KR20220002084A - 반도체 시편의 이미지의 세그먼트화 - Google Patents

반도체 시편의 이미지의 세그먼트화 Download PDF

Info

Publication number
KR20220002084A
KR20220002084A KR1020210057704A KR20210057704A KR20220002084A KR 20220002084 A KR20220002084 A KR 20220002084A KR 1020210057704 A KR1020210057704 A KR 1020210057704A KR 20210057704 A KR20210057704 A KR 20210057704A KR 20220002084 A KR20220002084 A KR 20220002084A
Authority
KR
South Korea
Prior art keywords
map
image
label
structural elements
probability
Prior art date
Application number
KR1020210057704A
Other languages
English (en)
Inventor
엘라드 벤 바루흐
샬롬 엘카얌
샤울 코헨
탈 벤-슐로모
Original Assignee
어플라이드 머티리얼즈 이스라엘 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 어플라이드 머티리얼즈 이스라엘 리미티드 filed Critical 어플라이드 머티리얼즈 이스라엘 리미티드
Publication of KR20220002084A publication Critical patent/KR20220002084A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

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

Abstract

제조된 반도체 시편의 이미지를 세그먼트화하는 시스템 및 방법이 제공된다. 방법은: 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 이미지의 픽셀들이 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시하는 제1 확률 맵을 획득하는 단계, 제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 세그먼트와 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 획득하는 단계, 제1 라벨 맵의 픽셀들이 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 제1 라벨 맵에 대해 모의실험을 수행하는 단계, 및 제1 확률 맵 및 제2 확률 맵에 기반하여 제2 라벨 맵을 생성하는 단계를 포함하며, 제2 라벨 맵은 향상된 반복성으로 이미지를 세그먼트화하는 데 사용가능하다.

Description

반도체 시편의 이미지의 세그먼트화{SEGMENTATION OF AN IMAGE OF A SEMICONDUCTOR SPECIMEN}
본원에 개시되는 주제는 일반적으로 시편 검사의 분야에 관한 것으로, 더 구체적으로는, 시편의 이미지의 세그먼트화에 관한 것이다.
제조된 디바이스들의 극대 규모 집적회로와 연관된 높은 밀도 및 성능에 대한 현재의 요구들은, 1 미크론 미만의 피쳐들, 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 요구한다. 그러한 요구들은, 높은 정밀도 및 균일성을 갖는 디바이스 피쳐들의 형성을 요구하고, 이는 차례로, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 있는 동안, 디바이스들의 자동화된 검사들을 포함하는, 제조 프로세스의 신중한 모니터링을 필요로 한다.
본 명세서에서 사용되는 "시편"이라는 용어는, 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체-제조 물품들을 제조하는 데 사용되는 임의의 종류의 웨이퍼, 마스크들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "검사"라는 용어는, 임의의 종류의 계측 관련 동작들뿐만 아니라 시편의 제조 동안의 시편에서의 결함들의 검출 및/또는 분류와 관련된 동작들을 망라하도록 광범위하게 해석되어야 한다. 검사는, 검사될 시편의 제조 동안에 또는 그 후에 비-파괴 검사 툴들을 사용함으로써 제공된다. 비-제한적인 예로서, 검사 프로세스는, 동일하거나 상이한 조사 툴들을 사용하여 시편 또는 시편의 부분들에 관하여 제공되는, (단일 또는 다수의 스캔들로의) 실행시간 스캐닝, 샘플링, 검토, 측정, 분류, 및/또는 다른 동작들을 포함할 수 있다. 마찬가지로, 검사는, 검사될 시편의 제조 전에 제공될 수 있고, 예컨대, 검사 처리법(들) 및/또는 다른 설정 동작들을 생성하는 것을 포함할 수 있다. 달리 구체적으로 언급되지 않는 한, 본 명세서에서 사용되는 "검사"라는 용어 또는 그의 파생어들은 조사 영역의 해상도 또는 크기에 관하여 제한되지 않는다는 것이 유의된다. 다양한 비-파괴적 검사 툴들은, 비-제한적인 예로서, 주사 전자 현미경들, 원자간력 현미경들, 광학 조사 툴들 등을 포함한다.
비-제한적인 예로서, 실행시간 검사는, 예컨대, 시편의 조사 이후에, 샘플링된 잠재적 결함들의 위치들의 검토가 후속되는, 2단계 절차를 이용할 수 있다. 제1 단계 동안, 시편의 표면이 고속으로 그리고 비교적 낮은 해상도로 조사된다. 제1 단계에서, 높은 결함 확률을 갖는 시편 상의 의심되는 위치들을 나타내기 위해 결함 맵이 생성된다. 제2 단계 동안, 의심되는 위치들 중 적어도 일부가 비교적 높은 해상도로 더 철저하게 분석된다. 일부 경우들에서, 단계들 둘 모두가 동일한 조사 툴에 의해 구현될 수 있고, 일부 다른 경우들에서는, 이러한 2개의 단계가 상이한 조사 툴들에 의해 구현된다.
검사 프로세스들은 시편들 상의 결함들을 검출 및 분류할 뿐만 아니라 계측 관련 동작들을 수행하기 위해 반도체 제조 동안 다양한 단계들에서 사용된다. 검사의 효과는, 예컨대, 자동 결함 분류(ADC), 자동 결함 검토(ADR), 이미지 세그먼트화 등과 같은, 프로세스(들)의 자동화에 의해 증가될 수 있다.
본원에 개시되는 주제의 특정 양상들에 따르면, 제조된 반도체 시편의 이미지를 세그먼트화하는 방법이 제공되며, 방법은 프로세서 및 메모리 회로(PMC)에 의해 수행되고, 방법은: 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 이미지의 픽셀들이 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시하는 제1 확률 맵을 획득하는 단계 ― 제1 확률 맵은 심층 학습 모델을 사용하여 이미지를 처리함으로써 생성됨 ―; 제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 세그먼트들과 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 획득하는 단계 ― 제2 구조적 요소들은 적어도 일부분을 특성화하는 설계 데이터에서 제시되고, 동등한 제2 구조적 요소들은 동일한 라벨과 연관됨 ―; 제1 라벨 맵의 픽셀들이 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 제1 라벨 맵에 대해 모의실험을 수행하는 단계; 및 제1 확률 맵 및 제2 확률 맵에 기반하여 제2 라벨 맵을 생성하는 단계를 포함하며, 제2 라벨 맵은 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 그와 연관된 라벨들에 대한 정보를 주고, 동등한 제1 구조적 요소들은 동일한 라벨과 연관되고, 제2 라벨 맵은 향상된 반복성으로 이미지를 세그먼트화하는 데 사용가능하다.
위의 특징들에 부가하여, 본원에 개시되는 주제의 이러한 양상에 따른 방법은, 아래에 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 치환으로 포함할 수 있다.
(i). 모의실험을 수행하는 단계는: 제1 라벨 맵의 각각의 주어진 픽셀과 그로부터의 가장 가까운 가장자리 사이의 상대적 거리에 기반한 거리 맵을 획득하기 위해 제1 라벨 맵에 대해 거리 변환을 수행하는 단계; 및 거리 맵을, 제1 라벨 맵의 픽셀들이 가장 가까운 가장자리에 대한 것으로서 하나 이상의 세그먼트에 대응할 모의실험된 확률들에 대한 정보를 주는 제2 확률 맵으로 변환하는 단계를 포함할 수 있다.
(ii). 상대적 거리는, 제1 라벨 맵의 각각의 주어진 픽셀에 대한, i) 주어진 픽셀과 그로부터의 가장 가까운 가장자리 사이의 거리, 및 ii) 가장 가까운 가장자리에 대한 주어진 픽셀의 상대적 위치를 포함할 수 있다.
(iii). 상대적 위치는, 주어진 픽셀이, 윤곽이 가장 가까운 가장자리를 포함하는 주어진 제2 구조적 요소 내에 위치하는지, 또는 주어진 제2 구조적 요소 외부에 위치하는지를 표시할 수 있다.
(iv). 제1 라벨 맵은, 다음의 것들: 설계 데이터, 이미지, 및 제1 확률 맵 중 적어도 하나에 기반하여 생성될 수 있다.
(v). 생성하는 단계는: 결합된 확률 맵을 획득하기 위해 제1 확률 맵과 제2 확률 맵을 결합하는 단계; 및 결합된 확률 맵을 처리하기 위해 리졸버(resolver)를 사용하여, 제2 라벨 맵을 생성하는 단계를 포함할 수 있다.
(vi). 결합하는 단계는, 이미지의 세그먼트화의 민감도와 반복성 사이의 원하는 절충 수준을 표시하는 미리 결정된 가중치 인자를 사용하여 수행될 수 있다.
(vii). 리졸버는, DCRF, 그래프-컷(Graph-cut), 및 은닉 마르코프 모델(HMM; Hidden Markov Model)을 포함하는 그룹으로부터 선택될 수 있다.
(viii). 리졸버는 DCRF 리졸버일 수 있고, 결합된 확률 맵은 단일 항 및 쌍별 항에 기반하여 처리될 수 있다.
(ix). 쌍별 항은 외관 커널 및 평활도 커널에 기반하여 구성될 수 있다.
(x). 외관 커널은, 주어진 픽셀의 라벨을 그의 유사한 이웃하는 픽셀들에 기반하여 결정하는 가장자리 보존 잡음 제거기(denoiser)일 수 있고, 평활도 커널은 주어진 픽셀의 라벨을 그의 이웃하는 픽셀들에 기반하여 결정한다.
(xi). 이미지는, 검토 툴로부터 획득되는, 시편의 고해상도 검토 이미지일 수 있다.
(xii). 제2 라벨 맵은 제1 확률 맵으로부터 생성된 라벨 맵과 비교하여 향상된 반복성을 가질 수 있다.
본원에 개시되는 주제의 다른 양상들에 따르면, 제조된 반도체 시편의 이미지를 세그먼트화하는 시스템이 제공되며, 시스템은 프로세서 및 메모리 회로(PMC)를 포함하고, PMC는: 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 이미지의 픽셀들이 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시하는 제1 확률 맵을 획득하고 ― 제1 확률 맵은 심층 학습 모델을 사용하여 이미지를 처리함으로써 생성됨 ―; 제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 세그먼트들과 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 획득하고 ― 제2 구조적 요소들은 적어도 일부분을 특성화하는 설계 데이터에서 제시되고, 동등한 제2 구조적 요소들은 동일한 라벨과 연관됨 ―; 제1 라벨 맵의 픽셀들이 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 제1 라벨 맵에 대해 모의실험을 수행하고; 제1 확률 맵 및 제2 확률 맵에 기반하여 제2 라벨 맵을 생성하도록 구성되며, 제2 라벨 맵은 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 그와 연관된 라벨들에 대한 정보를 주고, 동등한 제1 구조적 요소들은 동일한 라벨과 연관되고, 제2 라벨 맵은 향상된 반복성으로 이미지를 세그먼트화하는 데 사용가능하다.
개시되는 주제의 이러한 양상은, 방법에 관하여 위에 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 치환으로 포함할 수 있다.
본원에 개시되는 주제의 다른 양상들에 따르면, 명령어들을 포함하는 비-일시적인 컴퓨터 판독가능 매체가 제공되며, 명령어들은, 컴퓨터에 의해 실행될 때, 컴퓨터로 하여금 제조된 반도체 시편의 이미지를 세그먼트화하는 방법을 수행하게 하고, 방법은: 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 이미지의 픽셀들이 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시하는 제1 확률 맵을 획득하는 단계 ― 제1 확률 맵은 심층 학습 모델을 사용하여 이미지를 처리함으로써 생성됨 ―; 제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 세그먼트들과 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 획득하는 단계 ― 제2 구조적 요소들은 적어도 일부분을 특성화하는 설계 데이터에서 제시되고, 동등한 제2 구조적 요소들은 동일한 라벨과 연관됨 ―; 제1 라벨 맵의 픽셀들이 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 제1 라벨 맵에 대해 모의실험을 수행하는 단계; 및 제1 확률 맵 및 제2 확률 맵에 기반하여 제2 라벨 맵을 생성하는 단계를 포함하며, 제2 라벨 맵은 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 그와 연관된 라벨들에 대한 정보를 주고, 동등한 제1 구조적 요소들은 동일한 라벨과 연관되고, 제2 라벨 맵은 향상된 반복성으로 이미지를 세그먼트화하는 데 사용가능하다.
개시되는 주제의 이러한 양상은, 방법에 관하여 위에 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 치환으로 포함할 수 있다.
본 개시내용을 이해하고, 본 개시내용이 실제로 어떻게 수행될 수 있는지를 알기 위해, 이제, 첨부된 도면들을 참조하여, 단지 비-제한적인 예로서 실시예들이 설명될 것이다.
도 1은 본원에 개시되는 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시한다.
도 2는 본원에 개시되는 주제의 특정 실시예들에 따른, 제조된 반도체 시편의 이미지를 세그먼트화하는 일반화된 흐름도를 예시한다.
도 3은 본원에 개시되는 주제의 특정 실시예들에 따른, 시편의 이미지를 세그먼트화하는 개략도를 예시한다.
도 4는 본원에 개시되는 주제의 특정 실시예들에 따른, 제1 라벨 맵으로부터 제2 확률 맵으로의 모의실험 프로세스의 예를 예시한다.
도 5는 본원에 개시되는 주제의 특정 실시예들에 따른, 제1 라벨 맵으로부터 대응하는 거리 맵으로의 거리 변환의 예를 예시한다.
다음의 상세한 설명에서는, 본 개시내용의 철저한 이해를 제공하기 위해, 많은 특정 세부사항들이 기재된다. 그러나, 본원에 개시되는 주제는 이러한 특정 세부사항들 없이도 실시될 수 있다는 것이 관련 기술분야의 통상의 기술자들에 의해 이해될 것이다. 다른 예시들에서, 잘 알려진 방법들, 절차들, 구성요소들, 및 회로들은, 본원에 개시되는 주제를 불명료하게 하지 않기 위해 상세히 설명되지 않는다.
달리 구체적으로 언급되지 않는 한, 다음의 논의들로부터 명백한 바와 같이, 본 명세서 전반에 걸쳐, "생성", "수행", "획득", "모의실험", "변환", "조합", "결합", "사용", "처리", "결정" 등과 같은 용어들을 활용하는 논의들은, 데이터를 다른 데이터로 조작 및/또는 변환하는 컴퓨터의 작동(들) 및/또는 프로세스(들)를 지칭하며, 상기 데이터는 물리적, 이를테면 전자적 양들로서 표현되고/거나 상기 데이터는 물리적 객체들을 표현한다는 것이 인식된다. "컴퓨터"라는 용어는, 비-제한적인 예로서, 본 출원에서 개시되는 검사 시스템, 세그먼트화 시스템 및 그들의 개개의 부분들을 포함하는, 데이터 처리 능력들을 갖는 임의의 종류의 하드웨어 기반 전자 디바이스를 망라하도록 광범위하게 해석되어야 한다.
본원에서 사용되는 "비-일시적인 메모리" 및 "비-일시적인 저장 매체"라는 용어들은, 본원에 개시되는 주제에 적합한 임의의 휘발성 또는 비-휘발성 컴퓨터 메모리를 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "결함"이라는 용어는, 시편 상에 또는 시편 내에 형성된 임의의 종류의 기형 또는 바람직하지 않은 피쳐를 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "설계 데이터"라는 용어는, 시편의 계층적인 물리적 설계(레이아웃)를 표시하는 임의의 데이터를 망라하도록 광범위하게 해석되어야 한다. 설계 데이터는, 개개의 설계자에 의해 제공될 수 있고/거나 (예컨대, 복잡한 모의실험, 단순한 기하학, 및 불(Boolean) 연산들 등을 통해) 물리적 설계로부터 도출될 수 있다. 설계 데이터는, 비-제한적인 예들로서, GDSII 포맷, OASIS 포맷 등과 같은 상이한 포맷들로 제공될 수 있다. 설계 데이터는, 벡터 포맷, 그레이스케일 강도 이미지 포맷, 또는 다른 포맷으로 제시될 수 있다.
달리 구체적으로 언급되지 않는 한, 별개의 실시예들의 맥락에서 설명된 본원에 개시되는 주제의 특정 특징들이 또한, 단일 실시예로 조합되어 제공될 수 있다는 것이 인식된다. 역으로, 단일 실시예의 맥락에서 설명된 본원에 개시되는 주제의 다양한 특징들이 또한, 별개로 또는 임의의 적합한 하위 조합으로 제공될 수 있다. 다음의 상세한 설명에서는, 본 방법들 및 장치의 철저한 이해를 제공하기 위해 많은 특정 세부사항들이 기재된다.
이를 유념하면서, 본원에 개시되는 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시하는 도 1을 주목한다.
도 1에 예시된 검사 시스템(100)은, 시편 제조 프로세스의 일부로서 (예컨대, 웨이퍼 및/또는 웨이퍼의 부분들의) 반도체 시편의 검사에 사용될 수 있다. 예시된 검사 시스템(100)은, 시편 제조 동안 획득된 이미지들(이후 제조 프로세스(FP) 이미지들 또는 이미지들로 지칭됨)을 사용하여 계측 관련 및/또는 결함 관련 정보를 자동으로 결정할 수 있는 컴퓨터-기반 시스템(101)을 포함한다. 시스템(101)은 일반적으로 제조 프로세스 검사 정보(FPEI) 시스템으로 지칭될 수 있다. 본원에 개시되는 주제의 특정 실시예들에 따르면, 시스템(101)은, 도 2를 참조하여 아래에서 더 상세히 설명될 바와 같이, 시편의 적어도 일부분을 나타내는 FP 이미지의 세그먼트화를 수행하도록 구성될 수 있다. 그에 따라, 시스템(101)은 본 개시내용에서 세그먼트화 시스템으로 또한 지칭된다. 시스템(101)은 하나 이상의 검사 툴(120)에 동작가능하게 연결될 수 있다. 검사 툴들(120)은, FP 이미지들을 포착하고/거나 포착된 FP 이미지(들)를 검토하고/거나 포착된 이미지(들)와 관련된 측정들을 가능하게 하거나 제공하도록 구성된다. 시스템(101)은 추가로, 설계 데이터 서버(110) 및 저장 유닛(122)에 동작가능하게 연결될 수 있다.
예컨대, FP 이미지들(본원에서 이미지들로 또한 지칭됨)은, 제조 프로세스 동안 포착된 시편(예컨대, 웨이퍼 또는 웨이퍼의 부분들)의 이미지들, 다양한 사전-처리 스테이지들에 의해 획득된 포착된 이미지들의 파생물들(예컨대, SEM 또는 광학 조사 시스템에 의해 포착된 포토마스크 또는 웨이퍼의 일부의 이미지들, ADC에 의해 분류될 결함 주위에 대략적으로 중심이 놓인 SEM 이미지들, ADR에 의해 결함이 국소화될 더 큰 구역들의 SEM 이미지들, 동일한 마스크 위치에 대응하는 상이한 검사 양태들의 레지스터링된 이미지들, 세그먼트화된 이미지들, 높이 맵 이미지들 등)로부터 선택될 수 있다. 일부 경우들에서, 이미지들은 이미지 데이터(예컨대, 포착된 이미지들, 처리된 이미지들 등) 및 연관된 수치 데이터(예컨대, 메타데이터, 수작업 속성들 등)를 포함할 수 있다는 것이 유의되어야 한다. 이미지 데이터는 관심 층 및/또는 시편의 하나 이상의 다른 층과 관련된 데이터를 포함할 수 있다는 것이 추가로 유의된다.
본원에서 사용되는 "검사 툴(들)"이라는 용어는, 비-제한적인 예로서, 시편 또는 시편의 부분들에 관하여 제공되는 이미징, (단일 또는 다수의 스캔들로의) 스캐닝, 샘플링, 검토, 측정, 분류, 및/또는 다른 프로세스들을 포함하는 검사 관련 프로세스들에서 사용될 수 있는 임의의 툴들을 망라하도록 광범위하게 해석되어야 한다. 하나 이상의 검사 툴(120)은 하나 이상의 조사 툴 및/또는 하나 이상의 검토 툴을 포함할 수 있다. 일부 경우들에서, 검사 툴들(120) 중 적어도 하나는, 잠재적 결함들의 검출을 위한 조사 이미지들을 (전형적으로, 비교적 고속 및/또는 저해상도로) 포착하도록 시편(예컨대, 전체 웨이퍼, 전체 다이, 또는 그 부분들)을 스캐닝하게 구성되는 조사 툴일 수 있다. 일부 경우들에서, 검사 툴들(120) 중 적어도 하나는, 잠재적 결함이 실제로 결함인지 여부를 알아내기 위해 조사 툴들에 의해 검출되는 결함들 중 적어도 일부의 검토 이미지들을 포착하도록 구성되는 검토 툴일 수 있다. 그러한 검토 툴은 일반적으로, 다이의 조각들을 (전형적으로, 비교적 저속 및/또는 고해상도로) 한 번에 하나씩 조사하도록 구성된다. 조사 툴 및 검토 툴은, 동일하거나 상이한 위치들에 위치하는 상이한 툴들 또는 2개의 상이한 모드로 동작하는 단일 툴일 수 있다. 일부 경우들에서, 적어도 하나의 검사 툴은 계측 능력들을 가질 수 있다.
어떠한 방식으로든 본 개시내용의 범위를 제한함이 없이, 검사 툴들(120)은, 광학 이미징 기계들, 전자 빔 조사 기계들 등과 같은 다양한 유형들의 조사 기계들로서 구현될 수 있다는 것이 또한 유의되어야 한다. 일부 경우들에서, 동일한 검사 툴이 저해상도 이미지 데이터 및 고해상도 이미지 데이터를 제공할 수 있디.
시스템(101)은, 하드웨어 기반 I/O 인터페이스(126)에 동작가능하게 연결되는 프로세서 및 메모리 회로(PMC)(102)를 포함한다. PMC(102)는, 도 2를 참조하여 더 상세히 설명되는 바와 같이 시스템(101)을 동작시키기 위해 필요한 모든 처리를 제공하도록 구성되며, 프로세서(별개로 도시되지 않음) 및 메모리(별개로 도시되지 않음)를 포함한다. PMC(102)의 프로세서는, PMC에 포함된 비-일시적인 컴퓨터-판독가능 메모리 상에 구현되는 컴퓨터-판독가능 명령어들에 따라 수 개의 기능 모듈들을 실행하도록 구성될 수 있다. 그러한 기능 모듈들은 이후 PMC에 포함되는 것으로 지칭된다.
PMC(102)에 포함된 기능 모듈들은 모의실험 모듈(104) 및 라벨 맵 생성 모듈(106)을 포함한다. 특정 실시예들에서, 라벨 맵 생성 모듈(106)은 리졸버 모듈(108)을 포함할 수 있다. PMC(102)는, I/O 인터페이스(126)를 통해, 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 이미지의 픽셀들이 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시하는 제1 확률 맵을 획득하도록 구성될 수 있다. 제1 확률 맵은, 심층 학습 모델(예컨대, 세그먼트화 네트워크(112))을 사용하여 이미지를 처리함으로써 생성될 수 있다. PMC(102)는 추가로, 제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 세그먼트들과 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 획득하도록 구성될 수 있다. 제2 구조적 요소들은 적어도 일부분을 특성화하는 설계 데이터에서 제시된다. 동등한 제2 구조적 요소들은 동일한 라벨과 연관된다. 모의실험 모듈(104)은, 제1 라벨 맵의 픽셀들이 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 제1 라벨 맵에 대해 모의실험을 수행하도록 구성될 수 있다. 라벨 맵 생성 모듈(106)은, 제1 확률 맵 및 제2 확률 맵에 기반하여 제2 라벨 맵을 생성하도록 구성될 수 있다. 제2 라벨 맵은, 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 그와 연관된 라벨들에 대한 정보를 준다. 동등한 제1 구조적 요소들은 동일한 라벨과 연관된다. 제2 라벨 맵은 향상된 반복성으로 이미지를 세그먼트화하는 데 사용가능할 수 있다. 시스템(101), PMC(102) 및 그들에 있는 기능 모듈들의 동작은 도 2를 참조하여 더 상세히 설명될 것이다.
특정 실시예들에 따르면, 시스템(101)은, 예컨대, 예시된 바와 같은 세그먼트화 네트워크(112)와 같은 심층 학습 모델과 동작가능하게 연결될 수 있다. 세그먼트화 네트워크(112)는, 개개의 심층 신경망(DNN) 아키텍쳐에 따라 조직화된 계층들을 포함하는 DNN일 수 있다. 비-제한적인 예로서, DNN의 계층들은, 콘볼루션 신경망(CNN) 아키텍쳐, 순환적 신경망 아키텍쳐, 재귀적 신경망 아키텍쳐, 생성적 대립 신경망(GAN) 아키텍쳐, 또는 다른 아키텍쳐에 따라 조직화될 수 있다. 임의적으로, 계층들 중 적어도 일부는 복수의 DNN 하위 네트워크들에서 조직화될 수 있다. DNN의 각각의 계층은, 관련 기술분야에서 차원들, 뉴런들, 또는 노드들로 전형적으로 지칭되는 다수의 기본 계산 요소들(CE)을 포함할 수 있다.
일반적으로, 주어진 계층의 계산 요소들은 선행 계층 및/또는 후속 계층의 CE들과 연결될 수 있다. 선행 계층의 CE와 후속 계층의 CE 사이의 각각의 연결은 가중 값과 연관된다. 주어진 CE는 개개의 연결들을 통해 이전 계층의 CE들로부터 입력들을 수신할 수 있으며, 각각의 주어진 연결은, 주어진 연결의 입력에 적용될 수 있는 가중 값과 연관된다. 가중 값들은, 연결들의 상대적인 강도 및 그에 따른 주어진 CE의 출력에 대한 개개의 입력들의 상대적인 영향을 결정할 수 있다. 주어진 CE는, 활성화 값(예컨대, 입력들의 가중 합)을 계산하도록 그리고 계산된 활성화에 활성화 함수를 적용함으로써 출력을 도출하도록 추가로 구성될 수 있다. 본원에 개시되는 주제의 교시들은 특정 DNN 아키텍쳐에 의해 제한되지 않는다는 것이 유의된다.
일부 실시예들에서, 시스템(101)은 세그먼트화 네트워크(112) 또는 그의 부분을 더 포함할 수 있다. 다시 말해서, 세그먼트화 네트워크(112)의 개개의 기능들은 시스템(101) 내에 적어도 부분적으로 통합될 수 있다.
세그먼트화 시스템(101)에 대해 부가적으로, 검사 시스템(100)은, 예컨대, 결함 검출 모듈 및/또는 자동 결함 검토 모듈(ADR) 및/또는 자동 결함 분류 모듈(ADC) 및/또는 계측 관련 모듈 및/또는 다른 검사 모듈들과 같은 하나 이상의 검사 모듈을 포함할 수 있다. 그러한 검사 모듈들은, 반도체 시편의 검사를 위해 세그먼트화 시스템(101)의 출력을 활용할 수 있다. 일부 경우들에서, 하나 이상의 검사 모듈은 하나 이상의 검사 툴(120)과 적어도 부분적으로 통합될 수 있다.
특정 실시예들에 따르면, 시스템(101)은, 하드웨어 기반 I/O 인터페이스(126)를 통해 설계 데이터 서버(110)(예컨대, CAD 서버)와 동작가능하게 연결될 수 있다. 설계 데이터 서버(110)는, 시편을 특성화하는 설계 데이터를 저장 및 제공하도록 구성된다. 시편의 설계 데이터는 다음의 포맷들, 즉, 시편의 물리적 설계 레이아웃(예컨대, CAD 클립), 래스터 이미지, 및 설계 레이아웃으로부터 도출된 모의실험된 이미지 중 임의의 포맷일 수 있다. 특정 실시예들에 따르면, 제2 구조적 요소들(즉, 설계 데이터에서 제시된 구조적 요소들)을 나타내는 하나 이상의 세그먼트 및 그와 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵이 예컨대 설계 데이터로부터 도출되어 설계 데이터 서버(110) 또는 저장 유닛(122)에 저장될 수 있고, I/O 인터페이스(126)는 그로부터 제1 라벨 맵을 수신하도록 구성될 수 있다. 대안적으로, I/O 인터페이스(126)는, 설계 데이터 서버(110)로부터, 적어도 시편의 주어진 부분을 특성화하는 설계 데이터를 수신하고, 설계 데이터를 처리하여 제1 라벨 맵을 도출하기 위해 PMC(102)에 제공할 수 있다.
특정 실시예들에 따르면, 시스템(101)은 저장 유닛(122)을 포함할 수 있다. 저장 유닛(122)은, 시스템(101)을 동작시키는 데 필요한 임의의 데이터, 예컨대, 시스템(101)의 입력 및 출력과 관련된 데이터뿐만 아니라 시스템(101)에 의해 생성된 중간 처리 결과들을 저장하도록 구성될 수 있다. 예로서, 저장 유닛(122)은, 검사 툴(120)에 의해 생성된 이미지들 및/또는 그의 파생물들을 저장하도록 구성될 수 있다. 그에 따라서, 하나 이상의 이미지는 저장 유닛(122)으로부터 검색되고 추가적인 처리를 위해 PMC(102)에 제공될 수 있다. 저장 유닛(122)은 또한, 시편 및/또는 그의 파생물들을 특성화하는 설계 데이터를 저장하도록 구성될 수 있다.
일부 실시예들에서, 시스템(101)은 임의적으로, 시스템(101)과 관련된 사용자 특정 입력들을 가능하게 하도록 구성되는 컴퓨터 기반 그래픽 사용자 인터페이스(GUI)(124)를 포함할 수 있다. 예를 들면, 시편의 이미지 데이터 및/또는 설계 데이터를 포함하는 시편의 시각적 표현이 (예컨대, GUI(124)의 일부를 형성하는 디스플레이에 의해) 사용자에게 표시될 수 있다. 사용자는, GUI를 통해, 특정 동작 파라미터들을 정의하는 옵션들을 제공받을 수 있다. 사용자는 또한, 예컨대, 세그먼트화 출력과 같은 동작 결과들을 GUI 상에서 볼 수 있다.
전술된 바와 같이, 시스템(101)은, I/O 인터페이스(126)를 통해, 시편의 적어도 일부분을 나타내는 이미지에 대응하는 제1 확률 맵, 및 설계 데이터에서 제시된 제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 그와 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 포함하는 입력 데이터를 수신하도록 구성된다. 시스템(101)은, 수신된 입력 데이터의 적어도 일부를 처리하고, I/O 인터페이스(126)를 통해, 결과들(또는 그 일부)을 저장 유닛(122)에 그리고/또는 검사 툴(들)(120)에 그리고/또는 (결과들을 렌더링하기 위해) GUI(124)에 그리고/또는 외부 시스템들(예컨대, FAB의 수율 관리 시스템(YMS))에 전송하도록 추가로 구성된다.
관련 기술분야의 통상의 기술자들은, 본원에서 개시되는 주제의 교시들이 도 1에 예시된 시스템에 의해 제한되지 않고; 동등한 및/또는 수정된 기능성이 다른 방식으로 병합될 수 있거나 분할될 수 있고, 하드웨어 및/또는 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 용이하게 인식할 것이다.
도 1에 예시된 검사 시스템이 분산형 컴퓨팅 환경에서 구현될 수 있으며, 그러한 분산형 컴퓨팅 환경에서, 도 1에 도시된 전술된 기능 모듈들이 수 개의 로컬 및/또는 원격 디바이스들에 걸쳐 분산될 수 있고 통신 네트워크를 통해 링크될 수 있다는 것이 유의된다. 다른 실시예들에서, 검사 툴들(120), 저장 유닛(122), 및/또는 GUI(124) 중 적어도 일부가 검사 시스템(100) 외부에 있을 수 있고, I/O 인터페이스(126)를 통해 시스템(101)과 데이터 통신하도록 동작할 수 있다는 것이 추가로 유의된다. 시스템(101)은, 검사 툴과 함께 사용될 독립형 컴퓨터(들)로서 구현될 수 있다. 대안적으로, 시스템(101)의 개개의 기능들은 하나 이상의 검사 툴(120)과 적어도 부분적으로 통합될 수 있으며, 그에 의해, 검사 관련 프로세스들에서의 검사 툴들(120)의 기능성들이 용이해지고 향상된다.
도 2를 참조하면, 본원에 개시되는 주제의 특정 실시예들에 따른, 제조된 반도체 시편의 이미지를 세그먼트화하는 일반화된 흐름도가 예시된다.
제1 확률 맵이 (예컨대, I/O 인터페이스(126)를 통해 PMC(102)에 의해) 획득될 수 있다(202). 제1 확률 맵은, 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 이미지의 픽셀들이 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시한다.
이미지는 시편의 제조 프로세스에서 획득된 시편의 FP 이미지일 수 있다. 비-제한적인 예로서, 이미지는, 하나 이상의 조사 툴(예컨대, 저해상도 검사 기계들, 이를테면, 광학 조사 시스템, 저해상도 SEM 등)을 사용하여 시편을 검사함으로써 획득될 수 있다. 대안적으로 또는 부가적으로, 이미지는, 하나 이상의 검토 툴(예컨대, 검토를 위해 선택된 잠재적 결함 위치들의 서브세트를 검토하기 위한 고해상도 검사 기계들, 이를테면, 주사 전자 현미경(SEM), 원자간력 현미경(AFM) 등)을 사용하여 시편을 검사함으로써 획득될 수 있다.
제1 확률 맵은, 심층 학습 모델(예컨대, DNN, 이를테면, 예시된 바와 같은 세그먼트화 네트워크(112))을 사용하여 이미지를 처리함으로써 생성될 수 있다. 일반적으로 말하면, 세그먼트화는, 이미지를 유의미한 부분들/세그먼트들(예컨대, 배경 및 전경, 잡음이 있는 영역 및 잡음이 없는 영역, 구조적 요소들, 결함 및 비-결함 등)로 파티셔닝하면서 그러한 세그먼트들을 표시하는 픽셀별 또는 구역별 값들을 제공하는 임의의 프로세스를 지칭할 수 있다. 본원에 개시되는 주제의 특정 실시예들에 따르면, 세그먼트화 네트워크(112)는, 이미지에서 제시된 하나 이상의 구조적 요소(본원에서 제1 구조적 요소 또는 이미지 기반 구조적 요소로 또한 지칭됨)에 따라 이미지를 세그먼트화하도록 구성될 수 있다. 세그먼트화 네트워크의 출력(즉, 제1 확률 맵)은, 각각의 픽셀/요소의 값이, 이미지의 대응하는 픽셀이 이미지의 구조적 요소들에 대응할/속할 예측된 확률을 표시하거나, 즉, 이미지의 구조적 요소들을 나타내는 하나 이상의 세그먼트에 속할 예측된 확률을 표시하는 세그먼트화 확률 맵일 수 있다. 일부 경우들에서, DNN에 공급될 이미지는 시편의 복수의 층들에 대한 정보를 줄 수 있고, 제1 확률 맵은 각각의 층에 대해 생성될 수 있다.
본원에서 사용되는 구조적 요소는, 윤곽이 있는 기하학적 형상 또는 기하학적 구조, 또는 다른 객체(들)와 조합된 기하학적 형상을 갖는, 이미지 데이터 또는 설계 데이터 상의 임의의 원래의 객체를 지칭할 수 있다. 이미지 데이터 상에 위치한/제시된 구조적 요소는 이미지 기반 구조적 요소(본원에서 제1 구조적 요소로 또한 지칭됨)로 지칭될 수 있다. 설계 데이터 상에 위치한/제시된 구조적 요소는 설계 기반 구조적 요소(본원에서 제2 구조적 요소로 또한 지칭됨)로 지칭될 수 있다. 구조적 요소는, 예컨대, 다각형의 형태로 제시될 수 있다. 구조적 요소는 사용자에 의해 정의될 수 있거나, 예컨대, 규칙 기반 또는 기계 학습 기법들을 사용하여 자동으로 정의될 수 있다.
제1 확률 맵은, 이미지들 상의 상이한 세그먼트들을 표시하는 픽셀별 또는 구역별 세그먼트화 라벨들(본원에서 라벨들로 또한 지칭됨)을 포함하는 세그먼트화 라벨 맵을 생성하는 데 사용가능하다. 일부 실시예들에서, 각각의 세그먼트화된 구조적 요소(및/또는 그의 픽셀들)에는 세그먼트화 라벨이 배정될 수 있고, 이미지 상의 동등한 구조적 요소들은 동일한 라벨과 연관될 수 있다. 동등한 구조적 요소들은, 그들의 배향에 관계없이, 동일한 설계 패턴에 대응하는 구조적 요소들을 지칭할 수 있다. 예로서, 하나의 층 상의 구조적 요소들(예컨대, 다각형들)은 하나의 세그먼트화 라벨을 가질 수 있고, 다른 층 상의 다각형들은 상이한 세그먼트화 라벨을 가질 수 있는 한편, 배경은 별개의 세그먼트화 라벨을 가질 수 있다.
예시의 목적을 위해, 본원에 개시되는 주제의 특정 실시예들에 따른, 시편의 이미지를 세그먼트화하는 개략도를 예시하는 도 3에 대한 참조가 또한 이루어진다. 도시된 바와 같이, 검사 툴(120)에 의해 포착된 시편의 이미지(302)가 수신되고 처리를 위해 세그먼트화 네트워크(112)에 공급되어, 위에 설명된 바와 같이 제1 확률 맵(306)이 생성된다. 일부 경우들에서, 이미지(302)는 시편의 다수의 층들에 대한 정보를 줄 수 있고, 여기서, 각각의 층은 상이한 유형들의 구조적 요소들을 포함한다는 것이 유의되어야 한다. 그러한 경우들에서, 시편의 개개의 층들에 대응하게 다수의 제1 확률 맵들(306)이 생성될 수 있다.
본원에 개시되는 주제의 특정 실시예들에 따르면, 시편의 이미지의 처리에 의해 세그먼트화 네트워크를 사용하여 생성되는 세그먼트화 확률 맵은 비교적 민감한 세그먼트화 출력을 초래할 수 있다. 예로서, 세그먼트화 네트워크는 세그먼트화 민감도를 향상시키는 목적을 위해, 특정 아키텍쳐로 설계되고/거나 특정 방식들로 훈련될 수 있다. 그러한 경우들에서, 세그먼트화 확률 맵 및/또는 그로부터 도출되는 세그먼트화 라벨 맵은 높은 민감도를 초래할 수 있다. 예로서, 세그먼트화 출력은, 물리적 프로세스들, 이를테면, 이미징 조건들, 툴/프로세스 변동들 등에 의해 영향을 받을 수 있는 특정 이미지 특성들을 엄격하게 따를 수 있다. 예를 들면, 세그먼트화 라벨 맵에서 표시된 바와 같은 세그먼트들은 이미지에서 제시된 구조적 요소들에 관하여 높은 정확도 및 일관성을 가질 수 있다(예컨대, 세그먼트들의 윤곽들이 이미지의 다각형들과 밀접하게 매칭하고, 그에 따라, 가장자리들이 거칠/흐릿할 수 있고, 다각형 내의 특정 픽셀들/영역들에는 이웃하는 픽셀들과 일치하는 않는 세그먼트화 라벨들이 배정될 수 있는 등, 그러한 식임). 그러한 경우들에서, 동일한 시편의 동일한 위치에 대해 포착된 상이한 이미지들은 이미지에서 제시된 편차들로 인해 상이한 세그먼트화 결과들을 초래할 수 있다. 그러한 세그먼트화 결과들은, 상이한 이미지들에서 야기된 편차들에 관계없이 고객들이 동일한 시편에 대해 반복가능한 세그먼트화(정확한 세그먼트화로 또한 지칭됨)를 요구하므로 덜 바람직하다. 본원에 개시되는 주제의 특정 실시예들에 따르면, 아래에서 더 상세히 설명되는 바와 같이, 이미지 세그먼트화에 영향을 주도록 설계 기반 데이터를 사용하고(즉, 설계 라벨 맵을 사용하여, 모의실험된 확률 맵을 생성함) 그에 의해 세그먼트화의 반복성/정밀도를 개선하는 방법 및 시스템이 제안된다.
제1 확률 맵에 부가하여, 제1 라벨 맵이 또한 (예컨대, I/O 인터페이스(126)를 통해 PMC(102)에 의해) 획득될 수 있다(204). 제1 라벨 맵은, 제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 세그먼트들과 연관된 라벨들에 대한 정보를 주는 세그먼트화 라벨 맵일 수 있다. 위에 언급된 바와 같은 제2 구조적 요소들은, 시편의 적어도 일부분을 특성화하는 설계 데이터에서 제시된 설계 기반 구조적 요소들이다. 유사하게, 동등한 제2 구조적 요소들은 동일한 라벨과 연관된다. 다시 말해서, 제1 라벨 맵은, 그 맵의 세그먼트들이 설계 기반 구조적 요소들에 대응하므로 설계 라벨 맵으로 지칭될 수 있다. 제1 라벨 맵의 예가 도 3에서 304로서 예시된다. 본 예에 나타낸 바와 같이, 제1 라벨 맵(304)은 2개의 세그먼트(상이한 그레이 수준들에 의해 구별됨)를 제시하는데, 하나의 세그먼트는 그 안에 포함된 구조적 요소들(예컨대, 예시된 바와 같은 기둥들)에 대응하고, 다른 세그먼트는 배경에 대응한다.
제1 라벨 맵이 설계 기반 구조적 요소들에 대응하는 세그먼트들에 대한 정보를 주지만, 제1 라벨 맵이 반드시 설계 데이터에 기반하여 생성될 필요는 없다는 것의 유의된다. 특정 실시예들에 따르면, 제1 라벨 맵은, 다음의 것들, 즉, 설계 데이터, 이미지, 및 제1 확률 맵 중 적어도 하나에 기반하여 생성될 수 있다. 예로서, 제1 라벨 맵은, 예컨대, 제1 라벨 맵의 설계 기반 구조적 요소들이 개개의 세그먼트화 라벨들과 연관되도록 설계 데이터에 대해 모의실험을 수행함으로써, 설계 데이터에 기반하여 생성될 수 있다. 일부 경우들에서, 그러한 모의실험은 또한, 설계 기반 구조적 요소들과 대응하는 이미지 기반 구조적 요소들 사이의 차이를 고려한다. 예를 들면, 일부 경우들에서, 설계 툴 및/또는 이미징 툴의 조건들로 인해, 설계 기반 구조적 요소, 이를테면 다각형은 이미지에서 실제로 원의 형상으로 나타날 수 있다. 모의실험은, 이를 고려하여, 이미지에서 나타날 바와 같은 모의실험된 형상을 갖는 구조적 요소를 포함하는 모의실험된 라벨 맵을 생성할 수 있다.
다른 예로서, 제1 라벨 맵은 이미지에 기반하여 생성될 수 있다. 예를 들면, 라벨 맵은, SEM 이미지의 구조적 요소들의 외관에 따라 수동으로 생성될 수 있다. 추가적인 예로서, 제1 라벨 맵은 제1 확률 맵에 기반하여 생성될 수 있다. 예를 들면, 제1 라벨 맵은, 제1 확률 맵에서 반복적인 구조적 요소들/패턴들을 식별하고, 변동 없이 더 평활한 형상을 갖는 공통의 패턴을 획득하기 위해 반복적인 패턴들을 평균하고, 개개의 반복적인 패턴들의 위치들에 공통의 패턴을 배치함으로써 생성될 수 있다.
일부 경우들에서, 제1 라벨 맵은, 위에 설명된 다양한 생성 방법들에 따라 사전 생성되고 저장 유닛(122) 또는 설계 데이터 서버(110)에 저장되어 추가적인 처리를 위해 PMC(102)에 제공될 수 있다. 대안적으로, 일부 다른 경우들에서, 생성 프로세스는, PMC(102)에 의해(즉, 라벨 맵 생성의 기능성이 PMC(102)에 통합될 수 있음) 사전 처리 단계로서 수행될 수 있다.
제1 라벨 맵을 획득할 시, 제1 라벨 맵의 픽셀들이 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 제1 라벨 맵에 대해 (예컨대, 모의실험 모듈(104)에 의해) 모의실험이 수행될 수 있다(206). 제2 확률 맵은 본원에서 모의실험된 확률 맵으로 또한 지칭된다. 도 3에 예시된 바와 같이, 확률 모의실험이 제1 라벨 맵(304)에 대해 수행되어 모의실험된 확률 맵(308)이 생성된다.
특정 실시예들에 따르면, 제1 라벨 맵으로부터 제2 확률 맵으로의 모의실험은 거리 변환 및 확률 변환을 포함할 수 있다. 구체적으로, 제1 라벨 맵에 대해 거리 변환이 수행되어 거리 맵이 획득될 수 있다. 거리 변환은, 제1 라벨 맵의 각각의 주어진 픽셀과 그로부터의 가장 가까운 가장자리 사이의 상대적 거리에 기반할 수 있다. 이어서, 거리 맵은, 제1 라벨 맵의 픽셀들이 가장 가까운 가장자리에 대한 것으로서 하나 이상의 세그먼트에 대응할 모의실험된 확률들에 대한 정보를 주는 제2 확률 맵으로 변환될 수 있다.
이제 도 4를 참조하면, 본원에 개시되는 주제의 특정 실시예들에 따른, 제1 라벨 맵으로부터 제2 확률 맵으로의 모의실험 프로세스의 예가 예시된다.
도시된 바와 같이, 제1 라벨 맵(402)은, 설계 기반 구조적 요소들(404)에 대응하는 세그먼트들을 표현하도록, 위에 설명된 바와 같은 생성 방법들에 따라 생성된다. 반드시 그러한 것은 아니지만, 제1 라벨 맵(402)은 설계에 따라 하나 이상의 층으로(예컨대, 본 예에서는, 배경 층(406), 및 전경 층(408), 즉, 구조적 요소들(404)을 갖는 층의 2개의 층으로) 분리될 수 있다. 2개의 층(406 및 408)에 대해 각각 거리 변환이 수행되어 2개의 대응하는 거리 맵(410 및 412)이 생성된다. 거리 변환의 더 양호한 예시를 위해, 이제 도 5를 주목한다.
이제 도 5를 참조하면, 본원에 개시되는 주제의 특정 실시예들에 따른, 제1 라벨 맵으로부터 대응하는 거리 맵으로의 거리 변환의 예가 예시된다.
도시된 바와 같이, 제1 라벨 맵(502)(또는 그로부터 분리된 하나의 층)이 이진 맵(504)의 형태로 제시될 수 있으며, 여기서, "1"의 값은 구조적 요소(501)에 대응하는 세그먼트의 라벨을 표현하고, "0"의 값은 배경의 라벨을 표현한다. 따라서, 이진 맵에서, "0"의 픽셀들 옆의 (예컨대, 픽셀(510)과 같은) "1"의 픽셀들은 구조적 요소의 가장자리를 표시할 수 있다. 거리 변환이 이진 맵(504)에 대해 수행되어, 이진 맵(504)의 각각의 주어진 픽셀과 그로부터의 가장 가까운 가장자리 사이의 상대적 거리에 기반한 거리 맵(506)이 획득될 수 있다. 예로서, 상대적 거리는, 제1 라벨 맵의 각각의 주어진 픽셀에 대한, i) 주어진 픽셀과 그로부터의 가장 가까운 가장자리 사이의 거리, 및 ii) 가장 가까운 가장자리에 대한 주어진 픽셀의 상대적 위치를 포함한다. 상대적 위치는, 주어진 픽셀이, 윤곽이 가장 가까운 가장자리를 포함하는 주어진 제2 구조적 요소 내에(즉, 윤곽 내에) 위치하는지, 또는 주어진 제2 구조적 요소 외부에(즉, 윤곽 외부에) 위치하는지를 표시할 수 있다. 예를 들면, 주어진 픽셀(508)에 대해, 가장 가까운 가장자리는 값이 "1"인 대각선 픽셀(510)에 의해 표시된다. 그에 따라, 픽셀들(508 및 510) 사이의 거리가 계산될 수 있다(예컨대, 본 예에서는 1.4). 픽셀(508)이 구조적 요소(501) 외부에 있다는 것을 고려하면, 양의 1.4 값이 거리 맵(506)의 대응하는 위치(509)에 배정될 수 있다. 그렇지 않고, 주어진 픽셀이 주어진 구조적 요소 내에 위치하는, 예컨대, 픽셀(512)과 같은 경우, 음의 값이 거리 맵에 배정되어 이러한 상대적 위치를 표시할 수 있다. 유사하게, 그러한 거리 변환은 이진 맵(504)의 모든 픽셀들에 대해 수행될 수 있고, 대응하는 거리 맵(506)(및 대응하는 표현 이미지(503))이 생성될 수 있다. 거리들의 계산 방법들뿐만 아니라 특정 숫자들, 양의 값 및 음의 값은 단지 예증 및 예시의 목적을 위한 것이며, 어떠한 방식으로든 본 개시내용을 제한하도록 해석되어서는 안된다는 것이 유의되어야 한다.
도 5의 예로부터 알 수 있는 바와 같이, 거리 변환으로부터 생성된 거리 맵은 각각의 픽셀과 그의 인근 가장자리 사이의 (예컨대, 그들 사이의 거리 및 인근 가장자리에 대한 상대적 위치의 관점에서의) 상대적 거리에 대한 정보를 준다. 다시 도 4를 참조하면, 이어서, 도 5를 참조하여 설명된 바와 같이 생성된 2개의 거리 맵(410 및 412)에 대해 각각 확률 변환이 수행되어 2개의 확률 맵(414 및 416)이 생성된다. 예로서, 확률 변환은, 거리 맵들의 값들을 [0, 1]의 범위로 정규화하는 것을 포함할 수 있다. 예를 들면, 정규화의 하나의 방식은, 예컨대,
Figure pat00001
또는
Figure pat00002
(본원에서 정규화 함수로 또한 지칭됨)과 같이, 대응하는 확률 값(p로 표시됨)을 상대적 거리(d로 표시됨)의 지수 함수로서 계산하는 것이다.
예컨대 확률 맵(416)과 같은, 그러한 방식으로 생성된 확률 맵에서, 구조적 요소의 중앙 구역에 위치한 픽셀들은 전형적으로 1과 같은 또는 1에 가까운 높은 확률 값들을 갖는다. 구조적 요소의 중심으로부터 가장자리를 향해 이동함에 따라, 픽셀들의 확률 값들은 점진적으로 감소한다. 가장자리 외부의 특정 지점에 도달할 때, 확률 값은 결국 0으로 감소한다. 확률 맵(416)은 확률 값들의 그러한 점진적 변화를 도시한다(1로부터 0으로 변하는 픽셀 값들의 램프(418)로서 예시됨). 위에 예시된 정규화 함수들은 단지 예시의 목적을 위해 열거되며, 어떠한 방식으로든 본 개시내용을 제한하는 것으로서 간주되어서는 안된다는 것이 유의되어야 한다. 임의의 다른 적합한 함수들이 상기된 것 대신 사용될 수 있다. 일부 경우들에서, 정규화에서 사용되는 지수 함수는, 가능하게는, 거리 맵의 특정 특성들을 표시할 수 있고 확률 정규화를 조정하는 데 사용될 수 있는 하나 이상의 부가적인 파라미터를 결합할 수 있다. 그러한 부가적인 파라미터의 일 예는, 예컨대, 거리 맵의 평활도를 표시하는 파라미터일 수 있고, 확률 맵에서 전이의 가파름을 1 내지 0으로 조정하는 데 사용될 수 있다. 임의적으로, 2개의 층에 대응하는 확률 맵들(414 및 416)은, 예컨대, 2개의 확률 맵에 대해 argmax 함수를 적용함으로써, 추가적인 처리를 위해 하나의 확률 맵으로 합산/결합될 수 있다.
도 2의 블록(206)의 설명을 계속하면, 도 5의 위의 설명에 따라 생성된 제2 확률 맵은, 제1 라벨 맵의 픽셀들이 제1 라벨 맵에서 표현된 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시할 수 있다. 확률 모의실험은, 예컨대, 프로세스 변동과 같은, 물리적 프로세스에 의해 야기되는 가능한 영향들을 고려한다. 모의실험된 확률들은, 제1 라벨 맵의 픽셀들이 제1 라벨 맵에서 표현된 세그먼트들에 대응하는 "실제" 세그먼트들에 속할 가능성(즉, 이러한 세그먼트들이, 예컨대 프로세스 변동 후에, 실제로 어떻게 나타나는지)을 반영한다. 예로서, 모의실험된 확률 맵은, 구조적 요소의 중앙에 있는 픽셀들이, 구조적 요소의 윤곽들을 둘러싸는 픽셀들(예컨대, 중심으로부터 더 멀리 떨어진 픽셀들 및 구조적 요소의 윤곽 외부에 위치한 픽셀들)과 비교하여, 구조적 요소에 대응하는 세그먼트에 속할 더 높은 확률을 가질 것이라는 기본 원리를 표시한다.
제1 확률 맵 및 제2 확률 맵에 기반하여 (예컨대, 라벨 맵 생성 모듈(106)에 의해) 제2 라벨 맵이 생성될 수 있다(208). 제2 라벨 맵은, 제1 구조적 요소들(즉, 이미지 기반 구조적 요소들)을 나타내는 하나 이상의 세그먼트 및 그와 연관된 라벨들에 대한 정보를 준다. 동등한 제1 구조적 요소들은 동일한 라벨과 연관된다. 제2 라벨 맵은 제1 확률 맵만으로부터 생성된 세그먼트화 라벨 맵과 비교하여 개선된 세그먼트화 라벨 맵이고, 향상된 반복성/정밀도로 이미지를 세그먼트화하는 데 사용가능할 수 있다.
특정 실시예들에 따르면, 제2 라벨 맵의 생성은, 결합된 확률 맵을 획득하기 위해 제1 확률 맵과 제2 확률 맵을 결합하는 것, 및 결합된 확률 맵을 처리하기 위해 솔버(solver)를 사용하여, 제2 라벨 맵을 생성하는 것을 포함할 수 있다. 솔버는 일반적으로, 문제 기술(description)을 일반적인 형태로 취하여 문제에 대한 해법을 계산하는 알고리즘을 지칭한다. 본 주제에서, 솔버는, 확률 맵들(일부 경우들에서는 또한 이미지)의 입력 정보에 기반하여 세그먼트들의 분리의 경계를 배치할 위치를 결정하는 알고리즘을 지칭한다. 일부 경우들에서, 제1 확률 맵과 제2 확률 맵을 결합하는 것은, 이미지의 세그먼트화의 민감도와 반복성 사이의 원하는 절충 수준을 표시하는 미리 결정된 가중치 인자를 사용하여 수행될 수 있다. 예로서, 일부 경우들에서, 그러한 가중치 인자는, 예컨대 고객에 의해, 특정 규격 요건들에 따라 결정될 수 있다. 일부 경우들에서, 그러한 가중치 인자는 후보 인자들의 그룹으로부터 선택될 수 있다. 가중치 인자를 사용하여 가중 결합을 적용함으로써, 이미지 기반 데이터에 대한 설계 기반 데이터의 영향의 양이 제어될 수 있고, 세그먼트화의 민감도와 반복성 사이의 원하는 균형이 달성될 수 있다.
특정 실시예들에 따르면, 솔버는, 고밀도 조건부 무작위 필드(DCRF; dense conditional random field), 그래프-컷, 및 은닉 마르코프 모델(HMM)을 포함하는 그룹으로부터 선택될 수 있다. 일 실시예에서, 솔버는 DCRF 솔버일 수 있다. DCRF 솔버는, 확률들의 형태(예컨대, 결합된 확률 맵)로 단일 데이터 항을 받아 각각의 픽셀에 어느 라벨을 배정할지를 결정하는 라벨 맵을 생성할 수 있다. 일부 다른 실시예들에서, 결합된 확률 맵에 부가하여, DCRF는 이미지를 부가적인 입력으로서 받아 두 입력들 모두에 기반하여 라벨 맵을 생성할 수 있다.
본 개시내용의 일부 실시예들에서, DCRF는, 단일 항 및 쌍별 항에 기반하여, 결합된 확률 맵을 처리하는 데 사용될 수 있다. DCRF는, N번(N은 미리 정의될 수 있음)의 반복 후 국소 최소치에 수렴하는 반복 알고리즘을 적용한다. 국소 최소치는 세그먼트화 라벨 맵이 생성됨을 의미하며, 여기서, 주어진 라벨들은 단일 항 및 쌍별 항과 관련된 오차 함수(E(x))를 최소화한다.
예로서, 단일 항은 픽셀이 특정 세그먼트와 관련될 확률에 기반할 수 있다. 예를 들면, 단일 항은 argmax()의 함수일 수 있으며, 이는, 이 픽셀에 대해 가장 높은 확률을 갖는 세그먼트를 출력한다. 쌍별 항은 2개의 대립 항으로 구성될 수 있다. 예를 들면, 쌍별 항은 외관 커널 및 평활도 커널에 기반하여 구성될 수 있다. 외관 커널은, 주어진 픽셀의 라벨을 그의 유사한 이웃하는 픽셀들에 기반하여 결정하는 가장자리 보존 잡음 제거기(양측 필터로 또한 지칭됨)일 수 있다(즉, 외관 커널은, 픽셀의 라벨을 비슷하게 보이는 그의 인근 이웃들(예컨대, 유사한 확률을 공유함)을 검토함으로써 결정함). 그 결과는, 외관 커널이 확률 맵을 평활화하지만 세그먼트들 사이의 선명한 가장자리들을 보존하는 것이다. 예로서, 외관 커널은, 이웃하는 픽셀들 사이의 상대적 위치들 및 유사성들과 관련된 지수 함수로서 구현될 수 있다. 평활도 커널은 주어진 픽셀의 라벨을 그의 이웃하는 픽셀들에 기반하여 결정한다. 평활도 커널은 가장자리들을 보존함이 없이 확률 맵을 평활화한다. 예로서, 평활도 커널은, 픽셀들 사이의 상대적 위치들과 관련된 지수 함수로서 구현될 수 있다.
두 커널들 모두를 적용함으로써, 결합된 확률 맵은, 적어도 다음의 2개의 양상들, 즉, i) 다각형 내의 픽셀들이 일반적으로 동일한 세그먼트에 속해야 한다는 가정에 기반하는, 각각의 구조적 요소가 평활화될 수 있는 윤곽 내에서의 확률들; 및 ii) 다각형들이 일반적으로 평활하지만 거칠지 않은 윤곽들을 갖는다는 가정에 기반하는, 각각의 구조적 요소가 가장자리들을 보존하면서 평활화될 수 있는 윤곽을 따른 확률들로부터 평활화될 수 있다.
DCRF는 결합된 확률 맵을 처리하여 평활화된 세그먼트화 라벨 맵을 획득하는 데 사용가능한 모델의 일 예로서 본원에 설명되며, 어떠한 방식으로든 본 개시내용을 제한하는 것으로서 간주되어서는 안된다는 것이 유의되어야 한다. 예컨대, 그래프-컷 및 은닉 마르코프 모델(HMM)과 같은, 이미지 평활화 및 이미지 세그먼트화에 사용가능한 다른 적합한 모델들 및/또는 툴들 및/또는 방법들이 상기된 것에 부가하여 또는 그 대신 사용될 수 있다.
본원에 설명되는 바와 같은 세그먼트화 프로세스의 특정 실시예들의 장점들 중에서는, 특정 방식으로 도출된 설계 기반 데이터(예컨대, 설계 라벨 맵으로부터 도출된 모의실험된 확률 맵)를 사용하여, 제조된 반도체 시편의 이미지의 세그먼트화에 영향을 줌으로써, 세그먼트화 결과의 반복성 및 정밀도를 개선하는 것이 있다. 그 영향은, 모의실험된 확률 맵을 이미지를 처리하는 것으로부터 획득된 확률 맵과 결합하고, 결합된 확률 맵을 처리하는 것에 의해 향상된 세그먼트화 라벨 맵을 도출함으로써 달성될 수 있다. 향상된 세그먼트화는, 예컨대, ADC, ADR, 결함 검출, 매칭, 계측, 및 다른 검사 작업들과 같은 상이한 응용들에 사용될 수 있다.
도 3에 예시된 바와 같이, 2개의 확률 맵(306 및 308)은 가중치 인자
Figure pat00003
(310으로 예시됨)를 사용하여 결합되고, 결합된 확률 맵은 DCRF(312)에 대한 입력으로서 제공되어 처리된다. 결과적으로, 향상된 반복성을 갖는 제2 라벨 맵(314)이 도출된다. 제2 라벨 맵(314)은 제1 확률 맵(306)만으로부터 생성된 라벨 맵과 비교하여 향상된 반복성을 갖는다.
본 개시내용은 도면들에서 예시되거나 본원에 포함된 설명에서 기재된 세부사항들로 그 적용이 제한되지 않는다는 것이 이해되어야 한다.
또한, 본 개시내용에 따른 시스템은 적합하게 프로그래밍된 컴퓨터 상에서 적어도 부분적으로 구현될 수 있다는 것이 이해될 것이다. 마찬가지로, 본 개시내용은 본 개시내용의 방법을 실행하기 위해 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 개시내용은 추가로, 본 개시내용의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령어들의 프로그램을 유형으로(tangibly) 구현하는 비-일시적인 컴퓨터-판독가능 메모리를 고려한다.
본 개시내용은 다른 실시예들이 가능하며, 다양한 방식들로 실시 및 수행되는 것이 가능하다. 따라서, 본원에서 이용되는 어법 및 용어법이 설명의 목적을 위한 것이고, 제한적인 것으로 여겨지지 않아야 한다는 것이 이해되어야 한다. 그에 따라, 본 개시내용이 기초하는 개념이 본원에 개시되는 주제의 여러 목적들을 수행하기 위해 다른 구조들, 방법들, 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있다는 것을 관련 기술분야의 통상의 기술자들은 인식할 것이다.
관련 기술분야의 통상의 기술자들은 첨부된 청구항들에서 그리고 첨부된 청구항들에 의해 정의되는 본 개시내용의 범위로부터 벗어나지 않으면서 이상에서 설명된 바와 같은 본 개시내용의 실시예들에 다양한 수정들 및 변경들이 적용될 수 있다는 것을 용이하게 인식할 것이다.

Claims (20)

  1. 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법으로서,
    프로세서 및 메모리 회로(PMC)에 의해 수행되고,
    상기 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 상기 이미지의 픽셀들이 상기 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시하는 제1 확률 맵을 획득하는 단계 ― 상기 제1 확률 맵은 심층 학습 모델을 사용하여 상기 이미지를 처리함으로써 생성됨 ―;
    제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 상기 세그먼트와 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 획득하는 단계 ― 상기 제2 구조적 요소들은 상기 적어도 일부분을 특성화하는 설계 데이터에서 제시되고, 동등한 제2 구조적 요소들은 동일한 라벨과 연관됨 ―;
    상기 제1 라벨 맵의 픽셀들이 상기 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 상기 제1 라벨 맵에 대해 모의실험을 수행하는 단계; 및
    상기 제1 확률 맵 및 상기 제2 확률 맵에 기반하여 제2 라벨 맵을 생성하는 단계를 포함하며, 상기 제2 라벨 맵은 상기 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 상기 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트와 연관된 라벨들에 대한 정보를 주고, 동등한 제1 구조적 요소들은 동일한 라벨과 연관되고, 상기 제2 라벨 맵은 향상된 반복성으로 상기 이미지를 세그먼트화하는 데 사용가능한, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  2. 제1항에 있어서,
    상기 모의실험을 수행하는 단계는,
    상기 제1 라벨 맵의 각각의 주어진 픽셀과 상기 주어진 픽셀로부터의 가장 가까운 가장자리 사이의 상대적 거리에 기반한 거리 맵을 획득하기 위해 상기 제1 라벨 맵에 대해 거리 변환을 수행하는 단계; 및
    상기 거리 맵을, 상기 제1 라벨 맵의 픽셀들이 상기 가장 가까운 가장자리에 대한 것으로서 상기 하나 이상의 세그먼트에 대응할 모의실험된 확률들에 대한 정보를 주는 상기 제2 확률 맵으로 변환하는 단계를 포함하는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  3. 제1항에 있어서,
    상대적 거리는, 상기 제1 라벨 맵의 각각의 주어진 픽셀에 대한, i) 상기 주어진 픽셀과 상기 주어진 픽셀부터의 가장 가까운 가장자리 사이의 거리, 및 ii) 상기 가장 가까운 가장자리에 대한 상기 주어진 픽셀의 상대적 위치를 포함하는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  4. 제3항에 있어서,
    상기 상대적 위치는, 상기 주어진 픽셀이, 윤곽이 상기 가장 가까운 가장자리를 포함하는 주어진 제2 구조적 요소 내에 위치하는지, 또는 상기 주어진 제2 구조적 요소 외부에 위치하는지를 표시하는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  5. 제1항에 있어서,
    상기 제1 라벨 맵은, 상기 설계 데이터, 상기 이미지, 및 상기 제1 확률 맵 중 적어도 하나에 기반하여 생성되는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  6. 제1항에 있어서,
    상기 생성하는 단계는, 결합된 확률 맵을 획득하기 위해 상기 제1 확률 맵과 상기 제2 확률 맵을 결합하는 단계, 및 상기 결합된 확률 맵을 처리하기 위해 리졸버(resolver)를 사용하여 상기 제2 라벨 맵을 생성하는 단계를 포함하는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  7. 제6항에 있어서,
    상기 결합하는 단계는, 상기 이미지의 세그먼트화의 민감도와 반복성 사이의 원하는 절충 수준을 표시하는 미리 결정된 가중치 인자를 사용하여 수행되는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  8. 제6항에 있어서,
    상기 리졸버는, 고밀도 조건부 무작위 필드(DCRF; dense conditional random field), 그래프-컷(Graph-cut), 및 은닉 마르코프 모델(HMM; Hidden Markov Model)을 포함하는 그룹으로부터 선택되는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  9. 제6항에 있어서,
    상기 리졸버는 DCRF 리졸버이고, 상기 결합된 확률 맵은 단일 항 및 쌍별 항에 기반하여 처리되는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  10. 제9항에 있어서,
    상기 쌍별 항은 외관 커널 및 평활도 커널에 기반하여 구성되는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  11. 제10항에 있어서,
    상기 외관 커널은, 주어진 픽셀의 라벨을 그의 유사한 이웃하는 픽셀들에 기반하여 결정하는 가장자리 보존 잡음 제거기(denoiser)이고, 상기 평활도 커널은 상기 주어진 픽셀의 라벨을 그의 이웃하는 픽셀들에 기반하여 결정하는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  12. 제1항에 있어서,
    상기 이미지는, 검토 툴로부터 획득되는, 상기 시편의 고해상도 검토 이미지인, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  13. 제1항에 있어서,
    상기 제2 라벨 맵은, 상기 제1 확률 맵으로부터 생성된 라벨 맵과 비교하여 향상된 반복성을 갖는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 방법.
  14. 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 시스템으로서,
    프로세서 및 메모리 회로(PMC)를 포함하고,
    상기 PMC는,
    상기 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 상기 이미지의 픽셀들이 상기 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시하는 제1 확률 맵을 획득하고 ― 상기 제1 확률 맵은 심층 학습 모델을 사용하여 상기 이미지를 처리함으로써 생성됨 ―;
    제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 상기 세그먼트와 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 획득하고 ― 상기 제2 구조적 요소들은 상기 적어도 일부분을 특성화하는 설계 데이터에서 제시되고, 동등한 제2 구조적 요소들은 동일한 라벨과 연관됨 ―;
    상기 제1 라벨 맵의 픽셀들이 상기 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 상기 제1 라벨 맵에 대해 모의실험을 수행하고;
    상기 제1 확률 맵 및 상기 제2 확률 맵에 기반하여 제2 라벨 맵을 생성하도록 구성되며, 상기 제2 라벨 맵은 상기 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 상기 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트와 연관된 라벨들에 대한 정보를 주고, 동등한 제1 구조적 요소들은 동일한 라벨과 연관되고, 상기 제2 라벨 맵은 향상된 반복성으로 상기 이미지를 세그먼트화하는 데 사용가능한, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 시스템.
  15. 제14항에 있어서,
    상기 PMC는,
    상기 제1 라벨 맵의 각각의 주어진 픽셀과 상기 주어진 픽셀로부터의 가장 가까운 가장자리 사이의 상대적 거리에 기반한 거리 맵을 획득하기 위해 상기 제1 라벨 맵에 대해 거리 변환을 수행하고;
    상기 거리 맵을, 상기 제1 라벨 맵의 픽셀들이 상기 가장 가까운 가장자리에 대한 것으로서 상기 하나 이상의 세그먼트에 대응할 모의실험된 확률들에 대한 정보를 주는 상기 제2 확률 맵으로 변환함으로써 상기 모의실험을 수행하도록 구성되는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 시스템.
  16. 제14항에 있어서,
    상대적 거리는, 상기 제1 라벨 맵의 각각의 주어진 픽셀에 대한, i) 상기 주어진 픽셀과 상기 주어진 픽셀부터의 가장 가까운 가장자리 사이의 거리, 및 ii) 상기 가장 가까운 가장자리에 대한 상기 주어진 픽셀의 상대적 위치를 포함하는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 시스템.
  17. 제16항에 있어서,
    상기 상대적 위치는, 상기 주어진 픽셀이, 윤곽이 상기 가장 가까운 가장자리를 포함하는 주어진 제2 구조적 요소 내에 위치하는지, 또는 상기 주어진 제2 구조적 요소 외부에 위치하는지를 표시하는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 시스템.
  18. 제14항에 있어서,
    상기 PMC는, 결합된 확률 맵을 획득하기 위해 상기 제1 확률 맵과 상기 제2 확률 맵을 결합하고, 상기 결합된 확률 맵을 처리하기 위해 리졸버를 사용하여 상기 제2 라벨 맵을 생성함으로써, 상기 제2 라벨 맵을 생성하도록 구성되는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 시스템.
  19. 제18항에 있어서,
    상기 결합하는 것은, 상기 이미지의 세그먼트화의 민감도와 반복성 사이의 원하는 절충 수준을 표시하는 미리 결정된 가중치 인자를 사용하여 수행되는, 제조된 반도체 시편의 이미지를 세그먼트화하는 컴퓨터화된 시스템.
  20. 명령어들의 프로그램을 유형으로(tangibly) 구현하는 비-일시적인 컴퓨터 판독가능 저장 매체로서,
    상기 명령어들은, 컴퓨터에 의해 실행될 때, 컴퓨터로 하여금, 제조된 반도체 시편의 이미지를 세그먼트화하는 방법을 수행하게 하고,
    상기 방법은,
    상기 제조된 반도체 시편의 적어도 일부분을 나타내는 이미지에 대응하고 상기 이미지의 픽셀들이 상기 이미지에서 제시된 하나 이상의 제1 구조적 요소에 대응할 예측된 확률들을 표시하는 제1 확률 맵을 획득하는 단계 ― 상기 제1 확률 맵은 심층 학습 모델을 사용하여 상기 이미지를 처리함으로써 생성됨 ―;
    제2 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 상기 세그먼트와 연관된 라벨들에 대한 정보를 주는 제1 라벨 맵을 획득하는 단계 ― 상기 제2 구조적 요소들은 상기 적어도 일부분을 특성화하는 설계 데이터에서 제시되고, 동등한 제2 구조적 요소들은 동일한 라벨과 연관됨 ―;
    상기 제1 라벨 맵의 픽셀들이 상기 하나 이상의 세그먼트에 대응할 모의실험된 확률들을 표시하는 제2 확률 맵을 획득하기 위해 상기 제1 라벨 맵에 대해 모의실험을 수행하는 단계; 및
    상기 제1 확률 맵 및 상기 제2 확률 맵에 기반하여 제2 라벨 맵을 생성하는 단계를 포함하며, 상기 제2 라벨 맵은 상기 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트 및 상기 제1 구조적 요소들을 나타내는 하나 이상의 세그먼트와 연관된 라벨들에 대한 정보를 주고, 동등한 제1 구조적 요소들은 동일한 라벨과 연관되고, 상기 제2 라벨 맵은 향상된 반복성으로 상기 이미지를 세그먼트화하는 데 사용가능한, 비-일시적인 컴퓨터 판독가능 저장 매체.
KR1020210057704A 2020-06-30 2021-05-04 반도체 시편의 이미지의 세그먼트화 KR20220002084A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/917,692 US11631179B2 (en) 2020-06-30 2020-06-30 Segmentation of an image of a semiconductor specimen
US16/917,692 2020-06-30

Publications (1)

Publication Number Publication Date
KR20220002084A true KR20220002084A (ko) 2022-01-06

Family

ID=79031273

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210057704A KR20220002084A (ko) 2020-06-30 2021-05-04 반도체 시편의 이미지의 세그먼트화

Country Status (5)

Country Link
US (1) US11631179B2 (ko)
JP (1) JP2022013667A (ko)
KR (1) KR20220002084A (ko)
CN (1) CN113947561B (ko)
TW (1) TW202217997A (ko)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8170330B2 (en) * 2007-10-30 2012-05-01 Siemens Aktiengesellschaft Machine learning for tissue labeling segmentation
EP2463821A1 (en) * 2010-12-08 2012-06-13 Alcatel Lucent Method and system for segmenting an image
US9070047B2 (en) * 2011-12-27 2015-06-30 Microsoft Technology Licensing, Llc Decision tree fields to map dataset content to a set of parameters
WO2013114262A1 (en) * 2012-02-01 2013-08-08 Koninklijke Philips N.V. Object image labeling apparatus, method and program
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US10223615B2 (en) * 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
CN107274428B (zh) * 2017-08-03 2020-06-30 汕头市超声仪器研究所有限公司 基于仿真和实测数据的多目标三维超声图像分割方法
CN109272507B (zh) * 2018-07-11 2021-07-13 武汉科技大学 基于结构随机森林模型的相干光断层图像的层分割方法
CN109872374A (zh) * 2019-02-19 2019-06-11 江苏通佑视觉科技有限公司 一种图像语义分割的优化方法、装置、存储介质及终端
CA3074064A1 (en) * 2019-03-01 2020-09-01 The Regents Of The University Of California Systems, methods, and media for automatically segmenting and diagnosing prostate lesions using multi-parametric magnetic resonance imaging data
CN110378438A (zh) * 2019-08-07 2019-10-25 清华大学 标签容错下的图像分割模型的训练方法、装置及相关设备

Also Published As

Publication number Publication date
US11631179B2 (en) 2023-04-18
JP2022013667A (ja) 2022-01-18
CN113947561B (zh) 2023-12-26
US20210407093A1 (en) 2021-12-30
TW202217997A (zh) 2022-05-01
CN113947561A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
KR102422111B1 (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
KR102613438B1 (ko) 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템
US10957034B2 (en) Method of examination of a specimen and system thereof
US11449977B2 (en) Generating training data usable for examination of a semiconductor specimen
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
KR102384568B1 (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
KR20220022091A (ko) 검사 레시피의 자동 최적화
CN114219749B (zh) 样本的模拟图像的确定
US11631179B2 (en) Segmentation of an image of a semiconductor specimen
US20230306580A1 (en) Machine learning based examination of a semiconductor specimen and training thereof
KR20220103064A (ko) 기준 이미지에 기반한 시편에서의 결함들 및/또는 가장자리 거칠기의 결정
KR20220005988A (ko) 반도체 시편에서의 어레이의 식별

Legal Events

Date Code Title Description
A201 Request for examination