KR20210138116A - 반도체 응용 분야를 위한 학습 가능한 결함 검출 - Google Patents
반도체 응용 분야를 위한 학습 가능한 결함 검출 Download PDFInfo
- Publication number
- KR20210138116A KR20210138116A KR1020217035943A KR20217035943A KR20210138116A KR 20210138116 A KR20210138116 A KR 20210138116A KR 1020217035943 A KR1020217035943 A KR 1020217035943A KR 20217035943 A KR20217035943 A KR 20217035943A KR 20210138116 A KR20210138116 A KR 20210138116A
- Authority
- KR
- South Korea
- Prior art keywords
- sample
- images
- reference image
- test
- latent space
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 300
- 238000001514 detection method Methods 0.000 title claims abstract description 269
- 239000004065 semiconductor Substances 0.000 title abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 215
- 238000000034 method Methods 0.000 claims abstract description 105
- 238000003384 imaging method Methods 0.000 claims description 139
- 238000013461 design Methods 0.000 claims description 85
- 238000013135 deep learning Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 42
- 238000010894 electron beam technology Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000001900 extreme ultraviolet lithography Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012797 qualification Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 description 32
- 230000003287 optical effect Effects 0.000 description 31
- 238000013527 convolutional neural network Methods 0.000 description 29
- 235000012431 wafers Nutrition 0.000 description 22
- 238000005286 illumination Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000002950 deficient Effects 0.000 description 11
- 230000035945 sensitivity Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000012552 review Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000012634 optical imaging Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000010884 ion-beam technique Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 101001130226 Homo sapiens Phosphatidylcholine-sterol acyltransferase Proteins 0.000 description 2
- 102100031538 Phosphatidylcholine-sterol acyltransferase Human genes 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001433 helium-ion microscopy Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000212384 Bifora Species 0.000 description 1
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- G—PHYSICS
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
- H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
-
- 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)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
반도체 응용 분야를 위한 학습 가능한 결함 검출을 위한 방법들 및 시스템들이 제공된다. 일 시스템은 시료에 대한 테스트 이미지 및 대응하는 참조 이미지를 잠재 공간으로 투영하고, 테스트 이미지의 하나 이상의 상이한 부분과 대응하는 참조 이미지의 대응하는 부분(들) 사이의 잠재 공간에서의 거리를 결정하며, 결정된 거리들에 기초하여 테스트 이미지의 하나 이상의 상이한 부분에서의 결함들을 검출하도록 구성된 딥 메트릭 러닝 결함 검출 모델을 포함한다. 다른 시스템은 시료에 대한 하나 이상의 테스트 이미지로부터 노이즈를 제거하여 이에 의해 하나 이상의 테스트 이미지에 대응하는 하나 이상의 참조 이미지를 생성하도록 구성된 학습 가능한 로우 랭크 참조 이미지 생성기를 포함한다.
Description
본 발명은 일반적으로 반도체 응용 분야를 위한 학습 가능한 결함 검출을 위한 방법들 및 시스템들에 관한 것이다. 특정 실시예들은 딥 메트릭 러닝(deep metric learning) 결함 검출 모델 및/또는 학습 가능한 로우 랭크 참조 이미지(learnable low-rank reference image) 생성기를 사용하여 시료 상의 결함들을 검출하기 위한 시스템들 및 방법들에 관한 것이다.
이하의 설명 및 예들은 이 섹션에 포함되어 있는 것으로 인해 종래 기술인 것으로 인정되지 않는다.
로직 및 메모리 디바이스들과 같은 반도체 디바이스들을 제조하는 것은 전형적으로 반도체 디바이스들의 다양한 피처들 및 다수의 레벨들을 형성하기 위해 많은 수의 반도체 제조 프로세스들을 사용하여 반도체 웨이퍼와 같은 기판을 프로세싱하는 것을 포함한다. 예를 들어, 리소그래피는 레티클로부터의 패턴을 반도체 웨이퍼 상에 배열된 레지스트에 전사하는 것을 수반하는 반도체 제조 프로세스이다. 반도체 제조 프로세스들의 추가적인 예들은 화학적 기계적 폴리싱(CMP), 에칭, 퇴적, 및 이온 주입을 포함하지만, 이에 제한되지 않는다. 다수의 반도체 디바이스들이 단일 반도체 웨이퍼 상에 일정 배열로 제조되고 이어서 개별 반도체 디바이스들로 분리될 수 있다.
검사 프로세스들은 제조 프로세스에서의 보다 높은 수율 그리고 따라서 보다 높은 수익을 유도하기 위해 반도체 제조 프로세스 동안 다양한 단계들에서 웨이퍼들 상의 결함들을 검출하는 데 사용된다. 검사는 항상 반도체 디바이스들을 제조하는 것의 중요한 부분이었다. 그렇지만, 반도체 디바이스들의 치수가 감소함에 따라, 검사가 용인 가능한 반도체 디바이스들의 성공적인 제조에 더욱 더 중요하게 되는데, 그 이유는 보다 작은 결함들이 디바이스들의 고장을 야기할 수 있기 때문이다.
대부분의 검사 방법들은 두 가지 주요 단계, 즉, 참조 이미지를 생성하는 단계 및 이에 뒤이은 결함 검출을 수행하는 단계를 포함한다. 각각의 단계를 수행하는 많은 상이한 방식들이 있다. 예를 들어, 참조 이미지는 다수의 이미지들의 중앙값(median) 또는 평균을 결정하는 것에 의해 생성될 수 있다. 다른 예에서, 참조 이미지는 로우 랭크 근사(low-rank approximation)에 기초하여 구성된 참조 및 대안들일 수 있다. 결함 검출이 또한 다수의 상이한 방식들로 수행될 수 있다. 예를 들어, 감산 기반 검출 알고리즘(subtraction-based detection algorithm)(예를 들면, MDAT, LCAT 등)을 사용하여 결함 검출이 비지도 방식(unsupervised)일 수 있다. 대안적으로, 픽셀 레벨 검출 알고리즘(예를 들면, 딥 러닝(DL) 모델 및 전자 빔 이미지들을 사용하여 수행되는 단일 이미지 검출)을 사용하여 결함 검출이 지도 방식(supervised)일 수 있다.
그렇지만, 현재 사용되는 다양한 결함 검출 방법들에 대한 다수의 단점들이 있다. 예를 들어, 로우 랭크 근사에 기초하여 구성된 참조 및 대안들이 이 문제를 부분적으로 해결하지만, 중앙값 또는 평균을 계산하는 것에 의해 참조 이미지를 생성하는 것은 일반적으로 다이 간 프로세스 변동(die-to-die process variation)을 처리하는 데 불충분하다. 그렇지만, 구성된 참조 및 대안들은 웨이퍼 상의 서브영역들에 대해 잠재적으로 비효과적이며 어쩌면 결함 신호들을 파괴할 수 있다. 현재 사용되는 비지도 방식 결함 검출 방법들은 불리한데 그 이유는 검출이 참조 이미지들과 테스트 이미지들의 품질에 의존하기 때문이다. 그러한 비지도 방식 결함 검출 방법들은 또한 목표 결함 유형들 또는 상대적으로 작은 결함들에 대한 감도 향상에 대한 선택성을 제공하지 않는다. 지도 방식 결함 검출 방법들은 트레이닝을 위해 많은 라벨링된 결함 후보들을 필요로 하며, 이는 실제로 레시피 셋업에 시간이 많이 걸릴 수 있다.
그에 따라, 위에서 기술된 단점들 중 하나 이상을 갖지 않는 반도체 응용 분야를 위한 학습 가능한 결함 검출을 위한 시스템들 및 방법들을 개발하는 것이 유리할 것이다.
다양한 실시예들에 대한 이하의 설명은 첨부된 청구범위의 주제를 제한하는 것으로 결코 해석되지 않아야 한다.
일 실시예는 시료 상의 결함들을 검출하도록 구성된 시스템에 관한 것이다. 이 시스템은 하나 이상의 컴퓨터 시스템 및 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트를 포함한다. 하나 이상의 컴포넌트는 시료에 대해 생성된 테스트 이미지 및 대응하는 참조 이미지를 잠재 공간(latent space)으로 투영하도록 구성된 딥 메트릭 러닝(DML) 결함 검출 모델을 포함한다. 테스트 이미지의 하나 이상의 상이한 부분에 대해, DML 결함 검출 모델은 또한 하나 이상의 상이한 부분과 대응하는 참조 이미지의 대응하는 하나 이상의 부분 사이의 잠재 공간에서의 거리를 결정하도록 구성된다. 추가적으로, DML 결함 검출 모델은 테스트 이미지의 하나 이상의 상이한 부분에 대해 결정되는 거리에 기초하여 테스트 이미지의 하나 이상의 상이한 부분에서의 결함들을 검출하도록 구성된다. 이 시스템은 본 명세서에 기술된 바와 같이 또한 구성될 수 있다.
다른 실시예는 시료 상의 결함들을 검출하기 위한 컴퓨터 구현 방법에 관한 것이다. 이 방법은 시료에 대해 생성된 테스트 이미지 및 대응하는 참조 이미지를 잠재 공간으로 투영하는 단계를 포함한다. 이 방법은, 테스트 이미지의 하나 이상의 상이한 부분에 대해, 이 하나 이상의 상이한 부분과 대응하는 참조 이미지의 대응하는 하나 이상의 부분 사이의 잠재 공간에서의 거리를 결정하는 단계를 또한 포함한다. 추가적으로, 이 방법은 테스트 이미지의 하나 이상의 상이한 부분에 대해, 제각기, 결정되는 거리에 기초하여 테스트 이미지의 하나 이상의 상이한 부분에서의 결함들을 검출하는 단계를 포함한다. 투영하는 단계, 결정하는 단계, 및 검출하는 단계는 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트에 포함되는 DML 결함 검출 모델에 의해 수행된다.
위에서 기술된 방법의 단계들 각각이 본 명세서에 기술된 바와 같이 또한 수행될 수 있다. 추가적으로, 위에서 기술된 방법의 실시예는 본 명세서에 기술된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다. 게다가, 위에서 기술된 방법은 본 명세서에 기술된 시스템들 중 임의의 것에 의해 수행될 수 있다.
추가적인 실시예는 시료 상의 결함들을 검출하기 위한 컴퓨터 구현 방법을 수행하기 위한, 하나 이상의 컴퓨터 시스템에서 실행 가능한 프로그램 명령어들을 저장한 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 컴퓨터 구현 방법은 위에서 기술된 방법의 단계들을 포함한다. 컴퓨터 판독 가능 매체는 본 명세서에 기술된 바와 같이 또한 구성될 수 있다. 컴퓨터 구현 방법의 단계들은 본 명세서에 더 기술된 바와 같이 수행될 수 있다. 추가적으로, 프로그램 명령어들이 실행 가능한 컴퓨터 구현 방법은 본 명세서에 기술된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다.
추가의 실시예는 시료에 대한 참조 이미지를 생성하도록 구성된 시스템에 관한 것이다. 이 시스템은 하나 이상의 컴퓨터 시스템 및 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트를 포함한다. 하나 이상의 컴포넌트는 로우 랭크 참조 이미지 생성기를 포함한다. 하나 이상의 컴퓨터 시스템은 시료에 대한 하나 이상의 테스트 이미지를 학습 가능한 로우 랭크 참조 이미지 생성기에 입력하도록 구성된다. 시료에 대한 설계에서의 동일한 위치에 대응하는 시료 상의 상이한 위치들에 대한 하나 이상의 테스트 이미지가 생성된다. 학습 가능한 로우 랭크 참조 이미지 생성기는 하나 이상의 테스트 이미지로부터 노이즈를 제거하여 이에 의해 하나 이상의 테스트 이미지에 대응하는 하나 이상의 참조 이미지를 생성하도록 구성된다. 결함 검출 컴포넌트가 하나 이상의 테스트 이미지 및 그의 대응하는 하나 이상의 참조 이미지에 기초하여 시료 상의 결함들을 검출한다. 이 시스템은 본 명세서에 기술된 바와 같이 또한 구성될 수 있다.
다른 실시예는 시료에 대한 참조 이미지를 생성하기 위한 컴퓨터 구현 방법에 관한 것이다. 이 방법은 시료에 대한 하나 이상의 테스트 이미지를 학습 가능한 로우 랭크 참조 이미지 생성기에 입력하는 단계를 포함한다. 학습 가능한 로우 랭크 참조 이미지 생성기는 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트에 포함된다. 시료에 대한 설계에서의 동일한 위치에 대응하는 시료 상의 상이한 위치들에 대한 하나 이상의 테스트 이미지가 생성된다. 학습 가능한 로우 랭크 참조 이미지 생성기는 하나 이상의 테스트 이미지로부터 노이즈를 제거하여 이에 의해 하나 이상의 테스트 이미지에 대응하는 하나 이상의 참조 이미지를 생성하도록 구성된다. 결함 검출 컴포넌트가 하나 이상의 테스트 이미지 및 그의 대응하는 하나 이상의 참조 이미지에 기초하여 시료 상의 결함들을 검출한다.
위에서 기술된 방법의 단계들 각각이 본 명세서에 기술된 바와 같이 또한 수행될 수 있다. 추가적으로, 위에서 기술된 방법의 실시예는 본 명세서에 기술된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다. 게다가, 위에서 기술된 방법은 본 명세서에 기술된 시스템들 중 임의의 것에 의해 수행될 수 있다.
추가적인 실시예는 시료에 대한 참조 이미지를 생성하기 위한 컴퓨터 구현 방법을 수행하기 위한, 하나 이상의 컴퓨터 시스템에서 실행 가능한 프로그램 명령어들을 저장한 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 컴퓨터 구현 방법은 위에서 기술된 방법의 단계들을 포함한다. 컴퓨터 판독 가능 매체는 본 명세서에 기술된 바와 같이 또한 구성될 수 있다. 컴퓨터 구현 방법의 단계들은 본 명세서에 더 기술된 바와 같이 수행될 수 있다. 추가적으로, 프로그램 명령어들이 실행 가능한 컴퓨터 구현 방법은 본 명세서에 기술된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다.
본 발명의 추가의 장점들은 바람직한 실시예들에 대한 이하의 상세한 설명 덕분에 그리고 첨부 도면을 참조하면 본 기술 분야의 통상의 기술자에게 명백해질 것이다.
도 1 및 도 1a는 본 명세서에서 기술된 바와 같이 구성된 시스템의 실시예들의 측면도들을 예시하는 개략 다이어그램들이다;
도 2 및 도 3은 본 명세서에 기술된 하나 이상의 컴포넌트에 대해 사용될 수 있는 네트워크 아키텍처들의 실시예들을 예시하는 개략도들이다; 그리고
도 4는 컴퓨터 시스템(들)으로 하여금 본 명세서에 기술된 컴퓨터 구현 방법을 수행하게 하기 위한 프로그램 명령어들을 저장한 비일시적 컴퓨터 판독 가능 매체의 일 실시예를 예시하는 블록 다이어그램이다.
본 발명은 다양한 수정들 및 대안의 형태들을 허용하지만, 그의 특정 실시예들이 도면들에 예로서 도시되고, 본 명세서에 상세하게 기술된다. 도면들이 일정 축척으로 되어 있지 않을 수 있다. 그렇지만, 도면들 및 이에 대한 상세한 설명이 본 발명을 개시된 특정의 형태로 제한하는 것으로 의도되지 않으며, 반대로, 의도는 첨부된 청구범위에 의해 한정되는 바와 같은 본 발명의 사상 및 범위 내에 속하는 모든 수정들, 등가물들 및 대안들을 포함하는 것임이 이해되어야 한다.
도 1 및 도 1a는 본 명세서에서 기술된 바와 같이 구성된 시스템의 실시예들의 측면도들을 예시하는 개략 다이어그램들이다;
도 2 및 도 3은 본 명세서에 기술된 하나 이상의 컴포넌트에 대해 사용될 수 있는 네트워크 아키텍처들의 실시예들을 예시하는 개략도들이다; 그리고
도 4는 컴퓨터 시스템(들)으로 하여금 본 명세서에 기술된 컴퓨터 구현 방법을 수행하게 하기 위한 프로그램 명령어들을 저장한 비일시적 컴퓨터 판독 가능 매체의 일 실시예를 예시하는 블록 다이어그램이다.
본 발명은 다양한 수정들 및 대안의 형태들을 허용하지만, 그의 특정 실시예들이 도면들에 예로서 도시되고, 본 명세서에 상세하게 기술된다. 도면들이 일정 축척으로 되어 있지 않을 수 있다. 그렇지만, 도면들 및 이에 대한 상세한 설명이 본 발명을 개시된 특정의 형태로 제한하는 것으로 의도되지 않으며, 반대로, 의도는 첨부된 청구범위에 의해 한정되는 바와 같은 본 발명의 사상 및 범위 내에 속하는 모든 수정들, 등가물들 및 대안들을 포함하는 것임이 이해되어야 한다.
이제 도면을 살펴보면, 도면들이 일정한 축척으로 그려져 있지 않음에 유의한다. 특히, 도면들의 요소들 중 일부의 스케일은 요소들의 특성들을 강조하기 위해 크게 과장되어 있다. 도면들이 동일한 축척으로 그려져 있지 않음에 또한 유의한다. 유사하게 구성될 수 있는 하나 초과의 도면에 도시된 요소들은 동일한 참조 번호들을 사용하여 표시되었다. 본 명세서에 달리 언급되지 않는 한, 기술되고 도시된 요소들 중 임의의 것은 임의의 적합한 상업적으로 이용 가능한 요소들을 포함할 수 있다.
일 실시예는 시료 상의 결함들을 검출하도록 구성된 시스템에 관한 것이다. 본 명세서에 기술된 실시예들은 일반적으로 광학 검사 도구들과 같은 도구들에 대한 딥 러닝(DL) 및 머신 러닝(ML) 기반 결함 검출 방법론들에 관한 것이다. 일부 실시예들은 일반적으로 반도체 검사 및 계측 응용 분야를 위한 학습 가능한 로우 랭크 결함 검출을 위해 구성된다.
본 명세서에 기술된 시스템들은 적어도 에너지 소스 및 검출기를 포함하는 이미징 시스템을 포함할 수 있다. 에너지 소스는 시료로 지향되는 에너지를 생성하도록 구성된다. 검출기는 시료로부터의 에너지를 검출하고 검출된 에너지에 응답하여 이미지들을 생성하도록 구성된다. 일 실시예에서, 이미징 시스템은 광학 이미징 시스템으로서 구성된다. 그러한 이미징 시스템의 일 실시예가 도 1에 도시되어 있다.
일 실시예에서, 시료는 웨이퍼이다. 웨이퍼는 반도체 기술 분야에서 알려진 임의의 웨이퍼를 포함할 수 있다. 일부 실시예들이 웨이퍼 또는 웨이퍼들과 관련하여 본 명세서에 기술될 수 있지만, 실시예들이 웨이퍼들이 사용될 수 있는 시료에 제한되지 않는다. 예를 들어, 본 명세서에 기술된 실시예들은 레티클, 평면 패널, 개인용 컴퓨터(PC) 보드 및 다른 반도체 시료와 같은 시료들에 대해 사용될 수 있다. 다른 실시예에서, 시료는 레티클이다. 레티클은 본 기술 분야에서 알려진 임의의 레티클을 포함할 수 있다.
도 1에 도시된 이미징 시스템은 광을 시료로 지향시키거나 광을 시료에 걸쳐 스캔하고 시료로부터의 광을 검출하는 것에 의해 광학 이미지를 생성한다. 도 1에 도시된 시스템의 실시예에서, 이미징 시스템(10)은 광을 시료(14)로 지향시키도록 구성된 조명 서브시스템을 포함한다. 조명 서브시스템은 적어도 하나의 광원을 포함한다. 예를 들어, 도 1에 도시된 바와 같이, 조명 서브시스템은 광원(16)을 포함한다. 조명 서브시스템은 하나 이상의 입사각으로 광을 시료로 지향시키도록 구성되는데, 하나 이상의 입사각은 하나 이상의 경사각(oblique angle) 및/또는 하나 이상의 수직각(normal angle)을 포함할 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 광원(16)으로부터의 광은 경사 입사각(oblique angle of incidence)으로 광학 요소(18) 그리고 이어서 렌즈(20)를 통해 시료(14)로 지향된다. 경사 입사각은, 예를 들어, 시료의 특성들에 따라 달라질 수 있는, 임의의 적합한 경사 입사각을 포함할 수 있다.
이미징 시스템은 상이한 시간들에 상이한 입사각들로 광을 시료로 지향시키도록 구성될 수 있다. 예를 들어, 광이 도 1에 도시된 것과 상이한 입사각으로 시료로 지향될 수 있도록, 이미징 시스템은 조명 서브시스템의 하나 이상의 요소의 하나 이상의 특성을 변경하도록 구성될 수 있다. 하나의 그러한 예에서, 광이 상이한 경사 입사각 또는 수직(또는 거의 수직) 입사각으로 시료로 지향되도록, 이미징 시스템은 광원(16), 광학 요소(18), 및 렌즈(20)를 이동시키도록 구성될 수 있다.
일부 경우에, 이미징 시스템은 동시에 하나 초과의 입사각으로 광을 시료로 지향시키도록 구성될 수 있다. 예를 들어, 조명 서브시스템은 하나 초과의 조명 채널을 포함할 수 있고, 조명 채널들 중 하나는 도 1에 도시된 바와 같은 광원(16), 광학 요소(18), 및 렌즈(20)를 포함할 수 있으며, 조명 채널들 중 다른 것(도시되지 않음)은, 상이하게 또는 동일하게 구성될 수 있는, 유사한 요소들을 포함할 수 있거나, 또는 적어도 광원 및 어쩌면 본 명세서에 더 설명되는 것들과 같은 하나 이상의 다른 컴포넌트를 포함할 수 있다. 그러한 광이 다른 광과 동시에 시료로 지향되는 경우, 상이한 입사각들로 시료를 조명하는 것으로부터 결과되는 광이 검출기(들)에서 서로 구별될 수 있도록, 상이한 입사각들로 시료로 지향되는 광의 하나 이상의 특성(예를 들면, 파장, 편광 등)이 상이할 수 있다.
다른 예에서, 조명 서브시스템은 단 하나의 광원(예를 들면, 도 1에 도시된 광원(16))을 포함할 수 있고, 광원으로부터의 광은 조명 서브시스템의 하나 이상의 광학 요소(도시되지 않음)에 의해 (예를 들면, 파장, 편광 등에 기초하여) 상이한 광학 경로들로 분리될 수 있다. 상이한 광학 경로들 각각에서의 광은 이어서 시료로 지향될 수 있다. 다수의 조명 채널들은 동시에 또는 상이한 시간들에(예컨대, 시료를 순차적으로 조명하기 위해 상이한 조명 채널들이 사용될 때) 광을 시료로 지향시키도록 구성될 수 있다. 다른 예에서, 동일한 조명 채널이 상이한 시간들에 상이한 특성들을 갖는 광을 시료로 지향시키도록 구성될 수 있다. 예를 들어, 광학 요소(18)는 스펙트럼 필터로서 구성될 수 있고, 상이한 시간들에 상이한 파장들의 광이 시료로 지향될 수 있도록, 스펙트럼 필터의 속성들이 다양한 상이한 방식들로(예를 들면, 스펙트럼 필터를 교체하는 것에 의해) 변경될 수 있다. 조명 서브시스템은 상이한 또는 동일한 특성들을 갖는 광을 상이한 또는 동일한 입사각들로 순차적으로 또는 동시에 시료로 지향시키기 위한 본 기술 분야에서 알려진 임의의 다른 적합한 구성을 가질 수 있다.
일 실시예에서, 광원(16)은 광대역 플라스마(broadband plasma, BBP) 광원이다. 이러한 방식으로, 광원에 의해 생성되어 시료로 지향되는 광은 광대역 광을 포함할 수 있다. 그렇지만, 광원은 임의의 적합한 파장(들)에서 광을 생성하도록 구성된 본 기술 분야에서 알려진 임의의 적합한 레이저와 같은 임의의 다른 적합한 광원을 포함할 수 있다. 추가적으로, 레이저는 단색(monochromatic) 또는 거의 단색(nearly-monochromatic)인 광을 생성하도록 구성될 수 있다. 이러한 방식으로, 레이저는 협대역 레이저일 수 있다. 광원은 다수의 개별 파장들 또는 파장 대역들(wavebands)에서 광을 생성하는 다색 광원(polychromatic light source)을 또한 포함할 수 있다.
광학 요소(18)로부터의 광은 렌즈(20)에 의해 시료(14) 상으로 집속될 수 있다. 렌즈(20)가 단일 굴절 광학 요소로서 도 1에 도시되어 있지만, 실제로, 렌즈(20)가 다수의 굴절 및/또는 반사 광학 요소들을 포함할 수 있고 이들이 조합하여 광학 요소로부터의 광을 시료로 집속시킨다는 것이 이해될 것이다. 조명 서브시스템은 임의의 다른 적합한 광학 요소들(도시되지 않음)을 포함할 수 있다. 그러한 광학 요소들의 예들은, 본 기술 분야에서 알려진 임의의 그러한 적합한 광학 요소들을 포함할 수 있는, 편광 컴포넌트(들), 스펙트럼 필터(들), 공간 필터(들), 반사 광학 요소(들), 아포다이저(apodizer)(들), 빔 스플리터(beam splitter)(들), 개구(aperture)(들) 등을 포함하지만, 이에 제한되지 않는다. 추가적으로, 이미징 시스템은 이미징에 사용될 조명 유형에 기초하여 조명 서브시스템의 요소들 중 하나 이상을 변경하도록 구성될 수 있다.
이미징 시스템은 광이 시료에 걸쳐 스캔되게 하도록 구성된 스캐닝 서브시스템을 또한 포함할 수 있다. 예를 들어, 이미징 시스템은 이미징 동안 시료(14)가 배치되는 스테이지(22)를 포함할 수 있다. 스캐닝 서브시스템은 광이 시료에 걸쳐 스캔될 수 있도록 시료를 이동시키도록 구성될 수 있는 (스테이지(22)를 포함하는) 임의의 적합한 기계 및/또는 로봇 어셈블리를 포함할 수 있다. 추가적으로 또는 대안적으로, 이미징 시스템은 이미징 시스템의 하나 이상의 광학 요소가 시료에서 광의 어떤 스캐닝을 수행하도록 구성될 수 있다. 광은 임의의 적합한 방식으로, 예컨대, 사행형(serpentine-like) 경로로 또는 나선형 경로로 시료에 걸쳐 스캔될 수 있다.
이미징 시스템은 하나 이상의 검출 채널을 더 포함한다. 하나 이상의 검출 채널 중 적어도 하나는 시료를 조명한 것으로 인한 시료로부터의 광을 검출하도록 그리고 검출된 광에 대한 응답으로 출력을 생성하도록 구성된 검출기를 포함한다. 예를 들어, 도 1에 도시된 이미징 시스템은 2 개의 검출 채널을 포함하며, 하나는 집광기(collector)(24), 요소(26), 및 검출기(28)에 의해 형성되고, 다른 하나는 집광기(30), 요소(32), 및 검출기(34)에 의해 형성된다. 도 1에 도시된 바와 같이, 2 개의 검출 채널은 상이한 집광 각도들에서 광을 집광 및 검출하도록 구성된다. 일부 경우에, 양쪽 검출 채널은 산란 광을 검출하도록 구성되고, 검출 채널들은 시료로부터 상이한 각도들로 산란되는 광을 검출하도록 구성된다. 그렇지만, 검출 채널들 중 하나 이상은 시료로부터의 다른 유형의 광(예를 들면, 반사 광)을 검출하도록 구성될 수 있다.
도 1에 더 도시된 바와 같이, 양쪽 검출 채널이 지면(paper)의 평면 내에 위치된 것으로 도시되고, 조명 서브시스템이 또한 지면의 평면 내에 위치된 것으로 도시되어 있다. 따라서, 이 실시예에서, 양쪽 검출 채널은 입사 평면 내에 위치된다(예를 들면, 입사 평면에 중심을 두고 있다). 그렇지만, 검출 채널들 중 하나 이상이 입사 평면 밖에 위치될 수 있다. 예를 들어, 집광기(30), 요소(32), 및 검출기(34)에 의해 형성되는 검출 채널은 입사 평면 밖으로 산란되는 광을 집광 및 검출하도록 구성될 수 있다. 따라서, 그러한 검출 채널은 통상적으로 "사이드(side)" 채널이라고 지칭될 수 있고, 그러한 사이드 채널은 입사 평면에 실질적으로 수직인 평면에 중심을 두고 있을 수 있다.
도 1은 2 개의 검출 채널을 포함하는 이미징 시스템의 실시예를 도시하지만, 이미징 시스템은 상이한 수의 검출 채널들(예를 들면, 단 하나의 검출 채널 또는 2 개 이상의 검출 채널)을 포함할 수 있다. 하나의 그러한 예에서, 집광기(30), 요소(32), 및 검출기(34)에 의해 형성되는 검출 채널은 위에서 기술된 바와 같이 하나의 사이드 채널을 형성할 수 있고, 이미징 시스템은 입사 평면의 반대편 측면에 위치되는 다른 사이드 채널로서 추가적인 검출 채널(도시되지 않음)을 포함할 수 있다. 따라서, 이미징 시스템은 검출 채널을 포함할 수 있으며, 이 검출 채널은 집광기(24), 요소(26), 및 검출기(28)를 포함하고 입사 평면에 중심을 두고 있으며 시료 표면에 수직이거나 거의 수직인 산란각(들)에서 광을 집광 및 검출하도록 구성된다. 따라서 이 검출 채널은 통상적으로 "톱(top)" 채널이라고 지칭될 수 있고, 이미징 시스템은 위에서 기술된 바와 같이 구성된 2 개 이상의 사이드 채널을 또한 포함할 수 있다. 이에 따라, 이미징 시스템은 적어도 3 개의 채널(즉, 하나의 톱 채널 및 2 개의 사이드 채널)을 포함할 수 있고, 적어도 3 개의 채널 각각은 그 자신의 집광기를 가지며, 이 집광기들 각각은 다른 집광기들 각각과 상이한 산란각들에서 광을 집광하도록 구성된다.
위에서 더 기술된 바와 같이, 이미징 시스템에 포함된 검출 채널들 각각은 산란 광을 검출하도록 구성될 수 있다. 따라서 도 1에 도시된 이미징 시스템은 시료들의 암시야(dark field, DF) 이미징을 위해 구성될 수 있다. 그렇지만, 이미징 시스템은 시료들의 명시야(bright field, BF) 이미징을 위해 구성된 검출 채널(들)을 또한 또는 대안적으로 포함할 수 있다. 환언하면, 이미징 시스템은 시료로부터 경면 반사되는(specularly reflected) 광을 검출하도록 구성되는 적어도 하나의 검출 채널을 포함할 수 있다. 따라서, 본 명세서에 기술된 이미징들은 DF 이미징만, BF 이미징만, 또는 DF 이미징과 BF 이미징 둘 모두를 위해 구성될 수 있다. 집광기들 각각이 단일 굴절 광학 요소들로서 도 1에 도시되어 있지만, 집광기들 각각이 하나 이상의 굴절 광학 요소(들) 및/또는 하나 이상의 반사 광학 요소(들)를 포함할 수 있음이 이해될 것이다.
하나 이상의 검출기는 광 증배관(photo-multiplier tube, PMT), 전하 결합 디바이스(charge coupled device, CCD), 시간 지연 적분(time delay integration, TDI) 카메라, 및 본 기술 분야에서 알려진 임의의 다른 적합한 검출기들을 포함할 수 있다. 검출기들은 비-이미징(non-imaging) 검출기들 또는 이미징 검출기들을 또한 포함할 수 있다. 검출기들이 비-이미징 검출기들인 경우, 검출기들 각각은 강도(intensity)와 같은 산란 광의 특정 특성들을 검출하도록 구성될 수 있지만, 그러한 특성들을 이미징 평면 내에서의 위치의 함수로서 검출하도록 구성되지 않을 수 있다. 이에 따라, 검출기들 각각에 의해 생성되는 출력은 신호들 또는 데이터일 수 있지만, 이미지 신호들 또는 이미지 데이터가 아닐 수 있다. 그러한 경우에, 컴퓨터 서브시스템(36)과 같은 컴퓨터 서브시스템은 검출기들의 비-이미징 출력으로부터 시료의 이미지들을 생성하도록 구성될 수 있다. 그렇지만, 다른 경우에, 검출기들은 이미징 신호들 또는 이미지 데이터를 생성하도록 구성되는 이미징 검출기들로서 구성될 수 있다. 따라서, 이미징 시스템은 다수의 방식들로 본 명세서에 기술된 이미지들을 생성하도록 구성될 수 있다.
도 1이 본 명세서에 기술된 시스템 실시예들에 포함될 수 있는 또는 본 명세서에 기술된 시스템 실시예들에 의해 사용되는 이미지들을 생성할 수 있는 광학 이미징 시스템의 구성을 전반적으로 예시하기 위해 본 명세서에 제공된다는 점에 유의한다. 분명하게도, 본 명세서에 기술된 광학 이미징 시스템 구성은 상용 이미징 시스템을 설계할 때 통상적으로 수행되는 바와 같이 이 시스템의 성능을 최적화하도록 변경될 수 있다. 추가적으로, 본 명세서에 기술된 시스템들은 캘리포니아주 밀피타스 소재의 KLA로부터 상업적으로 이용 가능한 29xx/39xx 시리즈의 도구들과 같은 기존의 시스템을 사용하여(예를 들면, 본 명세서에 기술된 기능성을 기존의 시스템에 추가하는 것에 의해) 구현될 수 있다. 일부 그러한 시스템들의 경우, 본 명세서에 기술된 실시예들이 그 시스템의 선택적인 기능성으로서(예를 들면, 그 시스템의 다른 기능성에 추가하여) 제공될 수 있다. 대안적으로, 본 명세서에 기술된 광학 이미징 시스템이 완전히 새로운 광학 이미징 시스템을 제공하도록 "처음부터" 설계될 수 있다.
컴퓨터 서브시스템이 시료에 대해 검출기들에 의해 생성되는 출력을 수신할 수 있도록, 컴퓨터 서브시스템(36)은 임의의 적합한 방식으로(예를 들면, "유선" 및/또는 "무선" 전송 매체들을 포함할 수 있는, 하나 이상의 전송 매체를 통해) 이미징 시스템의 검출기들에 결합될 수 있다. 컴퓨터 서브시스템(36)은 검출기들의 출력을 사용하여 본 명세서에 더 기술되는 다수의 기능들을 수행하도록 구성될 수 있다.
이 시스템은, 상이하게 또는 동일하게 구성될 수 있는, 하나 초과의 컴퓨터 서브시스템(예를 들면, 도 1에 도시된 컴퓨터 서브시스템(36) 및 컴퓨터 서브시스템(들)(102))을 또한 포함할 수 있다. 도 1에 도시된 컴퓨터 서브시스템들(은 물론 본 명세서에 기술된 다른 컴퓨터 서브시스템들)은 컴퓨터 시스템(들)이라고도 지칭될 수 있다. 컴퓨터 서브시스템(들) 또는 시스템(들) 각각은, 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 기기, 인터넷 기기, 또는 다른 디바이스를 포함하여, 다양한 형태들을 취할 수 있다. 일반적으로, "컴퓨터 시스템"이라는 용어는, 메모리 매체로부터의 명령어들을 실행하는, 하나 이상의 프로세서를 갖는 임의의 디바이스를 포괄하도록 광의적으로 정의될 수 있다. 컴퓨터 서브시스템(들) 또는 시스템(들)은 병렬 프로세서와 같은 본 기술 분야에서 알려진 임의의 적합한 프로세서를 또한 포함할 수 있다. 추가적으로, 컴퓨터 서브시스템(들) 또는 시스템(들)은 고속 프로세싱 및 소프트웨어를 갖는 컴퓨터 플랫폼을, 독립형(standalone) 도구 또는 네트워크화된(networked) 도구 중 어느 하나로서, 포함할 수 있다.
이 시스템이 하나 초과의 컴퓨터 서브시스템을 포함하는 경우, 본 명세서에 더 기술된 바와 같이 이미지들, 데이터, 정보, 명령어들 등이 컴퓨터 서브시스템들 사이에서 송신될 수 있도록 상이한 컴퓨터 서브시스템들이 서로 결합될 수 있다. 예를 들어, 컴퓨터 서브시스템(36)은, 본 기술 분야에서 알려진 임의의 적합한 유선 및/또는 무선 전송 매체들을 포함할 수 있는, 임의의 적합한 전송 매체들에 의해 도 1에서 파선으로 도시된 바와 같이 컴퓨터 서브시스템(들)(102)에 결합될 수 있다. 그러한 컴퓨터 서브시스템들 중 2 개 이상이 또한 공유 컴퓨터 판독 가능 저장 매체(도시되지 않음)에 의해 사실상 결합될 수 있다.
이미징 시스템이 광학 또는 광 기반 이미징 시스템인 것으로 위에서 기술되어 있지만, 다른 실시예에서, 이미징 시스템은 전자 빔 이미징 시스템으로서 구성된다. 예를 들어, 이 시스템은 시료의 전자 빔 이미지들을 생성하도록 구성된 전자 빔 이미징 시스템을 또한 또는 대안적으로 포함할 수 있다. 전자 빔 이미징 시스템은 전자들을 시료로 지향시키거나 전자들을 시료에 걸쳐 스캔하도록 그리고 시료로부터의 전자들을 검출하도록 구성될 수 있다. 도 1a에 도시된 하나의 그러한 실시예에서, 전자 빔 이미징 시스템은 컴퓨터 서브시스템(124)에 결합된 전자 칼럼(electron column)(122)을 포함한다.
또한 도 1a에 도시된 바와 같이, 전자 칼럼은 하나 이상의 요소(130)에 의해 시료(128)로 집속되는 전자들을 생성하도록 구성된 전자 빔 소스(126)를 포함한다. 전자 빔 소스는, 예를 들어, 캐소드 소스 또는 이미터 팁(emitter tip)을 포함할 수 있고, 하나 이상의 요소(130)는, 예를 들어, 건 렌즈(gun lens), 애노드, 빔 제한 개구(beam limiting aperture), 게이트 밸브(gate valve), 빔 전류 선택 개구(beam current selection aperture), 대물 렌즈, 및 스캐닝 서브시스템을 포함할 수 있으며, 이들 전부는 본 기술 분야에서 알려진 임의의 그러한 적합한 요소들을 포함할 수 있다.
시료로부터 되돌아오는 전자들(예를 들면, 2차 전자들)은 하나 이상의 요소(132)에 의해 검출기(134)로 집속될 수 있다. 하나 이상의 요소(132)는, 예를 들어, 스캐닝 서브시스템을 포함할 수 있으며, 이 스캐닝 서브시스템은 요소(들)(130)에 포함된 동일한 스캐닝 서브시스템일 수 있다.
전자 칼럼은 본 기술 분야에서 알려진 임의의 다른 적합한 요소들을 포함할 수 있다. 추가적으로, 전자 칼럼은 2014년 4월 4일자로 Jiang 등에게 발행된 미국 특허 제8,664,594호, 2014년 4월 8일자로 Kojima 등에게 발행된 미국 특허 제8,692,204호, 2014년 4월 15일자로 Gubbens 등에게 발행된 미국 특허 제8,698,093호, 및 2014년 5월 6일자로 MacDonald 등에게 발행된 미국 특허 제8,716,662호에 기술된 바와 같이 또한 구성될 수 있으며, 이들 미국 특허는 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함된다.
전자 칼럼이 전자들이 경사 입사각으로 시료로 지향되고 다른 경사각으로 시료로부터 산란되도록 구성되는 것으로 도 1a에 도시되어 있지만, 전자 빔이 임의의 적합한 각도들로 시료로 지향되고 시료로부터 산란될 수 있음이 이해될 것이다. 추가적으로, 전자 빔 이미징 시스템은 본 명세서에 더 기술되는 바와 같이(예를 들면, 상이한 조명 각도들, 집광 각도들 등을 사용하여) 시료의 이미지들을 생성하기 위해 다수의 모드들을 사용하도록 구성될 수 있다. 전자 빔 이미징 시스템의 다수의 모드들은 전자 빔 이미징 시스템의 임의의 이미지 생성 파라미터들이 상이할 수 있다.
컴퓨터 서브시스템(124)은 위에서 기술된 바와 같이 검출기(134)에 결합될 수 있다. 검출기는 시료의 표면으로부터 되돌아오는 전자들을 검출하여, 이에 의해 시료의 전자 빔 이미지들을 형성할 수 있다. 전자 빔 이미지들은 임의의 적합한 전자 빔 이미지들을 포함할 수 있다. 컴퓨터 서브시스템(124)은 검출기(134)에 의해 생성되는 출력을 사용하여 시료에 대해 본 명세서에 더 기술된 하나 이상의 기능을 수행하도록 구성될 수 있다. 컴퓨터 서브시스템(124)은 본 명세서에 기술된 임의의 추가적인 단계(들)를 수행하도록 구성될 수 있다. 도 1a에 도시된 전자 빔 이미징 시스템을 포함하는 시스템은 본 명세서에 기술된 바와 같이 또한 구성될 수 있다.
도 1a가 본 명세서에 기술된 실시예들에 포함될 수 있는 전자 빔 이미징 시스템의 구성을 전반적으로 예시하기 위해 본 명세서에 제공된다는 점에 유의한다. 위에서 기술된 광학 이미징 시스템에서와 같이, 본 명세서에 기술된 전자 빔 이미징 시스템은 상용 이미징 시스템을 설계할 때 통상적으로 수행되는 바와 같이 이미징 시스템의 성능을 최적화하도록 변경될 수 있다. 추가적으로, 본 명세서에 기술된 시스템들은 KLA로부터 상업적으로 이용 가능한 도구들과 같은 기존의 시스템을 사용하여(예를 들면, 본 명세서에 기술된 기능성을 기존의 시스템에 추가하는 것에 의해) 구현될 수 있다. 일부 그러한 시스템들의 경우, 본 명세서에 기술된 실시예들이 그 시스템의 선택적인 기능성으로서(예를 들면, 그 시스템의 다른 기능성에 추가하여) 제공될 수 있다. 대안적으로, 본 명세서에서 기술된 시스템은 완전히 새로운 시스템을 제공하도록 "처음부터" 설계될 수 있다.
이미징 시스템이 광 또는 전자 빔 이미징 시스템인 것으로 위에서 기술되어 있지만, 이미징 시스템은 이온 빔 이미징 시스템일 수 있다. 그러한 이미징 시스템은 전자 빔 소스가 본 기술 분야에서 알려진 임의의 적합한 이온 빔 소스로 대체될 수 있다는 것을 제외하고는 도 1a에 도시된 바와 같이 구성될 수 있다. 추가적으로, 이미징 시스템은 상업적으로 이용 가능한 FIB(focused ion beam) 시스템들, HIM(helium ion microscopy) 시스템들, 및 SIMS(secondary ion mass spectroscopy) 시스템들에 포함된 것들과 같은 임의의 다른 적합한 이온 빔 이미징 시스템일 수 있다.
위에서 언급된 바와 같이, 이미징 시스템은 에너지(예를 들면, 광, 전자들)를 시료의 물리적 버전으로 지향시키고/시키거나 에너지를 시료의 물리적 버전에 걸쳐 스캔하여, 이에 의해 시료의 물리적 버전에 대한 실제 이미지들을 생성하도록 구성될 수 있다. 이러한 방식으로, 이미징 시스템은, "가상" 시스템보다는, "실제" 이미징 시스템으로서 구성될 수 있다. 그렇지만, 도 1에 도시된 저장 매체(도시되지 않음) 및 컴퓨터 서브시스템(들)(102)은 "가상" 시스템으로서 구성될 수 있다. 상세하게는, 저장 매체 및 컴퓨터 서브시스템(들)은 이미징 시스템(10)의 일부가 아니고 시료의 물리적 버전을 처리하기 위한 어떠한 능력도 갖지 않지만, 저장된 검출기 출력을 사용하여 검사 유사 기능들을 수행하는 가상 검사기로서 구성될 수 있다. "가상" 검사 시스템들로서 구성된 시스템들 및 방법들은 공동 양도된(commonly assigned), 2012년 2월 28일자로 Bhaskarr 등에게 발행된 미국 특허 제8,126,255호, 2015년 12월 29일자로 Duffy 등에게 발행된 미국 특허 제9,222,895호, 및 2017년 11월 14일자로 Duffy 등에게 발행된 미국 특허 제9,816,939호에 기술되어 있으며, 이들 미국 특허은 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함된다. 본 명세서에 기술된 실시예들은 이러한 특허들에 기술된 바와 같이 또한 구성될 수 있다. 예를 들어, 본 명세서에 기술된 하나 이상의 컴퓨터 서브시스템은 이러한 특허들에 기술된 바와 같이 또한 구성될 수 있다.
위에서 더 언급된 바와 같이, 이미징 시스템은 다수의 모드들을 사용하여 시료의 이미지들을 생성하도록 구성될 수 있다. 일반적으로, "모드"는 시료의 이미지들을 생성하는 데 사용되는 이미징 시스템의 파라미터들의 값들 또는 시료의 이미지들을 생성하는 데 사용되는 출력에 의해 정의될 수 있다. 따라서, 상이한 모드들은 이미징 시스템의 이미징 파라미터들 중 적어도 하나에 대한 값들이 상이할 수 있다. 예를 들어, 광학 이미징 시스템에서, 상이한 모드들은 조명을 위해 상이한 파장들의 광을 사용할 수 있다. 모드들은 상이한 모드들에 대해 본 명세서에 더 기술된 바와 같이 (예를 들면, 상이한 광원들, 상이한 스펙트럼 필터들 등을 사용하는 것에 의해) 조명 파장들이 상이할 수 있다. 다른 실시예에서, 상이한 모드들은 이미징 시스템의 상이한 조명 채널들을 사용한다. 예를 들어, 위에서 언급된 바와 같이, 이미징 시스템은 하나 초과의 조명 채널을 포함할 수 있다. 이에 따라, 상이한 모드들에 대해 상이한 조명 채널들이 사용될 수 있다.
본 명세서에 기술된 이미징 시스템들은 검사 서브시스템들로서 구성될 수 있다. 그러한 경우에, 컴퓨터 서브시스템(들)은 위에서 기술된 바와 같이 검사 서브시스템으로부터(예를 들면, 이미징 시스템의 검출기(들)로부터) 출력을 수신하도록 구성될 수 있고, 본 명세서에 더 기술되는 바와 같이 출력에 기초하여 시료 상의 결함들을 검출하도록 구성될 수 있다.
본 명세서에 기술된 이미징 시스템들은 결함 검토 시스템 및 계측 시스템과 같은 다른 유형의 반도체 관련 프로세스/품질 제어 유형 시스템으로서 구성될 수 있다. 예를 들어, 본 명세서에 기술되고 도 1 및 도 1a에 도시된 이미징 시스템들의 실시예들은 이들이 사용될 응용 분야에 따라 상이한 이미징 능력을 제공하기 위해 하나 이상의 파라미터가 수정될 수 있다. 일 실시예에서, 이미징 시스템은 전자 빔 결함 검토 시스템으로서 구성된다. 예를 들어, 도 1a에 도시된 이미징 시스템은 검사보다는 결함 검토 또는 계측에 사용되는 경우 보다 높은 분해능을 갖도록 구성될 수 있다. 환언하면, 도 1 및 도 1a에 도시된 이미징 시스템의 실시예들은 상이한 응용 분야에 보다 적합하거나 덜 적합한 상이한 이미징 능력들을 갖는 이미징 시스템들을 생산하기 위해 본 기술 분야의 통상의 기술자에게 명백할 다수의 방식들로 맞춤화될 수 있는 이미징 시스템에 대한 몇몇 일반적이고 다양한 구성들을 기술한다.
시료 상의 결함들을 검출하도록 구성된 이 시스템은 하나 이상의 컴퓨터 시스템 및 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트를 포함한다. 하나 이상의 컴퓨터 시스템은 위에서 기술된 바와 같이 구성될 수 있다. 하나 이상의 컴포넌트는 딥 메트릭 러닝(DML) 결함 검출 모델을 포함한다. DML 결함 검출 모델은 본 명세서에 더 기술되는 다수의 상이한 아키텍처들을 가질 수 있다. 하나 이상의 컴포넌트는 본 기술 분야에서 알려진 임의의 적합한 방식으로 컴퓨터 시스템(들)에 의해 실행될 수 있다.
DML 결함 검출 모델은 시료에 대해 생성된 테스트 이미지 및 대응하는 참조 이미지를 잠재 공간으로 투영하도록 구성된다. 이러한 방식으로, 2 개의 이미지, 즉, 테스트 이미지 및 참조 이미지가 제공될 때, DML 결함 검출 모델은 이 이미지들을 잠재 공간으로 투영할 것이다. 예를 들어, 아래에서 기술되는 바와 같이, DML 결함 검출 모델은 이 모델에 입력되는 상이한 이미지들에 대한 상이한 CNN들을, 제각기, 포함할 수 있다. 상이한 CNN들 각각은 그의 입력 이미지를 잠재 공간으로 투영할 수 있다. "잠재 공간"은, 해당 용어가 본 명세서에서 사용되는 바와 같이, 입력의 은닉 표현(hidden representation)을 포함하는 DML 결함 검출 모델에서의 은닉 계층을 지칭한다. 잠재 공간이라는 용어에 대한 추가적인 설명은, 해당 용어가 본 기술 분야에서 통상적으로 사용되는 바와 같이, 18 페이지 분량의 2018년 12월 arXiv에 발표된 Chang의 "Latent Variable Modeling for Generative Concept Representations and Deep Generative Models"에서 찾아볼 수 있으며, 이는 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함된다. 그러한 CNN들은 도 2에 도시된 블록 A와 관련하여 더 기술된다. 투영 단계(및 다른 단계들)가 "테스트 이미지"와 관련하여 기술될 수 있지만, 이러한 단계들은 시료에 대해 생성된 하나 초과의 테스트 이미지에 대해 수행될 수 있다. 예를 들어, 시료에 대해 생성된 각각의 테스트 이미지(또는 적어도 하나 이상의 테스트 이미지)에 대해, 투영 단계는 독립적으로 그리고 개별적으로 수행될 수 있다. 테스트 이미지(들)는 시료 상의 임의의 적합한 테스트(예를 들면, 검사, 검토, 계측) 영역에 대해 생성될 수 있다. 테스트 이미지들은 상이한 크기들(예를 들면, 패치 이미지들, 다이 이미지들, 작업들, 프레임들 등)을 가질 수 있으며, 크기들은 픽셀(예를 들면, 패치 이미지의 경우 32 픽셀 x 32 픽셀) 단위로 또는 임의의 다른 적합한 방식으로 측정될 수 있다. 본 명세서에 기술된 다른 단계(들)가 또한 상이한 테스트 이미지들에 대해 개별적으로 그리고 독립적으로 수행될 수 있다.
DML 결함 검출 모델이 시료 상의 상이한 위치들에서 생성된 테스트 이미지들에서 결함들을 검출하는 데 사용되는 경우, (예를 들면, 상이한 테스트 이미지들이 (상이한 패터닝된 피처들, 하나 이상의 상이한 특성을 갖는 동일한 패터닝된 피처들 등과 같은) 하나 이상의 상이한 특성을 갖는 시료에 대한 설계의 상이한 부분들에 대응할 때) 투영 단계에서 상이한 참조 이미지들이 사용될 수 있다. 환언하면, 상이한 참조 이미지들은 상이한 테스트 이미지들에 대응할 수 있으며, 임의의 테스트 이미지에 대해 잠재 공간으로 투영되는 참조 이미지는 시료 상의 어디에서 및/또는 시료에 대한 설계에서의 어디에서 테스트 및/또는 참조 이미지들이 생성되었는지에 기초하여 결정될 수 있다. 참조 이미지들은, 본 명세서에 기술되는 다양한 방식들로 생성될 수 있는, 본 명세서에서 더 기술되는 상이한 유형의 참조 이미지들을 또한 포함할 수 있다.
일 실시예에서, 테스트 이미지 및 대응하는 참조 이미지는 시료 상의 상이한 다이들에서의 대응하는 위치들에 대한 것이다. 다른 실시예에서, 테스트 이미지 및 대응하는 참조 이미지는 시료 상의 상이한 셀들에서의 대응하는 위치들에 대한 것이다. 예를 들어, 본 명세서에 기술된 DML은 다이 대 다이(die-to-die) 유형 검사 또는 셀 대 셀(cell-to-cell) 유형 검사에 사용될 수 있다. 전통적인 다이 대 다이 검사는 도구들로부터 수집되어 어쩌면 프로세싱되는 참조 이미지들을 필요로 한다. 본 명세서에 기술된 실시예들은 테스트를 위한 다이 이미지들 및 대응하는 참조 이미지들 또는 테스트를 위한 셀 이미지들 및 대응하는 참조 이미지들을 사용하여 수행될 수 있다. 상이한 다이들 및 상이한 셀들로부터의 대응하는 이미지들은 본 명세서에 더 기술되는 바와 같이 생성 및/또는 획득될 수 있다. 다이 이미지와 셀 이미지는 본 명세서에 기술된 바와 같은 또한 구성될 수 있다. 이러한 방식으로, 테스트 이미지와 참조 이미지 둘 모두가 시료를 사용하여 생성될 수 있다.
일부 실시예들에서, 테스트 이미지 및 대응하는 참조 이미지가 시료에 대한 설계 데이터를 사용하지 않고 시료에 대해 생성된다. 예를 들어, 본 명세서에 기술된 결함 검출이 설계 데이터 없이 수행될 수 있고, 결함 검출에 사용되는 이미지들이 전부 시료를 이미징하는 것에 의해 생성될 수 있다. 그러한 경우에, 결함 검출이 또한 시료에 대한 설계 데이터와 독립적으로 수행될 수 있다. 환언하면, 결함 검출 목적으로 이미지들에 대해 수행되는 단계들 중 어느 것도 시료에 대한 설계 데이터를 사용하거나 이에 기초하여 수행되지 않을 수 있다. 예를 들어, 본 명세서에 기술된 결함 검출은 시료에 대한 설계 데이터에 관계없이 시료에 대해 생성된 테스트 이미지들 전부(및 시료에 대해 생성된 임의의 하나의 테스트 이미지에서의 픽셀들 전부)에서 동일하게(동일한 파라미터들로) 수행될 수 있다. 이러한 방식으로, 결함 검출이 테스트 이미지들(또는 테스트 이미지들에서의 픽셀들)에 대응하는 설계 데이터에 관계없이 동일한 방식으로 수행될 수 있다.
추가적인 실시예에서, 테스트 이미지는 에너지를 시료로 지향시키고 시료로부터의 에너지를 검출하는 이미징 시스템에 의해 시료에 대해 생성되고, 대응하는 참조 이미지는 시료를 사용하지 않고 생성된다. 하나의 그러한 실시예에서, 대응하는 참조 이미지는 시료에 대한 설계 데이터를 포함하는 데이터베이스로부터 획득된다. 예를 들어, 본 명세서에 기술된 DML은 다이 대 데이터베이스 결함 검출에 사용될 수 있다. 이러한 방식으로, 본 명세서에 기술된 실시예들은 시료로부터의 참조 이미지들 대신에 테스트 이미지에 대한 다이 이미지(들) 및 대응하는 참조 이미지에 대한 데이터베이스 이미지(들)로 수행될 수 있다. 테스트 이미지는 본 명세서에 더 기술되는 바와 같이 시료에 대해 생성될 수 있으며 본 명세서에 기술된 바와 같이 또한 구성될 수 있다. 시료를 사용하지 않고 참조 이미지를 생성하는 것은 시료에 대한 설계 또는 설계 정보로부터 참조 이미지를 시뮬레이션하는 것에 의해 또는 본 기술 분야에서 알려진 임의의 다른 적합한 방식으로 수행될 수 있다. 참조 이미지는 바람직하게는 테스트 이미지가 생성된 시료의 부분이 결함이 없다면 시료에 대한 테스트 이미지가 어떻게 보일 것인지를 시뮬레이션한다. 설계, 설계 데이터 또는 설계 정보는 본 기술 분야에서 알려진 임의의 적합한 설계, 설계 데이터 또는 설계 정보를 포함할 수 있으며, 이러한 용어들은 본 명세서에서 상호 교환 가능하게 사용된다. 참조 이미지는 임의의 적합한 방식으로 데이터베이스로부터 획득될 수 있으며, 데이터베이스는 임의의 적합한 구성을 가질 수 있다.
다른 실시예에서, 하나 이상의 컴퓨터 시스템은 시료에 대한 설계 데이터를 DML 결함 검출 모델에 입력하도록 구성되고, DML 결함 검출 모델은 설계 데이터를 사용하여 검출을 수행하도록 구성된다. 이러한 방식으로, 렌더링된 설계는 DML 결함 검출 모델에 대한 입력의 일부일 수 있다. 추가적으로, 설계 데이터는 DML 결함 검출 모델에 의해 추가적인 이미지 채널로서 취급될 수 있다. DML 결함 검출 모델은 이어서 렌더링된 설계를 사용하여 결함 검출을 수행할 수 있다. 렌더링된 설계는 DML 결함 검출 모델에 의해 다수의 상이한 방식들로 사용될 수 있다. 예를 들어, DML 결함 검출 모델은 (예를 들면, 다수의 이미지들을 설계에 정렬시키고 이에 의해 이미지들을 공통 기준에 정렬시키는 것에 의해) 상이한 이미지들을 서로 정렬시키기 위해 렌더링된 설계를 사용하도록 구성될 수 있다. 렌더링된 설계는 또한 본 명세서에서 더 기술되는 바와 같이 참조 이미지로서 사용되거나 본 명세서에 기술된 참조 이미지를 생성하는 데 사용될 수 있다. 렌더링된 설계는 또한 결함 검출 파라미터들을 설정하거나 조정하기 위해, 결함 검출 단계에서, 그리고 결함들을 분류하기 위해 DML 결함 검출 모델에 의해 사용될 수 있다. DML 결함 검출 모델은 또한 결함 검출 기술 분야에서 알려진 임의의 다른 방식으로 설계 데이터를 사용하도록 구성될 수 있다.
추가적인 실시예에서, 검출은 시료에 대한 관리 영역들(care areas)로부터 결정되는 하나 이상의 파라미터로 수행된다. 일부 그러한 실시예들에서, 하나 이상의 컴퓨터 시스템은 관리 영역들에 대한 정보를 DML 결함 검출 모델에 입력하도록 구성된다. 이러한 방식으로, 관리 영역들은 DML 결함 검출 모델에 의해 추가적인 이미지 채널로서 취급될 수 있다. 관리 영역들은 임의의 적합한 방식으로 시료에 대한 설계 데이터로부터 결정될 수 있다. 추가적으로, 관리 영역들은 실질적으로 높은 정확도와 정밀도로 테스트 이미지 및/또는 참조 이미지를 설계 데이터에 정렬시킬 수 있는 능력으로 구성된 KLA로부터의 시스템들과 같은 상업적으로 이용 가능한 시스템에 의해 생성될 수 있다. 관리 영역들은 검사될 시료 상의 영역들을 정의할 수 있으며, 이에 의해 본질적으로 검사되지 않을 시료 상의 영역들도 정의할 수 있다. 관리 영역들은 또한 시료 상의 어느 영역들이 상이한 파라미터들(예를 들면, 상이한 검출 감도들)로 검사되어야 하는지를 나타내도록 설계되거나 구성될 수 있다. 시료에 대한 관리 영역들은 임의의 적합한 방식으로 하나 이상의 컴퓨터 시스템에 의해 설계로부터 결정될 수 있으며, DML 결함 검출 모델이 테스트 이미지들 및 대응하는 참조 이미지들에서의 관리 영역들을 식별할 수 있도록 하나 이상의 컴퓨터 시스템에 의해 DML 결함 검출 모델에 입력될 수 있다. 검출을 수행하는 데 사용되는 하나 이상의 파라미터는 또한 하나 이상의 컴퓨터 시스템에 의해 결정되고 DML 결함 검출 모델에 입력될 수 있다. 따라서, 테스트 이미지에서의 관리 영역이 컴퓨터 시스템(들)에 의해 입력되는 관리 영역에 관한 정보를 사용하여 DML 결함 검출 모델에 의해 식별될 때, DML 결함 검출 모델은 컴퓨터 시스템(들)으로부터의 입력으로부터 해당 관리 영역에서의 결함 검출을 위한 하나 이상의 파라미터를 결정하고 그에 따라 결함 검출을 수행할 수 있다.
다른 실시예에서, 검출은 시료에 대한 관리 영역들에 대한 정보 없이 수행된다. 예를 들어, 많은 검사 프로세스들이 관리 영역들을 사용하여 본 명세서에 기술된 시료들에 대해 수행되지만, 본 명세서에 기술된 결함 검출이 임의의 관리 영역들을 사용하여 수행될 필요는 없다. 그러한 경우에, 본 명세서에 기술된 결함 검출은 시료에 대해 생성되는 테스트 이미지들 전부에 대해 수행될 수 있다. 추가적으로, 본 명세서에 기술된 결함 검출은 시료에 대해 생성되는 테스트 이미지들 전부에서의 픽셀들 전부에 대해 동일한 파라미터들로 수행될 수 있다. 예를 들어, 테스트 이미지들 전부에서의 픽셀들 전부에 대해 사용되는 결함 검출 감도가 동일할 수 있다.
일부 실시예들에서, 테스트 이미지는 시료의 로직 영역에서 생성된다. 다른 실시예에서, 테스트 이미지는 시료의 어레이 영역에서 생성된다. 예를 들어, 본 명세서에 기술된 실시예들은 시료의 로직 영역들 및 어레이 영역들 둘 모두에서의 결함 검출을 위해 사용 및 구성될 수 있다. 시료의 로직 영역들 및 어레이 영역들은 본 기술 분야에서 알려진 임의의 그러한 영역들을 포함할 수 있다.
테스트 이미지의 하나 이상의 상이한 부분에 대해, DML 결함 검출 모델은 하나 이상의 상이한 부분과 대응하는 참조 이미지의 대응하는 하나 이상의 부분 사이의 잠재 공간에서의 거리를 결정하도록 구성된다. 예를 들어, 테스트 피처 및 참조 피처 둘 모두는 본 명세서에서 더 기술되는 블록 B로부터의 출력들에 기초하여 잠재 공간에서의 그들 사이의 거리를 측정하기 위해 블록 B를 거친다. 환언하면, DML 결함 검출 모델은 테스트 이미지와 참조 이미지가 얼마나 유사한지를, (잠재 공간에서의 거리에 의해 측정되는) 이들의 피처들이 얼마나 상이한지에 기초하여, 결정하며, 이들의 피처들이 얼마나 상이한지는 이어서 부분들 중 어느 것이 결함(또는 결함 후보)을 포함하는지 또는 결함 있는지(또는 잠재적으로 결함 있는지)를 결정하기 위해 본 명세서에 더 기술되는 바와 같이 사용될 수 있다.
DML 결함 검출 모델에 의해 결정되는 잠재 공간에서의 거리는 다양한 상이한 거리들일 수 있다. 예를 들어, DML 결함 검출 모델에 의해 결정되고 사용될 수 있는 거리 메트릭들은 유클리드 거리, L1 거리, L_infinity 거리, Person의 거리(즉, 교차 상관), 맨해튼 거리, 일반화된 Lp-노름, 코사인 거리 등을 포함한다. 그러한 거리들은 본 기술 분야에서 알려진 임의의 적합한 방식으로 결정될 수 있다.
일 실시예에서, 테스트 이미지의 상이한 부분들은 테스트 이미지에서의 상이한 픽셀들을 포함한다. 예를 들어, 테스트 이미지의 상이한 부분들은, 개별 픽셀들 또는 상대적으로 작은 픽셀 어레이들(예를 들면, 9 x 9 픽셀 이웃)과 같은, 임의의 적합한 부분들을 포함할 수 있다. 테스트 이미지의 상이한 부분들은 또한 픽셀 단위로 또는 임의의 다른 적합한 척도로 측정될 수 있다. 이러한 방식으로, DML 결함 검출 모델은 테스트 이미지 부분별로 잠재 공간에서의 거리를 결정한다. 환언하면, 잠재 공간에서의 거리는, 해당 거리들이 테스트 이미지의 상이한 부분들 각각에서 결함들을 검출하는 데 사용될 수 있도록, 테스트 이미지의 상이한 부분들에 대해 개별적으로 그리고 독립적으로 결정될 수 있다.
DML 결함 검출 모델은 테스트 이미지의 하나 이상의 상이한 부분에 대해, 제각기, 결정되는 거리에 기초하여 테스트 이미지의 하나 이상의 상이한 부분에서의 결함들을 검출하도록 또한 구성된다. 예를 들어, 잠재 공간에서의 거리는 테스트 이미지에서의 각각의 부분(예를 들면, 각각의 픽셀)이 참조 이미지와 관련하여 결함 있는지 여부를 결정하는 데 사용된다. 이러한 방식으로, DML 결함 검출 모델은 각각의 픽셀이 결함인지 여부의 이진 결정(binary decision)을 행할 수 있다. 그렇지만, DML 결함 검출 모델은 또한 각각의 결함 있는 픽셀의 결함 유형을 결정할 수 있다. 따라서, DML 결함 검출 모델은 검출(예 또는 아니오) 및 분류(어느 결함 유형) 둘 모두를 수행할 수 있다. 본 기술 분야에서, 이 응용 분야는 결함 검출이라고 하고, 이 방법론은 분류라고 한다. 잠재 공간에서의 거리들에 기초하여 결함들을 검출하는 것은 본 명세서에 기술된 바와 같이 또한 수행될 수 있다.
일 실시예에서, DML 결함 검출 모델은 샴 네트워크 아키텍처(Siamese network architecture)를 갖는다. 다른 실시예에서, DML 결함 검출 모델은 트리플렛 네트워크 아키텍처(triplet network architecture)를 갖는다. 추가적인 실시예에서, DML 결함 검출 모델은 쿼드러플렛 네트워크 아키텍처(quadruplet network architecture)를 갖는다. 예를 들어, DML은 샴 네트워크, 트리플렛 네트워크, 쿼드러플렛 네트워크 등에 의해 구성될 수 있다.
고전적인 샴 분류 모델은 다이 대 다이 검출 사용 사례 및 본 명세서에 기술된 다른 사용 사례들에 대해 작동하도록 확장될 수 있다. 샴 네트워크는 일반적으로 2 개의 동일한 서브네트워크 컴포넌트를 포함하는 신경 네트워크로서 본 기술 분야에서 정의된다. 본 발명자들은 본 명세서에 설명된 실시예들에 대해 이 개념을 활용했는데, 그 이유는 샴 모델들이, KLA로부터 상업적으로 이용 가능한 일부 검사 시스템들에 의해 사용되는 MDAT(multi-die auto-thresholding) 결함 검출 알고리즘에 의해 사용되는 다이 대 다이 비교 방식에 딱 들어맞는(natural fit), 2 개의 비슷한 것 사이의 유사성 또는 관계를 찾는 것을 수반하는 작업들에 유용하기 때문이다. 비선형 모델(예를 들면, 콘볼루션 신경 네트워크(CNN))을 사용하는 것에 의해, 테스트 이미지 및 참조 (패치) 이미지 둘 모두가 잠재 공간으로 변환될 수 있으며, 본 명세서에서 더 기술되는 바와 같이 그들 사이의 거리(즉, 이들의 유사성의 척도)가 결함의 지표로서 구성될 수 있다.
도 2에 의해 예시된 바와 같이, 본 명세서에 기술된 실시예들에서 사용될 수 있는 샴 검출 모델의 한 구성에서, 테스트 이미지들은 N 개의 인접한 다이들로부터의 N 개의 BBP 이미지들(202, 204) 및 하나의 설계 이미지(200)를 포함할 수 있다. 이러한 이미지들은 동일한 시야들(FOV)을 갖는 동일한 다이 좌표들(즉, 다이 위치 내에서 동일한 곳에 중심을 두고 있는 다수의 다이들에서의 동일한 다이 좌표들)로부터 선택될 수 있다. 블록 A, 블록 B, 및 블록 C는 3 개의 상이한 딥 CNN(deep CNN)이다. 블록 B에 도시된 2 개의 네트워크는 동일한 아키텍처 구성을 갖는다. 동일한 아키텍처를 갖는 블록 B에서의 2 개의 네트워크 외에도, 네트워크가 샴 아키텍처를 갖기 위해서는 양쪽 네트워크에 대한 가중치들이 네트워크들에 의해 공유되어야 한다. 첫째, 참조 피처들을 계산하기 위해 테스트 이미지들이 블록 A를 거치며, 참조 픽처는 블록 A로부터의 N 개의 출력들의 평균이다. 둘째, 테스트 피처 및 참조 피처 둘 모두는 블록 B로부터의 출력들에 기초하여 그들 사이의 거리를 측정하기 위해 블록 B를 거친다. 셋째, 각각의 이미지 픽셀 위치에 대한 최종 라벨들(결함 있음 대 결함 없음)을 생성하기 위해 블록 C가 적용된다.
예를 들어, 도 2에 도시된 바와 같이, 설계 이미지(200)는 블록 A(208)에서의 제1 CNN(206)에 입력되고, 광학 이미지(202)는 블록 A에서의 CNN(210)에 입력되며, 광학 이미지(204)는 블록 A에서의 CNN(212)에 입력된다. CNN들(206, 210 및 212)은, 제각기, 입력 이미지들 각각에 대한 참조 피처들을 생성한다. 이러한 CNN들은 본 기술 분야에서 알려진 임의의 적합한 구성을 가질 수 있다.
CNN들(206 및 210)의 출력들은 슬라이싱 계층(214)에 입력될 수 있고, CNN들(210 및 212)의 출력들은 슬라이싱 계층(216)에 입력될 수 있다. 슬라이싱 계층들은 본 기술 분야에서 알려진 임의의 적합한 구성을 가질 수 있다. 슬라이싱 계층들(214 및 216)의 출력들은, 제각기, 배치 정규화(batch normalization, BN) 계층들(218 및 222)에 입력될 수 있고, CNN(210)의 출력은 BN 계층(220)에 입력될 수 있다. 배치 정규화는, 예를 들어, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 11 페이지 분량의 2015년 3월 2일자 arXiv:1502.03167에서의 Ioffe 등의 "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift"에 기술된 바와 같이 수행될 수 있다. 본 명세서에 기술된 실시예들은 이 참고 문헌에 기술된 바와 같이 또한 구성될 수 있다. BN 계층들(218 및 220)의 출력들은 연결 계층(concatenation layer)(224)에 입력될 수 있고, BN 계층들(220 및 222)의 출력들은 연결 계층(226)에 입력될 수 있다. 연결 계층들은 본 기술 분야에서 알려진 임의의 적합한 구성을 가질 수 있다.
연결 계층들(224 및 226)의 출력들은, 제각기, 블록 B(232)에서의 네트워크들(228 및 230)에 입력될 수 있다. 네트워크들(228 및 230)이, 일반적으로 중간의 계층들을 건너뛰는 일부 계층들 사이의 지름길(shortcut)이 있는 네트워크로서 본 기술 분야에서 정의되는, 잔차 신경 네트워크(ResNet)로서 도 2에 개략적으로 도시되어 있지만, 네트워크들은 일반 네트워크(plain network)(지름길을 포함하지 않은 네트워크) 및 지름길을 포함하는 다양한 유형의 네트워크들(예를 들면, Highway Net 및 DenseNet)을 포함한 본 기술 분야에서 알려진 임의의 적합한 구성을 가질 수 있다. 일부 그러한 적합한 네트워크 구성들의 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 9 페이지 분량의 2018년 1월 28일자 arXiv:1608.06993에서의 Huang 등의 "Densely Connected Convolutional Networks" 및 12 페이지 분량의 2015년 12월 10일자 arXiv:1512.03385에서의 He 등의 "Deep Residual Learning for Image Recognition"에 기술되어 있다. 위에서 기술된 바와 같이, 네트워크들(228 및 230)이 샴 구성을 갖기 위해, 네트워크들은 동일한 구성을 갖고 동일한 가중치들을 공유할 것이다.
또한 위에서 언급된 바와 같이, 블록 B에서의 네트워크들은 트리플렛 또는 쿼드러플렛 네트워크 구성을 가질 수 있다. 블록 B에서의 네트워크들에 사용될 수 있는 적합한 트리플렛 네트워크 아키텍처들의 예들은, 마치 본 명세서에 완전히 기재된 것처럼 포함되는, 8 페이지 분량의 2018년 12월 4일자 arXiv:1412.6622에서의 Hoffer 등의 "Deep Metric Learning Using Triplet Network"에서 찾아볼 수 있다. 블록 B에서의 네트워크들에 사용될 수 있는 적합한 쿼드러플렛 네트워크 아키텍처들의 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 12 페이지 분량의 arXiv:1705.07222에서의 Dong 등의 "Quadruplet Network with One-Shot Learning for Fast Visual Object Tracking"에서 찾아볼 수 있다. 본 명세서에 기술된 실시예들은 이러한 참고 문헌들에 기술된 바와 같이 또한 구성될 수 있다.
네트워크들(228 및 230)의 출력들은 블록 C(236)에서의 완전 연결 계층과 SoftMax 계층 조합(234)에 입력되고, 완전 연결 계층과 SoftMax 계층 조합(234)은, 위에서 기술된 최종 라벨들(즉, 결함 있음 또는 결함 없음)을 포함하는, 출력(238)을 생성한다. 완전 연결 계층과 SoftMax 계층은 본 기술 분야에서 알려진 임의의 적합한 구성을 가질 수 있다. 예를 들어, 완전 연결 계층과 SoftMax 계층은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2019년 3월 7일자로 공개된 He 등의 미국 특허 출원 공보 제2019/0073568호에 기술된 바와 같이 구성될 수 있다.
다른 실시예에서, DML 결함 검출 모델은 하나 이상의 DL 콘볼루션 필터를 포함하고, 하나 이상의 컴퓨터 시스템은 테스트 이미지를 생성하는 데 관여된 물리(physics)에 기초하여 하나 이상의 DL 콘볼루션 필터의 구성을 결정하도록 구성된다. DL 콘볼루션 필터들(도시되지 않음)은 신경 네트워크의 시작 부분 또는 신경 네트워크의 임의의 다른 계층에 위치할 수 있다. 예를 들어, DL 콘볼루션 필터들은 도 2에 도시된 블록 A 이전에 위치할 수 있다. 이미지를 생성하는 것에 관여된 물리는 어쩌면 시료의 임의의 알려진 또는 시뮬레이션된 특성들(예를 들면, 재료, 치수, 등)과 함께 테스트 이미지를 생성하는 데 사용되는 이미징 프로세스에 관여된 임의의 알려진, 시뮬레이션된, 측정된, 추정된, 계산된 등의 파라미터들을 포함할 수 있다. 예를 들어, 테스트 이미지를 생성하는 것에 관여된 물리는 테스트 이미지를 생성하는 데 사용되는 이미징 도구의 하드웨어 구성 및 테스트 이미지를 생성하는 데 사용되는 이미징 도구의 요소들의 임의의 하드웨어 설정들을 포함할 수 있다. 시료의 알려진 또는 시뮬레이션된 특성들은 본 기술 분야에서 알려진 임의의 적합한 방식으로 획득, 생성, 결정 또는 시뮬레이션될 수 있다.
추가의 실시예에서, DML 결함 검출 모델은 하나 이상의 DL 콘볼루션 필터를 포함하고, 하나 이상의 컴퓨터 시스템은 테스트 이미지를 생성하는 데 사용되는 이미징 하드웨어에 기초하여 하나 이상의 DL 콘볼루션 필터의 구성을 결정하도록 구성된다. 예를 들어, DL 콘볼루션 필터들은 개구, 파장, 개구수(numerical aperture, NA) 등과 같은 하드웨어의 파라미터들을 포함하는 광학(또는 다른, 예를 들면, 전자 빔, 이온 빔) 하드웨어에 기초하여 설계될 수 있다. 그러한 DL 콘볼루션 필터들은 그렇지 않으면 본 명세서에 기술된 바와 같이 구성될 수 있다.
하나의 그러한 실시예에서, DL 콘볼루션 필터(들)의 구성을 결정하는 것은 이미징 하드웨어의 포인트 확산 함수(point spread function, PSF)에 기초하여 하나 이상의 DL 콘볼루션 필터의 하나 이상의 파라미터를 결정하는 것을 포함한다. 예를 들어, 광학 하드웨어 정보는 도구에 대한 측정되거나 시뮬레이션된 PSF에 기초하여 DL 콘볼루션 필터들의 하나 이상의 파라미터를 결정하는 데 사용될 수 있다. 도구의 PSF는 본 기술 분야에서 알려진 임의의 적합한 방식으로 측정되거나 시뮬레이션될 수 있다. 이러한 방식으로, 본 명세서에 기술된 실시예들은 PSF 기반 결함 검출을 위해 구성될 수 있다. 픽셀 레벨 정보(예를 들면, MDAT)에 의존하는 검출 알고리즘들과 달리, 본 명세서에 기술된 실시예들은 결함 검출을 수행하기 위해 PSF 레벨 서명에 의존할 수 있다. 기본적인 가정은 결함 신호(즉, 정보 내용)가, PSF에 의해 대략적으로 정의되는, 광학 상호작용에 의해 좌우되는 로컬 이웃 콘텍스트(local neighbor context) 내에서 제한된다는 것이다. FOV를 제어하기 위해 CNN에서의 필터 크기를 활용하는 것에 의해, 본 발명자들은 PSF에 대한 컷오프 반경(cutoff radius)과 관련한 검출 정확도를 조사하였다. 본 발명자들은 FOV가 계산된 PSF 영역과 일치하는 영역에 도달할 때까지 FOV가 확대됨에 따라 검출 정확도가 증가한다는 것을 발견하였다. 이 영역들은 픽셀 또는 임의의 다른 적합한 척도 단위로 결정될 수 있다.
하나의 그러한 실시예에서, DL 콘볼루션 필터들의 하나 이상의 파라미터는 필터 크기, 필터 대칭성, 및 필터 깊이 중 하나 이상을 포함한다. 예를 들어, 이미징 하드웨어 정보는 (도구에 대한 측정되거나 시뮬레이션된 PSF에 기초하여) 필터 크기, 필터 대칭성, 필터 깊이 등을 결정하는 데 사용될 수 있다. 하나의 그러한 예에서, 필터 크기는 이미징 도구의 PSF와 동일하거나 거의 동일하도록 설정될 수 있다.
다른 그러한 실시예에서, 하나 이상의 DL 콘볼루션 필터의 하나 이상의 파라미터를 결정하는 것은 손실 함수를 최적화하는 것에 의해 하나 이상의 파라미터를 학습하는 것을 포함한다. 예를 들어, 위에서 기술된 것들과 같은 하나 이상의 파라미터는 손실 함수를 최적화함으로써 파라미터(들)를 학습하는 것에 의해 위에서 기술된 것과 같은 정보에 기초하여 결정될 수 있다. 손실 함수를 최적화하는 것은 본 기술 분야에서 알려진 임의의 적합한 방식으로 수행될 수 있고, 손실 함수는 본 기술 분야에서 알려진 임의의 적합한 손실 함수일 수 있다.
일부 그러한 실시예들에서, 구성을 결정하는 것은 이미징 하드웨어의 PSF에 기초하여 DL 콘볼루션 필터들의 미리 결정된 세트로부터 하나 이상의 DL 콘볼루션 필터를 선택하는 것을 포함한다. 예를 들어, 구성을 결정하는 것은 (예를 들면, 도구에 대해 측정되거나 시뮬레이션된 PSF에 기초하여) 필터들 자체를 결정하는 것을 포함할 수 있다. DL 콘볼루션 필터들의 미리 결정된 세트는 임의의 또는 모든 적합한 알려진 DL 콘볼루션 필터들을 포함할 수 있다. 하나의 그러한 실시예에서, 미리 결정된 세트 내의 하나 이상의 DL 콘볼루션 필터의 하나 이상의 파라미터가 고정된다. 예를 들어, 필터 파라미터들이 고정될 수 있다. 환언하면, DL 콘볼루션 필터들이 미리 결정된 파라미터들에 대한 어떠한 조정도 없이 사용될 수 있다. 다른 그러한 실시예에서, 구성을 결정하는 것은 손실 함수를 최적화하는 것에 의해 하나 이상의 DL 필터의 하나 이상의 초기 파라미터를 미세 조정하는 것을 포함한다. 예를 들어, 필터 파라미터들이 손실 함수를 최적화하는 것에 의해 미세 조정될 수 있다. 손실 함수를 최적화하는 것은 임의의 적합한 방식으로 수행될 수 있고, 손실 함수는 본 기술 분야에서 알려진 임의의 적합한 손실 함수를 포함할 수 있다. 최적화되는 필터 파라미터들은 위에서 기술된 것들을 포함한 임의의 적합한 필터 파라미터들을 포함할 수 있다.
추가의 실시예에서, 하나 이상의 컴포넌트는 대응하는 참조 이미지를 생성하도록 구성된 학습 가능한 로우 랭크 참조 이미지 생성기를 포함하고, 하나 이상의 컴퓨터 시스템은 시료에 대해 생성된 하나 이상의 테스트 이미지를 학습 가능한 로우 랭크 참조 이미지 생성기에 입력하도록 구성되며, 시료에 대한 설계에서의 동일한 위치에 대응하는 시료 상의 상이한 위치들에 대한 하나 이상의 테스트 이미지가 생성되고, 학습 가능한 로우 랭크 참조 이미지 생성기는 하나 이상의 테스트 이미지로부터 노이즈를 제거하여 이에 의해 대응하는 참조 이미지를 생성하도록 구성된다. 학습 가능한 로우 랭크 참조 이미지 생성기는 본 명세서에 기술된 바와 같이 또한 구성될 수 있다.
다른 실시예에서, DML 결함 검출 모델은 추가적인 대응하는 참조 이미지를 잠재 공간으로 투영하고, 대응하는 참조 이미지와 추가적인 대응하는 참조 이미지의 평균 및 잠재 공간에서의 참조 영역을 결정하도록 구성되며, 거리를 결정하는 데 사용되는 대응하는 참조 이미지의 하나 이상의 부분은 참조 영역을 포함한다. 예를 들어, 테스트 이미지 및 다수의 참조 이미지들(즉, 1 + N 개의 이미지들)이 제공되는 경우, DML 결함 검출 모델은 모든 이미지들을 잠재 공간으로 투영하고, 잠재 공간에서의 N 개의 참조 포인트들을 사용하여 "평균화된" 참조 포인트들 및 테스트 이미지에서의 각각의 부분이 참조 영역과 관련한 결함인지 여부를 결정하는 데 사용되는 가능한 참조 영역을 추정한다. 다수의 참조 이미지들은 본 명세서에 기술된 참조 이미지들(예를 들면, 테스트 다이 또는 셀에 인접한 다수의 다이들 또는 셀들로부터의 이미지들) 및/또는 본 기술 분야에서 알려진 임의의 다른 적합한 참조 이미지들의 임의의 조합을 포함할 수 있다.
추가의 실시예에서, 대응하는 참조 이미지는 시료에 대한 결함 없는 테스트 이미지를 포함하고, 대응하는 참조 이미지를 투영하는 것은 잠재 공간에서의 참조 영역을 학습하는 것을 포함하며, 거리를 결정하는 데 사용되는 대응하는 참조 이미지의 하나 이상의 부분은 참조 영역을 포함한다. 예를 들어, 테스트 이미지만이 제공되는 경우, DML 결함 검출 모델은 "결함 있는" 테스트 이미지 및 "결함 없는" 테스트 이미지 둘 모두를 잠재 공간으로 투영하고, 잠재 공간에서의 참조 영역을 학습하며, 이를 사용하여 테스트 이미지의 하나 이상의 부분이 참조 영역과 관련한 결함인지 여부를 결정할 수 있다. 시료를 사용하여, 예를 들면, 시료의 알려진 무결함(defect free) 부분을 이미징하는 것에 의해, "결함 없는" 테스트 이미지가 생성될 수 있다. "결함 없는" 테스트 이미지는 또한 또는 대안적으로 (알려지지 않은 결함(defectivity)을 갖는 테스트 이미지로부터 참조 이미지를 생성하도록 구성된 네트워크 또는 모델을 사용하여) 알려지지 않은 결함을 갖는 테스트 이미지로부터 생성될 수 있다. 그러한 네트워크들 또는 모델들의 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2019년 7월 23일자로 Bhaskar 등에게 발행된 미국 특허 제10,360,477호에 기술되어 있다. 본 명세서에 기술된 실시예들은 이 참고 문헌에 기술된 바와 같이 또한 구성될 수 있다.
일부 실시예들에서, 테스트 이미지 및 추가적인 테스트 이미지는, 제각기, 이미징 시스템의 상이한 모드들로 시료에 대해 생성되며; DML 결함 검출 모델은 테스트 이미지 및 대응하는 참조 이미지를 제1 잠재 공간으로 투영하고, 추가적인 테스트 이미지 및 추가적인 대응하는 참조 이미지를 제2 잠재 공간으로 투영하며, 제1 잠재 공간과 제2 잠재 공간을 결합 잠재 공간(joint latent space)으로 결합시키도록 구성되고; 거리를 결정하는 데 사용되는 잠재 공간은 결합 잠재 공간이다. 예를 들어, 본 명세서에 기술된 실시예들은 멀티 모달(multi-modal) DML을 위해 구성될 수 있다. 상세하게는, 다수의 모드 이미지들이 추가적인 채널들로서 DML 결함 검출 모델에 입력될 수 있다. 추가적으로, 다수의 독립적인 잠재 공간들을 구성하고 이들을 거리 계산을 위한 결합 잠재 공간으로서 결합시키기 위해 독립적인 DML이 각각의 모드 이미지에 적용될 수 있다. 이미징 시스템의 상이한 다수의 모드들은 본 명세서에 기술된 임의의 모드들(예를 들면, BF 및 DF, 톱 채널 및 하나 또는 2 개의 사이드 채널 등과 같은 상이한 검출 채널들)을 포함할 수 있다.
다른 실시예에서, 하나 이상의 컴퓨터 시스템은 시료에 대한 설계 데이터를 DML 결함 검출 모델에 입력하도록 구성되고; 테스트 이미지 및 추가적인 테스트 이미지는, 제각기, 이미징 시스템의 상이한 모드들로 시료에 대해 생성되며; DML 결함 검출 모델은 테스트 이미지 및 대응하는 참조 이미지를 제1 잠재 공간으로 투영하고, 추가적인 테스트 이미지 및 추가적인 대응하는 참조 이미지를 제2 잠재 공간으로 투영하며, 설계 데이터를 제3 잠재 공간으로 투영하고, 제1 잠재 공간, 제2 잠재 공간 및 제3 잠재 공간을 결합 잠재 공간으로 결합시키도록 또한 구성되며; 거리를 결정하는 데 사용되는 잠재 공간은 결합 잠재 공간이다. 예를 들어, DML 결함 검출 모델을 그 자신의 잠재 공간으로 설계 데이터, 관리 영역들 등을 투영하도록 구성하는 것에 의해 설계 또는 관리 영역들이 추가적인 이미지 "모드"로서 취급될 수 있으며, 그 자신의 잠재 공간은 이어서 결함 검출에 사용되는 결합 잠재 공간을 생성하기 위해 2 개 이상의 모드로부터의 테스트 이미지들(및 이들의 대응하는 참조 이미지들)에 대한 잠재 공간들과 결합된다. 상세하게는, 독립적인 DML이 각각의 모드 이미지 및 각각의 다른 입력(설계 데이터, 관리 영역들 등)에 개별적으로 적용되어 다수의 독립적인 잠재 공간들을 구성할 수 있으며, 다수의 독립적인 잠재 공간들은 이어서 거리 계산을 위한 결합 잠재 공간으로 결합된다. 이 실시예에서 사용되는 이미징 시스템의 상이한 다수의 모드들은 본 명세서에 기술된 모드들 중 임의의 것을 포함할 수 있다. 이 실시예의 단계들이 그렇지 않으면 본 명세서에 더 기술되는 바와 같이 수행될 수 있다.
추가적인 실시예에서, 하나 이상의 컴퓨터 시스템은 시료에 대한 설계 데이터를 DML 결함 검출 모델에 입력하도록 구성되며; DML 결함 검출 모델은 테스트 이미지 및 대응하는 참조 이미지를 제1 잠재 공간으로 투영하고, 설계 데이터를 제2 잠재 공간으로 투영하며, 제1 잠재 공간과 제2 잠재 공간을 결합 잠재 공간으로 결합시키도록 또한 구성되고; 거리를 결정하는 데 사용되는 잠재 공간은 결합 잠재 공간이다. 예를 들어, 결함 검출에 사용되는 단 하나의 모드가 있더라도 DML 결함 검출 모델에 의해 설계 데이터가 투영될 수 있다. 이러한 방식으로, DML 결함 검출 모델은 설계 데이터가 별도의 잠재 공간으로 투영되는 단일 모드 결함 검출을 위해 구성될 수 있으며, 이 별도의 잠재 공간은 테스트 이미지가 투영되는 잠재 공간과 결합되어 결합 잠재 공간을 생성하며 이 결합 잠재 공간이 이어서 결함 검출에 사용된다. 이 실시예의 단계들이 그렇지 않으면 본 명세서에 기술되는 바와 같이 수행될 수 있다.
추가의 실시예에서, 하나 이상의 컴퓨터 시스템은 시료에 대한 설계 데이터를 DML 결함 검출 모델에 입력하도록 구성되고; 테스트 이미지 및 추가적인 테스트 이미지는, 제각기, 이미징 시스템의 상이한 모드들로 시료에 대해 생성되며; DML 결함 검출 모델은 테스트 이미지 및 대응하는 참조 이미지, 추가적인 테스트 이미지 및 추가적인 대응하는 참조 이미지, 및 설계 데이터, 중 하나 이상을 포함하는 제1 세트를 제1 잠재 공간으로 투영하고, 테스트 이미지 및 대응하는 참조 이미지, 추가적인 테스트 이미지 및 추가적인 대응하는 참조 이미지, 및 설계 데이터, 중 하나 이상을 포함하는 제2 세트를 제2 잠재 공간으로 투영하며, 제1 잠재 공간과 제2 잠재 공간을 결합 잠재 공간으로 결합시키도록 또한 구성되고; 거리를 결정하는 데 사용되는 잠재 공간은 결합 잠재 공간이다. 예를 들어, DML 결함 검출 모델은 제1 모드에 대한 이미지들 및 설계 데이터를 제1 잠재 공간으로 투영하고, 제2 모드에 대한 이미지들 및 설계 데이터를 제2 잠재 공간으로 투영하며, 2 개의 잠재 공간을 결합 잠재 공간으로 결합시키고, 결함 검출을 위해 결합 잠재 공간을 사용할 수 있다. 이러한 방식으로, 투영 단계에 사용되는 제1 세트 및 제2 세트는 DML 결함 검출 모델에 대한 입력들의 상이한 조합들일 수 있고, 상이한 조합들 중 일부는 동일한 입력들 중 하나 이상을 포함할 수 있다. 대안적으로, 투영 단계에 사용되는 제1 세트 및 제2 세트는 상이한 조합들 중 어느 것도 동일한 입력을 포함하지 않는다는 점에서 상호 배타적일 수 있다. 예를 들어, 제1 세트는 2 개 이상의 모드에 대한 이미지들을 포함하고, 제2 세트는 설계 데이터만을 포함할 수 있다. 그렇지 않으면, 이 실시예의 단계들이 본 명세서에 더 기술된 바와 같이 수행될 수 있다.
따라서 요약하면, DML 결함 검출 모델이 본 명세서에 기술된 실시예들에서 다양한 가능한 입력들을 사용하도록 구성될 수 있는 다수의 상이한 방식들이 있다. 예를 들어, 설계 데이터, 관리 영역들 등 및 다른 비-시료 이미지 입력들은 DML 결함 검출 모델에 의해 추가적인 이미지 채널로서 취급될 수 있다. 설계 데이터, 관리 영역들 등이 단일 모드 검사에 대한 추가적인 이미지 채널로서 취급되는 경우, DML 결함 검출 모델은 단일 채널 이미지와 설계, 관리 영역들 등을 결합시키고 이어서 이를 잠재 공간으로 투영하도록 구성될 수 있다. 설계 데이터, 관리 영역들 등이 다중 모드 검사에 대한 추가적인 이미지 채널로서 취급되는 경우, DML 결함 검출 모델은 다수의 이미지 채널들과 설계 데이터, 관리 영역들 등을 다중 채널 텐서로서 결합시키고 이어서 이를 잠재 공간으로 투영하도록 구성될 수 있다. 이러한 방식으로, 다수의 데이터 채널들은 잠재 공간으로 투영되기 전에 결합될 수 있다.
대안적인 실시예들에서, 상이한 데이터 채널들은 개별 잠재 공간들로 개별적으로 투영되어 이에 의해 상이한 채널들을 상이한 모드들로서 취급할 수 있다. 예를 들어, 설계, 관리 영역들 등이 없는 경우, DML 결함 검출 모델은 상이한 모드들에 대한 이미지들을 그 각자의 잠재 공간들로 투영하고, 잠재 공간들을 결합시키며, 거리를 계산할 수 있다. 설계, 관리 영역들 등이 이용 가능할 때, DML 결함 검출 모델은 각각의 이미징 모드 이미지들을 그 각자의 잠재 공간으로 투영하고, 설계를 다른 잠재 공간으로 투영하며, 이어서 거리 계산을 위해 모든 이미징 잠재 공간들과 설계 잠재 공간을 결합시킬 수 있다.
이상의 실시예들에서, 모든 채널들이 투영되는 단 하나의 잠재 공간이 있거나 또는 상이한 채널들이 개별적으로 그리고 독립적으로 투영되는 잠재 공간들의 개수가 입력 채널들의 개수와 동일하다(예를 들면, 결합 잠재 공간으로 결합되는 잠재 공간들의 개수 = 검사에 사용되는 모드들의 개수 + 설계 관련 입력들의 개수이다). 그렇지만, 일부 실시예들에서 위에서 기술된 바와 같이, DML 결함 검출 모델은 그룹들(이미지들 및/또는 설계, 관리 영역들 등)이 다중 채널 입력들로서 정의되도록 구성될 수 있고, 각각의 그룹은 하나의 잠재 공간으로 투영될 수 있다. 이러한 방식으로, 결합 잠재 공간을 생성하기 위해 결합되는 잠재 공간들의 개수는 1보다 클 수 있고 또한 입력들의 총수와 상이할 수 있다.
DML 결함 검출 모델을 사용하기 위한 2 개의 단계, 즉, 셋업(setup) 및 런타임(runtime)이 있을 수 있다. 셋업 시에, 결함 후보들이 픽셀 라벨링 방식으로 제공될 수 있다. 주어진 트레이닝 이미지에 대해, 결함은 각각의 픽셀마다 미리 결정된다. 이러한 픽셀 레벨 트레이닝 데이터는 픽셀 레벨에서 DML 모델을 트레이닝시키는 데 사용된다. 런타임 시에, DML 결함 검출 모델은 검사 영역에 대한 각각의 작업 프레임(job frame)에 대해 "각각의 픽셀이 결함인지 여부" 그리고 어쩌면 "어느 결함 유형인지"를 결정하는 데 사용된다. 본 명세서에 기술된 단계들은 또한 픽셀들, 작업 프레임들, 또는 본 명세서에 기술된 임의의 다른 테스트 이미지 부분들에 대해 수행될 수 있다.
본 명세서에 기술된 실시예들은 DML 결함 검출 모델을 트레이닝시키도록 구성될 수 있다. 그렇지만, 다른 시스템 또는 방법이 대안적으로 DML 결함 검출 모델을 트레이닝시키도록 구성될 수 있다. 이러한 방식으로, 본 명세서에 기술된 실시예들은 DML 결함 검출 모델의 트레이닝을 수행할 수 있거나 수행하지 않을 수 있다.
일 실시예에서, 하나 이상의 컴퓨터 시스템은 하나 이상의 트레이닝 이미지 및 하나 이상의 트레이닝 이미지에 대한 픽셀 레벨 실측 자료 정보(pixel-level ground truth information)로 DML 결함 검출 모델을 트레이닝시키도록 구성된다. 하나의 그러한 실시예에서, 하나 이상의 트레이닝 이미지 및 픽셀 레벨 실측 자료 정보는 PWQ(process window qualification) 웨이퍼로부터 생성된다. 예를 들어, PWQ 웨이퍼는 상이한 디바이스 영역들이 (리소그래피 프로세스의 노광 및 선량(dose)과 같은) 하나 이상의 상이한 파라미터로 형성되는 웨이퍼이다. 상이한 디바이스 영역들을 형성하기 위해 사용되는 하나 이상의 상이한 파라미터는 그러한 웨이퍼를 사용하여 생성되는 결함 검출 관련 데이터가 프로세스 변동들 및 드리프트를 시뮬레이션하도록 선택될 수 있다. PWQ 웨이퍼로부터 수집된 데이터는 이어서 DML 결함 검출 모델을 트레이닝시켜 프로세스 변동들에 대한 모델 안정성을 달성하기 위한 트레이닝 데이터로서 사용될 수 있다. 환언하면, 가능한 프로세스 변동들 및 드리프트를 캡처하는 트레이닝 데이터 세트로 DML 결함 검출 모델을 트레이닝시키는 것에 의해, DML 결함 검출 모델은 PWQ 유형 데이터로 트레이닝되지 않은 경우보다 해당 프로세스 변동들에 대해 더 안정적일 것이다. 그러한 데이터를 사용하는 트레이닝은 그렇지 않으면 본 명세서에 기술된 바와 같이 수행될 수 있다.
PWQ 방법들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2005년 6월 7일자로 발행된 Peterson 등의 미국 특허 제6,902,855호, 2008년 8월 26일자로 발행된 Peterson 등의 미국 특허 제7,418,124호, 2010년 6월 1일자로 발행된 Wu 등의 미국 특허 제7,729,529호, 2010년 8월 3일자로 발행된 Kekare 등의 미국 특허 제7,769,225호, 2011년 10월 18일자로 발행된 Pak 등의 미국 특허 제8,041,106호, 2012년 2월 7일자로 발행된 Wu 등의 미국 특허 제8,111,900호, 및 2012년 7월 3일자로 발행된 Peterson 등의 미국 특허 제8,213,704호에 기술된 바와 같이 수행될 수 있다. 본 명세서에 기술된 실시예들은 이러한 특허들에 기술된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있고 이러한 특허들에 기술된 바와 같이 또한 구성될 수 있다. PWQ 웨이퍼는 이러한 특허들에 기술된 바와 같이 인쇄될 수 있다.
다른 실시예에서, 하나 이상의 컴퓨터 시스템은 DML 결함 검출 모델을 트레이닝시키기 위한 능동 학습(active learning)을 수행하도록 구성된다. 예를 들어, DML 결함 검출 모델의 트레이닝 프로세스는 반도체 팹 내부의 낮은 결함 후보 상황들 또는 온라인 학습 상황들을 위해 능동 학습과 결합될 수 있다. 능동 학습은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2019년 12월 5일자로 공개된 Zhang 등의 미국 특허 출원 공보 제2019/0370955호에 기술된 바와 같이 수행될 수 있다. 본 명세서에 기술된 실시예들은 이 공보에 기술된 바와 같이 또한 구성될 수 있다.
DML 결함 검출 모델을 트레이닝시키는 데 사용되는 트레이닝 데이터는, 본 명세서에 더 기술되는 그러한 데이터를 포함하여, 전자 빔 시스템들, 광 기반 시스템들, 사용자(들), 및 물리 시뮬레이션에 의해 생성되는 정보와 같은 임의의 다른 실측 자료 데이터를 또한 포함할 수 있다. 트레이닝 데이터는 그러한 데이터의 임의의 조합을 또한 포함할 수 있다.
트레이닝된 DML 모델에 대한 입력들은 본 명세서에 기술된 바와 같이 다양할 수 있다. 예를 들어, 입력 이미지들은, 단 하나의 모드가 있든 다수의 모드들이 있든 간에, 모드당 1 개의 테스트 프레임 이미지 및 1 개의 참조 프레임 이미지를 포함할 수 있다. 다른 예에서, 입력 이미지들은, 단 하나의 모드가 있든 다수의 모드들이 있든 간에, 모드당 1 개의 테스트 프레임 이미지 및 N 개의 참조 프레임 이미지들을 포함할 수 있다. 추가적인 예에서, 입력 이미지들은, 단 하나의 모드가 있든 다수의 모드들이 있든 간에, 모드당 1 개의 테스트 프레임을 포함할 수 있다(참조 이미지들은 포함하지 않음). DML 결함 검출 모델에 대한 입력들은 또한 선택적으로 관리 영역들(즉, 검사 또는 다른 테스트 기능이 수행되어야 하는 영역들)을 포함할 수 있다. DML 결함 검출 모델에 대한 다른 선택적인 입력은 시료에 대한 설계 정보를 포함한다. DML 결함 검출 모델이 (본 명세서에서 더 기술되는) 학습 가능한 주성분 분석(learnable principal component analysis, LPCA) 참조 이미지 생성과 함께 사용되는 경우, 테스트 이미지 및 참조 이미지는 LPCA 참조 이미지들을 생성하는 데 사용되고, LPCA 참조 이미지들은 이어서 DML 결함 검출 모델에 공급된다. DML 결함 검출 모델의 출력은, 테스트 프레임(또는 다른 적합한 테스트 이미지 부분)에서의 각각의 픽셀에 대해, 픽셀이 결함인지 여부 및 (픽셀이 결함이라는 결정의 경우에) 픽셀이 어느 유형의 결함인지에 대한 결정을 포함할 수 있다. 출력은 그렇지 않으면 본 기술 분야에서 알려진 임의의 적합한 파일 또는 형식을 가질 수 있다.
다른 실시예는 시료에 대한 참조 이미지를 생성하도록 구성된 시스템에 관한 것이다. 이 시스템은 하나 이상의 컴퓨터 시스템 및 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트를 포함한다. 하나 이상의 컴퓨터 시스템은 본 명세서에 더 기술되는 바와 같이 구성될 수 있다. 하나 이상의 컴포넌트는 임의의 적합한 방식으로 하나 이상의 컴퓨터 시스템에 의해 실행될 수 있다. 이러한 시스템들에서, 하나 이상의 컴포넌트는 학습 가능한 로우 랭크 참조 이미지(LLRI) 생성기를 포함한다.
하나 이상의 컴퓨터 시스템은 시료에 대한 하나 이상의 테스트 이미지를 LLRI 생성기에 입력하도록 구성된다. 시료에 대한 설계에서의 동일한 위치에 대응하는 시료 상의 상이한 위치들에 대한 하나 이상의 테스트 이미지가 생성된다. 예를 들어, 하나 이상의 테스트 이미지는 시료 상의 상이한 다이들, 시료 상의 상이한 셀들 등에서의 대응하는 위치들에서 생성될 수 있다. 따라서 대응하는 위치들은, 동일한 FOV(시료 상의 또는 이미지들에서의 영역) 외에도, 동일한 다이 좌표들, 동일한 셀 좌표들 등을 가질 수 있다. 컴퓨터 시스템(들)은 임의의 적합한 방식으로 테스트 이미지(들)를 LLRI 생성기에 입력할 수 있다.
LLRI 생성기는 하나 이상의 테스트 이미지로부터 노이즈를 제거하여 이에 의해 하나 이상의 테스트 이미지에 대응하는 하나 이상의 참조 이미지를 생성하도록 구성된다. 예를 들어, 결함들에 대응하는 테스트 이미지의 부분들은 테스트 이미지의 다른 부분들보다 노이즈가 더 많은 것처럼 보일 수 있다(예를 들면, 이미지의 그 부분들은 이미지의 다른 부분들에 대해 이상치들인 신호들을 가질 수 있으며, 신호가 이상치인지 여부는 본 기술 분야에서 알려진 다수의 상이한 방식들로 정의될 수 있다). 따라서, 하나 이상의 테스트 이미지로부터 노이즈를 식별하고 제거하는 것에 의해, 결과적인 이미지들은 결함 검출(및 다른) 목적들을 위한 참조로서 사용하기에 적합할 수 있다. 하나 이상의 참조 이미지는 이어서 본 명세서에 더 기술되는 바와 같이 결함 검출을 위해 사용될 수 있다. LLRI 생성기는 본 명세서에 기술된 다양한 구성들 중 하나를 가질 수 있고 본 명세서에 더 기술된 바와 같이 노이즈 제거를 수행할 수 있다.
"로우 랭크 제약"이라고 본 기술 분야에서 알려진 기술은 CR(computed reference) 및 TD(Tensor Decomposition)와 같은 이상치 검출 알고리즘들에서 사용될 수 있다. 본 명세서에 기술된 실시예들은 로우 랭크 제약 기술을 공간 콘텍스트로 확장하고 DL 분류에서 이 개념을 활용할 수 있다.
PCA(Principle Component Analysis)는 본 발명가들이 CR에서의 로우 랭크 제약을 위해 탐구한 하나의 도구이다. PCA가 다중 이미지 재구성 문제에 적용될 때, 문제 설명(problem statement)은 아래와 같이 요약될 수 있다. X가 (w * h, c)의 차원을 갖는 3D 텐서(DC 성분이 보통 제거됨)이고 w, h 및 c가, 제각기, 이미지들의 폭, 높이 및 개수인 경우, PCA는, 분산 추정을 최대화하는, (c, 1)의 차원을 갖는 주성분 벡터 w를 찾으려고 하며,
여기서 T는 행렬 전치 연산자이다. 주성분은 다음과 같이 정의된다:
다수의 주성분 벡터들이 반복적인 PCA, 행렬 직교화, SVD(singular value decomposition) 등을 통해 계산될 수 있다. 로우 랭크 근사는 보통 주성분들의 고유값들에 기초하여 주성분들에 대한 필터링을 통해 적용된다. 보다 큰 고유값은 이미지 데이터에 대한 보다 큰 분산 방향에 대응한다. 로우 랭크 근사 하에서의 X의 재구성은 수학식 3에 의해 달성될 수 있고:
여기서 W는 열 형식으로 된 선택된 주성분 벡터들로 구성된 2D 행렬, 즉, {w1, w2, ...}이다.
상기의 문제 설명은 상당히 고전적이며 본 기술 분야에서 알려져 있다. 그러한 문제 설명에 대한 한 가지 단점은 이미지에서의 픽셀들을 독립적인 값들의 그룹으로서 취급한다는 것이다. 따라서, 동일한 이미지에서의 픽셀들이 순열화되는 경우, PCA는 동일한 주성분들 및 재구성을 생성할 것이며, 이는 통상적으로 2D 이미지들에서의 공간 정보를 기술하기에 부적절한 것으로 생각된다.
다른 실시예에서, LLRI 생성기는 공간 로우 랭크 신경 네트워크 모델을 포함한다. 예를 들어, LPCA는 공간 신경 PCA일 수 있다. PCA를 확장하여 공간 상관을 캡처하기 위해, 아래에서 공간 콘텍스트를 갖는 PCA 또는 SpatialPCA를 도입한다. 먼저, X를 (w, h, c)의 차원을 갖는 3D 텐서로서 재정의하고, 주성분 벡터 w는 (w', h', c, 1)의 차원을 갖는 X에 대한 공간 커널들의 집합체로서 정의된다. PCA와 유사하게, 수학식 4와 같이 2D 콘볼루션 계층을 통해 주성분들을 계산할 수 있다.
SpatialPCA의 목적은,
이고, 등가적으로, 자기 상관 AC(·)를 사용하면
이다. 자기 상관 함수 AC(·)는 자신의 시프트된 버전으로 입력 X의 공분산 행렬을 계산한다. 주성분 벡터들은 반복적인 PCA, 직교화 및 SVD에 의해 유사하게 구해질 수 있다.
학습 가능한 PCA의 경우, SpatialPCA는 DL 분류에서의 로우 랭크 제약들을 적응시키기 위해 지도 분류기(supervised classifier)와 통합하도록 확장된다.
결합된 솔루션을 예증하기 전에, 2D 콘볼루션 연산들을 사용하여 SpatialPCA 구현을 적응시킬 필요가 있다. conv2d에 매핑되기 위해 필요한 세 가지 계산이 있다:
(n, w, h, c)의 차원을 갖는 X의 입력 이미지들 및 (w', h', c, o)의 차원을 갖는 학습 가능한 주성분 벡터들 w가 주어지고, 여기서 w와 h(또는 w'와 h')는 입력(또는 필터들)의 폭과 높이이고, n은 미니 배치(mini-batch)의 크기이며, c는 입력들에 대한 채널들의 개수이고(w의 제3 차원은 c와 동일함), o는 conv2D에 대한 출력 차원이고 비절단된 PCA에서 
를 충족시키는 경우,
X의 재구성 및 주성분은 텐서플로(tensorflow) 또는 대안적인 DL 프레임워크들을 통해 계산될 수 있다.
i까지의 절단을 갖는 필터 w가 주어지면, X는 아래와 같이 재구성될 수 있다.
따라서, SpatialPCA는 이하의 최적화에 의해 구해질 수 있다.
수치 실험에서 본 발명자들에 의해 이루어진 여러 관찰들은 이하를 포함한다:
일 실시예에서, LLRI 생성기는 학습 가능한 주성분 분석(PCA) 모델을 포함한다. 색상 변동들의 존재 시에 보다 약한 신호들을 향상시키기 위해 본 명세서에 기술된 실시예들에 학습 가능한 PCA(LPCA)가 도입된다. 전통적으로, PCA는 상위 차수 주성분들을 제거하는 것에 의해 저주파 참조를 선택적으로 구성하는 한 가지 접근법이다. LPCA의 초점은 PCA보다 약간 더 넓으며; 색상 변동들을 제거하는 것 외에도, LPCA는 또한 동시에 두드러진 신호들을 향상시킬 것으로 예상된다.
LPCA는, 수학식 10에 의해 예증되는 바와 같이, 원래 PCA 재구성 공식을 공간 2D PCA로 확장하는 것에 의해 원래 PCA 재구성 공식으로부터 도출된다. (비고, 수학식 10에서의 * 연산자는 콘볼루션 연산자이다.) T는 행렬 전치 연산자이다. 따라서, PCA 재구성은 2 개의 콘볼루션 계층을 갖는 얕은 CNN(shallow CNN)으로서 표현될 수 있다.
LPCA는, 대각화(diagonalization) 대신에, 최적화(수학식 11 참조)를 통해 로우 랭크 필터들을 구한다. 이 접근법은 LPCA 네트워크를 후속하는 임의의 검출 또는 분류 네트워크와 직접 체이닝(chain)하는 자유를 제공한다.
다른 실시예에서, LLRI 생성기는 학습 가능한 독립 성분 분석(independent component analysis, ICA) 모델 또는 학습 가능한 정준 상관 분석(canonical correlation analysis, CCA) 모델을 포함한다. 이러한 방식으로, LLRI 생성기는 PCA, ICA, CCA 등의 유형의 모델일 수 있다. 추가적으로, LLRI 생성기는 텐서 분해 모델일 수 있다. 본 명세서에 기술된 실시예들에서 사용하기에 적합한 ICA 모델 구성들의 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 
등의 "Independent Component Analysis: Algorithms and Applications", Neural Networks, 13(4-5):411-430, 2000에서 찾아볼 수 있다. 본 명세서에 기술된 실시예들에서 사용하기 위해 적응될 수 있는 CCA 모델들의 예들에 대한 설명은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 33 페이지 분량의 2017년 11월 7일자 arXiv:1711.02391에서의 UUrtio 등의 "A Tutorial on Canonical Correlation Methods"에 기술되어 있다. 본 명세서에 기술된 실시예들에서 사용하기 위해 적응될 수 있는 적합한 텐서 분해 모델들의 예들은 13 페이지 분량의 2017년 11월 29일자 arXiv:1711.10781에서의 Rabanser 등의 "Introduction to Tensor Decompositions and their Applications in Machine Learning"에 기술되어 있다. 본 명세서에 기술된 실시예들은 이러한 참고 문헌들에 기술된 바와 같이 또한 구성될 수 있다.
일부 실시예들에서, LLRI 생성기는 선형 또는 비선형 회귀 모델을 포함한다. 본 기술 분야에서 알려진 임의의 적합한 선형 또는 비선형 회귀 모델은 본 명세서에 기술된 LLRI 생성기로서 사용하기 위해 적응될 수 있다.
추가의 실시예에서, LLRI 생성기는 공간 로우 랭크 확률 모델을 포함한다. 예를 들어, LLRI 생성기는 베이지안 CNN일 수 있다. 베이지안 CNN들의 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 38 페이지 분량의 2019년 1월 8일자 arXiv:1901.02731에서의 Shridhar 등의 "A Comprehensive guide to Bayesian Convolutional Neural Network with Variational Inference"에서 찾아볼 수 있다. 공간 로우 랭크 확률 모델은 또한 확률적 PCA 모델일 수 있으며, 본 명세서에 기술된 실시예들에서 사용하기 위해 적응될 수 있는 그 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, Tipping 및 Bishop의 "Probabilistic Principal Component Analysis", Journal of the Royal Statistical Society, Series B, 61, Part 3, pp. 611-622, September 27, 1999, 및 Zhao 등의 "Probabilistic Principal Component Analysis for 2D data", Int. Statistical Inst.: Proc. 58th World Statistical Congress, August 2011, Dublin, pp. 4416-4421에서 찾아볼 수 있다. 본 명세서에 기술된 실시예들은 이러한 참고 문헌들에 기술된 바와 같이 또한 구성될 수 있다.
일 실시예에서, 상이한 위치들은 시료 상의 상이한 다이들에서의 위치들을 포함한다. 다른 실시예에서, 상이한 위치들은 시료 상의 단 하나의 다이에서의 다수의 위치들을 포함한다. 예를 들어, 하나 이상의 테스트 이미지는 시료 상의 상이한 다이들에서의 대응하는 위치들, 시료 상의 상이한 셀들에서의 대응하는 위치들 등에 대해 생성될 수 있다. 다수의 셀들이 시료 상의 모든 다이에 위치할 수 있다. 따라서, 테스트 이미지(들)는 시료 상의 단 하나의 다이에서 다이 내의 하나 이상의 셀의 하나 이상의 위치에서 생성될 수 있다.
추가의 실시예에서, 하나 이상의 테스트 이미지는 이미징 시스템에 의해 시료에 대해 생성된 작업 프레임에 대응하고, LLRI 생성기가 작업 프레임 및 상이한 작업 프레임에 대해 하나 이상의 참조 이미지를 개별적으로 생성하도록, 하나 이상의 컴퓨터 시스템은 이미징 시스템에 의해 시료에 대해 생성된 상이한 작업 프레임에 대응하는 하나 이상의 다른 테스트 이미지에 대해 입력하는 것을 반복하도록 구성된다. 예를 들어, LLRI 생성기를 사용하기 위한 2 개의 단계, 즉, 셋업 및 런타임이 있을 수 있다. 셋업 시에, 각각의 다이에 대한 LLRI 생성을 학습하기 위해 결함 후보들이 사용될 수 있다. 결함 후보가 이용 가능하지 않은 경우, LPCA는 일반 PCA(normal PCA)로 된다. 런타임 시에, 검사 영역에 대한 각각의 작업 프레임에 대해 LLRI가 생성된다. 환언하면, 상이한 작업 프레임들에 대해, 제각기, 상이한 참조 이미지들이 생성될 수 있다. 참조 이미지들이 생성되는 작업 프레임들은 테스트(검사, 결함 검토, 계측 등)가 수행되는 작업 프레임들 전부를 포함할 수 있다. 이러한 방식으로, 트레이닝된 LLRI 생성기에 대한 입력들은 다이 대 다이 유형 검사의 경우에 동일한 상대 다이 위치에 있는 상이한 다이들에 대한 N 개의 프레임 이미지들을 포함하거나 셀 대 셀 유형 검사의 경우 상이한 셀들로부터의 N 개의 셀 이미지들을 포함할 수 있으며, 트레이닝된 LLRI 생성기는 N 개의 참조 이미지들을 출력할 수 있다.
일부 실시예들에서, 이미징 시스템의 단일 모드만을 사용하여 이미징 시스템에 의해 시료에 대한 하나 이상의 테스트 이미지가 생성된다. 예를 들어, 참조 이미지가 생성되는 테스트 이미지들은 동일한 모드를 사용하여 생성된 테스트 이미지들만을 포함할 수 있다. 이미징 시스템의 모드는 본 명세서에 기술된 모드들 중 임의의 것을 포함할 수 있다.
다른 실시예에서, 이미징 시스템의 단일 모드만을 사용하여 이미징 시스템에 의해 시료에 대한 하나 이상의 테스트 이미지가 생성되고, 이미징 시스템의 상이한 모드를 사용하여 이미징 시스템에 의해 시료에 대해 생성된 하나 이상의 다른 테스트 이미지에 대한 하나 이상의 참조 이미지를 LLRI 생성기가 생성하도록, 하나 이상의 컴퓨터 시스템은 하나 이상의 다른 테스트 이미지에 대해 입력하는 것을 반복하도록 구성된다. 이러한 방식으로, 상이한 모드들로 생성된 테스트 이미지들에 대해 상이한 참조 이미지들이 생성될 수 있다. 테스트 이미지들 및 테스트 이미지들에서의 노이즈가 모드마다 크게 달라질 수 있기 때문에 상이한 모드들로 생성된 테스트 이미지들에 대한 참조 이미지들을 개별적으로 그리고 독립적으로 생성하는 것은 다중 모드 검사 및 다른 테스트들에 중요할 것이다. 따라서, 하나의 모드에서 사용하기에 적합한 생성된 참조 이미지가 또한 상이한 모드들에서 사용하기에 적합하지는 않을 수 있다. 참조 이미지들이 생성되는 상이한 모드들은 본 명세서에 기술된 다수의 모드들 중 임의의 것을 포함할 수 있다.
결함 검출 컴포넌트가 하나 이상의 테스트 이미지 및 그의 대응하는 하나 이상의 참조 이미지에 기초하여 시료 상의 결함들을 검출한다. 따라서, LLRI 생성기에 의해 생성되는 참조 이미지들은 시료 상의 결함들을 검출하는 데 사용될 수 있다. 생성된 참조 이미지들로 수행되는 결함 검출은 본 명세서에 기술된 결함 검출 또는 본 기술 분야에서 알려진 임의의 다른 적합한 결함 검출을 포함할 수 있다. 환언하면, LLRI 생성기에 의해 생성되는 참조 이미지들은 임의의 결함 검출 방법에서 임의의 다른 참조 이미지와 동일한 방식으로 사용될 수 있다.
일 실시예에서, 결함 검출 컴포넌트는 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트에 포함된다. 이러한 방식으로, 실시예들은 LLRI 생성기와 결함 검출 컴포넌트의 조합을 포함할 수 있으며, 이는 본 명세서에 기술된 지도 또는 비지도 검출기들/분류기들 중 하나일 수 있다. 따라서 결함 검출 컴포넌트는 시스템에 포함된 하나 이상의 컴퓨터 시스템에 의해 실행되는 컴포넌트들에 포함될 수 있다. 환언하면, 본 명세서에 기술된 시스템들은 생성된 참조 이미지들을 사용하여 결함 검출을 수행할 수 있다. 대안적으로, 결함 검출 컴포넌트는 결함 검출을 수행하는 다른 시스템에 포함될 수 있다. 예를 들어, 본 명세서에 기술된 바와 같이 생성되는 참조 이미지들은, 다른 시스템이 생성된 참조 이미지들을 사용하여 결함 검출을 수행할 수 있도록, 다른 시스템에 의해 액세스 가능하거나 그렇지 않으면 다른 시스템으로 전송되거나 다른 시스템에 이용 가능하게 되는 컴퓨터 판독 가능 매체에 저장될 수 있다.
하나의 그러한 실시예에서, 하나 이상의 컴퓨터 시스템은 하나 이상의 트레이닝 이미지 및 하나 이상의 트레이닝 이미지에 대한 픽셀 레벨 실측 자료 정보로 LLRI 생성기와 결함 검출 컴포넌트를 결합하여 트레이닝시키도록 구성된다. 픽셀 레벨 실측 자료 정보는 수동 분류, 전자 빔 검출 모델 또는 하이브리드 검사기에 의해 생성되는 라벨들을 포함할 수 있다. 하이브리드 검사는, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2017년 7월 6일자로 공개된 Bhaskar 등의 미국 특허 출원 공보 제2017/0194126호에 기술된 바와 같이 수행될 수 있다. 결합된 LLRI 생성기 및 결함 검출 컴포넌트는 이어서 이미지들(예를 들면, 광학 이미지들) 및 픽셀 레벨 실측 자료 정보를 사용하여 트레이닝될 수 있다. 결합된 LLRI 생성기 및/또는 결함 검출 컴포넌트를 트레이닝시키는 것은 본 기술 분야에서 알려진 임의의 적합한 방식(예를 들면, 생성기 및/또는 결함 검출 컴포넌트에 의해 생성되는 검출 및/또는 분류 결과들이 입력들에 대한 실측 자료 정보와 매칭할 때까지 생성기 및/또는 결함 검출 컴포넌트의 하나 이상의 파라미터를 수정하는 것)으로 수행될 수 있다.
일부 그러한 실시예들에서, 하나 이상의 트레이닝 이미지는 사용자에 의해 선택되는 하나 이상의 결함 클래스에 대한 이미지들을 포함한다. 예를 들어, 사용자는 주어진 시료 계층에서 중대한 주요 결함 유형들을 결정할 수 있고; 그렇지 않으면, 기본적으로 모든 결함 유형들이 똑같이 중요한 것으로 간주된다. 선택된 주요 결함 유형들에 대한 후보 결함 샘플들은, 예를 들어, 사용자로부터, BBP 결함 발견 또는 전자 빔 검사 결함 발견에 의해 획득될 수 있다. 이러한 방식으로, 선택된(전부는 아님) 또는 모든 결함 유형들이 목표 감도 향상을 위한 모델 학습에 할당될 수 있다. 유사한 방식으로, 선택된(또는 전부는 아님) 또는 모든 결함 유형들이 목표 뉴슨스(nuisance) 감소를 위한 모델 학습에 할당될 수 있다.
다른 그러한 실시예에서, 하나 이상의 트레이닝 이미지는 사용자에 의해 선택되는 시료 상의 하나 이상의 핫스폿에 대한 이미지들을 포함한다. "핫스폿들"은 일반적으로 결함들에 보다 취약한 것으로 알려진(또는 의심되는) 시료에 대한 설계에서의 위치들로서 본 기술 분야에서 정의된다. 핫스폿들은 임의의 적합한 방식으로 사용자에 의해 선택될 수 있다. 핫스폿들은 또한, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2009년 8월 4일자로 Zafar 등에게 발행된 미국 특허 제7,570,796호 및 2010년 3월 9일자로 Kulkarni 등에게 발행된 미국 특허 제7,676,077호에 기술된 바와 같이 정의되고 발견될 수 있다. 본 명세서에 기술된 실시예들은 이러한 특허들에 기술된 바와 같이 또한 구성될 수 있다.
추가적인 그러한 실시예에서, 하나 이상의 트레이닝 이미지는 사용자에 의해 선택되는 시료에 대한 설계에서의 하나 이상의 약한 패턴(weak pattern)에 대한 이미지들을 포함한다. "약한 패턴들"은 일반적으로 설계에서의 다른 패턴들보다 결함들에 더 취약한 것으로 알려진(또는 의심되는) 시료에 대한 설계에서의 패턴들로서 본 기술 분야에서 정의된다. 약한 패턴들은 임의의 적합한 방식으로 사용자에 의해 선택될 수 있다. 약한 패턴들은 또한 Zafar와 Kulkarni의 앞서 참조된 특허들에 기술된 바와 같이 정의되고 발견될 수 있다. 일부 경우에, 약한 패턴들이 또한 핫스폿들로서 지정될 수 있지만(그리고 그 반대의 경우도 마찬가지임) 반드시 항상 그러한 것은 아니다(즉, 약한 패턴이 설계에서 핫스폿으로서 식별될 수 있지만 핫스폿이 반드시 약한 패턴으로 정의되어야 하는 것은 아니며 그 반대의 경우도 마찬가지이다).
일 실시예에서, 픽셀 레벨 실측 자료 정보는 전자 빔 이미징 시스템에 의해 생성된다. 예를 들어, 트레이닝 실측 자료 데이터는 전자 빔 검사 시스템, 전자 빔 결함 검토 시스템, SEM, 투과 전자 현미경(TEM) 등과 같은 전자 빔 시스템으로부터 유래한 것일 수 있다. 전자 빔 이미징 시스템은 본 명세서에 기술된 바와 같이 또한 구성될 수 있으며 이 시스템의 일부일 수 있거나 그렇지 않을 수 있다. 예를 들어, 본 명세서에 기술된 시스템들은 전자 빔 이미징을 사용하여 픽셀 레벨 실측 자료 정보를 생성하도록 구성될 수 있고, 본 명세서에 기술된 컴퓨터 시스템(들)은 전자 빔 이미지들에 대한 실측 자료 정보를 생성할 수 있다. 대안적으로, 다른 시스템 또는 방법이 전자 빔 실측 자료 정보를 생성할 수 있고, 그러한 정보는 본 명세서에 기술된 실시예들에 의해 획득될 수 있다.
다른 실시예에서, 픽셀 레벨 실측 자료 정보는 광 기반 시스템에 의해 생성된다. 예를 들어, 트레이닝 실측 자료 데이터는 광 기반 검사 시스템(어쩌면 실질적으로 고 분해능을 위해 구성되거나 고 분해능 모드에서 사용되는 것), 광 기반 결함 검토 시스템 등과 같은 광 기반 시스템으로부터 온 것일 수 있다. 광 기반 시스템은 본 명세서에 기술된 바와 같이 또한 구성될 수 있으며 이 시스템의 일부일 수 있거나 그렇지 않을 수 있다. 예를 들어, 본 명세서에 기술된 시스템들은 광 기반 이미징을 사용하여 픽셀 레벨 실측 자료 정보를 생성하도록 구성될 수 있고, 본 명세서에 기술된 컴퓨터 시스템(들)은 광 기반 이미지들에 대한 실측 자료 정보를 생성할 수 있다. 대안적으로, 다른 시스템 또는 방법이 광 기반 실측 자료 정보를 생성할 수 있고, 그러한 정보는 본 명세서에 기술된 실시예들에 의해 획득될 수 있다.
일부 실시예들에서, 픽셀 레벨 실측 자료 정보는 사용자로부터 수신되는 정보를 포함한다. 예를 들어, 이 시스템은 트레이닝 시료에 대해 생성되는 하나 이상의 트레이닝 이미지에 대한 실측 자료 정보를 사용자로부터 수신할 수 있다. 하나의 그러한 예에서, 트레이닝 시료의 전자 빔 이미지들이 사용자에게 디스플레이될 수 있고, 사용자는 이미지들이 결함을 포함하는지 여부 및 어쩌면 어떤 유형의 결함이 이미지들에서 보이는지와 같은 전자 빔 이미지들에 대한 정보를 입력할 수 있다. 그러한 정보는 이미지들을 사용자에게 디스플레이하고 사용자가 정보를 입력하기 위한 능력을 제공하는 것에 의해 본 명세서에 기술된 시스템들에 의해 획득될 수 있다. 그러한 정보는 또한 또는 대안적으로 사용자로부터 정보를 획득한 다른 방법 또는 시스템으로부터 본 명세서에 기술된 실시예들에 의해 획득될 수 있다.
추가의 실시예에서, 픽셀 레벨 실측 자료 정보는 하나 이상의 트레이닝 이미지로 수행되는 물리 시뮬레이션의 결과들로부터 생성되는 하나 이상의 트레이닝 이미지에 대한 정보를 포함한다. 물리 시뮬레이션은 본 기술 분야에서 알려진 임의의 시뮬레이션을 포함할 수 있다. 예를 들어, 트레이닝 이미지에서 보이는 결함의 경우, 물리 시뮬레이션은 결함이 위치하는 시료를 사용하여 형성되는 디바이스의 물리에 해당 결함이 어떻게 영향을 미칠 것인지를 시뮬레이션하는 것을 포함할 수 있다. 그러한 시뮬레이션들은 본 기술 분야에서 알려진 임의의 적합한 방식으로 수행될 수 있다. 물리 시뮬레이션의 결과들은 이어서 픽셀 레벨 실측 자료 정보로서 사용되는 결함들에 대한 추가적인 정보를 생성하는 데 사용될 수 있다. 예를 들어, 물리 시뮬레이션의 결과들은 결함이 디바이스에서 한 유형의 문제(예를 들면, 단락, 개방 등)를 야기할 것임을 보여줄 수 있으며, 결함은 이어서 해당 유형의 문제를 나타내는 분류를 할당받을 수 있다. 그러한 분류들은 이어서 결함들에 대한 픽셀 레벨 실측 자료 정보로서 사용될 수 있다. 그러한 물리 시뮬레이션으로부터 생성될 수 있는 임의의 다른 정보는 또한 또는 대안적으로 픽셀 레벨 실측 자료 정보로서 사용될 수 있다. 그러한 픽셀 레벨 실측 자료 정보는 본 명세서에 기술된 실시예들에 의해 수행될 수 있다. 대안적으로, 물리 시뮬레이션을 이용하여 생성되는 픽셀 레벨 실측 자료 정보는 그러한 픽셀 레벨 실측 자료 정보를 생성한 다른 방법 또는 시스템으로부터 획득될 수 있다.
추가의 실시예에서, 픽셀 레벨 실측 자료 정보는 제1 형식과는 상이한 제2 형식으로 된 알려진 결함 위치들로부터 제1 형식으로 변환된 정보를 포함한다. 예를 들어, 알려진 결함 위치들은 픽셀 레벨 실측 자료 데이터로 변환될 수 있다. 추가적으로, 하나의 형식으로 된 결함 정보(예를 들면, KLA로부터 상업적으로 이용 가능한 도구들에 의해 사용되는 독점 파일 형식인 KLARF 파일, KLA로부터 상업적으로 이용 가능한 도구인 Klarity에 의해 생성되는 결과 파일, 로트 결과(lot result) 등)는 픽셀 레벨 실측 자료 데이터로 변환될 수 있다. 결함 정보가 변환되는 형식(즉, 픽셀 레벨 실측 자료 정보)은 사용 동안 DML 결함 검출 모델에 입력될 이미지들의 형식 및 DML 결함 검출 모델에 의해 이미지들에 대해 생성될 출력(즉, 입력 이미지 및 입력 이미지에 대해 DML 결함 검출 모델에 의해 생성될 라벨)일 수 있다.
알려진 결함 위치들은 다수의 상이한 방식들로, 즉, 검사 및 검토를 통해, 프로그래밍된 결함들 또는 합성 결함들을 통해, 시뮬레이션 등을 통해, "알려질" 수 있다. 알려진 결함 위치들은 임의의 적합한 방식으로 픽셀 레벨 실측 자료 데이터로 변환될 수 있다. 알려진 결함 위치들은 본 명세서에 기술된 실시예들의 하나 이상의 컴퓨터 시스템에 의해 픽셀 레벨 실측 자료 데이터로 변환될 수 있다. 대안적으로, 다른 시스템 또는 방법은 알려진 결함 정보를 픽셀 레벨 실측 자료 데이터로 변환할 수 있고, 본 명세서에 기술된 실시예들은 임의의 적합한 방식으로 다른 방법 또는 시스템으로부터 해당 픽셀 레벨 실측 자료 데이터를 획득할 수 있다. 본 명세서에 기술된 실시예들에서 사용하기 위해 픽셀 레벨 실측 자료 데이터로 변환될 수 있는 알려진 결함 위치 데이터를 획득할 수 있는 시스템들 및 방법들의 일부 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2019년 10월 3일자로 공개된 Bhaskar 등의 미국 특허 출원 공보 제2019/0303717호에 기술되어 있다. 본 명세서에 기술된 실시예들은 이 공보에 기술된 바와 같이 또한 구성될 수 있다.
일 실시예에서, 결함 검출 컴포넌트는 DL 결함 검출 컴포넌트를 포함한다. 그러한 실시예에서, DL 검출 컴포넌트는 본 명세서에 더 기술되는 바와 같은 DML 결함 검출 모델일 수 있거나 그렇지 않을 수 있다. 이러한 방식으로, LLRI 기반 검출의 일 실시예에서, 사용자가 선택한 결함 클래스들에 대한 "최상의" 근사화된 로우 랭크 변환 및 픽셀 레벨 검출/분류기를 동시에 학습하는 엔드 투 엔드 학습 시스템을 형성하기 위해 LLRI 생성기가 DL CNN과 결합될 수 있다. 따라서 그러한 실시예는 DL 검출기/분류기의 능력과 로우 랭크의 안정성을 결합시킨다. DL 결함 검출 컴포넌트는 또한 결정 트리, 랜덤 포레스트, 서포트 벡터 머신(SVM) 등과 같은 머신 러닝(ML) 특징 기반 검출 모델일 수 있다. DL 결함 검출 컴포넌트는 또한 CNN, 베이지안 CNN, 메트릭 CNN, 메모리 CNN 등과 같은 DL 기반 검출 모델일 수 있다. 메모리 CNN들의 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 4 페이지 분량의 2018년 12월 3일자 arXiv:1812.01087에서의 Braman 등의 "Disease Detection in Weakly Annotated Volumetric Medical Images using a Convolutional LSTM Network", 및 9 페이지 분량의 2018년 3월 9일자 arXiv:1712.06316에서의 Luo 등의 "LSTM Pose Machines"에 기술되어 있다. 메트릭 CNN들은 2 개의 사물(예를 들면, 이미지)이 매칭하는지를 결정하기 위해 유사성 척도(메트릭)를 사용하는 한 유형의 CNN이다. 메트릭 CNN들의 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 캘리포니아주 팔로 알토 소재의 AAAI Press에 의해 출판된, Bell 등의 "Learning visual similarity for product design with convolutional neural networks", ACM Transactions on Graphics (TOG), Volume 34, Issue 4, July 2015, Article No.: 98, pp. 1-10 및 Wang 등의 "DARI: Distance Metric and Representation Integration for Person Verification", Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence, pp. 3611-3617, February 2016에 기술되어 있다. 본 명세서에 기술된 실시예들은 이상의 참고 문헌들 중 일부 또는 전부에 기술된 바와 같이 또한 구성될 수 있다.
일부 실시예들에서, 결함 검출 컴포넌트는 결함 분류기로서 구성되지 않는다. 환언하면, 결함 검출 컴포넌트는 시료 상의 이벤트들을 검출할 수 있지만 이벤트들인 어떤 유형의 결함도 식별하지 못할 수 있다. 그러한 결함 검출 컴포넌트는 또한 검출된 이벤트들의 뉴슨스 필터링을 수행할 수 있거나 그렇지 않을 수 있다. 그렇지만 결함 검출 컴포넌트는 또한 본 명세서에서 더 기술되는 바와 같이 결함 분류 및 뉴슨스 필터링을 수행할 수 있다. 대안적으로, (이 시스템에 포함된 하나 이상의 컴퓨터 시스템에 의해 실행되는 컴포넌트들에 포함될 수 있거나 포함되지 않을 수 있는) 결함 분류 컴포넌트는 결함 검출 컴포넌트에 의해 검출되는 결함들의 분류를 수행할 수 있다. 결함 분류를 또한 수행할 수 있고 ML 기반인 결함 검출 컴포넌트들의 일부 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2019년 3월 7일자로 공개된 He 등의 미국 특허 출원 공보 제2019/0073568호에 기술되어 있다. ML 기반 결함 검출기들의 일부 예들은, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2019년 1월 22일자로 발행된 Karsenti 등의 미국 특허 제10,186,026호에 기술되어 있다. 본 명세서에 기술된 실시예들은 이러한 참고 문헌들에 기술된 바와 같이 또한 구성될 수 있다.
추가의 실시예에서, 결함 검출 컴포넌트는 비-DL 결함 검출 컴포넌트를 포함한다. 예를 들어, 결함 검출 컴포넌트는 대응하는 테스트 이미지로부터 LLRI를 차감하여 차이 이미지를 생성하고 이어서 차이 이미지를 사용하여 시료 상의 결함들을 검출하는 것과 같은 고전적인 결함 검출을 수행할 수 있다. 하나의 그러한 예에서, 결함 검출 컴포넌트는 본 명세서에 기술된 바와 같이 생성되는 참조 이미지가 대응하는 테스트 이미지로부터 차감되고 결과적인 차이 이미지가 임계치와 비교되는 이진화 기반(thresholding-based) 결함 검출 컴포넌트일 수 있다. 이진화 알고리즘의 가장 간단한 버전에서, 임계치 초과의 값을 갖는 임의의 신호들 또는 출력은 잠재적인 결함들 또는 결함 후보들로서 식별될 수 있고, 임계치 초과의 값을 갖지 않는 임의의 신호들 또는 출력은 잠재적인 결함들 또는 결함 후보들로서 식별되지 않는다. 그렇지만, 이진화 알고리즘은 KLA로부터 상업적으로 이용 가능한 일부 시스템들에서 이용 가능한 MDAT 알고리즘 및/또는 LCAT 알고리즘에서와 같이 위에서 기술된 것과 비교하여 상대적으로 복잡할 수 있다.
다른 실시예에서, 결함 검출 컴포넌트는 DML 결함 검출 모델을 포함한다. 이러한 방식으로, LLRI 생성기는 DML 검출과 결합될 수 있다. 하나의 그러한 실시예에서, LLRI 생성기는 수학을 위한 2 개의 콘볼루션 계층을 포함하는 도 3에서의 LPCA 블록(300)으로서 도시되어 있다. LPCA 블록에 대한 입력들은 동일한 상대적 다이 위치 그러나 상이한 다이들(또는 결함 검출이 어떻게 수행될 것인지에 따라 셀들)에 대한 N 개의 다이 이미지들이다. 예를 들어, 도 3에 도시된 바와 같이, LPCA 블록(300)에 대한 입력들은 N 개의 다이 이미지들(302)을 포함할 수 있고, 이들 각각은 동일한 상대적 다이 위치 그러나 상이한 다이들에서 획득된다. LPCA 블록에 대한 출력들은 저주파 노이즈 및 고주파 노이즈 둘 모두를 제거한 후의 N 개의 참조 이미지들이다. 예를 들어, 도 3에 도시된 바와 같이, LPCA 블록의 출력들은, 입력 다이 이미지들 각각에 대해 하나씩, N 개의 참조 이미지들(304)이다.
이 구성(다른 구성들도 가능함)에서, 원래 다이 이미지들 및 포스트-LPCA(post-LPCA) 참조 이미지들 둘 모두가 DML 검출 모델에 입력된다. 예를 들어, 도 3에 도시된 바와 같이, 테스트 이미지 및 대응하는 LPCA 생성 참조 이미지의 쌍(예를 들면, 테스트 이미지(306) 및 대응하는 LPCA 생성 참조 이미지(308)의 쌍)이 DL 피처 파인더들(DL Feature Finders)(310)에 입력될 수 있으며, DL 피처 파인더들(310)은 테스트 이미지에 대한 피처들(312) 및 참조 이미지에 대한 피처들(314)을 출력할 수 있다. 테스트 이미지에서의 각각의 픽셀이 결함인지 여부를 결정하기 위해 잠재 공간에서의 거리가 결정된다. 예를 들어, 도 3에 도시된 바와 같이, 피처들(312 및 314)은 DL 잠재 투영(316)에 입력될 수 있으며, DL 잠재 투영(316)은 피처들을 잠재 공간(318)으로 투영할 수 있다. 결함 검출이 이어서 본 명세서에 더 기술되는 바와 같이 잠재 공간에서의 피처들 사이의 거리들에 기초하여 수행될 수 있다. 검출 블록에서의 계층들은 LPCA 블록에서의 계층들과 상이하다. 손실 함수는 LPCA 손실과 DML 손실(예를 들면, 샴 손실)의 결합이다. DML 검출에서 LPCA 생성 참조 이미지들을 사용하는 것이 다른 검출 방법들 및 시스템들에 비해 상대적으로 높은 감도를 제공할 수 있지만, LPCA 생성 참조 이미지들이 본 명세서에 더 기술되는 것들과 같은 임의의 다른 결함 검출 알고리즘들에서 사용될 수 있다.
일 실시예에서, LLRI 생성기 및 결함 검출 컴포넌트는 인라인 결함 검출을 위해 구성된다. 예를 들어, 참조 이미지들이 생성될 수 있고, 시료가 이미징 시스템에 의해 스캔되고 있을 때(즉, 테스트 이미지들이 생성될 때 즉각적으로(on the fly)) 생성된 참조 이미지들을 사용하여 결함 검출이 수행될 수 있다. 이러한 방식으로, 시료 스캔 이전에 참조 이미지들이 생성되지 않을 수 있다.
다른 실시예에서, LLRI 생성기 및 결함 검출 컴포넌트는 오프라인 결함 검출을 위해 구성된다. 예를 들어, 참조 이미지들이 생성될 수 있고, 시료가 이미징 시스템에 의해 스캔된 후에(즉, 테스트 이미지들이 생성된 후에) 생성된 참조 이미지들을 사용하여 결함 검출이 수행될 수 있다. 하나의 그러한 예에서, 테스트 이미지들은 테스트 이미지들을 생성한 이미징 시스템을 포함하는 시스템에 의해 생성되어 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 본 명세서에 기술된 실시예들은 이어서 저장 매체에 있는 테스트 이미지들에 액세스하여 이들을 본 명세서에 기술된 바와 같이 사용할 수 있다.
일부 실시예들에서, 하나 이상의 컴포넌트는 검출된 결함들을 2 개 이상의 유형으로 분리하도록 구성된 결함 분류 컴포넌트를 포함하고, 결함 분류 컴포넌트는 DL 결함 분류 컴포넌트이다. DL 결함 분류 컴포넌트는, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2018년 8월 7일자로 Bhaskar 등에게 발행된 미국 특허 제10,043,261호, 및 2019년 7월 23일자로 Bhaskar 등에게 발행된 미국 특허 제10,360,477호. 및 2019년 3월 7일자로 공개된 He 등의 미국 특허 출원 공보 제2019/0073568호에 기술된 바와 같이 구성될 수 있다. 본 명세서에 기술된 실시예들은 이러한 공보들에 기술된 바와 같이 또한 구성될 수 있다.
일 실시예에서, 시료는 패터닝된 피처들의 층이 다수의 리소그래피 노출 단계들을 사용하여 형성되어 있는 웨이퍼이다. 예를 들어, 시료는, 하나의 리소그래피 노출 단계에서 웨이퍼의 하나의 층 상에 하나의 패터닝된 피처 세트가 형성되고 다른 리소그래피 노출 단계에서 웨이퍼의 동일한 층 상에 다른 패터닝된 피처 세트가 형성되는, 이중 또는 다른 패터닝된 웨이퍼일 수 있다. 다수의 리소그래피 노출 단계들이 본 기술 분야에서 알려진 임의의 적합한 방식으로 수행될 수 있다. 다른 실시예에서, 시료는 패터닝된 피처들의 층이 극자외선(EUV) 리소그래피를 사용하여 형성되어 있는 웨이퍼이다. EUV 리소그래피는 본 기술 분야에서 알려진 임의의 적합한 방식으로 수행될 수 있다. 예를 들어, 본 명세서에 기술된 실시예들은 광학 및 다른 검사 도구들 상의 목표 결함, 특히 이중/사중 패턴 및 EUV 리소그래피에서의 보다 작은 결함들에 대해 향상된 감도를 갖는 근사화된 로우 랭크 지도 방식/반지도 방식 결함 검출 알고리즘을 제공한다.
본 명세서에 기술된 실시예들의 구성의 구현은 GPU 가속을 통해 완전히 구현될 수 있다. 예를 들어, LPCA 블록은, 상대적으로 작은 신경 네트워크로서 구성될 수 있는, 2 개의 콘볼루션 계층으로서 구현될 수 있다. 트레이닝(셋업) 및 추론 둘 모두가 GPU 상에서 직접 실행될 수 있다. 이 구성은 또한 CPU 또는 다른 가속기 칩들 상에서 실행 가능하다.
위에서 기술된 시스템들 각각의 실시예들 각각은 하나의 단일 실시예로 함께 결합될 수 있다. 본 명세서에 기술된 실시예들은 또한, 마치 본 명세서에 완전히 기재된 것처럼 참고로 포함되는, 2017년 7월 6일자로 공개된 Bhaskar 등의 미국 특허 출원 공보 제2017/0194126호 및 2018년 11월 19일자로 공개된 Sezginer 등의 미국 특허 출원 공보 제2018/0342051호에 기술된 바와 같이 또한 구성될 수 있다.
본 명세서에 기술된 실시예들은 결함 검출을 위한 다른 방법들 및 시스템들에 비해 많은 장점들을 갖는다. 예를 들어, 본 명세서에 기술된 실시예들은 (예를 들면, 본 명세서에 기술된 바와 같이 생성되는 참조 이미지들이 웨이퍼 내(intra-wafer) 및 웨이퍼 간(inter-wafer) 프로세스 변동들에 실질적으로 영향을 받지 않을 것이기 때문에) 웨이퍼 내 및 (어쩌면) 웨이퍼 간 프로세스 변동을 처리할 수 있다. 다른 장점은 본 명세서에 기술된 실시예들에 의해 생성되는 참조 이미지들이 사용자 지정 결함들, 핫스폿들 또는 약한 패턴들에 대한 최적의 결함 검출을 위해 학습될 수 있다는 것이다. 이 방법은 예측 불가능한 감도 저하를 제한할 것이다. 추가적으로, 본 명세서에 기술된 실시예들은 목표 결함 유형들에 대한 결함 감도를 향상시켜, BBP 결함 감도 한계들을 확장시킬 수 있다. 더욱이, 본 명세서에 기술된 실시예들은 연구 개발 및 대량 제조 사용 사례들에서 목표 감도의 보다 나은 사용성을 제공하는 것에 의해 BBP 감도를 크게 향상시키고 BBP 도구들의 소유 비용을 감소시킬 수 있다. 본 명세서에 기술된 실시예들은 또한 유리하게도 결함 분류기 학습을 참조 생성과 결합시킬 수 있으며, 이는 선택적인 감도 향상을 가능하게 한다. 게다가, 근사화된 로우 랭크 제약이 적용됨에 따라, 본 명세서에 기술된 실시예들은 라벨링된 결함 후보들에 대한 훨씬 더 낮은 요구를 갖는다. 본 명세서에 기술된 실시예들의 추가적인 장점은 이들이 다양한 상이한 검사 유형들에 사용될 수 있다는 것이다. 예를 들어, 본 명세서에 더 기술되는 바와 같이, 이 시스템들은 다이 대 다이 검사, 셀 대 셀 검사 및 표준 참조 검사를 위해 구성될 수 있으며, 이들 각각은 단일 광학 모드만으로 또는 다수의 광학 모드들로 수행될 수 있다.
다른 실시예는 시료 상의 결함들을 검출하기 위한 컴퓨터 구현 방법에 관한 것이다. 이 방법은 시료에 대해 생성된 테스트 이미지 및 대응하는 참조 이미지를 잠재 공간으로 투영하는 단계를 포함한다. 이 방법은, 테스트 이미지의 하나 이상의 상이한 부분에 대해, 이 하나 이상의 상이한 부분과 대응하는 참조 이미지의 대응하는 하나 이상의 부분 사이의 잠재 공간에서의 거리를 결정하는 단계를 또한 포함한다. 추가적으로, 이 방법은 테스트 이미지의 하나 이상의 상이한 부분에 대해, 제각기, 결정되는 거리에 기초하여 테스트 이미지의 하나 이상의 상이한 부분에서의 결함들을 검출하는 단계를 포함한다. 투영하는 단계, 결정하는 단계, 및 검출하는 단계는 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트에 포함되는 DML 결함 검출 모델에 의해 수행된다.
이 방법의 단계들 각각은 본 명세서에 더 기술되는 바와 같이 수행될 수 있다. 이 방법은 본 명세서에 기술된 임의의 다른 단계(들)를 또한 포함할 수 있다. 컴퓨터 시스템(들), 예를 들면, 컴퓨터 서브시스템(들)(102)은 본 명세서에 기술된 실시예들 중 임의의 것에 따라 구성될 수 있다. 추가적으로, 위에서 기술된 방법은 본 명세서에 기술된 시스템 실시예들 중 임의의 것에 의해 수행될 수 있다.
추가의 실시예는 시료에 대한 참조 이미지를 생성하기 위한 방법에 관한 것이다. 이 방법은 시료에 대한 하나 이상의 테스트 이미지로부터 노이즈를 제거하고 이에 의해 하나 이상의 테스트 이미지를 LLRI 생성기에 입력하는 것에 의해 하나 이상의 테스트 이미지에 대응하는 하나 이상의 참조 이미지를 생성하는 단계를 포함한다. 시료에 대한 설계에서의 동일한 위치에 대응하는 시료 상의 상이한 위치들에 대한 하나 이상의 테스트 이미지가 생성된다. LLRI 생성기는 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트에 포함된다. 이 방법은 하나 이상의 테스트 이미지 및 그의 대응하는 하나 이상의 참조 이미지에 기초하여 시료 상의 결함들을 검출하는 단계를 또한 포함할 수 있다. 검출하는 단계는 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트에 포함될 수 있거나 포함되지 않을 수 있는 결함 검출 컴포넌트에 의해 수행될 수 있다.
이 방법의 단계들 각각은 본 명세서에 더 기술되는 바와 같이 수행될 수 있다. 이 방법은 본 명세서에 기술된 임의의 다른 단계(들)를 또한 포함할 수 있다. 이러한 컴퓨터 시스템(들), 예를 들면, 컴퓨터 서브시스템(들)(102)은 본 명세서에 기술된 실시예들 중 임의의 것에 따라 구성될 수 있다. 추가적으로, 위에서 기술된 방법은 본 명세서에 기술된 시스템 실시예들 중 임의의 것에 의해 수행될 수 있다.
추가적인 실시예는 시료 상의 결함들을 검출하고/하거나 시료에 대한 참조 이미지를 생성하기 위한 컴퓨터 구현 방법을 수행하기 위한, 하나 이상의 컴퓨터 시스템 상에서 실행 가능한 프로그램 명령어들을 저장한 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 하나의 그러한 실시예는 도 4에 도시되어 있다. 상세하게는, 도 4에 도시된 바와 같이, 비일시적 컴퓨터 판독 가능 매체(400)는 컴퓨터 서브시스템(들)(404) 상에서 실행 가능한 프로그램 명령어들(402)을 포함한다. 컴퓨터 구현 방법은 본 명세서에 기술된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.
본 명세서에 기술된 것들과 같은 방법들을 구현하는 프로그램 명령어들(402)은 컴퓨터 판독 가능 매체(400) 상에 저장될 수 있다. 컴퓨터 판독 가능 매체는 자기 또는 광학 디스크, 자기 테이프, 또는 본 기술 분야에서 알려진 임의의 다른 적합한 비일시적 컴퓨터 판독 가능 매체와 같은 저장 매체일 수 있다.
프로그램 명령어들은, 그 중에서도, 프로시저 기반 기술들, 컴포넌트 기반 기술들, 및/또는 객체 지향 기술들을 포함한, 다양한 방식들 중 임의의 것으로 구현될 수 있다. 예를 들어, 프로그램 명령어들은, 원하는 바에 따라, ActiveX 컨트롤, C++ 객체, JavaBeans, "MFC"(Microsoft Foundation Classes), SSE(Streaming SIMD Extension), 또는 다른 기술들 또는 방법론들을 사용하여 구현될 수 있다.
컴퓨터 시스템(들)(404)은 본 명세서에 기술된 실시예들 중 임의의 것에 따라 구성될 수 있다.
본 발명의 다양한 양태들의 추가의 수정들 및 대안적인 실시예들이 이 설명을 고려하면 본 기술 분야의 통상의 기술자에게 명백할 것이다. 예를 들어, 반도체 응용 분야를 위한 학습 가능한 결함 검출을 위한 방법들 및 시스템들이 제공된다. 그에 따라, 이 설명은 단지 예시적인 것으로 해석되어야 하고 본 기술 분야의 통상의 기술자에게 본 발명을 수행하는 일반적인 방식을 교시하기 위한 것이다. 본 명세서에 도시되고 기술된 본 발명의 형태들이 현재 바람직한 실시예들로서 여겨져야 한다는 것이 이해되어야 한다. 본 발명에 대한 이 설명의 혜택을 본 후에 전부가 본 기술 분야의 통상의 기술자에게 명백할 것인 바와 같이, 요소들 및 재료들이 본 명세서에 예시되고 기술된 것을 대체할 수 있고, 부분들 및 프로세스들이 반대로 될 수 있으며, 본 발명의 특정 특징들이 독립적으로 활용될 수 있다. 이하의 청구범위에 기술된 바와 같은 본 발명의 사상 및 범위를 벗어나지 않으면서 본 명세서에 기술된 요소들에 변경들이 이루어질 수 있다.
Claims (65)
- 시료 상의 결함들을 검출하도록 구성된 시스템으로서,
하나 이상의 컴퓨터 시스템; 및
상기 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트를 포함하며, 상기 하나 이상의 컴포넌트는,
시료에 대해 생성된 테스트 이미지 및 대응하는 참조 이미지를 잠재 공간으로 투영하고;
상기 테스트 이미지의 하나 이상의 상이한 부분에 대해, 상기 하나 이상의 상이한 부분과 상기 대응하는 참조 이미지의 대응하는 하나 이상의 부분 사이의 상기 잠재 공간에서의 거리를 결정하며;
상기 테스트 이미지의 하나 이상의 상이한 부분에 대해, 제각기, 결정되는 거리에 기초하여 상기 테스트 이미지의 상기 하나 이상의 상이한 부분에서의 결함들을 검출하도록
구성된 딥 메트릭 러닝(deep metric learning) 결함 검출 모델을 포함하는, 시스템. - 제1항에 있어서, 상기 테스트 이미지 및 상기 대응하는 참조 이미지는 상기 시료 상의 상이한 다이들에서의 대응하는 위치들에 대한 것인, 시스템.
- 제1항에 있어서, 상기 테스트 이미지 및 상기 대응하는 참조 이미지는 상기 시료 상의 상이한 셀들에서의 대응하는 위치들에 대한 것인, 시스템.
- 제1항에 있어서, 상기 테스트 이미지 및 상기 대응하는 참조 이미지는 상기 시료에 대한 설계 데이터를 사용하지 않고 상기 시료에 대해 생성되는, 시스템.
- 제1항에 있어서, 상기 테스트 이미지는 에너지를 상기 시료로 지향시키고 상기 시료로부터의 에너지를 검출하는 이미징 시스템에 의해 상기 시료에 대해 생성되고, 상기 대응하는 참조 이미지는 상기 시료를 사용하지 않고 생성되는, 시스템.
- 제5항에 있어서, 상기 대응하는 참조 이미지는 상기 시료에 대한 설계 데이터를 포함하는 데이터베이스로부터 획득되는, 시스템.
- 제1항에 있어서, 상기 하나 이상의 컴퓨터 시스템은 상기 시료에 대한 설계 데이터를 상기 딥 메트릭 러닝 결함 검출 모델에 입력하도록 구성되고, 상기 딥 메트릭 러닝 결함 검출 모델은 또한 상기 설계 데이터를 사용하여 상기 검출을 수행하도록 구성되는, 시스템.
- 제1항에 있어서, 상기 검출은 상기 시료에 대한 관리 영역들(care areas)로부터 결정되는 하나 이상의 파라미터로 수행되는, 시스템.
- 제8항에 있어서, 상기 하나 이상의 컴퓨터 시스템은 상기 관리 영역들에 대한 정보를 상기 딥 메트릭 러닝 결함 검출 모델에 입력하도록 구성되는, 시스템.
- 제1항에 있어서, 상기 검출은 상기 시료에 대한 관리 영역들에 대한 정보 없이 수행되는, 시스템.
- 제1항에 있어서, 상기 테스트 이미지는 상기 시료의 로직 영역에서 생성되는, 시스템.
- 제1항에 있어서, 상기 테스트 이미지는 상기 시료의 어레이 영역에서 생성되는, 시스템.
- 제1항에 있어서, 상기 테스트 이미지의 상이한 부분들은 상기 테스트 이미지에서의 상이한 픽셀들을 포함하는, 시스템.
- 제1항에 있어서, 상기 딥 메트릭 러닝 결함 검출 모델은 또한, 추가적인 대응하는 참조 이미지를 상기 잠재 공간으로 투영하고, 상기 대응하는 참조 이미지와 상기 추가적인 대응하는 참조 이미지의 평균 및 상기 잠재 공간에서의 참조 영역을 결정하도록 구성되며, 상기 거리를 결정하는 데 사용되는 상기 대응하는 참조 이미지의 하나 이상의 부분은 상기 참조 영역을 포함하는, 시스템.
- 제1항에 있어서, 상기 대응하는 참조 이미지는 상기 시료에 대한 결함 없는 테스트 이미지를 포함하고, 상기 대응하는 참조 이미지를 투영하는 것은 상기 잠재 공간에서의 참조 영역을 학습하는 것을 포함하며, 상기 거리를 결정하는 데 사용되는 상기 대응하는 참조 이미지의 상기 하나 이상의 부분은 상기 참조 영역을 포함하는, 시스템.
- 제1항에 있어서, 상기 딥 메트릭 러닝 결함 검출 모델은 샴 네트워크 아키텍처(Siamese network architecture)를 갖는, 시스템.
- 제1항에 있어서, 상기 딥 메트릭 러닝 결함 검출 모델은 트리플렛 네트워크 아키텍처(triplet network architecture)를 갖는, 시스템.
- 제1항에 있어서, 상기 딥 메트릭 러닝 결함 검출 모델은 쿼드러플렛 네트워크 아키텍처(quadruplet network architecture)를 갖는, 시스템.
- 제1항에 있어서, 상기 딥 메트릭 러닝 결함 검출 모델은 하나 이상의 딥 러닝 콘볼루션 필터를 포함하고, 상기 하나 이상의 컴퓨터 시스템은 상기 테스트 이미지를 생성하는 데 관여된 물리(physics)에 기초하여 상기 하나 이상의 딥 러닝 콘볼루션 필터의 구성을 결정하도록 구성되는, 시스템.
- 제1항에 있어서, 상기 딥 메트릭 러닝 결함 검출 모델은 하나 이상의 딥 러닝 콘볼루션 필터를 포함하고, 상기 하나 이상의 컴퓨터 시스템은 상기 테스트 이미지를 생성하는 데 사용되는 이미징 하드웨어에 기초하여 상기 하나 이상의 딥 러닝 콘볼루션 필터의 구성을 결정하도록 구성되는, 시스템.
- 제20항에 있어서, 상기 구성을 결정하는 것은 상기 이미징 하드웨어의 포인트 확산 함수(point spread function)에 기초하여 상기 하나 이상의 딥 러닝 콘볼루션 필터의 하나 이상의 파라미터를 결정하는 것을 포함하는, 시스템.
- 제21항에 있어서, 상기 하나 이상의 딥 러닝 콘볼루션 필터의 하나 이상의 파라미터는 필터 크기, 필터 대칭성, 및 필터 깊이 중 하나 이상을 포함하는, 시스템.
- 제21항에 있어서, 상기 하나 이상의 딥 러닝 콘볼루션 필터의 하나 이상의 파라미터를 결정하는 것은 손실 함수를 최적화하는 것에 의해 상기 하나 이상의 파라미터를 학습하는 것을 포함하는, 시스템.
- 제20항에 있어서, 상기 구성을 결정하는 것은 상기 이미징 하드웨어의 포인트 확산 함수에 기초하여 미리 결정된 딥 러닝 콘볼루션 필터 세트 중에서 상기 하나 이상의 딥 러닝 콘볼루션 필터를 선택하는 것을 포함하는, 시스템.
- 제24항에 있어서, 상기 미리 결정된 세트 내의 상기 하나 이상의 딥 러닝 콘볼루션 필터의 하나 이상의 파라미터는 고정되어 있는, 시스템.
- 제24항에 있어서, 상기 구성을 결정하는 것은 손실 함수를 최적화하는 것에 의해 상기 하나 이상의 딥 러닝 콘볼루션 필터의 하나 이상의 초기 파라미터를 미세 조정(fine tuning)하는 것을 더 포함하는, 시스템.
- 제1항에 있어서, 상기 하나 이상의 컴포넌트는 상기 대응하는 참조 이미지를 생성하도록 구성된 학습 가능한 로우 랭크(low-rank) 참조 이미지 생성기를 더 포함하고, 상기 하나 이상의 컴퓨터 시스템은 상기 시료에 대해 생성된 하나 이상의 테스트 이미지를 상기 학습 가능한 로우 랭크 참조 이미지 생성기에 입력하도록 구성되며, 상기 시료에 대한 설계에서의 동일한 위치에 대응하는 상기 시료 상의 상이한 위치들에 대한 상기 하나 이상의 테스트 이미지가 생성되고, 상기 학습 가능한 로우 랭크 참조 이미지 생성기는 또한, 상기 하나 이상의 테스트 이미지로부터 노이즈를 제거하여 이에 의해 상기 대응하는 참조 이미지를 생성하도록 구성되는, 시스템.
- 제1항에 있어서, 상기 테스트 이미지 및 추가적인 테스트 이미지는, 제각기, 이미징 시스템의 상이한 모드들로 상기 시료에 대해 생성되고; 상기 딥 메트릭 러닝 결함 검출 모델은 또한, 상기 테스트 이미지 및 상기 대응하는 참조 이미지를 제1 잠재 공간으로 투영하고, 상기 추가적인 테스트 이미지 및 추가적인 대응하는 참조 이미지를 제2 잠재 공간으로 투영하며, 상기 제1 잠재 공간과 상기 제2 잠재 공간을 결합 잠재 공간(joint latent space)으로 결합시키도록 구성되며; 상기 거리를 결정하는 데 사용되는 상기 잠재 공간은 상기 결합 잠재 공간인, 시스템.
- 제1항에 있어서, 상기 하나 이상의 컴퓨터 시스템은 상기 시료에 대한 설계 데이터를 상기 딥 메트릭 러닝 결함 검출 모델에 입력하도록 구성되고; 상기 테스트 이미지 및 추가적인 테스트 이미지는, 제각기, 이미징 시스템의 상이한 모드들로 상기 시료에 대해 생성되며; 상기 딥 메트릭 러닝 결함 검출 모델은 또한, 상기 테스트 이미지 및 상기 대응하는 참조 이미지를 제1 잠재 공간으로 투영하고, 상기 추가적인 테스트 이미지 및 추가적인 대응하는 참조 이미지를 제2 잠재 공간으로 투영하며, 상기 설계 데이터를 제3 잠재 공간으로 투영하고, 상기 제1 잠재 공간, 상기 제2 잠재 공간 및 상기 제3 잠재 공간을 결합 잠재 공간으로 결합시키도록 구성되며; 상기 거리를 결정하는 데 사용되는 상기 잠재 공간은 상기 결합 잠재 공간인, 시스템.
- 제1항에 있어서, 상기 하나 이상의 컴퓨터 시스템은 상기 시료에 대한 설계 데이터를 상기 딥 메트릭 러닝 결함 검출 모델에 입력하도록 구성되고; 상기 딥 메트릭 러닝 결함 검출 모델은 또한, 상기 테스트 이미지 및 상기 대응하는 참조 이미지를 제1 잠재 공간으로 투영하고, 상기 설계 데이터를 제2 잠재 공간으로 투영하며, 상기 제1 잠재 공간과 상기 제2 잠재 공간을 결합 잠재 공간으로 결합시키도록 구성되고; 상기 거리를 결정하는 데 사용되는 상기 잠재 공간은 상기 결합 잠재 공간인, 시스템.
- 제1항에 있어서, 상기 하나 이상의 컴퓨터 시스템은 상기 시료에 대한 설계 데이터를 상기 딥 메트릭 러닝 결함 검출 모델에 입력하도록 구성되고; 상기 테스트 이미지 및 추가적인 테스트 이미지는, 제각기, 이미징 시스템의 상이한 모드들로 상기 시료에 대해 생성되며; 상기 딥 메트릭 러닝 결함 검출 모델은 또한, 상기 테스트 이미지 및 상기 대응하는 참조 이미지, 상기 추가적인 테스트 이미지 및 추가적인 대응하는 참조 이미지, 및 상기 설계 데이터, 중 하나 이상을 포함하는 제1 세트를 제1 잠재 공간으로 투영하고, 상기 테스트 이미지 및 상기 대응하는 참조 이미지, 상기 추가적인 테스트 이미지 및 상기 추가적인 대응하는 참조 이미지, 및 상기 설계 데이터, 중 하나 이상을 포함하는 제2 세트를 제2 잠재 공간으로 투영하며, 상기 제1 잠재 공간과 상기 제2 잠재 공간을 결합 잠재 공간으로 결합시키도록 구성되고; 상기 거리를 결정하는 데 사용되는 상기 잠재 공간은 상기 결합 잠재 공간인, 시스템.
- 제1항에 있어서, 상기 하나 이상의 컴퓨터 시스템은 하나 이상의 트레이닝 이미지 및 상기 하나 이상의 트레이닝 이미지에 대한 픽셀 레벨 실측 자료 정보(pixel-level ground truth information)로 상기 딥 메트릭 러닝 결함 검출 모델을 트레이닝시키도록 구성되는, 시스템.
- 제32항에 있어서, 상기 하나 이상의 트레이닝 이미지 및 픽셀 레벨 실측 자료 정보는 PWQ(process window qualification) 웨이퍼로부터 생성되는, 시스템.
- 제1항에 있어서, 상기 하나 이상의 컴퓨터 시스템은 상기 딥 메트릭 러닝 결함 검출 모델을 트레이닝시키기 위한 능동 학습을 수행하도록 구성되는, 시스템.
- 제1항에 있어서, 상기 시료는 웨이퍼인, 시스템.
- 제1항에 있어서, 상기 시료는 레티클인, 시스템.
- 시료에 대한 참조 이미지를 생성하도록 구성된 시스템으로서,
하나 이상의 컴퓨터 시스템; 및
상기 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트
를 포함하며, 상기 하나 이상의 컴포넌트는 학습 가능한 로우 랭크 참조 이미지 생성기를 포함하고, 상기 하나 이상의 컴퓨터 시스템은 시료에 대한 하나 이상의 테스트 이미지를 상기 학습 가능한 로우 랭크 참조 이미지 생성기에 입력하도록 구성되며, 상기 시료에 대한 설계에서의 동일한 위치에 대응하는 상기 시료 상의 상이한 위치들에 대한 상기 하나 이상의 테스트 이미지가 생성되고, 상기 학습 가능한 로우 랭크 참조 이미지 생성기는 상기 하나 이상의 테스트 이미지로부터 노이즈를 제거하여 이에 의해 상기 하나 이상의 테스트 이미지에 대응하는 하나 이상의 참조 이미지를 생성하도록 구성되며;
결함 검출 컴포넌트가 상기 하나 이상의 테스트 이미지 및 그의 대응하는 하나 이상의 참조 이미지에 기초하여 상기 시료 상의 결함들을 검출하는, 시스템. - 제37항에 있어서, 상기 결함 검출 컴포넌트는 딥 러닝 결함 검출 컴포넌트를 포함하는, 시스템.
- 제37항에 있어서, 상기 결함 검출 컴포넌트는 딥 메트릭 러닝 결함 검출 모델을 포함하는, 시스템.
- 제37항에 있어서, 상기 결함 검출 컴포넌트는 비(non)-딥 러닝 결함 검출 컴포넌트를 포함하는, 시스템.
- 제37항에 있어서, 상기 시료는 패터닝된 피처들의 층이 다수의 리소그래피 노출 단계들을 사용하여 형성되어 있는 웨이퍼인, 시스템.
- 제37항에 있어서, 상기 시료는 패터닝된 피처들의 층이 극자외선 리소그래피를 사용하여 형성되어 있는 웨이퍼인, 시스템.
- 제37항에 있어서, 상기 학습 가능한 로우 랭크 참조 이미지 생성기는 학습 가능한 주성분 분석(principle component analysis) 모델을 포함하는, 시스템.
- 제37항에 있어서, 상기 학습 가능한 로우 랭크 참조 이미지 생성기는 학습 가능한 독립 성분 분석(independent component analysis) 모델 또는 학습 가능한 정준 상관 분석(canonical correlation analysis) 모델을 포함하는, 시스템.
- 제37항에 있어서, 상기 학습 가능한 로우 랭크 참조 이미지 생성기는 선형 또는 비선형 회귀 모델을 포함하는, 시스템.
- 제37항에 있어서, 상기 학습 가능한 로우 랭크 참조 이미지 생성기는 공간 로우 랭크(spatial low-rank) 신경 네트워크 모델을 포함하는, 시스템.
- 제37항에 있어서, 상기 학습 가능한 로우 랭크 참조 이미지 생성기는 공간 로우 랭크 확률 모델을 포함하는, 시스템.
- 제37항에 있어서, 상기 결함 검출 컴포넌트는 상기 하나 이상의 컴퓨터 시스템에 의해 실행되는 하나 이상의 컴포넌트에 포함되는, 시스템.
- 제48항에 있어서, 상기 하나 이상의 컴퓨터 시스템은 또한 하나 이상의 트레이닝 이미지 및 상기 하나 이상의 트레이닝 이미지에 대한 픽셀 레벨 실측 자료 정보로 상기 학습 가능한 로우 랭크 참조 이미지 생성기 및 상기 결함 검출 컴포넌트를 결합하여 트레이닝시키도록 구성되는, 시스템.
- 제49항에 있어서, 상기 하나 이상의 트레이닝 이미지는 사용자에 의해 선택되는 하나 이상의 결함 클래스에 대한 이미지들을 포함하는, 시스템.
- 제49항에 있어서, 상기 하나 이상의 트레이닝 이미지는 사용자에 의해 선택되는 상기 시료 상의 하나 이상의 핫스폿에 대한 이미지들을 포함하는, 시스템.
- 제49항에 있어서, 상기 하나 이상의 트레이닝 이미지는 사용자에 의해 선택되는 상기 시료에 대한 설계에서의 하나 이상의 약한 패턴(weak pattern)에 대한 이미지들을 포함하는, 시스템.
- 제49항에 있어서, 상기 픽셀 레벨 실측 자료 정보는 전자 빔 이미징 시스템에 의해 생성되는, 시스템.
- 제49항에 있어서, 상기 픽셀 레벨 실측 자료 정보는 광 기반 시스템에 의해 생성되는, 시스템.
- 제49항에 있어서, 상기 픽셀 레벨 실측 자료 정보는 사용자로부터 수신되는 정보를 포함하는, 시스템.
- 제49항에 있어서, 상기 픽셀 레벨 실측 자료 정보는 상기 하나 이상의 트레이닝 이미지로 수행되는 물리 시뮬레이션의 결과로부터 생성되는 상기 하나 이상의 트레이닝 이미지에 대한 정보를 포함하는, 시스템.
- 제49항에 있어서, 상기 픽셀 레벨 실측 자료 정보는 제1 형식과는 상이한 제2 형식으로 된 알려진 결함 위치들로부터 상기 제1 형식으로 변환된 정보를 포함하는, 시스템.
- 제37항에 있어서, 상기 학습 가능한 로우 랭크 참조 이미지 생성기 및 상기 결함 검출 컴포넌트는 또한 인라인 결함 검출을 위해 구성되는, 시스템.
- 제37항에 있어서, 상기 학습 가능한 로우 랭크 참조 이미지 생성기 및 상기 결함 검출 컴포넌트는 또한 오프라인 결함 검출을 위해 구성되는, 시스템.
- 제37항에 있어서, 상기 하나 이상의 컴포넌트는 상기 검출된 결함들을 2 가지 이상의 유형으로 분리하도록 구성된 결함 분류 컴포넌트를 더 포함하고, 상기 결함 분류 컴포넌트는 딥 러닝 결함 분류 컴포넌트인, 시스템.
- 제37항에 있어서, 상기 상이한 위치들은 상기 시료 상의 상이한 다이들에서의 위치들을 포함하는, 시스템.
- 제37항에 있어서, 상기 상이한 위치들은 상기 시료 상의 단 하나의 다이에서의 다수의 위치들을 포함하는, 시스템.
- 제37항에 있어서, 상기 하나 이상의 테스트 이미지는 이미징 시스템에 의해 상기 시료에 대해 생성된 작업 프레임(job frame)에 대응하고, 상기 학습 가능한 로우 랭크 참조 이미지 생성기가 상기 작업 프레임 및 상이한 작업 프레임에 대해 상기 하나 이상의 참조 이미지를 개별적으로 생성하도록, 상기 하나 이상의 컴퓨터 시스템은 또한 상기 이미징 시스템에 의해 상기 시료에 대해 생성된 상기 상이한 작업 프레임에 대응하는 하나 이상의 다른 테스트 이미지에 대해 상기 입력하는 것을 반복하도록 구성되는, 시스템.
- 제37항에 있어서, 이미징 시스템의 단일 모드만을 사용하여 상기 이미징 시스템에 의해 상기 시료에 대한 상기 하나 이상의 테스트 이미지가 생성되는, 시스템.
- 제37항에 있어서, 이미징 시스템의 단일 모드만을 사용하여 상기 이미징 시스템에 의해 상기 시료에 대한 상기 하나 이상의 테스트 이미지가 생성되고, 상기 이미징 시스템의 상이한 모드들을 사용하여 상기 이미징 시스템에 의해 상기 시료에 대해 생성된 하나 이상의 다른 테스트 이미지에 대한 상기 하나 이상의 참조 이미지를 상기 학습 가능한 로우 랭크 참조 이미지 생성기가 생성하도록, 상기 하나 이상의 컴퓨터 시스템은 또한 상기 하나 이상의 다른 테스트 이미지에 대해 상기 입력하는 것을 반복하도록 구성되는, 시스템.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962831532P | 2019-04-09 | 2019-04-09 | |
| US62/831,532 | 2019-04-09 | ||
| US16/838,037 US11551348B2 (en) | 2019-04-09 | 2020-04-02 | Learnable defect detection for semiconductor applications |
| US16/838,037 | 2020-04-02 | ||
| PCT/US2020/026980 WO2020210178A1 (en) | 2019-04-09 | 2020-04-07 | Learnable defect detection for semiconductor applications |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210138116A true KR20210138116A (ko) | 2021-11-18 |
Family
ID=72748062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217035943A KR20210138116A (ko) | 2019-04-09 | 2020-04-07 | 반도체 응용 분야를 위한 학습 가능한 결함 검출 |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US11551348B2 (ko) |
| KR (1) | KR20210138116A (ko) |
| CN (1) | CN113678236A (ko) |
| IL (2) | IL299819B2 (ko) |
| TW (1) | TWI812856B (ko) |
| WO (1) | WO2020210178A1 (ko) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11431976B2 (en) * | 2019-01-28 | 2022-08-30 | Kla Corporation | System and method for inspection using tensor decomposition and singular value decomposition |
| CN111429415B (zh) * | 2020-03-18 | 2020-12-08 | 东华大学 | 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法 |
| CN113850749B (zh) * | 2020-06-09 | 2024-07-09 | 英业达科技有限公司 | 训练缺陷侦测器的方法 |
| TWI744999B (zh) * | 2020-07-23 | 2021-11-01 | 和碩聯合科技股份有限公司 | 焊點檢測模型訓練方法、焊點檢測方法及焊點檢測裝置 |
| WO2022054124A1 (ja) * | 2020-09-08 | 2022-03-17 | 楽天グループ株式会社 | 画像判定装置、画像判定方法及びプログラム |
| KR102651974B1 (ko) * | 2021-02-01 | 2024-03-27 | 에스케이실트론 주식회사 | 웨이퍼 비전검사 장치 및 방법 |
| US11710228B2 (en) * | 2021-03-05 | 2023-07-25 | Applied Materials, Inc. | Detecting an excursion of a CMP component using time-based sequence of images and machine learning |
| US20220383456A1 (en) * | 2021-05-31 | 2022-12-01 | Kla Corporation | Deep learning image denoising for semiconductor-based applications |
| US20230136110A1 (en) * | 2021-11-01 | 2023-05-04 | Kla Corporation | Knowledge distillation for semiconductor-based applications |
| US11921052B2 (en) | 2022-03-31 | 2024-03-05 | Kla Corporation | Inspection with previous step subtraction |
| US11922619B2 (en) | 2022-03-31 | 2024-03-05 | Kla Corporation | Context-based defect inspection |
| CN117651976A (zh) * | 2022-06-30 | 2024-03-05 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法和装置 |
| US20240119626A1 (en) * | 2022-09-27 | 2024-04-11 | Kla Corporation | Image pre-processing for overlay metrology using decomposition techniques |
Family Cites Families (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003168640A (ja) * | 2001-12-03 | 2003-06-13 | Hitachi Ltd | 半導体装置の製造方法 |
| JP4597859B2 (ja) | 2002-07-15 | 2010-12-15 | ケーエルエー−テンカー コーポレイション | マイクロリソグラフパターンの製作におけるパターンの認定、パターン形成プロセス、又はパターン形成装置 |
| US6902855B2 (en) | 2002-07-15 | 2005-06-07 | Kla-Tencor Technologies | Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns |
| DE102004055250A1 (de) * | 2004-11-16 | 2006-05-18 | Leica Microsystems Semiconductor Gmbh | Verfahren zur Inspektion eines Wafers |
| US7729529B2 (en) | 2004-12-07 | 2010-06-01 | Kla-Tencor Technologies Corp. | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle |
| US7769225B2 (en) | 2005-08-02 | 2010-08-03 | Kla-Tencor Technologies Corp. | Methods and systems for detecting defects in a reticle design pattern |
| US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
| US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
| US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
| US8213704B2 (en) | 2007-05-09 | 2012-07-03 | Kla-Tencor Corp. | Methods and systems for detecting defects in a reticle design pattern |
| US8126255B2 (en) | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
| US8041106B2 (en) | 2008-12-05 | 2011-10-18 | Kla-Tencor Corp. | Methods and systems for detecting defects on a reticle |
| TW201117128A (en) * | 2009-11-06 | 2011-05-16 | Inotera Memories Inc | Advanced WAT predict and warning system |
| US8664594B1 (en) | 2011-04-18 | 2014-03-04 | Kla-Tencor Corporation | Electron-optical system for high-speed and high-sensitivity inspections |
| US8692204B2 (en) | 2011-04-26 | 2014-04-08 | Kla-Tencor Corporation | Apparatus and methods for electron beam detection |
| US8716662B1 (en) | 2012-07-16 | 2014-05-06 | Kla-Tencor Corporation | Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations |
| US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
| US9816939B2 (en) | 2014-07-22 | 2017-11-14 | Kla-Tencor Corp. | Virtual inspection systems with multiple modes |
| US10359371B2 (en) | 2015-08-24 | 2019-07-23 | Kla-Tencor Corp. | Determining one or more characteristics of a pattern of interest on a specimen |
| US10186026B2 (en) | 2015-11-17 | 2019-01-22 | Kla-Tencor Corp. | Single image detection |
| US9965901B2 (en) * | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
| US9916965B2 (en) | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
| US10043261B2 (en) | 2016-01-11 | 2018-08-07 | Kla-Tencor Corp. | Generating simulated output for a specimen |
| US10360477B2 (en) * | 2016-01-11 | 2019-07-23 | Kla-Tencor Corp. | Accelerating semiconductor-related computations using learning based models |
| US10181185B2 (en) * | 2016-01-11 | 2019-01-15 | Kla-Tencor Corp. | Image based specimen process control |
| 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 |
| US10365617B2 (en) * | 2016-12-12 | 2019-07-30 | Dmo Systems Limited | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow |
| US11270430B2 (en) | 2017-05-23 | 2022-03-08 | Kla-Tencor Corporation | Wafer inspection using difference images |
| US10607119B2 (en) | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
| US10599951B2 (en) | 2018-03-28 | 2020-03-24 | Kla-Tencor Corp. | Training a neural network for defect detection in low resolution images |
| US10713769B2 (en) | 2018-06-05 | 2020-07-14 | Kla-Tencor Corp. | Active learning for defect classifier training |
-
2020
- 2020-04-02 US US16/838,037 patent/US11551348B2/en active Active
- 2020-04-06 TW TW109111555A patent/TWI812856B/zh active
- 2020-04-07 CN CN202080027481.9A patent/CN113678236A/zh active Pending
- 2020-04-07 IL IL299819A patent/IL299819B2/en unknown
- 2020-04-07 KR KR1020217035943A patent/KR20210138116A/ko active Search and Examination
- 2020-04-07 WO PCT/US2020/026980 patent/WO2020210178A1/en active Application Filing
-
2021
- 2021-09-14 IL IL286407A patent/IL286407B2/en unknown
-
2022
- 2022-12-11 US US18/078,989 patent/US20230118839A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| IL299819A (en) | 2023-03-01 |
| IL286407A (en) | 2021-10-31 |
| WO2020210178A1 (en) | 2020-10-15 |
| US11551348B2 (en) | 2023-01-10 |
| US20200327654A1 (en) | 2020-10-15 |
| TWI812856B (zh) | 2023-08-21 |
| IL286407B2 (en) | 2023-07-01 |
| IL286407B1 (en) | 2023-03-01 |
| IL299819B2 (en) | 2024-01-01 |
| CN113678236A (zh) | 2021-11-19 |
| US20230118839A1 (en) | 2023-04-20 |
| TW202105264A (zh) | 2021-02-01 |
| IL299819B1 (en) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11551348B2 (en) | Learnable defect detection for semiconductor applications | |
| KR102321953B1 (ko) | 다양한 모댈리티들로 획득된 이미지들의 정렬을 위한 학습 기반 접근 방식 | |
| EP3465174B1 (en) | Generating simulated images from input images for semiconductor applications | |
| CN110494894B (zh) | 基于轮廓的缺陷检测 | |
| JP7049331B2 (ja) | 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法 | |
| US10186026B2 (en) | Single image detection | |
| KR102213730B1 (ko) | 반도체 애플리케이션을 위한 신경망 및 순방향 물리적 모델을 포함하는 방법 및 시스템 | |
| KR102637409B1 (ko) | 반도체 적용들을 위한 저해상도 이미지들로부터 고해상도 이미지들의 생성 | |
| KR20200039808A (ko) | 결함 검출 및 분류를 위한 통합된 뉴럴 네트워크 | |
| WO2023121778A1 (en) | Machine learning using a global texture characteristic for semiconductor-based applications | |
| US10151706B1 (en) | Inspection for specimens with extensive die to die process variation | |
| US20240013365A9 (en) | Unsupervised or self-supervised deep learning for semiconductor-based applications | |
| US20220301133A1 (en) | Segmentation of design care areas with a rendered design image | |
| US20240161272A1 (en) | Multimode defect detection | |
| TWI844777B (zh) | 針對具有樣品內及樣品間變異之樣品使用無監督學習及適應性資料庫產生方法之影像對準設定 | |
| US20220318986A1 (en) | Semantic image segmentation for semiconductor-based applications | |
| CN117561539A (zh) | 用于基于半导体应用的无监督或自我监督的深度学习 | |
| TW202212802A (zh) | 針對具有樣品內及樣品間變異之樣品使用無監督學習及適應性資料庫產生方法之影像對準設定 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |