KR20190100881A - 반도체 시편의 검사에 사용가능한 훈련 세트의 생성 - Google Patents

반도체 시편의 검사에 사용가능한 훈련 세트의 생성 Download PDF

Info

Publication number
KR20190100881A
KR20190100881A KR1020190020440A KR20190020440A KR20190100881A KR 20190100881 A KR20190100881 A KR 20190100881A KR 1020190020440 A KR1020190020440 A KR 1020190020440A KR 20190020440 A KR20190020440 A KR 20190020440A KR 20190100881 A KR20190100881 A KR 20190100881A
Authority
KR
South Korea
Prior art keywords
images
training set
augmented
inspection
image
Prior art date
Application number
KR1020190020440A
Other languages
English (en)
Other versions
KR102422111B1 (ko
Inventor
오하드 샤우비
아사프 아스바그
보아즈 코헨
Original Assignee
어플라이드 머티리얼즈 이스라엘 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 어플라이드 머티리얼즈 이스라엘 리미티드 filed Critical 어플라이드 머티리얼즈 이스라엘 리미티드
Publication of KR20190100881A publication Critical patent/KR20190100881A/ko
Application granted granted Critical
Publication of KR102422111B1 publication Critical patent/KR102422111B1/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
    • G01N21/95—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • 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
    • 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
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

반도체 시편의 검사에 사용가능한 훈련 세트를 생성하는 방법 및 시스템이 제공된다. 방법은: 물리적 프로세스의 파라미터들의 값들에 따른, 제조 프로세스(FP) 이미지들에 대한 물리적 프로세스의 영향을 모의할 수 있는 모의 모델을 획득하는 단계; 훈련 세트를 위해 증강될 이미지에 모의 모델을 적용하고, 이로써, 물리적 프로세스의 파라미터들의 하나 이상의 상이한 값에 대응하는 하나 이상의 증강된 이미지를 생성하는 단계; 및 생성된 하나 이상의 증강된 이미지를 훈련 세트에 포함시키는 단계를 포함한다. 훈련 세트는, 훈련된 심층 신경망, 자동화된 결함 검토, 자동화된 결함 분류, 검사 동안의 자동화된 내비게이션, FP 이미지들의 자동화된 세그먼트화, FP 이미지들에 기초한 자동화된 계측 및 기계 학습을 포함하는 다른 검사 프로세스들을 사용하는, 시편의 검사에 사용가능할 수 있다.

Description

반도체 시편의 검사에 사용가능한 훈련 세트의 생성{GENERATING A TRAINING SET USABLE FOR EXAMINATION OF A SEMICONDUCTOR SPECIMEN}
본원에서 개시되는 주제는 일반적으로, 시편의 검사의 분야에 관한 것으로, 더 구체적으로는, 시편의 검사를 자동화하는 것에 관한 것이다.
제조되는 디바이스들의 극대 규모 집적회로와 연관된 높은 밀도 및 성능에 대한 현재의 요구들은, 1 미크론 미만의 피쳐들, 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 요구한다. 그러한 요구들은, 높은 정밀도 및 균일성을 갖는 디바이스 피쳐들의 형성을 요구하고, 이는 결국, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 있는 동안, 디바이스들의 자동화된 검사들을 포함하는, 제조 프로세스의 신중한 모니터링을 필요로 한다.
본 명세서에서 사용되는 "시편"이라는 용어는, 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체-제조 물품들을 제조하는 데 사용되는 임의의 종류의 웨이퍼, 마스크들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "검사"라는 용어는, 임의의 종류의 계측-관련 동작들뿐만 아니라 시편의 제조 동안의 시편에서의 결함들의 검출 및/또는 분류에 관련된 동작들을 망라하도록 광범위하게 해석되어야 한다. 검사는, 검사될 시편의 제조 동안에 또는 그 후에 비-파괴 검사 툴들을 사용함으로써 제공된다. 비-제한적인 예로서, 검사 프로세스는, 동일하거나 상이한 조사 툴들을 사용하여 시편 또는 시편의 부분들에 관하여 제공되는, (단일 또는 다수의 스캔들의) 실행시간 스캐닝, 샘플링, 검토, 측정, 분류, 및/또는 다른 동작들을 포함할 수 있다. 마찬가지로, 검사는, 검사될 시편의 제조 전에 제공될 수 있고, 예컨대, 검사 처리법(들) 및/또는 다른 설정 동작들을 생성하는 것을 포함할 수 있다. 달리 구체적으로 언급되지 않는 한, 본 명세서에서 사용되는 "검사"라는 용어 또는 그의 파생어들은 조사 영역의 분해능 또는 크기에 관하여 제한되지 않는다는 것이 유의된다. 다양한 비-파괴 검사 툴들은, 비-제한적인 예로서, 주사 전자 현미경들, 원자 힘 현미경들, 광학 조사 툴들 등을 포함한다.
비-제한적인 예로서, 실행시간 검사는, 예컨대, 시편의 조사 이후에, 샘플링된 잠재적 결함들의 위치들의 검토가 후속되는, 2단계 절차를 이용할 수 있다. 제1 단계 동안, 시편의 표면이 고속으로 그리고 비교적 저 분해능으로 조사된다. 제1 단계에서, 높은 결함 확률을 갖는 시편 상의 의심되는 위치들을 나타내기 위해 결함 맵이 생성된다. 제2 단계 동안, 의심되는 위치들의 적어도 일부가 비교적 고 분해능으로 더 철저하게 분석된다. 일부 경우들에서, 단계들 둘 모두가 동일한 조사 툴에 의해 구현될 수 있고, 일부 다른 경우들에서는, 이러한 2개의 단계들이 상이한 조사 툴들에 의해 구현된다.
검사 프로세스들은 시편들 상의 결함들을 검출 및 분류하기 위해 반도체 제조 동안 다양한 단계들에서 사용된다. 검사의 효과는, 예컨대, 자동 결함 분류(ADC), 자동 결함 검토(ADR) 등과 같은, 프로세스(들)의 자동화에 의해 증가될 수 있다.
본원에서 개시되는 주제의 특정 양상들에 따르면, 반도체 시편의 검사에 사용가능한 훈련 세트를 생성하는 방법이 제공된다. 방법은: 제조 프로세스(FP) 이미지들(예컨대, SEM 이미지들이지만 그렇다고 반드시 그러한 것은 아님)에 대한 물리적 프로세스의 영향을 모의할 수 있는 모의 모델을 획득하는 단계 ― 모의는 물리적 프로세스의 파라미터들의 값들에 의존가능함 ―; 훈련 세트를 위해 증강될 이미지에 모의 모델을 적용하고, 이로써, 물리적 프로세스의 파라미터들의 하나 이상의 상이한 값에 대응하는 하나 이상의 증강된 이미지를 생성하는 단계; 및 생성된 하나 이상의 증강된 이미지를 훈련 세트에 포함시키는 단계를 포함한다.
훈련 세트는, 훈련된 심층 신경망, 자동화된 결함 검토, 자동화된 결함 분류, 검사 동안의 자동화된 내비게이션, FP 이미지들의 자동화된 세그먼트화, FP 이미지들에 기초한 자동화된 계측, 및 기계 학습을 포함하는 다른 검사 프로세스들을 사용하는, 시편의 검사에 사용가능할 수 있다.
증강될 이미지는, 훈련 세트에서 사용가능한, "실세계" 이미지, 합성 이미지, 이전에 증강된 이미지, 또는 다른 이미지들일 수 있다.
본원에서 개시되는 주제의 추가적인 양상들에 따르면, 모의 모델은, 개개의 물리적 영향의 파라미터형 모델 또는 추정형 모델일 수 있다. 비-제한적인 예들로서, 물리적 프로세스의 영향은 잡음, 툴들 간의 그레이 레벨(GL) 교정, 포커싱 에러들, 색상 변동, 대전, 진동, 4중 검출기들의 오-교정 등일 수 있다.
본원에서 개시되는 주제의 추가적인 양상들에 따르면, 생성된 하나 이상의 증강된 이미지는 실측 정보(ground truth) 데이터와 연관되어 훈련 세트에 포함될 수 있다.
본원에서 개시되는 주제의 추가적인 양상들에 따르면, 하나 이상의 증강된 이미지는, 다른 데이터(예컨대, CAD 데이터, 기준 데이터 등)와 함께 모의 모델을 적용함으로써 생성될 수 있다.
본원에서 개시되는 주제의 다른 양상들에 따르면, 반도체 시편의 검사에 사용가능하고 위의 방법에 따라 동작하도록 구성되는 시스템이 제공된다.
본원에서 개시되는 주제의 다른 양상들에 따르면, 명령어들을 포함하는 비-일시적인 컴퓨터 판독가능 매체가 제공되며, 명령어들은, 컴퓨터에 의해 실행되는 경우, 컴퓨터로 하여금 위의 방법을 수행하게 한다.
본원에서 개시되는 주제의 특정 실시예들의 이점들 중에는, 본원에서 개시되는 바와 같이 생성된 훈련 세트로 훈련된 개개의 검사 프로세스의 향상된 강건성이 있다.
본 개시내용을 이해하고, 본 개시내용이 실제로 어떻게 수행될 수 있는지를 알기 위해, 이제, 첨부된 도면들을 참조하여, 단지 비-제한적인 예로서 실시예들이 설명될 것이다.
도 1은 본원에서 개시되는 주제의 특정 실시예들에 따른 검사 시스템의 일반화된 블록도를 예시한다.
도 2는 본원에서 개시되는 주제의 특정 실시예들에 따른, 제조 프로세스(FP) 이미지들에 기초하여 검사-관련 데이터를 자동적으로 결정하기 위해 심층 신경망(DNN)을 사용하는 일반화된 흐름도를 예시한다.
도 3은 본원에서 개시되는 주제의 특정 실시예들에 따라 구성되는 훈련 세트 생성기의 일반화된 기능 블록도를 예시한다.
도 4는 본원에서 개시되는 주제의 특정 실시예들에 따른, 증강된 이미지들을 갖는 훈련 세트를 생성하는 일반화된 흐름도를 예시한다.
다음의 상세한 설명에서는, 본 개시내용의 철저한 이해를 제공하기 위해, 많은 특정 세부사항들이 기재된다. 그러나, 본원에서 개시되는 주제는 그 특정 세부사항들 없이도 실시될 수 있다는 것이 관련 기술분야의 통상의 기술자들에 의해 이해될 것이다. 다른 예시들에서, 잘 알려진 방법들, 절차들, 구성요소들, 및 회로들은, 본원에서 개시되는 주제를 불명료하게 하지 않기 위해 상세히 설명되지 않는다.
달리 구체적으로 언급되지 않는 한, 다음의 논의들로부터 명백한 바와 같이, 본 명세서 전반에 걸쳐, "처리", "컴퓨팅", "표현", "비교", "생성", "훈련", "세그먼트화", "레지스터링" 등과 같은 용어들을 활용하는 논의들은, 데이터를 다른 데이터로 조작 및/또는 변환하는 컴퓨터의 작동(들) 및/또는 프로세스(들)를 지칭하며, 상기 데이터는 물리적, 이를테면 전자적 양들로서 표현되고/거나 상기 데이터는 물리적 대상들을 표현한다는 것이 인식된다. "컴퓨터"라는 용어는, 비-제한적인 예로서, 본 출원에서 개시되는 제조 프로세스 검사 정보(FPEI) 시스템 및 그의 개개의 부분들을 포함하는, 데이터 처리 능력들을 갖는 임의의 종류의 하드웨어-기반 전자 디바이스를 망라하도록 광범위하게 해석되어야 한다.
본원에서 사용되는 "비-일시적인 메모리" 및 "비-일시적인 저장 매체"라는 용어들은, 본원에서 개시되는 주제에 적합한 임의의 휘발성 또는 비-휘발성 컴퓨터 메모리를 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "결함"이라는 용어는, 시편 상에 또는 시편 내에 형성된 임의의 종류의 기형 또는 바람직하지 않은 피쳐를 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "설계 데이터"라는 용어는, 시편의 계층적인 물리적 설계(레이아웃)를 표시하는 임의의 데이터를 망라하도록 광범위하게 해석되어야 한다. 설계 데이터는, 개개의 설계자에 의해 제공될 수 있고/거나 (예컨대, 복잡한 모의, 단순한 기하학, 및 불(Boolean) 연산들 등을 통해) 물리적 설계로부터 도출될 수 있다. 설계 데이터는, 비-제한적인 예들로서, GDSII 포맷, OASIS 포맷 등과 같은 상이한 포맷들로 제공될 수 있다. 설계 데이터는, 벡터 포맷, 그레이스케일 강도 이미지 포맷, 또는 다른 포맷으로 제시될 수 있다.
달리 구체적으로 언급되지 않는 한, 별개의 실시예들의 맥락에서 설명된 본원에서 개시되는 주제의 특정 특징들이 또한, 결합되어 단일 실시예로 제공될 수 있다는 것이 인식된다. 역으로, 단일 실시예의 맥락에서 설명된 본원에서 개시되는 주제의 다양한 특징들이 또한, 개별적으로 또는 임의의 적합한 하위 조합으로 제공될 수 있다. 다음의 상세한 설명에서는, 본 방법들 및 장치의 철저한 이해를 제공하기 위해 많은 특정 세부사항들이 기재된다.
이를 유념하면서, 본원에서 개시되는 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시하는 도 1을 주목한다. 도 1에 예시된 검사 시스템(100)은, 시편 제조 프로세스의 일부로서 (예컨대, 웨이퍼 및/또는 웨이퍼의 부분들의) 시편의 검사에 사용될 수 있다. 예시된 검사 시스템(100)은, 시편 제조 동안 획득된 이미지들(이후 제조 프로세스(FP) 이미지들로 지칭됨)을 사용하여 계측-관련 및/또는 결함-관련 정보를 자동적으로 결정할 수 있는 컴퓨터-기반 시스템(103)을 포함한다. 시스템(103)은 이후 제조 프로세스 검사 정보(FPEI) 시스템으로 지칭된다. FPEI 시스템(103)은 하나 이상의 저 분해능 검사 툴(101) 및/또는 하나 이상의 고 분해능 검사 툴(102) 및/또는 다른 검사 툴들에 동작가능하게 연결될 수 있다. 검사 툴들은, FP 이미지들을 포착하고/거나 포착된 FP 이미지(들)를 검토하고/거나 포착된 이미지(들)에 관련된 측정들을 가능하게 하거나 제공하도록 구성된다. FPEI 시스템은 추가로, CAD 서버(110) 및 데이터 저장소(109)에 동작가능하게 연결될 수 있다.
FPEI 시스템(103)은 하드웨어-기반 입력 인터페이스(105) 및 하드웨어-기반 출력 인터페이스(106)에 동작가능하게 연결되는 프로세서 및 메모리 회로(PMC)(104)를 포함한다. PMC(104)는, 도 2 내지 도 4를 참조하여 더 상세히 설명되는 바와 같이 FPEI 시스템을 동작시키기 위해 필요한 모든 처리를 제공하도록 구성되며, 프로세서(별도로 도시되지 않음) 및 메모리(별도로 도시되지 않음)를 포함한다. PMC(104)의 프로세서는, PMC에 포함된 비-일시적인 컴퓨터-판독가능 메모리 상에 구현되는 컴퓨터-판독가능 명령어들에 따라 수 개의 기능 모듈들을 실행하도록 구성될 수 있다. 그러한 기능 모듈들은 이후 PMC에 포함되는 것으로 지칭된다. PMC(104)에 포함된 기능 모듈들은 동작가능하게 연결된 훈련 세트 생성기(111)를 포함한다. 기능 모듈들은 심층 신경망(DNN)(112)을 더 포함할 수 있다. DNN(112)은, 제조(FP) 입력 데이터에 기초하여 애플리케이션-관련 데이터를 출력하기 위한, 심층 신경망(들)을 사용하는 데이터 처리를 가능하게 하도록 구성되는 DNN 모듈(114)을 포함한다. 임의로, DNN(112)은, DNN 모듈에 입력 데이터를 전달하기 전에 처리를 제공하도록 구성되는 사전-DNN 모듈(pre-DNN module)(113), 및/또는 DNN 모듈에 의해 생성된 데이터에 사후-처리를 제공하도록 구성되는 사후-DNN 모듈(post-DNN module)(115)을 포함할 수 있다. FPEI 시스템(103), PMC(104) 및 그 내부의 기능 블록들의 동작은 도 2 내지 도 4를 참조하여 더 상세히 설명될 것이다.
DNN 모듈(114)은, 개개의 DNN 아키텍쳐에 따라 조직화된 계층들을 포함하는 감독 또는 무감독 DNN(112)을 포함할 수 있다. 비-제한적인 예로서, DNN의 계층들은, 콘볼루션 신경망(CNN) 아키텍쳐, 순환적 신경망 아키텍쳐, 재귀적 신경망 아키텍쳐, 생성적 적대 신경망(GAN) 아키텍쳐, 또는 다른 아키텍쳐에 따라 조직화될 수 있다. 임의로, 계층들 중 적어도 일부는 복수의 DNN 하위 네트워크들에서 조직화될 수 있다. DNN 모듈(114)의 각각의 계층은, 관련 기술분야에서 치수들, 뉴런들, 또는 노드들로 전형적으로 지칭되는 다수의 기본 계산 요소들(CE)을 포함할 수 있다.
일반적으로, 주어진 계층의 계산 요소들은 선행 계층 및/또는 후속 계층의 CE들과 연결될 수 있다. 선행 계층의 CE와 후속 계층의 CE 사이의 각각의 연결은 가중 값과 연관된다. 주어진 CE는 개개의 연결들을 통해 이전 계층의 CE들로부터 입력들을 수신할 수 있으며, 각각의 주어진 연결은, 주어진 연결의 입력에 적용될 수 있는 가중 값과 연관된다. 가중 값들은, 연결들의 상대적인 강도 및 그에 따른 주어진 CE의 출력에 대한 개개의 입력들의 상대적인 영향을 결정할 수 있다. 주어진 CE는, 활성화 값(예컨대, 입력들의 가중된 합)을 계산하도록 그리고 계산된 활성화에 활성화 함수를 적용함으로써 출력을 도출하도록 추가로 구성될 수 있다. 활성화 함수는, 예컨대, 항등 함수, 결정론적 함수(예컨대, 선형, S자형, 임계치 등), 확률론적 함수 또는 다른 적합한 함수일 수 있다. 주어진 CE로부터의 출력은 개개의 연결들을 통해 후속 계층의 CE들에 송신될 수 있다. 마찬가지로, 위에서와 같이, CE의 출력에서의 각각의 연결은 가중 값과 연관될 수 있으며, 가중 값은, 후속 계층의 CE의 입력으로서 수신되기 전에 CE의 출력에 적용될 수 있다. 가중 값들에 더하여, 연결들 및 CE들과 연관된 임계 값들(제한 함수들을 포함함)이 존재할 수 있다.
심층 신경망의 가중 및/또는 임계 값들은 처음에 훈련 전에 선택될 수 있고, 훈련된 DNN에서 최적의 세트의 가중 및/또는 임계 값들을 달성하기 위해, 훈련 동안에 추가로 반복적으로 조정 또는 수정될 수 있다. 각각의 반복 후에, DNN 모듈에 의해 생성되는 실제 출력과 개개의 훈련 세트의 데이터와 연관된 타겟 출력 사이의 차이가 결정될 수 있다. 그 차이는 에러 값으로 지칭될 수 있다. 훈련은, 에러 값을 표시하는 비용 함수가 미리 결정된 값 미만일 때 또는 반복들 사이의 성능에서의 제한된 변화가 달성될 때 완료되는 것으로 결정될 수 있다. 임의로, (존재한다면) DNN 하위 네트워크들 중 적어도 일부는 전체 DNN을 훈련하기 전에 별개로 훈련될 수 있다.
심층 신경망의 가중치들/임계치들을 조정하는 데 사용되는 DNN 입력 데이터 세트는 이후 훈련 세트로 지칭된다.
DNN(112)에 대한 입력들은 DNN 모듈(114)에 입력되기 전에 사전-DNN 모듈(113)에 의해 사전-처리될 수 있고/거나 DNN 모듈(114)의 출력들은 DNN(112)으로부터 출력되기 전에 사후-DNN 모듈(115)에 의해 사후-처리될 수 있다. 그러한 경우들에서, DNN(112)의 훈련은, 사전-DNN 모듈 및/또는 사후-DNN 모듈의 파라미터들을 결정하는 것을 더 포함한다. 임의로, DNN 모듈은 전체 DNN의 비용 함수를 최소화하도록 훈련될 수 있는 한편, 사전-DNN 모듈 및/또는 사후-DNN 모듈의 파라미터들은 미리 정의될 수 있고 훈련 동안 조정될 수 있다. 훈련 시에 DNN(112)을 특성화하는 훈련-기반 파라미터들의 세트는, 사전-DNN 및 사후-DNN 처리에 관련된 파라미터들을 더 포함할 수 있다.
본원에서 개시되는 주제의 교시들은 DNN(112) 아키텍쳐에 의해 제한되지 않는다는 것이 유의된다.
DNN(112)에 대해 대안적으로 또는 부가적으로, PMC는, 반도체 시편의 검사를 위해 훈련된 후에 사용가능한, 자동 결함 검토 모듈(ADR) 및/또는 자동 결함 분류 모듈(ADC) 및/또는 다른 검사 모듈들을 포함할 수 있다. 임의로, 하나 이상의 검사 모듈은 DNN(112)을 포함할 수 있다. 임의로, DNN(112)은 검사 모듈들 간에 공유될 수 있거나, 대안적으로, 상기 하나 이상의 검사 모듈 각각이 자신 고유의 DNN(112)을 포함할 수 있다.
도 2 내지 도 4를 참조하여 더 상세히 설명될 바와 같이, FPEI 시스템은 입력 인터페이스(105)를 통해 FP 입력 데이터를 수신하도록 구성된다. FP 입력 데이터는, 검사 툴들에 의해 생성되는 데이터(및/또는 그 데이터의 파생물들 및/또는 그 데이터와 연관된 메타데이터) 및/또는 하나 이상의 데이터 보관소(109) 및/또는 CAD 서버(110) 및/또는 다른 관련 데이터 보관소에 저장된 데이터를 포함할 수 있다. FP 입력 데이터는 이미지들(예컨대, 포착된 이미지들, 포착된 이미지들로부터 도출된 이미지들, 모의된 이미지들, 합성 이미지들 등) 및 연관된 수치 데이터(예컨대, 메타데이터, 수작업 속성들 등)를 포함할 수 있다는 것이 유의된다. 이미지 데이터는 관심 층 및/또는 시편의 하나 이상의 다른 층에 관련된 데이터를 포함할 수 있다는 것이 추가로 유의된다. 임의로, 훈련 목적들을 위해, FP 입력 데이터는, 특정 기준에 따라 선택된 전체 이용가능 FAB 데이터 또는 그의 일부를 포함할 수 있다.
FPEI 시스템은, 수신된 FP 입력 데이터의 적어도 일부를 처리하고, 출력 인터페이스(106)를 통해 결과들(또는 결과들의 일부)을 저장 시스템(107)에, 검사 툴(들)에, 결과들을 렌더링하기 위해 컴퓨터-기반 그래픽 사용자 인터페이스(GUI)(108)에, 그리고/또는 외부 시스템들(예컨대, FAB의 수율 관리 시스템(YMS))에 전송하도록 추가로 구성된다. GUI(108)는 FPEI 시스템(103)을 동작시키는 것과 관련된 사용자-특정 입력들을 가능하게 하도록 추가로 구성될 수 있다.
비-제한적인 예로서, 시편은 하나 이상의 저 해상도 검사 기계(101)(예컨대, 광학 조사 시스템, 저 해상도 SEM 등)에 의해 검사될 수 있다. 시편의 저 해상도 이미지들에 대한 정보를 주는 결과적인 데이터(이후 저 해상도 이미지 데이터(121)로 지칭됨)는 FPEI 시스템(103)에 ― 직접 또는 하나 이상의 중간 시스템을 통해 ― 송신될 수 있다. 대안적으로 또는 부가적으로, 시편은 고 해상도 기계(102)에 의해 검사될 수 있다(예컨대, 검토를 위해 선택된 잠재적 결함 위치들의 하위 세트가 주사 전자 현미경(SEM) 또는 원자 힘 현미경(AFM)에 의해 검토될 수 있음). 시편의 고 해상도 이미지들에 대한 정보를 주는 결과적인 데이터(이후 고 해상도 이미지 데이터(122)로 지칭됨)는 FPEI 시스템(103)에 ― 직접 또는 하나 이상의 중간 시스템을 통해 ― 송신될 수 있다.
이미지 데이터는 그와 연관된 메타데이터(예컨대, 픽셀 크기, 결함 유형의 텍스트 설명, 이미지 포착 프로세스의 파라미터들 등)와 함께 수신 및 처리될 수 있다는 것이 유의된다.
FP 입력 데이터를(예컨대, 저 해상도 이미지 데이터 및/또는 고 해상도 이미지 데이터를, 임의로는, 예컨대, 설계 데이터, 합성 데이터 등과 같은 다른 데이터와 함께) 처리할 시, FPEI 시스템은 결과들(예컨대, 명령어-관련 데이터(123 및/또는 124))을 검사 툴(들) 중 임의의 것에 전송하고, 결과들(예컨대, 결함 속성들, 결함 분류 등)을 저장 시스템(107)에 저장하고, GUI(108)를 통해 결과들을 렌더링하고/거나 외부 시스템(예컨대, YMS)에 전송할 수 있다.
관련 기술분야의 통상의 기술자들은, 본원에서 개시되는 주제의 교시들이 도 1에 예시된 시스템에 의해 제한되지 않고; 동등한 및/또는 수정된 기능성이 다른 방식으로 병합될 수 있거나 분할될 수 있고, 하드웨어 및/또는 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 용이하게 인식할 것이다.
본 개시내용의 범위를 임의의 방식으로 제한함이 없이, 검사 툴들은, 광학 이미징 기계들, 전자 빔 조사 기계들 등과 같은 다양한 유형들의 조사 기계들로서 구현될 수 있다는 것이 또한 유의되어야 한다. 일부 경우들에서, 동일한 검사 툴이 저 해상도 이미지 데이터 및 고 해상도 이미지 데이터를 제공할 수 있다. 일부 경우들에서, 적어도 하나의 검사 툴은 계측 능력들을 가질 수 있다.
도 1에 예시된 검사 시스템이 분산형 컴퓨팅 환경에서 구현될 수 있으며, 그러한 분산형 컴퓨팅 환경에서, 도 1에 도시된 전술된 기능 모듈들은 수 개의 로컬 및/또는 원격 디바이스들에 걸쳐 분산될 수 있고 통신 네트워크를 통해 링크될 수 있다는 것이 유의된다. 다른 실시예들에서, 검사 툴들(101 및/또는 102), 데이터 저장소들(109), 저장 시스템(107), 및/또는 GUI(108) 중 적어도 일부가 검사 시스템(100) 외부에 있을 수 있고, 입력 인터페이스(105) 및 출력 인터페이스(106)를 통해 FPEI 시스템(103)과 데이터 통신하도록 동작할 수 있다는 것이 추가로 유의된다. FPEI 시스템(103)은, 검사 툴들과 함께 사용될 독립형 컴퓨터(들)로서 구현될 수 있다. 대안적으로, FPEI 시스템의 개개의 기능들은 적어도 부분적으로 하나 이상의 검사 툴과 통합될 수 있다.
단지 예시의 목적을 위해, 다음의 설명은, 훈련된 DNN을 사용하는 반도체 시편의 검사에 대해 제공된다. 관련 기술분야의 통상의 기술자들은, 본원에서 개시되는 주제의 교시들이, 마찬가지로, 예컨대, ADR, ADC, 자동화된 내비게이션 모듈, 자동화된 세그먼트화 모듈 등과 같은 다른 검사 모듈들에 대한 훈련 세트들을 생성하는 것에 적용가능하다는 것을 용이하게 인식할 것이다.
도 2를 참조하면, 제조 프로세스(FP) 이미지들에 기초하여 검사-관련 데이터를 자동적으로 결정하기 위해 DNN(112)을 사용하는 일반화된 흐름도가 예시된다. 본 출원의 양수인에게 양도된 미국 특허 출원 제2017/0177997호에 제시된 바와 같이, 프로세스는, 심층 신경망(DNN)(112)을 훈련시키는 것을 포함하는 설정 단계를 포함할 수 있으며, 여기서, DNN은 주어진 검사-관련 애플리케이션에 대해 훈련되고, 훈련 시, 훈련-기반 파라미터들의 애플리케이션-특정 세트에 의해 특성화된다. 비-제한적인 예로서, 검사-관련 애플리케이션은 다음 중 하나일 수 있다:
DNN에 의해 생성된 속성들을 사용하는 결함 분류(부류들을 정의하는 것은, 기존 부류 정의들을 수정 및/또는 업데이트하는 것 및/또는 새로운 부류들을 식별하는 것을 포함할 수 있음);
세그먼트들(예컨대, 물질 유형들, 가장자리들, 픽셀 라벨링, 관심 구역들 등)로의 FP 이미지의 분할을 포함하는, 제조 프로세스 이미지의 세그먼트화;
결함 검출(예컨대, FP 이미지 및 그의 마킹을 사용하여 (존재하는 경우) 하나 이상의 후보 결함을 식별하는 것, 후보 결함들에 대한 진리 값을 결정하는 것, 결함들에 대한 형상 정보를 획득하는 것 등);
이미지들 사이의 기하학적 워핑(warping) 파라미터들을 획득하는 것을 포함하는, 2개 이상의 이미지들 사이의 레지스트레이션(국부적 또는 전역적이고, 편이와 같이 단순하거나 더 복잡한 변환들일 수 있음);
교차-양태 회귀(예컨대, 예를 들면 CAD로부터의 SEM 또는 광학 이미지, SEM 이미지들로부터의 높이 맵, 저 해상도 이미지들로부터의 고 해상도 이미지와 같이, 상이한 검사 양태로부터의 하나 이상의 이미지로부터 이미지를 재구성함);
이미지 특성들의 회귀-기반 추정;
상기의 것들의 조합(들).
주어진 애플리케이션에 대해 훈련된 DNN(112)이 설정 단계 동안 획득된다(201). 도 3 내지 도 5를 참조하여 더 상세히 설명될 바와 같이, PMC(104)(예컨대, 훈련 세트 생성기(111))는, DNN(112)의 훈련에 추가로 사용가능한 애플리케이션-특정 훈련 세트를 생성하도록 구성될 수 있다. 훈련 세트를 생성하는 것은, 훈련 샘플들(및 적용가능한 경우 실측 정보 데이터)을 증강시키는 것, 및 증강된 훈련 이미지들 및 증강된 실측 정보 데이터를 훈련 샘플들에 포함시키는 것을 포함할 수 있다. 대안적으로 또는 부가적으로, 훈련 세트를 생성하는 것은, 합성 이미지들을 생성하는 것 (및 필요한 경우, 실측 정보 데이터를 획득하는 것), 및 합성 이미지들을 훈련 샘플들에 포함시키는 것을 포함할 수 있다.
DNN 훈련 프로세스는 순환적일 수 있고, DNN이 충분히 훈련될 때까지 여러 번 반복될 수 있다는 것이 유의된다. 프로세스는 초기에 생성된 훈련 세트로부터 시작할 수 있지만, 사용자는 초기 훈련 세트에 기초하여 DNN에 의해 도달된 결과들에 대한 피드백을 제공한다. 제공된 피드백은, 예컨대 다음을 포함할 수 있다:
하나 이상의 픽셀, 구역, 및/또는 결함의 수동 재분류
부류들의 우선순위화;
민감도의 변경들, 실측 정보 세그먼트화의 업데이트들 및/또는 세그먼트화 애플리케이션들을 위한 관심 구역(ROI)들을 수동으로 정의하는 것;
결함 검출 애플리케이션들을 위한 마스크/경계 박스를 재정의하는 것;
실패한 경우들을 재선택하는 것 및/또는 레지스트레이션 애플리케이션들에 대한 실패들을 수동으로 레지스터링하는 것;
회귀-기반 애플리케이션들에 대한 관심 피쳐들을 재선택하는 것 등.
PMC는 수신된 피드백에 기초하여 다음 훈련 사이클을 조정할 수 있다. 조정하는 것은: 훈련 세트를 업데이트하는 것, 비용 함수를 업데이트하는 것, 사전-DNN 및/또는 사후-DNN 알고리즘들을 업데이트하는 것 등 중 적어도 하나를 포함할 수 있다. 임의로, 훈련 사이클들 중 일부는 전체 DNN(112)에 제공되는 것이 아니라, 사전-DNN 모듈(113), 사후-DNN 모듈(115), 또는 하나 이상의 상위 계층의 DNN 모듈(114)에 제공될 수 있다.
실행시간 동안, FPEI 시스템의 PMC는, FP 이미지들을 포함하는 FP 샘플을 처리(202)하기 위해, 획득된 훈련된 DNN(112)을 사용한다. 그에 의해, PMC는, 처리된 FP 샘플 내의 이미지들 중 적어도 하나를 특성화하는 애플리케이션-특정 검사-관련 데이터를 획득한다(203). FP 샘플들을 처리할 때, PMC는 또한, 훈련 시에 DNN(112)을 특성화하는 훈련-기반 파라미터들에 부가하여, 미리 정의된 파라미터들 및/또는 다른 소스들로부터 수신된 파라미터들을 사용할 수 있다.
FP 샘플 내의 FP 이미지들은 상이한 검사 양태들로부터 도달할 수 있다(예컨대, 상이한 검사 툴들로부터; 예컨대, 명시야 및 암시야 이미지들과 같은, 동일한 검사 툴의 상이한 채널로부터; 상이한 동작 파라미터들을 사용하여 동일한 검사 툴로부터 도달할 수 있고; 설계 데이터로부터 도출될 수 있는 등의 방식임). 검사 양태들은, 개개의 이미지들(예컨대, 주사 전자 현미경(SEM)에 의해 포착된 이미지들, 광학 조사 시스템에 의해 포착된 이미지들, 포착된 이미지들로부터 도출된 이미지들, CAD-기반 생성 이미지들 등)의 소스들에 의해 그리고/또는 포착된 이미지들(예컨대, 세그먼트화, 결함 윤곽 추출, 높이 맵 계산 등에 의해 도출된 이미지들)에 적용된 도출 기법들에 의해 그리고/또는 검사 파라미터들(예컨대, 특정 검사 툴에 의해 제공되는 관점 및/또는 분해능 등)에 의해 서로 상이할 수 있다는 것이 유의된다. 비-제한적인 예로서, FP 샘플은, 동일하거나 상이한 검사 양태들에 의해 분류 및 획득될 결함과 관련된 이미지들, 기준 다이 이미지, CAD-기반 이미지, 획득된 이미지들로부터 도출된 데이터(예컨대, 높이 맵, 결함 마스크, 등급들, 세그먼트화들 등)의 그룹을 포함할 수 있다. FP 샘플은 이미지 및/또는 이미지 내의 결함들과 관련된 메타데이터(예컨대, 이미징 조건들, 픽셀 크기, 조작된 속성들(예컨대, 결함 크기, 배향, 배경 세그먼트 등) 등)를 더 포함할 수 있다. 비-제한적인 예로서, 메타데이터는 PMC에 저장된 미리 정의된 명령어들에 따라 PMC에 의해 생성되고/거나 개개의 검사 툴들로부터 수신될 수 있다.
임의로, 훈련 샘플들은 FP 샘플들에 대응할 수 있다. 각각의 훈련 샘플은 적어도, 동일한 검사 양태들에 의해 획득되고 개개의 FP 샘플 내의 이미지들과 동일한 관계에 있는 동일한 수의 이미지들을 포함할 수 있다. 특정 실시예들에서, 훈련 샘플들은, FP 샘플 내의 이미지들에 대응하는 일부 이미지들을 누락할 수 있다는 것이 유의된다. 그러한 결손들은 상이한 기법들에 의해 보상될 수 있으며, 그러한 기법들 중 일부가 관련 기술분야에 공지되어 있다(예컨대, 누락된 이미지는, 다른 훈련 샘플들로부터의 대응하는 이미지들의 평균 값들에 따라 생성된 이미지에 의해 보상될 수 있는 등의 방식임). 임의로, 훈련 샘플들은, 전형적으로는 실행시간 동안 이용가능하지 않은 부가적인 검사 양태들에 의해 획득된, 그리고/또는 훈련에 이용가능한 이미지들의 증강에 의해 그리고/또는 하나 이상의 합성 이미지의 생성에 의해 획득된 부가적인 이미지들을 더 포함할 수 있다.
예컨대, FP 이미지들은, 제조 프로세스 동안 포착된 시편(예컨대, 웨이퍼 또는 웨이퍼의 부분들)의 이미지들, 다양한 사전-처리 스테이지들에 의해 획득된 포착된 이미지들의 파생물들(예컨대, SEM 또는 광학 조사 시스템에 의해 포착된 포토마스크 또는 웨이퍼의 일부의 이미지들, ADC에 의해 분류될 결함 주위에 대략적으로 중심이 놓인 SEM 이미지들, ADR에 의해 결함이 국부화될 더 큰 구역들의 SEM 이미지들, 동일한 마스크 위치에 대응하는 상이한 검사 양태들의 레지스터링된 이미지들, 세그먼트화된 이미지들, 높이 맵 이미지들 등), 및 컴퓨터-생성 설계 데이터-기반 이미지들로부터 선택될 수 있다.
비-제한적인 예로서, 애플리케이션-특정 검사-관련 데이터는 그 의미가 애플리케이션에 의존하는 값들의 픽셀 단위 맵(예컨대, 결함 검출을 위한 2진 맵; 일반적인 부류 또는 집단 유형을 표시하는 방해 집단 예측을 위한 이산 맵; 결함 유형 분류를 위한 이산 맵; 교차 양태 또는 다이-투 모델(D2M; die-to model) 회귀를 위한 연속적인 값들 등)을 표현할 수 있다. 픽셀 단위 맵은 추가로, 픽셀들에 대해 획득된 값들의 확률을 표시하는 픽셀 단위 확률 맵과 함께 획득될 수 있다.
대안적으로 또는 부가적으로, 애플리케이션-특정 검사-관련 데이터는, 예컨대, 결함 속성들, 결함 경계 박스 후보들 및 자동 결함 검토 애플리케이션을 위한 연관된 결함도 확률들, 자동 결함 분류 애플리케이션을 위한 결함 부류 및 부류 확률 등과 같은, (픽셀 단위가 아니라) 전체 이미지 콘텐츠를 요약하는 하나 이상의 값을 표현할 수 있다.
대안적으로 또는 부가적으로, 획득된 애플리케이션-특정 결함-관련 데이터는 결함들에 직접 관련되지 않을 수 있지만, 결함 분석들에 사용가능할 수 있다(예컨대, FP 이미지들의 세그먼트화에 의해 획득된 웨이퍼의 층들 사이의 경계들은 결함들의 층들, 결함 환경 데이터, 이를테면, 예컨대 배경 패턴의 특성들 등을 정의하는 데 사용가능할 수 있음). 대안적으로 또는 부가적으로, 검사-관련 데이터는 계측 목적들을 위해 사용가능할 수 있다.
도 3을 참조하면, 훈련 세트 생성기(111)가 예시된다. 현재 제시된 주제의 특정 실시예들에 따르면, 훈련 세트 생성기(111)는, 증강된 이미지들(301)의 생성기, 합성 이미지들의 생성기(302), 및 생성기(301)와 생성기(302)에 동작가능하게 결합되고 "실세계" 훈련 샘플, 합성 훈련 샘플 및/또는 증강된 훈련 샘플을 포함하는 훈련 세트를 생성하도록 구성되는 출력 훈련 세트 모듈(303)을 포함한다. 생성된 훈련 세트는 PMC(104)의 메모리에 저장될 수 있다.
훈련 세트 생성기는, 데이터 저장소(109), CAD 서버(110), 또는 임의의 다른 적합한 데이터 저장소로부터 입력 인터페이스(105)를 통해 "실세계" 훈련 샘플들에 대한 데이터(및 임의로, 실측 정보 데이터)를 획득할 수 있다. 대안적으로 또는 부가적으로, 실측 정보 데이터는 GUI(108)를 통해 획득될 수 있다.
애플리케이션에 따라, "실세계" 훈련 샘플은, 동일하거나 상이한 검사 양태들에 의해 획득되는, 시편의 단일 이미지 또는 이미지들의 그룹일 수 있다. "실세계" 훈련 샘플은, 예컨대, 메타데이터, 수작업 속성들(예컨대, 결함 크기, 배향, 배경 세그먼트 등) 등과 같은, 이미지들과 연관된 수치 데이터를 더 포함할 수 있다. 실측 정보 데이터의 값들은 애플리케이션-특정 훈련 샘플들과 연관된 이미지들 및/또는 라벨들을 포함할 수 있다. 실측 정보 데이터는 합성적으로 생성되거나(예컨대, CAD-기반 이미지들), 실제로 생성되거나(예컨대, 포착된 이미지들), 기계 학습 주석에 의해 생성되거나(예컨대, 피쳐 추출 및 분석에 기초한 라벨들), 인간 주석에 의해 생성되거나, 상기의 것들의 조합 등의 방식으로 생성될 수 있다.
애플리케이션에 따라, 동일한 이미지가 훈련 샘플에서 또는 실측 정보 데이터에 대해 사용될 수 있다는 것이 유의된다. 비-제한적인 예로서, CAD-기반 이미지는 세그먼트화 애플리케이션들에 대한 훈련 샘플로서 그리고 회귀-기반 애플리케이션들에 대한 실측 정보 데이터로서 사용될 수 있다. 미국 특허 출원 제2017/0177997호에서 제시된 바와 같이, 실측 정보 데이터는 애플리케이션에 따라 변할 수 있다.
증강된 이미지 생성기(301)는 "실세계" 훈련 샘플로부터 하나 이상의 이미지를 증강시켜 증강된 이미지들을 도출하도록 구성된다. "실세계" 훈련 샘플로부터의 이미지의 증강은, 잡음 부가, 블러링(blurring), 기하학적 구조 변환(예컨대, 회전, 신장, 상이한 각도들의 모의, 자르기, 스케일링 등), 톤 맵핑, 이미지의 하나 이상의 픽셀의 벡터 정보 변경(예컨대, 획득의 관점들 또는 채널들을 부가 및/또는 수정) 등을 포함하는 다양한 이미지 처리 기법들에 의해 제공될 수 있다.
대안적으로 또는 부가적으로, "실세계" 훈련 샘플로부터의 이미지는 합성 데이터(예컨대, 결함-관련 데이터, 모의된 커넥터들 또는 다른 객체들, 다른 이미지들로부터의 이식들 등)를 사용하여 증강될 수 있다. 비-제한적인 예로서, 알려진 결함 유형들의 이용가능한 이미지들(및/또는 파라미터들)은, 이미지 내의 새로운 결함을 배치(plant)하고, 이미지 내의 기존 결함의 결함도를 증폭하고, 이미지로부터 결함을 제거하고, 이미지 내의 결함을 숨기는(검출을 더 어렵게 함) 등에 사용될 수 있다.
예컨대, 합성 결함을 갖는 이미지를 생성하는 것은 다음을 포함할 수 있다:
- CNN DNN을 훈련함(예컨대, 알렉스-네트(Alex-Net) 기반 등);
- 선택된 결함을 포함하는 제1 이미지를 획득함;
- 선택된 배경을 포함하는 제2 이미지를 획득함;
- 훈련된 CNN 네트를 사용하여, 선택된 배경으로의 선택된 결함의 "스타일 전달"을 수행함. 그러한 수행은, 예컨대, https://arxiv.org/pdf/1508.06576.pdf에 개시된 기법을 사용하여 제공될 수 있음.
또한, 대안적으로 또는 부가적으로, "실세계" 훈련 샘플로부터의 포착된 이미지는 세그먼트화, 결함 윤곽 추출 및/또는 높이 맵 계산을 사용하여 증강될 수 있고/거나 대응하는 CAD-기반 이미지와 함께 처리함으로써 획득될 수 있다.
증강 기법들은 애플리케이션-독립적 방식으로 "실세계" 훈련 샘플의 이미지(들)에 적용될 수 있다. 대안적으로, 증강된 훈련 샘플들은 애플리케이션-특정 방식으로 도출될 수 있으며, 여기서, 개개의 증강된 이미지들의 적어도 실질적인 부분이 특정 애플리케이션에 바람직한 기법(들)에 의해 획득된다. 표 1은 애플리케이션-특정 바람직한 증강 기법들의 비-제한적인 예들을 예시한다.
Figure pat00001
임의로, 증강 기법들은 또한 합성 이미지 생성기(302)에 의해 생성된 합성 이미지들에 적용될 수 있고, 출력 모듈(303)에 의해 생성된 훈련 세트는 생성기(302)에 의해 생성되고 생성기(301)에 의해 추가로 증강된 합성 이미지들을 더 포함할 수 있다.
따라서, 본원에서 개시되는 주제의 특정 실시예들에 따르면, 생성된 훈련 세트 내의 훈련 샘플들의 수는 "실세계" 훈련 샘플들의 수보다 실질적으로 더 클 수 있다. 예컨대, "실세계" 훈련 샘플들의 세트는 100 개 내지 50,000 개의 훈련 샘플들을 포함할 수 있는 한편, 본원에서 개시되는 주제의 특정 실시예들에 따라 생성된 훈련 세트는 적어도 100,000 개의 훈련 샘플들을 포함할 수 있다. 이미지들을 포착하는 것은 느린 ― 그리고 가능하게는 또한 많은 비용이 드는 ― 프로세스라는 것이 유의된다. 포착된 이미지들을 증강시키고/거나 합성 이미지들을 생성함으로써 훈련 세트 내에 충분한 양의 훈련 샘플들을 생성하는 것은 DNN 훈련의 효율화를 가능하게 한다.
또한, 증강 및 합성 이미지 생성의 기법들은 생성된 훈련 세트를 특정 애플리케이션의 요건들에 맞춤화하는 것을 가능하게 한다. 비-제한적인 예로서, 결함들의 특정 부류(예컨대, 소수 부류)에 관련된 FAB 데이터의 부족은, 개개의 결함들을 제시하는 합성 및/또는 증강된 이미지들에 의해 보상될 수 있다. 추가적인 비-제한적인 예로서, 특정 층에 관련된 적절한 FAB 데이터의 부족은 이러한 층에 관련된 합성 이미지들에 의해 보상될 수 있다. 마찬가지로, 툴 변동 훈련에 필요한 특정 툴로부터의 데이터의 부족은 이러한 툴과 관련된 합성 이미지들에 의해 보상될 수 있다.
도 4를 참조하면, 훈련 세트를 위한 증강된 이미지들을 생성하는 일반화된 흐름도가 예시된다.
단지 예시의 목적을 위해, 다음의 설명은, 반도체 시편의 검사에 추가로 사용가능한 DNN을 훈련시키는 데 사용가능한 훈련 세트에 대해 제공된다. 관련 기술분야의 통상의 기술자들은, 본원에서 개시되는 주제의 교시들이, 마찬가지로, 자동화된 결함 검토, 자동화된 결함 분류, 검사 동안의 자동화된 내비게이션, FP 이미지들의 자동화된 세그먼트화, FP 이미지들에 기초한 계측 및 기계 학습을 포함하는 다른 검사 프로세스들에 사용가능한 훈련 세트들에 적용가능하다는 것을 용이하게 인식할 것이다. 본원에서 개시되는 주제의 특정 실시예들에 따르면, 훈련 세트를 위한 이미지들의 증강은, 상이한 프로세스 변동들에 대한, 훈련된 DNN의 강건성을 가능하게 할 수 있다.
단지 예시의 목적을 위해, 다음의 설명은 훈련 세트로부터의 "실세계" 이미지를 증강시키는 것에 대해 제공된다. 관련 기술분야의 통상의 기술자들은, 본원에서 개시되는 주제의 교시들이, 마찬가지로, 훈련 세트에 대해 생성된 합성 이미지들 및/또는 훈련 세트 내의 이전에 증강된 이미지들에 적용가능하다는 것을 용이하게 인식할 것이다.
프로세스는, 물리적 프로세스 파라미터(들)의 값들에 따라 FP 이미지에 대한 특정 물리적 프로세스의 영향(전형적으로는, 원치 않는 영향이지만 그렇다고 반드시 그러한 것은 아님)을 모의할 수 있는 수학적 모델(이후 모의 모델로 또한 지칭됨)을 FPEI 시스템에 의해 획득하는 것(402)을 포함한다. 훈련 세트 생성기는, 훈련 세트를 위해 증강될 이미지(401)에 모의 모델을 적용하고, 이로써, 특정 물리적 프로세스의 파라미터들의 하나 이상의 상이한 값에 대응하는 하나 이상의 증강된 이미지를 생성한다(403). 생성된 증강된 이미지들은 훈련 세트에 부가될 수 있다(404). 모의 모델은 검사 시스템의 다른 블록(들)으로부터(예컨대, 저장 시스템(107)으로부터) 및/또는 외부 시스템(들)으로부터 FPEI 시스템(103)에 의해 수신될 수 있다. 임의로, 모의 모델의 적어도 일부는 FPEI 시스템(103)에 의해 생성될 수 있다.
모의 모델은 개개의 물리적 영향의 추정형 모델 또는 파라미터형 모델일 수 있다는 것이 유의된다. 증강된 이미지는, 상이한 물리적 영향들을 모의하는 2개 이상의 모델들을 적용함으로써 획득될 수 있다는 것이 또한 유의된다.
임의로, 훈련 세트 내의 생성된 증강된 이미지들은 가중될 수 있고, 가중치들은 훈련 세트를 적용할 때 고려될 것이다. 비-제한적인 예로서, 가중은 원래의 이미지와 증강된 이미지 사이에서 제공될 수 있다. 대안적으로 또는 부가적으로, 가중은 (예컨대, 물리적 프로세스 파라미터들의 개개의 값들의 가능성에 따라) 증강된 이미지들 사이에 제공될 수 있다.
임의로, 생성된 증강된 이미지들은 실측 정보 데이터와 연관되어 훈련 세트에 부가될 수 있다. 원래의 이미지 및 증강된 이미지는 동일한 실측 정보 데이터(예컨대, 결함 라벨)와 연관될 수 있다. 대안적으로, 증강된 이미지들은 증강된 실측 정보 데이터(예컨대, 훈련 세트 내의 증강된 부류 분포)와 연관될 수 있다.
임의로, 증강된 이미지는 다른 데이터(예컨대, CAD 데이터, 기준 이미지들 등)와 함께 모의 모델을 적용함으로써 획득될 수 있다.
다음은, 본원에서 개시되는 주제의 특정 실시예들에 따른, 상이한 간섭 효과들의 영향을 감소시키기 위해 위의 프로세스를 적용하는 비-제한적인 예들이다.
잡음:
"실세계" 이미지들은 잡음을 포함하며, 여기서, 각각의 그레이 레벨(GL) 강도는 상이한 스케일의 잡음 강도를 포함한다. 원하는 값들의 잡음 파라미터들을 갖는 잡음 모의 모델을 원래의 이미지에 적용하는 것은, 상이한 원하는 수준들의 부가된 잡음을 갖는 증강된 이미지들을 초래할 수 있다. 따라서, 그러한 증강된 이미지들을 포함하는 훈련 세트는, FT 샘플들에서의 잡음에 대한, 훈련된 DNN의 증가된 강건성을 가능하게 할 것이다.
툴들 간의 GL-교정:
상이한 툴들에 의해 취해진 이미지들의 그레이 레벨들은, 동일한 분해능으로 동일한 웨이퍼의 동일한 위치에서 포착된 때라 하더라도 인자에 따라 상이할 수 있다. 따라서, FP 이미지들을 포착한 툴 이외의 툴에 의해 포착된 이미지들에 대해 DNN을 훈련하는 것은 DNN의 일반화 능력들을 악화시킬 수 있다. 본원에서 개시되는 주제의 특정 실시예들에 따르면, 각각의 주어진 툴은 주어진 툴에 맞춤화된 GL 모의 모델과 연관될 수 있다. 주어진 툴에 의해 포착된 이미지들에 원하는 GL 강도 값들을 갖는 그러한 모델을 적용하는 것의 결과로 훈련 세트를 위한 증강된 이미지들이 얻어진다. 그러한 증강된 이미지들을 포함하는 훈련 세트는 GL 툴 변동들에 대한 증가된 강건성을 가능하게 하고 다수의 툴들로부터 훈련 데이터를 수집할 필요성을 감소시킬 것이다.
포커싱 에러들:
결함들의 일부 부류들(예컨대, 큰 패턴 손상, 큰 입자 등)은 다른 부류들보다 포커싱 에러들에 더 민감하다. 본원에서 개시되는 주제의 특정 실시예들에 따르면, 훈련 세트 생성기는, 디포커싱(defocusing)-민감 부류들의 결함들의 이미지들에 디포커싱 모의 모델을 적용할 수 있다. 디포커싱의 원하는 값들을 갖는 결과적인 증강된 결함은, 개개의 결함들의 부류-표시 라벨들과 연관되어 훈련 세트에 부가될 수 있다.
색상 변동(CV):
색상 변동은 (예컨대, 층 두께 변동들로 인해) 단일 이미지 내에서 또는 결함과 기준 이미지 사이에서 발생할 수 있다. CV는 상이한 툴 교정에 기인할 수 있고, 이미지에서의 GL의 국부적 변화에 의해 특성화될 수 있다. 원래의 이미지에 CV 모델을 적용하는 것의 결과로, 증강된 이미지들이 상이한 원하는 수준들의 부가된 변동들을 갖게 될 수 있다. 따라서, 그러한 증강된 이미지들을 포함하는 훈련 세트는, FT 샘플들에서의 색상 변동들에 대한 증가된 강건성을 가능하게 할 것이다.
대전:
대전 영향들은 결함과 기준 이미지들 사이에 인공적 차이들을 생성하고, 검사 프로세스들에 실질적으로 영향을 미칠 수 있다. 원래의 이미지에 대전 영향들의 모의 모델을 적용하는 것의 결과로, 훈련된 DNN이 대전 영향으로 인한 차이들을 무시할 수 있게 하는 증강된 이미지들이 얻어질 수 있다.
진동들:
진동은 이미지 가장자리들의 퍼짐을 야기할 수 있다. 진동에 의해 야기된 흐려진 가장자리들을 모의하는 모델을 적용하는 것의 결과로, 가장자리 스머킹(smirking) 효과에 관한 강건성을 가능하게 하는 증강된 이미지들이 얻어질 수 있다.
4중 검출기들의 오-교정
4중 검출기들의 교정은 차선적이어서, 상이한 관점들 내에서 중첩되는 이미지들을 초래할 수 있다. 모의 모델을 (임의로, 가장자리 검출을 향상시키기 위해 CAD 데이터와 함께) 적용하는 것은, 상이한 원하는 수준들의 부가된 중첩을 갖는 증강된 이미지들을 획득하는 것을 가능하게 한다. 따라서, 훈련된 DNN은 툴들의 교정에 관해 더 강건해질 수 있다.
(위에 예시된 것을 포함하는) 증강 프로세스들의 특정 실시예들의 이점들 중에는, 훈련된 DNN에 대한 간섭 효과들의 영향을 감소시키고, 그에 따라, ADC, ADR, 매칭, 계측, 및 다른 검사 작업들에 대해, 훈련된 DNN을 구현하는 강건성 및 유효성이 개선되는 것이 있다.
본 발명은 도면들에서 예시되거나 본원에 포함된 설명에서 기재된 세부사항들에 대해 그 적용이 제한되지 않는다는 것이 이해되어야 한다.
또한, 본 발명에 따른 시스템은 적합하게 프로그래밍된 컴퓨터 상에서 적어도 부분적으로 구현될 수 있다는 것이 이해될 것이다. 마찬가지로, 본 발명은 본 발명의 방법을 실행하기 위해 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 발명은 추가로, 본 발명의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령어들의 프로그램을 유형적으로 구현하는 비-일시적인 컴퓨터-판독가능 메모리를 고려한다.
본 발명은 다른 실시예들이 가능하며, 다양한 방식들로 실시 및 수행되는 것이 가능하다. 따라서, 본원에서 이용되는 어법 및 용어법이 설명의 목적을 위한 것이고, 제한적인 것으로 여겨지지 않아야 한다는 것이 이해되어야 한다. 그에 따라, 본 개시내용이 기초하는 개념이 본원에서 개시되는 주제의 여러 목적들을 수행하기 위해 다른 구조들, 방법들, 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있다는 것을 관련 기술분야의 통상의 기술자들은 인식할 것이다.
관련 기술분야의 통상의 기술자들은 첨부된 청구항들에서 그리고 첨부된 청구항들에 의해 정의되는 본 발명의 범위로부터 벗어나지 않으면서 이상에서 설명된 바와 같은 본 발명의 실시예들에 다양한 수정들 및 변경들이 적용될 수 있다는 것을 용이하게 인식할 것이다.

Claims (19)

  1. 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법으로서,
    컴퓨터에 의해 실행되고,
    a. 제조 프로세스(FP) 이미지들에 대한 물리적 프로세스의 영향을 모의하는 것과 연관된 모의 모델을 획득하는 단계 ― 상기 모의는 상기 물리적 프로세스의 파라미터들의 값들에 기초함 ―;
    b. 상기 물리적 프로세스의 파라미터들의 하나 이상의 상이한 값에 대응하는 하나 이상의 증강된 이미지를 생성하기 위해, 상기 훈련 세트를 위해 증강될 이미지에 상기 모의 모델을 적용하는 단계; 및
    c. 상기 생성된 하나 이상의 증강된 이미지를 상기 훈련 세트에 포함시키는 단계를 포함하는, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  2. 제1항에 있어서,
    상기 훈련 세트는, 훈련된 심층 신경망, 자동화된 결함 검토, 자동화된 결함 분류, 검사 동안의 자동화된 내비게이션, 상기 FP 이미지들의 자동화된 세그먼트화, 및 상기 FP 이미지들에 기초한 자동화된 계측을 사용하는 상기 시편의 검사를 포함하는 그룹으로부터 선택되는 적어도 하나의 검사 프로세스에 사용가능한, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  3. 제1항에 있어서,
    상기 FP 이미지에 대한 상기 물리적 프로세스의 영향은 원치 않는 영향인, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  4. 제1항에 있어서,
    상기 FP 이미지들은 주사 전자 현미경(SEM) 이미지들인, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  5. 제1항에 있어서,
    상기 증강될 이미지는, 훈련 세트에서 사용가능한, "실세계" 이미지, 합성 이미지, 및 이전에 증강된 이미지들을 포함하는 그룹으로부터 선택되는, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  6. 제1항에 있어서,
    상기 모의 모델은, 상기 물리적 프로세스의 영향을 각각 모의하는 파라미터형 모델 또는 추정형 모델인, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  7. 제1항에 있어서,
    상기 훈련 세트 내의 상기 생성된 증강된 이미지들은 상기 훈련 세트에 포함될 때 가중되는, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  8. 제1항에 있어서,
    상기 물리적 프로세스의 모의하는 영향은, 잡음, 툴들 간의 그레이 레벨(GL) 교정, 포커싱 에러들, 색상 변동, 대전, 진동, 및 4중 검출기들의 오-교정을 포함하는 그룹으로부터 선택되는, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  9. 제1항에 있어서,
    상기 생성된 하나 이상의 증강된 이미지는 실측 정보(ground truth) 데이터와 연관되어 상기 훈련 세트에 포함되는, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  10. 제1항에 있어서,
    상기 하나 이상의 증강된 이미지는 상기 모의 모델을 설계 데이터와 함께 적용함으로써 생성되는, 반도체 시편의 검사를 위한 훈련 세트를 생성하는 방법.
  11. 반도체 시편을 검사하기 위한 시스템으로서,
    입력 인터페이스에 동작가능하게 연결되는 처리 및 메모리 회로(PMC)를 포함하며,
    상기 입력 인터페이스는 훈련 세트를 위해 증강될 이미지를 수신하도록 구성되고,
    상기 PMC는,
    제조 프로세스(FP) 이미지들에 대한 물리적 프로세스의 영향을 모의하는 것과 연관된 모의 모델을 획득하고 ― 상기 모의는 상기 물리적 프로세스의 파라미터들의 값들에 의존가능함 ―;
    상기 물리적 프로세스의 파라미터들의 하나 이상의 상이한 값에 대응하는 하나 이상의 증강된 이미지를 생성하기 위해, 상기 훈련 세트를 위해 증강될 이미지에 상기 모의 모델을 적용하고,
    상기 생성된 하나 이상의 증강된 이미지를 상기 훈련 세트에 포함시키도록 구성되는, 반도체 시편을 검사하기 위한 시스템.
  12. 제11항에 있어서,
    상기 훈련 세트는, 훈련된 심층 신경망, 자동화된 결함 검토, 자동화된 결함 분류, 검사 동안의 자동화된 내비게이션, 상기 FP 이미지들의 자동화된 세그먼트화, 및 상기 FP 이미지들에 기초한 자동화된 계측을 사용하는 상기 시편의 검사를 포함하는 그룹으로부터 선택되는 적어도 하나의 검사 프로세스에 사용가능한, 반도체 시편을 검사하기 위한 시스템.
  13. 제11항에 있어서,
    상기 증강될 이미지는, 훈련 세트에서 사용가능한, "실세계" 이미지, 합성 이미지, 및 이전에 증강된 이미지들을 포함하는 그룹으로부터 선택되는, 반도체 시편을 검사하기 위한 시스템.
  14. 제11항에 있어서,
    상기 모의 모델은, 상기 물리적 프로세스의 영향을 각각 모의하는 파라미터형 모델 또는 추정형 모델인, 반도체 시편을 검사하기 위한 시스템.
  15. 제11항에 있어서,
    상기 PMC는, 상기 생성된 증강된 이미지들을 상기 훈련 세트에 포함시키기 전에 상기 생성된 증강된 이미지들에 가중치들을 제공하도록 구성되는, 반도체 시편을 검사하기 위한 시스템.
  16. 제11항에 있어서,
    상기 물리적 프로세스의 모의하는 영향은, 잡음, 툴들 간의 그레이 레벨(GL) 교정, 포커싱 에러들, 색상 변동, 대전, 진동, 및 4중 검출기들의 오-교정을 포함하는 그룹으로부터 선택되는, 반도체 시편을 검사하기 위한 시스템.
  17. 제11항에 있어서,
    상기 생성된 하나 이상의 증강된 이미지는 실측 정보 데이터와 연관되어 상기 훈련 세트에 포함되는, 반도체 시편을 검사하기 위한 시스템.
  18. 제11항에 있어서,
    상기 PMC는, 상기 모의 모델을 다른 데이터와 함께 적용함으로써 상기 하나 이상의 증강된 이미지를 생성하도록 구성되는, 반도체 시편을 검사하기 위한 시스템.
  19. 명령어들을 포함하는 비-일시적인 컴퓨터 판독가능 매체로서,
    상기 명령어들은, 컴퓨터에 의해 실행되는 경우, 상기 컴퓨터로 하여금,
    a. 제조 프로세스(FP) 이미지들에 대한 물리적 프로세스의 영향을 모의할 수 있는 모의 모델을 획득하는 것 ― 상기 모의는 상기 물리적 프로세스의 파라미터들의 값들에 의존가능함 ―;
    b. 훈련 세트를 위해 증강될 이미지에 상기 모의 모델을 적용하고, 이로써, 상기 물리적 프로세스의 파라미터들의 하나 이상의 상이한 값에 대응하는 하나 이상의 증강된 이미지를 생성하는 것; 및
    c. 상기 생성된 하나 이상의 증강된 이미지를 상기 훈련 세트에 포함시키는 것을 포함하는 동작들을 수행하게 하는, 비-일시적인 컴퓨터 판독가능 매체.
KR1020190020440A 2018-02-21 2019-02-21 반도체 시편의 검사에 사용가능한 훈련 세트의 생성 KR102422111B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862633555P 2018-02-21 2018-02-21
US62/633,555 2018-02-21

Publications (2)

Publication Number Publication Date
KR20190100881A true KR20190100881A (ko) 2019-08-29
KR102422111B1 KR102422111B1 (ko) 2022-07-18

Family

ID=67617246

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190020440A KR102422111B1 (ko) 2018-02-21 2019-02-21 반도체 시편의 검사에 사용가능한 훈련 세트의 생성

Country Status (4)

Country Link
US (1) US11199506B2 (ko)
KR (1) KR102422111B1 (ko)
CN (1) CN110189288A (ko)
TW (1) TWI767108B (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220001445A (ko) * 2020-06-29 2022-01-05 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
KR102521516B1 (ko) * 2022-02-28 2023-04-17 주식회사 인텔리즈 광각 탐지가 가능한 검사기용 이미지 처리 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체
US11699227B2 (en) 2020-12-07 2023-07-11 Samsung Electronics Co., Ltd. Method of verifying error of optical proximity correction model

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6675433B2 (ja) * 2018-04-25 2020-04-01 信越化学工業株式会社 欠陥分類方法、フォトマスクブランクの選別方法、およびマスクブランクの製造方法
US10846845B2 (en) * 2018-07-25 2020-11-24 Fei Company Training an artificial neural network using simulated specimen images
KR102513707B1 (ko) * 2018-09-03 2023-03-23 가부시키가이샤 프리퍼드 네트웍스 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법
KR20230130767A (ko) 2018-11-07 2023-09-12 에이에스엠엘 네델란즈 비.브이. 공정에 대한 보정 결정
US10810726B2 (en) 2019-01-30 2020-10-20 Walmart Apollo, Llc Systems and methods for detecting content in images using neural network architectures
US10922584B2 (en) * 2019-01-30 2021-02-16 Walmart Apollo, Llc Systems, methods, and techniques for training neural networks and utilizing the neural networks to detect non-compliant content
US11900026B1 (en) * 2019-04-24 2024-02-13 X Development Llc Learned fabrication constraints for optimizing physical devices
CN110728629B (zh) * 2019-09-03 2023-05-23 天津大学 一种用于对抗攻击的图像集增强方法
US10957031B1 (en) * 2019-09-06 2021-03-23 Accenture Global Solutions Limited Intelligent defect detection from image data
EP3796230B1 (en) * 2019-09-17 2022-03-09 Imec VZW A method for determining process limits of a semiconductor process
US11983853B1 (en) 2019-10-31 2024-05-14 Meta Plattforms, Inc. Techniques for generating training data for machine learning enabled image enhancement
US11501424B2 (en) * 2019-11-18 2022-11-15 Stmicroelectronics (Rousset) Sas Neural network training device, system and method
US11200659B2 (en) 2019-11-18 2021-12-14 Stmicroelectronics (Rousset) Sas Neural network training device, system and method
CN111105375B (zh) * 2019-12-17 2023-08-22 北京金山云网络技术有限公司 图像生成方法及其模型训练方法、装置及电子设备
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen
CN113093967A (zh) 2020-01-08 2021-07-09 富泰华工业（深圳）有限公司 数据生成方法、装置、计算机装置及存储介质
US11758069B2 (en) 2020-01-27 2023-09-12 Walmart Apollo, Llc Systems and methods for identifying non-compliant images using neural network architectures
JPWO2021152416A1 (ko) * 2020-01-31 2021-08-05
US11961219B2 (en) 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
US11022566B1 (en) * 2020-03-31 2021-06-01 Applied Materials Israel Ltd. Examination of a semiconductor specimen
US20210343001A1 (en) * 2020-04-30 2021-11-04 Kla Corporation Training a machine learning model to generate higher resolution images from inspection images
US11151710B1 (en) * 2020-05-04 2021-10-19 Applied Materials Israel Ltd. Automatic selection of algorithmic modules for examination of a specimen
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
CN111915621B (zh) * 2020-07-08 2022-08-05 太原理工大学 一种融合深度神经网络与cv模型的污损图像分割方法
US11449977B2 (en) * 2020-07-29 2022-09-20 Applied Materials Israel Ltd. Generating training data usable for examination of a semiconductor specimen
US11321822B2 (en) * 2020-07-30 2022-05-03 International Business Machines Corporation Determining image defects using image comparisons
KR20220019894A (ko) * 2020-08-10 2022-02-18 삼성전자주식회사 반도체 공정의 시뮬레이션 방법 및 반도체 장치의 제조 방법
CN111933517A (zh) * 2020-08-14 2020-11-13 北京北方华创微电子装备有限公司 一种半导体工艺设备中工艺任务的启动方法、装置
US11307150B2 (en) * 2020-08-17 2022-04-19 Applied Materials Israel Ltd. Automatic optimization of an examination recipe
US11562476B2 (en) * 2020-09-03 2023-01-24 Applied Materials Israel Ltd. Determination of a simulated image of a specimen
EP4053729A4 (en) * 2020-09-23 2023-06-07 Changxin Memory Technologies, Inc. METHOD AND DEVICE FOR COMPARING CHIP PRODUCTS, METHOD AND DEVICE FOR MODELING CHIP PRODUCTS AND STORAGE MEDIA
JP7443268B2 (ja) * 2021-01-05 2024-03-05 株式会社ニューフレアテクノロジー 欠陥検査方法
CN112884758B (zh) * 2021-03-12 2023-01-10 国网四川省电力公司电力科学研究院 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统
US11586789B2 (en) 2021-04-07 2023-02-21 Applied Materials, Inc. Machine learning based smart process recipe builder to improve azimuthal flow and thickness uniformity
US20230153987A1 (en) * 2021-11-17 2023-05-18 Verizon Media Inc. Object defect detection
WO2023113773A1 (en) * 2021-12-14 2023-06-22 Hewlett-Packard Development Company, L.P. Manufacturing defect detection augmented training sets
CN114694009A (zh) * 2022-03-31 2022-07-01 上海深至信息科技有限公司 一种人工智能模型的训练系统
CN115222737B (zh) * 2022-09-20 2023-03-17 中科视语(北京)科技有限公司 超晶板底漆检测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110110578A1 (en) * 2009-11-10 2011-05-12 International Business Machines Corporation Evaluation of Image Processing Algorithms
US20140072209A1 (en) * 2012-09-13 2014-03-13 Los Alamos National Security, Llc Image fusion using sparse overcomplete feature dictionaries
KR20140136713A (ko) * 2013-05-21 2014-12-01 유남구 이미지를 활용하는 학습 시뮬레이션 모델 방법 및 장치
WO2015192195A1 (en) * 2014-06-19 2015-12-23 Embraer S.A. Aircraft pilot training system, method and apparatus for theory, practice and evaluation
US20170177997A1 (en) * 2015-12-22 2017-06-22 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US7962863B2 (en) * 2007-05-07 2011-06-14 Kla-Tencor Corp. Computer-implemented methods, systems, and computer-readable media for determining a model for predicting printability of reticle features on a wafer
US20080304029A1 (en) * 2007-06-08 2008-12-11 Qimonda Ag Method and System for Adjusting an Optical Model
JP5202071B2 (ja) * 2008-03-31 2013-06-05 株式会社日立ハイテクノロジーズ 荷電粒子顕微鏡装置及びそれを用いた画像処理方法
JP5296413B2 (ja) * 2008-05-15 2013-09-25 株式会社日立ハイテクサイエンス 複合荷電粒子ビーム装置を用いた断面画像取得方法および複合荷電粒子ビーム装置
EP2576759A4 (en) * 2010-05-25 2014-01-22 Arryx Inc METHODS AND APPARATUSES FOR DETECTING FREEDOM OF POSITION OF PARTICLES IN BIOLOGICAL AND CHEMICAL ANALYZES AND APPLICATION IN IMMUNODIAGNOSTICS
JP5924267B2 (ja) * 2010-12-14 2016-05-25 株式会社ニコン 検査方法、検査装置、露光管理方法、露光システムおよび半導体デバイスの製造方法
JP2013114518A (ja) * 2011-11-29 2013-06-10 Sony Corp 画像処理装置、および画像処理方法、並びにプログラム
CN105188541A (zh) * 2013-05-16 2015-12-23 柯尼卡美能达株式会社 图像处理装置和程序
US9406154B2 (en) * 2013-06-14 2016-08-02 General Electric Company Iterative reconstruction in image formation
US9678442B2 (en) * 2014-05-28 2017-06-13 Applied Materials Israel Ltd. Aerial mask inspection based weak point analysis
WO2016086056A1 (en) 2014-11-25 2016-06-02 Kla-Tencor Corporation Analyzing and utilizing landscapes
JP2016109485A (ja) * 2014-12-03 2016-06-20 株式会社日立ハイテクノロジーズ 欠陥観察方法及び欠陥観察装置
US10395361B2 (en) * 2015-08-10 2019-08-27 Kla-Tencor Corporation Apparatus and methods for inspecting reticles
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
EP3391288B1 (en) * 2015-12-18 2023-07-12 Ventana Medical Systems, Inc. Systems and methods of unmixing images with varying acquisition properties
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
JP6668278B2 (ja) * 2017-02-20 2020-03-18 株式会社日立ハイテク 試料観察装置および試料観察方法
US10346974B2 (en) * 2017-05-18 2019-07-09 Toshiba Medical Systems Corporation Apparatus and method for medical image processing
US10318889B2 (en) * 2017-06-26 2019-06-11 Konica Minolta Laboratory U.S.A., Inc. Targeted data augmentation using neural style transfer
US10839291B2 (en) * 2017-07-01 2020-11-17 Intel Corporation Hardened deep neural networks through training from adversarial misclassified data
TWI659395B (zh) * 2017-07-19 2019-05-11 銳準醫光股份有限公司 類ｈ＆ｅ影像之合成方法及採用該方法之光學系統
US20190079533A1 (en) * 2017-09-13 2019-03-14 TuSimple Neural network architecture method for deep odometry assisted by static scene optical flow
US10552979B2 (en) * 2017-09-13 2020-02-04 TuSimple Output of a neural network method for deep odometry assisted by static scene optical flow
US10692244B2 (en) * 2017-10-06 2020-06-23 Nvidia Corporation Learning based camera pose estimation from images of an environment
WO2019155467A1 (en) * 2018-02-07 2019-08-15 Applied Materials Israel Ltd. Method of generating a training set usable for examination of a semiconductor specimen and system thereof
US11907834B2 (en) * 2018-02-14 2024-02-20 Deepmentor Inc Method for establishing data-recognition model
TWI683283B (zh) * 2018-04-03 2020-01-21 薩摩亞商銳準醫光股份有限公司 一種生物樣本之影像合成方法及採用該方法之光學系統

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110110578A1 (en) * 2009-11-10 2011-05-12 International Business Machines Corporation Evaluation of Image Processing Algorithms
US20140072209A1 (en) * 2012-09-13 2014-03-13 Los Alamos National Security, Llc Image fusion using sparse overcomplete feature dictionaries
KR20140136713A (ko) * 2013-05-21 2014-12-01 유남구 이미지를 활용하는 학습 시뮬레이션 모델 방법 및 장치
WO2015192195A1 (en) * 2014-06-19 2015-12-23 Embraer S.A. Aircraft pilot training system, method and apparatus for theory, practice and evaluation
US20170177997A1 (en) * 2015-12-22 2017-06-22 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220001445A (ko) * 2020-06-29 2022-01-05 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
US11699227B2 (en) 2020-12-07 2023-07-11 Samsung Electronics Co., Ltd. Method of verifying error of optical proximity correction model
KR102521516B1 (ko) * 2022-02-28 2023-04-17 주식회사 인텔리즈 광각 탐지가 가능한 검사기용 이미지 처리 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체

Also Published As

Publication number Publication date
KR102422111B1 (ko) 2022-07-18
TWI767108B (zh) 2022-06-11
TW201946185A (zh) 2019-12-01
US20190257767A1 (en) 2019-08-22
US11199506B2 (en) 2021-12-14
CN110189288A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
KR102422111B1 (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
KR102176335B1 (ko) 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템
KR102613438B1 (ko) 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
KR102384568B1 (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
CN114219749B (zh) 样本的模拟图像的确定
JP2022027473A (ja) 半導体試料の検査に使用可能な訓練データの生成
KR20220002084A (ko) 반도체 시편의 이미지의 세그먼트화

Legal Events

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