KR20180090382A - 이미지 재구성을 이용한 결함 검출을 위한 시스템 및 방법 - Google Patents

이미지 재구성을 이용한 결함 검출을 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20180090382A
KR20180090382A KR1020187021670A KR20187021670A KR20180090382A KR 20180090382 A KR20180090382 A KR 20180090382A KR 1020187021670 A KR1020187021670 A KR 1020187021670A KR 20187021670 A KR20187021670 A KR 20187021670A KR 20180090382 A KR20180090382 A KR 20180090382A
Authority
KR
South Korea
Prior art keywords
image
sample
illumination
test
test image
Prior art date
Application number
KR1020187021670A
Other languages
English (en)
Other versions
KR102439388B1 (ko
Inventor
징 장
제레미 네스비트
그레이스 에이치. 첸
리차드 월링포드
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 KR20180090382A publication Critical patent/KR20180090382A/ko
Application granted granted Critical
Publication of KR102439388B1 publication Critical patent/KR102439388B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Abstract

검사 시스템은 조명 서브시스템, 수집 서브시스템, 및 컨트롤러를 포함한다. 조명 서브시스템은 조명 빔을 생성하도록 구성되는 조명 소스 및 조명의 빔을 샘플로 지향시키기 위한 조명 광학장치의 세트를 포함한다. 수집 서브시스템은 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트 및 수집된 조명을 샘플로부터 수신하도록 구성되는 검출기를 포함한다. 컨트롤러는 샘플의 테스트 이미지를 획득하도록, 테스트 이미지의 해상도를 향상시키기 위해 테스트 이미지를 재구성하도록, 그리고 재구성된 테스트 이미지에 기초하여 샘플 상의 하나 이상의 결함을 검출하도록 구성된다.

Description

이미지 재구성을 이용한 결함 검출을 위한 시스템 및 방법
본 출원은 Jing Zhang, Jeremy Nesbitt, Grace Chen, 및 Dick Wallingford를 발명자로 하여 2016년 1월 1일자로 출원된 발명의 명칭이 APPLICATION OF SUPER-RESOLUTION TO IMPROVE WAFER INSPECTION인 미국 가출원 제62/274,169호의 35 U.S.C. §119(e) 하에서의 이익을 주장하는데, 이 가출원은 참조에 의해 그 전체가 본원에 통합된다.
본 개시는 일반적으로 결함 검출에 관한 것으로, 더 구체적으로는, 재구성된 이미지에 기초하여 결함을 검출하는 것에 관한 것이다.
검사 시스템은 반도체 웨이퍼 상의 결함을 식별 및 분류하여 웨이퍼 상에서 결함 집단(defect population)을 생성한다. 주어진 반도체 웨이퍼는 수백 개의 칩을 포함할 수도 있는데, 각각의 칩은 수천 개의 주목하는(of interest) 컴포넌트를 포함하고, 주목하는 각각의 컴포넌트는 칩의 주어진 층 상에서 수백만 개의 인스턴스를 가질 수도 있다. 결과적으로, 검사 시스템은 주어진 웨이퍼 상에서 방대한 수의 데이터 포인트(예를 들면, 몇몇 시스템의 경우 수천 억 개의 데이터 포인트)를 생성할 수도 있다. 또한, 점점 더 축소하고 있는 디바이스에 대한 요구는, 검사 시스템에 대한 증가된 요구로 이어진다. 요구는 검사 속도 또는 민감도를 희생시키지 않으면서 증가된 분해능 및 용량에 대한 필요성을 포함한다.
추가적으로, 많은 반도체 디바이스는 검사 시스템의 분해능보다 작은 치수를 갖는데, 이것은 검사 시스템에 의해 생성되는 이미지로 하여금 흐려 보이게 한다. 극단적인 경우, 검사 시스템에 의해 생성되는 이미지는 웨이퍼 상의 실제 피쳐 패턴과 거의 닮지 않을 수도 있다. 결과적으로, 결함 신호의 신호 대 노이즈 비가 문제가 될 수도 있고 성능에 부정적인 영향을 끼칠 수도 있다. 따라서, 상기에서 식별되는 것과 같은 단점을 치유하기 위한 시스템 및 방법을 제공하는 것이 바람직할 것이다.
본 개시의 하나 이상의 예시적인 실시형태에 따른 검사 시스템이 개시된다. 하나의 예시적인 실시형태에서, 시스템은 조명 서브시스템을 포함한다. 다른 예시적인 실시형태에서, 조명 서브시스템은 조명의 빔을 생성하도록 구성되는 조명 소스를 포함한다. 다른 예시적인 실시형태에서, 조명 서브시스템은 조명의 빔을 샘플로 지향시키기 위한 조명 광학장치(illumination optic)의 세트를 포함한다. 다른 예시적인 실시형태에서, 시스템은 수집 서브시스템을 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트를 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 수집된 조명을 샘플로부터 수신하도록 구성되는 검출기를 포함한다. 다른 예시적인 실시형태에서, 시스템은 검출기에 통신 가능하게 커플링되는 컨트롤러를 포함한다. 다른 예시적인 실시형태에서, 컨트롤러는 메모리 디바이스 및 하나 이상의 프로세서를 포함한다. 다른 예시적인 실시형태에서, 컨트롤러는 샘플의 테스트 이미지를 획득하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 테스트 이미지의 해상도를 향상시키기 위해 테스트 이미지를 재구성하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 재구성된 테스트 이미지에 기초하여 샘플 상의 하나 이상의 결함을 검출하도록 구성된다.
본 개시의 하나 이상의 예시적인 실시형태에 따른 검사 시스템이 개시된다. 하나의 예시적인 실시형태에서, 시스템은 조명 서브시스템을 포함한다. 다른 예시적인 실시형태에서, 조명 서브시스템은 조명의 빔을 생성하도록 구성되는 조명 소스를 포함한다. 다른 예시적인 실시형태에서, 조명 서브시스템은 조명의 빔을 샘플로 지향시키기 위한 조명 광학장치의 세트를 포함한다. 다른 예시적인 실시형태에서, 시스템은 수집 서브시스템을 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트를 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 수집된 조명을 샘플로부터 수신하도록 구성되는 검출기를 포함한다. 다른 예시적인 실시형태에서, 시스템은 검출기에 통신 가능하게 커플링되는 컨트롤러를 포함한다. 다른 예시적인 실시형태에서, 컨트롤러는 메모리 디바이스 및 하나 이상의 프로세서를 포함한다. 다른 예시적인 실시형태에서, 컨트롤러는 샘플의 테스트 이미지를 획득하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 테스트 이미지에 기초하여 샘플 상의 하나 이상의 결함을 검출하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 샘플 상의 하나 이상의 검출된 결함과 관련되는 하나 이상의 패치(patch) 이미지를 생성하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 하나 이상의 패치 이미지의 해상도를 향상시키기 위해 하나 이상의 패치 이미지를 재구성하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 하나 이상의 재구성된 패치 이미지에 기초하여 하나 이상의 결함을 분류하도록 구성된다.
본 개시의 하나 이상의 예시적인 실시형태에 따른 다중 모드 검사 시스템이 개시된다. 하나의 예시적인 실시형태에서, 시스템은 조명 서브시스템을 포함한다. 다른 예시적인 실시형태에서, 조명 서브시스템은 조명의 둘 이상의 모드를 생성하도록 구성되는 조명 소스를 포함한다. 다른 예시적인 실시형태에서, 조명 서브시스템은 조명의 빔을 샘플로 지향시키기 위한 조명 광학장치의 세트를 포함한다. 다른 예시적인 실시형태에서, 시스템은 수집 서브시스템을 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트를 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 둘 이상의 수집 모드를 생성하기 위한 조정 가능한 수집 애퍼처(collection aperture)를 포함한다. 다른 실시형태에서, 조명 서브시스템은 조명의 둘 이상의 모드 및 둘 이상의 수집 모드로부터 형성되는 둘 이상의 시스템 모드를 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 수집된 조명을 샘플로부터 수신하도록 구성되는 검출기를 포함한다. 다른 예시적인 실시형태에서, 시스템은 검출기에 통신 가능하게 커플링되는 컨트롤러를 포함한다. 다른 예시적인 실시형태에서, 컨트롤러는 메모리 디바이스 및 하나 이상의 프로세서를 포함한다. 다른 예시적인 실시형태에서, 컨트롤러는 둘 이상의 시스템 모드에 기초하여 샘플의 둘 이상의 테스트 이미지를 획득하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 검사 시스템의 점 확산 함수(point spread function)를 추정하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 추정된 점 확산 함수에 기초하여 둘 이상의 테스트 이미지의 해상도를 향상시키기 위해 둘 이상의 테스트 이미지를 재구성하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 둘 이상의 재구성된 테스트 이미지에 기초하여 샘플 상의 하나 이상의 결함을 식별하도록 구성된다.
본 개시의 하나 이상의 예시적인 실시형태에 따른 검사 시스템이 개시된다. 하나의 예시적인 실시형태에서, 시스템은 조명 서브시스템을 포함한다. 다른 예시적인 실시형태에서, 조명 서브시스템은 조명의 빔을 생성하도록 구성되는 조명 소스를 포함한다. 다른 예시적인 실시형태에서, 조명 서브시스템은 조명의 빔을 샘플로 지향시키기 위한 조명 광학장치의 세트를 포함한다. 다른 예시적인 실시형태에서, 시스템은 수집 서브시스템을 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트를 포함한다. 다른 예시적인 실시형태에서, 수집 서브시스템은 수집된 조명을 샘플로부터 수신하도록 구성되는 검출기를 포함한다. 다른 예시적인 실시형태에서, 시스템은 검출기에 통신 가능하게 커플링되는 컨트롤러를 포함한다. 다른 예시적인 실시형태에서, 컨트롤러는 메모리 디바이스 및 하나 이상의 프로세서를 포함한다. 다른 예시적인 실시형태에서, 컨트롤러는 결함 검출 레시피를 구성하도록 구성된다. 다른 예시적인 실시형태에서, 컨트롤러는 결함 검출 레시피에 기초하여 샘플 상의 하나 이상의 결함을 검출하도록 구성된다.
상기의 일반적인 설명 및 하기의 상세한 설명 둘 모두는 예시적인 것이고 설명만을 위한 것이며, 청구되는 바와 같은 본 발명을 반드시 제한하는 것이 아니다는 것이 이해되어야 한다. 본 명세서에 통합되며 본 명세서의 일부를 구성하는 첨부의 도면은, 본 발명의 실시형태를 예시하며, 일반적인 설명과 함께, 본 발명의 원리를 설명하도록 기능한다.
첨부의 도면을 참조하여, 본 개시의 다양한 이점이 기술 분야의 숙련된 자에 의해 더 잘 이해될 수도 있는데, 첨부의 도면에서:
도 1a는, 본 개시의 하나 이상의 실시형태에 따른, 검사 시스템을 예시하는 개념도이다.
도 1b는, 본 개시의 하나 이상의 실시형태에 따른, 검사 측정 서브시스템의 개념도이다.
도 1c는, 본 개시의 다른 실시형태에 따른, 검사 측정 서브시스템의 개념도이다.
도 2은, 본 개시의 하나 이상의 실시형태에 따른, 샘플의 결함을 검출하기 위한 방법에서 수행되는 단계를 예시하는 흐름도이다.
도 3은, 본 개시의 하나 이상의 실시형태에 따른, 결함 검출 방법의 하위 단계를 예시하는 흐름도이다.
도 4a는, 본 개시의 하나 이상의 실시형태에 따른, 검사 시스템의 조명 애퍼처의 플롯이다.
도 4b는, 본 개시의 하나 이상의 실시형태에 따른, 검사 시스템의 수집 애퍼처의 플롯이다.
도 4c는, 본 개시의 하나 이상의 실시형태에 따른, 조명 애퍼처 및 수집 애퍼처의 선형 조합의 플롯이다.
도 4d는, 본 개시의 하나 이상의 실시형태에 따른, 도 4c에서 예시되는 조명 및 수집 애퍼처의 선형 조합의 2D Fourier(푸리에) 변환에 기초한 선형 스케일에서의 검사 시스템의 추정된 PSF의 플롯이다.
도 4e는, 본 개시의 하나 이상의 실시형태에 따른, 도 4c에서 예시되는 조명 및 수집 애퍼처의 선형 조합의 2D 푸리에 변환에 기초한 대수 스케일(logarithmic scale)에서의 검사 시스템의 추정된 PSF의 플롯이다.
도 5a는, 본 개시의 하나 이상의 실시형태에 따른, 샘플의 관찰된 이미지이다.
도 5b는, 본 개시의 하나 이상의 실시형태에 따른, 리차드슨-루시(Richardson-Lucy) 컨볼루션(convolution)의 10 번의 반복에 의해 생성되는 관찰된 이미지의 재구성된 버전에 대응하는 재구성된 이미지이다.
도 5c는, 본 개시의 하나 이상의 실시형태에 따른, 리차드슨-루시 컨볼루션의 100 번의 반복에 의해 생성되는 관찰된 이미지의 재구성된 버전에 대응하는 재구성된 이미지이다.
도 5d는, 본 개시의 하나 이상의 실시형태에 따른, 총 변동 정규화 인자(Total Variation regularization factor)를 갖는 정규화된 리차드슨-루시 디컨볼루션(deconvolution)을 사용하여 생성되는 재구성된 이미지이다.
도 5e는, 본 개시의 하나 이상의 실시형태에 따른, 티호노프-밀러(Tikhonov-Miller) 정규화 인자를 갖는 정규화된 리차드슨-루시 디컨볼루션을 사용하여 생성되는 재구성된 이미지이다.
도 5f는, 본 개시의 하나 이상의 실시형태에 따른, 양측 정규화 인자(bilateral regularization factor)를 갖는 정규화된 리차드슨-루시 디컨볼루션을 사용하여 생성되는 재구성된 이미지이다.
도 6a는, 본 개시의 하나 이상의 실시형태에 따른, 큐빅 보간법(cubic interpolation)을 사용하여 재구성되는 샘플의 이미지이다.
도 6b는, 본 개시의 하나 이상의 실시형태에 따른, 정규화된 리차드슨-루시 디컨볼루션을 사용하여 재구성되는 샘플의 동일한 부분의 이미지이다.
도 6c는, 본 개시의 하나 이상의 실시형태에 따른, 도 6a 및 도 6b 둘 모두의 슬라이스와 관련되는 그레이 레벨을 예시하는 플롯이다.
도 7은, 본 개시의 하나 이상의 실시형태에 따른, 재구성된 테스트 이미지 및 재구성된 기준 이미지를 사용하여 생성되는 차이 이미지에 기초한 결함의 검출을 위한 방법의 하위 단계를 예시하는 흐름도이다.
도 8은, 본 개시의 하나 이상의 실시형태에 따른, 재구성된 테스트 이미지 및, 재구성된 기준 이미지에 기초한 차이 신호의 생성을 예시하는 재구성된 테스트 이미지, 재구성된 기준 이미지, 및 재구성된 차이 이미지를 포함한다.
도 9는, 본 개시의 하나 이상의 실시형태에 따른, 희소 분포 정규화 파라미터의 상이한 값에 기초하여 재구성된 기준 이미지 및 재구성된 테스트 이미지를 사용하여 생성되는 차이 이미지를 포함한다.
도 10은, 본 개시의 하나 이상의 실시형태에 따른, 희소 분포 정규화 파라미터와 함께 재구성된 기준 이미지 및 재구성된 테스트 이미지를 사용하여 생성되는 차이 이미지에 기초하여 검출되는 결함이 중첩된 설계 데이터에 기초한 샘플 피쳐의 맵을 예시하는 이미지이다.
도 11은, 본 개시의 하나 이상의 실시형태에 따른, 재구성된 패치 이미지에 기초하여 샘플의 결함을 분류하기 위한 방법에서 수행되는 단계를 예시하는 흐름도이다.
도 12은, 본 개시의 하나 이상의 실시형태에 따른, 샘플의 결함을 검출하기 위한 방법에서 수행되는 단계를 예시하는 흐름도이다.
도 13은, 본 개시의 하나 이상의 실시형태에 따른, 상이한 방향으로부터 샘플을 조명하도록 배향되는 4개의 에지 콘트라스트 조명 모드(edge-contrast illumination mode)의 개념도이다.
도 14는, 본 개시의 하나 이상의 실시형태에 따른, 안티 앨리어싱된(anti-aliased) 이미지에서의 결함 검출 가능성(defect detectability)의 향상을 예시하는 이미지를 포함한다.
이제, 첨부의 도면에서 예시되는, 개시되는 주제를 상세히 참조할 것이다. 본 개시는 소정의 실시형태 및 그 특정한 피쳐와 관련하여 특별히 도시되고 설명된다. 본원에서 기술되는 실시형태는 제한하기 보다는 예시적인 것으로 간주된다. 본 개시의 취지와 범위를 벗어나지 않으면서 형태 및 세부 사항에서의 다양한 변경 및 수정이 이루어질 수도 있다는 것이 기술 분야의 통상의 지식을 가진 자에게는 쉽게 명백해야 한다.
도 1a 내지 도 14를 일반적으로 참조하면, 수퍼 해상도 이미지 재구성(super-resolution image reconstruction)을 사용하여 결함에 대해 샘플을 검사하는 시스템 및 방법이 개시된다. 본 개시의 실시형태는 결함 검출을 용이하게 하기 위해 하나 이상의 이미지를 재구성하는 것에 관한 것이다. 이미지 재구성은, 결함의 향상된 해상도 또는 향상된 신호 대 노이즈 비(signal to noise ratio; SNR)를 제공할 수도 있지만, 그러나 이들로 제한되지는 않는다. 본 개시의 실시형태는 단일의 이미지(예를 들면, 샘플의 테스트 이미지)를 재구성하는 것에 관한 것이다. 본 개시의 추가적인 실시형태는 결함 검출을 위해 다수의 이미지를 재구성하는 것에 관한 것이다. 예를 들면, 샘플의 테스트 이미지뿐만 아니라 샘플의 기준 이미지가 개별적으로 재구성될 수도 있다. 또한, 재구성된 테스트 이미지 및 재구성된 기준 이미지에 기초한 차이 이미지가 결함 검출을 위해 생성될 수도 있다.
반도체 웨이퍼 상의 피쳐 사이즈는 웨이퍼 상의 결함을 검출하기 위해 활용되는 광학 검사 시스템의 분해능보다 상당히 더 작을 수도 있다는 것이 본원에서 인식된다. 달리 말하면, 제조된 피쳐뿐만 아니라 임의의 잠재적인 결함의 사이즈는 광학 검사 시스템의 검출 파장보다 상당히 더 작을 수도 있다. 따라서, 웨이퍼의 광학 검사 시스템은 많은 샘플 피쳐를 완전히 분해할(resolve) 수 없을 수도 있고 그 결과 검사 시스템에 의해 생성되는 이미지는 흐리게 보일 수도 있다. 예를 들면, 광학 검사 시스템에 의해 생성되는 이미지는, 샘플 상의 설계 패턴의 높은 공간 주파수 내용의 대부분이 없을 수도 있다. 또한, 검사 시스템의 조명 빔과 샘플 상의 피쳐의 상호 작용은, 이미지에 더 영향을 줄 수도 있는 산란 및 광학 간섭 효과를 초래할 수도 있다.
이미지 보간 또는 디컨볼루션과 같은, 그러나 이들로 제한되지는 않는 이미지 재구성 기술이 흐린(blurry) 이미지를 향상시키기 위해 활용될 수도 있다는 것이 본원에서 더 인식된다. 예를 들면, 이미지 보간은 이미지를 업스케일링하여 이미지의 해상도를 증가시키도록 활용될 수도 있다. 다른 예로서, 이미징 시스템에 의해 유도되는 공지의 또는 추정된 왜곡을 역계산하는(reversing) 것에 의해 형상 내용을 이미지로 복원하기 위해 디컨볼루션(예를 들면, 이미지 디블러(deblur))이 사용될 수도 있다. 이미징 시스템의 왜곡은, 포인트 소스에 대한 광학 시스템의 응답(예를 들면, 검사 시스템의 임펄스 응답)을 설명하는 점 확산 함수(point spread function; PSF)에 의해 설명될 수도 있다. 따라서, 검사 시스템에 의해 제공되는 이미지는 PSF 및 실제 이미지 필드(예를 들면, 패턴화된 반도체 웨이퍼)의 컨볼루션으로서 특성 묘사될 수도 있다. 따라서, 이미지 디컨볼루션은 이미지를 PSF로 디컨볼빙하는(deconvolving) 것에 의해 유도되는 광학 왜곡을 역계산하여 향상된 재구성된 이미지를 생성할 수도 있다. 또한, 디컨볼루션 기술은 PSF의 지식에 기초하여 분류될 수도 있다. 비 블라인드 디컨볼루션 기술(non-blind deconvolution technique)은 이미징 시스템에 대한 사전 지식에 기초한 공지의(또는 추정된) PSF를 활용하는 반면, 블라인드 디컨볼루션 기술(blind deconvolution technique)은 이미지 자체의 분석에 기초하여 PSF를 추정한다.
일반적으로, 이미징 시스템의 PSF를 정확하게 결정하는 것은 실용적이지 않다. 예를 들면, PSF는 이미지 필드의 포인트 소스의 위치 및/또는 포인트 소스의 깊이(예를 들면, 디포커스의 정도)에 기초하여 변할 수도 있다. 추가적으로, 시스템의 오브젝트 또는 지터의 움직임은 또한, 특정한 이미지와 관련되는 PSF에 영향을 줄 수도 있다. 따라서, 비 블라인드 디컨볼루션 기술은 일반적으로 추정된 PSF를 활용한다.
검사 시스템의 분해능보다 더 작은 피쳐를 갖는 샘플에 대한 결함 검출의 맥락에서, 실제 PSF는 샘플의 국소적 설계의 함수일 수도 있고, 그 결과, 어떤 임의적인 설계 패턴의 이미지에 적용될 전역적 PSF는 정의될 수 없을 수도 있다. 그러나, 샘플 상의 결함을 검출하기 위해서는, 샘플 상의 실제 피쳐의 완전히 재구성이 요구되지 않을 수도 있다. 본 개시의 실시형태는 추정된 전역 PSF를 활용하여 결함 검출을 위한 샘플의 이미지의 해상도를 향상시킨다. 이와 관련하여, 재구성된 이미지는 결함의 향상된 신호 대 노이즈 비(SNR)를 제공할 수도 있다.
본 개시의 추가적인 실시형태는 정규화된 디컨볼루션을 사용한 이미지 재구성에 관한 것이다. 이와 관련하여, 이미지 재구성은, 가능한 솔루션에 수렴하기 위해 공지의 또는 예상된 결과의 사전 지식에 기초한 제약으로서 하나 이상의 정규화 항을 포함하는 반복적인 디컨볼루션 단계를 활용할 수도 있다. 따라서, 디컨볼루션과 관련되는 비용 함수의 정규화 항은 가능성이 없는 솔루션을 방지할 수도 있고 및/또는 링잉 아티팩트(ringing artifact)와 같은, 그러나 이것으로 제한되지는 않는 이미지 아티팩트를 방지할 수도 있다. 본 개시의 실시형태는 희소하게(sparsely) 분포된 결함을 갖는 이미지를 재구성하기 위해 희소 분포 정규화 항(sparse distribution regularization term)을 활용한다. 본 개시의 다른 실시형태는, 샘플의 이미지의 하나 이상의 양태의 사전 지식에 기초하여 이미지를 재구성하기 위해 이미지 제약 정규화 항(image-constraining regularization term)을 활용한다. 예를 들면, 이미지 제약 정규화 항은, 이미지 그래디언트 정규화 항(image-gradient regularization term)(예를 들면, 총 변동, 티호노프-밀러, 양측(Bilaterial), 또는 등등)을 포함할 수도 있지만, 그러나 이것으로 제한되는 것은 아니다.
디컨볼루션 기술은, 참조에 의해 그 전체가 본원에 통합되는, Starck, JL 등등의 『"Deconvolution in Astronomy: A Review", Publications of the Astronomical Society of the Pacific, 114:1051-1069 (2002)』에서 일반적으로 설명된다. 이미지 디블러링은, 참조에 의해 그 전체가 본원에 통합되는, Wang, R 등등의 『"Recent Progress in Image Debluring", arXiv:1409.6838 [cs.CV] (2014)『』에서 일반적으로 설명된다. 이미지 복원을 위한 베이지안(Bayesian) 기반의 반복 방법은, 참조에 의해 그 전체가 본원에 통합되는 『Richardson, WH, "Bayesian-based iterative method of image restoration", Journal of the Optical Society of America 62(1):55-59 (1972)』에서 일반적으로 설명된다. 반복 수정 기술은, 참조에 의해 그 전체가 본원에 통합되는, Lucy, LB의 『"An iterative technique for the rectification of observed distributions", The astronomical journal 79:745-754 (1974)』에서 일반적으로 설명된다. 총 변동 정규화를 갖는 리차드슨-루시 알고리즘을 사용한 삼차원 디컨볼루션 기술은, 참조에 의해 그 전체가 본원에 통합되는, Dey, N. 등등의 『"3D Microscopy Deconvolution using Richardson-Lucy Algorithm with Total Variation Regularization", Institut National de Recherche en Informatique et en Automatique, N. 5272 (2004)』에서 일반적으로 설명된다. 프로그레시브 인터 스케일 및 인트라 스케일 비 블라인드 이미지 디컨볼루션(Progressive inter-scale and intra-scale non-blind image deconvolution)은, 참조에 의해 그 전체가 본원에 통합되는, Yuan, L. 등등의 『"Progressive Inter-scale and Intra-scale Non-blind Image Deconvolution", ACM Transactions on Graphics (TOG) - Proceedings of ACM SIGGRAPH 2008, 24(3), Art. 74 (2008)』에서 일반적으로 설명된다.
통상적인 결함 검출 시스템은 테스트 이미지를 하나 이상의 기준 이미지에 비교하는 것에 의해(예를 들면, 하나 이상의 차이 이미지의 생성, 또는 등등에 의해) 결함을 검출할 수도 있다는 것이 본원에서 인식된다. 기준 이미지는, 다른 다이(예를 들면, 다이 대 다이(die-to-die) 검출, 또는 등등) 또는 다른 셀(예를 들면, 셀 대 셀 검출, 또는 등등)과 관련될 수도 있다. 예를 들면, 샘플 다이의 결함은, 샘플 다이의 이미지를 기준 다이의 이미지와 비교하는 것에 의해(예를 들면, 다이 대 다이(die-to-die; D2D) 검사, 표준 기준 다이(standard reference die; SRD) 검사, 또는 등등) 또는 샘플 다이의 이미지를 설계 특성에 기초한 이미지와 비교하는 것에 의해(예를 들면, 다이 대 데이터베이스(die-to-database; D2DB) 검사) 특성 묘사될 수도 있다. 영구적인 데이터(예를 들면, 저장된 데이터)를 사용하는 검사 시스템은, 참조에 의해 그 전체가 본원에 통합되는, 2012년 2월 28일자로 발행된 미국 특허 제8,126,255호에서 일반적으로 설명된다. 검사를 용이하게 하기 위해 샘플의 설계 데이터를 사용하는 검사 시스템은, 일반적으로, 2010년 3월 9일자로 발행된 미국 특허 제7,676,077호, 및 2000년 11월 28일자로 발행된 미국 특허 제6,154,714호에서 설명되는데, 이들 특허는 참조에 의해 그 전체가 본원에 통합된다. 본 개시의 실시형태는 차이 이미지를 생성하기 이전에 테스트 이미지 및 기준 이미지를 재구성하는 것에 관한 것이다. 예를 들면, 테스트 이미지 및 기준 이미지는 둘 모두는 검사 시스템의 추정된 PSF와 함께 디컨볼루션을 통해 재구성될 수도 있다. 테스트 이미지 및/또는 기준 이미지는 가능할 것 같지 않을 솔루션을 방지하기 위해 그리고 아티팩트를 방지하기 위해 이미지 제약 정규화 항(예를 들면, 이미지 그래디언트 제약 정규화 항, 또는 등등)을 사용하여 디컨볼빙될(deconvolved) 수도 있다. 추가적으로, 희소 분포 정규화 항이 테스트 이미지의 디컨볼루션에 추가로 통합될 수도 있다. 이와 관련하여, 테스트 이미지와 기준 이미지 사이의 차이(예를 들면, 검출될 결함 신호)는 강조될 수도 있다.
본 개시의 추가적인 실시형태는, 다중 테스트 이미지를 재구성하는 것에 관한 것이다. 예를 들면, 다수의 조명 모드(예를 들면, 다중 조명 각도, 또는 등등)로 촬영되는 샘플의 테스트 이미지는, 결함에 대해, 개별적으로 재구성 및 분석될 수도 있다. 또한, 다수의 재구성된 테스트 이미지는 결함 검출에 적합한 결합된 이미지를 형성하도록 결합될 수도 있다. 다른 예로서, 샘플 상의 검출된 결함 주위의 국소화된 영역과 관련되는 패치 이미지가 재구성될 수도 있다. 예를 들면, 검사 시스템은 결함 분류를 위해, 예상된 결함 및 결함 주변의 이미지의 일부를 각각 구비하는 하나 이상의 패치 이미지를 생성할 수도 있다. 이와 관련하여, 패치 이미지의 재구성은 (예를 들면, 패치 이미지에서 결정되지 않는) 설계된 샘플 패턴과 관련한 결함의 향상된 결함 분류 또는 위치 결정을 제공할 수도 있다.
본 개시의 추가적인 실시형태는 안티 앨리어싱된 테스트 이미지를 재구성하는 것에 관한 것이다. 예를 들면, 검사 시스템은 처리량(throughput)을 향상시키기 위해 또는 조명 소스와 관련되는 광 레벨을 최적으로 활용하기 위해 (예를 들면, 샘플 피쳐와 관련하여) 큰 픽셀 사이즈를 활용할 수도 있다. 그러나, 이러한 이미지는 앨리어싱 노이즈(aliasing noise)가 문제가 될 수도 있다. 따라서, 검사 시스템은 안티 앨리어싱 기술(예를 들면, 안티 앨리어싱 필터의 적용, 이미지 획득 동안의 의도적인 블러링, 또는 등등)을 활용할 수도 있다. 본 개시의 실시형태는, 안티 앨리어싱에 의해 영향을 받은 결함 신호의 부분을 복원하기 위해 안티 앨리어싱된 이미지를 재구성하는 것에 관한 것이다.
본 개시의 추가적인 실시형태는, 특정한 샘플(예를 들면, 레시피)에 대한 결함 검출을 위한 런타임 이미지 획득 파라미터를 결정하기 위해, 검사 시스템에 의해 생성되는 구성 이미지를 재구성하는 것에 관한 것이다. 예를 들면, 검사 시스템에 의해 생성되는 샘플의 구성 이미지는, 방사 분석 시스템(radiometric system)과 관련되는 파라미터(예를 들면, 구성 이미지의 동적 범위, 또는 등등에 기초한 테스트 이미지 획득 동안의 광 레벨)의 결정을 용이하게 하기 위해, 조사할 샘플 상의 하나 이상의 관리 영역(care area)의 결정을 용이하게 하기 위해, 또는 설계 기반의 검사 알고리즘(예를 들면, 픽셀 대 설계 정렬(pixel-to-design alignment; PDA), 컨텍스트 기반 이미징(context-based imaging; CBI), 템플릿 기반 이미징(template-based imaging; TBI), 또는 등등)을 트레이닝시키기 위해 재구성될 수도 있다.
본 개시의 전반에 걸쳐 사용되는 바와 같이, 용어 "샘플"은 반도체 또는 비반도체 재료(예를 들면, 웨이퍼, 또는 등등)로 형성되는 기판을 일반적으로 가리킨다. 예를 들면, 반도체 또는 비반도체 재료는, 단결정 실리콘, 비화 갈륨, 또는 인화 인듐을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 샘플은 하나 이상의 층을 포함할 수도 있다. 예를 들면, 이러한 층은, 레지스트, 유전체 재료, 도전성 재료, 및 반도체성 재료를 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 많은 상이한 타입의 이러한 층은 기술 분야에서 공지되어 있으며, 본원에서 사용되는 바와 같은 용어 샘플은 모든 타입의 이러한 층이 상부에 형성될 수도 있는 샘플을 포괄하도록 의도된다. 샘플 상에 형성되는 하나 이상의 층은 패턴화될 수도 있거나 또는 패턴화되지 않을 수도 있다. 예를 들면, 샘플은, 반복 가능한 패턴화된 피쳐를 각각 구비하는 복수의 다이를 포함할 수도 있다. 이러한 재료의 층의 형성 및 프로세싱은 궁극적으로는 완성된 디바이스로 귀결될 수도 있다. 많은 상이한 타입의 디바이스가 샘플 상에 형성될 수도 있으며, 본원에서 사용되는 바와 같은 용어 샘플은, 기술 분야에서 공지되어 있는 임의의 타입의 디바이스가 상부에 제조되고 있는 샘플을 포함하도록 의도된다. 또한, 본 개시의 목적을 위해, 용어 샘플 및 웨이퍼는 상호 교환 가능한 것으로 해석되어야 한다. 또한, 본 개시의 목적을 위해, 용어 패턴화 디바이스, 마스크 및 레티클은, 상호 교환 가능한 것으로 해석되어야 한다.
도 1은, 본 개시의 하나 이상의 실시형태에 따른, 검사 시스템(100)을 예시하는 개념도이다. 하나의 실시형태에서, 검사 시스템(100)은 샘플(104)을 조사하기(interrogate) 위한 검사 측정 서브시스템(102)을 포함한다. 예를 들면, 검사 측정 서브시스템(102)은 샘플(104) 상의 하나 이상의 결함을 검출할 수도 있다.
본원에서, 검사 측정 서브시스템(102)은 샘플(104) 상의 결함을 검출하기에 적합한, 기술 분야에서 공지되어 있는 임의의 타입의 검사 시스템일 수도 있다는 것을 유의한다. 예를 들면, 검사 측정 서브시스템(102)은 입자 빔 검사 서브시스템을 포함할 수도 있다. 따라서, 검사 측정 서브시스템(102)은, 샘플(104)로부터 나오는 검출된 방사선(radiation)(예를 들면, 이차 전자, 후방 산란 전자, 발광(luminescence), 또는 등등)에 기초하여 하나 이상의 결함이 검출 가능하도록, 하나 이상의 입자 빔(예를 들면, 전자 빔, 이온 빔, 또는 등등)을 샘플(104)로 지향시킬 수도 있다. 다른 예로서, 검사 측정 서브시스템(102)은 광학 검사 서브시스템을 포함할 수도 있다. 따라서, 검사 측정 서브시스템(102)은, 샘플(104)로부터 나오는 검출된 방사선(예를 들면, 반사된 방사선, 산란된 방사선, 회절된 방사선, 발광 방사선, 또는 등등)에 기초하여 하나 이상의 결함이 검출 가능하도록, 광학 방사선을 샘플(104)로 지향시킬 수도 있다.
검사 측정 서브시스템(102)은 이미징 모드 또는 비 이미징 모드에서 동작할 수도 있다. 예를 들면, 이미징 모드에서, 개개의 대상(object)(예를 들면, 결함)은 샘플 상의 조명된 스팟 내에서 (예를 들면, 명시야(bright-field) 이미지, 암시야(dark-field) 이미지, 위상 콘트라스트 이미지, 또는 등등의 일부로서) 분해될 수도 있다. 비 이미징 모드의 동작에서, 하나 이상의 검출기에 의해 수집되는 방사선은 샘플 상의 단일의 조명된 스팟과 관련될 수도 있고 샘플(104)의 이미지의 단일의 픽셀을 나타낼 수도 있다. 이와 관련하여, 샘플 위치의 어레이로부터 데이터를 획득하는 것에 의해 샘플(104)의 이미지가 생성될 수도 있다. 또한, 검사 측정 서브시스템(102)은, (예를 들면, 샘플(104)에 의한 방사선의 산란 및/또는 회절과 관련되는) 샘플(104)로부터의 방사선의 각도 분포를 특성 묘사하기 위해 샘플로부터의 방사선이 동공 플레인(pupil plane)에서 분석되는 산란측정법 기반의 검사 시스템으로서 동작할 수도 있다.
다른 실시형태에서, 검사 시스템(100)은 검사 측정 서브시스템(102)에 커플링되는 컨트롤러(106)를 포함한다. 이와 관련하여, 컨트롤러(106)는 검사 측정 서브시스템(102)으로부터의 검사 데이터를 포함하는, 그러나 이것으로 제한되지는 않는 데이터를 수신하도록 구성될 수도 있다. 다른 실시형태에서, 컨트롤러(106)는 하나 이상의 프로세서(108)를 포함한다. 예를 들면, 하나 이상의 프로세서(108)는, 메모리 디바이스(110), 또는 메모리에 유지되는 프로그램 명령어의 세트를 실행하도록 구성될 수도 있다. 컨트롤러(106)의 하나 이상의 프로세서(108)는 기술 분야에서 공지되어 있는 임의의 프로세싱 엘리먼트를 포함할 수도 있다. 이러한 의미에서, 하나 이상의 프로세서(108)는 알고리즘 및/또는 명령어를 실행하도록 구성되는 임의의 마이크로프로세서 타입의 디바이스를 포함할 수도 있다. 또한, 메모리 디바이스(110)는, 관련된 하나 이상의 프로세서(108)에 의해 실행 가능한 프로그램 명령어를 저장하기에 적합한 기술 분야에서 공지되어 있는 임의의 저장 매체를 포함할 수도 있다. 예를 들면, 메모리 디바이스(110)는 비일시적 메모리 매체를 포함할 수도 있다. 추가적인 예로서, 메모리 디바이스(110)는, 리드 온리 메모리, 랜덤 액세스 메모리, 자기 또는 광학 메모리 디바이스(예를 들면, 디스크), 자기 테이프, 솔리드 스테이트 드라이브 및 등등을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 메모리 디바이스(110)는 하나 이상의 프로세서(108)와 함께 공통 컨트롤러 하우징에 수용될 수도 있다는 것을 또한 유의한다.
도 1b는, 본 개시의 하나 이상의 실시형태에 따른, 검사 측정 서브시스템(102)을 예시하는 개념도이다. 하나의 실시형태에서, 검사 측정 서브시스템(102)은 조명 빔(114)을 생성하기 위한 조명 소스(112)를 포함한다. 또 다른 실시형태에서, 조명 소스(112)는 별개의 조명 빔(114)을 생성하도록 구성되는 별개의 조명 소스이다. 조명 빔(114)은, 자외(ultraviolet; UV)선, 가시 광선, 또는 적외(IR)선을 포함하는 그러나 이들로 제한되지는 않는 하나 이상의 선택된 파장의 광을 포함할 수도 있다.
다른 실시형태에서, 조명 소스(112)는 조명 통로(illumination pathway; 116)를 통해 조명 빔(114)을 샘플(104)로 지향시킨다. 조명 통로(116)는 하나 이상의 렌즈(118)를 포함할 수도 있다. 또한, 조명 통로(116)는, 조명 빔(114)을 변경 및/또는 컨디셔닝하는 데 적합한 하나 이상의 추가적인 광학 컴포넌트(120)를 포함할 수도 있다. 예를 들면, 하나 이상의 광학 컴포넌트(120)는, 하나 이상의 편광기, 하나 이상의 필터, 하나 이상의 빔 스플리터, 하나 이상의 확산기, 하나 이상의 균질기(homogenizer), 하나 이상의 아포다이저(apodizer), 또는 하나 이상의 빔 성형기(beam shaper)를 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 하나의 실시형태에서, 조명 통로(116)는 빔 스플리터(122)를 포함한다. 다른 실시형태에서, 검사 측정 서브시스템(102)은 조명 빔(114)을 샘플(104) 상으로 집속시키기(focusing) 위한 대물 렌즈(124)를 포함한다.
다른 실시형태에서, 검사 측정 서브시스템(102)은 수집 통로(128)를 통해 샘플(104)로부터 나오는 방사선을 캡쳐하도록 구성되는 하나 이상의 검출기(126)를 포함한다. 수집 통로(128)는, 하나 이상의 렌즈(130), 하나 이상의 필터, 하나 이상의 편광기, 하나 이상의 빔 블록, 또는 하나 이상의 빔 스플리터를 포함하는 그러나 이들로 제한되지는 않는, 대물 렌즈(124)에 의해 수집되는 조명을 지향 및/또는 수정하기 위한 다수의 광학 엘리먼트를 포함할 수도 있다.
예를 들면, 검출기(126)는 수집 통로(128) 내의 엘리먼트(예를 들면, 대물 렌즈(124), 하나 이상의 렌즈(130), 또는 등등)에 의해 제공되는 샘플(104)의 이미지를 수신할 수도 있다. 다른 예로서, 검출기(126)는 (예를 들면, 거울 반사, 확산 반사, 및 등등을 통해) 샘플(104)로부터 반사되는 또는 산란되는 방사선을 수신할 수도 있다. 다른 예로서, 검출기(126)는 샘플에 의해 생성되는 방사선(예를 들면, 조명 빔(114)의 흡수와 관련되는 발광, 및 등등)를 수신할 수도 있다. 다른 예로서, 검출기(126)는 샘플(104)로부터의 1 이상의 회절 차수의 방사선(예를 들면, 0 차 회절, ±1차 회절, ±2차 회절, 및 등등)을 수신할 수도 있다. 또한, 본원에서, 하나 이상의 검출기(126)는, 샘플(104)로부터 수신되는 조명을 측정하기에 적합한, 기술 분야에서 공지되어 있는 임의의 광학 검출기를 포함할 수도 있다는 것을 유의한다. 예를 들면, 검출기(126)는, CCD 검출기, TDI 검출기, 광전증배관(photomultiplier tube; PMT), 애벌란시 포토다이오드(avalanche photodiode; APD), 또는 등등을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 다른 실시형태에서, 검출기(126)는 샘플(104)로부터 나오는 방사선의 파장을 식별하기에 적합한 분광 검출기(spectroscopic detector)를 포함할 수도 있다. 또한, 검사 측정 서브시스템(102)은, (예를 들면, 검사 측정 서브시스템(102)에 의한 다수의 계측 측정을 용이하게 하기 위한 하나 이상의 빔 스플리터(예를 들면, 다수의 계측 툴)에 의해 생성되는 다수의 빔 경로와 관련되는) 다수의 검출기(126)를 포함할 수도 있다.
다른 실시형태에서, 검사 측정 서브시스템(102)은 검사 시스템(100)의 컨트롤러(106)에 통신 가능하게 커플링된다. 이와 관련하여, 컨트롤러(106)는 검사 데이터(예를 들면, 검사 측정 결과, 타겟의 이미지, 동공 이미지, 및 등등) 또는 계측 메트릭(예를 들면, 정밀도, 툴 유도 시프트(tool-induced shift), 민감도, 회절 효율성, 초점 통과 기울기(through-focus slope), 측벽 각도, 임계 치수, 및 등등)을 포함하는, 그러나 이들로 제한되지는 않는 데이터를 수신하도록 구성될 수도 있다.
다른 실시형태에서, 샘플(104)은 주사 동안 샘플(132)을 고정하기에 적합한 샘플 스테이지(104) 상에 배치된다. 다른 실시형태에서, 샘플 스테이지(132)는 작동 가능한 스테이지(actuatable stage)이다. 예를 들면, 샘플 스테이지(132)는, 하나 이상의 선형 방향(예를 들면, x 방향, y 방향 및/또는 z 방향)을 따라 샘플(104)을 선택 가능하게 직동시키기에(translating) 적합한 하나 이상의 직동 스테이지(translational stage)를 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 다른 예로서, 샘플 스테이지(132)는, 회전 방향을 따라 샘플(104)을 선택 가능하게 회전시키기에 적합한 하나 이상의 회전 스테이지를 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 다른 예로서, 샘플 스테이지(132)는, 선택 가능하게 선형 방향을 따라 샘플을 직동시키고 및/또는 회전 방향을 따라 샘플(104)을 회전시키기에 적합한 회전 스테이지 및 직동 스테이지를 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다.
도 1c는, 본 개시의 하나 이상의 실시형태에 따른, 검사 측정 서브시스템(102)을 예시하는 개념도이다. 하나의 실시형태에서, 조명 통로(116) 및 수집 통로(128)는 별개의 엘리먼트를 포함한다. 예를 들면, 조명 통로(116)는 조명 빔(114)을 샘플(104) 상으로 집속하기 위해 제1 집속 엘리먼트(134)를 활용할 수도 있고, 수집 통로(128)는 샘플(104)로부터 방사선을 수집하기 위해 제2 집속 엘리먼트(136)를 활용할 수도 있다. 이와 관련하여, 제1 집속 엘리먼트(134) 및 제2 집속 엘리먼트(136)의 개구수(numerical aperture)는 상이할 수도 있다. 또한, 본원에서, 도 1c에서 묘사되는 검사 측정 서브시스템(102)은, 하나보다 많은 조명 소스(112)(예를 들면, 하나 이상의 추가적인 검출기(126)에 커플링됨), 및/또는 샘플(104)의 다중 각도 조명을 가능하게 할 수도 있다는 것을 유의한다. 이와 관련하여, 도 1c에서 묘사되는 검사 측정 서브시스템(102)은 다수의 계측 측정을 수행할 수도 있다. 다른 실시형태에서, 샘플(104)에 대한 조명 빔(104)의 입사각이 회전 암의 위치에 의해 제어될 수도 있도록, 하나 이상의 광학 컴포넌트가 샘플(114) 주위로 선회하는 회전 가능한 암(도시되지 않음)에 장착될 수도 있다.
도 2는, 본 개시의 하나 이상의 실시형태에 따른, 샘플의 결함을 검출하기 위한 방법(200)에서 수행되는 단계를 예시하는 흐름도이다. 본 출원인은, 시스템(100)의 맥락에서 본원에서 앞서 설명된 실시형태 및 실현 기술(enabling technology)이 방법(200)으로 확장하도록 해석되어야 한다는 것을 언급한다. 그러나, 방법(200)은 시스템(100)의 아키텍쳐로 제한되지 않는다는 것을 또한 유의한다.
방법(200)의 단계의 각각은 본원에서 추가로 설명되는 바와 같이 수행될 수도 있다. 단계는, 본원에서 설명되는 실시형태 중 임의의 것에 따라 구성될 수도 있는 하나 이상의 컨트롤러(예를 들면, 컨트롤러(106), 또는 등등)에 의해 수행될 수도 있다. 게다가, 상기에서 설명되는 방법은 본원에서 설명되는 시스템 실시형태 중 임의의 것에 의해 수행될 수도 있다. 방법(200)은 또한 본원에서 설명되는 컨트롤러 또는 임의의 시스템 실시형태에 의해 수행될 수도 있는 하나 이상의 추가 단계를 포함할 수도 있다.
하나의 실시형태에서, 방법(200)은 테스트 이미지를 획득하는 단계(202)를 포함한다. 테스트 이미지는 결함에 대해 검사될 (예를 들면, 샘플(104)의) 이미지일 수도 있다. 또한, 테스트 이미지는 기술 분야에서 공지되어 있는 임의의 방법에 의해 형성될 수도 있다. 예를 들면, 테스트 이미지는, 적어도 부분적으로, 검사 측정 서브시스템(102)을 사용하여 생성될 수도 있지만, 그러나 반드시 그럴 필요는 없다. 따라서, 테스트 이미지는 광학 이미지, 주사 전자 현미경 이미지, 입자 빔 이미지, 또는 등등에 대응할 수도 있다. 다른 예로서, 테스트 이미지는 검사 시스템(100)에 의해 저장될 수도 있다. 예를 들면, 테스트 이미지는 컨트롤러(106)의 메모리 디바이스(110) 내에 저장될 수도 있다. 이와 관련하여, 검사 시스템(100)은 가상 검사 시스템으로서 동작할 수도 있다. 다른 예로서, 테스트 이미지는 외부 소스(예를 들면, 데이터 저장 시스템, 서버, 추가적인 검사 시스템, 또는 등등)로부터 검색될(retrieved) 수도 있다.
다른 실시형태에서, 방법(200)은 테스트 이미지의 해상도를 향상시키기 위해 테스트 이미지를 재구성하는 단계(204)를 포함한다. 단계(204)는 결함의 검출을 향상시키기 위해 기술 분야에서 공지되어 있는 임의의 방법 또는 방법의 조합을 사용하여 테스트 이미지를 재구성하는 것을 포함할 수도 있다. 다른 실시형태에서, 방법(200)은 재구성된 테스트 이미지에 기초하여 샘플 상의 하나 이상의 결함을 검출하는 단계(206)를 포함한다. 예를 들면, 단계(206)는 기술 분야에서 공지되어 있는 임의의 기술을 사용하여 재구성된 테스트 이미지에 기초하여 결함을 검출하는 것을 포함할 수도 있다. 예를 들면, 재구성된 테스트 이미지의 일부분은, 테스트 이미지 내의 결함의 검출을 위해 테스트 이미지의 반복된 부분, 기준 이미지, 설계 데이터, 또는 등등에 분석 및 비교될 수도 있다.
하나의 실시형태에서, 단계(204)는 이미지 보간법에 의해 테스트 이미지를 재구성하는 것을 포함한다. 단계(204)는, 이중 선형 보간법(bilinear interpolation), 큐빅 보간법, 랑조스(Lanczos) 보간법, 최근린 보간법(nearest neighbor interpolation), B-스플라인 보간법(B-spline interpolation), 또는 싱크 보간법(sinc interpolation)과 같은, 그러나 이들로 제한되지는 않는, 기술 분야에서 공지되어 있는 임의의 보간 기술을 사용하여 테스트 이미지를 재구성하는 것을 포함할 수도 있다. 예를 들면, 단계(204)는, 검사 시스템에 의해 제공되는 해상도 이상으로 테스트 이미지의 해상도를 증가시키기 위해(예를 들면, 이미지를 업스케일링하기 위해) 테스트 이미지를 보간하는 것을 포함할 수도 있다. 예를 들면, 단계(204)는, 픽셀 사이즈 및/또는 간격을 샘플 상의 피쳐의 치수의 또는 그 아래의 치수로 수정하기 위해 테스트 이미지를 보간하는 것을 포함할 수도 있다. 이와 관련하여, 검출된 결함과 관련되는 위치 정보는 관련 샘플 피쳐에 상관될 수도 있다.
다른 실시형태에서, 단계(204)는 디컨볼루션에 의해 이미지를 재구성하는 것을 포함한다.
도 3은, 본 개시의 하나 이상의 실시형태에 따른, 방법(200)의 단계(204)에서 수행되는 단계를 예시하는 흐름도이다. 하나의 실시형태에서, 단계(204)는 검사 시스템(예를 들면, 검사 측정 서브시스템(102), 또는 등등)의 PSF를 추정하는 단계(302)를 포함한다. 다른 실시형태에서, 단계(204)는 추정된 PSF에 기초하여 테스트 이미지를 디컨볼빙하는 단계(304)를 포함한다.
검사 시스템과 같은 이미징 시스템은 샘플의 왜곡된 표현인 이미지를 통상적으로 제공한다. 왜곡의 원인은, 이미징 시스템의 컴포넌트에 의한 회절, 이미징 시스템의 컴포넌트의 수차, 간섭 영향, 샘플의 움직임, 이미징 시스템의 움직임, 또는 난류를 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 일반적인 의미에서, 이미징 시스템에 의한 체계적인 왜곡(systematic distortion)은 점 확산 함수(PSF)에 의해 설명될 수도 있다. PSF는, 통상적으로 블러 패턴(blur pattern)인, 이미징 시스템에 의한 포인트 소스의 이미지로서 특성 묘사될 수도 있다. 이와 관련하여, 이미징 시스템에 의해 제공되는 이미지는, 실제 분포(예를 들면, 이상적인 이미지) 및 PSF의 컨볼루션으로서 모델링될 수도 있다. 예를 들면, 이미지 I(x, y)는 다음과 같이 모델링될 수도 있는데:
Figure pct00001
여기서 O(x, y)는 이상적인 이미지이고 h(x, y)는 PSF이다.
이미지 I(x, y)는 노이즈 분포의 가정인 n을 포함하도록 추가로 모델링될 수도 있다. 예를 들면, 이미지 I(x, y)는 다음과 같이 모델링될 수도 있다:
가우시안 노이즈 분포의 경우,
Figure pct00002
다른 예로서, 이미지 I(x, y)는 다음과 같이 모델링될 수도 있다:
Poisson(푸아송) 또는 임펄스 노이즈 분포의 경우,
Figure pct00003
본원의 이전에 설명된 바와 같이, 왜곡의 소스의 본질로 인해 이미징 시스템에 의한 특정한 이미지의 생성과 관련되는 정확한 PSF를 정의하는 것은 통상적으로 매우 어렵다. 또한, PSF는 이미징 시스템의 시야(field of view)에서의 물점(object point)의 공간적 위치뿐만 아니라 물체의 깊이 둘 모두의 함수로서 변할 수도 있다. 따라서, 단계(302)는 검사 시스템의 예상된 왜곡을 근사하는 검사 시스템의 PSF의 추정치를 생성하는 것을 포함할 수도 있다.
추가적으로, 이미지화되고 있는 샘플 상의 피쳐가 검사 시스템의 해상도보다 더 작은 결함 검사의 맥락에서, PSF는 국소 설계 패턴(local design pattern)의 함수일 수도 있다. 이와 관련하여 샘플의 임의적인 이미지를 디컨볼빙하는 데 적합한 전역적 PSF를 정의하는 것은 비실용적일 수도 있다. 따라서, 샘플 상의 피쳐의 실제 패턴과 매우 유사하도록 샘플의 이미지를 완전히 재구성하는 것은 비실용적일 수도 있다. 그러나, 결함 검출의 목적을 위해 샘플 상의 피쳐의 실제 패턴과 매우 유사한 이미지를 완전히 재구성하는 것은 필요하지 않을 수도 있는 경우가 있을 수도 있다. 오히려, 디컨볼루션의 현실적인 목적은 결함 신호의 신호 대 노이즈 비를 증가시키는 것일 수도 있다. 예를 들면, 디컨볼루션은 이미지에서 결함 신호와 비 결함 신호 사이의 대조를 용이하게 할 수도 있다. 이와 관련하여, 단계(302)에서의 전역적 PSF의 추정은 허용 가능하고 실용적인 재구성된 이미지를 제공할 수도 있다.
다른 실시형태에서, 전역적 PSF는 검사 시스템의 애퍼처의 조합(예를 들면, 선형 조합)의 푸리에 변환에 기초하여 추정된다. 예를 들면, 단계(302)는 (예를 들면, 조명 소스(112)에 의해 제공되는 조명의 공간적 분포에 대응하는) 조명 애퍼처 및 조명 시스템의 수집 애퍼처의 선형 조합의 푸리에 변환에 기초하여 PSF의 추정치를 생성하는 것을 포함할 수도 있다.
도 4a 내지 도 4e는, 조명 애퍼처 및 수집 애퍼처의 선형 조합에 기초한 검사 시스템의 PSF의 추정을 예시한다. 도 4a는, 본 개시의 하나 이상의 실시형태에 따른, 검사 시스템의 조명 애퍼처의 플롯(400)이다. 예를 들면, 조명 소스(112)는 플롯(400)에 대응하는 조명 프로파일을 구비할 수도 있다. 하나의 실시형태에서, 조명 애퍼처는 두 개의 조명 폴(illumination pole)(402)을 포함한다. 하나의 경우에, 두 개의 조명 폴(402)은, 샘플(104) 상으로 투영될 때, 축외(off-axis) 조명을 제공할 수도 있다. 도 4b는, 본 개시의 하나 이상의 실시형태에 따른, 검사 시스템의 수집 애퍼처의 플롯(404)이다. 예를 들면, 검사 측정 서브시스템(102)의 대물 렌즈(124)는 (예를 들면, 대물 렌즈(124)의) 0.9 NA에 대응하는 플롯(404)에 대응하는 원형 수집 애퍼처(406)를 구비할 수도 있다. 본원에서, 조명 및 수집 애퍼처는 검사 시스템의 동공 플레인에 대응할 수도 있다는 것을 유의한다. 이와 관련하여, 조명 또는 수집 애퍼처 내의 특정한 공간적 위치는, 특정한 각도에서 시스템에 들어가거나 나오는 조명에 대응할 수도 있다. 따라서, 플롯(400 및 404)은 입사각 또는 출사각에 따라 검사 시스템을 통해 전파하는 광의 상대적 강도를 묘사할 수도 있다.
도 4c는, 본 개시의 하나 이상의 실시형태에 따른, 플롯(400)의 조명 애퍼처 및 플롯(404)의 수집 애퍼처의 선형 조합의 플롯(408)이다. 예를 들면, 플롯(408)은 0.8로 가중되는 플롯(400)의 조명 애퍼처와 0.2로 가중되는 플롯(404)의 수집 애퍼처의 합을 예시할 수도 있다. 그러나, 조명 및 수집 애퍼처 내의 예시적인 패턴뿐만 아니라 4a 내지 도 4c와 관련되는 가중 인자의 값은 단지 예시의 목적을 위해 제공되며 제한적으로 해석되어서는 안된다는 것이 이해되어야 한다. 일반적인 의미에서, 조명 및 수집 애퍼처는 임의의 패턴을 가질 수도 있다. 또한, 조명 및 수집 애퍼처는 애퍼처의 투과율에 대응하는 그레이 스케일 값을 포함할 수도 있다. 추가적으로, 조명 및 수집 애퍼처의 선형 조합은 상대적인 기여도를 분배하는 가중치의 임의의 조합으로 가중될 수도 있다. 본원에서, 수집 애퍼처에 비해 조명 애퍼처를 무겁게 가중하는 것은, 검사 시스템의 동공을 통과하는 조명의 각도의 분포의 추정치를 제공할 수도 있다는 것을 유의한다. 다른 실시형태에서, 가중 파라미터는, 개구수(NA) 또는 조명 각도와 같은 그러나 이들로 제한되지는 않는 검사 시스템(예를 들면, 검사 측정 서브시스템(102), 또는 등등)의 파라미터에 기초한 커스터마이징된 함수로부터 생성될 수도 있다.
도 4d는, 본 개시의 하나 이상의 실시형태에 따른, 도 4c에서 예시되는 조명 및 수집 애퍼처의 선형 조합의 2D 푸리에 변환에 기초한 선형 스케일에서의 검사 시스템의 추정된 PSF의 플롯(410)이다. 도 4e는, 본 개시의 하나 이상의 실시형태에 따른, 도 4c에서 예시되는 조명 및 수집 애퍼처의 선형 조합의 2D 푸리에 변환에 기초한 대수 스케일(logarithmic scale)에서의 검사 시스템의 추정된 PSF의 플롯(412)이다. 예를 들면, 도 4d 및 도 4e에서 예시되는 PSF는 포인트 소스에 대한 검사 시스템의 응답의 추정치를 나타낼 수도 있다.
(예를 들면, 단계(304), 또는 등등에서 수행되는 것과 같은) 디컨볼루션은, 고유한 솔루션이 존재하지 않을 수도 있다는 점에서, 통상적으로, 부적절하게 정립된 역 문제(ill-posed inverse problem)이다. 이미징 시스템에 의해 생성되는 이미지의 재구성된 버전인 O'(x,y)는, 샘플(예를 들면, 테스트 이미지)의 이미지에서 결함의 검출을 향상시키는 데 적합한 기술 분야에서 공지되어 있는 임의의 디컨볼루션 기술에 의해 결정될 수도 있다.
몇몇 실시형태에서, 하나 이상의 프로세싱 단계는 푸리에 도메인에서 (예를 들면, 재구성될 이미지의 공간 푸리에 변환을 사용하여) 수행될 수도 있다. 하나의 실시형태에서, 식 (1)은 다음과 같이 표현될 수도 있는데:
Figure pct00004
여기에서
Figure pct00005
는 이상적인 이미지(O)의 푸리에 변환이고,
Figure pct00006
는 관찰된 이미지(I)의 푸리에 변환이고, H는 PSF의 푸리에 변환(예를 들면, 광학 전달 함수(optical transfer function; OTF))이다.
하나의 실시형태에서, 재구성된 이미지인
Figure pct00007
는 OTF를 직접적으로 역계산하는 것에 의해 생성된다:
Figure pct00008
또한, 특이점을 피하기 위해, 작은 상수 c가 식 (5)에 추가될 수도 있다. 예를 들면, 재구성된 이미지인
Figure pct00009
는 다음에 따라 생성될 수도 있다:
Figure pct00010
다른 실시형태에서, 역행렬 H-1은 공지된 또는 예상된 주파수 종속 신호 대 노이즈 비(SNR(f))에 기초하여 결정될 수도 있는데:
Figure pct00011
여기서 H*는 H의 복소수 켤레를 나타낸다. 이와 관련하여, 역행렬 H-1은 신호 대 노이즈 비에 기초하여 공간 주파수를 필터링하는 Wiener(위너) 필터를 나타낼 수도 있다. 예를 들면, 이미지의 높은 공간 주파수는 상대적으로 더 큰 신호 대 노이즈 비를 통상적으로 가질 수도 있고, 따라서 위너 필터에 의해 더욱 강하게 필터링될 수도 있다.
다른 실시형태에서, 이미지는 최대 우도 계산(maximum likelihood calculation)에 기초하여 재구성될 수도 있다. 예를 들면, 최소 자승 오차를 최소화하는 이미지는 다음과 같이 특성 묘사될 수도 있다:
Figure pct00012
다른 실시형태에서, 사전 지식을 강화하고, 솔루션을 제한하고, 및/또는 증폭 노이즈를 방지하기 위해 하나 이상의 정규화 인자가 최소화(minimization)에 포함될 수도 있다. 예를 들면, 정규화 인자는, 평활도, 희소성, 그래디언트, 또는 등등에 기초하여 이미지를 제한할 수도 있다. 하나의 경우에서, 정규화에 의해 제한되는 최소 자승 오차를 최소화하는 이미지는 다음과 같이 특성 묘사될 수도 있는데:
Figure pct00013
여기서
Figure pct00014
는 정규화 파라미터이고
Figure pct00015
는 제약 함수이다.
다른 실시형태에서, 재구성된 이미지는 최대 우도 솔루션에 수렴하는 반복 기술을 사용하여 생성될 수도 있다. 예를 들면, 단계(204)는 리차드슨-루시 디컨볼루션 기술을 사용하여 이미지를 재구성하는 것을 포함할 수도 있지만, 그러나 이것으로 제한되는 것은 아니다. 예를 들면, 리차드슨-루시 디컨볼루션은 푸아송 노이즈 분포의 가정에 기초한 최대 우도 이미지(예를 들면, 재구성된 이미지(O'))에 수렴하는 반복 솔루션을 제공할 수도 있다. 이와 관련하여, 이상적인 이미지(O) 및 PSF(h)가 주어지는 관찰된 이미지(I)의 우도 확률은 다음과 같이 특성 묘사될 수도 있는데:
Figure pct00016
여기서 D는 이미지(I 및 O)의 공간 좌표를 나타낸다. 또한, 식 (9)의 우도 확률은 음의 로그 우도(negative log likelihood)인 E(예를 들면, 비용 함수)를 최소화하는 것에 의해 최대화된다:
Figure pct00017
그러면, 최대 우도 추정치는 다음과 같이 특성 묘사될 수도 있고:
Figure pct00018
재구성된 이미지에 대한 반복적 솔루션은 다음과 같이 밝혀질 수도 있는데:
Figure pct00019
여기서, k는 반복 횟수를 나타내는 정수이고, Ok는 재구성된 이미지의 k 번째 반복이다.
도 5a 내지 도 5c는 이미지에 대한 리차드슨-루시 디컨볼루션의 적용을 예시한다. 도 5a는, 본 개시의 하나 이상의 실시형태에 따른, (예를 들면, 검사 시스템에 의해 획득되는) 샘플의 관찰된 이미지(500)이다. 이미지는 명확하게 분해되지 않은 일련의 선형 피쳐(502)를 포함한다. 도 5b는, 본 개시의 하나 이상의 실시형태에 따른 리차드슨-루시 컨볼루션의 10 번의 반복에 의해 생성되는 관찰된 이미지(500)의 재구성된 버전에 대응하는 재구성된 이미지(504)이다. 재구성된 이미지(504)는 향상된 해상도를 나타낸다. 예를 들면, 선형 피쳐(502)의 에지는, 비록 그들이 명확하게 정의되지는 않지만, 관찰된 이미지(500)에서 보다 더 선명하다. 또한, 선형 피쳐(502)의 위치는 도 5a와 관련하여 변경되지 않는다. 이와 관련하여, 재구성된 이미지(504)는 결함 검출을 위해 활용될 때 우수한 성능을 제공할 수도 있다. 예를 들면, 식별된 결함의 위치는, 관찰된 이미지(500)에 관련된 재구성된 이미지(504)를 사용하여 샘플 상의 피쳐에 대해 더욱 정확하게 결정 및 상관될 수도 있다. 그러나, 리차드슨-루시 디컨볼루션은 결함의 검출에 부정적인 영향을 끼칠 수도 있는 아티팩트를 이미지에서 생성할 수도 있다. 예를 들면, 링잉 아티팩트(506)(예를 들면, 에지 근처의 진폭 진동, 또는 등등과 관련됨)는 관찰된 이미지(500)에서는 존재하지 않으며 더 이상 샘플을 대표하지 않는다. 따라서, 링잉 아티팩트(506)의 존재는 결함 검출 성능에 부정적인 영향을 줄 수도 있다. 도 5c는, 본 개시의 하나 이상의 실시형태에 따른, 리차드슨-루시 컨볼루션의 100 번의 반복에 의해 생성되는 관찰된 이미지(500)의 재구성된 버전에 대응하는 재구성된 이미지(508)이다. 재구성된 이미지(508)에서, 선형 피쳐의 에지는 10 번의 반복을 사용하여 획득되는 재구성된 이미지(504)보다 더 선명하다. 그러나, 링잉 아티팩트(506)도 역시 증폭된다. 몇몇 애플리케이션에서, 디컨볼루션 프로세스에 의해 도입되는 아티팩트(예를 들면, 링잉 아티펙트(506), 및 등등)는 디컨볼루션에 의해 획득되는 결함 검출에서 이점을 상쇄할 수도 있다.
다른 실시형태에서, 단계(304)는, 하나 이상의 정형화 파라미터가 결과적으로 나타나는 이미지를 제약하는 정규화된 디컨볼루션 기술을 사용하여, 관찰된 이미지를 재구성하는 것을 포함한다. 이와 관련하여, 디컨볼루션 프로세스와 관련되는 아티팩트가 완화될 수도 있다. 단계(304)에서 활용되는 정규화 파라미터는, 기술 분야에서 공지되어 있는 임의의 타입의 정규화 파라미터일 수도 있다. 예를 들면, 정규화 파라미터는, 사전 지식(예를 들면, 이상적인 이미지와 관련되는 공지된 또는 추정된 제약)에 따라 이미지의 하나 이상의 양태를 제한할 수도 있다. 예를 들면, 이미지 제약 정규화 파라미터는, 이미지 내의 그래디언트 또는 평활도에 대한 제약을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다.
다른 실시형태에서, 단계(304)는 최대 사후(maximum a posterior; MAP) 분석을 포함한다. 예를 들면, 재구성된 이미지는
Figure pct00020
로서 특성 묘사될 수도 있는데, 여기서
Figure pct00021
는 Bayes' Rule(베이즈 규칙)에 따른 사후 확률(posterior probability)을 나타낸다.
다른 실시형태에서, 단계(304)는 정규화된 리차드슨-루시(regularized Richardson-Lucy; RRL) 디컨볼루션을 사용하여 이미지를 재구성하는 것을 포함한다. 예를 들면, 정규화된 리차드슨-루시 디컨볼루션과 관련되는 비용 함수인 E는 다음과 같이 특성 묘사될 수도 있는데:
여기서
Figure pct00023
는 정규화 인자이며
Figure pct00024
는 이상적인 이미지(O)에 대해 평가되는 정규화 함수이다. 정규화된 리차드슨-루시 디컨볼루션에 대한 대응하는 반복 솔루션은 다음과 같이 표현될 수도 있다:
Figure pct00025
하나의 경우에서, 정규화 인자는 총 변동 인자를 포함하는데, 이것은 다음과 같이 표현될 수도 있다:
Figure pct00026
다른 예에서, 정규화 인자는 티호노프-밀러 인자를 포함하는데, 이것은 다음과 같이 표현될 수도 있다:
Figure pct00027
다른 경우에서, 정규화 인자는 양측 인자(Bilateral factor)를 포함하는, 이것은 다음과 같이 표현될 수도 있다:
Figure pct00028
본원에서 설명되는 정규화 인자의 예는 단지 예시의 목적을 위해서만 제공되며 제한하는 것으로 해석되어서는 안된다는 것이 이해되어야 한다. 수행되는 디컨볼루션은, 최대 사후 디컨볼루션을 포함하는, 그러나 이것으로 제한되지는 않는 임의의 타입의 정규화 인자를 포함할 수도 있다.
도 5d 내지 도 5f는, 이미지에 대한 정규화된 리차드슨-루시 디컨볼루션의 적용을 예시한다. 도 5d는, 본 개시의 하나 이상의 실시형태에 따른, 총 변동 정규화 인자를 갖는 정규화된 리차드슨-루시 디컨볼루션을 사용하여 생성되는 재구성된 이미지(510)이다. 도 5e는, 본 개시의 하나 이상의 실시형태에 따른, 티호노프-밀러 정규화 인자를 갖는 정규화된 리차드슨-루시 디컨볼루션을 사용하여 생성되는 재구성된 이미지(512)이다. 도 5f는, 본 개시의 하나 이상의 실시형태에 따른, 양측 정규화 인자를 갖는 정규화된 리차드슨-루시 디컨볼루션을 사용하여 생성되는 재구성된 이미지(514)이다. 본원에서, 비록 상이한 정규화 파라미터가 상이한 절충(tradeoff)을 제공할 수도 있지만, 상이한 정규화 파라미터는 관찰된 이미지(예를 들면, 도 5a)에 비해 향상된 해상도를 제공한다는 것을 유의한다. 예를 들면, 상이한 정규화 파라미터는, 선형 피쳐(502)의 에지의 선명도와 링잉 아티팩트(506)와 같은 아티팩트의 강도, 약한 신호와 관련되는 아티팩트의 강도, 계산 시간, 또는 등등 사이에서 상이한 절충을 제공할 수도 있다. 이와 관련하여, 특정한 성능 메트릭 및/또는 샘플 상의 특정한 피쳐 패턴에 기초하여 결함의 검출을 용이하게 하기 위해 정규화 파라미터가 (예를 들면, 검사 시스템(100)의 컨트롤러(106), 또는 등등에 의해) 선택될 수도 있다. 예를 들면, 결함 돌출(defect salience), (예를 들면, 샘플 피쳐와 관련한) 결함 위치, 또는 검사 레시피의 관리 영역의 결정과 같은, 그러나 이들로 제한되지는 않는 결함 검출의 성능 특성은, 검사 시스템으로부터의 이미지(예를 들면, 테스트 이미지 및/또는 기준 이미지)의 재구성을 통해 향상될 수도 있다.
검사 시스템에 의해 제공되는 하나 이상의 이미지의 재구성은, 검사 시스템에 의해 제1 위치에서 캡쳐되지 않은 샘플 상의 피쳐 패턴과 관련되는 몇몇 공간 주파수를 완전히 복원할 수 없을 수도 있는 경우가 있을 수도 있다. 그러나, 재구성은 신호 대 노이즈 비 및/또는 이미지의 결함과 관련되는 콘트라스트를 증가시키는 것에 의해 결함 검출을 용이하게 할 수도 있다.
도 6a 내지 도 6c는, 정규화된 리차드슨-루시 디컨볼루션과 큐빅 이미지 보간에 기초한 이미지 재구성 사이의 비교를 예시한다. 도 6a는, 본 개시의 하나 이상의 실시형태에 따른, 큐빅 보간법을 사용하여 재구성되는 샘플의 이미지(602)이다. 도 6b는, 본 개시의 하나 이상의 실시형태에 따른, 정규화된 리차드슨-루시 디컨볼루션을 사용하여 재구성되는 샘플의 동일한 부분의 이미지(604)이다. 도 6c는, 본 개시의 하나 이상의 실시형태에 따른, 도 6a의 이미지(602) 및 도 6b의 이미지(604) 둘 모두의 슬라이스와 관련되는 그레이 레벨을 예시하는 플롯(606)이다. 플롯(606)에서, 피쳐의 상대적 위치는 재구성 방법 둘 모두에 대해 일정하게 유지된다. 이와 관련하여, 재구성된 이미지에서 관찰되는 결함의 위치는 정확하게 결정될 수도 있다. 또한, 플롯(606)에서 알 수 있는 바와 같이, 정규화된 리차드슨-루시 디컨볼루션을 사용하는 이미지 재구성은 이미지에서의 증가된 콘트라스트(예를 들면, 이미지 피쳐와 관련되는 증가된 피크 투 밸리(peak to valley) 신호 강도) 및 이미지 피쳐의 형상의 더 선명한 정의(예를 들면, 이미지 피쳐와 관련되는 더 급격한 경사 및/또는 더 좁은 피크) 둘 모두를 제공할 수도 있다.
본원에서 앞서 설명되는 바와 같이, 검사 시스템(예를 들면, 검사 시스템(100), 또는 등등)은, 검사 중인 샘플의 테스트 이미지와 기준 이미지 사이의 차이 이미지를 (예를 들면, 기준 샘플 또는 검사 중인 샘플 상의 추가적인 다이 또는 셀의 하나 이상의 이미지에 기초하여) 생성하는 것에 의해 샘플 상의 결함을 검출할 수도 있다. 도 7은, 본 개시의 하나 이상의 실시형태에 따른, 재구성된 테스트 이미지 및 재구성된 기준 이미지를 사용하여 생성되는 차이 이미지에 기초한 결함의 검출을 위한 방법(200)의 단계(206)에서 수행되는 단계를 예시하는 흐름도이다. 하나의 실시형태에서, 단계(206)는 샘플의 기준 이미지를 획득하는 단계(702)를 포함한다. 예를 들면, 기준 이미지는 적어도 부분적으로 검사 측정 서브시스템(102)을 사용하여 생성될 수도 있지만, 그러나 반드시 그럴 필요는 없다. 따라서, 기준 이미지는 광학 이미지, 주사 전자 현미경 이미지, 입자 빔 이미지, 또는 등등에 대응할 수도 있다. 또한, 기준 이미지는 (예를 들면, 동일한 패턴의 피쳐를 구비하는 다이 및/또는 셀의) 이미지 및/또는 설계 데이터의 조합에 의해 생성될 수도 있다. 다른 예로서, 기준 이미지는 검사 시스템(100)에 의해 저장될 수도 있다. 예를 들면, 기준 이미지는 컨트롤러(106)의 메모리 디바이스(110) 내에 저장될 수도 있다. 이와 관련하여, 검사 시스템(100)은 가상 검사 시스템으로서 동작할 수도 있다. 다른 예로서, 기준 이미지는 외부 소스(예를 들면, 데이터 저장 시스템, 서버, 추가적인 검사 시스템, 또는 등등)로부터 검색될 수도 있다.
다른 실시형태에서, 단계(206)는 점 확산 함수에 기초하여 기준 이미지를 재구성하는 단계(704)를 포함한다. 예를 들면, 기준 이미지는, 보간법, 디컨볼루션, 또는 정규화된 디컨볼루션과 같은, 그러나 이들로 제한되지는 않는 임의의 기술을 사용하여 재구성될 수도 있다. 다른 실시형태에서, 단계(206)는 재구성된 테스트 이미지와 재구성된 기준 이미지 사이의 차이 이미지를 생성하는 단계(706)를 포함한다. 다른 실시형태에서, 단계(206)는 차이 이미지에 기초하여 샘플 상의 하나 이상의 결함을 검출하는 단계(708)를 포함한다. 예를 들면, 결함은 재구성된 테스트 이미지와 재구성된 기준 이미지 사이의 차이에 기인할 수도 있다.
도 8은, 본 개시의 하나 이상의 실시형태에 따른, 재구성된 테스트 이미지 및 재구성된 기준 이미지에 기초한 차이 신호의 생성을 예시하는 재구성된 테스트 이미지, 재구성된 기준 이미지, 및 재구성된 차이 이미지를 포함한다. 이미지(802)는 정규화된 리차드슨-루시 디컨볼루션을 사용하여 생성되는 소망되는 패턴의 피쳐의 기준 이미지의 재구성된 버전을 나타낸다. 이미지(804)는 정규화된 리차드슨-루시 디컨볼루션을 사용하여 생성되는 결함에 대해 검사될 샘플의 테스트 이미지의 재구성된 버전을 나타낸다. 샘플의 피쳐의 소정의 양태가 검사 시스템에 의해 완전히 분해되지 않고 그 결과, 심지어 재구성 이후에도, 이미지는 흐리게 보이는 경우가 있을 수도 있다. 이미지(806)는 10 배의 이득을 갖는 이미지(804)와 이미지(802) 사이의 차이에 기초한 차이 이미지를 나타낸다. 또한, 차이 이미지(806)는 14.2의 신호 대 노이즈 비를 가지며, 결함 검출에 적합하다. 그러나, 디컨볼루션과 관련되는 잔여 아티팩트가 차이 이미지에서 존재할 수도 있고 따라서 결함 검출 성능에 부정적인 영향을 줄 수도 있는 경우가 있을 수도 있다. 예를 들면, 정규화가 재구성된 이미지에서 아티팩트의 생성을 완화하는 경향이 있지만(예를 들면, 도 5a 내지 도 5f 참조), 재구성된 이미지가 몇몇 아티팩트(808)를 포함하는 경우가 있을 수도 있다. 또한, 주목하는 결함으로 인한 테스트 이미지와 기준 이미지 사이의 차이는, 기준 이미지에 대한 테스트 이미지의 아티팩트의 분포를 수정할 수도 있다. 따라서, 차이 이미지(예를 들면, 이미지(806))는 차이 이미지에 기초한 결함 검출에 부정적인 영향을 줄 수도 있는 가시적 아티팩트를 포함할 수도 있다.
다른 실시형태에서, 결함 검출이 차이 이미지에 기초하는 경우, 테스트 이미지는 추가적인 희소 분포 정규화 항을 가지고 재구성된다. 본원에서, 결함 검출의 맥락에서, 테스트 이미지 내의 결함의 잠재적인 존재를 제외하면, 테스트 이미지 및 기준 이미지는 의도적으로 유사하다는 것이 인식된다. 또한, 테스트 이미지의 결함 신호는 공간 도메인에서 통상적으로 희소하게 분포된다. 따라서, 희소 분포 정규화 파라미터를 (기준 이미지가 아닌) 테스트 이미지의 재구성에 통합하는 것은 결함 신호를 향상시킬 수도 있고 재구성 프로세스와 관련되는 아티팩트를 완화할 수도 있다(예를 들면, 도 8 참조).
예를 들면, 테스트 이미지는, 희소 분포 정규화 항을 포함하는 비용 함수에 기초하여 희소성에 영향을 받은 정규화 리차드슨-루시(sparsity-inspired regularized Richardson-Lucy; SRRL) 디컨볼루션을 사용하여 재구성될 수도 있지만, 그러나 반드시 그럴 필요는 없다:
Figure pct00029
여기서
Figure pct00030
는 희소 분포 정규화 인자이고 0 <p≤1이다.
도 9는, 본 개시의 하나 이상의 실시형태에 따른, 희소 분포 정규화 파라미터의 상이한 값에 기초하여 재구성된 기준 이미지 및 재구성된 테스트 이미지를 사용하여 생성되는 차이 이미지를 포함한다. 예를 들면, 이미지(902-908)는 0.0015에서부터 0.0045까지에 이르는 범위의 (예를 들면, 식(18)의)
Figure pct00031
의 값을 가지고 생성되고,
Figure pct00032
이고, 16.2에서부터 18.5로 증가하는 신호 대 노이즈 비를 나타낸다. 이와 관련하여, 희소 분배의 정규화 파라미터
Figure pct00033
가 증가함에 따라, 정규화된 리차드슨-루시 디컨볼루션과 관련되는 잔여 아티팩트가 이미지에서의 눈에 띄는 형상 왜곡 없이 점점 억제된다. 따라서, 신호의 결함이 더욱 명확하게 검출될 수도 있다.
다른 실시형태에서, 차이 이미지의 생성의 유무에 무관한 (예를 들면, 방법(200)에 의해) 재구성된 테스트 이미지에 기초하여 검출되는 결함의 위치는, 샘플 상의 피쳐에 상관된다. 예를 들면, 재구성된 테스트 이미지에 기초하여 검출되는 결함의 위치는 설계 데이터에 상관될 수도 있다. 이와 관련하여, 이미지 재구성에 기초한 결함 검출은, 결함의 국소화를, (예를 들면, 검사 시스템에 의해 획득되는 관찰된 테스트 이미지의 단일의 픽셀과 관련되는 샘플의 영역에 기초하는) 서브픽셀 정확도까지 가능하게 할 수도 있다.
도 10은, 본 개시의 하나 이상의 실시형태에 따른, 희소 분포 정규화 파라미터와 함께 재구성된 기준 이미지 및 재구성된 테스트 이미지를 사용하여 생성되는 차이 이미지에 기초하여 검출되는 결함(1004)과 중첩되는 설계 데이터에 기초한 샘플 피쳐(1002)의 맵을 예시하는 이미지(1000)이다. 하나의 실시형태에서, 결함 신호(1004)는, 테스트 및/또는 기준 이미지를 생성하기 위해 활용되는 검사 시스템의 분해능보다 더 작은 피쳐(1002)의 컨텍스트 내에서 정확하게 위치 결정된다.
본 개시에서 사용되는 바와 같은 용어 "설계 데이터"는, 집적 회로의 물리적 설계 및 복잡한 시뮬레이션 또는 간단한 기하학적 조작(geometric operation) 및 불 연산(Boolean operation)을 통해 물리적 설계로부터 유도되는 데이터를 일반적으로 가리킨다. 또한, 레티클 검사 시스템에 의해 획득되는 레티클의 이미지 및/또는 그 유도물(derivative)은 설계 데이터에 대한 대용물 또는 대용물들로서 사용될 수도 있다. 이러한 레티클 이미지 또는 그 유도물은, 설계 데이터를 사용하는 본원에서 설명되는 임의의 실시형태에서 설계 레이아웃에 대한 대체물로서 기능할 수도 있다. 설계 데이터 및 설계 데이터 대용물은, 2010년 3월 9일자로 발행된 Kulkarni에 의한 미국 특허 제7,676,007호; 2011년 5월 25일자로 출원된 Kulkarni에 의한 미국 특허 출원 제13/115,957호; 2011년 10월 18일자로 발행된 Kulkarni에 의한 미국 특허 제8,041,103호; 및 2009년 8월 4일자로 발행된 Zafar 등등에 의한 미국 특허 제7,570,796호에서 설명되는데, 이들 특허 모두는 참조에 의해 본원에 통합된다. 또한, 검사 프로세스를 지시함에 있어서의 설계 데이터의 사용은, 2012년 2월 17일자로 출원된 Park의 미국 특허 출원 제13/339,805호에서 일반적으로 설명되는데, 이 특허 출원은 참조에 의해 그 전체가 본원에 통합된다.
설계 데이터는, 샘플(104)(예를 들면, 절연체, 도체, 반도체, 웰, 기판, 또는 등등) 상의 개개의 컴포넌트 및/또는 층의 특성, 샘플(104) 상의 층 사이의 연결성 관계, 또는 샘플(104) 상의 컴포넌트 및 연결부(예를 들면, 와이어)의 물리적 레이아웃을 포함할 수도 있다. 이와 관련하여, 설계 데이터는, 샘플(104) 상의 인쇄 패턴 요소에 대응하는 복수의 설계 패턴 요소를 포함할 수도 있다.
본원에서, 설계 데이터는, 샘플(104) 상의 패턴 요소에 대한 배치 정보를 포함하는 "플로어플랜(floorplan)"으로 알려져 있는 것을 포함할 수도 있다는 것을 유의한다. 본원에서, 이 정보는 GDSII 또는 OASIS 파일 포맷으로 일반적으로 저장되는 칩의 물리적 설계로부터 추출될 수도 있다는 것을 또한 유의한다. 구조적 거동(structural behavior) 또는 프로세스 설계 상호 작용은, 패턴 요소의 컨텍스트(환경)의 함수일 수도 있다. 플로어플랜을 사용하는 것에 의해, 제안되는 분석은, 반도체 층 상에 구성될 피쳐를 설명하는 다각형과 같은 패턴 요소를 설계 데이터 내에서 식별할 수 있다. 또한, 제안된 방법은, 이들 반복하는 블록의 좌표 정보뿐만 아니라 컨텍스트에 맞는 데이터(contextual data)(예를 들면, 인접한 구조체의 위치, 또는 등등)를 제공할 수도 있다.
하나의 실시형태에서, 설계 데이터는, 패턴 요소의 하나 이상의 그래픽 표현(예를 들면, 시각적 표현, 기호 표현, 도형 표현, 또는 등등)을 포함한다. 예를 들면, 설계 데이터는, 컴포넌트의 물리적 레이아웃의 그래픽 표현(예를 들면, 샘플(104) 상에 제조되는 인쇄된 패턴 요소에 대응하는 하나 이상의 다각형의 디스크립션)을 포함할 수도 있다. 또한, 설계 데이터는 샘플 설계의 하나 이상의 층(예를 들면, 샘플(104) 상에 제조되는 인쇄된 패턴 요소의 하나 이상의 층) 또는 하나 이상의 층 사이의 연결성의 그래픽 표현을 포함할 수도 있다. 다른 예로서, 설계 데이터는 샘플(104) 상의 컴포넌트의 전기적 연결성의 그래픽 표현을 포함할 수도 있다. 이와 관련하여, 설계 데이터는 샘플과 관련되는 하나 이상의 회로 또는 부회로(sub-circuit)의 그래픽 표현을 포함할 수도 있다. 다른 실시형태에서, 설계 데이터는 샘플(104)의 하나 이상의 부분의 그래픽 표현을 포함하는 하나 이상의 이미지 파일을 포함한다.
다른 실시형태에서, 설계 데이터는 샘플(104)의 패턴 요소의 연결성의 하나 이상의 텍스트 디스크립션(예를 들면, 하나 이상의 목록, 하나 이상의 테이블, 하나 이상의 데이터베이스, 또는 등등)을 포함한다. 예를 들면, 설계 데이터에는, 넷목록 데이터(netlist data), 회로 시뮬레이션 데이터, 또는 하드웨어 디스크립션 언어 데이터를 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 넷목록은, 물리적 넷목록, 논리적 넷목록, 인스턴스 기반의 넷목록, 또는 네트 기반의 넷목록(net-based netlist)을 포함하는 그러나 이들로 제한되지는 않는 전기 회로의 연결성의 디스크립션을 제공하기 위한 기술 분야에서 공지되어 있는 임의의 타입의 넷목록을 포함할 수도 있다. 또한, 넷목록은 샘플(104) 상의 회로 및/또는 부회로를 설명하기 위한 하나 이상의 서브 넷목록(sub-netlist)을 (예를 들면, 계층적 구성에서) 포함할 수도 있다. 예를 들면, 넷목록과 관련되는 넷목록 데이터는, 노드의 목록(예를 들면, 넷(net), 회로의 컴포넌트 사이의 와이어, 또는 등등), 포트의 목록(예를 들면, 단자, 핀, 커넥터, 또는 등등), 넷 사이의 전기적 컴포넌트(예를 들면, 저항기, 커패시터, 인덕터, 트랜지스터, 다이오드, 전원, 또는 등등)의 디스크립션, 전기적 컴포넌트와 관련되는 값(예를 들면, 저항기의 옴 단위의 저항 값, 전원의 볼트 단위의 전압 값, 전원의 주파수 특성, 컴포넌트의 초기 조건, 또는 등등)을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 다른 실시형태에서, 설계 데이터는 반도체 프로세스 플로우의 특정한 단계와 관련되는 하나 이상의 넷목록을 포함할 수도 있다. 예를 들면, 샘플(104)은 반도체 프로세스 플로우에서의 하나 이상의 중간 포인트에서 (예를 들면, 검사 시스템(100)에 의해) 검사될 수도 있다. 따라서, 관리 영역을 생성하기 위해 활용되는 설계 데이터는, 반도체 프로세스 플로우의 현재 포인트에서 샘플(104)의 레이아웃에 고유할 수도 있다. 이와 관련하여, 반도체 프로세스 플로우의 특정한 중간 포인트에서 웨이퍼 상에 존재하는 컴포넌트만을 포함하기 위해, 기술 파일(technology file)(층 연결성, 층의 각각의 전기적 속성(property), 및 등등)과 조합한 물리적 설계 레이아웃 또는 샘플(104)의 최종 레이아웃과 관련되는 넷목록 중 어느 하나로부터, 반도체 프로세스 플로우의 특정한 중간 포인트와 관련되는 넷목록이 유도될 수도 있다(예를 들면, 추출될 수도 있고, 또는 등등일 수도 있다).
다른 실시형태에서, 이미지 재구성은 검사 시스템에 의해 생성되는 하나 이상의 패치 이미지에 적용된다. 예를 들면, 검사 시스템에 의해 검출되는 결함의 분류를 용이하게 하기 위해 패치 이미지가 생성될 수도 있다.
도 11은, 본 개시의 하나 이상의 실시형태에 따른, 재구성된 패치 이미지에 기초하여 샘플의 결함을 분류하기 위한 방법(1100)에서 수행되는 단계를 예시하는 흐름도이다. 본 출원인은, 시스템(100)의 맥락에서 본원에서 앞서 설명된 실시형태 및 실현 기술이 방법(1100)으로 확장하도록 해석되어야 한다는 것을 언급한다. 그러나, 방법(1100)은 시스템(100)의 아키텍쳐로 제한되는 것은 아니다는 것을 또한 유의한다.
방법(1100)의 단계의 각각은 본원에서 추가로 설명되는 바와 같이 수행될 수도 있다. 단계는, 본원에서 설명되는 실시형태 중 임의의 것에 따라 구성될 수도 있는 하나 이상의 컨트롤러(예를 들면, 컨트롤러(106), 또는 등등)에 의해 수행될 수도 있다. 게다가, 상기에서 설명되는 방법은 본원에서 설명되는 시스템 실시형태 중 임의의 것에 의해 수행될 수도 있다. 방법(1100)은 또한, 본원에서 설명되는 컨트롤러 또는 임의의 시스템 실시형태에 의해 수행될 수도 있는 하나 이상의 추가 단계를 포함할 수도 있다.
하나의 실시형태에서, 방법(1100)은 샘플의 테스트 이미지를 획득하는 단계(1102)를 포함한다. 다른 실시형태에서, 방법(1100)은 테스트 이미지에 기초하여 샘플 상의 하나 이상의 결함을 검출하는 단계(1104)를 포함한다. 예를 들면, 단계(1104)는 기준 이미지에 기초하여(예를 들면, 테스트 이미지 및 기준 이미지와 관련되는 차이 이미지, 또는 등등에 기초하여) 샘플 상의 하나 이상의 결함을 검출하는 것을 포함할 수도 있다. 다른 예로서, 단계(1104)는 설계 데이터에 기초하여 샘플 상의 하나 이상의 결함을 검출하는 것을 포함할 수도 있다.
다른 실시형태에서, 방법(1100)은 샘플 상의 하나 이상의 검출된 결함과 관련되는 하나 이상의 패치 이미지를 생성하는 단계(1106)를 포함한다. 예를 들면, 패치 이미지는 단계(1104)에서 검출되는 결함을 둘러싸는 테스트 이미지의 일부를 포함할 수도 있다. 패치 이미지는 테스트 이미지의 결함 및 관련 피쳐를 묘사하는 데 적합한 임의의 사이즈일 수도 있다.
다른 실시형태에서, 방법(1100)은 하나 이상의 패치 이미지의 해상도를 향상시키기 위해 하나 이상의 패치 이미지를 재구성하는 단계(1108)를 포함한다. 예를 들면, 하나 이상의 패치 이미지는, 보간법 또는 디컨볼루션과 같은, 그러나 이들로 제한되지는 않는 기술 분야에서 공지되어 있는 임의의 기술을 사용하여 재구성될 수도 있다. 하나의 경우에서, 하나 이상의 패치 이미지는 정규화된 디컨볼루션(예를 들면, 정규화된 리차드슨-루시 디컨볼루션, 또는 등등)을 사용하여 재구성된다.
다른 실시형태에서, 방법(1100)은 하나 이상의 재구성된 패치 이미지에 기초하여 하나 이상의 결함을 분류하는 단계(1110)를 포함한다. 예를 들면, 결함은 재구성된 패치 이미지에 기초하여 기술 분야에서 공지되어 있는 임의의 분류 스킴에 따라 분류될 수도 있다. 하나의 경우에, 결함은 결함의 타입(예를 들면, 전기적 단락, 브리지 결함, 또는 등등)에 기초하여 분류된다. 다른 예에서, 결함은 결함에 근접한 샘플 피쳐에 기초하여 분류된다. 다른 실시형태에서, 결함은 결함의 파레토(pareto)를 생성하기 위해 분류에 따라 비닝될(binned) 수도 있다.
다른 실시형태에서, 이미지 재구성은 다수의 테스트 이미지에 적용된다. 예를 들면, 검사 시스템은 조명의 다수의 모드를 사용하여 샘플의 다수의 테스트 이미지를 생성할 수도 있다. 본원에서, 이미징 시스템의 공간 해상도는, 샘플로부터 캡쳐되는 조명의 각도(예를 들면, 대상의 다양한 공간 주파수 내용과 관련되는 조명의 회절 차수)에 의존한다는 것이 인식된다. 또한, 수집 애퍼처에 의해 수집되는 조명의 회절 차수는, 광이 샘플을 조명하는 각도에 의존할 수도 있다. 수직 입사에서의 조명은 상대적으로 적은 회절 차수의 수집으로 귀결되는 경향이 있을 수도 있고 따라서 상대적으로 낮은 공간 해상도를 갖는 이미지를 제공할 수도 있다. 대조적으로, 큰 각도에서의 조명은 상대적으로 더 많은 회절 차수의 수집으로 귀결되는 경향이 있을 수도 있고, 따라서 상대적으로 높은 공간 해상도를 갖는 이미지를 제공할 수도 있다.
다수의 각도의 조명이 (예를 들면, 고정된 조명 애퍼처를 통해) 샘플에 동시에 지향되는 경우, 수집 광학장치는 이미지를 생성하기 위해 다수의 각도의 조명과 관련되는 다양한 회절 차수를 효과적으로 결합시킨다. 본 개시의 다른 실시형태에서, 검사 시스템은 (예를 들면, 샘플을 향해 지향되는 조명의 입사각을 변화 시키는) 조명의 다양한 모드를 가지고 다수의 테스트 이미지를 생성한다. 각각의 테스트 이미지는 테스트 이미지의 해상도를 향상시키기 위해 재구성될 수도 있다. 또한, 재구성된 테스트 이미지는 결함 검출을 위해 단일의 결합된 이미지로 결합될 수도 있다. 다른 실시형태에서, 결함은 개개의 재구성된 테스트 이미지에 적어도 부분적으로 기초하여 검출될 수도 있다.
도 12는, 본 개시의 하나 이상의 실시형태에 따른, 샘플의 결함을 검출하기 위한 방법(1200)에서 수행되는 단계를 예시하는 흐름도이다. 본 출원인은, 시스템(100)의 맥락에서 본원에서 앞서 설명된 실시형태 및 실현 기술이 방법(1200)으로 확장하도록 해석되어야 한다는 것을 언급한다. 그러나, 방법(1200)은 시스템(100)의 아키텍쳐로 제한되지 않는다는 것을 또한 유의한다.
하나의 실시형태에서, 방법은 조명의 둘 이상의 모드에 기초하여 샘플의 둘 이상의 테스트 이미지를 획득하는 단계(1202)를 포함한다. 단계(1202)와 관련되는 조명의 모드는, 샘플 상의 조명의 각도 분포를 재단하기에 적합한 기술 분야에서 공지되어 있는 임의의 분포를 가질 수도 있다. 도 13은, 본 개시의 하나 이상의 실시형태에 따른, 상이한 방향으로부터 샘플을 조명하도록 배향되는 4개의 에지 콘트라스트 조명 모드(edge-contrast illumination mode)의 개념도이다. 하나의 실시형태에서, 제1 조명 애퍼처(1302)는 제1 조명 모드(1304)를 포함한다. 다른 실시형태에서, 제2 조명 애퍼처(1306)는 제2 조명 모드(1308)를 포함한다. 다른 실시형태에서, 제3 조명 애퍼처(1310)는 제3 조명 모드(1312)를 포함한다. 다른 실시형태에서, 제4 조명 애퍼처(1314)는 제4 조명 모드(1316)를 포함한다. 예를 들면, 검사 시스템(예를 들면, 검사 측정 서브시스템(102), 또는 등등)은, 네 개의 조명 애퍼처(1302, 1306, 1310, 1314) 각각을 사용하여 샘플을 순차적으로 조명할 수도 있고 각각과 관련되는 테스트 이미지를 생성할 수도 있다.
다른 실시형태에서, 방법(1200)은 검사 시스템의 PSF를 추정하는 단계(1204)를 포함한다. 예를 들면, 단계(1204)는 테스트 이미지를 생성하기 위해 사용되는 대응하는 조명 애퍼처에 기초하여 각각의 테스트 이미지에 대한 개별적인 PSF를 추정하는 것을 포함할 수도 있다.
다른 실시형태에서, 방법(1200)은 추정된 점 확산 함수에 기초하여 둘 이상의 테스트 이미지의 해상도를 향상시키기 위해 둘 이상의 테스트 이미지를 재구성하는 단계(1206)를 포함한다. 예를 들면, 단계(1206)는 단계(1204)에서 생성되는 추정된 PSF를 사용하여 테스트 이미지의 각각을 재구성하는 것을 포함할 수도 있다. 테스트 이미지는, 보간법 또는 디컨볼루션과 같은, 그러나 이들로 제한되지는 않는 임의의 방법을 사용하여 재구성될 수도 있다. 하나의 경우에서, 테스트 이미지는 정규화된 디컨볼루션(예를 들면, 정규화된 리차드슨-루시 디컨볼루션, 또는 등등)을 사용하여 재구성될 수도 있다.
다른 실시형태에서, 방법(1200)은 둘 이상의 재구성된 테스트 이미지에 기초하여 샘플 상의 하나 이상의 결함을 식별하는 단계(1208)를 포함한다. 예를 들면, 단계(1208)는, 단계(1206)에서 생성되는 재구성된 테스트 이미지에 기초하여 결합된 이미지(예를 들면, 융합된 이미지)를 생성하는 것 및 결합된 이미지에 기초하여 결함을 검출하는 것을 포함할 수도 있다. 결합된 이미지는, 가산적 조합(additive combination) 또는 승산적 조합(multiplicative combination)과 같은, 그러나 이들로 제한되지는 않는, 기술 분야에서 공지되어 있는 임의의 방법에 의해 생성될 수도 있다. 다른 예로서, 단계(1208)는 개개의 재구성된 이미지 중 임의의 것에 적어도 부분적으로 기초하여 결함을 검출하는 것을 포함할 수도 있다.
다른 실시형태에서, 안티 앨리어싱 기술에 의해 영향을 받은 결함 신호의 부분을 복원하기 위해 이미지 재구성이 사용된다. 예를 들면, 검사 시스템의 픽셀 사이즈는, 적어도 부분적으로, 처리량 또는 광 예산(light budget) 고려 사항에 기초하여 통상적으로 선택된다. 예를 들면, 상대적으로 더 큰 픽셀 사이즈는 증가된 처리량을 제공할 수도 있고, 상대적으로 더 작은 픽셀 사이즈보다, 조명 소스(예를 들면, 조명 소스(112), 또는 등등)로부터 더 적은 조명 세기(예를 들면, 더 낮은 광 레벨)를 요구할 수도 있다. 그러나, 더 큰 픽셀 사이즈는 앨리어싱 노이즈가 문제가 될 수도 있다. 검사 시스템은, 임의의 앨리어싱 노이즈를 완화하기 위해 안티 앨리어싱 기술을 활용할 수도 있다. 예를 들면, 검사 시스템은 앨리어싱 노이즈를 완화하는 생성된 이미지에 의도적으로 블러를 도입할 수도 있다. 하나의 경우에, 검사 시스템은 안티 앨리어싱 필터의 사용을 통해 블러를 도입할 수도 있다. 다른 예에서, 검사 시스템은 이미지 획득 프로세스 동안 직접적으로 블러를 도입할 수도 있다. TDI 기반 이미징에서의 안티 앨리어싱 방법은, 2015년 2월 3일에 발행된 미국 특허 제8,947,521호에서 일반적으로 설명되는데, 이 특허는 참조에 의해 그 전체가 본원에 통합된다.
다른 실시형태에서, 안티 앨리어싱된 이미지를 사용하여 생성되는 이미지에서 결함 검출 가능성을 향상시키기 위해 이미지 재구성이 활용된다. 이와 관련하여, 이미지 재구성은, 안티 앨리어싱 기술에 의해 영향을 받은 공간 주파수의 일부를 복원하기 위해 안티 앨리어싱된 이미지의 해상도를 향상시킬 수도 있다.
도 14는, 본 개시의 하나 이상의 실시형태에 따른, 안티 앨리어싱된 이미지에서 결함 검출 가능성의 향상을 나타내는 이미지를 포함한다. 예를 들면, 이미지(1402)는 앨리어싱 노이즈가 문제가 되는 차이 이미지(예를 들면, 앨리어싱된 차이 이미지(aliased difference image))를 포함한다. 결함(1404)은 이미지(1402)에서 보일 수도 있지만, 1.2의 신호 대 노이즈 비로 인해 낮은 콘트라스트를 갖는다. 이미지(1406)는 안티 앨리어싱된 차이 이미지를 포함한다. 안티 앨리어싱된 차이 이미지는 2.0의 신호 대 노이즈 비를 가지기에, 결함(1404)을 앨리어싱된 차이 이미지보다 더욱 명확하게 검출 가능하게 만든다. 이미지(1408)는 2.4의 신호 대 노이즈 비를 갖는 재구성된 차이 이미지를 포함하기에, 결함(1404)을 이미지(1402, 1406)보다 더욱 명확하게 검출 가능하게 만든다. 도 14의 이미지(1408)는 랑조스 보간법을 사용하여 재구성된다. 그러나, 정규화된 디컨볼루션과 같은, 그러나 이것으로 제한되지는 않는 안티 앨리어싱된 이미지의 결함 검출 가능성을 향상시키기 위해 임의의 재구성 기술이 활용될 수도 있다는 것이 이해되어야 한다. 하나의 실시형태에서, 재구성된 차이 이미지는, 아티팩트를 최소화하기 위해 정규화된 디컨볼루션을 가지고 기준 이미지를 재구성하는 것에 의해 그리고 추가적인 희소 분포 정규화 파라미터를 가지고 정규화된 디컨볼루션을 사용하여 앨리어싱된 테스트 이미지를 재구성하는 것에 의해 생성된다.
다른 실시형태에서, 이미지 재구성은 검사 시스템의 검출 레시피를 구성하기 위해 활용된다. 예를 들면, 조명 소스(예를 들면, 조명 소스(112), 또는 등등)의 광 레벨과 같은 런타임 파라미터는, 샘플의 구성 이미지를 획득하는 것, (예를 들면, 결함 검출에 적합하도록 구성 이미지의 콘트라스트를 향상시키기 위해) 구성 이미지를 재구성하는 것, 동적 범위를 측정하는 것, 및 측정된 동적 범위에 기초하여 광 레벨을 조정하는 것에 의해 결정될 수도 있다. 다른 예로서, 관리 영역(예를 들면, 검사될 샘플의 국소화된 부분)의 정의는 이미지 재구성을 통해 향상될 수도 있다. 예를 들면, 샘플의 구성 이미지가 생성될 수도 있고 그 다음 검사 시스템에 의해 재구성될 수도 있다. 이와 관련하여, 관리 영역은 고도의 정확도 및 정밀도(예를 들면, 도 10에서 예시되는 바와 같은 서브픽셀 정밀도, 또는 등등)를 가지고 정의될 수도 있다.
다른 실시형태에서, 이미지 재구성은, 픽셀 대 설계 분석(PDA), 컨텍스트 기반 이미징(예를 들면, CBI), 또는 템플릿 기반 이미징(TBI)과 같은, 그러나 이들로 제한되지는 않는 설계 기반 검출 알고리즘과 관련되는 레시피의 셋업 및/또는 트레이닝을 용이하게 할 수도 있다.
도 1을 다시 참조하면, 검사 시스템(100)은 기술 분야에서 공지되어 있는 임의의 검사 서브시스템을 포함할 수도 있다.
컨트롤러(106)의 하나 이상의 프로세서(108)는 기술 분야에서 공지되어 있는 임의의 프로세싱 엘리먼트를 포함할 수도 있다. 이러한 의미에서, 하나 이상의 프로세서(108)는 알고리즘 및/또는 명령어를 실행하도록 구성되는 임의의 마이크로프로세서 타입의 디바이스를 포함할 수도 있다. 하나의 실시형태에서, 하나 이상의 프로세서(108)는, 본 개시의 전체에 걸쳐 설명되는 바와 같이, 검사 시스템(100)을 동작시키도록 구성되는 프로그램을 실행하도록 구성되는 데스크탑 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 이미지 컴퓨터, 병렬 프로세서, 또는 임의의 다른 컴퓨터 시스템(예를 들면, 네트워크형 컴퓨터)으로 구성될 수도 있다. 용어 "프로세서"는, 비일시적 메모리 디바이스(110)로부터의 프로그램 명령어를 실행하는 하나 이상의 프로세싱 엘리먼트를 구비하는 임의의 디바이스를 포괄하도록 광의적으로 정의될 수도 있다는 것이 또한 인식된다. 또한, 본 개시의 전체에 걸쳐 설명되는 단계는 단일의 컨트롤러(106)에 의해, 또는 대안적으로는, 다수의 컨트롤러에 의해 실행될 수도 있다. 추가적으로, 컨트롤러(106)는 공통 하우징 내에 또는 다수의 하우징 내에 수용되는 하나 이상의 컨트롤러를 포함할 수도 있다. 이 방식에서, 임의의 컨트롤러 또는 컨트롤러의 조합은, 검사 시스템(100)으로의 통합에 적합한 모듈로서 개별적으로 패키징될 수도 있다. 또한, 컨트롤러(106)는 검출기(126)로부터 수신되는 데이터를 분석할 수도 있고, 그 데이터를, 메모리 디바이스(110) 내의 또는 검사 시스템(100) 외부의 추가적인 컴포넌트에 공급할 수도 있다.
메모리 디바이스(110)는, 관련된 하나 이상의 프로세서(108)에 의해 실행 가능한 프로그램 명령어를 저장하기에 적합한 기술 분야에서 공지되어 있는 임의의 저장 매체를 포함할 수도 있다. 예를 들면, 메모리 디바이스(110)는 비일시적 메모리 매체를 포함할 수도 있다. 다른 예로서, 메모리 디바이스(110)는, 리드 온리 메모리, 랜덤 액세스 메모리, 자기 또는 광학 메모리 디바이스(예를 들면, 디스크), 자기 테이프, 솔리드 스테이트 드라이브 및 등등을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 메모리 디바이스(110)는 하나 이상의 프로세서(108)와 함께 공통 컨트롤러 하우징에 수용될 수도 있다는 것을 또한 유의한다. 하나의 실시형태에서, 메모리 디바이스(110)는, 하나 이상의 프로세서(108) 및 컨트롤러(106)의 물리적 위치에 대해 원격으로 위치될 수도 있다. 예를 들면, 컨트롤러(106)의 하나 이상의 프로세서(108)는, 네트워크(예를 들면, 인터넷, 인트라넷 및 등등)를 통해 액세스 가능한 원격 메모리(예를 들면, 서버)에 액세스할 수도 있다. 따라서, 상기의 설명은 본 발명에 대한 제한으로서 해석되어선 안되며 단지 예시로서 해석되어야 한다.
다른 실시형태에서, 검사 시스템(100)은 디스플레이(도시되지 않음)를 포함할 수도 있다. 다른 실시형태에서, 디스플레이는 컨트롤러(106)에 통신 가능하게 커플링된다. 예를 들면, 디스플레이는 컨트롤러(106)의 하나 이상의 프로세서(108)에 통신 가능하게 커플링될 수도 있다. 이와 관련하여, 하나 이상의 프로세서(108)는 디스플레이 상에 본 발명의 다양한 결과 중 하나 이상을 디스플레이할 수도 있다.
디스플레이 디바이스는 기술 분야에서 공지되어 있는 임의의 디스플레이 디바이스를 포함할 수도 있다. 하나의 실시형태에서, 디스플레이 디바이스는 액정 디스플레이(liquid crystal display; LCD)를 포함할 수도 있지만, 그러나 이것으로 제한되는 것은 아니다. 다른 실시형태에서, 디스플레이 디바이스는 유기 발광 다이오드(organic light-emitting diode; OLED) 기반의 디스플레이를 포함할 수도 있지만, 그러나 이것으로 제한되는 것은 아니다. 다른 실시형태에서, 디스플레이 디바이스는 CRT 디스플레이를 포함할 수도 있지만, 그러나 이것으로 제한되는 것은 아니다. 기술 분야의 숙련된 자는, 다양한 디스플레이 디바이스가 본 발명에서의 구현에 적합할 수도 있고 디스플레이 디바이스의 특정한 선택은, 폼팩터, 비용, 및 등등을 포함하는 그러나 이들로 제한되지는 않는 다양한 요인에 의존할 수도 있다는 것을 인식해야 한다. 일반적인 의미에서, 유저 인터페이스 디바이스(예를 들면, 터치스크린, 베젤 장착 인터페이스, 키보드, 마우스, 트랙 패드, 및 등등)와 통합 가능한 임의의 디스플레이 디바이스가 본 발명에서의 구현에 적합하다.
다른 실시형태에서, 검사 시스템(100)은 유저 인터페이스 디바이스(도시되지 않음)를 포함할 수도 있다. 하나의 실시형태에서, 유저 인터페이스 디바이스는 컨트롤러(106)의 하나 이상의 프로세서(108)에 통신 가능하게 커플링된다. 다른 실시형태에서, 유저 인터페이스 디바이스는 유저로부터의 선택 및/또는 지시를 수용하기 위해 컨트롤러(106)에 의해 활용될 수도 있다. 본원에서 더 설명되는 몇몇 실시형태에서, 디스플레이는 데이터를 유저에게 디스플레이하기 위해 사용될 수도 있다. 이어서, 유저는 디스플레이 디바이스를 통해 유저에게 디스플레이되는 검사 데이터에 응답하여 선택 및/또는 지시(예를 들면, 검사 영역의 유저 선택)를 입력할 수도 있다.
유저 인터페이스 디바이스는 기술 분야에서 공지되어 있는 임의의 유저 인터페이스를 포함할 수도 있다. 예를 들면, 유저 인터페이스는, 키보드, 키패드, 터치스크린, 레버, 노브, 스크롤 휠, 트랙 볼, 스위치, 다이얼, 슬라이딩 바, 스크롤 바, 슬라이드, 핸들, 터치 패드, 패들(paddle), 스티어링 휠, 조이스틱, 베젤 입력 디바이스 또는 등등을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 터치스크린 인터페이스 디바이스의 경우, 기술 분야의 숙련된 자는, 다수의 터치스크린 인터페이스 디바이스가 본 발명에서의 구현에 적합할 수도 있다는 것을 인식해야 한다. 예를 들면, 디스플레이 디바이스는, 용량성 터치스크린, 저항성 터치스크린, 표면 음향 기반 터치스크린, 적외선 기반 터치스크린, 또는 등등과 같은, 그러나 이들로 제한되지는 않는 터치스크린 인터페이스와 통합될 수도 있다. 일반적인 의미에서, 디스플레이 디바이스(105)의 디스플레이부와 통합 가능한 임의의 터치스크린 인터페이스는 본 발명에서의 구현에 적합하다. 다른 실시형태에서, 유저 인터페이스는 베젤 장착 인터페이스를 포함할 수도 있지만, 그러나 이것으로 제한되는 것은 아니다.
또한, 시스템(100)은 "실제" 또는 "가상" 검사 시스템으로서 구성될 수도 있다. 예를 들면, 시스템(100)은 샘플(104)과 관련되는 실제 이미지 또는 다른 출력 데이터를 생성할 수도 있다. 이와 관련하여, 시스템(100)은 "가상" 시스템보다는, "실제" 검사 시스템으로서 구성될 수도 있다. 다른 예로서, 본원에서 설명되는 저장 매체(도시되지 않음) 및 컨트롤러(106)는 "가상" 검사 시스템으로서 구성될 수도 있다. 따라서, 시스템(100)은 물리적 샘플에 대해 동작하지 않을 수도 있지만, 그러나, 대신, 물리적 샘플이 주사되는 것처럼, 저장된 데이터(예를 들면, 메모리 매체(110), 또는 등등에 저장되는 데이터)를 재생 및/또는 스트리밍할 수도 있다. 이와 관련하여, "검출기"의 출력은 이전 단계에서 실제 검사 시스템의 하나 이상의 검출기(예를 들면, 검출기(126))에 의해 이미 생성된 데이터(예를 들면, 전압 콘트라스트 이미지와 관련되는 모든 그레이 스케일 값, 또는 등등)일 수도 있다. "가상" 검사 시스템으로서 구성되는 시스템 및 방법은, 일반적으로 양도된, 2012년 2월 28일자로 발행된 미국 특허 제8,126,255호 및 2015년 12월 29일자로 발행된 미국 특허 출원 제9,222,895호에서 설명되는데, 이들 특허 둘 모두는 참조에 의해 그 전체가 통합된다.
결함 및 장애 소스의 결정은, 2005년 7월 19일자로 발행된 미국 특허 제6,920,596호, 2015년 6월 5일자로 발행된 미국 특허 제8,194,968호, 및 2006년 2월 7일자로 발행된 미국 특허 제6,995,393호에서 일반적으로 설명되는데, 이들 특허는 참조에 의해 그 전체가 본원에 통합된다. 디바이스 속성 추출 및 모니터링은, 2013년 12월 17일자로 발행된 미국 특허 제8,611,639호에서 일반적으로 설명된다. 하전된 기판의 중성화를 위한 이중 에너지 전자 플러딩(flooding)의 사용은, 2005년 8월 16일자로 발행된 미국 특허 제6,930,309호에서 일반적으로 설명되는데, 이 특허는 참조에 의해 그 전체가 본원에 통합된다. 검사 시스템에서의 레티클의 사용은, 2003년 3월 4일자로 발행된 미국 특허 제6,529,621호, 2004년 6월 8일자로 발행된 미국 특허 제6,748,103호, 및 2005년 11월 15일자로 발행된 미국 특허 제6,966,047호에서 일반적으로 설명되는데, 이들 특허는 참조에 의해 그 전체가 본원에 통합된다. 검사 프로세스 또는 검사 타겟을 생성하는 것은, 2004년 2월 10일자로 발행된 미국 특허 제6,691,052호, 2005년 7월 26일자로 발행된 미국 특허 제6,921,672호, 및 2012년 2월 7일자로 발행된 미국 특허 제8,112,241호에서 일반적으로 설명되는데, 이들 특허는 참조에 의해 그 전체가 본원에 통합된다. 반도체 설계 데이터의 임계 영역의 결정은, 2005년 9월 20일자로 발행된 미국 특허 제6,948,141호에서 일반적으로 설명되는데, 이 특허는 참조에 의해 그 전체가 본원에 통합된다.
본원에서 설명된 주제는, 때때로, 다른 컴포넌트 내에 포함되는, 또는 다른 컴포넌트와 연결되는 상이한 다른 컴포넌트를 예시한다. 이와 같이 묘사된 아키텍쳐는 단순히 예시적인 것이다는 것, 및 동일한 기능성(functionality)을 달성하는 많은 다른 아키텍쳐가 구현될 수 있다는 것이 이해되어야 한다. 개념적인 의미에서, 동일한 기능성을 달성하기 위한 컴포넌트의 임의의 배치는, 소망되는 기능성이 달성되도록, 유효하게 "관련"된다. 그러므로, 특정한 기능성을 달성하기 위해 본원에서 결합되는 임의의 두 컴포넌트는, 아키텍쳐 또는 중간 컴포넌트에 관계 없이, 소망되는 기능성이 달성되도록, 서로 "관련되는" 것으로 보일 수 있다. 마찬가지로, 이렇게 관련되는 임의의 두 컴포넌트는 또한, 소망되는 기능성을 달성하도록 서로 "연결되어 있는" 또는 "커플링되어 있는" 것으로도 보일 수 있으며, 그렇게 관련될 수 있는 임의의 두 컴포넌트는 또한, 소망되는 기능성을 달성하도록 서로 "커플링 가능한" 것으로 보일 수 있다. 커플링 가능한 것의 구체적인 예는, 물리적으로 상호 작용 가능한 및/또는 물리적으로 상호작용하는 컴포넌트 및/또는 무선으로 상호 작용 가능한 및/또는 무선으로 상호 작용하는 컴포넌트 및/또는 논리적으로 상호 작용 가능한 및/또는 논리적으로 상호 작용하는 컴포넌트를 포함하지만, 그러나 이들로 제한되지는 않는다.
본 개시 및 그 수반하는 이점 중 많은 것은 상기의 설명에 의해 이해될 것으로 믿어지며, 개시된 주제를 벗어나지 않으면서 또는 개시된 주제의 중요한 이점의 전체를 희생하지 않으면서, 컴포넌트의 형태, 구성 및 배열에서 다양한 변경이 이루어질 수도 있다는 것이 명백할 것이다. 설명되는 형태는 단지 설명을 위한 것이며, 이러한 변경예를 포괄하고 포함하는 것이 하기의 청구범위의 의도이다. 또한, 첨부된 특허청구범위에 의해 본 발명이 정의된다는 것이 이해되어야 한다.

Claims (37)

  1. 검사 시스템에 있어서,
    조명 서브시스템 ― 상기 조명 서브 시스템은:
    조명의 빔을 생성하도록 구성되는 조명 소스; 및
    상기 조명의 빔을 샘플로 지향시키기 위한 조명 광학장치(illumination optics)의 세트
    를 포함함 ― ;
    수집 서브시스템(collection sub-system) ― 상기 수집 서브시스템은:
    상기 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트; 및
    상기 샘플로부터 상기 수집된 조명을 수신하도록 구성되는 검출기
    를 포함함 ― ; 및
    상기 검출기에 통신 가능하게 커플링되는 컨트롤러 ― 상기 컨트롤러는 메모리 디바이스 및 프로그램 명령어를 실행하도록 구성되는 하나 이상의 프로세서를 포함하고, 상기 프로그램 명령어는, 상기 하나 이상의 프로세서로 하여금:
    상기 샘플의 테스트 이미지를 획득하고;
    상기 테스트 이미지의 해상도를 향상시키기 위해 상기 테스트 이미지를 재구성하며;
    상기 재구성된 테스트 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 검출하게 하도록 구성됨 ―
    를 포함하는, 검사 시스템.
  2. 제1항에 있어서,
    상기 검사 시스템의 점 확산 함수(point spread function)를 추정하는 것을 더 포함하는, 검사 시스템.
  3. 제2항에 있어서,
    상기 검사 시스템의 점 확산 함수를 추정하는 것은:
    상기 검사 시스템의 상기 점 확산 함수를, 상기 검사 시스템의 조명 애퍼처 및 수집 애퍼처의 선형 조합의 푸리에(Fourier) 변환으로서 추정하는 것을 포함하는 것인, 검사 시스템.
  4. 제2항에 있어서,
    상기 테스트 이미지를 재구성하는 것은:
    상기 추정된 점 확산 함수에 기초하여 상기 테스트 이미지를 디컨볼빙(deconvolving)하는 것을 포함하는 것인, 검사 시스템.
  5. 제4항에 있어서,
    상기 테스트 이미지를 디컨볼빙하는 것은:
    직접적인 역계산(direct inversion), 위너 필터(Wiener filter), 최대 우도 디컨볼루션(maximum likelihood deconvolution), 또는 최대 사후 디컨볼루션(maximum a posterior deconvolution) 중 적어도 하나를 사용하여 상기 테스트 이미지를 디컨볼빙하는 것을 포함하는 것인, 검사 시스템.
  6. 제5항에 있어서,
    최대 우도 디컨볼루션을 사용하여 상기 테스트 이미지를 디컨볼빙하는 것은:
    가우시안(Gaussian) 또는 푸아송(Poisson) 분포 중 적어도 하나를 갖는 노이즈를 사용하여 상기 테스트 이미지를 디컨볼빙하는 것을 포함하는 것인, 검사 시스템.
  7. 제6항에 있어서,
    최대 우도 디컨볼루션을 사용하여 상기 테스트 이미지를 디컨볼빙하는 것은:
    상기 추정된 점 확산 함수에 기초하여 리차드슨-루시(Richardson-Lucy) 디컨볼루션을 사용하여 상기 테스트 이미지를 디컨볼빙하는 것을 포함하는 것인, 검사 시스템.
  8. 제5항에 있어서,
    최대 사후 디컨볼루션을 사용하여 상기 테스트 이미지를 디컨볼빙하는 것은:
    가우시안 또는 푸아송 분포 중 적어도 하나를 갖는 노이즈를 사용하여 상기 테스트 이미지를 디컨볼빙하는 것을 포함하는 것인, 검사 시스템.
  9. 제4항에 있어서,
    상기 테스트 이미지를 디컨볼빙하는 것과 관련되는 비용 함수는 희소 분포 정규화 파라미터(sparse distribution regularization parameter)를 포함하는 것인, 검사 시스템.
  10. 제9항에 있어서,
    상기 테스트 이미지를 디컨볼빙하는 것과 관련되는 비용 함수는 이미지 그래디언트 정규화 파라미터(image gradient regularization parameter)를 더 포함하는 것인, 검사 시스템.
  11. 제10항에 있어서,
    상기 이미지 그래디언트 정규화 파라미터는:
    총 변동(Total Variation) 정규화 파라미터, 티호노프-밀러(Tikhonov-Miller) 정규화 파라미터, 또는 양측(Bilateral) 정규화 파라미터 중 적어도 하나를 포함하는 것인, 검사 시스템.
  12. 제10항에 있어서,
    상기 재구성된 테스트 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 검출하는 것은:
    상기 샘플의 기준 이미지를 획득하는 것;
    상기 점 확산 함수에 기초하여 상기 기준 이미지를 디컨볼빙하는 것;
    상기 디컨볼빙된 테스트 이미지와 상기 디컨볼빙된 기준 이미지 사이의 차이 이미지를 생성하는 것; 및
    상기 차이 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 검출하는 것
    을 포함하는 것인, 검사 시스템.
  13. 제12항에 있어서,
    상기 기준 이미지를 디컨볼빙하는 것과 관련되는 비용 함수는 상기 이미지 그래디언트 분포 정규화 파라미터를 포함하는 것인, 검사 시스템.
  14. 제1항에 있어서,
    상기 샘플의 테스트 이미지를 획득하는 것은 안티 앨리어싱(anti-aliasing) 기술을 사용하여 상기 샘플의 테스트 이미지를 획득하는 것을 포함하고, 상기 안티 앨리어싱 기술은 상기 테스트 이미지에서 앨리어싱 노이즈(aliasing noise)를 억제하고, 상기 테스트 이미지의 해상도를 향상시키기 위해 상기 테스트 이미지를 재구성하는 것은 상기 안티 앨리어싱 기술에 의해 영향을 받은 상기 샘플과 관련되는 하나 이상의 공간 주파수를 복원하는 것인, 검사 시스템.
  15. 제14항에 있어서,
    상기 테스트 이미지를 재구성하는 것은:
    상기 테스트 이미지를 보간하는 것을 포함하는 것인, 검사 시스템.
  16. 제15항에 있어서,
    상기 테스트 이미지를 보간하는 것은:
    이중 선형 보간법(bilinear interpolation), 큐빅 보간법(cubic interpolation), 랑조스 보간법(Lanczos interpolation), 최근린 보간법(nearest neighbor interpolation), B-스플라인 보간법(B-spline interpolation), 또는 싱크 보간법(sinc interpolation) 중 적어도 하나를 사용하여 상기 테스트 이미지를 보간하는 것을 포함하는 것인, 검사 시스템.
  17. 제14항에 있어서,
    상기 테스트 이미지를 재구성하는 것은:
    상기 검사 시스템의 점 확산 함수를 추정하는 것; 및
    상기 추정된 점 확산 함수에 기초하여 상기 테스트 이미지를 디컨볼빙하는 것
    을 포함하는 것인, 검사 시스템.
  18. 제1항에 있어서,
    상기 재구성된 테스트 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 검출하는 것은, 상기 샘플 상의 상기 하나 이상의 결함의 하나 이상의 위치를 보고하는 것을 포함하는 것인, 검사 시스템.
  19. 검사 시스템에 있어서,
    조명 서브시스템 ― 상기 조명 서브 시스템은:
    조명의 빔을 생성하도록 구성되는 조명 소스; 및
    상기 조명의 빔을 샘플로 지향시키기 위한 조명 광학장치의 세트
    를 포함함 ― ;
    수집 서브시스템 ― 상기 수집 서브시스템은:
    상기 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트; 및
    상기 샘플로부터 상기 수집된 조명을 수신하도록 구성되는 검출기
    를 포함함 ― ; 및
    상기 검출기에 통신 가능하게 커플링되는 컨트롤러 ― 상기 컨트롤러는 메모리 디바이스 및 프로그램 명령어를 실행하도록 구성되는 하나 이상의 프로세서를 포함하고, 상기 프로그램 명령어는, 상기 하나 이상의 프로세서로 하여금:
    상기 샘플의 테스트 이미지를 획득하고;
    상기 테스트 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 검출하고;
    상기 샘플 상의 상기 하나 이상의 검출된 결함과 관련되는 하나 이상의 패치 이미지를 생성하고;
    상기 하나 이상의 패치 이미지의 해상도를 향상시키기 위해 상기 하나 이상의 패치 이미지를 재구성하며;
    상기 하나 이상의 재구성된 패치 이미지에 기초하여 상기 하나 이상의 결함을 분류하게 하도록 구성됨 ―
    를 포함하는, 검사 시스템.
  20. 제19항에 있어서,
    상기 테스트 이미지를 재구성하는 것은:
    상기 검사 시스템의 점 확산 함수를 추정하는 것; 및
    상기 추정된 점 확산 함수에 기초하여 상기 하나 이상의 패치 이미지를 디컨볼빙하는 것
    을 포함하는 것인, 검사 시스템.
  21. 다중 모드 검사 시스템에 있어서서,
    조명 서브시스템 ― 상기 조명 서브 시스템은:
    조명의 둘 이상의 모드를 생성하도록 구성되는 조명 소스; 및
    상기 조명의 둘 이상의 모드를 순차적으로 샘플에 지향시키기 위한 조명 광학장치의 세트
    를 포함함 ― ;
    수집 서브시스템 ― 상기 수집 서브시스템은:
    상기 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트; 및
    상기 샘플로부터 상기 수집된 조명을 수신하도록 구성되는 검출기
    를 포함하고, 상기 수집 광학장치의 세트는 조정 가능한 수집 애퍼처를 포함하고, 상기 조정 가능한 수집 애퍼처는 둘 이상의 수집 모드를 생성하도록 구성되고, 상기 조명 서브시스템은 상기 조명의 둘 이상의 모드 및 상기 둘 이상의 수집 모드로부터 형성되는 둘 이상의 시스템 모드를 포함함 ― ; 및
    상기 검출기에 통신 가능하게 커플링되는 컨트롤러 ― 상기 컨트롤러는 메모리 디바이스 및 프로그램 명령어를 실행하도록 구성되는 하나 이상의 프로세서를 포함하고, 상기 프로그램 명령어는, 상기 하나 이상의 프로세서로 하여금:
    상기 둘 이상의 시스템 모드에 기초하여 상기 샘플의 둘 이상의 테스트 이미지를 획득하고;
    상기 검사 시스템의 점 확산 함수를 추정하고;
    상기 추정된 점 확산 함수에 기초하여 상기 둘 이상의 테스트 이미지의 해상도를 향상시키기 위해 상기 둘 이상의 테스트 이미지를 재구성하며;
    상기 둘 이상의 재구성된 테스트 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 식별하게 하도록 구성됨 ―
    를 포함하는, 다중 모드 검사 시스템.
  22. 제21항에 있어서,
    상기 검사 시스템의 점 확산 함수를 추정하는 것은:
    상기 검사 시스템의 상기 점 확산 함수를, 상기 검사 시스템의 조명 애퍼처 및 수집 애퍼처의 선형 조합의 푸리에 변환으로서 추정하는 것을 포함하는 것인, 다중 모드 검사 시스템.
  23. 제21항에 있어서,
    상기 둘 이상의 테스트 이미지를 재구성하는 것은:
    상기 추정된 점 확산 함수에 기초하여 상기 둘 이상의 테스트 이미지를 디컨볼빙하는 것을 포함하는 것인, 다중 모드 검사 시스템.
  24. 제23항에 있어서,
    상기 테스트 이미지를 디컨볼빙하는 것은:
    상기 추정된 점 확산 함수에 기초하여 리차드슨-루시 디컨볼루션을 사용하여 상기 둘 이상의 테스트 이미지를 디컨볼빙하는 것을 포함하는 것인, 다중 모드 검사 시스템.
  25. 제24항에 있어서,
    상기 둘 이상의 테스트 이미지를 디컨볼빙하는 것과 관련되는 비용 함수는 희소 분포 정규화 파라미터를 포함하는 것인, 다중 모드 검사 시스템.
  26. 제24항에 있어서,
    상기 둘 이상의 테스트 이미지를 디컨볼빙하는 것과 관련되는 비용 함수는 이미지 그래디언트 정규화 파라미터를 더 포함하는 것인, 다중 모드 검사 시스템.
  27. 제26항에 있어서,
    상기 이미지 그래디언트 정규화 파라미터는:
    총 변동 정규화 파라미터, 티호노프-밀러 정규화 파라미터, 또는 양측 정규화 파라미터 중 적어도 하나를 포함하는 것인, 다중 모드 검사 시스템.
  28. 제27항에 있어서,
    상기 둘 이상의 재구성된 테스트 이미지에 기초하여 상기 샘플 상의 상기 하나 이상의 결함을 검출하는 것은:
    상기 둘 이상의 재구성된 테스트 이미지를 결합된 재구성된 테스트 이미지로 결합하는 것; 및
    상기 결합된 재구성된 테스트 이미지에 기초하여 상기 하나 이상의 결함을 검출하는 것
    을 포함하는 것인, 다중 모드 검사 시스템.
  29. 제25항에 있어서,
    상기 둘 이상의 재구성된 테스트 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 식별하는 것은:
    상기 둘 이상의 재구성된 테스트 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 검출하는 것을 포함하는 것인, 다중 모드 검사 시스템.
  30. 제29항에 있어서,
    상기 둘 이상의 재구성된 테스트 이미지에 기초하여 상기 샘플 상의 하나 이상의 결함을 식별하는 것은:
    상기 샘플 상의 상기 하나 이상의 검출된 결함과 관련되는 하나 이상의 패치 이미지를 생성하는 것; 및
    상기 하나 이상의 패치 이미지에 기초하여 상기 하나 이상의 결함을 분류하는 것
    을 더 포함하는 것인, 다중 모드 검사 시스템.
  31. 검사 시스템에 있어서,
    조명 서브시스템 ― 상기 조명 서브 시스템은:
    조명의 빔을 생성하도록 구성되는 조명 소스; 및
    상기 조명의 빔을 샘플로 지향시키기 위한 조명 광학장치의 세트
    를 포함함 ― ;
    수집 서브시스템 ― 상기 수집 서브시스템은:
    상기 샘플로부터 나오는 조명을 수집하기 위한 수집 광학장치의 세트; 및
    상기 샘플로부터 상기 수집된 조명을 수신하도록 구성되는 검출기
    를 포함함 ― ; 및
    상기 검출기에 통신 가능하게 커플링되는 컨트롤러 ― 상기 컨트롤러는 메모리 디바이스 및 프로그램 명령어를 실행하도록 구성되는 하나 이상의 프로세서를 포함하고, 상기 프로그램 명령어는, 상기 하나 이상의 프로세서로 하여금:
    결함 검출 레시피를 구성하며;
    상기 결함 검출 레시피에 기초하여 상기 샘플 상의 하나 이상의 결함을 검출하게 하도록 구성됨 ―
    를 포함하는, 검사 시스템.
  32. 제31항에 있어서,
    상기 결함 검출 레시피를 구성하는 것은:
    상기 샘플의 구성 이미지를 획득하는 것;
    상기 구성 이미지의 해상도를 향상시키기 위해 상기 샘플의 상기 구성 이미지를 재구성하는 것
    을 포함하는 것인, 검사 시스템.
  33. 제31항에 있어서,
    상기 결함 검출 레시피를 구성하는 것은:
    상기 재구성된 구성 이미지에 기초하여 검사될 상기 샘플 상의 하나 이상의 관리 영역(care area)을 정의하는 것을 더 포함하는 것인, 검사 시스템.
  34. 제31항에 있어서,
    상기 결함 검출 레시피를 구성하는 것은:
    상기 재구성된 구성 이미지의 동적 범위를 측정하는 것; 및
    상기 재구성된 구성 이미지의 상기 측정된 동적 범위에 기초하여 상기 조명 소스의 런타임 파라미터를 조정하는 것
    을 더 포함하는 것인, 검사 시스템.
  35. 제31항에 있어서,
    상기 런타임 파라미터는:
    상기 조명 소스의 광 레벨을 포함하는 것인, 검사 시스템.
  36. 제31항에 있어서,
    상기 결함 검출 레시피를 구성하는 것은:
    설계 기반 결함 검출 기술을 트레이닝시키는 것을 더 포함하는 것인, 검사 시스템.
  37. 제36항에 있어서,
    상기 설계 기반 결함 검출 기술은:
    픽셀 대 설계 정렬 기술(pixel-to-design alignment technique), 컨텍스트 기반 이미징 기술(context-based imaging technique), 또는 템플릿 기반 이미징 기술(template based imaging technique) 중 적어도 하나를 포함하는 것인, 검사 시스템.
KR1020187021670A 2016-01-01 2016-12-27 이미지 재구성을 이용한 결함 검출을 위한 시스템 및 방법 KR102439388B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662274169P 2016-01-01 2016-01-01
US62/274,169 2016-01-01
US15/357,888 2016-11-21
US15/357,888 US10416087B2 (en) 2016-01-01 2016-11-21 Systems and methods for defect detection using image reconstruction
PCT/US2016/068762 WO2017117152A1 (en) 2016-01-01 2016-12-27 Systems and methods for defect detection using image reconstruction

Publications (2)

Publication Number Publication Date
KR20180090382A true KR20180090382A (ko) 2018-08-10
KR102439388B1 KR102439388B1 (ko) 2022-09-01

Family

ID=59225879

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187021670A KR102439388B1 (ko) 2016-01-01 2016-12-27 이미지 재구성을 이용한 결함 검출을 위한 시스템 및 방법

Country Status (5)

Country Link
US (1) US10416087B2 (ko)
KR (1) KR102439388B1 (ko)
CN (1) CN108431938B (ko)
TW (1) TWI707139B (ko)
WO (1) WO2017117152A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210128357A (ko) * 2020-04-16 2021-10-26 주식회사 에이비에이치 인공지능 기반 외관 표면 품질 검사 장치 및 방법

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3859425B1 (en) 2015-09-17 2024-04-17 S.D. Sight Diagnostics Ltd. Methods and apparatus for detecting an entity in a bodily sample
EP3436864B1 (en) 2016-03-30 2021-04-28 S.D. Sight Diagnostics Ltd. Image processing device for identifying blood parasites
WO2017195205A1 (en) 2016-05-11 2017-11-16 S.D. Sight Diagnostics Ltd Sample carrier for optical measurements
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
EP3297018B1 (en) * 2016-09-19 2019-03-27 FEI Company Tomographic imaging method
KR102550175B1 (ko) * 2016-10-21 2023-07-03 삼성전기주식회사 카메라 모듈 및 이를 포함하는 전자 기기
US11645744B2 (en) * 2016-12-06 2023-05-09 Mitsubishi Electric Corporation Inspection device and inspection method
JP7214729B2 (ja) 2017-11-14 2023-01-30 エス．ディー．サイト ダイアグノスティクス リミテッド 光学測定用試料収容器
US10846824B2 (en) * 2017-12-08 2020-11-24 Tata Consultancy Services Limited Systems and methods for reconstructing super-resolution images under total aliasing based upon translation values
US10386233B2 (en) * 2018-01-06 2019-08-20 Kla-Tencor Corporation Variable resolution spectrometer
US10643313B2 (en) * 2018-01-19 2020-05-05 Bae Systems Information And Electronic Systems Integration Inc. Methods for image denoising and deblurring
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
JP2019178941A (ja) * 2018-03-30 2019-10-17 リコーエレメックス株式会社 検査システムおよび検査方法
US10796065B2 (en) * 2018-06-21 2020-10-06 Kla-Tencor Corporation Hybrid design layout to identify optical proximity correction-related systematic defects
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
US11431976B2 (en) * 2019-01-28 2022-08-30 Kla Corporation System and method for inspection using tensor decomposition and singular value decomposition
CN109816654B (zh) * 2019-01-30 2021-12-17 哈尔滨工业大学 一种太阳能电池暗场锁相热成像分层微缺陷精准表征系统与方法
EP3719831A1 (en) 2019-04-05 2020-10-07 ASML Netherlands B.V. Systems and methods for image enhancement for a multi-beam charged-particle inspection system
CN112038254A (zh) * 2019-05-15 2020-12-04 天津科技大学 基于机器视觉技术的晶圆自动检测与标记装置及设计方法
US20200364491A1 (en) * 2019-05-15 2020-11-19 Getac Technology Corporation Image detection scanning method for object surface defects and image detection scanning system thereof
JP7271358B2 (ja) * 2019-07-25 2023-05-11 株式会社日立ハイテク 電気特性を導出するシステム及び非一時的コンピューター可読媒体
US11575865B2 (en) * 2019-07-26 2023-02-07 Samsung Electronics Co., Ltd. Processing images captured by a camera behind a display
CN110609039B (zh) * 2019-09-23 2021-09-28 上海御微半导体技术有限公司 一种光学检测装置及其方法
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11798153B2 (en) 2019-10-02 2023-10-24 Kla Corporation Frequency domain enhancement of low-SNR flat residue/stain defects for effective detection
CN111062895B (zh) * 2019-11-29 2022-07-12 宁波永新光学股份有限公司 一种基于多视场分割的显微图像复原方法
CN110874827B (zh) * 2020-01-19 2020-06-30 长沙超创电子科技有限公司 湍流图像复原方法、装置、终端设备及计算机可读介质
CN111340732B (zh) * 2020-02-28 2022-10-14 新疆大学 一种低照度视频图像增强方法及装置
US20210342991A1 (en) * 2020-04-29 2021-11-04 University Of Southern California Ml-enabled assured microelectronics manufacturing: a technique to mitigate hardware trojan detection
JP7203287B1 (ja) * 2020-06-08 2023-01-12 グァンチョウ コンピューテーショナル スーパー－レゾリューション バイオテック カンパニー リミテッド 画像処理のためのシステム及び方法
US11803960B2 (en) * 2020-08-12 2023-10-31 Kla Corporation Optical image contrast metric for optical target search
CN111968095B (zh) * 2020-08-19 2022-08-02 成都数之联科技股份有限公司 一种产品表面缺陷检测方法及系统及装置及介质
DE102020123669A1 (de) * 2020-09-10 2022-03-10 Carl Zeiss Microscopy Gmbh Verfahren zur SIM-Mikroskopie
US20220114438A1 (en) * 2020-10-09 2022-04-14 Kla Corporation Dynamic Control Of Machine Learning Based Measurement Recipe Optimization
US20220130031A1 (en) * 2020-10-26 2022-04-28 University Of Florida Research Foundation, Incorporated Knowledge-based object localization in images for hardware assurance
US11798139B2 (en) * 2020-11-17 2023-10-24 GM Global Technology Operations LLC Noise-adaptive non-blind image deblurring
US11721001B2 (en) 2021-02-16 2023-08-08 Samsung Electronics Co., Ltd. Multiple point spread function based image reconstruction for a camera behind a display
US20220270212A1 (en) * 2021-02-25 2022-08-25 Kla Corporation Methods for improving optical inspection and metrology image quality using chip design data
US11722796B2 (en) 2021-02-26 2023-08-08 Samsung Electronics Co., Ltd. Self-regularizing inverse filter for image deblurring
US11308615B1 (en) * 2021-07-01 2022-04-19 Maurice Nessim Systems and processes for improving medical diagnoses
KR102635483B1 (ko) * 2021-10-07 2024-02-08 한국표준과학연구원 하전입자선 장치의 영상을 디컨볼루션하여 복원하는 방법, 영상 처리 장치 및 영상 처리 장비를 구비한 하전입자선 장치
CN115100167B (zh) * 2022-07-07 2023-04-07 北京理工大学 基于特征分段神经网络的防护材料瑕疵检测方法及系统
CN115436427B (zh) * 2022-08-22 2023-10-17 电子科技大学 基于Tikhonov正则化的涡流热成像缺陷重构方法
CN116167948B (zh) * 2023-04-21 2023-07-18 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于空变点扩散函数的光声图像复原方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130114085A1 (en) * 2011-10-27 2013-05-09 Kla-Tencor Corporation Dynamically Adjustable Semiconductor Metrology System
US20140212021A1 (en) * 2013-01-31 2014-07-31 Applied Materials Israel Ltd. System, a method and a computer program product for patch-based defect detection
US20150029324A1 (en) * 2013-07-26 2015-01-29 Hoya Corporation Substrate inspection method, substrate manufacturing method and substrate inspection device

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6154714A (en) 1997-11-17 2000-11-28 Heuristic Physics Laboratories Method for using wafer navigation to reduce testing times of integrated circuit wafers
US6529621B1 (en) 1998-12-17 2003-03-04 Kla-Tencor Mechanisms for making and inspecting reticles
US6528818B1 (en) 1999-12-14 2003-03-04 Kla-Tencor Test structures and methods for inspection of semiconductor integrated circuits
US6995393B2 (en) 2000-08-25 2006-02-07 Kla-Tencor Technologies Corporation Apparatus and methods for semiconductor IC failure detection
US6603541B2 (en) * 2001-06-28 2003-08-05 Kla-Tencor Technologies Corporation Wafer inspection using optimized geometry
US6948141B1 (en) 2001-10-25 2005-09-20 Kla-Tencor Technologies Corporation Apparatus and methods for determining critical area of semiconductor design data
US6920596B2 (en) 2002-01-22 2005-07-19 Heuristics Physics Laboratories, Inc. Method and apparatus for determining fault sources for device failures
US6691052B1 (en) 2002-01-30 2004-02-10 Kla-Tencor Corporation Apparatus and methods for generating an inspection reference pattern
US6966047B1 (en) 2002-04-09 2005-11-15 Kla-Tencor Technologies Corporation Capturing designer intent in reticle inspection
US7061625B1 (en) * 2002-09-27 2006-06-13 Kla-Tencor Technologies Corporation Method and apparatus using interferometric metrology for high aspect ratio inspection
US6990385B1 (en) 2003-02-03 2006-01-24 Kla-Tencor Technologies Corporation Defect detection using multiple sensors and parallel processing
JP2005037166A (ja) * 2003-07-16 2005-02-10 Semiconductor Leading Edge Technologies Inc マスク欠陥検査装置及びマスク欠陥検査方法
US6930309B1 (en) 2004-03-26 2005-08-16 Kla-Tencor Technologies Corporation Dual-energy electron flooding for neutralization of charged substrate
US7084970B2 (en) * 2004-05-14 2006-08-01 Photon Dynamics, Inc. Inspection of TFT LCD panels using on-demand automated optical inspection sub-system
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8041103B2 (en) 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
WO2008086282A2 (en) 2007-01-05 2008-07-17 Kla-Tencor Corporation Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US8073240B2 (en) 2007-05-07 2011-12-06 Kla-Tencor Corp. Computer-implemented methods, computer-readable media, and systems for identifying one or more optical modes of an inspection system as candidates for use in inspection of a layer of a wafer
JP5110977B2 (ja) * 2007-06-22 2012-12-26 株式会社日立ハイテクノロジーズ 欠陥観察装置及びその方法
US8611639B2 (en) 2007-07-30 2013-12-17 Kla-Tencor Technologies Corp Semiconductor device property extraction, generation, visualization, and monitoring methods
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
JP5466377B2 (ja) * 2008-05-16 2014-04-09 株式会社日立ハイテクノロジーズ 欠陥検査装置
US8702566B2 (en) 2008-12-23 2014-04-22 Paul Mazzanobile Speed and/or agility training devices and systems and methods for use thereof
US8112241B2 (en) 2009-03-13 2012-02-07 Kla-Tencor Corp. Methods and systems for generating an inspection process for a wafer
US8947521B1 (en) * 2011-08-08 2015-02-03 Kla-Tencor Corporation Method for reducing aliasing in TDI based imaging
JP5604402B2 (ja) * 2011-10-26 2014-10-08 株式会社日立ハイテクノロジーズ 欠陥検査方法及び欠陥検査装置
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9600860B2 (en) * 2013-04-25 2017-03-21 Thomson Licensing Method and device for performing super-resolution on an input image
JP6239985B2 (ja) * 2014-01-15 2017-11-29 日本放送協会 画像処理装置、画像処理プログラム及び撮像装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130114085A1 (en) * 2011-10-27 2013-05-09 Kla-Tencor Corporation Dynamically Adjustable Semiconductor Metrology System
US20140212021A1 (en) * 2013-01-31 2014-07-31 Applied Materials Israel Ltd. System, a method and a computer program product for patch-based defect detection
US20150029324A1 (en) * 2013-07-26 2015-01-29 Hoya Corporation Substrate inspection method, substrate manufacturing method and substrate inspection device

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210128357A (ko) * 2020-04-16 2021-10-26 주식회사 에이비에이치 인공지능 기반 외관 표면 품질 검사 장치 및 방법

Also Published As

Publication number Publication date
TW201734441A (zh) 2017-10-01
CN108431938A (zh) 2018-08-21
US20170191945A1 (en) 2017-07-06
CN108431938B (zh) 2023-07-14
US10416087B2 (en) 2019-09-17
WO2017117152A1 (en) 2017-07-06
TWI707139B (zh) 2020-10-11
KR102439388B1 (ko) 2022-09-01

Similar Documents

Publication Publication Date Title
KR102439388B1 (ko) 이미지 재구성을 이용한 결함 검출을 위한 시스템 및 방법
TWI706485B (zh) 光學晶粒對資料庫檢查
TWI665445B (zh) 光學晶粒至資料庫檢測
JP6975799B2 (ja) 低解像度検査画像から高分解能点拡がり関数を再構築するシステム及び方法
KR102269512B1 (ko) 웨이퍼 검사 동안 집광 어퍼처에 위치하는 광학 엘리먼트에 대한 구성의 결정
KR102330735B1 (ko) 패터닝된 웨이퍼들 상의 결함들의 서브-픽셀 및 서브-해상도 로컬리제이션
KR102485553B1 (ko) 임계 치수 균일도 강화 기술들 및 장치
JP5572293B2 (ja) 欠陥検査方法及び欠陥検査装置
US9478019B2 (en) Reticle inspection using near-field recovery
JP2021103311A (ja) モデルベースの限界寸法測定の方法およびシステム
KR20160007630A (ko) 레티클들을 검사하기 위한 머신 학습 방법 및 장치
TWI784146B (zh) 用於設計輔助影像重建之系統及方法以及相關的非暫時性電腦可讀媒體
TW201910929A (zh) 由低解析度影像產生高解析度影像以用於半導體應用
TWI751233B (zh) 用於從低解析度檢測影像重建高解析度點擴散函數之系統及方法
JP4405407B2 (ja) 欠陥検査装置
Wei et al. Parameter retrieval methods in ptychography
KR20240012353A (ko) 이미지 업샘플링을 이용한 광학 웨이퍼 특성화를 위한 시스템 및 방법
KR20230156352A (ko) 렌더링된 설계 이미지를 이용한 설계 케어 영역의 분할

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