이다. 도 3은 트레이닝 세트의 특징 벡터들이 특정 실시형태에 따라 맵핑되는 3D 특징 공간(300)의 예를 도시한다. 각각의 어레이 요소는 일반적으로 특징 벡터들의 세트(복셀)과 연관된다. 이 예에서, 특징 벡터들의 세트는 이미지 파라미터들
Figure pct00007
에 대응하고, 각각의 복셀의 중심은
Figure pct00008
의 별개의 값을 가진다. 각각의 복셀은 전형적으로, 중심 복셀 값에 추가하여, 희망하는 어레이 사이즈에 기초하여 선택될 수도 있는 다른 값들을 포함할 수도 있다.
어레이는 임의의 수의 복셀들을 가질 수도 있다. 예시된 어레이(300)는 256 x 256 x 128 복셀들을 가진다. 다른 복셀 차원들이 이용될 수도 있다. 이미지들 R(x,y), T(x,y)가 주어지면, 값들(
Figure pct00009
)은 이미지 값들을 복셀 인덱스들로 변환하기 위하여 스케일링될 수도 있다. 스케일링은 레티클의 검사 동안에 정적일 수 있다. 스케일링은 트레이닝 특징 벡터들에 대한 3-튜플들이 선택된 3차원 어레이 외부에 절대로 또는 거의 속하지 않도록 선택될 수도 있다.
동작(206)에서, 관찰 표시자는 복셀이 트레이닝 세트에서 관찰되는지 여부를 특정하기 위하여 3D 특징 공간의 각각의 복셀에 배정될 수도 있다. 즉, 각각의 복셀은 이러한 복셀이 트레이닝 세트로부터의 결함 없는 특징 벡터에 대응하는지 아닌지의 여부를 특정하는 표시자와 연관될 수 있다. 예를 들어, 각각의 복셀은 또한, 이러한 복셀이 트레이닝 세트에서 각각 관찰되었는지 또는 관찰되지 않았는지 여부를 표시하는 0 또는 1의 불리언 값(Boolean value)을 유지하도록(또는 이와 연관되도록) 구성될 수도 있다. 도시된 바와 같이, 복셀(302)은 결함 없는 트레이닝 레티클 영역으로부터의 비-결함 복셀에 대응하고 0의 값이 주어질 수도 있다. 대조적으로, 복셀들(304a 및 304b)은 비-결함 복셀들에 대응하지 않고 1의 값들이 주어질 수도 있다.
실시형태에서, 각각의 복셀에는 또한, 그것이 트레이닝 데이터에서 관찰되는 횟수가 배정될 수도 있다. 트레이닝 데이터에서 거의 관찰되지 않는 복셀들은 트레이닝 데이터로부터 제거되지 않았던 결함들로 인한 것일 수도 있다. 특정 구현예에서, m 회 보다 더 적게 관찰되며, 트레이닝 데이터에서 관찰되었던 가장 근접한 복셀까지의 d 복셀들보다 더 멀리 있는 복셀들은 트레이닝 데이터에서 절대로 관찰되지 않는 것으로서 취급될 수도 있다. 예를 들어, 트레이닝 세트에서 덜 빈번하게 발생하며 가장 근접한 트레이닝 세트 복셀로부터 상당한 거리에 있는 복셀들에는 1 불리언 값이 배정될 수도 있다. 파라미터들 n 및 d는, 과거 검증된 결과들에 기초하는, 각각 1 및 3과 같은 미리 결정된 값들일 수도 있다.
도 2를 다시 참조하면, 동작(208)에서, 트레이닝 세트 복셀들에서의 구멍들 또는 갭(gap)들은 비-결함 복셀들의 간단한 연속적인 영역들을 형성하기 위하여 메워질 수도 있다. 비-결함 복셀들은 하나 또는 몇몇 간단한 연결된 영역들을 형성할 것으로 예상된다. 트레이닝 동안의 불충분한 샘플링은 비-결함 복셀들의 세트에서 구멍들을 남길 수도 있다. 임의의 적당한 메우기 프로세스(healing process)는 이 구멍들을 채우기 위해 이용될 수도 있다.
메우기 프로세스는 트레이닝을 위한 2 회 업-샘플링된 이미지들을 이용하는 것을 포함할 수도 있다. 특별한 공간 주파수에서 샘플링되는 특별한 대역 제한된 신호에 대하여, 추가적인 포인트들이 나이퀴스트 이론(Nyquist's theorem)에 기초한 신호의 2 회 업-샘플링에서의 샘플 포인트들의 각각의 쌍 사이에서 보간될 수 있다. 상이한 레벨들의 업-샘플링이 이용될 수도 있다. 업-샘플링 이미지들은 포인트 클라우드(point cloud)에서 더욱 완전하게 채워질 것이고 비-결함 복셀들의 세트를 커버할 것이다. 대안적인 접근법에서, 이미지들 R(x,y) 및 T(x,y)는 더욱 보간된 샘플링 포인트들을 달성하기 위하여 분수 픽셀 사이즈의 동일한 벡터에 의해 시프트될 수도 있다. 다음으로, 시프트된 이미지들은 트레이닝 데이터에 첨부된다.
또 다른 메우는 예에서, 복셀들의 어레이는 라인을 따르는 시간에서 하나의 차원으로 스캐닝된다. 비-결함 복셀들 사이의 갭들은, 갭이 미리 결정된 값, 예컨대, 8 복셀들보다 더 좁을 경우에 "비-결함"으로 설정된다. 다른 값들이 이용될 수도 있다. 도 4는 트레이닝 세트에서 관찰되었던 비-결함 복셀들(401)을 가지는 복셀들의 어레이(400)를 예시한다. 비-결함 복셀 세트(401)는 전형적으로 3 차원일 것이지만, 복셀들(401)의 2D 표면만이 도시되어 있다. 비-결함 트레이닝 세트에서 존재하는 것으로 지정되었던 이 복셀들(401)은 단일의 복셀-폭(voxel-wide) 갭들(404a, 404b, 및 404c)을 가진다. 예를 들어, 복셀 갭(404b)은 비-결함 복셀들(402b 및 402a) 사이에 위치된다. 이 갭들은 단일 복셀과 각각 동일한 사이즈이므로, 이 갭 복셀들은 또한, 갭이 2 개 이상의 복셀들인 임계치일 경우에 트레이닝 세트에서 관찰되는 것으로서 지정될 수도 있다.
또 다른 예에서, 비-결함 복셀들의 영역은 8 개의 복셀들과 같은 k 복셀들에 의해 팽창될 수도 있고, 그 다음으로, k-복셀들에 의해 약화될 수도 있다. 팽창과 그 다음의 약화는 갭들을 채운다.
동작(210)에서, 거리 변환은 가장 근접한 비-결함 복셀까지의 이러한 복셀의 거리에 기초하여 각각의 복셀에 대해 수행될 수도 있다. 하나의 구현예에서, 트레이닝 동안에 관찰되었거나 비-결함으로서 지정되도록 메워졌던 복셀들에는 값 0이 배정된다. 제로(zero)가 배정되었던 복셀들에 인접한 복셀들에는 값 1이 배정된다. 1이 배정되는 것들에 인접하며, 지금까지 임의의 값이 배정되지 않았던 복셀들에는 값 2가 배정되고, 이하 등등과 같다. 이러한 방식으로, 각각의 복셀은 가장 근접한 비-결함 복셀까지의 그 거리에 의해 인코딩된다. 거리가 더 높을수록, 복셀이 결함을 표시할 가능성이 더 많다. 다른 타입들의 거리 값들이 구상된다. 예를 들어, 테스트 복셀 및 비-결함 복셀들 사이의 최단 유클리드 거리(Euclidian distance)가 이용될 수도 있다.
또 다른 실시형태에서, 복셀들은 1 또는 0의 불리언 값만을 가지지만, "비-결함" 복셀들의 영역은 오류-포지티브(false-positive) 결함 검출을 회피하기 위하여 팽창된다. 팽창은, "비-결함" 복셀들에 인접한 복셀들이 "비-결함" 값 (0)으로 설정되는 반면, 나머지 복셀들이 결함 값 (1)로 설정되는 것을 의미한다. 실시행태에서, 2 개의 복셀들은 이들이 공통의 정점(vertex)을 가질 경우에 인접한 것으로 고려된다. 3-차원들에서는, 각각의 복셀이 33-1=26 인접 복셀들을 가진다. 팽창은 재귀적으로 형성될 수 있다.
트레이닝 세트에 대하여 3D(또는 이를 초과하는) 특징 공간에서 복셀들을 프로세싱하는 것은 레티클의 알려지지 않은 영역들에서 결함들을 검출하기 위해 이용될 수 있는 분류자로 귀착될 것이다. 도 5는 본 발명의 어떤 실시형태들에 따라 4 개의 가능한 3D 분류자들(502, 504, 506, 및 508)을 도시한다. 상이한 분류자들은 상이한 특징 벡터들을 가진다. 임의의 3 개 이상의 이미지 베이스들은 3D(또는 이를 초과하는) 분류자를 형성하기 위해 이용될 수 있다. 예를 들어, 분류자(502)는 값들
Figure pct00010
에 대응하는 특징 벡터들을 가진다. 분류자(504)는 값들
Figure pct00011
에 대응하는 특징 벡터들을 가진다. 마찬가지로, 분류자(506)는 값들
Figure pct00012
에 대응하고, 분류자(308)는
Figure pct00013
에 대응한다.
3 차원들만이 예시된 분류자들에 대해 도시되어 있지만, 다른 차원들은 복수의 상이한 검사 모드들, 뷰들, 또는 R-기반 또는 T-기반 파라미터 값의 변환에 대응할 수도 있다. 예를 들어, 제 4 차원은 상이한 검사 모드에서의 T에 대응할 수 있다.
각각의 분류자는 비-결함 영역들을 표시하는 지정들과 연관되었던 복셀들의 세트를 포함한다. 예시된 분류자 예들에서, 어두운 영역(dark region)들은 비-결함 영역들에 대응한다. 예를 들어, 분류자(502)는 어두운 영역(예컨대, 502a)에서 비-결함 복셀들을 가진다. 이 비-결함 영역들 외부의 더 밝게 음영처리된 영역들은 영역(502b)과 같은 가능한 비-결함 영역들을 표시한다.
이 분류자들 중의 임의의 것은 테스트 벡터가 결함에 대응하는지 여부를 결정하기 위해 이용될 수 있다. 추가적으로, 하나를 초과하는 분류자가 함께 이용될 수 있다. 다수의 분류자들이 이용될 때, 그 결과들은 논리적 "or" 연산자 또는 논리적 "and" 연산자와 조합될 수 있다. 바람직한 실시형태에서, 결함은 분류자들 중의 적어도 하나가 결함을 검출할 경우에 식별될 수 있다. 또 다른 실시형태에서, 결함은 모든 분류자들이 결함을 검출할 때에 식별되기만 할 수 있다.
도 1을 다시 참조하면, 동작(108)에서, R 및 T 이미지들은 또한, 하나 이상의 동작 모드들을 이용하여 레티클의 알려지지 않은 테스트 영역들에 대해 얻어질 수도 있다. 예를 들어, 트레이닝 이미지 세트들을 얻기 위해 이용되었던 하나 이상의 동작 모드들은 레티클 테스트 영역들에 대한 R 및 T 이미지 세트들을 얻기 위해 이용될 수도 있다. 동작(110)에서, 3D 테스트 특징 공간은 또한, 얻어진 R 및 T 이미지들에 기초하여 형성될 수도 있고, 동작(112)에서, 3D 분류자는 레티클의 이러한 테스트 영역들에서 결함들을 발견하기 위하여 이러한 3D 테스트 특징 공간에 적용될 수도 있다.
검사 동안에, R(x,y) 및 T(x,y) 이미지들이 정렬된다. 테스트 이미지 베이스들이 계산되고, 복셀 인덱스들은 테스트 이미지 베이스들로부터 계산된다. 각각의 테스트 복셀 인덱스에 대하여, 다음으로, 대응하는 분류자 거리 값이 메모리로부터 취출될 수도 있다. 취출된 값은 테스트 이미지 픽셀 (x,y)가 레티클의 결함 또는 비-결함 부분의 어느 하나에 대응하는지 여부를 결정하기 위해 이용될 수 있다.
불리언 분류자 예에서, 특별한 테스트 영역 복셀이 비-결함 또는 결함인지 여부를 명확하게 표시하는 1 또는 0의 값이 취출된다. 등급화된 거리 접근법(graded distance approach)에서는, 비-결함 영역 복셀까지의 이러한 복셀의 거리에 관련 있는 변동하는 정수 값이 취출된다. 테스트 복셀이 이진(binary) "결함" 또는 "비-결함" 복셀인지 여부를 결정하기 위하여, 임계치가 취출된 등급화된 거리 값에 적용될 수도 있다. 예를 들어, 1 또는 2의 임계치가 이용될 수도 있다. 임계치의 값은 오류-포지티브 결함 검출의 확률을 감소시키기 위하여 증가될 수 있거나, 오류-네거티브(false-negative) 결함 검출의 확률을 감소시키기 위하여 감소될 수 있다. 임계치는 조작자에 의해 액세스가능한 소프트웨어 슬라이더(software slider)에 의해 선택될 수 있고, 알려진 샘플들 상의 결함들을 검출하기 위한 과거의 결과들에 기초하여 결정될 수 있다.
결함들이 발견된 후, 다음으로, 동작(114)에서, 레티클이 검사를 통과하는지 여부가 결정될 수도 있다. 예를 들어, 레티클이 결함이 있고 더 이상 이용될 수 없는지 여부를 결정하기 위하여, 각각의 발견된 결함은 (예컨대, 조작자에 의해) 주의 깊게 검토될 수도 있다. 특정 구현예에서, 레티클은 결함 복셀들의 사이즈 또는 빈도가 특별한 임계치를 초과할 때에 결함이 있는 것으로 간주될 수도 있다. 레티클이 통과하지 않을 경우, 동작(116)에서, 레티클은 수리되거나 또는 폐기될 수 있고, 검사는 종료된다. 레티클이 통과한 경우, 또는 레티클이 수리/폐기된 후에는, 검사 프로세스가 종료될 수도 있다. 레티클(수리되거나 통과한 레티클)이 다시 이용된 후, 레티클은 새로운 결함들에 대해 다시 검사될 수도 있다.
본 발명의 어떤 실시형태들은 (R,T) 평면만을 이용하는 2D 분류에 비해 개선을 제공한다. 도 6은 2D 및 3D 분류자 접근법 사이의 비교를 예시한다. 2D (R, T) 분류자는, 어두운 컬러 및 그레이 컬러로 된 영역들의 양자를 망라하는 비-결함 영역(604)을 포함할 수도 있다. 일반적으로, 2D 비-결함 영역은 (R,T) 평면 상으로의 3D 비-결함 영역들의 투영이다. 도시된 바와 같이, 결함(606)은 이 2D 비-결함 영역(604)에서 나타나고, 검출되지 않는다.
그러나, 제 3 차원이 투영 없이 고려될 때, 결함 검출은 결함 복셀이 비교될 수도 있는 (R,T) 평면에 평행한 3D 비-결함 분류자의 특별한 평면에 기초하여 결정된다. 도시된 바와 같이, 결함(606)에 대한 커트(cut)(교차점)는 비-결함 영역들(602a 및 602b)(그레이 컬러)만을 포함한다. 커트는 정의에 의한 투영의 서브세트이다. 결함(606)은 도 6에서 도시된 특별한 평면에서의 특별한 3D 위치에 대한 3D 비-결함 영역(602a 및 602b)의 외부에 있으므로, 결함이 검출된다. 요약하면, 결함(606)은 2D 분류자에 의해서가 아니라, 3D 분류자에 의해 검출될 수 있다. 따라서, 3D 분류자는 2D 분류자보다 감도가 더 크다.
높은 M-차원(3을 초과함) 분류자를 이용하는 대안적인 실시형태에서는, 메커니즘들이 M-차원 유클리드 분류자 공간을 파티셔닝하여 연산 및 저장 자원들의 이용을 최소화하기 위해 이용될 수 있다. 분류자 포인트 클라우드(classifier point cloud)는 임의의 적당한 방식으로 표현될 수도 있다. 예를 들어, 포인트 클라운드(특징 벡터들) 분류자는 복셀이 결함에 대응하는지 여부를 결정하기 위하여 더욱 효율적으로 검색될 수 있는 공간-파티셔닝 데이터 구조로서 편성될 수 있다. 파티셔닝된 데이터 구조들은 k-d 트리 및 그 변형들, R-트리 및 그 변형들, VP-트리 등을 포함할 수도 있지만, 이것으로 제한되지 않는다. 검사 동안에, 다음으로, 테스트 특징 벡터 및 분류자 포인트 클라우드 사이의 거리는 편성된 트리 구조를 이용하여 효율적으로 계산될 수 있다.
k-d 트리 파티셔닝 데이터 구조의 예에서, 매 노드는 k-차원 포인트이다. 매 비-리프(non-leaf) 노드에서, 분할 하이퍼평면은 특징 공간을 반-공간들로서 알려진 2 개의 부분들로 나누어진다. 이 하이퍼평면의 좌측으로의 포인트들은 그 노드의 좌측 서브트리에 의해 표현되고, 하이퍼평면의 우측으로의 포인트들은 우측 서브트리에 의해 표현된다. 트리에서의 매 노드를 k-차원들 중의 하나와 연관시키는 하이퍼평면 방향이 선택될 수 있고, 하이퍼평면은 그 차원의 축에 수직이다. 분할된 "x" 축선이 선택될 경우, 노드보다 더 작은 "x" 값을 갖는 서브트리에서의 모든 포인트들이 좌측 서브트리에서 나타날 것이고, 더 큰 "x" 값을 갖는 모든 포인트들이 우측 서브트리에 있을 것이다. 동일한 값 포인트들은 우측 또는 좌측 서브트리의 어느 하나에서 나타나도록 지정될 수 있다.
고차원 특징 공간은 또한, 이러한 고차원 특징 공간 상의 복수의 근사화된 작은 평탄한 표면들(또는 더 낮은 차원의 부분들)로부터 매니폴드를 구성하기 위하여 분석될 수 있다. 이 실시형태의 목적은 아핀-선형 서브공간들의 서브세트들의 집합에 의해 이 매니폴드를 근사화하는 것일 수도 있다. 예를 들어, 아핀-선형 서브공간들은 매니폴드 상에서 선택된 포인트들의 세트에서 매니폴드의 접선 서브공간들일 수 있다. 주어진 테스트 특징 벡터의 검사 동안, 테스트 포인트로부터 가장 근접한 아핀 선형 서브공간까지의 거리가 연산될 수 있다. 이 거리가 임계치보다 더 클 경우, 결함이 검출된다.
먼저, 특징 벡터들의 포인트 클라우드는 서로에 대해 가까운 포인트들로 클러스터링될 수 있다. 임의의 적당한 클러스터링 기법이 포인트들을 클러스터링하기 위하여 구현될 수도 있다. 일 예의 클러스터링 기법들은 k-평균, 연결성 모델들, 무게중심 모델들, 분포 모델들, 밀도 모델들, 서브공간 모델들, 그룹 모델들, 그래프-기반 모델들 등을 포함한다.
각각의 클러스터에 대하여, 클러스터 중심으로부터 클러스터에서의 특징 벡터들까지의 벡터들이 계산될 수도 있다. 이 벡터들의 주요한 성분들은 매니폴드에 대해 대략 접한다. 클러스터 중심을 포함하며 주요 성분들에 의해 걸쳐 이어지는 아핀-선형 공간 L은 클러스터 중심 중위의 매니폴드에 대한 근사화이다. 대안적으로, L에 걸쳐 이어지는 벡터들은 볼록 최적화(convex optimization)에 의해 결정될 수도 있다. 다음으로, L에 걸쳐 이어지는 클러스터 중심 및 벡터들이 저장된다.
도 7은 하나의 실시형태에 따라 비-결함 특징 벡터들로부터 구성된 매니폴드(702)를 예시한다. 예를 들어, 이 매니폴드(702)는 특징 벡터(704)를 포함한다. 검사 동안, 테스트 특징 벡터(701)가 주어지면, 이 테스트 특징 벡터(701)에 가장 가까운 클러스터 중심이 구해진다. 특징 벡터로부터 아핀-선형 공간 L(710)까지의 거리가 계산된다. 이 거리는 잔차 벡터(706)의 놈이다. 잔차 벡터(706)는 테스트 특징 벡터로부터 L 상의 직교 투영(708)까지의 벡터이다. 거리가 임계치를 초과할 경우, 결함이 검출된다.
비-결함 특징 벡터들을 아핀-선형 서브공간들의 서브세트들의 집합으로 근사화하기 위하여, 임의의 적당한 기법이 이용될 수도 있다. 예를 들어, 아핀-선형 서브공간들은 매니폴드 상에서 선택된 포인트들의 세트에서 매니폴드의 접선 서브공간들일 수 있다. 제 2 실시형태에서, 포인트 클라우드에서의 포인트들만큼 많은 수를 피팅하는 아핀 선형 공간은 최적화 문제를 해결함으로써 결정된다. 먼저, 아핀 선형 공간으로부터 포인트 클라우드에서의 포인트들까지의 거리들의 놈은 최소화될 수도 있다. 다음으로, 거리가 가장 큰 포인트 클라우드에서의 포인트들의 일부는 폐기될 수도 있다. 아핀 선형 서브공간들을 세분화하여 클라우드에서의 나머지 포인트들을 더욱 용이하게 피팅하기 위하여, 아핀 선형 공간으로부터 포인트 클라우드에서의 포인트들까지의 거리들의 또 다른 놈은 다시 최소화될 수도 있다. 이 프로세스는 아핀 선형 공간들의 새로운 세트가 미리-선택된 공차까지 나머지 포인트들에 피팅할 때까지 반복적으로 반복될 수도 있다. 하나의 아핀-선형 공간에 의해 양호하게 피팅되는 포인트들은 클러스터를 형성한다. 생성된 아핀-선형 공간들의 집합으로 양호하게 피팅되지 않는 임의의 특징 벡터들은 재피팅(refitting)을 위해 선택될 수도 있다. 새로운 아핀-선형 공간 및 이러한 공간과 연관된 클러스터는 이 선택된 특징 벡터들에 대해 구해질 수도 있다. 이 프로세스는 모든 특징 벡터들이 아핀-선형 서브공간들의 집합으로 근사화될 때까지 반복될 수도 있다.
본 발명의 어떤 실시형태들은 데이터베이스 없이 비-반복 패턴들을 검사할 때에 복잡도를 증가시키지 않으면서 개선된 감도를 갖는 검사 기법들을 제공한다.
레티클의 이미지들은 임의의 적당한 방식으로 셋업되는, 광학적 검사 시스템과 같은 임의의 검사 도구를 이용하여 얻어질 수도 있다. 검사 시스템은 일반적으로 동작 파라미터들의 세트 또는 "레시피(recipe)"로 셋업된다. 레시피 설정들은 다음의 설정들: 레티클을 특별한 패턴, 픽셀 사이즈로 스캐닝하기 위한 설정, 단일 신호들로부터의 인접한 신호들을 그룹화하기 위한 설정, 초점 설정, 조명 또는 검출 개구 설정, 입사 빔 각도 및 파장 설정, 검출기 설정, 반사되거나 투과된 광의 양에 대한 설정, 또는 본원에서 설명된 임의의 다른 설정 등 중의 하나 이상을 포함할 수도 있다. 반사 및 투과 모드들에 대한 설정들은 검사의 감도를 최대화하기 위하여 경험적으로 선택될 수도 있다. 트레이닝 및 테스트 레티클 영역들을 검사하기 위하여 동일한 레시피 및 동일한 도구를 이용하는 것이 바람직하다. 트레이닝 및 테스트 영역들에 대해 상이하지만, 양호하게-정합된(well-matched) 도구들을 이용하는 것이 가능하다.
검사 도구는 일반적으로, 이러한 검출된 광을 강도 값들에 대응하는 검출된 신호들로 변환하도록 동작가능할 수도 있다. 검출된 신호들은 레티클의 상이한 로케이션들에서의 상이한 강도 값들에 대응하는 진폭 값들을 가지는 전자기 파형의 형태를 취할 수도 있다. 검출된 신호들은 또한, 강도 값들의 간단한 리스트 및 연관된 레티클 포인트 좌표들의 형태를 취할 수도 있다. 검출된 신호들은 또한, 레티클 상의 상이한 위치들 또는 스캔 포인트들에 대응하는 상이한 강도 값들을 가지는 이미지의 형태를 취할 수도 있다. 레티클 이미지는 레티클의 모든 위치들이 스캐닝되고 검출된 신호들로 변환된 후에 생성될 수도 있거나, 각각의 레티클 부분은 전체의 레티클이 스캐닝된 후에 완성되는 최종 레티클 이미지로 스캐닝되므로, 레티클 이미지의 부분들이 생성될 수도 있다.
임의의 입사 또는 검출된 광 프로파일을 임의의 적당한 입사 각도들에서 생성하기 위하여, 입사 광 또는 검출된 광은 임의의 적당한 공간적 개구를 통과하게 될 수도 있다. 예들로서, 프로그래밍가능한 조명 또는 검출 개구들은 다이폴(dipole), 쿼드러폴(quadrapole), 퀘이사(quasar), 환형(annulus) 등과 같은 특별한 빔 프로파일을 생성하기 위하여 사용될 수도 있다. 특정 예에서, 소스 마스크 최적화(Source Mask Optimization; SMO) 또는 임의의 픽셀화된 조명 기법(pixelated illumination technique)이 구현될 수도 있다.
하나 이상의 레티클 부분들 또는 "패치(patch)들"의 각각의 세트에 대한 검출된 신호들에 대한 데이터는 병렬 패치 프로세서들로 전송될 수도 있다. 예를 들어, 제 1 패치에 대한 강도 값들은 제 1 프로세서로 전송될 수도 있고, 제 2 패치에 대한 강도 값들은 제 2 프로세서로 전송될 수도 있다. 대안적으로, 미리 정의된 수의 패치들에 대한 데이터는 개별적인 패치 프로세서들로 전송될 수도 있다.
본 발명의 기법들은 하드웨어 및/또는 소프트웨어의 임의의 적당한 조합으로 구현될 수도 있다. 도 8은 본 발명의 기법들이 구현될 수도 있는 일 예의 검사 시스템(800)의 개략적인 표현이다. 검사 시스템(800)은 검사 도구 또는 스캐너(도시되지 않음)로부터 입력(802)을 수신할 수도 있다. 검사 시스템은 또한, 수신된 입력(802)을 분배하기 위한 데이터 분배 시스템(예컨대, 804a 및 804b), 수신된 입력(802)의 특정 부분들/패치들을 프로세싱하기 위한 강도 신호(또는 패치) 프로세싱 시스템(예컨대, 패치 프로세서들 및 메모리(806a 및 806b)), 분류자를 생성하기 위한 분류자 생성기 시스템(예컨대, 분류자 생성기 프로세서 및 메모리(812)), 검사 시스템 구성부품들 사이의 통신을 허용하기 위한 네트워크(예컨대, 교환 네트워크(808)), 선택적인 대용량 저장 디바이스(816), 및 후보 결함들을 검토하기 위한 하나 이상의 검사 제어 및/또는 검토 스테이션들(예컨대, 810))을 포함할 수도 있다. 검사 시스템(800)의 각각의 프로세서는 전형적으로, 하나 이상의 마이크로프로세서 집적 회로들을 포함할 수도 있고, 또한, 인터페이스 및/또는 메모리 집적 회로들을 포함할 수도 있고, 하나 이상의 공유된 및/또는 글로벌 메모리 디바이스들에 추가적으로 결합될 수도 있다.
입력 데이터(802)를 생성하기 위한 스캐너 또는 데이터 획득 시스템(도시되지 않음)은 레티클(또는 다른 견본)의 강도 신호들 또는 이미지들을 획득하기 위한 (예컨대, 본원에서 추가로 설명된 바와 같은) 임의의 적당한 기기의 형태를 취할 수도 있다. 예를 들어, 스캐너는, 반사되거나, 투과되거나, 또는 이와 다르게 하나 이상의 광 센서들로 지향되는 검출된 광의 부분에 기초하여, 광학적 이미지를 구성할 수도 있거나, 레티클의 부분의 강도 값들을 생성할 수도 있다. 다음으로, 스캐너는 강도 값들을 출력할 수도 있거나, 이미지가 스캐너로부터 출력될 수도 있다.
강도 또는 이미지 데이터(802)는 네트워크(808)를 통해 데이터 분배 시스템에 의해 수신될 수 있다. 데이터 분배 시스템은, 수신된 데이터(802)의 적어도 부분을 유지하기 위한, RAM 버퍼들과 같은 하나 이상의 메모리 디바이스들과 연관될 수도 있다. 바람직하게는, 총 메모리가 데이터의 적어도 전체의 스와스(swath)를 유지하기에 충분할 정도로 크다. 예를 들어, 메모리의 1 기가바이트(gigabyte)는 백만(million) 대 1000 픽셀들 또는 포인트들인 패치들의 레티클 스와스에 대해 양호하게 작동한다.
데이터 분배 시스템(예컨대, 804a 및 804b)은 또한, 프로세서들(806a 및 806b)로의 수신된 입력 데이터(802)의 부분들의 분배를 제어할 수도 있다. 예를 들어, 데이터 분배 시스템은 제 1 패치에 대한 데이터를 제 1 패치 프로세서(806a)로 라우팅할 수도 있고, 제 2 패치에 대한 데이터를 패치 프로세서(806b)로 라우팅할 수도 있다. 다수의 패치들에 대한 데이터의 다수의 세트들은 또한, 각각의 패치 프로세서로 라우팅될 수도 있다.
패치 프로세서들은 레티클의 적어도 부분 또는 패치에 대응하는 강도 값들 또는 이미지를 수신할 수도 있다. 패치 프로세서들은 또한, 수신된 데이터 부분을 유지하는 것과 같은 로컬 메모리 기능들을 제공하는 DRAM 디바이스들과 같은 하나 이상의 메모리 디바이스들(도시되지 않음)에 각각 결합될 수도 있거나 이 메모리 디바이스들과 함께 각각 집적될 수도 있다. 바람직하게는, 메모리는 레티클의 패치에 대응하는 데이터를 유지할 정도로 충분히 크다. 예를 들어, 메모리의 8 메가바이트(megabyte)들은 512 대 1024 픽셀들인 패치에 대응하는 강도 값들 또는 이미지에 대해 양호하게 작동한다. 대안적으로, 패치 프로세서들은 메모리를 공유할 수도 있다.
입력 데이터(802)의 각각의 세트는 레티클의 스와스에 대응할 수도 있다. 데이터의 하나 이상의 세트들은 데이터 분배 시스템의 메모리 내에 저장될 수도 있다. 이 메모리는 데이터 분배 시스템 내의 하나 이상의 프로세서들에 의해 제어될 수도 있고, 메모리는 복수의 파티션들로 나누어질 수도 있다. 예를 들어, 데이터 분배 시스템은 제 1 메모리 파티션(도시되지 않음)의 스와스로의 부분에 대응하는 데이터를 수신할 수도 있고, 데이터 분배 시스템은 제 2 메모리 파티션(도시되지 않음)으로의 또 다른 스와스에 대응하는 또 다른 데이터를 수신할 수도 있다. 바람직하게는, 데이터 분배 시스템의 메모리 파티션들의 각각은 이러한 메모리 파티션과 연관된 프로세서로 라우팅되어야 하는 데이터의 부분들을 유지하기만 한다. 예를 들어, 데이터 분배 시스템의 제 1 메모리 파티션은 제 1 데이터를 유지할 수도 있으며 제 1 데이터를 패치 프로세서(806a)로 라우팅할 수도 있고, 제 2 메모리 파티션은 제 2 데이터를 유지할 수도 있으며 제 2데이터를 패치 프로세서(806b)로 라우팅할 수도 있다.
데이터 분배 시스템은 데이터의 임의의 적당한 파라미터들에 기초하여 데이터의 각각의 세트를 정의하고 분배할 수도 있다. 예를 들어, 데이터는 레티클 상의 패치의 대응하는 위치에 기초하여 정의되고 분배될 수도 있다. 하나의 실시형태에서, 각각의 스와스는 스와스 내의 픽셀들의 수평 위치들에 대응하는 컬럼 위치(column) 위치들의 범위와 연관된다. 예를 들어, 스와스의 컬럼들 0 내지 256은 제 1 패치에 대응할 수도 있고, 이 컬럼들 내의 픽셀들은, 하나 이상의 패치 프로세서들로 라우팅되는 제 1 이미지 또는 강도 값들의 세트를 포함할 것이다. 마찬가지로, 스와스의 컬럼들 257 내지 512는 제 2 패치에 대응할 수도 있고, 이 컬럼들에서의 픽셀들은, 상이한 패치 프로세서(들)로 라우팅되는 제 2 이미지 또는 강도 값들의 세트를 포함할 것이다.
도 9a는 어떤 실시형태들에 따라 마스크 패턴을 포토마스크(M)로부터 웨이퍼(W) 상으로 전사하기 위해 이용될 수 있는 전형적인 리소그래픽 시스템(900)의 간략화된 개략적인 표현이다. 이러한 시스템들의 예들은 스캐너들 및 스텝퍼(stepper)들, 더욱 구체적으로, 네덜란드의 벨드호븐(Veldhoven)에서의 ASML로부터 입수가능한 PAS 5500 시스템을 포함한다. 일반적으로, 조명 소스(903)는 광 빔을 조명 광학기기(907)(예컨대, 렌즈(905))를 통해 마스크 평면(902)에서 위치된 포토마스크(M) 상으로 지향시킨다. 조명 렌즈(905)는 그 평면(902)에서 개구수(901)를 가진다. 개구수(901)의 값은 포토마스크 상의 어느 결함들이 리소그래픽에 중요한 결함들인지와, 어느 것들이 그렇지 않은지에 영향을 준다. 포토마스크(M)를 통과하는 빔의 부분은 패턴 전사를 개시시키기 위하여 촬영 광학기기(913)를 통해 그리고 웨이퍼(W) 상으로 지향되는 패터닝된 광학 신호를 형성한다.
도 9b는 어떤 실시형태들에 따라 레티클 평면(952)에서 상대적으로 큰 개구수(951b)를 갖는 촬영 렌즈를 포함하는 조명 광학기기(951a)를 가지는 일 예의 검사 시스템(950)의 개략적인 표현을 제공한다. 도시된 검사 시스템(950)은, 개량된 검사를 위하여 예를 들어, 60 내지 200X 배율을 제공하도록 설계된 현미경 배율 광학기기를 포함하는 검출 광학기기(953a 및 953b)를 포함한다. 예를 들어, 검사 시스템의 레티클 평면(952)에서의 개구수(951b)는 리소그래피 시스템(900)의 레티클 평면(902)에서의 개구수(901)보다 더 큰 것으로 고려가능할 수도 있고, 이것은 테스트 검사 이미지들 및 실제적인 인쇄된 이미지들 사이의 차이들로 귀착될 것이다.
본원에서 설명된 검사 기법들은 도 9b에서 개략적으로 예시된 것과 같은 다양한 특수하게 구성된 검사 시스템들 상에서 구현될 수도 있다. 예시된 시스템(950)은 조명 광학기기(951a)를 통해 레티클 평면(952)에서의 포토마스크(M) 상으로 지향되는 광 빔을 생성하는 조명 소스(960)를 포함한다. 위에서 설명된 바와 같이, 검사 시스템(950)은 대응하는 리소그래피 시스템의 레티클 평면 개구수(예컨대, 도 9a에서의 요소(901))보다 더 클 수도 있는 레티클 평면(952)에서의 개구수(951b)를 가질 수도 있다. 검사되어야 할 포토마스크(M)는 레티클 평면(952)에서 마스크 스테이지(mask stage) 상에 놓여지고 소스에 노출된다.
마스크(M)로부터의 투과된 이미지는, 패터닝된 이미지를 센서(954a) 상으로 투영하는 광학 요소들(953a)의 집합을 통해 지향된다. 광학 요소들(예컨대, 빔 분할기(976) 및 검출 렌즈(978))은 반사된 광을 센서(954b) 상으로 지향하여 캡처하도록 배열된다. 적당한 센서들은 전하 결합 소자들(charged coupled devices; CCD), CCD 어레이들, 시간 지연 적분(time delay integration; TDI) 센서들, TDI 센서 어레이들, 포토멀티플라이어 튜브(photomultiplier tube; PMT)들, 및 다른 센서들을 포함한다.
조명 광학기기 컬럼은 마스크 스테이지에 대하여 이동될 수도 있고, 및/또는 스테이지는 레티클의 패치들을 스캐닝하기 위하여 임의의 적당한 기구에 의해 검출기 또는 카메라에 관련하여 이동될 수도 있다. 예를 들어, 모터 기구는 스테이지를 이동시키기 위하여 사용될 수도 있다. 모터 기구는 예들로서, 나사 구동부(screw drive) 및 스텝퍼 모터(stepper motor), 피드백 위치를 갖는 선형 구동부, 또는 밴드 액츄에이터(band actuator) 및 스텝퍼 모터로 형성될 수도 있다.
각각의 센서(예컨대, 954a 및/또는 954b)에 의해 캡처된 신호들은 컴퓨터 시스템(973)에 의해, 또는 더욱 일반적으로, 각각의 센서로부터의 아날로그 신호들을 프로세싱을 위한 디지털 신호들로 변환하도록 구성된 아날로그-대-디지털 변환기를 각각 포함하는 하나 이상의 신호 프로세싱 디바이스들에 의해 프로세싱될 수 있다. 컴퓨터 시스템(973)은 전형적으로, 적절한 버스들 또는 다른 통신 메커니즘들을 통해 입력/출력 포트들 및 하나 이상의 메모리들에 결합된 하나 이상의 프로세서들을 가진다.
컴퓨터 시스템(973)은 또한, 변경되는 초점 및 다른 검사 레시피 파라미터들과 같은 사용자 입력을 제공하기 위한 하나 이상의 입력 디바이스들(예컨대, 키보드, 마우스, 조이스틱)을 포함할 수도 있다. 컴퓨터 시스템(973)은 또한, 예를 들어, 샘플 위치를 제어(예컨대, 포커싱 및 스캐닝)하기 위한 스테이지에 접속될 수도 있고, 다른 검사 파라미터들 및 이러한 검사 시스템 구성부품들의 구성들을 제어하기 위한 다른 검사 시스템 구성부품들에 접속될 수도 있다.
컴퓨터 시스템(973)은 결과적인 강도 값들, 이미지들, 및 다른 검사 결과들을 디스플레이하기 위한 사용자 인터페이스(예컨대, 컴퓨터 스크린)을 제공하도록 (예컨대, 프로그래밍 명령들로) 구성될 수도 있다. 컴퓨터 시스템(973)은 3D(또는 이를 초과함) 분류자 또는 3D(또는 이를 초과함) 테스트 특징 공간을 생성하고, 반사 및/또는 투과된 감지된 광 빔의 강도, 위상, 및/또는 다른 특성들을 분석하도록 구성될 수도 있다. 컴퓨터 시스템(973)은 결과적인 강도 값들, 이미지들, 및 다른 검사 특성들을 디스플레이하기 위한 사용자 인터페이스(예컨대, 컴퓨터 스크린)을 제공하도록 (예컨대, 프로그래밍 명령들로) 구성될 수도 있다. 어떤 실시형태들에서, 컴퓨터 시스템(973)은 위에서 설명된 검사 기법들을 수행하도록 구성된다.
이러한 정보 및 프로그램 명령들은 특수하게 구성된 컴퓨터 시스템 상에서 구현될 수도 있으므로, 이러한 시스템은 비-일시적인(non-transitory) 컴퓨터 판독가능한 매체들 상에 저장될 수 있는 본원에서 설명된 다양한 동작들을 수행하기 위한 프로그램 명령들/컴퓨터 코드를 포함한다. 머신-판독가능한 매체들(machine-readable media)의 예들은 하드 디스크들, 플로피 디스크들, 및 자기 테이프와 같은 자기 매체들; CD-ROM 디스크들과 같은 광학적 매체들; 광학 디스크들과 같은 자기-광학적 매체들; 및 판독-전용 메모리 디바이스들(ROM) 및 랜덤 액세스 메모리(RAM)와 같이, 프로그램 명령들을 저장하고 수행하도록 특수하게 구성되는 하드웨어 디바이스들을 포함하지만, 이것으로 제한되지 않는다. 프로그램 명령들의 예들은 컴파일러(compiler)에 의해 생성된 것과 같은 머신 코드(machine code)와, 인터프리터(interpreter)를 이용하여 컴퓨터에 의해 실행될 수도 있는 더욱 하이 레벨 코드를 포함하는 파일들의 양자를 포함한다.
어떤 실시형태들에서, 포토마스크를 검사하기 위한 시스템은 본원에서 설명된 기법들을 수행하도록 구성되는 적어도 하나의 메모리 및 적어도 하나의 프로세서를 포함한다. 검사 시스템의 하나의 예는 캘리포니아(California), 밀피타스(Milpitas)의 KLA-Tencor로부터 입수가능한 특수하게 구성된 TeraScan™ DUV 검사 시스템을 포함한다.
상기한 발명은 이해의 명확성의 목적들을 위하여 약간 상세하게 설명되었지만, 어떤 변경들 및 변형들은 첨부된 청구항들의 범위 내에서 실시될 수도 있는 것이 명백할 것이다. 본 발명의 프로세스들, 시스템들, 및 장치를 구현하는 많은 대안적인 방법들이 있다는 것에 주목해야 한다. 따라서, 본 실시형태들은 한정적인 것이 아니라 예시적인 것으로서 고려되어야 하고, 발명은 본원에서 주어진 세부사항들로 제한되지 않아야 한다.

Claims (26)

  1. 포토리소그래픽 레티클을 검사하는 방법으로서,
    하나 이상의 동작 모드들에서 검사 시스템을 이용하여 레티클의 복수의 트레이닝 영역(training region)들의 이미지들을 얻는 단계로서, 상기 트레이닝 영역들은 결함 없는 것으로서 식별되는 상기 이미지들을 얻는 단계와,
    상기 트레이닝 영역들의 상기 이미지들로부터 3 개 이상의 기본 트레이닝 이미지(basis training image)들을 유도하는 단계와,
    상기 3 개 이상의 기본 트레이닝 이미지들에 기초하여 분류자를 형성하는 단계와,
    상기 하나 이상의 동작 모드들에서 상기 검사 시스템을 이용하여, 레티클의 복수의 테스트 영역들의 이미지들을 얻는 단계와,
    상기 테스트 영역들로부터 3 개 이상의 기본 테스트 이미지들을 유도하는 단계와,
    상기 테스트 영역들에서 결함들을 발견하기 위하여, 상기 분류자를 상기 3 개 이상의 기본 테스트 이미지들에 적용하는 단계를 포함하는 포토리소그래픽 레티클을 검사하는 방법.
  2. 제 1 항에 있어서,
    상기 분류자를 형성하는 단계는,
    상기 3 개 이상의 기본 트레이닝 이미지들을 3 이상의 차원의 공간의 복수의 복셀(voxel)들에 맵핑하는 단계와,
    이러한 복셀이 상기 트레이닝 세트에서 관찰되는 비-결함 복셀로서 정의되는지 여부를 특정하기 위하여, 관찰 표시자를 각각의 복셀에 배정하는 단계를 포함하는 것인 포토리소그래픽 레티클을 검사하는 방법.
  3. 제 2 항에 있어서,
    상기 분류자를 형성하는 단계는,
    이러한 복셀이 상기 트레이닝 세트에서 관찰되지 않는 것을 특정하는 것으로부터, 이러한 복셀이 비-결함 복셀인 것을 특정하는 것으로 각각의 구멍의 각각의 복셀의 표시자를 변경함으로써, 상기 비-결함 복셀들에서의 복수의 구멍들을 메우는 단계를 더 포함하는 것인 포토리소그래픽 레티클을 검사하는 방법.
  4. 제 3 항에 있어서,
    상기 분류자를 형성하는 단계는,
    비-결함 복셀까지의 이러한 복셀의 거리에 기초하여 거리 값을 각각의 복셀에 배정하기 위하여 거리 변환을 수행하는 단계를 더 포함하는 것인 포토리소그래픽 레티클을 검사하는 방법.
  5. 제 4 항에 있어서,
    결함은 특별한 복셀이 미리 정의된 임계치를 초과하는 거리 값을 가질 때에 발견되는 것인 포토리소그래픽 레티클을 검사하는 방법.
  6. 제 1 항에 있어서,
    상기 3 개 이상의 기본 트레이닝 이미지들의 복수의 상이한 세트들에 기초하여 복수의 분류자들의 각각을 형성하는 단계와,
    상기 테스트 영역들에서 결함들을 발견하기 위하여 상기 복수의 분류자들을 상기 3 개 이상의 기본 테스트 이미지들에 적용하는 단계를 더 포함하는 포토리소그래픽 레티클을 검사하는 방법.
  7. 제 1 항에 있어서,
    상기 분류자로부터 공간-파티셔닝 데이터 구조를 형성하는 단계를 더 포함하는 포토리소그래픽 레티클을 검사하는 방법.
  8. 제 2 항에 있어서,
    상기 분류자를 형성하는 단계는, 아핀-선형(affine-linear) 공간들의 서브세트들의 집합을 갖는 상기 비-결함 복셀들에 대응하는 특징 벡터들의 세트를 근사화하는 단계를 포함하는 것인 포토리소그래픽 레티클을 검사하는 방법.
  9. 제 1 항에 있어서,
    상기 분류자를 형성하는 단계는,
    상기 기본 트레이닝 이미지들에 기초하는 특징 벡터들의 세트를 복수의 클러스터들로 클러스터링하는 단계와,
    각각의 클러스터의 특징 벡터들의 클러스터 중심을 결정하는 단계와,
    각각의 클러스터에 대하여, 각각의 클러스터 중심으로부터 상기 클러스터의 특징 벡터들까지의 복수의 클러스터 벡터들을 결정하는 단계와,
    각각의 클러스터에 대하여, 상기 클러스터의 클러스터 중심을 포함하며 상기 클러스터의 클러스터 벡터들의 복수의 주요 성분들에 의해 걸쳐 이어지는 아핀-선형 공간을 결정하는 단계를 포함하고,
    상기 분류자를 상기 3 개 이상의 기본 테스트 이미지들에 적용하는 단계는 상기 3 개 이상의 기본 테스트 이미지들의 각각의 테스트 벡터 및 가장 근접한 아핀-선형 공간 사이의 거리에 기초하는 것인 포토리소그래픽 레티클을 검사하는 방법.
  10. 제 1 항에 있어서,
    상기 분류자를 형성하는 단계는,
    아핀 선형 공간으로부터, 상기 3 개 이상의 기본 트레이닝 이미지들로부터의 복수의 특징 벡터들까지의 거리들의 놈(norm)을 최소화하는 단계와,
    거리가 최고인 상기 특징 벡터들의 세트를 폐기하는 단계와,
    복수의 아핀-선형 공간들을 세분화하여, 상기 특징 벡터들이 미리 정의된 공차 레벨 내에서 상기 아핀-선형 공간들의 최종 세트에 피팅(fitting)될 때까지 상기 특징 벡터들 중의 나머지 특징 벡터들을 더욱 양호하게 피팅하기 위하여, 거리의 상기 놈을 최소화하기 위한 단계를 반복하는 단계를 포함하는 것인 포토리소그래픽 레티클을 검사하는 방법.
  11. 제 1 항에 있어서,
    상기 분류자는 투과 이미지 값, 반사 이미지 값, 및 투과 또는 반사 이미지 값의 변환에 기초한 변환된 이미지 값을 각각 가지는 특징 벡터들의 3 이상의 차원들을 포함하는 것인 포토리소그래픽 레티클을 검사하는 방법.
  12. 제 11 항에 있어서,
    각각의 변환된 이미지 값은 다음:
    Figure pct00014
    중의 하나에 의해 결정되고, T는 투과 이미지 값이고, R은 반사 이미지 값인 것인 포토리소그래픽 레티클을 검사하는 방법.
  13. 제 1 항에 있어서,
    상기 하나 이상의 동작 모드들은 다음의 품질들 또는 수량들: 반사 모드, 투과 모드, 명시야 모드(brightfield mode), 암시야 모드(darkfield mode), 조명 개구수(illumination numerical aperture), 조명 동공 패턴(illumination pupil pattern), 조명 편광(illumination polarization), 집합 개구수(collection numerical aperture), 집합 동공 필터 진폭 및 위상, 집합 분석기(collection analyzer), 및 초점 중의 하나 이상에서 차별화하도록 선택가능한 것인 포토리소그래픽 레티클을 검사하는 방법.
  14. 포토리소그래픽 레티클을 검사하기 위한 검사 시스템으로서,
    상기 시스템은 다음의 동작들,
    상기 검사 시스템의 하나 이상의 동작 모드들에서, 레티클의 복수의 트레이닝 영역들의 이미지들을 얻는 동작으로서, 상기 트레이닝 영역들은 결함 없는 것으로서 식별되는, 상기 이미지들을 얻는 동작과,
    상기 트레이닝 영역들의 상기 이미지들로부터 3 개 이상의 기본 트레이닝 이미지들을 유도하는 동작과,
    상기 3 개 이상의 기본 트레이닝 이미지들에 기초하여 분류자를 형성하는 동작과,
    상기 하나 이상의 동작 모드들에서, 레티클의 복수의 테스트 영역들의 이미지들을 얻는 동작과,
    상기 테스트 영역들로부터 3 개 이상의 기본 테스트 이미지들을 유도하는 동작과,
    상기 테스트 영역들에서 결함들을 발견하기 위하여, 상기 분류자를 상기 3 개 이상의 기본 테스트 이미지들에 적용하는 동작을 수행하도록 구성되는 적어도 하나의 메모리 및 적어도 하나의 프로세서를 포함하는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  15. 제 14 항에 있어서,
    상기 분류자를 형성하는 동작은,
    상기 3 개 이상의 기본 트레이닝 이미지들을 3 이상의 차원의 공간의 복수의 복셀들에 맵핑하는 동작과,
    이러한 복셀이 상기 트레이닝 세트에서 관찰되는 비-결함 복셀로서 정의되는지 여부를 특정하기 위하여, 관찰 표시자를 각각의 복셀에 배정하는 동작을 포함하는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  16. 제 15 항에 있어서,
    상기 분류자를 형성하는 동작은,
    이러한 복셀이 상기 트레이닝 세트에서 관찰되지 않는 것을 특정하는 것으로부터, 이러한 복셀이 비-결함 복셀인 것을 특정하는 것으로 각각의 구멍의 각각의 복셀의 표시자를 변경함으로써, 상기 비-결함 복셀들에서의 복수의 구멍들을 메우는 동작을 더 포함하는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  17. 제 16 항에 있어서,
    상기 분류자를 형성하는 동작은,
    비-결함 복셀까지의 이러한 복셀의 거리에 기초하여 거리 값을 각각의 복셀에 배정하기 위하여 거리 변환을 수행하는 동작을 더 포함하는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  18. 제 17 항에 있어서,
    결함은 특별한 복셀이 미리 정의된 임계치를 초과하는 거리 값을 가질 때에 발견되는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  19. 제 14 항에 있어서,
    상기 적어도 하나의 메모리 및 상기 적어도 하나의 프로세서는,
    상기 3 개 이상의 기본 트레이닝 이미지들의 복수의 상이한 세트들에 기초하여 복수의 분류자들의 각각을 형성하고,
    상기 테스트 영역들에서 결함들을 발견하기 위하여 상기 복수의 분류자들을 상기 3 개 이상의 기본 테스트 이미지들에 적용하기 위해 또한 구성되는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  20. 제 14 항에 있어서,
    상기 적어도 하나의 메모리 및 상기 적어도 하나의 프로세서는 상기 분류자로부터 공간-파티셔닝 데이터 구조를 형성하기 위해 또한 구성되는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  21. 제 15 항에 있어서,
    상기 분류자를 형성하는 동작은, 아핀-선형 공간들의 서브세트들의 집합을 갖는 상기 비-결함 복셀들에 대응하는 특징 벡터들의 세트를 근사화하는 동작을 포함하는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  22. 제 14 항에 있어서,
    상기 분류자를 형성하는 동작은,
    상기 기본 트레이닝 이미지들에 기초하는 특징 벡터들의 세트를 복수의 클러스터들로 클러스터링하는 동작과,
    각각의 클러스터의 특징 벡터들의 클러스터 중심을 결정하는 동작과,
    각각의 클러스터에 대하여, 각각의 클러스터 중심으로부터 상기 클러스터의 특징 벡터들까지의 복수의 클러스터 벡터들을 결정하는 동작과,
    각각의 클러스터에 대하여, 상기 클러스터의 클러스터 중심을 포함하며 상기 클러스터의 클러스터 벡터들의 복수의 주요 성분들에 의해 걸쳐 이어지는 아핀-선형 공간을 결정하는 동작을 포함하고,
    상기 분류자를 상기 3 개 이상의 기본 테스트 이미지들에 적용하는 동작은, 상기 3 개 이상의 기본 테스트 이미지들의 각각의 테스트 벡터 및 가장 근접한 아핀-선형 공간 사이의 거리에 기초하는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  23. 제 14 항에 있어서,
    상기 분류자를 형성하는 동작은,
    아핀 선형 공간으로부터, 상기 3 개 이상의 기본 트레이닝 이미지들로부터의 복수의 특징 벡터들까지의 거리들의 놈을 최소화하는 동작과
    거리가 최고인 상기 특징 벡터들의 세트를 폐기하는 동작과,
    복수의 아핀-선형 공간들을 세분화하여, 상기 특징 벡터들이 미리 정의된 공차 레벨 내에서 상기 아핀-선형 공간들의 최종 세트에 피팅될 때까지 상기 특징 벡터들 중의 나머지 특징 벡터들을 더욱 양호하게 피팅하기 위하여, 거리의 상기 놈을 최소화하기 위한 단계를 반복하는 동작을 포함하는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  24. 제 14 항에 있어서,
    상기 분류자는 투과 이미지 값, 반사 이미지 값, 및 투과 또는 반사 이미지 값의 변환에 기초한 변환된 이미지 값을 각각 가지는 특징 벡터들의 3 이상의 차원들을 포함하는 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  25. 제 24 항에 있어서,
    각각의 변환된 이미지 값은 다음:
    Figure pct00015
    중의 하나에 의해 결정되고, T는 투과 이미지 값이고, R은 반사 이미지 값인 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
  26. 제 14 항에 있어서,
    상기 하나 이상의 동작 모드들은 다음의 품질들 또는 수량들: 반사 모드, 투과 모드, 명시야 모드, 암시야 모드, 조명 개구수, 조명 동공 패턴, 조명 편광, 집합 개구수, 집합 동공 필터 진폭 및 위상, 집합 분석기, 및 초점 중의 하나 이상에서 차별화하도록 선택가능한 것인 포토리소그래픽 레티클을 검사하기 위한 검사 시스템.
KR1020157035225A 2013-05-14 2014-05-13 레티클들을 검사하기 위한 머신 학습 방법 및 장치 KR102100007B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361823156P 2013-05-14 2013-05-14
US61/823,156 2013-05-14
US14/274,972 2014-05-12
US14/274,972 US9430824B2 (en) 2013-05-14 2014-05-12 Machine learning method and apparatus for inspecting reticles
PCT/US2014/037915 WO2014186407A2 (en) 2013-05-14 2014-05-13 Machine learning method and apparatus for inspecting reticles

Publications (2)

Publication Number Publication Date
KR20160007630A true KR20160007630A (ko) 2016-01-20
KR102100007B1 KR102100007B1 (ko) 2020-04-10

Family

ID=51895827

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020157035225A KR102100007B1 (ko) 2013-05-14 2014-05-13 레티클들을 검사하기 위한 머신 학습 방법 및 장치

Country Status (4)

Country Link
US (3) US9430824B2 (ko)
KR (1) KR102100007B1 (ko)
TW (1) TWI614570B (ko)
WO (1) WO2014186407A2 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10222690B2 (en) 2016-09-30 2019-03-05 Samsung Electronics Co., Ltd. Method of optimizing a mask using pixel-based learning and method for manufacturing a semiconductor device using an optimized mask
KR20190048605A (ko) * 2017-10-31 2019-05-09 삼성에스디에스 주식회사 기계 학습 기반의 분류 방법 및 그 장치

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6029494B2 (ja) * 2012-03-12 2016-11-24 キヤノン株式会社 インプリント方法およびインプリント装置、それを用いた物品の製造方法
JP6074272B2 (ja) * 2013-01-17 2017-02-01 キヤノン株式会社 画像処理装置および画像処理方法
US9430824B2 (en) 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
US9860200B1 (en) * 2014-08-27 2018-01-02 Google Llc Message suggestions
WO2016083897A2 (en) * 2014-11-24 2016-06-02 Kitov Systems Ltd. Automated inspection
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
US10140698B2 (en) * 2015-08-10 2018-11-27 Kla-Tencor Corporation Polygon-based geometry classification for semiconductor mask inspection
US9904995B2 (en) * 2015-12-09 2018-02-27 Applied Materials Israel, Ltd. System and method for patch based inspection
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
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10620618B2 (en) * 2016-12-20 2020-04-14 Palantir Technologies Inc. Systems and methods for determining relationships between defects
US20190238796A1 (en) 2017-05-11 2019-08-01 Jacob Nathaniel Allen Object Inspection System And Method For Inspecting An Object
US11270430B2 (en) * 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
WO2019006222A1 (en) * 2017-06-30 2019-01-03 Kla-Tencor Corporation SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS
US11275361B2 (en) 2017-06-30 2022-03-15 Kla-Tencor Corporation Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
US10275872B2 (en) 2017-08-24 2019-04-30 Applied Materials Israel Ltd. Method of detecting repeating defects and system thereof
US11257207B2 (en) 2017-12-28 2022-02-22 Kla-Tencor Corporation Inspection of reticles using machine learning
DE102018207880A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
CN108764154B (zh) * 2018-05-30 2020-09-08 重庆邮电大学 一种基于多特征机器学习的水面垃圾识别方法
JP7144244B2 (ja) * 2018-08-31 2022-09-29 株式会社日立ハイテク パターン検査システム
US10825650B2 (en) * 2018-09-28 2020-11-03 Taiwan Semiconductor Manufacturing Co., Ltd. Machine learning on wafer defect review
US11301748B2 (en) * 2018-11-13 2022-04-12 International Business Machines Corporation Automatic feature extraction from aerial images for test pattern sampling and pattern coverage inspection for lithography
GB2580629B (en) * 2019-01-17 2023-02-15 Smiths Heimann Sas Classifier using data generation
DE102019102484A1 (de) * 2019-01-31 2020-08-06 Carl Zeiss Smt Gmbh Verarbeitung von dreidimensionalen Bilddatensätzen
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
US11061318B2 (en) 2019-02-28 2021-07-13 Taiwan Semiconductor Manufacturing Co., Ltd. Lithography model calibration
CN109948683B (zh) * 2019-03-12 2021-07-27 百度在线网络技术（北京）有限公司 点云数据的难易度划分方法、装置及其相关设备
JP7203678B2 (ja) 2019-04-19 2023-01-13 株式会社日立ハイテク 欠陥観察装置
CN110119438B (zh) * 2019-04-23 2021-05-07 东华理工大学 基于主动学习的机载LiDAR点云滤波方法
CN110084314B (zh) * 2019-05-06 2021-08-13 西安交通大学 一种针对靶向捕获基因测序数据的假阳性基因突变过滤方法
JP7298333B2 (ja) * 2019-06-25 2023-06-27 オムロン株式会社 外観検査管理システム、外観検査管理装置、外観検査管理方法及びプログラム
CN110827235B (zh) * 2019-09-24 2022-05-10 苏州苏相机器人智能装备有限公司 钢板表面缺陷检测方法
US11610297B2 (en) 2019-12-02 2023-03-21 Kla Corporation Tomography based semiconductor measurements using simplified models
US11915153B2 (en) * 2020-05-04 2024-02-27 Dell Products, L.P. Workload-oriented prediction of response times of storage systems
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
US20240177286A1 (en) * 2022-11-29 2024-05-30 Applied Materials, Inc. Modeling for indexing and semiconductor defect image retrieval

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070104331A (ko) * 2004-10-12 2007-10-25 케이엘에이-텐코 테크놀로지스 코퍼레이션 표본 상의 결함들을 분류하기 위한 컴퓨터-구현 방법 및시스템
US20110299758A1 (en) * 2007-01-11 2011-12-08 Kla-Tencor Corporation Wafer Plane Detection of Lithographically Significant Contamination Photomask Defects

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563702A (en) 1991-08-22 1996-10-08 Kla Instruments Corporation Automated photomask inspection apparatus and method
US6466314B1 (en) 1998-09-17 2002-10-15 Applied Materials, Inc. Reticle design inspection system
US6349265B1 (en) * 1999-03-24 2002-02-19 International Business Machines Corporation Method and apparatus for mapping components of descriptor vectors for molecular complexes to a space that discriminates between groups
JP2000346627A (ja) 1999-06-07 2000-12-15 Toray Eng Co Ltd 検査装置
US20030185432A1 (en) * 2002-03-29 2003-10-02 Hong Dezhong Method and system for image registration based on hierarchical object modeling
US6850321B1 (en) * 2002-07-09 2005-02-01 Kla-Tencor Technologies Corporation Dual stage defect region identification and defect detection method and apparatus
US7359544B2 (en) * 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
JP2006098151A (ja) * 2004-09-29 2006-04-13 Dainippon Screen Mfg Co Ltd パターン検査装置およびパターン検査方法
US7729529B2 (en) * 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
JP2006220644A (ja) 2005-01-14 2006-08-24 Hitachi High-Technologies Corp パターン検査方法及びその装置
US9037280B2 (en) * 2005-06-06 2015-05-19 Kla-Tencor Technologies Corp. Computer-implemented methods for performing one or more defect-related functions
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570800B2 (en) * 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
JP5028014B2 (ja) 2006-02-08 2012-09-19 株式会社日立ハイテクノロジーズ パターン検査方法及びその装置
JP5427609B2 (ja) * 2006-12-19 2014-02-26 ケーエルエー−テンカー・コーポレーション 検査レシピ作成システムおよびその方法
US8775101B2 (en) * 2009-02-13 2014-07-08 Kla-Tencor Corp. Detecting defects on a wafer
KR20120093820A (ko) * 2009-07-01 2012-08-23 케이엘에이-텐코 코포레이션 시변 결함 분류 성능의 모니터링
US8699784B2 (en) * 2010-08-10 2014-04-15 Camtek Ltd. Inspection recipe generation and inspection based on an inspection recipe
WO2012154260A2 (en) * 2011-02-17 2012-11-15 The Johns Hopkins University Multiparametric non-linear dimension reduction methods and systems related thereto
US8502146B2 (en) * 2011-10-03 2013-08-06 Kla-Tencor Corporation Methods and apparatus for classification of defects using surface height attributes
US8855400B2 (en) 2012-03-08 2014-10-07 Kla-Tencor Corporation Detection of thin lines for selective sensitivity during reticle inspection using processed images
JP6184473B2 (ja) 2012-03-20 2017-08-23 ケーエルエー−テンカー コーポレイション レチクルの劣化を検出するための反射マップおよび透過マップの使用
US9098891B2 (en) * 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
US9430824B2 (en) 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070104331A (ko) * 2004-10-12 2007-10-25 케이엘에이-텐코 테크놀로지스 코퍼레이션 표본 상의 결함들을 분류하기 위한 컴퓨터-구현 방법 및시스템
US20110299758A1 (en) * 2007-01-11 2011-12-08 Kla-Tencor Corporation Wafer Plane Detection of Lithographically Significant Contamination Photomask Defects

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10222690B2 (en) 2016-09-30 2019-03-05 Samsung Electronics Co., Ltd. Method of optimizing a mask using pixel-based learning and method for manufacturing a semiconductor device using an optimized mask
KR20190048605A (ko) * 2017-10-31 2019-05-09 삼성에스디에스 주식회사 기계 학습 기반의 분류 방법 및 그 장치

Also Published As

Publication number Publication date
US20160335753A1 (en) 2016-11-17
US9430824B2 (en) 2016-08-30
US9805462B2 (en) 2017-10-31
US20170221190A1 (en) 2017-08-03
WO2014186407A3 (en) 2015-03-26
WO2014186407A2 (en) 2014-11-20
TW201504749A (zh) 2015-02-01
US9652843B2 (en) 2017-05-16
TWI614570B (zh) 2018-02-11
KR102100007B1 (ko) 2020-04-10
US20140341462A1 (en) 2014-11-20

Similar Documents

Publication Publication Date Title
KR102100007B1 (ko) 레티클들을 검사하기 위한 머신 학습 방법 및 장치
KR102485553B1 (ko) 임계 치수 균일도 강화 기술들 및 장치
JP6758397B2 (ja) 欠陥検出システム及び方法
KR102300550B1 (ko) 검사를 위한 고해상도 전체 다이 이미지 데이터의 사용
EP2823355B1 (en) Reticle defect inspection with systematic defect filter
US9892503B2 (en) Monitoring changes in photomask defectivity
US9733640B2 (en) Method and apparatus for database-assisted requalification reticle inspection
TW202300900A (zh) 以經呈現設計影像之設計照護區域之分段

Legal Events

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