KR20210047959A - 생성적 대립 네트워크를 통한 초해상도 결함 검토 이미지 생성 - Google Patents

생성적 대립 네트워크를 통한 초해상도 결함 검토 이미지 생성 Download PDF

Info

Publication number
KR20210047959A
KR20210047959A KR1020217011556A KR20217011556A KR20210047959A KR 20210047959 A KR20210047959 A KR 20210047959A KR 1020217011556 A KR1020217011556 A KR 1020217011556A KR 20217011556 A KR20217011556 A KR 20217011556A KR 20210047959 A KR20210047959 A KR 20210047959A
Authority
KR
South Korea
Prior art keywords
sample
image resolution
images
image
neural network
Prior art date
Application number
KR1020217011556A
Other languages
English (en)
Other versions
KR102587159B1 (ko
Inventor
아누즈 판데이
브래들리 리스
히만슈 바자리아
용 장
라훌 라크하와트
Original Assignee
케이엘에이 코포레이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 케이엘에이 코포레이션 filed Critical 케이엘에이 코포레이션
Publication of KR20210047959A publication Critical patent/KR20210047959A/ko
Application granted granted Critical
Publication of KR102587159B1 publication Critical patent/KR102587159B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • 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
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G01N2021/8864—Mapping zones of defects
    • 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
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/126—Microprocessor 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (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

샘플을 분석하기 위한 시스템은 검사 서브시스템 및 적어도 하나의 제어기를 포함한다. 검사 서브시스템은 제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들을 수집하기 위해 샘플을 스캔하도록 구성된다. 제어기는 제1의 복수의 샘플 이미지들에 기초하여 결함 리스트를 생성하도록 구성된다. 제어기는 또한, 제1 이미지 해상도를 갖는 샘플 이미지 및 제1 이미지 해상도보다 높은 제2 이미지 해상도를 갖는 샘플 이미지를 포함하는 소스 데이터로 트레이닝된 신경망에 결함 리스트에 대응하는 이미지를 입력하도록 구성된다. 제어기는 또한, 결함 리스트에 대응하는 이미지에 기초하여 신경망으로 제2의 복수의 샘플 이미지들을 생성하도록 구성되며, 제2의 복수의 샘플 이미지들은 제2 이미지 해상도를 가지며 결함 리스트에 대응한다.

Description

생성적 대립 네트워크를 통한 초해상도 결함 검토 이미지 생성
관련 출원에 대한 상호 참조
본 출원은 발명의 명칭이 SUPER-RESOLUTION DEFECT REVIEW IMAGE GENERATION THROUGH GENERATIVE ADVERSARIAL NETWORKS이고 발명자의 이름이 Anuj Pandey, Brad Ries, Himanshu Vajaria, Yong Zhang, 및 Rahul Lakhawat인 2018 년 9 월 21 일자로 출원된 인도 특허 가출원 제201841035629호에 대한 우선권을 주장하며, 이는 참조에 의해 전부 본 명세서에 원용된다. 본 출원은 또한, 발명의 명칭이 SUPER RESOLUTION DEFECT REVIEW IMAGE GENERATION THROUGH GENERATIVE ADVERSARIAL NETWORKS이고 발명자의 이름이 Anuj Pandey, Brad Ries, Himanshu Vajaria, Yong Zhang, 및 Rahul Lakhawat인 2018 년 11 월 2 일자로 출원된 미국 특허 가출원 제62/755,224호에 대한 우선권을 주장하며, 이는 참조에 의해 전부 본 명세서에 원용된다.
기술 분야
본 개시는 일반적으로 샘플 분석을 위한 시스템 및 방법에 관한 것이고, 보다 구체적으로 결함 검사 및 검토(review)를 위한 시스템 및 방법에 관한 것이다.
샘플 분석 시스템(예를 들어, 검사 시스템)은 더 빠른 레이트로 결함 검사를 수행하도록 설계되고 있다. 통상적인 패턴화된 웨이퍼의 경우, 작업 실행에는 다음 단계가 포함될 수도 있다: (1) 프리 얼라이너(pre-aligner)상의 웨이퍼 로딩; (2) 노치 정렬; (3) 척 상의 웨이퍼 로딩; (4) 웨이퍼 정렬; (5) 결함 스캔; (6) 결함 필터링; (7) 자동/자동화 결함 검토(Automatic/Automated Defect Review, ADR); 및 (8) 웨이퍼 언로딩 후 결함 이미지 (및 참조 이미지(가 있다면)) 저장. 이 프로세스에서, 스루풋은 대개 결함 스캔 및 ADR 단계에 의해 영향을 받는다.
기존 ADR 체계에서, 검사 시스템/도구는, 검사 스캔 후, 검토 대물 렌즈로 전환한 다음 각 결함 위치로 이동하여, 포커스(focus)를 잡고 이미지를 포착(grab)한다. 때때로, 웨이퍼 Z-프로파일이 평탄하지 않을 때, 검토는 심지어 디포커스(defocus)를 겪을 수도 있다. 현재 ADR 프로세스의 몇 가지 단점은 (각 결함 위치에서 보다 높은 해상도의 이미지를 수집하기 위해) ADR에 대해 더 긴 시간이 필요하고, 불규칙한 웨이퍼 평탄도 프로파일로 인해 디포커스 문제가 일어날 수도 있고, 웨이퍼와 검토 대물 렌즈(review objective)의 물리적 접촉 위험이 있다는 것이다. 따라서, 개선된 ADR 체계를 갖는 시료 분석 시스템 및 방법이 필요하다.
개요
샘플을 분석하기 위한 시스템이 본 개시의 하나 이상의 예시적인 실시 형태에 따라 개시된다. 하나의 예시적인 실시 형태에서, 시스템은 검사 서브시스템(inspection sub-system) 및 제어기를 포함한다. 실시 형태에서, 검사 서브시스템은 제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들을 수집하기 위해 샘플을 스캔하도록 구성된다. 실시 형태에서, 제어기는 제1의 복수의 샘플 이미지들에 기초하여 결함 리스트(defect list)를 생성하도록 구성된다. 실시 형태에서, 제어기는 또한, 제1 이미지 해상도를 갖는 샘플 이미지들 및 제1 이미지 해상도보다 높은 제2 이미지 해상도를 갖는 샘플 이미지들을 포함하는 소스 데이터로 트레이닝된 신경망(neural network)에 결함 리스트에 대응하는 이미지들을 입력하도록 구성된다. 실시 형태에서, 제어기는 또한, 결함 리스트에 대응하는 이미지들에 기초하여 신경망으로 제2의 복수의 샘플 이미지들을 생성하도록 구성되고, 제2의 복수의 샘플 이미지들은 제2 이미지 해상도를 갖고 결함 리스트에 대응한다.
샘플을 분석하기 위한 방법이 또한 본 개시의 하나 이상의 예시적인 구현에 따라 개시된다. 방법의 하나의 예시적인 구현에서, 샘플은 제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들을 수집하기 위해 스캔된다. 구현에서, 결함 리스트는 제1의 복수의 샘플 이미지들에 기초하여 생성된다. 구현에서, 결함 리스트에 대응하는 이미지는, 제1 이미지 해상도를 갖는 샘플 이미지 및 제1 이미지 해상도보다 높은 제2 이미지 해상도를 갖는 샘플 이미지를 포함하는 소스 데이터로 트레이닝되는 신경망에 공급된다. 구현에서, 제2의 복수의 샘플 이미지들이, 결함 리스트에 대응하는 이미지에 기초하여 신경망에 의해 생성되고, 제2의 복수의 샘플 이미지들은 제2 이미지 해상도를 갖고 결함 리스트에 대응한다.
샘플 분석 시스템을 위한 제어기가 또한 본 개시의 하나 이상의 예시적인 실시 형태에서 따라 개시된다. 하나의 예시적인 실시 형태에서, 제어기는 적어도 하나의 프로세서 및 프로세서에 통신가능하게(communicatively) 커플링된 적어도 하나의 메모리 매체를 포함한다. 실시 형태에서, 메모리 매체는 적어도 하나의 프로세서에 의해 실행가능한 프로그램 명령어들을 포함하고 프로그램 명령어들은 프로세서가, 제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들에 기초하여 결함 리스트를 생성하게 하도록; 신경망에 결함 리스트에 대응하는 이미지들을 입력하게 하도록 - 신경망은 제1 이미지 해상도를 갖는 샘플 이미지 및 제1 이미지 해상도보다 높은 제2 이미지 해상도를 갖는 샘플 이미지들을 포함하는 소스 데이터로 트레이닝됨 - ; 그리고 결함 리스트에 대응하는 이미지들에 기초하여 신경망으로 제2의 복수의 샘플 이미지들을 생성하게 하도록 - 제2의 복수의 샘플 이미지들은 제2 이미지 해상도를 갖고 결함 리스트에 대응함 - 구성된다.
전술한 일반적인 설명과 다음의 상세한 설명은 모두 예시적이고 설명적일뿐이며 청구된 본 발명을 반드시 제한하는 것은 아님을 이해해야 한다. 명세서에 포함되고 그 일부를 구성하는 첨부 도면은 본 발명의 실시 형태를 예시하고 일반적인 설명과 함께 본 발명의 원리를 설명하는 역할을 한다.
본 개시의 수많은 이점이 첨부 도면을 참조하여 당업자에 의해 더 잘 이해될 수 있고 첨부 도면 중:
도 1은 ADR이 있거나 없는 상이한 스캔 해상도(대물 렌즈 확대율)에서 검사 시스템에 대한 도구 스루풋의 예를 예시하는 차트이고;
도 2a는 본 개시의 하나 이상의 실시 형태에 따른, 샘플을 분석하기 위한 시스템의 개략적인 예시이고;
도 2b는 본 개시의 하나 이상의 실시 형태에 따른, 광학 검사 서브시스템의 개략적인 예시이고;
도 3a는 본 개시의 하나 이상의 실시 형태에 따른, 신경망의 개략적인 예시이고;
도 3b는 본 개시의 하나 이상의 실시 형태에 따른, 도 3a에 예시된 신경망을, 행렬 표현(matrix notation)으로 도시한, 단순화된 개략적인 예시이고;
도 3c는 본 개시의 하나 이상의 실시 형태에 따른, 생성적 대립 네트워크(generative adversarial network, GAN) 구성에서 신경망의 개략적인 예시이고;
도 4는 본 개시의 하나 이상의 구현에 따른, 샘플을 분석하기 위한 방법을 예시하는 흐름도이다.
상세한 설명
이제 첨부 도면에 예시된 개시된 요지를 상세히 언급할 것이다. 본 개시는 특정 실시 형태 및 이의 구체적인 특징과 관련하여 특히 도시되고 설명되었다. 본 명세서에 제시된 실시 형태는 제한적이라기보다는 예시적인 것으로 받아들여진다. 본 개시의 사상 및 범위를 벗어나지 않고서 형태 및 세부 사항에 있어서 다양한 변경 및 수정이 이루어질 수도 있음이 당업자에게 쉽게 명백할 것이다.
통상적인 제조 시나리오에서, 고객은 웨이퍼 결함률(wafer defectivity) 및 검사 뉴슨스 레이트(inspection nuisance rate)에 따라 대략 100-1500 개 사이의 결함을 검토할 수도 있다. 결과적으로, 검사 도구/시스템은 검토 이미지를 포착하기 위해 ADR에 대해 많은 시간을 쓸 필요가 있다. 스루풋(throughput)은 검토중인 이미지 수에 반비례한다. 즉, ADR 검토 이미지 수가 많을수록, 스루풋이 낮아진다. 도 1은 ADR 이미지 캡처의 수가 괄호로 표시된 상이한 대물 렌즈에 대한 스루풋 수치의 예를 갖는 차트를 도시한다. 도 1에 있는 차트에서 알 수 있는 바와 같이, ADR은 스루풋에 현저한 영향을 미친다.
패턴화된 웨이퍼의 경우, 작업 실행에는 다음 단계가 포함될 수도 있다: (1) 프리 얼라이너 상의 웨이퍼 로딩; (2) 노치 정렬; (3) 척 상의 웨이퍼 로딩; (4) 웨이퍼 정렬; (5) 결함 스캔; (6) 결함 필터링; (7) 자동/자동화 결함 검토(ADR); 및 (8) 웨이퍼 언로딩 후 결함 이미지 (및 참조 이미지(가 있다면)) 저장. 이 프로세스에서, 스루풋은 대개 결함 스캔 및 ADR 단계에 의해 영향을 받는다.
기존 ADR 체계에서, 검사 시스템/도구는, 검사 스캔 후, 검토 대물 렌즈로 전환한 다음 각 결함 위치로 이동하여, 포커스를 잡고 이미지를 포착한다. 때때로, 웨이퍼 Z-프로파일이 평탄하지 않을 때, 검토는 심지어 디포커스를 겪을 수도 있다. 현재 ADR 프로세스의 몇 가지 단점은 (각 결함 위치에서 보다 높은 해상도의 이미지를 수집하기 위해) ADR에 대해 더 긴 시간이 필요하고, 불규칙한 웨이퍼 평탄도 프로파일로 인해 디포커스 문제가 일어날 수도 있고, 웨이퍼와 검토 대물 렌즈의 물리적 접촉 위험이 있다는 것이다.
스루풋에 대한 ADR의 영향을 줄이기 위해, 보다 낮은 해상도 스캔 이미지(예를 들어, 패치 클립)에 기초하여 고/초 해상도 이미지를 생성하기 위해 신경망을 사용하는 시스템 및 방법이 개시된다. 예를 들어, 본 명세서에 개시된 시스템 및 방법은 그레이스케일 결함 패치 이미지를 딥 러닝 방법에 의해 트레이닝된 생성적 신경망에 공급함으로써 컬러, 고해상도 결함 검토 이미지를 생성하는 데 사용될 수 있다. 실시 형태에서, 생성적 딥 러닝 신경망은 레시피 셋업(recipe setup) 동안 스캔 이미지 및 ADR 이미지로 트레이닝된다. 그런 다음, 작업 실행 동안, 스캔 이미지가 수집되고 신경망에 공급되어 고해상도 ADR 이미지를 생성한다. 고해상도 ADR 이미지를 수집해야하기 보다는, 트레이닝된 신경망을 사용하여 작업 실행 동안 ADR 이미지를 생성함으로써: (1) ADR 시간이 감소되고 (이에 의해 스루풋을 향상시키고); (2) ADR 디포커스 문제가 없어지고; 그리고 (3) 작업 실행 동안 검토 대물 렌즈에 의한 웨이퍼 손상 위험이 없다.
도 2는 보다 낮은 해상도 스캔 이미지(예를 들어, 패치 클립)에 기초하여 고/초 해상도 이미지를 생성하기 위해 신경망을 사용하는 샘플 분석 시스템(100)의 예시적인 실시형태를 예시한다. 시스템(100)은 샘플(102)(예를 들어, 웨이퍼, 보드, 패널, 레티클 또는 임의의 다른 기판)의 적어도 하나의 표면을 분석하는 데 사용될 수 있다. 실시 형태에서, 시스템은 검사 서브시스템(104), 예를 들어 광학 검사 서브시스템(106)(예를 들어, 광대역 플라즈마 검사 서브시스템, 레이저 지속 플라즈마 검사 서브시스템, KLA-Tencor Corporation의 89xx 시리즈(예를 들어, 8900) 시리즈 검사 서브시스템 등) 및/또는 전자빔(eBeam) 검사 서브시스템(108)(예를 들어, KLA-Tencor Corporation의 eSLxx 시리즈 eBeam 웨이퍼 결함 검사 플랫폼 등)을 포함한다.
샘플(102)은 하나 이상의 지지 부재(110)에 의해 지지된다. 예를 들어, 하나 이상의 지지 부재(110)는 하나 이상의 샘플 스테이지, 척 등을 포함할 수도 있다. 일부 실시 형태에서, 하나 이상의 지지 부재(110)는(예를 들어, 샘플(102)의 x, y 또는 z 좌표를 조정하기 위해) 구동가능할 수도 있다. 하나 이상의 지지 부재(110)는 분석(예를 들어, 검사) 동안 선택된 위치 및/또는 배향에서 샘플(102)을 지지하도록 구성될 수도 있다.
실시 형태에서, 시스템(100)은 검사 서브시스템(104)에 통신가능하게 커플링된 제어기(112)를 더 포함한다. 예를 들어, 제어기(112)(또는 복수의 제어기들(112))는 광학 검사 서브시스템(106) 및/또는 eBeam 검사 서브시스템(108)에 통신가능하게 커플링될 수 있다. 일부 실시 형태에서, 제어기(112)는 메모리 매체(116)상에 유지되는 프로그램 명령어를 실행하도록 구성된 하나 이상의 프로세서(114)를 포함한다. 이와 관련하여, 제어기(112)의 하나 이상의 프로세서(114)는 본 개시 전체에 걸쳐 설명된 다양한 프로세스 단계 또는 동작 중 어느 것도 실행할 수 있다.
제어기(112)의 하나 이상의 프로세서(114)는 당업계에 알려진 임의의 프로세싱 요소를 포함할 수도 있다. 이러한 의미에서, 하나 이상의 프로세서(114)는 알고리즘 및/또는 명령어를 실행하도록 구성된 임의의 마이크로프로세서 유형 디바이스를 포함할 수도 있다. 일 실시 형태에서, 하나 이상의 프로세서(114)는 데스크탑 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 이미지 컴퓨터, 병렬 프로세서, 또는 본 개시 전체에 걸쳐 설명된 바처럼, 시스템(100)/검사 서브시스템(104)을 동작시키도록 구성된 프로그램을 실행하도록 구성된 임의의 다른 컴퓨터 시스템(예를 들어, 네트워크화된 컴퓨터)을 포함할 수도 있다. 또한 "프로세서" 라는 용어는 비일시적 메모리 매체(116)로부터 프로그램 명령어를 실행하는 하나 이상의 프로세싱 요소를 갖는 임의의 디바이스를 포함하도록 넓게 정의될 수도 있다는 것이 인식된다.
메모리 매체(116)는 연관된 하나 이상의 프로세서(114)에 의해 실행가능한 프로그램 명령어를 저장하기에 적합한 당업계에 알려진 임의의 저장 매체를 포함할 수도 있다. 예를 들어, 메모리 매체(116)는 비일시적 메모리 매체를 포함할 수도 있다. 다른 예로서, 메모리 매체(116)는 읽기 전용 메모리, 랜덤 액세스 메모리, 자기 또는 광학 메모리 디바이스(예를 들어, 디스크), 자기 테이프, 솔리드 스테이트 디스크/드라이브 등을 포함할 수도 있다. 또한, 메모리 매체(116)는 하나 이상의 프로세서(114)와 함께 공통 제어기 하우징에 수용될 수도 있다는 점에 유의한다. 일 실시 형태에서, 메모리 매체(116)는 하나 이상의 프로세서(114) 및 제어기(112)의 물리적 위치에 대해 원격으로 위치될 수도 있다. 예를 들어, 제어기(112)의 하나 이상의 프로세서(114)는 네트워크(예를 들어, 인터넷, 인트라넷 등)을 통해 액세스가능한, 원격 메모리(예를 들어, 서버)에 액세스할 수도 있다. 따라서, 위의 설명은 본 발명에 대한 제한이 아니라 단지 예시일 뿐으로서 해석되어야 한다.
실시 형태에서, 제어기(112)는 검사 서브시스템(104)(예를 들어, 광학 검사 서브시스템(106) 및/또는 eBeam 검사 서브시스템(108))과 통신하도록 구성된다. 예를 들어, 제어기(112)는 검사 서브시스템(104)(예를 들어, 광학 검사 서브시스템(106) 및/또는 eBeam 검사 서브시스템(108))으로부터 데이터를 수신하거나 또는 검사 서브시스템(104)에 데이터를 전송하도록 구성될 수 있다. 제어기(112)는 원시 데이터, 프로세싱된 데이터 및/또는 부분적으로 프로세싱된 데이터의 임의의 조합을 수신하도록 구성될 수 있다. 예를 들어, 제어기(112)는 스캔 이미지, ADR 이미지 등과 같은 검사 데이터를 수신하도록 구성될 수도 있다.
실시 형태에서, 제어기(112)는 또한 프로세스 도구(118)와 통신하도록 구성될 수도 있다. 예를 들어, 제어기(112)는 프로세스 도구(118)로부터 데이터를 수신하거나 또는 프로세스 도구(118)에 데이터를 전송하도록 구성될 수 있다. 제어기(112)는 원시 데이터, 프로세싱된 데이터 및/또는 부분적으로 프로세싱된 데이터의 임의의 조합을 수신하도록 구성될 수 있다. 예를 들어, 제어기(112)는 프로세스 도구 파라미터/설정, 배치 정보(batch information), 활동 로그, 진단 정보 등을 수신하도록 구성될 수도 있다. 프로세스 도구(118)는 리소그래피 도구, 식각 도구, 화학 기계 연마(chemical-mechanical polishing, CMP) 도구, 퇴적 도구(예를 들어, 화학 기상 증착(chemical vapor deposition, CVD) 도구, 물리 기상 증착(physical vapor deposition, PVD) 도구, 원자 층 증착(atomic layer deposition tool) 도구 등), 세정 도구, 도금 도구, 이온 주입 도구, 열 도구(예를 들어, 급속 열 어닐링 도구)등을 포함할 수도 있다. 프로세스 도구(예를 들어, 프로세스 장비)의 기타 예는 미국 특허 제8,284,394호에 논의되어 있다. 검사/계측 도구의 추가 예는 미국 특허 제8,284,394호에서도 논의되어 있다. 미국 특허 제8,284,394호는 참조에 의해 전부 본원에 원용되고, 일부 실시형태에서, 검사 서브시스템(104), 광학 계측 시스템(110) 및/또는 프로세스 도구(118)는 미국 특허 제8,284,394호에 개시된 각각의 검사 시스템, 계측 도구 또는 프로세스 장비 중 어느 것도 포함할 수 있음에 유의한다.
제어기(112)는 또한, 검사 서브시스템(104)(예를 들어, 광학 검사 서브시스템(106) 및/또는 eBeam 검사 서브시스템(108)) 및/또는 프로세스 도구(118)에 데이터 및/또는 제어 신호를 전송하도록 구성될 수 있다. 일부 실시형태에서, 제어기(112)는, 검사 서브시스템(104)(예를 들어, 광학 검사 서브시스템(106) 및/또는 eBeam 검사 서브시스템(108)) 및/또는 프로세스 도구(118) 의 하나 이상의 동작 파라미터를 제어하도록 구성될 수도 있다. 예를 들어, 제어기(112)는 하나 이상의 조명 파라미터(예를 들어, 조명 강도, 파장, 대역폭, 주파수, 스폿 크기 등), 스캔 패턴, 스캔 속도, 광학 파라미터(예를 들어, 포커스, 상대 렌즈 위치, 개구 크기(aperture size), 필터 배열, 렌즈 배열 등), 프로세스 도구 파라미터(예를 들어, 공간, 타이밍 및/또는 재료 퇴적 파라미터) 등을 제어하도록 구성될 수도 있다.
또한, 본 개시 전체에 걸쳐 설명된 단계는 단일 제어기(112)에 의해 또는 대안적으로 다수의 제어기에 의해 수행될 수도 있다. 추가로, 제어기(112)는 공통 하우징에 또는 다수의 하우징 내에 수용된 하나 이상의 제어기를 포함할 수도 있다. 이러한 방식으로, 임의의 제어기 또는 제어기 조합이 시스템(100)에 통합하기에 적합한 모듈로서 별도로 패키징될 수도 있다. 예를 들어, 제어기(112)는 검사 서브시스템(104)(예를 들어, 광학 검사 서브시스템(106) 및/또는 eBeam 검사 서브시스템(108)) 및/또는 프로세스 도구(118)를 위한 중앙 프로세싱 플랫폼으로서 동작할 수도 있고 수집된 데이터에 기초하여 샘플 결함을 검출 및/또는 검토하거나 및/또는 제어 파라미터(예를 들어, 프로세스 도구 파라미터)를 생성하기 위해 수신된 데이터(원시 및/또는 부분적으로 프로세싱됨)에 대한 하나 이상의 분석(예를 들어, 검사) 알고리즘을 구현할 수도 있다.
일부 실시 형태에서, 검사 서브시스템(104)은 도 2b에 예시된 검사 서브시스템(106)과 같은 광학 검사 서브시스템(106)을 포함한다. 도 2b는 본 개시의 하나 이상의 실시 형태에 따른 광학 검사 서브시스템(104)의 단순화된 개략도를 예시한다. 일 실시 형태에서, 시스템(104)은 조명원(120)(예를 들어, 광대역 또는 협대역 조명원), 조명 암(123), 수집 암(125) 및 검출기 어셈블리(134)를 포함한다.
샘플(102)은 샘플(102)의 이동을 용이하게 하기 위해 스테이지 어셈블리(110)상에 배치될 수도 있다. 스테이지 어셈블리(110)는 X-Y 스테이지, R-θ 스테이지 등을 포함하지만 이에 한정되지 않는 당업계에 알려진 임의의 스테이지 어셈블리(110)를 포함할 수도 있다. 일부 실시 형태에서, 스테이지 어셈블리(110)는 샘플(102)상에 포커스를 유지하기 위해 검사 또는 이미징 동안 샘플(102)의 높이를 조정할 수 있다.
조명 암(123)은 조명원(120)으로부터의 조명(135)을 샘플(102)로 지향시키도록 구성될 수 있다. 조명 암(123)은 당업계에 알려진 임의의 수 그리고 유형의 광학 구성 요소를 포함할 수도 있다. 일부 실시 형태에서, 조명 암(123)은 하나 이상의 광학 요소(122), 빔 스플리터(124) 및 대물 렌즈(126)를 포함한다. 이와 관련하여, 조명 암(123)은 조명원(120)으로부터의 조명(135)을 샘플(102)의 표면상에 포커싱하도록 구성될 수도 있다. 하나 이상의 광학 요소(122)는 하나 이상의 거울, 하나 이상의 렌즈, 하나 이상의 편광기, 하나 이상의 격자, 하나 이상의 필터, 하나 이상의 빔 스플리터 등을 포함하지만 이에 한정되지 않는 당업계에 알려진 임의의 광학 요소 또는 광학 요소 조합을 포함할 수도 있다.
수집 암(125)은 샘플(102)로부터 반사, 산란, 회절 및/또는 방출되는 광을 수집하도록 구성될 수 있다. 일부 실시 형태에서, 수집 암(125)은 샘플(102)로부터의 광을 검출기 어셈블리(134)의 센서(136)로 지향시키거나 및/또는 포커싱할 수도 있다. 센서(136) 및 검출기 어셈블리(134)는 당업계에 알려진 임의의 센서 및 검출기 어셈블리를 포함할 수도 있다는 점에 유의한다. 센서(136)는 CCD(charge-coupled device) 검출기, CMOS(complementary metal-oxide semiconductor) 검출기, TDI(time-delay integration) 검출기, PMT(photomultiplier tube), APD(avalanche photodiode) 등을 포함할 수도 있지만, 이에 한정되지는 않는다. 또한, 센서(136)는 라인 센서 또는 전자 충격식 라인 센서(electron-bombarded line sensor)를 포함할 수도 있지만 이에 한정되지는 않는다.
검출기 어셈블리(134)는 하나 이상의 프로세서(114) 및 메모리(116)를 포함하는 제어기(112)에 통신가능하게 커플링될 수도 있다. 예를 들어, 하나 이상의 프로세서(114)는 메모리(116)에 통신가능하게 커플링될 수도 있고, 하나 이상의 프로세서(114)는 메모리(116)에 저장된 프로그램 명령어 세트를 실행하도록 구성된다. 실시 형태에서, 하나 이상의 프로세서(114)는 검출기 어셈블리(134)의 출력을 분석하도록 구성된다. 일부 실시 형태에서, 프로그램 명령어 세트는 하나 이상의 프로세서(114)가 샘플(102)의 하나 이상의 특성을 분석하게 하도록 구성된다. 일부 실시 형태에서, 프로그램 명령어 세트는 하나 이상의 프로세서(114)가 샘플(102) 및/또는 센서(136)상에 포커스를 유지하기 위하여 시스템(104)의 하나 이상의 특성을 수정하게 하도록 구성된다. 예를 들어, 하나 이상의 프로세서(114)는 조명원(120)으로부터의 조명(135)을 샘플(102)의 표면 상에 포커싱하기 위해 대물 렌즈(126) 또는 하나 이상의 광학 요소(122)를 조정하도록 구성될 수도 있다. 다른 예로서, 하나 이상의 프로세서(114)는 샘플(102)의 표면으로부터 조명을 수집하고 센서(136)상에 수집된 조명을 포커싱하기 위해 대물 렌즈(126) 및/또는 하나 이상의 광학 요소(130)를 조정하도록 구성될 수도 있다.
시스템(104)은 암 시야 구성, 명 시야 배향 등을 포함하지만 이에 한정되지 않는 당업계에 알려진 임의의 광학 구성으로 구성될 수도 있다는 점에 유의한다. 또한, 시스템(100)의 하나 이상의 구성 요소는 당업계에 알려진 임의의 방식으로 시스템(100)의 다양한 다른 구성 요소에 통신가능하게 커플링될 수도 있다는 점에 유의한다. 예를 들어, 조명원(120), 검출기 어셈블리(134), 제어기(112) 및 하나 이상의 프로세서(114)는 유선(예를 들어, 구리 배선, 광섬유 케이블 등) 또는 무선 연결(예를 들어, RF 커플링, IR 커플링, 데이터 네트워크 통신(예를 들어, WiFi, WiMax, Bluetooth 등))을 통해 서로 그리고 다른 구성 요소에 통신가능하게 커플링될 수도 있다.
실시 형태에서, 검사 서브시스템(104)은 제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들(때때로 본 명세서에서 "스캔 이미지" 또는 "패치 클립"으로 지칭됨)을 수집하기 위해 샘플(102)상에 스캔을 수행하도록 구성된다. 일부 실시 형태에서, 제1 이미지 해상도를 갖는 샘플 이미지는 1X 내지 10X 범위의 대물 렌즈 확대율로 캡처된다. 검사 서브시스템(104)은 스캔 이미지/패치 클립의 해상도의 2 배 이상을 가질 수도 있는 ADR 이미지보다 훨씬 빠른 레이트로 스캔 이미지/패치 클립을 수집할 수 있다. 예를 들어, ADR 이미지는 제1 이미지 해상도보다 높은 제2 이미지 해상도(예를 들어, 제1 이미지 해상도의 2 배 내지 5 배 이상)를 가질 수도 있다. 일부 실시 형태에서, 스캔 이미지/패치 클립은 흑백(black and white, B&W) 또는 그레이스케일 이미지인 반면, ADR 이미지는 보다 높은 해상도 컬러 이미지이다.
제어기(112)는 검사 서브시스템(104)에 의해 검출된 스캔 이미지/패치 클립에 기초하여 결함 리스트를 생성하도록 구성될 수 있다. 다음으로, 검사 서브시스템(104)이 결함 리스트에 의해 표시된 결함 위치에서 ADR 이미지를 수집하게 하기 보다는, 제어기(112)는 결함 리스트에 대응하는 스캔 이미지/패치 클립을 신경망(예를 들어, 후술되는 신경망(200) 등)에 입력하게 하도록 구성된다. 예를 들어, 제어기(112)는 결함 리스트 및 모든 스캔 이미지/패치 클립을 신경망에 로딩하도록 구성될 수 있거나, 또는 대안적으로 결함 리스트에 대응하는 스캔 이미지/패치 클립의 서브세트를 신경망에 로딩하도록 구성될 수 있다. 다음으로, 제어기(112)는 결함 리스트에 대응하는 스캔 이미지/패치 클립에 기초하여 신경망으로 ADR 이미지를 생성하도록 구성된다.
도 3a 내지 도 3c는 본 개시의 하나 이상의 실시 형태에 따른, 신경망(200)을 예시한다. 신경망(200)은 (예를 들어, 메모리(116)로부터) 프로세서(114)에 의해 실행되는 소프트웨어 모듈에 의해 구현될 수 있다. 다른 실시 형태에서, 신경망(200)은 하드웨어 모듈(예를 들어, 집적 회로, 프로그램가능 로직 디바이스 등) 또는 하드웨어 및 소프트웨어 모듈의 조합에 의해 구현될 수 있다.
실시 형태에서, 신경망(200)은 하나 이상의 계층을 포함할 수도 있다. 예를 들어, 다층 신경망(200)이 도 3a 및 도 3b에 예시되어 있다. 이러한 신경망 토폴로지/아키텍처는 MIMO(multiple-input and multiple-output) 시스템에 사용될 수 있다. 신경망(200)은 하나 이상의 입력(202) 및 하나 이상의 계층(204)(예를 들어, 제1 계층(204A), 제2 계층(204B), 제3 계층(204C) 등)을 포함한다. 실시 형태에서, 신경망(200)은 임의의 수의 입력 및 계층을 포함할 수 있다. 각각의 계층(204)은 하나 이상의 뉴런/퍼셉트론(206)을 포함한다. 뉴런/퍼셉트론(206)은 다음의 속성을 가질 수도 있다: (1)
Figure pct00001
와 같은 스칼라 가중치; (2)
Figure pct00002
와 같은 스칼라 바이어스; (3) ∑ 와 같은 합산 연산; (4)
Figure pct00003
와 같은 전달 함수 (또는 활성화 함수); 및
Figure pct00004
와 같은 스칼라 출력. 뉴런/퍼셉트론(206)에 대한 스칼라 입력은 뉴런/퍼셉트론(206)의 가중치로 곱해진 다음, 그의 전달 함수에 의해 변환되어 출력이 되기 전에 바이어스와 합산된다. 도 3b에 도시된 바와 같이, 신경망(200)에 대한 수학적 개념은 행렬 형식으로 표현될 수도 있다.
도 3c에 도시된 바와 같이, 실시 형태에서, 신경망(200)은 생성적 대립 네트워크(GAN)일 수도 있다. 이와 관련하여, 신경망(200)은 스캔 이미지/패치 클립(201)에 기초하여 ADR 이미지(203)를 생성하도록 구성된 제1 신경망(생성망)(200A) 및 검사 서브시스템(104)에 의해 수집된 ADR 이미지(205)로 트레이닝된 이미지 진정성 파라미터(image authenticity parameter)에 기초하여 바이너리 출력(예를 들어, 참/거짓, 정확/부정확, 1/0)을 생성하도록 구성된 제2 신경망(판별망)(200B)을 포함할 수도 있다. 판별망(discriminator network)(200B)은 생성된 ADR 이미지(203)가 트레이닝된 파라미터를 만족하지 않을 때 바이너리 출력(207)에서 거짓/부정확/0 상태를 생성하도록 구성될 수 있다. 차례로, 생성망(200A)은 그것의 가중치 및 바이어스를, 생성된 ADR 이미지(203)가 판별망(200B)의 트레이닝된 파라미터를 만족하도록, 조정하여 바이너리 출력(207)에서 참/정확/1 상태를 낳도록 구성될 수 있다.
실시 형태에서, 신경망(200)은 (저해상도의) 스캔 이미지/패치 클립(201) 및 검사 서브시스템(104)에 의해 수집된 (고해상도의) ADR 이미지(205)를 포함하는 소스 데이터로 이 프로세스를 다수회 수행함으로써 트레이닝된다. 예를 들어, 신경망(200)은 미리 결정된 수의 스캔 이미지/패치 클립(201) 및 미리 결정된 수의 수집된 ADR 이미지(205)(예를 들어, 500 내지 5000 개의 스캔 이미지/패치 클립 및 500 내지 5000 개의 수집된 ADR 이미지)로 트레이닝될 수도 있다. 다른 실시 형태에서, 신경망(200)은 판별망(200B)이 바이너리 출력(207)에서 거짓/부정확/0 상태에 대한 연속적인 참/정확/1 상태의 임계 수 또는 참/정확/1 상태의 임계 비를 출력할 때까지 트레이닝을 계속할 수도 있다. 예를 들어, 신경망(200)은 미리 결정된 수의 입력에 대해 임계 신뢰 수준(예를 들어, 적어도 70 %, 80 %, 90 % 이상)이 달성될 때까지 트레이닝될 수도 있다. 이 점에서, 생성망(200A)은 허용가능한 품질의 고해상도 ADR 이미지(203)를 생성하도록 트레이닝된다. 신경망(200) 및 임계 신뢰 수준을 트레이닝하는 데 사용되는 스캔 이미지/패치 클립(201) 및/또는 수집된 ADR 이미지(205)의 수는 시스템 요구 사항에 따라 변할 수 있다는 점에 유의한다. 따라서, 전술한 수치 값은 청구 범위에 달리 제공되지 않는 한 비제한적인 예로서 이해되어야 한다.
도 4는 본 개시의 하나 이상의 실시 형태에 따른, 샘플 결함 검사 및 검토를 위해 ADR 이미지(예를 들어, ADR 이미지(203))를 생성하기 위해 신경망(예를 들어, 신경망(200))을 사용하는 방법(300)을 예시하는 흐름도이다. 시스템(100)과 관련하여 본 명세서에서 이전에 설명된 실시 형태 및 실현 기술(enabling technologies)은 방법(300)으로 확장되게 해석되어야 한다. 그러나, 방법(300)은 시스템(100)의 아키텍처로 제한되지 않는다는 것에 또한 유의한다.
단계(302)에서, 방법(300)은 제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들을 수집하기 위해 샘플(102)을 스캔하는 것을 포함한다. 예를 들어, 검사 서브시스템(104)은 제1 이미지 해상도를 갖는 스캔 이미지/패치 클립(201)을 수집하기 위해 제1 해상도(예를 들어, 웨이퍼 스와딩(wafer swathing))으로 샘플을 스캔하도록 구성될 수 있다. 일부 실시 형태에서, 제1 이미지 해상도를 갖는 샘플 이미지는 1X 내지 10X 범위의 대물 렌즈 확대율로 캡처된다. 일부 실시 형태에서, 스캔 이미지/패치 클립(201)은 흑백 또는 그레이스케일 이미지이다.
단계(304)에서, 방법(300)은 제1의 복수의 샘플 이미지들(예를 들어, 스캔 이미지/패치 클립(201))에 기초하여 결함 리스트를 생성하는 것을 포함한다. 예를 들어, 제어기(114)는 이미지 또는 패턴 인식 알고리즘, 스펙트럼 분석, 명시야/암시야 이미징 등을 적용함으로써 스캔 이미지/패치 클립(201)에 기초하여 결함 리스트를 생성하도록 구성될 수 있다. 구현에서, 결함 리스트는 식별된 결함 또는 관심 영역(ROI)의 좌표를 포함할 수도 있다.
단계(310)에서, 방법(300)은 결함 리스트에 대응하는 이미지(예를 들어, 스캔 이미지/패치 클립(201))를 트레이닝된 신경망(예를 들어, 신경망(200))에 입력하는 것을 포함한다. 예를 들어, 제어기(114)는 결함 리스트에 대응하는 스캔 이미지/패치 클립(201)을 트레이닝된 신경망(200)에 입력하도록 구성될 수 있다. 일부 실시 형태에서, 결함 리스트 자체가 또한 신경망(200)에 대한 입력이다. 다른 실시 형태에서, 제어기(114)는 결함 리스트에 의해 식별된 결함 좌표에 대응하는 스캔 이미지/패치 클립(201)을 신경망(200)에 입력하도록 구성된다. 신경망(200)은 제1 이미지 해상도를 갖는 샘플 이미지(예를 들어, 스캔 이미지/패치 클립(201)) 및 제1 이미지 해상도보다 높은 제2 이미지 해상도를 갖는 샘플 이미지(예를 들어, 수집된 ADR 이미지(205))를 포함하는 소스 데이터로 트레이닝될 수도 있다. 신경망(200)을 트레이닝하기 위한 프로세스의 예시적인 구현이 단계(306) 및 단계(308)을 참조하여 아래에서 설명된다.
단계(312)에서, 방법은 결함 리스트에 대응하는 이미지(예를 들어, 스캔 이미지/패치 클립(201))에 기초하여 신경망(예를 들어, 신경망(200))으로 제2의 복수의 샘플 이미지들(예를 들어, 생성된 ADR 이미지(203))을 생성하는 것을 포함한다. 생성된 ADR 이미지(203)는 생성된 ADR 이미지(203)가 검사 서브시스템(104)에 의해 수집된 ADR 이미지(205)와 동일한 범위(예를 들어, 제1 이미지 해상도의 2 배 내지 5 배 이상)의 이미지 해상도를 가질 수 있다는 점에서 수집된 ADR 이미지(205)와 유사할 수도 있다. 그러나, 생성된 ADR 이미지(203)는 더 빨리 획득될 수 있고 검사 서브시스템(104)으로 ADR 이미지(205)를 수집할 때 발생할 수 있는 기계적 오류(예를 들어, 웨이퍼 손상)의 경향이 없다. 이는 생성된 ADR 이미지(203)가 20X 내지 50X 이상의 확대율을 얻기 위해 대물 렌즈를 사용할 필요가 없기 때문이다. 대신에, 고해상도 ADR 이미지(203)는 1X 내지 10X 대물 렌즈 확대율로 수집될 수도 있는 스캔 이미지/패치 클립(201)에 기초하여 트레이닝된 신경망(예를 들어, 신경망(200))에 의해 생성된다. 해상도/확대율 값 또는 범위는 예로서 제공되며 청구 범위에 달리 제공되지 않는 한 제한으로 의도되지 않는다는 점에 유의한다. 일반적으로, 신경망(200)은 컬러 렌더링이거나 및/또는 스캔 이미지/패치 클립(201)보다 높은 해상도인 ADR 이미지(203)를 출력하도록 구성될 수 있다.
구현에서, 방법(300)은 작업 실행 동안 ADR 이미지(예를 들어, ADR 이미지(203))를 생성하기 전에 실행될 수 있는 트레이닝 프로세스를 포함한다. 예를 들어, 방법(300)은 작업 실행 동안 단계(302), 단계(304), 단계(310), 및 단계(312)를 수행하기 전에 단계(302) 내지 단계(308)을 한 번 이상 수행하는 것을 포함할 수 있다. 일부 구현에서, 방법(300)은 주기적으로, 요청시 및/또는 오류에 직면할 때 트레이닝 프로세스를 수행하는 것을 포함한다. 예를 들어, 입력(예를 들어, 스캔 이미지/패치 클립(201))이 생성망(200A)에 의해 해상(resolve)될 수 없을 때 또는 입력이 판별망(200B)에 의해 거짓/부정확/0 상태 바이너리 출력(207)을 낳을 때 트레이닝 프로세스가 수행될 수도 있다. 다른 예시적인 구현에서, 트레이닝 프로세스는 다수의 샘플 후(예를 들어, 10 번째 샘플마다, 100번째 샘플마다 등) 수행될 수도 있다. 다른 예시적인 구현에서, 트레이닝 프로세스는 사용자 입력(예를 들어, 신경망(200)을 재트레이닝하라는 사용자 명령)에 응답하여 수행될 수도 있다.
방법(300)의 구현에서, 트레이닝 프로세스는 스캔 이미지/패치 클립(201)으로 하나 이상의 샘플(예를 들어, 웨이퍼 스와딩)을 스캔하는 단계(302) 및 스캔 이미지/패치 클립(201)에 기초하여 결함 리스트를 생성하는 단계(304)를 포함한다. 단계(306)에서, 트레이닝 프로세스는 제2 이미지 해상도를 갖는 샘플 이미지(예를 들어, 수집된 ADR 이미지(205))를 수집하기 위해 하나 이상의 샘플상의 결함 위치에서 ADR을 수행하는 것을 더 포함한다. 단계(308)에서, 신경망(200)은 스캔 이미지/패치 클립(201) 및 수집된 ADR 이미지(205)를 포함하는 소스 데이터에 기초하여 트레이닝된다. 일부 구현에서, 신경망(200)은 (저해상도의) 스캔 이미지/패치 클립(201) 및 검사 서브시스템(104)에 의해 수집된 (고해상도의) ADR 이미지(205)를 포함하는 소스 데이터로 이 프로세스를 다수회 수행함으로써 트레이닝된다. 예를 들어, 신경망(200)은 미리 결정된 수의 스캔 이미지/패치 클립(201) 및 미리 결정된 수의 수집된 ADR 이미지(205)(예를 들어, 500 내지 5000 개의 스캔 이미지/패치 클립 및 500 내지 5000 개의 수집된 ADR 이미지)로 트레이닝될 수도 있다. 다른 구현에서, 신경망(200)은 판별망(200B)이 바이너리 출력(207)에서 거짓/부정확/0 상태에 대한 연속적인 참/정확/1 상태의 임계 수 또는 참/정확/1 상태의 임계 비를 출력할 때까지 트레이닝을 계속할 수도 있다. 예를 들어, 신경망(200)은 미리 결정된 수의 입력에 대해 임계 신뢰 수준(예를 들어, 적어도 70 %, 80 %, 90 % 이상)이 달성될 때까지 트레이닝될 수도 있다.
이전에 언급된 바처럼, 일부 구현에서, 입력(예를 들어, 스캔 이미지/패치 클립(201))이 생성망(200A)에 의해 해상될 수 없을 때 또는 입력이 판별망에 의해 거짓/부정확/0 상태 바이너리 출력(207)을 낳거나 또는 그렇지 않으면 유효하지 않을 때 신경망(200)이 재트레이닝될 수도 있다. 예를 들어, 제어기(114)는 검사 서브시스템(104)이 샘플상의 식별된 결함 위치에서 ADR 을 수행하게 하여, 제1 이미지 해상도를 갖고 식별된 결함 위치에 대응하는 제1 샘플 이미지(예를 들어, 스캔 이미지/패치 클립(201))가 신경망(200)에의 유효하지 않은 입력일 때 (예를 들어, 단계(306)에서 수행되는 바처럼) 제2 이미지 해상도를 갖는 제2 샘플 이미지(예를 들어, ADR 이미지(205))를 수집하도록 구성될 수 있다. 수집된 ADR 이미지는 신경망(200)에 입력된 스캔 이미지/패치 클립이 유효하지 않은 것으로 여겨질 때 생성된 ADR 이미지 대신 사용될 수 있다. 추가로, 또는 대안적으로, 방법(300)은 유효하지 않은 것으로 여겨지는 스캔 이미지/패치 클립 및 수집된 ADR 이미지에 기초하여 신경망(200)을 재트레이닝하는 것을 포함할 수도 있다. 이러한 방식으로, 신경망(200)은 보다 넓은 범위의 결함 유형 및 이미지 해상도가 신경망(200)에 의해 해상될 수 있고 허용가능한 ADR 이미지를 생성하는 데 사용될 수 있도록 경시적으로 계속 트레이닝될 수 있다.
본 명세서에 설명된 요지는 때때로 다른 구성 요소 내에 포함되거나 다른 구성 요소와 연결된 상이한 구성 요소를 예시한다. 그러한 묘사된 아키텍처는 단지 예시일 뿐이며 실제로 동일한 기능성을 달성하는 많은 다른 아키텍처가 구현될 수 있음을 이해해야 한다. 개념적 의미에서, 동일한 기능성을 달성하기 위한 구성 요소의 임의의 배열은 원하는 기능성이 달성되게 효과적으로 "연관"된다. 따라서, 특정 기능성을 달성하기 위해 본 명세서에서 조합된 임의의 2 개의 구성 요소는 아키텍처 또는 중간 구성 요소에 관계없이 원하는 기능성이 달성되게 서로 "연관된" 것으로 볼 수 있다. 마찬가지로, 그렇게 연관된 임의의 2 개의 구성 요소는 원하는 기능성을 달성하기 위해 서로 "연결" 또는 "커플링"된 것으로 볼 수 있으며 이렇게 연관될 수 있는 임의의 2 개의 구성 요소는 원하는 기능성을 달성하기 위해 서로 "커플링가능한" 것으로 볼 수도 있다. 커플링가능한 것의 특정 예는 물리적으로 상호작용가능한 및/또는 물리적으로 상호작용하는 구성 요소 및/또는 무선으로 상호작용가능한 및/또는 무선으로 상호작용하는 구성 요소 및/또는 논리적으로 상호작용가능한 및/또는 논리적으로 상호작용하는 구성 요소를 포함하지만 이에 한정되지는 않는다.
본 개시 및 그의 수반되는 많은 이점은 전술한 설명에 의해 이해될 것으로 믿어지고, 개시된 요지를 벗어나지 않고서 또는 그의 중요한 이점을 모두 희생하지 않고서 구성 요소의 형태, 구성 및 배열에서 다양한 변경이 이루어질 수 있음이 명백할 것이다. 설명된 형태는 단지 설명적일 뿐이며, 다음의 청구 범위는 그러한 변경을 망라하고 포함하는 것으로 의도된다. 또한, 본 발명은 첨부된 청구 범위에 의해 정의된다는 것을 이해해야 한다.

Claims (21)

  1. 샘플을 분석하기 위한 시스템으로서,
    제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들을 수집하기 위해 샘플을 스캔하도록 구성된 검사 서브시스템(inspection sub-system); 및
    적어도 하나의 제어기
    를 포함하고, 상기 적어도 하나의 제어기는,
    상기 제1의 복수의 샘플 이미지들에 기초하여 결함 리스트(defect list)를 생성하도록,
    신경망(neural network)에 상기 결함 리스트에 대응하는 이미지들을 입력하도록 - 상기 신경망은 상기 제1 이미지 해상도를 갖는 샘플 이미지들 및 상기 제1 이미지 해상도보다 높은 제2 이미지 해상도를 갖는 샘플 이미지들을 포함하는 소스 데이터로 트레이닝됨 - ; 그리고
    상기 결함 리스트에 대응하는 상기 이미지들에 기초하여 상기 신경망으로 제2의 복수의 샘플 이미지들을 생성하도록 - 상기 제2의 복수의 샘플 이미지들은 상기 제2 이미지 해상도를 갖고 상기 결함 리스트에 대응함 -
    구성되는 것인, 샘플을 분석하기 위한 시스템.
  2. 제1항에 있어서, 상기 제2 이미지 해상도는 상기 제1 이미지 해상도의 2 배 내지 5 배인 것인, 시스템.
  3. 제1항에 있어서, 상기 제1의 복수의 샘플 이미지들은 그레이스케일 이미지들이고, 상기 제2의 복수의 샘플 이미지들은 컬러 이미지들인 것인, 시스템.
  4. 제1항에 있어서, 상기 검사 서브시스템은,
    상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들을 수집하기 위해 하나 이상의 샘플을 스캔하는 것; 및
    상기 제2 이미지 해상도를 갖는 상기 샘플 이미지들을 수집하기 위해 상기 하나 이상의 샘플 상의 결함 위치들에서 자동 결함 검토(automatic defect review)를 수행하는 것 - 상기 결함 위치들은 상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들에 기초하여 식별됨 -
    에 의해 상기 소스 데이터를 수집하도록 구성되는 것인, 시스템.
  5. 제4항에 있어서, 상기 적어도 하나의 제어기는 상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들 및 상기 제2 이미지 해상도를 갖는 상기 샘플 이미지들을 포함하는 상기 소스 데이터에 기초하여 상기 신경망을 트레이닝하도록 구성되는 것인, 시스템.
  6. 제5항에 있어서, 상기 적어도 하나의 제어기는 또한,
    상기 제1 이미지 해상도를 가지며 식별된 결함 위치에 대응하는 제1 샘플 이미지가 상기 신경망에의 유효하지 않은 입력일 때, 상기 검사 서브시스템이 상기 제2 이미지 해상도를 갖는 제2 샘플 이미지를 수집하기 위해 상기 샘플 상의 상기 식별된 결함 위치에서 자동 결함 검토를 수행하게 하도록; 그리고
    상기 제1 이미지 해상도를 갖는 상기 제1 샘플 이미지 및 상기 제2 이미지 해상도를 갖는 상기 제2 샘플 이미지에 기초하여 상기 신경망을 재트레이닝하게 하도록
    구성되는 것인, 시스템.
  7. 제1항에 있어서, 상기 신경망은 생성적 대립 네트워크(generative adversarial network)를 포함하는 것인, 시스템.
  8. 샘플을 분석하는 방법으로서,
    제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들을 수집하기 위해 샘플을 스캔하는 단계;
    상기 제1의 복수의 샘플 이미지들에 기초하여 결함 리스트를 생성하는 단계;
    신경망에 상기 결함 리스트에 대응하는 이미지들을 입력하는 단계 - 상기 신경망은 상기 제1 이미지 해상도를 갖는 샘플 이미지들 및 상기 제1 이미지 해상도보다 높은 제2 이미지 해상도를 갖는 샘플 이미지들을 포함하는 소스 데이터로 트레이닝됨 - ; 및
    상기 결함 리스트에 대응하는 상기 이미지들에 기초하여 상기 신경망으로 제2의 복수의 샘플 이미지들을 생성하는 단계 - 상기 제2의 복수의 샘플 이미지들은 상기 제2 이미지 해상도를 갖고 상기 결함 리스트에 대응함 -
    를 포함하는, 샘플을 분석하는 방법.
  9. 제8항에 있어서, 상기 제2 이미지 해상도는 상기 제1 이미지 해상도의 2 배 내지 5 배인 것인, 방법.
  10. 제8항에 있어서, 상기 제1의 복수의 샘플 이미지들은 그레이스케일 이미지들이고, 상기 제2의 복수의 샘플 이미지들은 컬러 이미지들인 것인, 방법.
  11. 제8항에 있어서, 상기 소스 데이터는,
    상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들을 수집하기 위해 하나 이상의 샘플을 스캔하는 것; 및
    상기 제2 이미지 해상도를 갖는 상기 샘플 이미지들을 수집하기 위해 상기 하나 이상의 샘플 상의 결함 위치들에서 자동 결함 검토를 수행하는 것 - 상기 결함 위치들은 상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들에 기초하여 식별됨 -
    에 의해 수집되는 것인, 방법.
  12. 제11항에 있어서,
    상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들 및 상기 제2 이미지 해상도를 갖는 상기 샘플 이미지들을 포함하는 상기 소스 데이터에 기초하여 상기 신경망을 트레이닝하는 단계를 더 포함하는, 방법.
  13. 제12항에 있어서,
    상기 제1 이미지 해상도를 가지며 식별된 결함 위치에 대응하는 제1 샘플 이미지가 상기 신경망에의 유효하지 않은 입력일 때, 상기 제2 이미지 해상도를 갖는 제2 샘플 이미지를 수집하기 위해 상기 샘플 상의 상기 식별된 결함 위치에서 자동 결함 검토를 수행하는 단계; 및
    상기 제1 이미지 해상도를 갖는 상기 제1 샘플 이미지 및 상기 제2 이미지 해상도를 갖는 상기 제2 샘플 이미지에 기초하여 상기 신경망을 재트레이닝하는 단계
    를 더 포함하는, 방법.
  14. 제8항에 있어서, 상기 신경망은 생성적 대립 네트워크를 포함하는 것인, 방법.
  15. 샘플 분석 시스템을 위한 제어기로서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 통신가능하게(communicatively) 커플링된 적어도 하나의 메모리 매체
    를 포함하고, 상기 적어도 하나의 메모리 매체는 상기 적어도 하나의 프로세서에 의해 실행가능한 프로그램 명령어들을 포함하고 상기 프로그램 명령어들은 상기 적어도 하나의 프로세서가,
    제1 이미지 해상도를 갖는 제1의 복수의 샘플 이미지들에 기초하여 결함 리스트를 생성하게 하도록;
    신경망에 상기 결함 리스트에 대응하는 이미지들을 입력하게 하도록 - 상기 신경망은 상기 제1 이미지 해상도를 갖는 샘플 이미지들 및 상기 제1 이미지 해상도보다 높은 제2 이미지 해상도를 갖는 샘플 이미지들을 포함하는 소스 데이터로 트레이닝됨 - ; 그리고
    상기 결함 리스트에 대응하는 상기 이미지들에 기초하여 상기 신경망으로 제2의 복수의 샘플 이미지들을 생성하게 하도록 - 상기 제2의 복수의 샘플 이미지들은 상기 제2 이미지 해상도를 갖고 상기 결함 리스트에 대응함 -
    구성되는 것인, 샘플 분석 시스템을 위한 제어기.
  16. 제15항에 있어서, 상기 제2 이미지 해상도는 상기 제1 이미지 해상도의 2 배 내지 5 배인 것인, 제어기.
  17. 제15항에 있어서, 상기 제1의 복수의 샘플 이미지들은 그레이스케일 이미지들이고, 상기 제2의 복수의 샘플 이미지들은 컬러 이미지들인 것인, 제어기.
  18. 제15항에 있어서, 상기 프로그램 명령어들은 또한 상기 프로세서가,
    검사 서브시스템이 상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들을 수집하기 위해 하나 이상의 샘플을 스캔하게 하는 것; 및
    상기 검사 서브시스템이, 상기 제2 이미지 해상도를 갖는 상기 샘플 이미지들을 수집하기 위해 상기 하나 이상의 샘플 상의 결함 위치들에서 자동 결함 검토를 수행하게 하는 것 - 상기 결함 위치들은 상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들에 기초하여 식별됨 -
    에 의해 상기 소스 데이터를 수집하게 하도록 구성되는 것인, 제어기.
  19. 제18항에 있어서, 상기 프로그램 명령어들은 또한 상기 프로세서가,
    상기 제1 이미지 해상도를 갖는 상기 샘플 이미지들 및 상기 제2 이미지 해상도를 갖는 상기 샘플 이미지들을 포함하는 상기 소스 데이터에 기초하여 상기 신경망을 트레이닝하게 하도록 구성되는 것인, 제어기.
  20. 제19항에 있어서, 상기 프로그램 명령어들은 또한 상기 프로세서가,
    상기 제1 이미지 해상도를 가지며 식별된 결함 위치에 대응하는 제1 샘플 이미지가 상기 신경망에의 유효하지 않은 입력일 때, 상기 검사 서브시스템이 상기 제2 이미지 해상도를 갖는 제2 샘플 이미지를 수집하기 위해 상기 샘플 상의 상기 식별된 결함 위치에서 자동 결함 검토를 수행하게 하도록; 그리고
    상기 제1 이미지 해상도를 갖는 상기 제1 샘플 이미지 및 상기 제2 이미지 해상도를 갖는 상기 제2 샘플 이미지에 기초하여 상기 신경망을 재트레이닝하게 하도록
    구성되는 것인, 제어기.
  21. 제15항에 있어서, 상기 신경망은 생성적 대립 네트워크를 포함하는 것인, 제어기.
KR1020217011556A 2018-09-21 2019-09-20 생성적 대립 네트워크를 통한 초해상도 결함 검토 이미지 생성 KR102587159B1 (ko)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN201841035629 2018-09-21
IN201841035629 2018-09-21
US201862755224P 2018-11-02 2018-11-02
US62/755,224 2018-11-02
US16/180,957 2018-11-05
US16/180,957 US10949964B2 (en) 2018-09-21 2018-11-05 Super-resolution defect review image generation through generative adversarial networks
PCT/US2019/052033 WO2020061386A1 (en) 2018-09-21 2019-09-20 Super-resolution defect review image generation through generative adversarial networks

Publications (2)

Publication Number Publication Date
KR20210047959A true KR20210047959A (ko) 2021-04-30
KR102587159B1 KR102587159B1 (ko) 2023-10-06

Family

ID=69883277

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217011556A KR102587159B1 (ko) 2018-09-21 2019-09-20 생성적 대립 네트워크를 통한 초해상도 결함 검토 이미지 생성

Country Status (6)

Country Link
US (1) US10949964B2 (ko)
EP (1) EP3853592B1 (ko)
KR (1) KR102587159B1 (ko)
CN (1) CN112740021B (ko)
TW (1) TWI807100B (ko)
WO (1) WO2020061386A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240135526A (ko) 2023-03-03 2024-09-11 고려대학교 산학협력단 결함 이미지 합성 방법 및 장치

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10854486B2 (en) * 2018-09-19 2020-12-01 Kla Corporation System and method for characterization of buried defects
US10964015B2 (en) * 2019-01-15 2021-03-30 International Business Machines Corporation Product defect detection
US12051183B2 (en) * 2020-04-30 2024-07-30 KLA Corp. Training a machine learning model to generate higher resolution images from inspection images
CN111693534B (zh) 2020-06-12 2023-09-15 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
TWI740565B (zh) * 2020-07-03 2021-09-21 財團法人國家實驗研究院國家高速網路與計算中心 改善遙測影像品質的方法、電腦程式產品及系統
US11328410B2 (en) * 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
US11776108B2 (en) * 2020-08-05 2023-10-03 KLA Corp. Deep learning based defect detection
TWI800767B (zh) * 2020-11-16 2023-05-01 財團法人工業技術研究院 具有生成對抗網路架構之異常偵測裝置和異常偵測方法
US20220270212A1 (en) * 2021-02-25 2022-08-25 Kla Corporation Methods for improving optical inspection and metrology image quality using chip design data
CN113032919B (zh) * 2021-03-12 2022-03-04 奥特斯科技(重庆)有限公司 部件承载件制造方法、处理系统、计算机程序和系统架构
CN113281446B (zh) * 2021-06-29 2022-09-20 天津国科医工科技发展有限公司 一种基于rbf网络的质谱仪分辨自动调节方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
US20170345140A1 (en) * 2016-05-25 2017-11-30 Kla-Tencor Corporation Generating simulated images from input images for semiconductor applications
US20170357895A1 (en) * 2015-12-22 2017-12-14 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof
CN107767343A (zh) * 2017-11-09 2018-03-06 京东方科技集团股份有限公司 图像处理方法、处理装置和处理设备
KR101836096B1 (ko) * 2016-12-02 2018-03-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램
US20180240225A1 (en) * 2017-02-20 2018-08-23 Hitachi High-Technologies Corporation Sample observation device and sample observation method

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001156135A (ja) * 1999-11-29 2001-06-08 Hitachi Ltd 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法
EP1982160A4 (en) 2006-02-09 2016-02-17 Kla Tencor Tech Corp METHOD AND SYSTEMS FOR DETERMINING A WAFER FEATURE
US7738093B2 (en) * 2007-05-07 2010-06-15 Kla-Tencor Corp. Methods for detecting and classifying defects on a reticle
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
JP6719421B2 (ja) * 2017-06-20 2020-07-08 富士フイルム株式会社 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
KR20180063869A (ko) * 2018-02-28 2018-06-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170357895A1 (en) * 2015-12-22 2017-12-14 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
US20170345140A1 (en) * 2016-05-25 2017-11-30 Kla-Tencor Corporation Generating simulated images from input images for semiconductor applications
KR101836096B1 (ko) * 2016-12-02 2018-03-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램
US20180240225A1 (en) * 2017-02-20 2018-08-23 Hitachi High-Technologies Corporation Sample observation device and sample observation method
CN107767343A (zh) * 2017-11-09 2018-03-06 京东方科技集团股份有限公司 图像处理方法、处理装置和处理设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240135526A (ko) 2023-03-03 2024-09-11 고려대학교 산학협력단 결함 이미지 합성 방법 및 장치

Also Published As

Publication number Publication date
US10949964B2 (en) 2021-03-16
TW202024612A (zh) 2020-07-01
EP3853592A4 (en) 2022-07-13
CN112740021B (zh) 2022-07-01
CN112740021A (zh) 2021-04-30
KR102587159B1 (ko) 2023-10-06
EP3853592B1 (en) 2023-09-06
EP3853592A1 (en) 2021-07-28
WO2020061386A1 (en) 2020-03-26
TWI807100B (zh) 2023-07-01
US20200098101A1 (en) 2020-03-26

Similar Documents

Publication Publication Date Title
KR102587159B1 (ko) 생성적 대립 네트워크를 통한 초해상도 결함 검토 이미지 생성
CN113302728A (zh) 利用自动产生缺陷特征检验半导体结构的方法及系统
KR102514136B1 (ko) 반도체 웨이퍼의 리피터 결함 포착
KR102438828B1 (ko) 설계 기반의 정렬의 성능 모니터링
CN112997069B (zh) 基于图像帧的算法选择器
TWI785216B (zh) 結合模擬及光學顯微鏡以判定檢查模式
US20240265524A1 (en) Defect inspection method
CN114341630B (zh) 等概率缺陷检测
JP2024525262A (ja) 結像条件を推定し改善するための画像コントラストメトリック

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