KR20210087874A - 시편의 기계 학습 기반 결함 검출 - Google Patents

시편의 기계 학습 기반 결함 검출 Download PDF

Info

Publication number
KR20210087874A
KR20210087874A KR1020200136585A KR20200136585A KR20210087874A KR 20210087874 A KR20210087874 A KR 20210087874A KR 1020200136585 A KR1020200136585 A KR 1020200136585A KR 20200136585 A KR20200136585 A KR 20200136585A KR 20210087874 A KR20210087874 A KR 20210087874A
Authority
KR
South Korea
Prior art keywords
image
defects
specimen
map
output
Prior art date
Application number
KR1020200136585A
Other languages
English (en)
Inventor
란 바다네스
란 쉴레옌
보아즈 코헨
이라드 펠레그
데니스 수하노브
오레 쉬탈리드
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 KR20210087874A publication Critical patent/KR20210087874A/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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/08—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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G06N7/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G01N2021/9513—Liquid crystal panels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95676—Masks, reticles, shadow masks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Abstract

시편에 대한 결함 검출의 방법 및 그의 시스템이 제공된다. 방법은: 시편의 적어도 일부를 나타내는 런타임 이미지를 획득하는 단계; 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력을 획득하기 위해 감독 모델을 사용하여 런타임 이미지를 처리하는 단계; 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력을 획득하기 위해 무감독 모델 구성요소를 사용하여 런타임 이미지를 처리하는 단계; 및 시편의 결함 검출 결과를 획득하기 위해 하나 이상의 최적화된 파라미터를 사용하여 제1 출력과 제2 출력을 조합하는 단계를 포함한다.

Description

시편의 기계 학습 기반 결함 검출{MACHINE LEARNING-BASED DEFECT DETECTION OF A SPECIMEN}
본 개시된 주제는, 일반적으로, 시편 검사 분야에 관한 것이며, 더 구체적으로, 시편의 결함 검출을 위한 방법들 및 시스템들에 관한 것이다.
제조된 디바이스들의 극초대규모 집적 회로와 연관된, 높은 밀도 및 성능에 대한 현재의 요구들은 미크론미만 피쳐들, 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 필요로 한다. 그러한 요구들은 높은 정밀도 및 균일성으로 디바이스 피쳐들을 형성하는 것을 필요로 하는데, 이는 차례로, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 되어 있는 동안 디바이스들의 자동화된 검사를 포함하는, 제조 프로세스의 주의 깊은 모니터링을 요한다. 제조 프로세스는 제조 이전, 제조 및/또는 제조 이후 작동들을 포함할 수 있다는 점을 주목한다.
본 명세서에서 사용되는 "시편"이라는 용어는 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체 제조 물품들을 제조하기 위해 사용되는 임의의 종류의 웨이퍼, 마스크들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "검사"라는 용어는 임의의 종류의 계측 관련 작동들뿐만 아니라 시편의 제조 동안 시편의 결함들의 검출 및/또는 분류와 관련된 작동들도 포함하는 것으로 광범위하게 이해되어야 한다. 검사는 검사될 시편의 제조 동안 또는 제조 이후에 비파괴적 검사 툴들을 사용함으로써 수행된다. 비제한적인 예로서, 검사 프로세스는 동일하거나 상이한 검사 툴들을 사용하여 시편 또는 그의 부분들에 관하여 제공되는 (단일 또는 다수의 스캔의) 런타임 스캐닝, 샘플링, 검토, 측정, 분류 및/또는 다른 작동들을 포함할 수 있다. 마찬가지로, 적어도 부분적인 검사는 검사될 시편의 제조 이전에 수행될 수 있고, 예를 들어, 검사 레시피(들)를 생성하는 것, 각각의 분류기들 또는 다른 기계 학습 관련 툴들을 훈련시키는 것 및/또는 다른 설정 작동들을 포함할 수 있다. 구체적으로 달리 언급되지 않는 한, 본 명세서에서 사용되는 "검사"라는 용어 또는 그의 파생어는 검사 영역의 크기 또는 해상도에 관하여 제한되지 않는다는 점을 주목한다. 다양한 비파괴적 검사 툴들은, 비제한적인 예로서, 주사 전자 현미경들, 원자간력 현미경들, 광학 검사 툴들 등을 포함한다.
비제한적인 예로서, 런타임 검사는 2단계 절차, 예를 들어, 시편의 검사 및 이어서, 잠재적 결함들의 샘플링된 위치들의 검토를 채용할 수 있다. 제1 단계 동안, 시편의 표면은 고속 및 비교적 저해상도로 검사된다. 제1 단계에서, 시편 상의 결함 확률이 높은 것으로 의심되는 위치들을 보여주기 위해 결함 맵이 생성된다. 제2 단계 동안, 그러한 의심되는 위치들 중 적어도 일부가, 비교적 높은 해상도로 더 철저하게 분석된다. 일부 경우들에서, 양쪽 단계들 모두, 동일한 검사 툴에 의해 구현될 수 있고, 일부 다른 경우들에서는, 이러한 2개의 단계들은 상이한 검사 툴들에 의해 구현된다.
검사 프로세스들은 시편들 상의 결함들을 검출하고 분류하기 위해 반도체 제조 동안 다양한 단계들에 사용된다. 검사는 일반적으로, 광 또는 전자들을 웨이퍼쪽으로 지향시키고 웨이퍼로부터의 광 또는 전자들을 검출하는 것에 의해 웨이퍼에 대한 어떤 출력(예를 들어, 이미지들, 신호들 등)을 생성하는 것을 수반한다. 출력이 일단 생성되면, 결함 검출은 전형적으로, 결함 검출 방법 및/또는 알고리즘을 출력에 적용함으로써 수행된다. 가장 흔하게, 검사의 목적은 웨이퍼 상의 방해 및 잡음의 검출을 억제하면서, 관심 있는 결함들에 대한 높은 감도를 제공하는 것이다.
본 개시된 주제의 특정 양상들에 따라, 시편에 대한 결함 검출의 방법이 제공되고, 방법은 프로세서 및 메모리 회로(PMC)에 의해 수행되고, 방법은: 시편의 적어도 일부를 나타내는 런타임 이미지를 획득하는 단계; 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력을 획득하기 위해 감독 모델 구성요소를 사용하여 런타임 이미지를 처리하는 단계 ― 감독 모델 구성요소는, 각각이 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 제1 이미지들 상의 제1 결함 분포를 나타내는 대응하는 표지 데이터를 포함하는 제1 훈련 세트를 사용하여 훈련됨 ―; 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력을 획득하기 위해 무감독 모델(unsupervised model) 구성요소를 사용하여 런타임 이미지를 처리하는 단계 ― 무감독 모델 구성요소는, 각각이 시편의 적어도 일부를 나타내는 복수의 제2 이미지들을 포함하는 제2 훈련 세트를 사용하여 훈련되고, 각각의 제2 이미지는 제1 이미지의 기준 이미지임 ―; 및 시편의 결함 검출 결과를 획득하기 위해 하나 이상의 최적화된 파라미터를 사용하여 제1 출력과 제2 출력을 조합하는 단계를 포함한다.
상기 특징들 외에도, 본 개시된 주제의 이 양상에 따른 방법은 아래에 열거된 특징들 (i) 내지 (xiii) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
(i). 최적화된 파라미터들은 제3 훈련 세트를 사용하는 훈련 동안 획득될 수 있다.
(ii). 제1 출력은 런타임 이미지 상의 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵일 수 있고, 제2 출력은 런타임 이미지 상의 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵일 수 있다.
조합 단계는, 시편 상의 제1 결함들 및 제2 결함들의 추정된 확률들을 나타내는 복합 등급 맵을 획득하기 위해, 감독 및 무감독 모델 구성요소들에 작동가능하게 연결된 세그먼트화 모델 구성요소를 사용하여 수행될 수 있다. 세그먼트화 모델 구성요소는 감독 모델 및 무감독 모델의 출력들에 기초하여 제3 훈련 세트를 사용해 훈련될 수 있다.
(iii). 제1 출력은 런타임 이미지 상의 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵일 수 있고, 제2 출력은 런타임 이미지 상의 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵일 수 있다.
조합 단계는, 시편 상의 제1 결함들 및 제2 결함들의 추정된 확률들을 나타내는 복합 등급 맵을 생성하기 위해, 각각의 전역 가중치들로 제1 등급 맵과 제2 등급 맵을 조합하는 것을 포함할 수 있다. 각각의 전역 가중치들은 제3 훈련 세트를 사용하는 훈련 동안 최적화될 수 있다.
(iv). 감독 모델 구성요소를 사용한, 런타임 이미지의 처리 단계는 런타임 이미지 상의 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵을 생성하는 것 및 제1 결함 맵을 획득하기 위해 제1 임계값을 제1 등급 맵에 적용하는 것을 포함할 수 있다.
무감독 모델 구성요소를 사용한, 런타임 이미지의 처리 단계는 런타임 이미지 상의 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵을 생성하는 것 및 제2 결함 맵을 획득하기 위해 제2 임계값을 제2 등급 맵에 적용하는 것을 포함할 수 있고, 제1 임계값 및 제2 임계값은 제3 훈련 세트를 사용하는 훈련 동안 최적화된다.
조합 단계는 복합 결함 맵을 생성하기 위해 제1 결함 맵과 제2 결함 맵을 조합하는 것을 포함할 수 있다.
(v). 전역 가중치들은 제3 훈련 세트를 사용하는 훈련 동안 비-경사 최적화 함수를 사용하여 획득될 수 있다.
(vi). 감독 모델 구성요소는, 제1 이미지 상의 제1 결함들의 추정된 확률들을 나타내는 대응하는 제1 등급 맵을 생성하기 위해 각각의 제1 이미지를 처리하고, 제1 이미지에 대응하는 표지 데이터에 기초하여 감독 모델 구성요소를 최적화함으로써 훈련될 수 있다.
(vii). 무감독 모델 구성요소는, 제2 이미지 상의 제2 결함들의 추정된 확률들을 나타내는 대응하는 제2 등급 맵을 생성하기 위해 각각의 제2 이미지를 처리하고, 제2 이미지에 관련된 제2 등급 맵에 기초하여 무감독 망을 최적화함으로써 훈련될 수 있다.
(viii). 제1 훈련 세트는 각각의 제1 이미지에 대해, 대응하는 설계 데이터, 및/또는 적어도 하나의 기준 이미지를 더 포함할 수 있고, 획득 단계는 런타임 이미지의 설계 데이터 및/또는 적어도 하나의 기준 이미지를 획득하는 것을 더 포함할 수 있다.
(ix). 제2 훈련 세트는 각각의 제2 이미지에 대해, 대응하는 설계 데이터를 더 포함할 수 있고, 획득 단계는 런타임 이미지의 설계 데이터를 획득하는 것을 더 포함할 수 있다.
(x). 감독 모델 구성요소 및 무감독 모델 구성요소는 개별적으로 훈련될 수 있다.
(xi). 방법은, 런타임 동안, 결함들의 하나 이상의 새로운 부류의 존재를 나타내는 표지 데이터를 각각 갖는 하나 이상의 새로운 제1 이미지를 획득하는 단계, 및 새로운 제1 이미지들을 사용하여 감독 모델 구성요소를 재훈련시키는 단계를 더 포함할 수 있다.
(xii). 런타임 이미지는 검토 툴에 의해 생성된 검토 이미지일 수 있다.
(xiii). 방법은 런타임 이미지 상의 추가적인 결함들의 추정된 존재를 나타내는 하나 이상의 추가적인 출력을 획득하기 위해 하나 이상의 추가적인 감독 및/또는 무감독 모델 구성요소를 사용하여 런타임 이미지를 처리하는 단계를 더 포함할 수 있다. 하나 이상의 추가적인 감독 및/또는 무감독 모델 구성요소는 시편의 상이한 층들로부터의 그리고/또는 상이한 시편들로부터의 훈련 이미지들을 포함하는 하나 이상의 추가적인 훈련 세트를 사용하여 훈련될 수 있다.
본 개시된 주제의 다른 양상들에 따라, 시편에 대한 결함 검출의 시스템이 제공되고, 프로세서 및 메모리 회로(PMC)를 포함하는 시스템은: 시편의 적어도 일부를 나타내는 런타임 이미지를 획득하고; 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력을 획득하기 위해 감독 모델 구성요소를 사용하여 런타임 이미지를 처리하고 ― 감독 모델 구성요소는, 각각이 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 제1 이미지들 상의 제1 결함 분포를 나타내는 대응하는 표지 데이터를 포함하는 제1 훈련 세트를 사용하여 훈련됨 ―; 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력을 획득하기 위해 무감독 모델 구성요소를 사용하여 런타임 이미지를 처리하고 ― 무감독 모델 구성요소는, 각각이 시편의 적어도 일부를 나타내는 복수의 제2 이미지들을 포함하는 제2 훈련 세트를 사용하여 훈련되고, 각각의 제2 이미지는 제1 이미지의 기준 이미지임 ―; 시편의 결함 검출 결과를 획득하기 위해 하나 이상의 최적화된 파라미터를 사용하여 제1 출력과 제2 출력을 조합하도록 구성된다.
개시된 주제의 이 양상은 방법과 관련하여 위에서 열거된 특징들 (i) 내지 (xiii) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
본 개시된 주제의 다른 양상들에 따라, 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체가 제공되고, 명령어들은, 컴퓨터에 의해 실행될 때, 컴퓨터로 하여금 시편에 대한 결함 검출의 방법을 수행하게 하며, 방법은: 시편의 적어도 일부를 나타내는 런타임 이미지를 획득하는 단계; 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력을 획득하기 위해 감독 모델 구성요소를 사용하여 런타임 이미지를 처리하는 단계 ― 감독 모델 구성요소는, 각각이 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 제1 이미지들 상의 제1 결함 분포를 나타내는 대응하는 표지 데이터를 포함하는 제1 훈련 세트를 사용하여 훈련됨 ―; 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력을 획득하기 위해 무감독 모델 구성요소를 사용하여 런타임 이미지를 처리하는 단계 ― 무감독 모델 구성요소는, 각각이 시편의 적어도 일부를 나타내는 복수의 제2 이미지들을 포함하는 제2 훈련 세트를 사용하여 훈련되고, 각각의 제2 이미지는 제1 이미지의 기준 이미지임 ―; 및 시편의 결함 검출 결과를 획득하기 위해 하나 이상의 최적화된 파라미터를 사용하여 제1 출력과 제2 출력을 조합하는 단계를 포함한다.
개시된 주제의 이 양상은 방법과 관련하여 위에서 열거된 특징들 (i) 내지 (xiii) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
본 발명을 이해하고 본 발명이 어떻게 실제로 수행될 수 있는지를 알기 위해, 이제, 첨부 도면을 참조하여 단지 비제한적인 예로서 실시예들이 설명될 것이고, 도면들에서:
도 1은 본 개시된 주제의 특정 실시예들에 따른 결함 검출 시스템의 기능 블록도를 예시하고;
도 2는 본 개시된 주제의 특정 실시예들에 따른, 시편에 대한 결함 검출의 일반화된 흐름도를 예시하고;
도 3은 본 개시된 주제의 특정 실시예들에 따라 감독 모델 및 무감독 모델을 개별적으로 훈련시키는 것의 개략도이고;
도 4는 본 개시된 주제의 특정 실시예들에 따라 감독 모델 및 무감독 모델의 출력들을 조합하는 것 및 그의 최적화의 개략도이고;
도 5는 본 개시된 주제의 특정 실시예들에 따른, 최적화된 임계값들을 사용하는 런타임 결함 검출 프로세스의 예를 예시하고;
도 6은 본 개시된 주제의 특정 실시예들에 따라 세그먼트화 모델을 사용하여 감독 및 무감독 모델들의 출력들을 조합하는 개략적인 블록도를 예시한다.
이하의 상세한 설명에서, 본 발명의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다. 그러나, 본 개시된 주제가 이러한 구체적인 세부 사항들 없이 실시될 수 있다는 점을 관련 기술분야의 통상의 기술자는 이해할 것이다. 다른 경우들에서, 잘 알려진 방법들, 절차들, 구성요소들 및 회로들은 본 개시된 주제를 모호하게 하지 않기 위해 상세히 설명되지 않았다.
이하의 논의들로부터 명백한 것으로서, 구체적으로 달리 언급되지 않는 한, 본 명세서 전반에 걸쳐 "획득", "처리", "훈련", "조합", "최적화", "생성", "적용", "재훈련" 등과 같은 용어들을 활용하는 논의들이, 데이터 ― 상기 데이터는 물리적으로, 예컨대, 전자, 양들로 표현되고/거나 상기 데이터는 물리적 대상들을 표현함 ― 를 다른 데이터로 조작하고/거나 변환하는, 컴퓨터의 작동(들) 및/또는 프로세스(들)를 지칭한다는 것을 이해한다. "컴퓨터"라는 용어는, 비제한적인 예로서, 본 출원에 개시된 결함 검출 시스템 및 그의 각각의 부분들을 포함하는, 데이터 처리 능력들을 갖는 임의의 종류의 하드웨어 기반 전자 디바이스를 포함하는 것으로 광범위하게 이해되어야 한다.
본원에서 사용되는 "비일시적 메모리" 및 "비일시적 저장 매체"라는 용어들은 본 개시된 주제에 적합한 임의의 휘발성 또는 비휘발성 컴퓨터 메모리를 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "결함"이라는 용어는 시편 상에 또는 시편 내에 형성된 임의의 종류의 이상 또는 바람직하지 않은 피쳐를 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "설계 데이터"라는 용어는 시편의 계층적 물리적 설계(레이아웃)를 나타내는 임의의 데이터를 포함하는 것으로 광범위하게 이해되어야 한다. 설계 데이터는 각각의 설계자에 의해 제공될 수 있고/거나 물리적 설계로부터(예를 들어, 복잡한 모의, 간단한 기하학적 및 부울 연산 등을 통해) 유도될 수 있다. 설계 데이터는, 비제한적인 예들로서, GDSII 포맷, OASIS 포맷 등과 같은 상이한 포맷들로 제공될 수 있다. 설계 데이터는 벡터 포맷, 그레이스케일 강도 이미지 포맷 또는 다른 방식으로 제시될 수 있다.
구체적으로 달리 언급되지 않는 한, 개별 실시예들의 맥락으로 설명되는 본 개시된 주제의 특정한 특징들이 또한, 조합하여 단일 실시예에 제공될 수 있다는 것이 이해된다. 반대로, 단일 실시예의 맥락으로 설명되는 본 개시된 주제의 다양한 특징들이 또한, 개별적으로 또는 임의의 적합한 하위조합으로 제공될 수 있다. 이하의 상세한 설명에서, 방법들 및 장치의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다.
이를 염두에 두고, 본 개시된 주제의 특정 실시예들에 따른 결함 검출 시스템의 기능 블록도를 예시하는 도 1에 주목한다.
도 1에 예시된 검사 시스템(100)은 시편 제조 프로세스의 부분으로서 시편(예를 들어, 웨이퍼 및/또는 그의 부분들)의 검사를 위해 사용될 수 있다. 예시된 검사 시스템(100)은 런타임에 자동 결함 검출을 할 수 있는 컴퓨터 기반 시스템(101)을 포함한다. 시스템(101)은 또한, 결함 검출 시스템으로 지칭된다. 시스템(101)은 하나 이상의 검사 툴(120)에 작동가능하게 연결될 수 있다. 검사 툴들은 하나 이상의 저해상도 검사 툴 및/또는 하나 이상의 고해상도 검사 툴 및/또는 다른 검사 툴들일 수 있다. 검사 툴들은 시편의 이미지들을 캡처하고/거나 캡처된 이미지(들)를 검토하고/거나 캡처된 이미지(들)에 관련된 측정들을 가능하게 하거나 제공하도록 구성된다. 시스템(101)은 설계 데이터 서버(110)에 더 작동가능하게 연결될 수 있다.
시스템(101)은 하드웨어 기반 I/O 인터페이스(126)에 작동가능하게 연결된 프로세서 및 메모리 회로(PMC)(102)를 포함한다. PMC(102)는 도 2를 참조하여 더 상세히 설명되는 바와 같이 시스템(101)을 작동시키기 위해 필요한 모든 처리를 제공하도록 구성되고, 프로세서(개별적으로 도시되지 않음) 및 메모리(개별적으로 도시되지 않음)를 포함한다. PMC(102)의 프로세서는 PMC에 포함된 비일시적 컴퓨터 판독가능 메모리 상에 구현된 컴퓨터 판독가능 명령어들에 따라 몇몇 기능 모듈들/구성요소들을 실행하도록 구성될 수 있다. 그러한 기능 모듈들은 이하에서 PMC에 포함되는 것으로 지칭된다. PMC(102)에 포함된 기능 모듈들은, 서로 작동가능하게 연결된, 감독 모델(104), 무감독 모델(108) 및 조합 모듈(106)을 포함한다.
도 2를 참조하여 더 상세히 설명될 바와 같이, 시스템(101)은 I/O 인터페이스(126)를 통해 입력 데이터를 수신하도록 구성된다. 입력 데이터는, 검사 툴들에 의해 생성된 이미지 데이터(및/또는 그의 파생물들 및/또는 그와 연관된 메타데이터) 및/또는 설계 데이터 서버(110) 및/또는 하나 이상의 데이터 저장소에 저장된 데이터를 포함할 수 있다. 일부 실시예들에서, 입력 데이터는 하나 이상의 런타임 이미지를 포함할 수 있다. 런타임 이미지 데이터는 시편의 관심 있는 층 및/또는 하나 이상의 다른 층에 관련된 데이터를 포함할 수 있다는 점을 더 주목한다.
비제한적인 예로서, 시편은 하나 이상의 저해상도 검사 툴(예를 들어, 광학 검사 시스템, 저해상도 SEM 등)에 의해 검사될 수 있다. 시편의 저해상도 이미지들의 정보를 전달하는 결과 데이터(이하에서 저해상도 이미지 데이터로 지칭됨)는 직접적으로 또는 하나 이상의 중간 시스템을 통해 시스템(101)에 송신될 수 있다. 대안적으로 또는 추가적으로, 시편은 하나 이상의 고해상도 툴에 의해 검사될 수 있다(예를 들어, 검토를 위해 선택된 잠재적 결함 위치들의 하위세트는 주사 전자 현미경(SEM) 또는 원자간력 현미경(AFM)에 의해 검토될 수 있다). 시편의 고해상도 이미지들의 정보를 전달하는 결과 데이터(이하에서 고해상도 이미지 데이터로 지칭됨)는 직접적으로 또는 하나 이상의 중간 시스템을 통해 시스템(101)에 송신될 수 있다.
시편 상의 원하는 위치의 이미지들은 상이한 해상도들로 캡처될 수 있다는 점이 주목된다. 일부 실시예들에서, 동일한 위치의 (동일한 또는 상이한 해상도들을 갖는) 이미지들은 이미지들 간에(예를 들어, 주어진 위치로부터 캡처된 이미지들과 주어진 위치에 대응하는 하나 이상의 기준 이미지들 간에) 정합된 몇몇 이미지들을 포함할 수 있다.
도 1에 예시된 바와 같은 감독 모델(104) 및 무감독 모델(108)은 입력 데이터(예를 들어, 설계 데이터, 기준 데이터 등과 같은 다른 데이터와 선택적으로 함께, 예를 들어, 런타임 이미지, 예컨대, 저해상도 이미지 및/또는 고해상도 이미지)를 개별적으로 처리하는 데 사용될 수 있다. 구체적으로, 감독 모델(104)은 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력을 획득하기 위해 런타임 이미지를 처리하도록 구성될 수 있다. 감독 모델 구성요소는 각각이 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 제1 이미지들 상의 제1 결함 분포를 나타내는 대응하는 표지 데이터를 포함하는 제1 훈련 세트를 사용하여 사전 훈련될 수 있다.
무감독 모델(108)은 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력을 획득하기 위해 런타임 이미지를 처리하도록 구성될 수 있다. 무감독 모델은 각각이 시편의 적어도 일부를 나타내는 복수의 제2 이미지들을 포함하는 제2 훈련 세트를 사용하여 훈련될 수 있다. 이하에서 설명될 바와 같이, 각각의 제2 이미지는 제1 이미지의 기준 이미지일 수 있다.
조합 모듈(106)은 시편의 결함 검출 결과를 획득하기 위해 하나 이상의 최적화된 파라미터를 사용하여 제1 출력과 제2 출력을 조합하도록 구성될 수 있다. 일부 실시예들에서, 최적화된 파라미터들은 제3 훈련 세트를 사용하는 훈련 동안 획득될 수 있다.
선택적으로, 시스템(101)은 입력 데이터를 처리하기 위해 사용될 하나 이상의 추가적인 감독 모델 및/또는 하나 이상의 추가적인 무감독 모델(도 1에 예시되지 않음)을 포함할 수 있다. 예로서, 런타임 이미지 상의 추가적인 결함들의 추정된 존재를 나타내는 하나 이상의 추가적인 출력을 획득하기 위해 런타임 이미지는 하나 이상의 추가적인 무감독 모델에 의해 처리될 수 있다. 하나 이상의 추가적인 무감독 모델은 시편의 상이한 층들로부터의 그리고/또는 상이한 시편들로부터의 이미지들을 포함하는 하나 이상의 추가적인 훈련 세트를 사용하여 훈련된다.
입력 데이터를 처리할 때, 시스템(101)은 결함 검출 결과를 검사 툴(들) 중 임의의 것에 전송할 수 있고, 결과들(예를 들어, 결함 속성들, 결함 분류 등)을 저장 유닛(122)에 저장하고, 결과를 컴퓨터 기반 그래픽 사용자 인터페이스(GUI)(124)를 통해 렌더링하고/하거나 이를 외부 시스템(예를 들어, FAB의 수율 관리 시스템(YMS))에 전송할 수 있다. GUI(124)는 시스템(101)을 작동시키는 것에 관련된 사용자 특정 입력들을 가능하게 하도록 더 구성될 수 있다. 시스템(101), PMC(102) 및 그 안의 기능 모듈들의 작동은 도 2를 참조하여 더 상세히 설명될 것이다.
관련 기술분야의 통상의 기술자는, 본 개시된 주제의 교시들이, 도 1에 예시된 시스템에 의해 제한되지 않고; 동등하고/거나 수정된 기능이, 다른 방식으로 통합되거나 분할될 수 있으며 하드웨어 및/또는 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 쉽게 이해할 것이다.
어떠한 방식으로든 본 개시내용의 범위를 제한하지 않고, 검사 툴들은 다양한 유형들의 검사 기계들, 예컨대, 광학 이미지화 기계들, 전자 빔 검사 기계들 등으로서 구현될 수 있다는 점을 또한 주목해야 한다. 일부 경우들에서, 동일한 검사 툴이, 저해상도 이미지 데이터 및 고해상도 이미지 데이터를 제공할 수 있다. 일부 경우들에서, 적어도 하나의 검사 툴이 계측 능력들을 가질 수 있다.
일부 실시예들에서, 본원에 언급된 기계 학습 기반 구성요소들, 예컨대, 감독 모델, 무감독 모델, 세그먼트화 모델 등은, 임의의 적합한 기계 학습 기반 아키텍처, 예컨대, 예를 들어, 신경망들 등을 사용하여 구현될 수 있다. 비제한적인 예로서, 신경망들의 계층들은 콘볼루션 신경망(CNN) 아키텍처, 순환 신경망 아키텍처, 재귀 신경망들 아키텍처 또는 다른 방식에 따라 조직될 수 있다. 신경망의 각각의 계층은 관련 기술분야에서 차원들, 뉴런들, 또는 노드들로서 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 각각의 연결들을 통해 이전 계층의 CE들로부터 입력들을 수신할 수 있고, 각각의 주어진 연결은 주어진 연결의 입력에 적용될 수 있는 가중 값과 연관된다. 가중 값들은 연결들의 상대적 강도 및 그에 따른 주어진 CE의 출력에 대한 각각의 입력들의 상대적 영향을 결정할 수 있다. 주어진 CE는 활성화 값(예를 들어, 입력들의 가중 합)을 계산하고, 계산된 활성화에 활성화 함수를 적용함으로써 출력을 더 유도하도록 구성될 수 있다. 활성화 함수는, 예를 들어, 항등 함수, 결정 함수(예를 들어, 선형, 시그모이드, 임계 등), 확률적 함수, 또는 임의의 다른 적합한 함수일 수 있다. 주어진 CE로부터의 출력은 각각의 연결들을 통해 후속 계층의 CE들로 송신될 수 있다. 마찬가지로, 상기와 같이, CE의 출력에서의 각각의 연결은, 후속 계층의 CE의 입력으로서 수신되기 전에 CE의 출력에 적용될 수 있는 가중 값과 연관될 수 있다. 가중 값들에 추가로, 연결들 및 CE들과 연관된 임계 값들(극한 함수들을 포함함)이 존재할 수 있다.
신경망의 파라미터들(예를 들어, 가중 및/또는 임계 값들)은 훈련 전에 초기에 선택될 수 있고, 훈련된 모델에서 가중 및/또는 임계 값들의 최적 세트를 달성하기 위해, 훈련 동안 더 반복적으로 조정 또는 수정될 수 있다. 각각의 반복 후에, 데이터의 각각의 훈련 세트와 연관된 목표 출력과 모델에 의해 생성된 실제 출력 사이의 차이가 결정될 수 있다. 차이는 오차 값으로 지칭될 수 있다. 훈련은, 오차 값을 나타내는 비용 함수가, 미리 결정된 값 미만일 때 또는 반복들 사이의 성능에서의 제한된 변화가 달성될 때 완료되는 것으로 결정될 수 있다.
신경망의 가중들/임계들을 조정하기 위해 사용되는 입력 데이터의 세트는 이하에서 훈련 세트로서 지칭된다. 본 개시된 주제의 교시들은 망들의 개수 및/또는 아키텍처에 의해 제한되지 않는다는 점을 주목한다.
도 1에 예시된 검사 시스템은, 도 1에 도시된 전술한 기능 모듈들이 몇몇 로컬 및/또는 원격 디바이스들에 분산될 수 있고 통신망을 통해 연결될 수 있는 분산 컴퓨팅 환경으로 구현될 수 있다는 점을 주목한다. 다른 실시예들에서, 검사 툴들(120), 저장 유닛(122) 및/또는 GUI(124)의 적어도 일부는 검사 시스템(100)의 외부에 있을 수 있고 I/O 인터페이스(126)를 통해 시스템(101)과 데이터 통신하여 작동할 수 있다는 점을 또한 주목한다. 시스템(101)은 검사 툴들과 함께 사용될 독립형 컴퓨터(들)로서 구현될 수 있다. 대안적으로, 시스템(101)의 각각의 기능들은, 적어도 부분적으로, 하나 이상의 검사 툴과 통합될 수 있다.
도 2를 참조하면, 본 개시된 주제의 특정 실시예들에 따른, 시편에 대한 결함 검출의 일반화된 흐름도가 예시된다.
시편의 적어도 일부를 나타내는 런타임 이미지를 포함하는 입력 데이터가 (예를 들어, 시스템(101)에 의해 I/O 인터페이스(126)를 통해) 획득될 수 있다(202). 런타임 이미지는 상이한 검사 양식들로부터(예를 들어, 상이한 검사 툴들로부터, 동일한 검사 툴의 상이한 채널들, 예를 들어, 명시야 및 암시야 이미지들로부터, 상이한 작동 파라미터들을 사용하여 동일한 검사 툴로부터 등) 수신될 수 있다.
예를 들어, 런타임 이미지는, 제조 프로세스 동안 캡처된, 시편(예를 들어, 웨이퍼, 다이 또는 그의 부분들)의 이미지들, 다양한 전처리 단계들에 의해 획득된, 캡처된 이미지들의 파생물들(예를 들어, SEM 또는 광학 검사 시스템에 의해 캡처된, 포토마스크 또는 웨이퍼의 부분의 이미지들, ADC에 의해 분류될 결함을 대략 중심으로 하는 SEM 이미지들, ADR에 의해 결함이 국부화될 더 큰 영역들의 SEM 이미지들, 동일한 마스크 위치에 대응하는, 상이한 검사 양식들의 정합된 이미지들 등)로부터일 수 있다. 예로서, 일부 경우들에서, 런타임 이미지는 전형적으로 고해상도를 갖고 검토 툴, 예컨대, 예를 들어, SEM 이미지 및/또는 그 파생물로부터 획득된 검토 이미지일 수 있다.
비제한적인 예로서, 검사 양식들은 검사 툴들, 동일한 검사 툴의 상이한 채널들에 의해, 검사 툴들의 작동 파라미터들(예를 들어, 특정 검사 툴/채널에 의해 제공된 관점 및/또는 해상도 등)에 의해 그리고/또는 각각의 이미지들에 대응하는 계층에 의해 서로 상이할 수 있다. 대안적으로 또는 추가적으로, 검사 양식들은 각각의 이미지들 ― 즉, 캡처된 이미지들, 그로부터 유도된 이미지들, 전처리된 이미지들(예를 들어, 평균 및/또는 차이 이미지들) 및 모의된 이미지들(설계 기반 이미지들을 포함함)을 획득하는 성질에 의해 서로 상이할 수 있다. 대안적으로 또는 추가적으로, 검사 양식들은 캡처된 이미지들(예를 들어, 세그먼트화, 결함 외곽 추출, 높이 맵 계산 등으로부터 유도된 이미지들)에 적용되는 유도 기법들에 의해 서로 상이할 수 있다.
런타임 이미지는 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력(본원에서는 또한, 감독 출력으로 지칭됨)을 획득하기 위해 감독 모델 구성요소를 사용하여(예를 들어, 감독 모델(104)에 의해) 처리될 수 있다(204). 일부 실시예들에서, 제1 출력은 런타임 이미지 상의 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵(예를 들어, 확률 맵)이다. 일부 경우들에서, 임계값이 제1 등급 맵의 픽셀 값들에 적용될 수 있고, 결함들의 추정된 존재를 나타내는 제1 결함 맵(예를 들어, 결함들의 존재 여부를 나타내는 이진 맵)을 생성한다. 예로서, 제1 등급 맵은 [0, 1]의 범위의 픽셀 값들을 포함할 수 있고, 0.6의 임계값이 등급 맵의 각각의 픽셀 값에 적용될 수 있다. 임계값 0.6보다 큰 임의의 픽셀 값은 대응하는 결함 맵에서 1의 값을 갖는 결함으로서 표시될 수 있다. 감독 모델 구성요소는 각각이 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 제1 이미지들 상의 제1 결함 분포를 나타내는 표지 데이터를 포함하는 제1 훈련 세트를 사용하여 설정 단계에서 훈련될 수 있다. 표지 데이터는 검토 툴로부터 또는 수동 분류로부터 획득될 수 있고, 제1 이미지들 상의 결함들의 위치 및 결함들의 부류를 포함할 수 있다.
별도로, 런타임 이미지는 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력(본원에서는 또한, 무감독 출력으로 지칭됨)을 획득하기 위해 무감독 모델 구성요소를 사용하여(예를 들어, 무감독 모델(108)에 의해) 처리될 수 있다(206). 일부 실시예들에서, 제2 출력은 런타임 이미지 상의 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵이다. 일부 경우들에서, 임계값이 제2 등급 맵의 픽셀 값들에 적용될 수 있고, 결함들의 추정된 존재를 나타내는 제2 결함 맵을 생성한다. 무감독 망은 시편의 복수의 제2 이미지들을 포함하는 제2 훈련 세트를 사용하여 훈련되고, 각각의 제2 이미지는 제1 이미지의 기준 이미지이다.
본 개시된 주제의 특정 실시예들에 따라, 본원에서 사용되는 훈련 세트들은 모든 제조 단계들로부터의 층들/생성물들의 모든 유형들에 관련된 전체 이용가능한 FAB 데이터(예를 들어, CAD 데이터, 고해상도 이미지들, 저해상도 이미지들, 메타데이터, 일반 속성들 등)를 포함할 수 있다는 점을 주목한다. 대안적으로, 훈련은 특정한 기준(예를 들어, 표지된/표지되지 않은/특정한 층(들)/특정한 생성물(들)/특정한 부류(들) 등)에 따라 선택된 특정한 이용가능한 FAB 데이터를 통해 수행될 수 있다. 모델들은 지속적으로 변하는 FAB 데이터에 대한 모델들의 관련성을 유지하기 위해 추가로 (예를 들어, FAB에 도입된 새로운 부류들에 응답하거나 상용 자동 절차 상에서) 지속적으로 훈련될 수 있다.
특정 실시예들에 따라, 감독 모델 구성요소 및 무감독 모델 구성요소는 개별적으로 훈련되고 최적화될 수 있다. 예를 들어, 이들은 동시에, 또는 순차적으로 차례로 훈련될 수 있다.
이제 도 3을 참조하면, 본 개시된 주제의 특정 실시예들에 따라 감독 모델 및 무감독 모델을 개별적으로 훈련시키는 것의 개략도가 도시된다.
제1 훈련 세트(301)는 모델을 훈련시키기 위해 감독 모델(303) 내에 공급된다. 일부 경우들에서, 제1 훈련 세트(301)는 관심 있는 층 또는 봤던 모든 이전 층들로부터 수집될 수 있는 선험적으로 표지된 데이터세트일 수 있다. 제1 훈련 세트는 각각이 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 제1 이미지들 상의 제1 결함 분포를 나타내는 대응하는 표지 데이터를 포함할 수 있다. 런타임 이미지와 유사하게, 제1 이미지들은 제조 프로세스 동안 캡처된 이미지들, 또는 다양한 전처리 단계들에 의해 획득된 캡처된 이미지들(예를 들어, SEM 또는 광학 검사 시스템 등에 의해 캡처된, 웨이퍼 또는 포토마스크의 일부의 이미지들)의 파생물들일 수 있고, 이들은 결함들을 포함하거나 포함하지 않을 수 있다. 구체적으로, 감독 모델(303)은, 제1 이미지 상의 제1 결함들의 추정된 확률들을 나타내는 대응하는 제1 등급 맵(305)을 생성하기 위해 각각의 제1 이미지를 처리하고, 제1 이미지에 대응하는 표지 데이터에 기초하여 감독 모델을 최적화함으로써 훈련될 수 있다.
일부 경우들에서, 대응하는 결함 맵들을 생성하기 위해, 임계값들의 세트가 제1 등급 맵에 적용될 수 있다. 오경보율(FAR) 및/또는 캡처율(CR)은 예측 결과들(예를 들어, 결함 맵들)에 기초하여 계산될 수 있고, 감독 모델의 예측 성능을 평가하기 위해, 표지된 데이터로부터 또는 사용자로부터 획득되는 바와 같은 초기 FAR과 비교될 수 있다. 최상의 FAR 및/또는 CR을 갖는 임계값이, 후속 훈련에서 또는 런타임에 사용되도록 선택될 수 있다.
캡처율(본원에서 또한, 리콜로 지칭됨)은 전체 결함 집단에 대한, 캡처된 결함들의 비율을 지칭한다. 오경보율은 총 선언된 결함들에 대한, 선언된 방해의 비율을 지칭한다. 정밀도는 총 선언된 결함들에 대한, DOI의 개수의 비율을 지칭한다. 캡처율, 리콜, 오경보율, 정밀도 등의 용어들은 관련 기술분야의 알려진 용어들이며, 그의 가장 넓은 해석으로 이해되어야 한다는 것을 주목한다. 본원의 정의들은 예시의 목적을 위한 것이며, 어떠한 방식으로든 본 개시내용을 제한하는 것으로 해석되어서는 안 된다.
예로서, 감독 모델은 SVM, 심층 신경망(DNN) 등을 사용하여 구현될 수 있다. 예를 들어, 콘볼루션 신경망(CNN) 또는 이의 임의의 적합한 변형들이 사용될 수 있다. 예시의 목적을 위해, 본원에서 사용되는 CNN은 전형적으로, 하나 이상의(예를 들어, 일부 경우들에서, 2개 이상의) 완전히 연결된 계층들이 아마도 후속되는 하나 이상의(예를 들어, 일부 경우들에서, 3개 이상의) 콘볼루션 계층을 포함할 수 있다. CNN의 출력은 상이한 해상도들의 등급 맵, 예를 들어, 픽셀 수준 등급 맵, 블롭 수준 등급 맵(이 경우, 픽셀 수준 등급 맵의 후처리, 예컨대, 예를 들어, 클러스터링이 수행될 수 있음) 등일 수 있다.
제2 훈련 세트(302)는 모델을 훈련시키기 위해 무감독 모델(304) 내에 공급된다. 제2 훈련 세트(302)는 시편의 복수의 제2 이미지들을 포함한다. 일부 경우들에서, 제2 훈련 세트는 표지된 데이터가 없는 기준 이미지들의 데이터세트일 수 있다. 무감독 모델 구성요소는, 제2 이미지 상의 제2 결함들의 추정된 확률들을 나타내는 대응하는 제2 등급 맵(306)을 생성하기 위해 각각의 제2 이미지를 처리하고, 제2 이미지에 관련된 제2 등급 맵에 기초하여 무감독 망을 최적화함으로써 훈련될 수 있다.
기준 이미지는, 관심 있는 이미지(예를 들어, 제1 이미지)와 동일한 패턴들을 포함하는, 시편(예를 들어, 다이, 셀 등)의 기준 영역의 이미지일 수 있고, 기준 이미지의 각각의 이미지 데이터는 기준 영역이 결함들이 없다는 것을 나타내기 위해 확인된다. 기준 이미지는 결함들이 없는 것으로 확인된 기준(예를 들어, 골든) 다이, 기준 셀 또는 다른 영역으로부터 캡처된 이미지일 수 있다. 대안적으로 또는 추가적으로, 기준 이미지는 CAD 데이터를 사용하여 모의될 수 있고/거나 기준 영역의 결함들(존재하는 경우)을 배제하기 위해 캡처 이후 증강될 수 있다.
예로서, 무감독 모델은 DNN, 예컨대, 예를 들어, 오토인코더 또는 그의 임의의 적합한 변형들/파생물들로서 구현될 수 있다. 오토인코더는 효율적인 데이터 코딩을 학습함으로써 데이터 재생성의 목적을 위해 통상적으로 사용되는 신경망의 유형이다. 오토인코더는 항상 2개의 부분들, 인코더 및 디코더로 구성된다. 오토인코더는 입력 계층으로부터의 데이터를 짧은 코드로 압축하고(즉, 인코더 부분), 그 다음, 그 코드를 원래의 데이터에 가깝게 일치하는 출력으로 압축해제하도록(즉, 디코더 부분) 학습한다. 오토인코더는 통상적으로, 입력 계층, 출력 계층, 및 이들을 연결하는 하나 이상의 숨은 계층을 갖는다. 출력 계층은 그 자신의 입력들을 재구성하는 목적으로 입력 계층과 동일한 개수의 노드들을 갖는다. 훈련 데이터세트의 각각의 입력 이미지에 대해, 오토인코더는 입력 이미지를 나타내는 특징들을 추출하고, 대표적인 특징들을 사용하여, 입력 이미지와 비교함으로써 평가될 수 있는 대응하는 출력 이미지를 재구성할 수 있다. 오토인코더는 (본원에서 무결함 이미지들로 또한 지칭되는, 결함들이 없는 기준 이미지들인) 훈련 이미지들의 정상 패턴 분포를 학습하도록 훈련되고 최적화된다. 등급 맵은, 예를 들어, 입력 이미지와 오토인코더의 출력 이미지 사이의 차이로서 계산될 수 있다. 그러므로, 런타임에서, 결함있는 이미지(즉, 결함들을 갖는 이미지)가 도착하는 경우, 훈련된 모델은 결함이 있는 이미지의 무결함 버전을 생성할 수 있는데, 이는 모델이, 무결함 이미지들을 사용하여 훈련되었기 때문이다. 등급 맵은 입력과 출력 사이의 차이로서 결함들의 존재를 나타낼 수 있다.
일부 실시예들에서, 훈련 동안, 감독 모델을 훈련시키는 데 사용되는 제1 훈련 세트는 각각의 제1 이미지에 대해, 대응하는 설계 데이터, 및/또는 적어도 하나의 기준 이미지를 더 포함할 수 있다. 일부 경우들에서, 설계 데이터는 컴퓨터로 생성된 설계 데이터 기반 이미지들을 포함할 수 있다. 이에 따라, 런타임의 입력 데이터는 특정 훈련 데이터에 대응할 것이고, 런타임 이미지 이외에도 런타임 이미지의 적어도 하나의 기준 이미지 및/또는 설계 데이터를 포함할 수 있다. 예로서, 일부 경우들에서, 입력 데이터는 런타임 이미지 및 대응하는 기준 이미지를 포함할 수 있다. 일부 다른 경우들에서, 입력 데이터는 런타임 이미지 및 대응하는 설계 데이터를 포함할 수 있다. 일부 추가의 경우들에서, 입력 데이터는 런타임 이미지, 대응하는 기준 이미지, 및 설계 데이터를 포함할 수 있다.
일부 실시예들에서, 무감독 모델을 훈련시키는 데 사용되는 제2 훈련 세트는 각각의 제2 이미지에 대해, 대응하는 설계 데이터를 더 포함할 수 있다. 이에 따라, 런타임에서, 런타임 이미지 이외에도 런타임 이미지의 설계 데이터가 획득될 수 있다.
일부 경우들에서, 제1 및 제2 훈련 세트들은 단일 툴로부터 수집된 이미지들을 포함할 수 있다. 일부 다른 경우들에서, 훈련 세트들은 툴 및 웨이퍼 분산들에 대한 시스템 내성을 증가시키기 위해 전체 선단(예를 들어, 다수의 툴들)으로부터의 이미지들을 포함할 수 있다.
감독 모델 및 무감독 모델이 일단 개별적으로 훈련되면, 전체 결함 검출 결과를 제공하기 위해 2개의 모델들의 출력들이 (예를 들어, 조합 모듈(106)에 의해) 조합될 필요가 있다(208). 출력들의 조합은 제3 훈련 세트를 사용하는 훈련 동안 획득되는 하나 이상의 최적화된 파라미터를 사용할 수 있다. 조합은 검출 결과들을 최적화하기 위해 다양한 방식들로 수행될 수 있다. 이제 도 4를 참조하면, 본 개시된 주제의 특정 실시예들에 따라 감독 모델 및 무감독 모델의 출력들을 조합하는 것 및 그의 최적화의 개략도가 도시된다.
제3 훈련 세트(401)(예를 들어, 검증 세트)는 조합의 검증 및 최적화의 목적을 위해 사용될 수 있다. 검증 세트는 복수의 검증 이미지들 및 대응하는 표지 데이터를 포함할 수 있다.
특정 실시예들에 따르면, 이미지를 처리한 후에, 감독 모델(303) 및 무감독 모델(304)은 각각 제1 등급 맵 및 제2 등급 맵을 출력한다. (도 4에 예시된 바와 같이, 감독 모델에 사용될 Ths로, 그리고 무감독 모델에 사용될 Thus로 표시되는) 각각의 임계값은, (도 4에 예시된 바와 같이, 감독 모델에 대해 출력s로, 그리고 무감독 모델에 대해 출력us로 표시되는) 결함 검출 출력, 예를 들어, 결함 맵을 생성하기 위해 각각의 등급 맵에 적용될 수 있다. 임계값들은 도 3을 참조하여 위에서 설명된 바와 같이 별도의 훈련 단계 동안 초기에 선택될 수 있다. 본 개시내용의 특정 실시예들에 따르면, 각각의(또는 적어도 하나의) 모델의 초기에 선택된 임계값은 모델의 캡처율 및 오경보율을 최적화하기 위해 조정될 수 있다. 이 경우에, 위에서 언급된 바와 같이, 조합에 사용되는 최적화된 파라미터들은 최적화된 결함 맵을 획득하기 위해, 대응하는 등급 맵에 적용될 수 있는 최적화된 임계값(들)이다. 전체 결함 검출 결과(405)를 생성하기 위해 양쪽 모두의 모델들의 최적화된 결함 맵들이 조합될 수 있다.
구체적으로, 그러한 경우들에서, 검증 세트는 사용자 정의된 캡처율 및/또는 오경보율(406)에 따라 모델들 중 하나 또는 양쪽 모두의 임계값을 조정하는 데 사용될 수 있다. 예로서, 검증 이미지는 양쪽 모델들 모두에 의해 처리될 수 있다. 예상된 캡처율이 사용자에 의해 미리 정의되면(예를 들어, 90%), 양쪽 모델들 모두의 임계값들은 사용자 정의된 캡처율이 손상되지 않는 한 오경보율들을 최소화하도록 증가될 수 있다. 한편, 예상된 오경보율이 사용자에 의해 미리 정의되면, 양쪽 모델들 모두의 임계값들은 사용자 정의된 오경보율이 손상되지 않는 한 캡처율을 증가시키도록 감소될 수 있다. 진양성률(즉, 캡처율) 및 가양성률(즉, 오경보율)에 관한 모델들의 성능을 예시하는 그래프(408)가 도 4에 도시되어 있다. 예시된 바와 같이, 고성능 모델은 높은 진양성률 및 낮은 가양성률을 가지며, 이는 상부 좌측의 목표 영역 내에 있을 것이다. 이는, 모델의 대부분의 예측들이 실측 정보와 일치하고, 선언된 결함들의 대부분이 검출된다는 것을 의미한다.
다른 예로서, 감독 모델이, 일단 훈련되면, 검증 세트의 결함들의 대부분을 발견/검출할 수 있다는 가정 하에, 본 개시내용의 특정 실시예들에 따라, 사용자에 의한 미리 정의된 FAR을 여전히 충족시키면서 가능한 한 많은 보이지 않은 결함들을 검출할 수 있도록, 감독 모델의 임계값(Ths)을 고정하고 무감독 모델의 임계값(Thus)을 최적화하는 것이 제안된다. 그러므로, 무감독 모델의 임계값은, 미리 정의된 FAR이 손상되지 않는 한, 캡처율을 최대화하기 위해, 보이지 않은 결함들을 검출하도록 가능한 한 많이 감소될 수 있다.
그러한 경우들에서, 모델들의 임계값들은 그들의 캡처율 및 오경보율을 최적화하도록 조정될 수 있다. 런타임에, 조정된 임계값들은, 최적화된 파라미터들로서, 대응하는 모델들의 출력들에 적용될 수 있고(예를 들어, Ths는 감독 모델 출력에 적용되고, Thus는 무감독 모델 출력에 적용됨), 어느 한 등급 맵의 픽셀 값이 각각의 임계값을 초과하면 결함이 선언될 수 있다.
도 5는 본 개시된 주제의 특정 실시예들에 따른, 최적화된 임계값들을 사용하는 런타임 결함 검출 프로세스의 예를 예시한다. 런타임 이미지(501)가 수신되고, 훈련된 감독 모델(303) 및 훈련된 무감독 모델(304)에 의해 처리되어, 각각 제1 등급 맵 및 제2 등급 맵을 생성한다. 위에서 설명된 바와 같은 최적화 단계를 통해 획득된 바와 같이, 감독 모델의 최적화된 임계값(Ths)이 제1 등급 맵에 적용된다(502 참고). 유사하게, 무감독 모델의 최적화된 임계값(Thus)이 제2 등급 맵에 적용된다(503 참고). 임계화된 출력들(예를 들어, 결함 맵들)은 결함 검출 결과(505)를 획득하기 위해 (예를 들어, 논리 연산 OR(504)을 통해) 조합될 수 있다. 예로서, 임계값(Ths)을 초과하는, 제1 등급 맵의 픽셀 값들 및 임계값(Thus)을 초과하는, 제2 등급 맵의 픽셀 값들은 결함들로서 선언되도록 조합된다. 임계값들 중 어떤 것도 초과하지 않는 픽셀 값들은 오경보들로서 간주되고, 필터링될 것이다.
대안적으로, 특정 실시예들에 따르면, 양쪽 모델들 모두의 출력들은 비-경사 최적화 함수를 사용하여 조합될 수 있다. 그러한 최적화 함수의 선택은 임계화가 미분불가능 함수라는 사실에 관련된다. 최적화를 통해, 각각의 등급 맵에 할당하기 위한 전역 가중치가 결정될 수 있다. 예로서, 비-경사 최적화 함수는 입자 군집 최적화(PSO), 유전 알고리즘들, 또는 이들의 임의의 적합한 조합을 포함하는 군으로부터 선택될 수 있다. 일 예에서, PSO가 최적화 함수로서 선택된다. PSO는 주어진 품질 척도에 관한 후보 해결책을 개선하려고 반복적으로 시도함으로써 문제를 최적화하는 계산 방법이다. 이는, 후보 해결책들(입자들이라고 함)의 집단을 갖는 것 및 입자의 위치 및 속도에 대한 수학 공식에 따라 검색 공간에서 이러한 입자들을 여기저기 이동시키는 것에 의해 문제를 해결한다.
본 경우에, 각각의 입자는 각각의 등급 맵에 대해 할당된 가중치들(예를 들어, 감독 등급 맵에 대해 할당된 αi, 및 무감독 등급 맵에 대해 할당된 1-αi)을 나타낼 수 있다. 검증 세트의 각각의 이미지에 대해, αi의 상이한 값들이 시도될 수 있고, 스코어는 대응하는 정밀도(즉, pr) 및 리콜에 기초하여 계산될 수 있는데, 예를 들어: 스코어 = min{(1-pr)2β+(1-리콜)2}이다. β≥1은 리콜에 대한 정밀도의 선호들을 나타내기 위해 사용자에 의해 결정되는 미리 정의된 파라미터이고, 그 반대의 경우도 마찬가지이다. 스코어는 정밀도율 및 리콜률을 최대화하기 위해 최소화될 수 있다. 최소화된 스코어에 대응하는 αi가 결정될 수 있다. 그러므로, 스코어들을 최소화하는 αi의 세트가 결정되어 검증 이미지들의 세트에 대응한다. 전역 가중치(α)를 얻기 위해, 각각의 αi에 대한 가중치 인자는 다음:
Figure pat00001
과 같이 계산될 수 있고, αi의 세트는 전역 가중치(α)를 획득하기 위해 각각의 가중치 인자들에 따라 가중 평균화 함수를 사용하여 조합될 수 있다.
전역 가중치가 일단 결정되면, 이는 복합 등급 맵을 생성하기 위해 감독 및 무감독 모델들의 등급 맵들을 조합하기 위해서 런타임에 최적화된 파라미터들로서 사용될 수 있다. 예를 들어, 복합 등급 맵 = 등급들무감독*α + 등급들감독*(1-α)이다.
대안적으로, 추가의 실시예들에 따르면, 양쪽 모델들 모두의 출력들은 감독 및 무감독 모델 구성요소들에 작동가능하게 연결된 세그먼트화 모델 구성요소(본원에서 또한, 세그먼트화 모델로 지칭됨)를 사용하여 조합될 수 있다. 유사하게, 세그먼트화 모델은, 임의의 적합한 기계 학습 기반 아키텍처, 예컨대, 예를 들어, 신경망들을 사용하여 구현될 수 있다.
이제 도 6을 참조하면, 본 개시된 주제의 특정 실시예들에 따라 세그먼트화 모델을 사용하여 감독 및 무감독 모델들의 출력들을 조합하는 개략적인 블록도가 예시된다.
예시된 바와 같이, 세그먼트화 모델(602)은 감독 모델(303) 및 무감독 모델(304)에 작동가능하게 연결된다. 세그먼트화 모델(602)은 감독 모델(303) 및 무감독 모델(304)의 출력들에 기초하여 제3 훈련 세트(401)(또한, 검증 세트로 지칭됨)를 사용하여 훈련될 수 있다. 전술된 바와 같이, 검증 세트는 검증 이미지들 및 대응하는 표지 데이터의 세트를 포함한다. 구체적으로, 검증 이미지는 훈련된 감독 및 무감독 모델들 내에 공급될 수 있고, 양쪽 모델들 모두의 출력들은 세그먼트화 모델(602)에 입력으로서 제공될 수 있다. 세그먼트화 모델은 양쪽 모델들 모두의 출력들을 조합하고 조합된/복합 등급 맵을 생성하는 것을 학습하며, 조합된/복합 등급 맵은 임계화 후에 실측 정보 데이터(예를 들어, 검증 이미지에 대응하는 표지된 데이터)와 비교될 수 있다. 세그먼트화 모델(602)의 파라미터들은 예측과 실측 정보 사이의 차이를 최소화하는 것을 통해 최적화될 수 있다. 복합 등급 맵에 적용될 임계값은 또한, 최적화된 캡처율 및/또는 오경보율을 얻기 위해 훈련 동안에 조정될 수 있다. 그러한 방식으로, 세그먼트화 모델은 양쪽 모델들 모두의 출력들을 어떻게 최상으로 조합하는지를 학습하도록 훈련될 수 있고, 최적화된 결함 검출 결과(604)를 제공할 수 있다.
런타임에, 훈련된 세그먼트화 모델은 유사한 방식으로 작동한다. 예로서, 세그먼트화 모델에 대한 입력은 제1 및 제2 등급 맵들일 수 있고, 모델의 출력은 조합된/복합 등급 맵일 수 있다. 훈련 동안 결정된 바와 같은 임계값은 결함 검출 결과(예를 들어, 결함 맵)를 획득하기 위해 복합 등급 맵에 적용될 수 있다.
일부 실시예들에서, 검증 세트는 생산 시간의 통계에 따라 결함있는 이미지들(결함들을 포함하는 이미지들) 및 결함없는 이미지들(결함들이 없는 이미지들)을 포함하도록 선택될 수 있다. 예로서, 검증 세트는 95%의 결함있는 이미지들 및 5%의 결함없는 이미지들을 포함할 수 있다. 훈련 동안 결과들을 만족시키는 것을 달성하기 위해서 높은 캡처율이 사용될 수 있다.
전술된 바와 같이, 런타임 이미지는 시편의 상이한 층들로부터의 그리고/또는 상이한 시편들로부터의 훈련 이미지들을 포함하는 하나 이상의 추가적인 훈련 세트를 사용하여 훈련된 하나 이상의 추가적인 감독 및/또는 무감독 모델에 의해 아마도 처리될 수 있다. 이에 따라, 런타임 이미지 상의 추가적인 결함들의 추정된 존재를 나타내는 하나 이상의 추가적인 출력이 획득될 수 있고, 전체 결함 검출 결과를 생성하기 위해 조합될 수 있다.
일부 경우들에서, 검출 성능을 개선하기 위해 즉석 피드백이 제공될 수 있다. 예를 들어, 무감독 모델은 결함들을 포함하는 것으로 검출하고 감독 모델은 검출하지 않은 이미지들은 모델들을 재훈련시키고 미세 조정하는 목적을 위해 선택될 수 있다. 이러한 메커니즘은 소수의 결함 부류들(즉, 많은 통계를 갖지 않고, 더 주의깊게 샘플링되어야 하는 희귀 결함들)에 대한 모델들의 내성을 개선할 수 있다. 생산 시간으로부터 데이터를 연속적으로 수집하고, 시스템을 재훈련시키기 위해, 수집된 데이터를 사용함으로써, 감독 메커니즘의 성능이 개선될 수 있으며, 감독 메커니즘과 무감독 메커니즘 간의 균형은 감독 메커니즘을 선호하는 것으로 이동할 수 있다.
따라서, 위에서 예시된 바와 같이, 2개 이상의 감독 및 무감독 모델들뿐만 아니라 그의 조합 및 최적화를 포함하는 제안된 시스템은, 훈련 동안 봤거나 보지 않았을 수 있는 결함들을 검출할 수 있고(무감독 모델은 보이지 않은 이상들의 검출을 위한 안전망으로서 사용될 수 있음), 이로써, 개선된 결함 검출 결과들을 제공한다.
본 개시된 주제의 특정 실시예들의 추가의 장점들 중에, 무감독 모델에 의해 용이하게 되는 새로운 부류의 결함들의 캡처를 가능하게 하는 것이 있다.
본 개시된 주제의 특정 실시예들의 추가의 장점들 중에, 런타임에 모델들의 주기적인 재훈련을 통한, 결함들의 다양한 상이한 부류들에 대한 높은 강건성 및 캡처율이 있다.
본 발명은 본 출원에서 본원에 포함된 설명에 열거되거나 도면들에 예시된 세부 사항들로 제한되지 않는다는 것을 이해해야 한다. 본 발명은 다른 실시예들이 가능하고, 다양한 방식들로 실시되거나 수행될 수 있다. 그러므로, 본원에서 채용되는 어법 및 용어는 설명의 목적을 위한 것이며 제한으로서 간주되어서는 안 된다는 점을 이해하여야 한다. 이로써, 관련 기술분야의 통상의 기술자는, 본 개시내용이 기초로 하는 개념이, 본 개시된 주제의 몇몇 목적을 수행하기 위한 다른 구조들, 방법들 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있음을 이해할 것이다.
또한, 본 발명에 따른 시스템은, 적어도 부분적으로, 적절히 프로그래밍된 컴퓨터 상에 구현될 수 있다는 것을 이해할 것이다. 마찬가지로, 본 발명은, 본 발명의 방법을 실행하기 위해, 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 발명은, 본 발명의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능 메모리를 더 고려한다.
관련 기술분야의 통상의 기술자는, 다양한 수정들 및 변경들이, 본 발명의 범위로부터 벗어나지 않고 앞서 설명되고 첨부된 청구항들에 그리고 청구항들에 의해 정의된 바와 같이 본 발명의 실시예들에 적용될 수 있다는 것을 쉽게 이해할 것이다.

Claims (20)

  1. 시편에 대한 결함 검출을 위한 컴퓨터화된 방법으로서,
    상기 방법은, 프로세서 및 메모리 회로(PMC)에 의해 수행되고,
    상기 시편의 적어도 일부를 나타내는 런타임 이미지를 획득하는 단계;
    상기 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력을 획득하기 위해 감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하는 단계 ― 상기 감독 모델 구성요소는, 각각이 상기 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 상기 제1 이미지들 상의 제1 결함 분포를 나타내는 대응하는 표지 데이터를 포함하는 제1 훈련 세트를 사용하여 훈련됨 ―;
    상기 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력을 획득하기 위해 무감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하는 단계 ― 상기 무감독 모델은, 각각이 상기 시편의 적어도 일부를 나타내는 복수의 제2 이미지들을 포함하는 제2 훈련 세트를 사용하여 훈련되고, 각각의 상기 제2 이미지는 상기 제1 이미지의 기준 이미지임 ―; 및
    상기 시편의 결함 검출 결과를 획득하기 위해 하나 이상의 최적화된 파라미터를 사용하여 상기 제1 출력과 상기 제2 출력을 조합하는 단계를 포함하는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  2. 제1항에 있어서,
    상기 하나 이상의 최적화된 파라미터는 제3 훈련 세트를 사용하는 훈련 동안 획득되는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  3. 제2항에 있어서,
    상기 제1 출력은 상기 런타임 이미지 상의 상기 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵이고, 상기 제2 출력은 상기 런타임 이미지 상의 상기 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵이며;
    상기 조합 단계는, 상기 시편 상의 상기 제1 결함들 및 상기 제2 결함들의 추정된 확률들을 나타내는 복합 등급 맵을 획득하기 위해, 상기 감독 및 무감독 모델 구성요소들에 작동가능하게 연결된 세그먼트화 모델 구성요소를 사용하여 수행되며, 상기 세그먼트화 모델 구성요소는 상기 감독 모델 및 상기 무감독 모델의 출력들에 기초하여 상기 제3 훈련 세트를 사용해 훈련되는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  4. 제2항에 있어서,
    상기 제1 출력은 상기 런타임 이미지 상의 상기 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵이고, 상기 제2 출력은 상기 런타임 이미지 상의 상기 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵이며;
    상기 조합 단계는, 상기 시편 상의 상기 제1 결함들 및 상기 제2 결함들의 추정된 확률들을 나타내는 복합 등급 맵을 생성하기 위해, 각각의 전역 가중치들로 상기 제1 등급 맵과 상기 제2 등급 맵을 조합하는 것을 포함하고, 상기 각각의 전역 가중치들은 상기 제3 훈련 세트를 사용하는 훈련 동안 최적화되는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  5. 제2항에 있어서,
    상기 감독 모델 구성요소를 사용한, 상기 런타임 이미지의 처리 단계는 상기 런타임 이미지 상의 상기 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵을 생성하는 것 및 제1 결함 맵을 획득하기 위해 제1 임계값을 상기 제1 등급 맵에 적용하는 것을 포함하고;
    상기 무감독 모델 구성요소를 사용한, 상기 런타임 이미지의 처리 단계는 상기 런타임 이미지 상의 상기 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵을 생성하는 것 및 제2 결함 맵을 획득하기 위해 제2 임계값을 상기 제2 등급 맵에 적용하는 것을 포함하고, 상기 제1 임계값 및 상기 제2 임계값은 상기 제3 훈련 세트를 사용하는 훈련 동안 최적화되며,
    상기 조합 단계는 복합 결함 맵을 생성하기 위해 상기 제1 결함 맵과 상기 제2 결함 맵을 조합하는 것을 포함하는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  6. 제4항에 있어서,
    상기 전역 가중치들은 상기 제3 훈련 세트를 사용하는 훈련 동안 비-경사 최적화 함수를 사용하여 획득되는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  7. 제1항에 있어서,
    상기 감독 모델 구성요소는, 상기 제1 이미지 상의 상기 제1 결함들의 추정된 확률들을 나타내는 대응하는 제1 등급 맵을 생성하기 위해 각각의 상기 제1 이미지를 처리하고, 상기 제1 이미지에 대응하는 상기 표지 데이터에 기초하여 상기 감독 모델 구성요소를 최적화함으로써 훈련되는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  8. 제1항에 있어서,
    상기 무감독 모델 구성요소는, 상기 제2 이미지 상의 상기 제2 결함들의 추정된 확률들을 나타내는 대응하는 제2 등급 맵을 생성하기 위해 각각의 상기 제2 이미지를 처리하고, 상기 제2 이미지에 관련된 상기 제2 등급 맵에 기초하여 무감독 망을 최적화함으로써 훈련되는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  9. 제1항에 있어서,
    상기 제1 훈련 세트는 각각의 상기 제1 이미지에 대해, 대응하는 설계 데이터, 및/또는 적어도 하나의 기준 이미지를 더 포함하고, 상기 획득 단계는 상기 런타임 이미지의 설계 데이터 및/또는 적어도 하나의 기준 이미지를 획득하는 것을 더 포함하는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  10. 제1항에 있어서,
    상기 제2 훈련 세트는 각각의 상기 제2 이미지에 대해, 대응하는 설계 데이터를 더 포함하고, 상기 획득 단계는 상기 런타임 이미지의 설계 데이터를 획득하는 것을 더 포함하는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  11. 제1항에 있어서,
    상기 감독 모델 구성요소 및 상기 무감독 모델 구성요소는 개별적으로 훈련되는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  12. 제1항에 있어서,
    런타임 동안, 결함들의 하나 이상의 새로운 부류의 존재를 나타내는 표지 데이터를 각각 갖는 하나 이상의 새로운 제1 이미지를 획득하는 단계, 및 상기 새로운 제1 이미지들을 사용하여 상기 감독 모델 구성요소를 재훈련시키는 단계를 더 포함하는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  13. 제1항에 있어서,
    상기 런타임 이미지는 검토 툴에 의해 생성된 검토 이미지인, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  14. 제1항에 있어서,
    상기 런타임 이미지 상의 추가적인 결함들의 추정된 존재를 나타내는 하나 이상의 추가적인 출력을 획득하기 위해 하나 이상의 추가적인 감독 및/또는 무감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하는 단계를 더 포함하고, 상기 하나 이상의 추가적인 감독 및/또는 무감독 모델 구성요소는 상기 시편의 상이한 층들로부터의 그리고/또는 상이한 시편들로부터의 훈련 이미지들을 포함하는 하나 이상의 추가적인 훈련 세트를 사용하여 훈련되는, 시편에 대한 결함 검출을 위한 컴퓨터화된 방법.
  15. 시편에 대한 결함 검출의 컴퓨터화된 시스템으로서,
    상기 시스템은 프로세서 및 메모리 회로(PMC)를 포함하고,
    상기 PMC는:
    상기 시편의 적어도 일부를 나타내는 런타임 이미지를 획득하고;
    상기 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력을 획득하기 위해 감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하고 ― 상기 감독 모델 구성요소는, 각각이 상기 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 상기 제1 이미지들 상의 제1 결함 분포를 나타내는 대응하는 표지 데이터를 포함하는 제1 훈련 세트를 사용하여 훈련됨 ―;
    상기 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력을 획득하기 위해 무감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하고 ― 상기 무감독 모델은, 각각이 상기 시편의 적어도 일부를 나타내는 복수의 제2 이미지들을 포함하는 제2 훈련 세트를 사용하여 훈련되고, 각각의 상기 제2 이미지는 상기 제1 이미지의 기준 이미지임 ―;
    상기 시편의 결함 검출 결과를 획득하기 위해 하나 이상의 최적화된 파라미터를 사용하여 상기 제1 출력과 상기 제2 출력을 조합하도록 구성되는, 시편에 대한 결함 검출의 컴퓨터화된 시스템.
  16. 제15항에 있어서,
    상기 하나 이상의 최적화된 파라미터는 제3 훈련 세트를 사용하는 훈련 동안 획득되는, 시편에 대한 결함 검출의 컴퓨터화된 시스템.
  17. 제16항에 있어서,
    상기 제1 출력은 상기 런타임 이미지 상의 상기 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵이고, 상기 제2 출력은 상기 런타임 이미지 상의 상기 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵이며;
    상기 PMC는, 상기 시편 상의 상기 제1 결함들 및 상기 제2 결함들의 추정된 확률들을 나타내는 복합 등급 맵을 획득하기 위해, 상기 감독 및 무감독 모델 구성요소들에 작동가능하게 연결된 세그먼트화 모델 구성요소를 사용하여 상기 제1 출력과 상기 제2 출력을 조합하도록 구성되고, 상기 세그먼트화 모델 구성요소는 상기 감독 모델 및 상기 무감독 모델의 출력들에 기초하여 상기 제3 훈련 세트를 사용해 훈련되는, 시편에 대한 결함 검출의 컴퓨터화된 시스템.
  18. 제16항에 있어서,
    상기 제1 출력은 상기 런타임 이미지 상의 상기 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵이고, 상기 제2 출력은 상기 런타임 이미지 상의 상기 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵이며;
    상기 PMC는, 상기 시편 상의 상기 제1 결함들 및 상기 제2 결함들의 추정된 확률들을 나타내는 복합 등급 맵을 생성하기 위해, 각각의 전역 가중치들로 상기 제1 등급 맵과 상기 제2 등급 맵을 조합하는 것에 의해 상기 제1 출력과 상기 제2 출력을 조합하도록 구성되고, 상기 각각의 전역 가중치들은 상기 제3 훈련 세트를 사용하는 훈련 동안 최적화되는, 시편에 대한 결함 검출의 컴퓨터화된 시스템.
  19. 제16항에 있어서,
    상기 PMC는, 상기 런타임 이미지 상의 상기 제1 결함들의 추정된 확률들을 나타내는 제1 등급 맵을 생성하는 것 및 제1 결함 맵을 획득하기 위해 제1 임계값을 상기 제1 등급 맵에 적용하는 것에 의해 상기 감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하도록 구성되고;
    상기 PMC는, 상기 런타임 이미지 상의 상기 제2 결함들의 추정된 확률들을 나타내는 제2 등급 맵을 생성하는 것 및 제2 결함 맵을 획득하기 위해 제2 임계값을 상기 제2 등급 맵에 적용하는 것에 의해 상기 무감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하도록 구성되고, 상기 제1 임계값 및 상기 제2 임계값은 상기 제3 훈련 세트를 사용하는 훈련 동안 최적화되며,
    상기 PMC는 복합 결함 맵을 생성하기 위해 상기 제1 결함 맵과 상기 제2 결함 맵을 조합하는 것에 의해 상기 제1 출력과 상기 제2 출력을 조합하도록 구성되는, 시편에 대한 결함 검출의 컴퓨터화된 시스템.
  20. 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능 저장 매체로서,
    상기 명령어들은, 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금 시편에 대한 결함 검출의 방법을 수행하게 하고,
    상기 방법은:
    상기 시편의 적어도 일부를 나타내는 런타임 이미지를 획득하는 단계;
    상기 런타임 이미지 상의 제1 결함들의 추정된 존재를 나타내는 제1 출력을 획득하기 위해 감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하는 단계 ― 상기 감독 모델 구성요소는, 각각이 상기 시편의 적어도 일부를 나타내는 적어도 복수의 제1 이미지들 및 상기 제1 이미지들 상의 제1 결함 분포를 나타내는 대응하는 표지 데이터를 포함하는 제1 훈련 세트를 사용하여 훈련됨 ―;
    상기 런타임 이미지 상의 제2 결함들의 추정된 존재를 나타내는 제2 출력을 획득하기 위해 무감독 모델 구성요소를 사용하여 상기 런타임 이미지를 처리하는 단계 ― 상기 무감독 모델은, 각각이 상기 시편의 적어도 일부를 나타내는 복수의 제2 이미지들을 포함하는 제2 훈련 세트를 사용하여 훈련되고, 각각의 상기 제2 이미지는 상기 제1 이미지의 기준 이미지임 ―; 및
    상기 시편의 결함 검출 결과를 획득하기 위해 하나 이상의 최적화된 파라미터를 사용하여 상기 제1 출력과 상기 제2 출력을 조합하는 단계를 포함하는, 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능 저장 매체.
KR1020200136585A 2020-01-02 2020-10-21 시편의 기계 학습 기반 결함 검출 KR20210087874A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/733,219 2020-01-02
US16/733,219 US11449711B2 (en) 2020-01-02 2020-01-02 Machine learning-based defect detection of a specimen

Publications (1)

Publication Number Publication Date
KR20210087874A true KR20210087874A (ko) 2021-07-13

Family

ID=76558546

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200136585A KR20210087874A (ko) 2020-01-02 2020-10-21 시편의 기계 학습 기반 결함 검출

Country Status (3)

Country Link
US (1) US11449711B2 (ko)
KR (1) KR20210087874A (ko)
CN (1) CN113066044B (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11568174B2 (en) * 2020-02-18 2023-01-31 Ping An Technology (Shenzhen) Co., Ltd. Co-heterogeneous and adaptive 3D pathological abdominal organ segmentation using multi-source and multi-phase clinical image datasets
US20210334946A1 (en) * 2020-04-24 2021-10-28 Camtek Ltd. Method and system for classifying defects in wafer using wafer-defect images, based on deep learning
CN113822836A (zh) * 2020-06-05 2021-12-21 英业达科技有限公司 标记图像的方法
KR20220045499A (ko) * 2020-10-05 2022-04-12 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
US20230196732A1 (en) * 2021-12-20 2023-06-22 Kla Corporation Machine learning using a global texture characteristic for semiconductor-based applications
CN114397306B (zh) * 2022-03-25 2022-07-29 南方电网数字电网研究院有限公司 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法
CN115619784B (zh) * 2022-12-16 2023-06-02 福建帝视科技集团有限公司 一种基于深度特征记忆库的无监督缺陷检测方法及终端
CN115965604B (zh) * 2022-12-30 2023-07-07 平湖市凯鑫塑业股份有限公司 一种基于箱包配件的箱包安全监控方法及系统
CN117274180A (zh) * 2023-09-13 2023-12-22 广州诺芯软件科技有限公司 应用于产品质量评估模型的数据处理方法及系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006004411B4 (de) * 2006-01-31 2017-11-09 Globalfoundries Inc. Verfahren und System für die Messdatenbewertung in der Halbleiterbearbeitung durch auf Korrelation basierende Datenfilterung
US11205119B2 (en) 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
JP6453805B2 (ja) * 2016-04-25 2019-01-16 ファナック株式会社 製品の異常に関連する変数の判定値を設定する生産システム
JP6542738B2 (ja) * 2016-10-12 2019-07-10 ファナック株式会社 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US11517197B2 (en) * 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
CN108171707A (zh) * 2018-01-23 2018-06-15 武汉精测电子集团股份有限公司 一种基于深度学习的Mura缺陷等级评判方法及装置
CN108416370B (zh) * 2018-02-07 2022-03-22 深圳大学 基于半监督深度学习的图像分类方法、装置和存储介质
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US10672588B1 (en) * 2018-11-15 2020-06-02 Kla-Tencor Corporation Using deep learning based defect detection and classification schemes for pixel level image quantification
WO2020106725A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning
CN113366390B (zh) * 2019-01-29 2024-02-20 Asml荷兰有限公司 半导体制造过程中的决定方法
JP7282195B2 (ja) * 2019-03-05 2023-05-26 シーメンス インダストリー ソフトウェア インコーポレイテッド 組み込みソフトウェアアプリケーションのための機械学習ベースの異常検出
US10956789B2 (en) * 2019-03-28 2021-03-23 Intel Corporation Systems, methods, and apparatus to improve computing system utilization
JP2020182172A (ja) * 2019-04-26 2020-11-05 ソニー株式会社 データ処理システム、データ処理方法、プログラム、センサ装置および受信装置
US11308396B2 (en) * 2019-06-27 2022-04-19 Amazon Technologies, Inc. Neural network layer-by-layer debugging

Also Published As

Publication number Publication date
CN113066044A (zh) 2021-07-02
US20210209418A1 (en) 2021-07-08
US11449711B2 (en) 2022-09-20
CN113066044B (zh) 2023-12-26
TW202127370A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
KR20210087874A (ko) 시편의 기계 학습 기반 결함 검출
CN110945528B (zh) 产生可用于检查半导体样品的训练集的方法及其系统
US11199506B2 (en) Generating a training set usable for examination of a semiconductor specimen
US11568531B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
US11686689B2 (en) Automatic optimization of an examination recipe
CN109598698B (zh) 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
CN115023731A (zh) 半导体样本的检查
KR102360769B1 (ko) 시편의 검사를 위한 알고리즘 모듈들의 자동 선택
TWI834916B (zh) 基於機器學習的取樣缺陷檢測
KR20230140394A (ko) 반도체 시편의 기계 학습 기반 검사 및 그의 훈련
CN113947561A (zh) 半导体样本的图像分割

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal