KR20230104170A - 능동 학습에 기반한 결함 위치 식별 - Google Patents

Abstract

기판 상에서 검사할 위치를 식별하기 위한 방법 및 장치가 개시된다. 결함 위치 예측 모델은 다른 기판들과 연관된 트레이닝 데이터 세트를 사용하여 트레이닝되어, 각 위치에 대하여 결함 또는 무결함 예측을 생성하고, 기판들과 연관된 공정 관련 데이터에 기반하여 상기 예측과 연관된 신뢰도 점수를 생성한다. 결함 위치 예측 모델에 의하여 신뢰도 임계값을 만족하는 신뢰도 점수를 가진 것으로 판정된 위치들은 검사 시스템에 의해 검사될 위치 세트에 추가된다. 위치 세트가 검사된 후, 검사 결과 데이터가 획득되고, 결함 위치 예측 모델은 위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 트레이닝 데이터로서 사용하여 점진적으로 트레이닝된다.

Description

능동 학습에 기반한 결함 위치 식별

본 출원은 2020년 11월 13일에 출원된 미국 출원 63/113347의 우선권을 주장하며, 이는 본 명세서에서 그 전문이 인용참조된다.

본 명세서에서 제공되는 실시예들은 반도체 제조에 관한 것으로, 특히 반도체 기판의 검사에 관한 것이다.

집적 회로(IC)의 제조 공정에서, 미완성 또는 완성된 회로 구성요소들은 이들이 디자인에 따라 제조되고 결함이 없을 것을 보장하기 위해 검사된다. 스캐닝 전자 현미경(SEM)과 같은 하전 입자(예를 들어, 전자) 빔 현미경 또는 광학 현미경을 사용하는 검사 시스템들이 채택될 수 있다. IC 구성요소들의 물리적 크기가 계속해서 축소됨에 따라, 결함 검출의 정확성 및 수율이 더 중요해진다.

그러나, 검사 툴들의 이미징 분해능과 처리량은 IC 구성요소들의 점점 더 작아지는 피쳐 크기(feature size)에 발맞추는 데 어려움을 겪고 있다. 이러한 검사 툴들의 정확도, 분해능, 및 처리량은 웨이퍼 변위 감지에 대한 정확도 부족으로 인하여 제한될 수 있다.

본 명세서에서 제공되는 실시예들은 입자 빔 검사 장치, 특히 복수의 하전 입자 빔을 사용하는 검사 장치를 개시한다.

일부 실시예에서, 컴퓨터에 의하여 실행될 때, 컴퓨터가 기판 상의 검사할 위치들을 식별하는 방법을 실행하도록 하는 명령어들을 갖는 비일시적(non-transitory) 컴퓨터 판독 가능한 매체가 제공된다. 상기 방법은: 다른 기판들과 연관된 초기 트레이닝 데이터 세트를 사용해 트레이닝된 결함 위치 예측 모델의 제 1 하위 모델(sub-model)에 기반해, 검사할 기판 상에서 복수의 위치들을 선택하여 위치들 각각에 대한 결함 또는 무결함(non-defect) 예측을 생성하도록 하는 단계; 초기 트레이닝 데이터 세트를 사용해 트레이닝된 결함 위치 예측 모델의 제 2 하위 모델을 사용하여, 기판과 연관된 공정 관련 데이터(process-related data)에 기반해 위치들 각각에 대한 신뢰도 점수를 생성하는 단계(신뢰도 점수는, 대응하는 위치에 대한 예측의 신뢰도를 나타냄); 위치들 중 신뢰도 점수가 복수의 신뢰도 임계값들 중 하나를 만족하는 위치들 각각을, 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계; 검사 결과 데이터를 획득하는 단계; 및 위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 결함 위치 예측 모델에 트레이닝 데이터로서 제공함에 따라 결함 위치 예측 모델을 점진적으로(incrementally) 트레이닝하는 단계를 포함한다.

일부 실시예에서, 컴퓨터에 의하여 실행될 때, 머신 러닝 모델을 사용하여 제 1 기판 상의 검사할 위치들을 식별하고, 제 1 기판 상의 위치들에 대한 검사 결과에 기반하여 제 2 기판 상의 검사할 위치들을 식별하도록 머신 러닝 모델을 트레이닝하기 위한 방법을 컴퓨터로 하여금 실행하도록 하는 명령어들을 갖는 비일시적 컴퓨터 판독 가능한 매체가 제공된다. 상기 방법은: 기판과 연관된 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계; 결함 위치 예측 모델을 사용하여, 기판 상의 복수의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하는 단계(각각의 예측은, 대응하는 위치에 대한 예측의 신뢰도를 나타내는 신뢰도 점수와 연관됨); 위치들 중 신뢰도 점수가 복수의 신뢰도 임계값들 중 하나를 만족하는 위치들 각각을 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계; 검사 시스템으로부터 위치 세트에 대한 검사 결과 데이터를 획득하는 단계; 및 결함 위치 예측 모델의 트레이닝을 위해, 위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계를 포함한다.

일부 실시예에서, 머신 러닝 모델을 사용하여 제 1 기판 상의 검사할 위치들을 식별하고, 제 1 기판 상의 위치들에 대한 검사 결과에 기반하여 제 2 기판 상의 검사할 위치들을 식별하도록 머신 러닝 모델을 트레이닝하기 위한 방법이 제공된다. 상기 방법은: 기판과 연관된 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계; 결함 위치 예측 모델을 사용하여, 기판 상의 복수의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하는 단계(각각의 예측은, 대응하는 위치에 대한 예측의 신뢰도를 나타내는 신뢰도 점수와 연관됨); 위치들 중 신뢰도 점수가 신뢰도 임계값을 만족하는 위치들 각각을 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계; 검사 시스템으로부터 위치 세트에 대한 검사 결과 데이터를 획득하는 단계; 및 결함 위치 예측 모델의 트레이닝을 위해, 위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계를 포함한다.

일부 실시예에서, 머신 러닝 모델을 사용하여 제 1 기판 상의 검사할 위치들을 식별하고, 제 1 기판 상의 위치들에 대한 검사 결과에 기반하여 제 2 기판 상의 검사할 위치들을 식별하도록 머신 러닝 모델을 트레이닝하기 위한 장치가 제공된다. 상기 장치는: 명령어 세트를 저장하는 메모리; 및 장치가 방법을 수행하도록 하는 명령어 세트를 실행하도록 구성되는 적어도 하나의 프로세서를 포함하며, 상기 방법은: 기판과 연관된 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계; 결함 위치 예측 모델을 사용하여, 기판 상의 복수의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하는 단계(각각의 예측은, 대응하는 위치에 대한 예측의 신뢰도를 나타내는 신뢰도 점수와 연관됨); 위치들 중 신뢰도 점수가 신뢰도 임계값을 만족하는 위치들 각각을 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계; 검사 시스템으로부터 위치 세트에 대한 검사 결과 데이터를 획득하는 단계; 및 결함 위치 예측 모델의 트레이닝을 위해, 위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계를 포함한다.

일부 실시예에서, 컴퓨터 장치의 적어도 하나의 프로세서에 의하여 실행 가능하며 컴퓨팅 장치로 하여금 전술한 방법을 수행하게 하는 명령어 세트를 저장하는 비일시적 컴퓨터 판독 가능한 매체가 제공된다.

본 발명의 실시예의 다른 장점들은, 삽화 및 예시의 방식으로 본 발명의 소정 실시예들을 도시하는 첨부된 도면들과 함께 아래의 설명을 취함에 따라 명백해질 것이다.

도 1은, 본 발명의 실시예에 따른, 예시적인 전자 빔 검사(EBI) 시스템을 도시하는 개략도이다.
도 2는, 본 발명의 실시예에 따른, 도 1의 전자 빔 검사 시스템의 일부일 수 있는 예시적인 전자 빔 툴을 도시하는 개략도이다.
도 3은, 본 발명의 실시예에 따른, 반도체 공정 시스템을 도시하는 개략도이다.
도 4는, 본 발명의 실시예에 따른, 기판 상에서 결함이 있는 위치를 예측하기 위한 시스템의 블록도이다.
도 5a는, 본 발명의 실시예에 따른, 랜덤 포레스트(random forest) 모델을 사용한 신뢰도 점수 결정에 대한 블록도이다.
도 5b는, 본 발명의 실시예에 따른, 쿼리-바이-커미티(query by committee)를 사용한 신뢰도 점수 결정에 대한 블록도이다.
도 6은, 본 발명의 실시예에 따른, 초기 트레이닝 데이터 세트를 사용하여 결함 위치 예측 툴을 트레이닝하는 것을 도시하는 블록도이다.
도 7은, 본 발명의 실시예에 따른, 기판 상에서 결함이 있는 위치를 예측하기 위한 프로세스의 흐름도이다.
도 8은, 본 명세서에 개시된 방법, 흐름, 모듈, 구성요소, 또는 장치의 구현을 지원할 수 있는 컴퓨터 시스템을 도시하는 블록도이다.

전자 장치들은, 기판이라고 하는 실리콘 조각(piece) 상에 형성되는 회로들로 구성된다. 많은 회로들이 동일한 실리콘 조각에 함께 형성될 수 있으며, 이를 집적 회로 또는 IC라고 일컫는다. 이러한 회로들의 크기는 더 많은 회로들이 기판 상에 피팅(fit)될 수 있도록 극적으로 감소하였다. 예를 들어, 스마트 폰의 IC 칩은 엄지손톱만큼 작지만 20 억 개가 넘는 트랜지스터들을 포함할 수 있으며, 각각의 트랜지스터의 크기는 사람 머리카락 크기의 1/1000 미만이다. 이처럼 극히 작은 IC를 만드는 것은 복잡하고, 시간 소모적이며, 비용이 많이 드는 공정이고, 흔히 수백 개의 개별 단계들을 수반한다. 단 한 단계에서 오류가 발생해도 완성된 IC에서 결함을 유도하여 이를 쓸모없게 만들 잠재력이 있다. 따라서, 제조 공정의 한 가지 목표는 이러한 결함을 피하여 공정에서 만들어진 기능 IC들의 수를 최대화하는 것, 즉 공정의 전체 수율을 향상시키는 것이다.

수율을 향상시키는 한 가지 요소는, 칩 제조 공정을 모니터링하여 충분한 수의 기능 집적 회로들을 생성하도록 보장하는 것이다. 공정을 모니터링하는 한 가지 방식은 다양한 형성 단계에서 칩 회로 구조를 검사하는 것이다. 스캐닝 전자 현미경(SEM)을 사용하여 검사가 수행될 수 있다. SEM은 이러한 극히 작은 구조를 이미징하는 데 사용되어, 실제로 구조의 "사진"을 찍을 수 있다. 이미지는 구조가 적절하게 형성되었는지, 적절한 위치에 형성되었는지를 결정하는 데 사용될 수 있다. 구조에 결함이 있는 경우, 공정은 결함이 다시 발생할 가능성이 적도록 조정될 수 있다.

기판 검사는 자원 집약적인 프로세스이며, 기판의 모든 위치를 검사하는 것은 상당한 컴퓨팅 자원뿐만 아니라 시간도 소모할 수 있다. 예를 들어, 하나의 기판 전체를 검사하는 데 며칠이 걸릴 수 있다. 검사 프로세스를 보다 효율적으로 만드는(예: 자원 소비를 최소화) 방법 중 하나는, 기판 상에서 결함이 있을 가능성이 있는 위치를 식별하고, 모든 위치가 아닌 식별된 위치만 검사하는 것이다. 예를 들어, 종래의 방법에서는 머신 러닝(machine learning, ML) 모델을 사용하여 결함이 있을 가능성이 있는 위치를 예측했다. 종래의 방법은 기판의 특정 위치에 결함이 있는지 여부를 판정한다. 그러나 종래의 방법에는 단점이 있다. 예를 들어, 이러한 방법 중 일부는 결함이 있는 위치를 놓치거나 결함이 없는 위치를 결함이 있는 것으로 식별하는 등 정확하지 않다. 예측이 부정확하기 때문에, 검사 시스템에서 이러한 결함 위치를 검사하지 못하여 완성된 IC에도 결함이 생길 수 있다. 또 다른 예로, 이러한 종래의 방법은 자기 교정(self-repairing)이 불가능하다. 즉, 어떤 방법이 특정 기판에 대해 특정 위치에 결함이 있는 것으로 예측하는 경우, 그 위치가 실제 결함이 있는지 여부에 관계없이, 후속적으로 검사되는 모든 기판 상의 유사한 위치도 결함이 있는 것으로 계속 예측하여, 검사 프로세스를 쓸모없게 하거나 덜 효율적으로 만들 수 있다.

본 발명의 실시예는, 기판의 각 위치에 대한 결함 예측의 신뢰도를 나타내는 신뢰도 점수를 할당하고, 신뢰도 임계값을 만족하는 신뢰도 점수를 갖는 모든 위치들을 검사 대상으로 선택하는 검사 방법에 대해 논의한다. 예를 들어, 제 1 예측 모델은 특정 위치에 결함이 없다고 예측하며, 제 2 예측 모델은 상기 특정 위치에 대한 예측의 신뢰도가 낮음을 나타내는 신뢰도 점수(예: 특정 신뢰도 임계값 미만의 신뢰도 점수)를 결정할 수 있다. 신뢰도 점수가 낮은 위치들을 선택함으로써, 본 실시예들은 검사를 위한 결함이 있는 위치를 하나도 놓치지 않을 수 있다(또는 종래 방법들보다 더 적은 위치들만을 놓칠 수 있다). 또한, 개시된 실시예들에 따른 검사 방법은 자기 교정이 가능하다. 신뢰도 점수가 낮은 위치들이 검사 시스템(예: SEM)에 의해 검사된 후, 검사 시스템으로부터 얻은 검사 결과 데이터(예: 검사한 위치들의 SEM 이미지, 실제 검사에 기반한 위치의 결함 여부 등의 정보)를 예측 모델에 피드백하여 해당 위치들에 대한 예측을 조정한다. 신뢰도 점수가 낮은 위치들의 실제 검사 결과를 예측 모델에 입력함에 따라, 예측 모델은 후속적으로 검사되는 기판에 대해 해당 위치들의 결함 가능성을 더욱 정확하게 예측하도록 추가로 트레이닝된다. 후속적으로 검사하는 모든 기판의 검사 결과를 사용해 예측 모델을 점진적으로 학습시킴으로써, 예측 모델은 이러한 위치들에 대해 보다 신뢰도 점수가 높은 예측을 생성하기 시작할 수 있고, 검사할 위치들의 수를 최소화하여 수율을 개선할 수 있다.

이제 예시적인 실시예를 상세히 참조할 것이며, 그 예는 첨부된 도면에 도시되어 있다. 이하의 설명은 첨부된 도면을 참조하며, 서로 다른 도면에 나타난 동일한 부호는 달리 표시되지 않는 한 동일하거나 유사한 요소를 나타낸다. 예시적인 실시예에 대한 이하의 설명에 기재된 구현은 모든 구현을 나타내는 것은 아니다. 대신, 이들은 첨부된 청구범위에 인용된 바와 같은 개시된 실시예에 관한 양태에 따른 장치 및 방법의 예시일 뿐이다. 예를 들어, 일부 실시예가 전자 빔을 사용하는 맥락에서 설명되지만, 본 발명은 이에 제한되지 않는다. 다른 유형의 하전 입자 빔도 유사하게 적용될 수 있다. 또한, 광학 이미징, 광 검출(photo detection), x-선 검출 등과 같은 다른 이미징 시스템이 사용될 수 있다.

본 명세서에서는 IC 제조에 대해 구체적으로 언급하고 있지만, 본 명세서의 설명은 다른 많은 응용 분야에도 적용될 수 있음을 명시적으로 이해해야 한다. 예를 들어, 집적 광학 시스템, 자기 영역 메모리, 액정 디스플레이 패널, 박막 자기 헤드 등을 위한 유도 및 검출 패턴의 제조에 사용될 수 있다. 당업자는, 이러한 대안적인 응용 분야의 맥락에서, 본 명세서에서 "레티클", "웨이퍼", 또는 "다이(die)"라는 용어의 모든 사용이 각각 "마스크", "기판", 및 "타겟부"라는 보다 일반적인 용어와 상호 교환 가능한 것으로 간주되어야 함을 이해할 것이다.

본 문서에서 "방사선" 및 "빔"이라는 용어는, 자외선(예: 파장 365, 248, 193, 157 또는 126nm) 및 EUV(극자외선, 예: 파장 5-20nm 범위)를 포함한 모든 유형의 전자기 방사선을 포괄하는 데 사용된다.

이제 본 발명의 실시예에 따른 예시적인 전자 빔 검사(EBI) 시스템(100)을 도시하는 도 1을 참조한다. 도 1에 도시된 바와 같이, 하전 입자 빔 검사 시스템(100)은 메인 챔버(10), 로드록(load-lock) 챔버(20), 전자 빔 툴(40), 및 장비 프론트 엔드 모듈(equipment front end module, EFEM)(30)을 포함한다. 전자 빔 툴(40)은 메인 챔버(10) 내부에 위치한다. 본 설명 및 도면이 전자 빔에 관한 것이지만, 실시예는 본 발명이 특정 하전 입자에만 한정되도록 사용된 것은 아니라는 점이 이해될 것이다.

EFEM(30)은 제 1 로딩 포트(30a) 및 제 2 로딩 포트(30b)를 포함한다. EFEM(30)은 추가 로딩 포트(들)를 포함할 수 있다. 제 1 로딩 포트(30a) 및 제 2 로딩 포트(30b)는, 웨이퍼(예: 반도체 웨이퍼 또는 다른 재료(들)로 만들어진 웨이퍼) 또는 검사할 샘플(웨이퍼 및 샘플은 이하 "웨이퍼"로 통칭됨)을 포함하는 웨이퍼 전면 개방 통합 포드(front opening unified pods, FOUP)를 수용한다. EFEM(30)의 하나 이상의 로봇 아암(도시되지 않음)은 웨이퍼를 로드록 챔버(20)로 운반한다.

로드록 챔버(20)는, 로드록 챔버(20) 내의 기체 분자를 제거하여 대기압 아래의 제 1 압력에 도달하도록 하는 로드/록 진공 펌프 시스템(도시되지 않음)에 연결된다. 제 1 압력에 도달한 후, 하나 이상의 로봇 아암(도시되지 않음)이 웨이퍼를 로드록 챔버(20)에서 메인 챔버(10)로 운반한다. 메인 챔버(10)는, 메인 챔버(10)의 기체 분자를 제거하여 제 1 압력보다 낮은 제 2 압력에 도달하도록 하는 메인 챔버 진공 펌프 시스템(도시되지 않음)에 연결된다. 제 2 압력에 도달한 후, 웨이퍼는 전자 빔 툴(40)에 의한 검사를 받게 된다. 일부 실시예에서, 전자 빔 툴(40)은 단일 빔 검사 툴을 포함할 수 있다. 다른 실시예에서, 전자 빔 툴(40)은 다중 빔 검사 툴을 포함할 수 있다.

제어기(50)는 전자 빔 툴(40)에 전자적으로 연결될 수 있고 다른 구성요소에도 전자적으로 연결될 수 있다. 제어기(50)는 하전 입자 빔 검사 시스템(100)의 다양한 제어를 실행하도록 구성된 컴퓨터일 수 있다. 제어기(50)는 또한 다양한 신호 및 이미지 처리 기능을 실행하도록 구성된 처리 회로를 포함할 수 있다. 도 1에서는 제어기(50)가 메인 챔버(10), 로드록 챔버(20), 및 EFEM(30)을 포함하는 구조의 외부에 있는 것으로 도시되어 있지만, 제어기(50)는 구조의 일부일 수 있다는 점이 이해될 것이다.

본 발명이 전자 빔 검사 시스템을 수용하는 메인 챔버(10)의 예를 제공하지만, 가장 넓은 의미에서 본 발명의 양태는 전자 빔 검사 시스템을 수용하는 챔버에 제한되지 않는다는 점에 유의해야 한다. 오히려, 전술한 원리가 다른 챔버에도 적용될 수 있음이 이해될 것이다.

이제 도 2를 참조하면, 도 1의 예시적인 하전 입자 빔 검사 시스템(100)의 일부가 될 수 있는 예시적인 전자 빔 툴(40)을 설명하는 개략도가 본 발명의 실시예에 따라 도시되어 있다. 전자 빔 툴(40)[이하, 본 명세서에서 장치(40)라고도 함]은 전자 소스(101), 건 어퍼처(103)를 갖는 건 어퍼처 플레이트(171), 사전 빔릿 형성 기구(pre-beamlet forming mechanism, 172), 집속 렌즈(110), 소스 변환 유닛(120), 1차 투영 광학 시스템(130), 샘플 스테이지(도 2에 도시되지 않음), 2차 이미징 시스템(150), 및 전자 검출 장치(140)로 구성된다. 1차 투영 광학 시스템(130)은 대물 렌즈(131)를 포함할 수 있다. 전자 검출 장치(140)는 복수의 검출 요소(140_1, 140_2, 및 140_3)를 포함할 수 있다. 빔 분리기(160) 및 편향 스캐닝 유닛(132)은 1차 투영 광학 시스템(130) 내부에 배치될 수 있다. 장치(40)의 다른 일반적으로 알려진 구성요소가 적절하게 추가/생략될 수 있음이 이해될 것이다.

전자 소스(101), 건 어퍼처 플레이트(171), 집속 렌즈(110), 소스 변환 유닛(120), 빔 분리기(160), 편향 스캐닝 유닛(132), 및 1차 투영 광학 시스템(130)은 장치(100)의 1차 광축(100_1)과 정렬될 수 있다. 2차 이미징 시스템(150) 및 전자 검출 장치(140)는 장치(40)의 2차 광축(150_1)에 정렬될 수 있다.

전자 소스(101)는 캐소드(cathode), 추출기 또는 애노드(anode)를 포함할 수 있으며, 1차 전자는 캐소드로부터 방출되고 추출 또는 가속되어 크로스오버(가상 또는 실제)(101)를 형성하는 1차 전자 빔(102)을 형성할 수 있다. 1차 전자 빔(102)은 크로스오버(101)에서 방출되는 것으로 시각화될 수 있다.

소스 변환 유닛(120)은 이미지 형성 요소 어레이(도 2에 도시되지 않음), 수차 보상기 어레이(도시되지 않음), 빔 제한 어퍼처 어레이(도시되지 않음), 및 사전 굽힘(pre-bending) 마이크로 편향기 어레이(도시되지 않음)를 포함할 수 있다. 이미지 형성 요소 어레이는 복수의 마이크로 편향기 또는 마이크로 렌즈를 포함하여, 복수의 1차 전자 빔(102)의 복수의 빔릿을 갖는 크로스오버(101)의 복수의 평행 이미지(가상 또는 실제)를 형성할 수 있다. 도 2는 3개의 빔릿(102_1, 102_2, 102_3)을 예시적으로 도시한 것이며, 소스 변환 유닛(120)은 임의의 수의 빔릿을 처리할 수 있음이 이해될 것이다.

일부 실시예에서, 소스 변환 유닛(120)에는 빔 제한 어퍼처 어레이 및 이미지 형성 요소 어레이가 제공될 수 있다(둘 모두 도시되지 않음). 빔 제한 어퍼처 어레이는 빔 제한 어퍼처를 포함할 수 있다. 임의의 개수의 어퍼처가 적절하게 사용될 수 있다. 빔 제한 어퍼처는 1차 전자 빔(102)의 빔릿(102_1, 102_2, 및 102_3)의 크기를 제한하도록 구성될 수 있다. 이미지 형성 요소 어레이는, 1차 광축(100_1)을 향한 각도를 변화시킴으로써 빔릿(102_1, 102_2, 및 102_3)을 편향하도록 구성된 이미지 형성 편향기(도시되지 않음)를 포함할 수 있다. 일부 실시예에서, 1차 광축(100_1)으로부터 더 멀리 떨어진 편향기는 빔릿을 더 크게 편향할 수 있다. 또한, 이미지 형성 요소 어레이는 복수의 레이어(도시되지 않음)를 포함할 수 있고, 편향기는 개별 레이어에 제공될 수 있다. 편향기는 서로 독립적으로 각각 따로 제어되도록 구성될 수 있다. 일부 실시예에서, 편향기는 샘플(1)의 표면에 형성된 프로브 스팟(예: 102_1S, 102_2S, 및 102_3S)의 피치를 조정하도록 제어될 수 있다. 본 명세서에 언급된 바와 같이, 프로브 스팟의 피치는 샘플(1)의 표면 상에 바로 인접한 두 개의 프로브 스팟 사이의 거리로 정의될 수 있다.

이미지 형성 요소 어레이의 중앙에 위치한 편향기는 전자 빔 툴(40)의 제 1 광축(100_1)과 정렬될 수 있다. 따라서, 일부 실시예에서, 중앙 편향기는 빔릿(102_1)의 궤적을 직선으로 유지하도록 구성될 수 있다. 일부 실시예에서, 중앙 편향기는 생략될 수 있다. 그러나, 일부 실시예에서, 1차 전자 소스(101)는 반드시 소스 변환 유닛(120)의 중심과 정렬되지는 않는다. 또한, 도 2에서는 빔릿(102_1)이 제 1 광축(100_1) 상에 있는 장치(40)의 측면도를 도시하지만, 빔릿(102_1)은 다른 측면에서 볼 때 제 1 광축(100_1)에서 벗어날 수 있다는 점이 이해된다. 즉, 일부 실시예에서, 모든 빔릿(102_1, 102_2, 및 102_3)이 축을 벗어날 수 있다. 축외(off-axis) 구성 요소는 1차 광축(100_1)에 대해 오프셋될 수 있다.

편향된 빔릿의 편향 각도는 하나 이상의 기준에 따라 설정될 수 있다. 일부 실시예에서, 편향기는 축외 빔릿을 반경방향 바깥쪽으로 또는 제 1 광축(100_1)으로부터 멀리(도시되지 않음) 편향할 수 있다. 일부 실시예에서, 편향기는 축외 빔릿을 반경방향 안쪽 또는 1차 광축(100_1)을 향해 편향하도록 구성될 수 있다. 빔릿의 편향 각도는 빔릿(102_1, 102_2, 및 102_3)이 샘플(1)에 수직으로 랜딩하도록 설정될 수 있다. 대물 렌즈(131)와 같은 렌즈로 인한 이미지의 축외 수차는 렌즈를 통과하는 빔릿의 경로를 조정함으로써 감소될 수 있다. 따라서, 축외 빔릿(102_2, 102_3)의 편향 각도는 프로브 스팟(102_2S, 102_3S)이 작은 수차를 갖도록 설정될 수 있다. 빔릿은 대물 렌즈(131)의 전면 초점을 통과하거나 이에 근접하도록 편향되어 축외 프로브 스팟(102_2S 및 102_3S)의 수차를 감소시킬 수 있다. 일부 실시예에서, 빔릿(102_1, 102_2, 및 102_3)이 샘플(1)에 수직으로 랜딩하도록 편향기가 설정될 수 있고, 프로브 스팟(102_1S, 102_2S, 및 102_3S)은 작은 수차를 가질 수 있다.

집속 렌즈(110)는 1차 전자 빔(102)을 포커싱하도록 구성된다. 소스 변환 유닛(120)의 하류에 있는 빔릿(102_1, 102_2, 102_3)의 전류는, 집속 렌즈(110)의 초점력(focusing power)을 조정하거나 빔 제한 어퍼처 어레이 내의 대응하는 빔 제한 어퍼처의 반경 크기를 변경함으로써 변화될 수 있다. 전류는 빔 제한 어퍼처의 반경 크기 변경 및 집속 렌즈(110)의 초점력 변경 둘 모두에 의해 변화될 수 있다. 집속 렌즈(110)는 제 1 주 평면의 위치가 이동 가능하도록 구성될 수 있는 조정 가능한 집속 렌즈일 수 있다. 조정 가능한 집속 렌즈는 자성을 갖도록 구성될 수 있으며, 이로 인해 회전 각도를 갖는 축외 빔릿(102_2 및 102_3)이 소스 변환 유닛(120)을 조명할 수 있다. 회전 각도는 조정 가능한 집속 렌즈의 초점력 또는 제 1 주 평면의 위치에 따라 변경될 수 있다. 따라서, 집속 렌즈(110)는 집속 렌즈(110)의 초점력이 변경되는 동안 회전 각도를 변경되지 않게 유지하도록 구성될 수 있는 회전 방지 집속 렌즈일 수 있다. 일부 실시예에서, 집속 렌즈(110)는 조정 가능한 회전 방지 집속 렌즈일 수 있으며, 집속 렌즈(110)의 초점력 및 제 1 주 평면의 위치가 변화될 때 회전 각도가 변화되지 않는다.

전자 빔 툴(40)은 사전 빔릿 형성 기구(172)를 포함할 수 있다. 일부 실시예에서, 전자 소스(101)는 1차 전자를 방출하고 1차 전자 빔(102)을 형성하도록 구성될 수 있다. 일부 실시예에서, 건 어퍼처 플레이트(171)는 쿨롱 효과를 감소시키기 위해 1차 전자 빔(102)의 주변 전자를 차단하도록 구성될 수 있다. 일부 실시예에서, 사전 빔릿 형성 기구(172)는 1차 전자 빔(102)의 주변 전자를 더 절단하여 쿨롱 효과를 더 감소시킨다. 1차 전자 빔(102)은 사전 빔릿 형성 기구(172)를 통과한 후 3개의 1차 전자 빔릿(102_1, 102_2, 및 102_3)(또는 임의의 다른 수의 빔릿)으로 트리밍될 수 있다. 전자 소스(101), 건 어퍼처 플레이트(171), 사전 빔릿 형성 기구(172), 및 집속 렌즈(110)는 전자 빔 툴(40)의 1차 광축(100_1)과 정렬될 수 있다.

사전 빔릿 형성 기구(172)는 쿨롱 어퍼처 어레이를 포함할 수 있다. 사전 빔릿 형성 기구(172)의 중심 어퍼처(본 명세서에서는 축 중심 어퍼처라고도 함) 및 소스 변환 유닛(120)의 중앙 편향기는 전자 빔 툴(40)의 제 1 광축(100_1)과 정렬될 수 있다. 사전 빔릿 형성 기구(172)는 복수의 사전 트리밍 어퍼처(예: 쿨롱 어퍼처 어레이)를 구비할 수 있다. 도 2에서, 3개의 빔릿(102_1, 102_2, 및 102_3)은 1차 전자 빔(102)이 3개의 사전 트리밍 어퍼처를 통과할 때 생성되고, 1차 전자 빔(102)의 나머지 부분은 대부분 차단된다. 즉, 사전 빔릿 형성 기구(172)는 3개의 빔릿(102_1, 102_2, 및 102_3)을 형성하지 않는 1차 전자 빔(102)으로부터 많은 또는 대부분의 전자를 트리밍할 수 있다. 사전 빔릿 형성 기구(172)는, 1차 전자 빔(102)이 소스 변환 유닛(120)으로 들어가기 전에 프로브 스팟(102_1S, 102_2S, 및 102_3S)을 형성하는 데 궁극적으로 사용되지 않는 전자를 차단할 수 있다. 일부 실시예에서, 건 어퍼처 플레이트(171)는 전자 소스(101)에 근접하여 제공되어 초기 단계에서 전자를 차단할 수 있는 반면, 사전 빔릿 형성 기구(172)는 복수의 빔릿 주위의 전자를 추가로 차단하기 위해 제공될 수도 있다. 도 2는 사전 빔릿 형성 기구(172)의 3개의 어퍼처를 도시하고 있지만, 적절하게 임의의 수의 어퍼처가 있을 수 있다는 것이 이해될 것이다.

일부 실시예에서, 사전 빔릿 형성 기구(172)는 집속 렌즈(110) 아래에 배치될 수 있다. 사전 빔릿 형성 기구(172)를 전자 소스(101)에 더 가깝게 배치하면 쿨롱 효과를 더 효과적으로 감소시킬 수 있다. 일부 실시예에서, 사전 빔릿 형성 기구(172)가 여전히 제조 가능하면서 소스(101)에 충분히 가깝게 위치할 수 있는 경우, 건 어퍼처 플레이트(171)는 생략될 수 있다.

대물 렌즈(131)는 검사를 위해 빔릿(102_1, 102_2, 및 102_3)을 샘플(1)에 포커싱하도록 구성될 수 있고, 샘플(1)의 표면에 3개의 프로브 스팟(102_1s, 102_2s, 및 102_3s)을 형성할 수 있다. 건 어퍼처 플레이트(171)는 쿨롱 상호작용 효과를 줄이기 위해 사용되지 않는 1차 전자 빔(102)의 주변 전자를 차단할 수 있다. 쿨롱 상호작용 효과는 각각의 프로브 스팟(102_1s, 102_2s, 102_3s)의 크기를 확대하여 검사 분해능을 저하시킬 수 있다.

빔 분리기(160)는 정전 이중극장(E1) 및 자기 이중극장(B1)을 생성하는 정전 편향기를 포함하는 빈 필터(Wien filter) 타입의 빔 분리기일 수 있다(둘 모두 도 2에 도시되지 않음). 빔릿(102_1, 102_2 및 102_3)의 전자에 정전 이중극장(E1)이 가하는 힘은 자기 이중극장(B1)이 전자에 가하는 힘과 크기가 같고 방향이 반대이다. 따라서 빔릿(102_1, 102_2, 102_3)은 편향 각도가 0인 채로 빔 분리기(160)를 직선으로 통과할 수 있다.

편향 스캐닝 유닛(132)은 빔릿(102_1, 102_2, 및 102_3)을 편향시켜 샘플(1) 표면의 섹션에서 3개의 작은 스캔 영역에 걸쳐 프로브 스팟(102_1s, 102_2s, 및 102_3s)을 스캔할 수 있다. 프로브 스팟(102_1s, 102_2s, 및 102_3s)에서 빔릿(102_1, 102_2, 및 102_3)의 입사에 대응하여, 3개의 2차 전자 빔(102_1se, 102_2se, 및 102_3se)이 샘플(1)로부터 방출될 수 있다. 2차 전자 빔(102_1se, 102_2se, 및 102_3se) 각각은 2차 전자(에너지 ≤50 eV) 및 후방 산란 전자[50 eV와 빔릿(102_1, 102_2, 및 102_3)의 랜딩 에너지 사이의 에너지]를 포함하는 에너지 분포를 갖는 전자로 구성될 수 있다. 빔 분리기(160)는 2차 전자 빔(102_1se, 102_2se, 및 102_3se)을 2차 이미징 시스템(150)으로 지향시킬 수 있다. 2차 이미징 시스템(150)은 2차 전자 빔(102_1se, 102_2se, 및 102_3se)을 전자 검출 장치(140)의 검출 요소(140_1, 140_2, 및 140_3)에 포커싱할 수 있다. 검출 요소(140_1, 140_2, 및 140_3)는 대응하는 2차 전자 빔(102_1se, 102_2se, 및 102_3se)을 검출하고, 샘플(1)의 대응하는 스캔 영역의 이미지를 구성하는 데 사용되는 대응하는 신호를 생성할 수 있다.

도 2에서, 3개의 프로브 스팟(102_1S, 102_2S 및 102_3S)에 의해 각각 생성된 3개의 2차 전자 빔(102_1se, 102_2se, 및 102_3se)은 1차 광축(100_1)을 따라 전자 소스(101)를 향해 상향 이동하고 대물 렌즈(131) 및 편향 스캐닝 유닛(132)을 연속적으로 통과한다. 세 개의 2차 전자 빔(102_1se, 102_2se, 및 102_3se)은 빔 분리기(160)(예: 빈 필터)에 의해 전향되어 2차 광축(150_1)을 따라 2차 이미징 시스템(150)으로 들어간다. 2차 이미징 시스템(150)은 3개의 검출 요소(140_1, 140_2, 및 140_3)를 포함하는 전자 검출 장치(140)에 3개의 2차 전자 빔(102_1se ~ 102_3se)을 포커싱한다. 따라서, 전자 검출 장치(140)는 3개의 프로브 스팟(102_1S, 102_2S 및 102_3S)에 의해 각각 스캔된 3개의 스캔 영역의 이미지를 동시에 생성할 수 있다. 일부 실시예에서, 전자 검출 장치(140)와 2차 이미징 시스템(150)은 하나의 검출 유닛을 형성한다(도시되지 않음). 일부 실시예에서, 대물 렌즈(131), 편향 스캐닝 유닛(132), 빔 분리기(160), 2차 이미징 시스템(150), 및 전자 검출 장치(140)와 같은(그러나 이에 국한되지 않는) 2차 전자 빔의 경로 상의 전자 광학 요소들은 하나의 검출 시스템을 형성할 수 있다(도시되지 않음).

일부 실시예에서, 제어기(50)는 이미지 획득기(도시되지 않음) 및 스토리지(도시되지 않음)를 포함하는 이미지 처리 시스템을 포함할 수 있다. 이미지 획득기는 하나 이상의 프로세서를 포함할 수 있다. 예를 들어, 이미지 획득기는 컴퓨터, 서버, 메인프레임 호스트, 단말기, 개인용 컴퓨터, 임의의 종류의 모바일 컴퓨팅 장치 등, 또는 이들의 조합을 포함할 수 있다. 이미지 획득기는 전기 도체, 광섬유 케이블, 휴대용 저장 매체, IR, 블루투스, 인터넷, 무선 네트워크, 무선 라디오 등과 같은 매체, 또는 이들의 조합을 통해 장치(40)의 전자 검출 장치(140)에 통신적으로 결합될(coupled) 수 있다. 일부 실시예에서, 이미지 획득기는 전자 검출 장치(140)로부터 신호를 수신하여 이미지를 구성할 수 있다. 따라서 이미지 획득기는 샘플(1)의 이미지를 획득할 수 있다. 이미지 획득기는 또한 윤곽을 생성하고, 획득된 이미지에 표시를 중첩하는 등의 다양한 후처리 기능을 수행할 수 있다. 이미지 획득기는 획득된 이미지의 밝기 및 대비 등의 조정을 수행하도록 구성될 수 있다. 일부 실시예에서, 스토리지는 하드 디스크, 플래시 드라이브, 클라우드 스토리지, 랜덤 액세스 메모리(RAM), 기타 다른 유형의 컴퓨터 판독 가능 메모리 등과 같은 저장 매체일 수 있다. 스토리지는 이미지 획득기와 결합될 수 있으며, 원본 이미지로서의 스캔된 원시 이미지 데이터 및 후처리된 이미지를 저장하는 데 사용될 수 있다.

일부 실시예에서, 이미지 획득기는 전자 검출 장치(140)로부터 수신된 하나 이상의 이미징 신호에 기반하여 샘플의 하나 이상의 이미지를 획득할 수 있다. 이미징 신호는 하전 입자 이미징을 수행하기 위한 스캐닝 동작에 대응할 수 있다. 획득된 이미지는 복수의 이미징 영역을 포함하는 단일 이미지일 수도 있고, 복수의 이미지를 포함할 수도 있다. 단일 이미지는 스토리지에 저장될 수 있다. 단일 이미지는 복수의 영역으로 분할될 수 있는 원본 이미지일 수 있다. 각 영역은 샘플(1)의 특징을 포함하는 하나의 이미징 영역을 포함할 수 있다. 획득된 이미지는 시간 시퀀스에 걸쳐 여러 번 샘플링된 샘플(1)의 단일 이미징 영역의 복수의 이미지를 포함하거나 샘플(1)의 서로 다른 이미징 영역의 복수의 이미지를 포함할 수 있다. 복수의 이미지들은 스토리지에 저장될 수 있다. 일부 실시예에서, 제어기(50)는 샘플(1)의 동일한 위치의 복수의 이미지로 이미지 처리 단계를 수행하도록 구성될 수 있다.

일부 실시예에서, 제어기(50)는 검출된 2차 전자의 분포를 얻기 위한 측정 회로(예: 아날로그-디지털 변환기)를 포함할 수 있다. 검출 시간 윈도우 동안 수집된 전자 분포 데이터는 웨이퍼 표면에 입사되는 각 1차 빔릿(102_1, 102_2, 및 102_3)의 대응하는 스캔 경로 데이터와 조합되어, 검사 중인 웨이퍼 구조의 이미지를 재구성하는 데 사용될 수 있다. 재구성된 이미지는 샘플(1)의 내부 또는 외부 구조의 다양한 특징들을 드러내는 데 사용될 수 있으며, 따라서 웨이퍼에 존재할 수 있는 결함을 드러내는 데 사용될 수 있다.

일부 실시예에서, 제어기(50)는 검사 중에 샘플(1)을 이동시키기 위해 전동 스테이지(도시되지 않음)를 제어할 수 있다. 일부 실시예에서, 제어기(50)는 전동 스테이지가 샘플(1)을 일정한 속도로 연속적으로 한 방향으로 이동시키도록 할 수 있다. 다른 실시예에서, 제어기(50)는, 스캐닝 프로세스의 단계에 따라, 전동 스테이지가 시간이 경과하면서 샘플(1)의 이동 속도를 변경하도록 할 수 있다. 일부 실시예에서, 제어기(50)는 2차 전자 빔(102_1se, 102_2se, 및 102_3se)의 이미지에 기반하여 1차 투영 광학 시스템(130) 또는 2차 이미징 시스템(150)의 구성을 조정할 수 있다.

도 2에는 전자 빔 툴(40)이 3개의 1차 전자 빔을 사용하는 것으로 도시되어 있지만, 전자 빔 툴(40)은 2개 이상의 1차 전자 빔을 사용할 수 있음이 이해될 것이다. 본 발명은 장치(40)에 사용되는 1차 전자 빔의 수를 제한하지 않는다.

이제 반도체 공정 시스템을 도시하는 개략도인 도 3을 참조한다. 도 3은, 스캐너(305), 현상 툴(320), 에칭 툴(325), 애쉬 툴(330), 모니터링 툴(335), 포인트 결정 툴(345), 및 검증 유닛(350)을 갖는 통상적인 반도체 공정 시스템(300)을 예시한다. 스캐너(305)는 제어 유닛(310)을 포함할 수 있다. 반도체 공정 시스템(300)은 아래에 설명된 바와 같이 기판에 대한 컴퓨터 유도 검사(computer guided inspection)를 보조할 수 있다.

스캐너(305)는, 포토레지스트로 코팅된 기판을, 해당 기판으로 전사(transfer)될 회로 패턴에 노광할 수 있다. 제어 유닛(310)은, 기판을 노광하기 위해 사용되는 노광 레시피(exposure recipe)를 제어할 수 있다. 제어 유닛(310)은, 노광 시간, 소스 강도, 및 노광 선량과 같은 다양한 노광 레시피 파라미터를 조정할 수 있다. 고밀도 초점 맵(HDFM, 315)이 노광에 대응하여 기록될 수 있다.

현상 툴(320)은 원하지 않는 영역에서 포토레지스트를 제거함으로써 노광된 기판 상에 패턴을 현상할 수 있다. 포지티브 포토레지스트의 경우, 스캐너(305)에서 빛에 노광된 포토레지스트 부분은 포토레지스트 현상액에 가용성이 되고, 포토레지스트의 노광되지 않은 부분은 포토레지스트 현상액에 불용성으로 유지된다. 네거티브 포토레지스트의 경우, 스캐너(305)에서 빛에 노광된 포토레지스트 부분은 포토레지스트 현상액에 불용성이 되고, 포토레지스트의 노광되지 않은 부분은 포토레지스트 현상액에 가용성을 유지한다.

에칭 툴(325)은, 기판의 포토레지스트가 제거된 부분으로부터 필름을 에칭(etching)함으로써 포토레지스트 아래의 하나 이상의 필름에 패턴을 전사할 수 있다. 에칭 툴(325)은 건식 에칭 툴 또는 습식 에칭 툴일 수 있다.

애쉬 툴(330)은 에칭된 기판으로부터 잔류 포토레지스트를 제거할 수 있고, 기판 상의 필름으로의 패턴 전사 공정이 완료될 수 있다.

모니터링 툴(335)은 기판 상의 하나 이상의 위치에서 공정 처리된 기판을 검사하여 모니터링 결과를 생성할 수 있다. 모니터링 결과는, 공간 패턴 측정, 상이한 패턴 특징들의 크기 측정, 또는 상이한 패턴 특징들의 위치 시프트(shift)에 기반할 수 있다. 검사 위치는 포인트 결정 툴(345)에 의해 결정될 수 있다. 일부 실시예에서, 모니터링 툴은 도 1의 EBI 시스템(100)의 일부이거나 전자 빔 툴(40)일 수 있다.

포인트 결정 툴(345)은 HDFM(315) 및 취약 포인트 정보(340)에 기반하여 기판 상의 검사 위치들을 결정하기 위한 하나 이상의 예측 모델을 포함할 수 있다. 일부 실시예에서, 포인트 결정 툴(345)은 기판 상의 각 위치에 대하여 그 위치가 결함(또는 무결함) 위치일 가능성 예측을 생성할 수 있다. 예를 들어, 포인트 결정 툴(345)은 각각의 위치에 그 위치가 결함(또는 무결함) 위치일 확률을 나타내는 확률 값을 할당할 수 있다.

취약 포인트 정보(340)는 패터닝 공정과 관련된 문제가 발생할 확률이 높은 위치에 관한 정보를 포함할 수 있다. 취약 포인트 정보(340)는, 전사된 패턴, 및 웨이퍼, 스캐너(305), 또는 에칭 툴(325)의 다양한 공정 파라미터와 특성에 기반할 수 있다.

검증 유닛(350)은, 모니터링 툴(335)로부터의 모니터링 결과를 대응하는 디자인 파라미터와 비교하여 검증 결과를 생성할 수 있다. 검증 유닛(350)은 검증 결과를 스캐너(305)의 제어 유닛(310)에 제공할 수 있다. 제어 유닛(310)은 검증 결과에 기반하여 후속 기판들에 대한 노광 레시피를 조정할 수 있다. 예를 들어, 제어 유닛(310)은 검증 결과에 기반하여 후속 기판들의 일부 위치에 대한 스캐너(305)의 노광 선량을 감소시킬 수 있다.

전술한 설명에서는 반도체 공정 시스템(300)이 스캐너(305), 현상 툴(320), 에칭 툴(325), 애쉬 툴(330)을 갖는 것으로 설명되었지만, 반도체 공정 시스템(300)은 전술한 툴에만 한정되지 않으며, 기판으로의 패턴 인쇄를 보조할 수 있는 추가적인 툴을 가질 수 있다. 일부 실시예에서, 둘 이상의 툴이 조합되어 복수의 툴의 기능을 제공하는 복합 툴을 형성할 수 있다. 반도체 공정 시스템(300)에 관한 추가적인 세부 사항은 미국 특허 공개공보 제2019/0187670호에서 찾을 수 있으며, 이는 본 명세서에서 그 전문이 인용참조된다.

이하에서는 종래의 툴[예: 포인트 결정 툴(345)]보다 더 높은 정확도로 기판 상의 결함 위치를 예측하는 개선된 결함 위치 예측 모델(405)을 설명한다. 일부 실시예에서, 결함 위치 예측 모델(405)은 더 높은 정확도의 예측을 생성하기 위해 능동 학습(active learning) 기법을 사용하여 트레이닝된다. 능동 학습 기법에서, 트레이닝된 결함 위치 예측 모델(405)(예를 들어, 초기 데이터 세트를 사용해 트레이닝됨)은 검사될 기판 상의 결함 위치에 관한 예측을 생성하는 데 사용될 뿐만 아니라, 예측된 위치의 실제 검사 결과(예를 들어, 검사 시스템으로부터 획득됨)를 사용하여 추가로 트레이닝되어, 예측된 위치의 실제 검사 결과에 기반하여 결함 위치 예측 모델(405)을 업데이트할 수 있다. 이러한 트레이닝 프로세스는, 예를 들어, 결함 위치 예측 모델(405)에 의해 후속적으로 분석되는 모든 기판에 대한 실제 검사 결과를 가지고 점진적으로 수행될 수 있으며, 이에 따라 결함 위치 예측 모델(405)의 예측 정확도가 향상될 수 있다. 능동 학습 기반 결함 위치 식별 방법은 적어도 도 4 및 도 7을 참조하여 아래에 설명된다.

도 4는, 본 발명의 다양한 실시예에 따른, 기판(410) 상의 결함 위치를 예측하기 위한 시스템(400)의 블록도이다. 시스템(400)은 결함 위치 예측 모델(405), 검사 툴(465), 및 피드백 툴(470)을 포함한다. 결함 위치 예측 모델(405)은 위치 예측 모델(450), 신뢰도 모델(455), 및 위치 선택 구성요소(460)를 포함한다. 일부 실시예에서, 기판[예: 기판 (410)]에 대한 예측을 생성하기 전에, 결함 위치 예측 모델(405)은 초기 트레이닝 데이터 세트를 사용하여 트레이닝되며, 이는 적어도 도 6을 참조하여 설명된다.

일부 실시예에서, 위치 예측 모델(450)은 머신 러닝(ML) 모델이고, 도 3의 포인트 결정 툴(345)과 유사하다. 위치 예측 모델(450)은, 기판(410) 상의 n개의 위치에 대하여, 위치가 결함 위치 또는 무결함 위치일 가능성이 있는지를 나타내는 예측들(415a-n)을 생성한다. 기판(410) 상의 "위치 a"와 연관된 예측(415a)은, "위치 a"가 결함 위치인지 또는 무결함 위치인지에 대한 가능성을 포함할 수 있다. 예를 들어, 예측은 "0.8"의 확률을 포함할 수 있는데, 이는 "위치 a"에 결함이 있을 가능성이 "80%"이고 "위치 a"에 결함이 없을 가능성이 "20%"임을 나타낸다. 따라서, 위치 예측 모델(450)은 "위치 a"를 결함이 있는 위치로 분류할 수 있다. 확률 값을 사용하지 않는 다른 유형의 분류 기법을 사용하여 위치들을 결함 위치 및 무결함 위치로 분류할 수 있다. 일부 실시예에서, 위치 예측 모델(450)은 기판(410)과 연관된 공정 관련 데이터(435)에 기반하여 예측(415a)을 생성한다. 일부 실시예에서, 공정 관련 데이터(435)는 취약 포인트 정보(340)와 유사할 수 있다. 공정 관련 데이터(435)는, 현상 툴(320), 에칭 툴(325), 애쉬 툴(330), 또는 기타 공정과 같은 반도체 공정 시스템(300)의 다양한 툴 및 공정과 연관된 데이터를 포함할 수 있다. 예를 들어, 공정 관련 데이터(435)는 임계 치수(critical dimension, CD) 측정치, 수차, 에지 배치 오류(edge placement errors, EPE), 기판(410) 상의 필름 두께, 또는 결함에 기여할 수 있는 기타 데이터와 같은 계측 데이터를 포함할 수 있다.

일부 실시예에서, 신뢰도 모델(455)은 ML 모델이다. 신뢰도 모델(455)은 공정 관련 데이터(435)를 분석하고, 위치 예측 모델(450)에 의해 각 위치에 대해 생성된 예측(415a-n)의 신뢰도 수준을 나타내는 신뢰도 점수(420a-n)를 생성한다. 예를 들어, 신뢰도 점수(420a)는 "위치 a"에 결함이 있다는 예측(415a)에 대한 신뢰도 수준을 나타낸다. 신뢰도 모델(455)은 신뢰도 점수를 생성할 때 여러 척도 중 어느 것이라도 사용할 수 있다. 예를 들어, 신뢰도 점수(420a)는 "0" 내지 "1" 범위의 값일 수 있으며, 값이 높을수록 예측의 신뢰도가 높다. 일부 실시예에서, 신뢰도 모델(455)은 공정 관련 데이터(435)가 이전에 분석된 임의의 공정 관련 데이터와 유사한 경우 더 높은 신뢰도 점수를 할당하거나, 공정 관련 데이터(435)가 이전에 분석된 공정 관련 데이터 중 어느 것과도 유사하지 않은 경우 더 낮은 신뢰도 점수를 할당할 수 있다. 신뢰도 점수는 여러 능동 학습 방법 중 어느 것이라도 사용하여 결정될 수 있다. 예를 들어, 신뢰도 점수는 아래에서 도 5a를 참조하여 설명되는 바와 같은 랜덤 포레스트 모델을 사용하여 결정되거나, 아래에서 도 5b를 참조하여 설명되는 바와 같은 쿼리-바이-커미티(QBC) 능동 학습 방법을 사용하여 결정될 수 있다.

도 5a는, 본 발명의 실시예에 따른, 랜덤 포레스트 모델을 사용한 신뢰도 점수 결정에 대한 블록도이다. 랜덤 포레스트 모델에서, 위치 예측 모델(450)은 각 위치에 대하여 여러 개의 예측들, 예를 들어 예측(501) 내지 예측(509)을 생성하고, 신뢰도 모델(455)은 해당 위치에 대한 신뢰도 점수를 예측들(501-509)의 함수로서[예를 들면 모든 예측들의 분산(511)에 기반하여] 결정한다. 랜덤 포레스트 모델과 관련된 추가적인 세부 사항은 " A dynamic sampling strategy based on confidence level of virtual metrology predictions"[G. A. Susto, Proc. 28th Annu. SEMI Adv. Semiconductor Manuf. Conf. (ASMC), May 2017]에서 확인할 수 있으며, 이는 본 명세서에서 그 전문이 인용참조된다.

도 5b는, 본 발명의 실시예에 따른, QBC 방법을 사용한 신뢰도 점수 결정에 대한 블록도이다. QBC 방법에서는, 여러 개의 위치 예측 모델들(450a-n)[예를 들어, 위치 예측 모델들(450a-n)의 다양성 있는 커미티]이 기판(410) 상의 각각의 위치에 대한 예측들, 예를 들어 예측(521) 내지 예측(529)을 생성하는 데 사용될 수 있다. 신뢰도 모델(455)은 신뢰도 점수를 예측들(521-529)의 함수로서[예를 들면 예측들(521-529)의 분산(531)에 기반하여] 결정할 수 있다. 예를 들어, 신뢰도 모델(455)은 커미티의 각각의 위치 예측 모델(450a-n)로부터 "위치 a"에 대한 예측을 획득한 다음, 커미티로부터 획득한 예측들(521-529)의 분산으로서 신뢰도 점수(531)를 계산한다. QBC 능동 학습 방법 및 다른 능동 학습 방법들과 관련된 추가적인 세부 사항은, "Committee-based sampling for training probabilistic classifiers"[Dagan, I., & Engelson, S. P. (1995), Proc. of 12th Intl. Conf. on Machine Learning (ICML-95)]; "Employing EM and pool-based active learning for text classification"[McCallum, A., & Nigam, K. (1998), Proc. of 15th Intl. Conf. on Machine Learning (ICML-98)]; "Query learning strategies using boosting and bagging"[Abe, N., & Mamitsuka, H. (1998), Proc. of 15th Intl. Conf. on Machine Learning (ICML-98)]이라는 제목의 논문들 및 "An introduction to active learning"[Jennifer Prendki, (2018)]이라는 전자책에서 확인할 수 있으며, 이 모두는 본 명세서에서 그 전문이 인용참조된다.

도 4를 다시 참조하면, 위치 선택 구성요소(460)는, 위치 선택 기준을 만족하는 신뢰도 점수를 갖는 예측과 연관된 모든 위치들을 기판(410) 상에서 선택한다. 예를 들어, 위치 선택 구성요소(460)는, 결함이 있는 것으로 예측되며 제 1 신뢰도 임계값을 초과하는 신뢰도 점수와 연관된 모든 위치를 선택할 수 있다. 다른 예에서, 위치 선택 구성요소(460)는, 위치가 결함이 있는 것으로 예측되는지 또는 결함이 없는 것으로 예측되는지에 관계없이, 제 2 신뢰도 임계값 미만의 신뢰도 점수와 연관된 모든 위치를 선택할 수 있다. 위치 선택 구성요소(460)는 선택된 위치를 샘플링 계획(425)에 추가할 수 있으며, 이는 선택된 위치를 검사하기 위한 검사 툴(465)에 입력될 수 있다. 샘플링 계획(425)은 기판(410) 상에서 검사 툴(465)에 의해 검사될 위치들에 관한 정보[예를 들어, (x, y) 좌표들]를 포함할 수 있다. 검사 툴(465)은 샘플링 계획(425)에 기반하여 기판(410) 상의 위치들을 검사하고, 검사된 위치들에 대한 실제(예를 들어, 예측된 것이 아닌) 검사 결과(430)를 출력할 수 있다. 일부 실시예에서, 검사 결과(430)는 검사된 위치의 이미지(예: SEM 이미지), 검사된 위치의 위치 정보[예: (x, y) 좌표], 및 해당 위치가 결함이 있는 것으로 판명되었는지 또는 무결함으로 판명되었는지에 대한 정보를 포함할 수 있다. 일부 실시예에서, 검사 툴(465)은 검사를 수행하기 위해 도 3의 모니터링 툴(335) 또는 도 1의 전자 빔 툴(40)을 포함할 수 있고, 검사 결과(430)를 기판(410)에 인쇄될 패턴의 디자인 파라미터와 비교하여 검사 결과(430)를 생성하는 검증 유닛(350)을 포함할 수 있다.

피드백 툴(470)은 검사 결과(430)를 해당 위치들의 공정 관련 데이터와 함께 결함 위치 예측 모델(405)에 다시 입력하여, 선택된 위치들의 실제 검사 결과(430)를 가지고 결함 위치 예측 모델(405)을 추가로 트레이닝할 수 있다. 검사 툴(465)로부터의 실제 검사 결과로 결함 위치 예측 모델(405)을 트레이닝함으로써, 결함 위치 예측 모델(405)의 비용 함수가 감소하고 결함 위치 예측 모델(405)의 예측 정확도가 향상(예컨대 증가)될 수 있다. 일부 실시예에서, 비용 함수는 예측과 실제 검사 결과(430) 사이의 편차를 나타낼 수 있고, 예측 정확도는 총 예측 수와 대비한 올바른 예측 수를 나타낼 수 있다. 결함 위치 예측 모델(405)을 점진적으로 학습시킴으로써[예를 들어, 새로운 기판 또는 상이한 기판에 대한 예측이 이루어질 때마다 검사 툴(465)의 실제 검사 결과를 가지고 결함 위치 예측 모델(405)을 트레이닝함], 비용 함수가 최소화되고, 따라서 예측 정확도가 최대화된다. 예측 정확도가 향상됨에 따라, 결함 위치 예측 모델(405)은 결함 가능성이 있는 위치를 보다 높은 신뢰도로 예측할 수 있다.

일부 실시예에서, 위치 선택 구성요소(460)는, (예를 들어, 하나 이상의 신뢰도 임계값을 조정함으로써) 검사할 위치들의 선택을 제어하도록 구성될 수 있다. 예를 들어, 결함 위치 예측 모델(405)의 예측 정확도가 정확도 임계값 미만인 경우, 위치 선택 구성요소(460)는 더 큰 제 1 신뢰도 임계값을 가질 수 있고, 이에 따라 높은 신뢰도 점수(예: s > x, 여기서 s는 점수이고 x는 제 1 신뢰도 임계값임)로 결함이 있는 것으로 예측되는 위치들이 검사를 위해 선택되고 낮은 신뢰도 점수(예: s < x)를 갖는 위치는 무시되도록 한다. 예측 정확도가 향상됨에 따라, 위치 선택 구성요소(460)는 제 1 신뢰도 임계값을 감소시킬 수 있고, 이에 따라 더 낮은 신뢰도 점수(예: s > y 및 y < x, 여기서 y는 조정된 제 1 신뢰도 임계값임)로 결함이 있는 것으로 예측되는 위치들도 검사를 위해 선택될 수 있다. 다른 예에서, 결함 위치 예측 모델(405)의 예측 정확도가 정확도 임계값 미만인 경우, 위치 선택 구성요소(460)는 더 큰 제 2 신뢰도 임계값을 가질 수 있고, 이에 따라 보다 낮은 신뢰도 점수(예: s < a 및 a < x, 여기서 a는 제 2 신뢰도 임계값임)와 연관된 위치들은 결함으로 예측되는지 또는 무결함으로 예측되는지에 관계없이 검사를 위해 선택되도록 한다. 예측 정확도가 향상됨에 따라, 위치 선택 구성요소(460)는 제 2 신뢰도 임계값을 감소시킬 수 있으며, 이에 따라 매우 낮은 신뢰도 점수(예: s < b 및 b < a, 여기서 b는 제 2 신뢰도 임계값)로 결함이 있는 것으로 예측되는 위치들이 검사를 위해 선택된다. 일부 실시예에서, 위치 선택 구성요소(460)는 또한 검사를 위한 가용 자원[예를 들어, 시간 및 검사 툴(465)의 컴퓨팅 자원]에 기반하여 검사할 위치의 선택을 제어하도록 구성될 수 있다. 위치 선택 구성요소(460)는 가용 자원에 따라 신뢰도 임계값을 조정할 수 있다. 예를 들어, 가용 자원이 적을수록, 검사를 위해 선택되는 위치의 수는 더 적어진다. 일부 실시예에서, 신뢰도 임계값, 정확도 임계값, 가용 자원, 또는 검사할 위치의 수는 사용자가 설정할 수 있다.

도 6은, 본 발명의 다양한 실시예에 따라, 초기 트레이닝 데이터 세트를 사용하여 결함 위치 예측 모델(405)을 트레이닝하는 것을 도시하는 블록도이다. 결함 위치 예측 모델(405)은 도 4의 기판(410)과 같은 기판에 대한 예측을 생성하는 데 사용되기 전에 초기 트레이닝 데이터 세트(605)를 사용하여 트레이닝되어야 할 수 있다. 초기 트레이닝 데이터 세트(605)는 라벨링 된 데이터 세트(labeled dataset)일 수 있으며, 이는 "n"개의 기판에 대한 공정 관련 데이터(610a-n) 및 검사 결과(615a-n)를 포함한다. 예를 들어, 기판 "A"에 대하여, 초기 트레이닝 데이터 세트(605)는 기판 "A"와 연관된 공정 관련 데이터(610a) 및 검사 결과(615a)를 포함할 수 있다. 일부 실시예에서, 공정 관련 데이터(610a)는 공정 관련 데이터(435)와 유사할 수 있고, CD 측정치, 수차, EPE, 기판 "A" 상의 필름 두께, 또는 결함에 기여할 수 있는 기타 데이터와 같은 계측 데이터를 포함할 수 있다. 일부 실시예에서, 검사 결과(615a)는 검사 결과(430)와 유사할 수 있으며, 검사된 위치의 이미지(예: SEM 이미지), 검사된 위치의 위치 정보[예: (x, y) 좌표], 및 해당 위치가 결함이 있는 것으로 판명되었는지 또는 무결함으로 판명되었는지에 대한 정보를 포함할 수 있다. 라벨링 된 데이터 세트는, 도 3의 반도체 공정 시스템(300)의 툴들을 포함하여 다양한 소스로부터 획득할 수 있다.

적어도 도 4를 참조하여 전술한 바와 같이, 위치 예측 모델(450) 및 신뢰도 모델(455)은 ML 모델일 수 있다. 결함 위치 예측 모델(405)의 트레이닝은 반복 프로세스(iterative process)일 수 있으며, 각각의 반복은, 기판과 연관된 공정 관련 데이터(610)를 분석하고, 비용 함수를 결정하고, 비용 함수에 기반하여 결함 위치 예측 모델(405)의 구성을 업데이트하는 단계들을 포함할 수 있으며, 이 모든 단계들은 이하에 더 상세하게 설명된다. 일부 실시예에서, 결함 위치 예측 모델(405)은 반복 프로세스 대신에 "배치(batch)" 방식으로 트레이닝될 수 있다. 예를 들어, "n"개의 기판에 대한 공정 관련 데이터(610a-n)와 검사 결과(615a-n)를 갖는 트레이닝 데이터 세트(605)가 일괄적으로 입력될 수 있다. 공정 관련 데이터(610a)와 검사 결과(615a)가 입력되면, 위치 예측 모델(450)은 기판 "A" 상의 "x"개 위치에 대한 예측들(625a1-625ax)을 생성하고, 신뢰도 모델은 예측들(625a1-625ax)에 대한 신뢰도 점수(630a1-630ax)를 각각 할당한다. 이어서 결함 위치 예측 모델(405)은 예측 결과와 검사 결과(615a)를 비교하여 결함 위치 예측 모델(405)의 비용 함수(650)를 결정하는데, 이는 예측 결과(625a1-625ax)와 실제 검사 결과(615a) 사이의 편차를 나타낼 수 있다. 결함 위치 예측 모델(405)은, 비용 함수(650) 또는 기타 참조 피드백 정보(예: 정확도에 대한 사용자 표시, 참조 라벨, 또는 기타 정보)에 기반하여 그 구성[예: 위치 예측 모델(450) 또는 신뢰도 모델(455)의 가중치, 바이어스, 또는 기타 파라미터]을 업데이트하여 비용 함수(650)를 최소화할 수 있다. 상기 프로세스는, 각각의 반복에서 상이한 기판과 연관된 공정 관련 데이터 및 검사 결과를 사용하면서, 종료 조건이 만족될 때까지 반복된다. 종료 조건은, 기 규정된 반복 횟수, 비용 함수가 특정한 임계값을 만족하는 것, 또는 기타 다른 조건을 포함할 수 있다. 종료 조건이 만족된 후에, 결함 위치 예측 모델(405)은 "트레이닝된" 것으로 간주될 수 있고, 새로운 기판[예: 결함 위치 예측 모델(405)을 사용하여 아직 분석되지 않은 기판]에서 결함 위치를 식별하거나 예측하는 데 사용될 수 있다.

일부 실시예에서, 트레이닝된 결함 위치 예측 모델(405)은 기판(410)과 같은 새로운 기판에서의 결함 위치를 예측하는 데 사용될 수 있지만, 트레이닝된 결함 위치 예측 모델(405)은 예측 정확도를 더욱 향상시키기 위해 능동 학습 ML 방법을 사용하여 추가로 트레이닝될 수 있다. 능동 학습 ML 방법에서, 트레이닝된 결함 위치 예측 모델(405)은 선택적으로 라벨링 된 데이터[예: 트레이닝된 결함 위치 예측 모델(405)을 사용하여 예측이 생성된 위치들에 대한 실제 검사 결과]로 트레이닝되어, 특히 결함 위치 예측 모델(405)이 이전에[결함 위치 예측 모델(405)의 트레이닝 중 또는 결함 위치의 실제 예측 중에] 분석된 공정 관련 데이터 중 어느 것과도 유사하지 않은 공정 관련 데이터를 분석하는 경우 등에서 예측 정확도를 더욱 향상시킬 수 있다. 이러한 능동 학습 방법은, 새로운 트레이닝 데이터를 사용해 정기적으로 업데이트하지 않을 경우 ML 모델이 진부(stale)해지고 정확도가 악화될 수 있는 시나리오인 "컨셉 드리프트(concept drift)" 문제를 극복할 수 있다. 반도체 공정 분야에서는 제조 공정이 지속적으로 변화할 수 있으며, 따라서 기판과 연관된 공정 관련 데이터도 변화할 수 있다. 일부 실시예에서는 공정 관련 데이터가 드리프트되지 않더라도 공정 관련 데이터와 결함/무결함 라벨 간의 관계가 시간에 대한 함수로서 드리프트될 수 있다(예: ML 모델에서 불가용한 숨겨진 공정 변수로 인해 발생). 트레이닝된 결함 위치 예측 모델(405)에 이전에 분석된 공정 관련 데이터와 유사하지 않거나 현저하게 다른 공정 관련 데이터가 입력되는 경우, 결함 위치 예측 모델(405)로부터 생성된 예측은 정확하지 않을 수 있다. 트레이닝된 결함 위치 예측 모델(405)을 사용하여 예측이 생성된 위치에 대한 실제 검사 결과를 사용해 (예를 들어 적어도 도 4를 참조하여 설명한 바와 같이) 트레이닝된 결함 위치 예측 모델(405)을 점진적으로 트레이닝함으로써, "컨셉 드리프트" 문제를 극복하고 예측의 정확도를 향상시킬 수 있다.

도 7은, 본 발명의 실시예에 따른, 기판 상의 결함 위치를 예측하기 위한 프로세스(700)의 흐름도이다. 일부 실시예에서, 프로세스(700)는 도 4의 시스템(400)에서 구현될 수 있다. P701 동작(operation)에서, 기판과 연관된 공정 관련 데이터가 결함 위치 예측 모델(405)에 입력된다. 예를 들어, CD 측정치, 수차, EPE, 기판(410)상의 필름 두께, 또는 결함에 기여할 수 있는 기타 데이터와 같은 계측 데이터를 포함하는, 기판(410)과 연관된 공정 관련 데이터(435)가 결함 위치 예측 모델(405)에 입력될 수 있다.

P703 동작에서, 위치 예측 모델(450)에 의해 생성된 예측에 기반하여 기판(410) 상의 검사할 위치(705)가 선택될 수 있다. 예를 들어, 위치 예측 모델(450)은, 기판(410) 상의 n개의 위치에 대하여, 위치가 결함 위치 또는 무결함 위치일 가능성이 있는지를 나타내는 예측들(415a-n)을 생성한다. 일부 실시예에서, 위치 예측 모델(450)은, 적어도 도 6을 참조하여 설명된 바와 같이 결함 위치를 예측하기 위해 초기 트레이닝 데이터 세트를 사용하여 초기에 트레이닝된다.

P705 동작에서, 위치들(705)과 연관된 예측들 각각에 대하여 신뢰도 점수(420a-n)가 생성된다. 신뢰도 점수는 해당 예측에 대한 신뢰도 수준을 나타낼 수 있다. 예를 들어, 신뢰도 점수(420a)는 "위치 a"에 결함이 있다는 예측(415a)에 대한 신뢰도 수준을 나타낸다. 일부 실시예에서, 신뢰도 점수가 높을수록 연관된 예측에 대한 신뢰도는 높다. 일부 실시예에서, 신뢰도 모델(455)은 공정 관련 데이터(435)가 이전에 분석된 임의의 공정 관련 데이터와 유사한 경우 더 높은 신뢰도 점수를 할당하거나 그렇지 않은 경우 더 낮은 신뢰도 점수를 할당할 수 있다. 신뢰도 점수는 여러 능동 학습 방법 중 어느 것이라도 사용하여 결정될 수 있다. 예를 들어, 신뢰도 점수는 적어도 도 5a를 참조하여 설명된 바와 같은 랜덤 포레스트 모델을 사용하여 결정되거나, 적어도 도 5b를 참조하여 설명된 바와 같은 QBC 능동 학습 방법을 사용하여 결정될 수 있다.

P707 동작에서, 위치 선택 기준을 만족하는 신뢰도 점수를 갖는 예측과 연관된 위치들(705)이 검사 툴(465)에 의해 검사될 위치들의 세트(707)에 추가된다. 예를 들어, 위치 선택 구성요소(460)는, 결함이 있는 것으로 예측되며 제 1 신뢰도 임계값을 초과하는 신뢰도 점수와 연관된 모든 위치들(705)을 위치들의 세트(707)에 추가할 수 있다. 다른 예에서, 위치 선택 구성요소(460)는, 위치가 결함이 있는 것으로 예측되는지 또는 결함이 없는 것으로 예측되는지에 관계없이, 제 2 신뢰도 임계값 미만의 신뢰도 점수와 연관된 모든 위치들을 위치들의 세트(707)에 추가할 수 있다.

P709 동작에서, 검사 툴(465)로부터 위치들의 세트(707)에 대한 검사 결과(430)가 획득된다. 위치 선택 구성요소(460)는 샘플링 계획(425)에 위치들의 세트(707)에 관한 정보[예: (x, y) 좌표]를 추가하고, 샘플링 계획(425)을 검사 툴(465)에 입력할 수 있다. 검사 툴(465)은 기판(410) 상의 위치들의 세트(707)를 검사하고 실제 검사 결과(430)를 출력할 수 있다. 일부 실시예에서, 검사 결과(430)는 검사된 위치의 이미지(예: SEM 이미지), 검사된 위치의 위치 정보[예: (x, y) 좌표], 및 해당 위치가 결함이 있는 것으로 판명되었는지 또는 무결함으로 판명되었는지에 대한 정보를 포함할 수 있다.

P711 동작에서, 위치들의 세트(707)에 대한 검사 결과(430) 및 해당 위치들의 공정 관련 데이터는 결함 위치 예측 모델(405)로 피드백되어, 위치들의 세트의 실제 검사 결과(430)를 사용해 결함 위치 예측 모델(405)을 추가로 트레이닝한다. 일부 실시예에서, 결함 위치 예측 툴은 새로운 기판 또는 상이한 기판에 대한 예측이 이루어질 때마다 P701 내지 P711 동작들을 수행함으로써 점진적으로 트레이닝된다. 즉, 결함 위치 예측 모델(405)은 새로운 기판 또는 상이한 기판에 대한 예측이 이루어질 때마다 검사 툴(465)의 실제 검사 결과를 사용해 트레이닝된다. 결함 위치 예측 모델(405)을 점진적으로 학습시킴으로써, 결함 위치 예측 모델(405)과 연관된 비용 함수가 최소화되고, 따라서 결함 위치 예측 모델(405)의 예측 정확도가 최대화된다. 예측 정확도가 향상됨에 따라, 결함 위치 예측 모델(405)은 결함이 발생할 가능성이 있는 위치를 보다 높은 신뢰도로 예측할 수 있다.

도 8은, 본 명세서에 개시된 방법, 흐름, 모듈, 구성요소, 또는 장치의 구현을 지원할 수 있는 컴퓨터 시스템(800)을 도시하는 블록도이다. 컴퓨터 시스템(800)은 정보를 통신하기 위한 버스(802) 또는 다른 통신 메커니즘, 및 정보를 처리하기 위해 버스(802)와 결합된 프로세서(804)[또는 복수의 프로세서(804 및 805)]를 포함한다. 컴퓨터 시스템(800)은 또한 프로세서(804)에 의해 실행될 명령어 및 정보를 저장하기 위해 버스(802)에 결합된, 랜덤 액세스 메모리(RAM) 또는 다른 동적 저장 장치와 같은 메인 메모리(806)를 포함한다. 메인 메모리(806)는 또한 프로세서(804)에 의해 실행될 명령어를 실행하는 동안 임시 변수 또는 다른 중간 정보를 저장하는 데 사용될 수 있다. 컴퓨터 시스템(800)은 프로세서(804)를 위한 정적 정보 및 명령어를 저장하기 위해 버스(802)에 결합된 읽기 전용 메모리(ROM)(808) 또는 다른 정적 저장 장치를 더 포함한다. 자기 디스크 또는 광 디스크와 같은 저장 장치(810)가 제공되고, 정보 및 명령어를 저장하기 위해 버스(802)에 결합된다.

컴퓨터 시스템(800)은 컴퓨터 사용자에게 정보를 표시하기 위한 디스플레이[812, 예를 들어 CRT(cathode ray tube) 또는 평판 또는 터치 패널 디스플레이]에 버스(802)를 통해 결합될 수 있다. 영숫자(alphanumeric) 및 기타 키를 포함하는 입력 장치(814)는 프로세서(804)에 정보 및 명령 선택 사항을 통신하기 위해 버스(802)에 결합된다. 다른 유형의 사용자 입력 장치는 방향 정보 및 명령 선택 사항을 프로세서(804)로 전달하고 디스플레이(812)에서 커서 이동을 제어하기 위한 마우스, 트랙볼, 또는 커서 방향 키와 같은 커서 제어기(816)이다. 이 입력 장치는 일반적으로 평면에서 위치를 지정할 수 있는 두 축인 제1 축(예를 들어, x) 및 제2 축(예를 들어, y)에서 2 자유도를 갖는다. 터치 패널(스크린) 디스플레이를 입력 장치로 사용할 수도 있다.

일 실시예에 따르면, 본 명세서에 기술된 하나 이상의 방법의 일부는, 메인 메모리(806)에 포함된 하나 이상의 명령어의 하나 이상의 시퀀스를 프로세서(804)가 실행하는 것에 응답하여 컴퓨터 시스템(800)에 의해 수행될 수 있다. 이러한 명령어는 저장 장치(810)와 같은 다른 컴퓨터 판독 가능 매체로부터 메인 메모리(806)로 읽어들일(read into) 수 있다. 메인 메모리(806)에 포함된 명령어 시퀀스의 실행은 프로세서(804)로 하여금 본 명세서에 설명된 프로세스 단계를 수행하게 한다. 다중 처리 배열(multi-processing arrangement)의 하나 이상의 프로세서가 메인 메모리(806)에 포함된 명령어 시퀀스들을 실행하기 위해 사용될 수도 있다. 대안적인 일 실시예에서, 하드 와이어 회로(hard-wired circuitry)가 소프트웨어 명령어 대신에 또는 소프트웨어 명령어와 조합하여 사용될 수 있다. 따라서, 본 명세서의 설명은 하드웨어 회로와 소프트웨어의 특정 조합에 한정되지 않는다.

본 명세서에서 사용되는 "컴퓨터 판독 가능 매체"라는 용어는 실행을 위해 프로세서(804)에 명령을 제공하는 데 참여하는 임의의 매체를 지칭한다. 이러한 매체는 비휘발성 매체, 휘발성 매체, 및 전송 매체를 포함하되 이에 국한되지 않는 다양한 형태를 취할 수 있다. 비휘발성 매체는 예를 들어, 저장 장치(810)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 메인 메모리(806)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(802)를 구성하는 와이어를 포함하여 동축 케이블, 구리선, 및 광섬유를 포함한다. 전송 매체는 또한 무선 주파수(RF) 및 적외선(IR) 데이터 통신 중에 생성되는 것과 같은 음향 또는 광파의 형태를 취할 수 있다. 컴퓨터 판독 가능 매체의 일반적인 형태에는, 예를 들어, 플로피 디스크, 플렉시블 디스크, 하드 디스크, 자기 테이프, 기타 자기 매체, CD-ROM, DVD, 기타 광학 매체, 펀치 카드, 종이 테이프, 구멍 패턴이 있는 기타 물리적 매체, RAM, PROM 및 EPROM, 플래시-EPROM, 기타 메모리 칩 또는 카트리지, 이하에서 설명하는 반송파, 또는 컴퓨터가 판독 가능한 기타 매체 등이 있다.

실행을 위해 하나 이상의 명령어의 하나 이상의 시퀀스를 프로세서(804)로 전달하는 데에는 다양한 형태의 컴퓨터 판독 가능한 매체가 관여될 수 있다. 예를 들어, 명령어는 처음에 원격 컴퓨터의 자기 디스크에 저장될 수 있다. 원격 컴퓨터는 명령어를 동적 메모리에 로드하고 모뎀을 사용하여 전화선을 통해 명령어를 전송할 수 있다. 컴퓨터 시스템(800)에 로컬인 모뎀은 전화선을 통해 데이터를 수신하고 적외선 송신기를 사용하여 데이터를 적외선 신호로 변환할 수 있다. 버스(802)에 결합된 적외선 검출기는 적외선 신호로 전달된 데이터를 수신하여 버스(802)에 데이터를 배치할 수 있다. 버스(802)는 데이터를 메인 메모리(806)로 전달하고, 프로세서(804)는 이로부터 명령어를 검색하고 실행한다. 메인 메모리(806)에 의해 수신된 명령어는 프로세서(804)에 의해 실행되기 전 또는 실행된 후에 선택적으로 저장 장치(810)에 저장될 수 있다.

컴퓨터 시스템(800)은 또한 버스(802)에 결합된 통신 인터페이스(818)를 포함할 수도 있다. 통신 인터페이스(818)는 로컬 네트워크(822)에 연결된 네트워크 링크(820)에 양방향 데이터 통신 결합을 제공한다. 예를 들어, 통신 인터페이스(818)는 상응하는 유형의 전화선에 데이터 통신 연결을 제공하기 위한 통합 서비스 디지털 네트워크(ISDN) 카드 또는 모뎀일 수 있다. 또 다른 예로서, 통신 인터페이스(818)는 호환 가능한 LAN에 데이터 통신 연결을 제공하기 위한 근거리 통신망(LAN) 카드일 수 있다. 무선 링크 또한 구현될 수 있다. 이러한 구현에서, 통신 인터페이스(818)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림을 전달하는 전기, 전자기, 또는 광학 신호를 송신 및 수신한다.

네트워크 링크(820)는 일반적으로 하나 이상의 네트워크를 통해 다른 데이터 장치에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(820)는 로컬 네트워크(822)를 통해 호스트 컴퓨터(824) 또는 인터넷 서비스 제공자(ISP, 826)에 의해 작동되는 데이터 장비에 대한 연결을 제공할 수 있다. ISP(826)는 전세계 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공하며, 이는 현재 일반적으로 "인터넷"(828)으로 불린다. 로컬 네트워크(822)와 인터넷(828)은 모두 디지털 데이터 스트림을 전달하는 전기, 전자기, 또는 광 신호를 사용한다. 다양한 네트워크를 통한 신호와, 네트워크 링크(820) 상의 신호, 및 컴퓨터 시스템(800)과 디지털 데이터를 주고받는 통신 인터페이스(818)를 통한 신호는 정보를 전달하는 반송파의 예시적인 형태이다.

컴퓨터 시스템(800)은 네트워크(들), 네트워크 링크(820), 및 통신 인터페이스(818)를 통해 메시지를 전송하고 프로그램 코드를 포함한 데이터를 수신할 수 있다. 인터넷 예시에서, 서버(830)는 인터넷(828), ISP(826), 로컬 네트워크(822), 및 통신 인터페이스(818)를 통해 애플리케이션 프로그램에 대한 요청된 코드를 전송할 수 있다. 그러한 다운로드된 애플리케이션 중 하나는, 예를 들어, 본 명세서에 설명된 방법의 전부 또는 일부를 제공할 수 있다. 수신된 코드는 수신되는 대로 프로세서(804)에 의해 실행될 수 있고/있거나 나중에 실행하기 위해 저장 장치(810) 또는 다른 비휘발성 스토리지에 저장될 수 있다. 이러한 방식으로, 컴퓨터 시스템(800)은 반송파의 형태로 애플리케이션 코드를 획득할 수 있다.

실시예들은 다음 항들을 사용하여 더 설명될 수 있다:

1. 컴퓨터에 의하여 실행될 때, 컴퓨터가 기판 상의 검사할 위치들을 식별하는 방법을 실행하도록 하는 명령어들을 갖는 비일시적 컴퓨터 판독 가능한 매체로서,

상기 방법은:

다른 기판들과 연관된 초기 트레이닝 데이터 세트를 사용해 트레이닝된 결함 위치 예측 모델의 제 1 하위 모델에 기반해, 검사할 기판 상에서 복수의 위치들을 선택하여 위치들 각각에 대한 결함 또는 무결함 예측을 생성하도록 하는 단계;

초기 트레이닝 데이터 세트를 사용해 트레이닝된 결함 위치 예측 모델의 제 2 하위 모델을 사용하여, 기판과 연관된 공정 관련 데이터에 기반해 위치들 각각에 대한 신뢰도 점수를 생성하는 단계 - 신뢰도 점수는, 대응하는 위치에 대한 예측의 신뢰도를 나타냄 - ;

위치들 중 신뢰도 점수가 복수의 신뢰도 임계값들 중 하나를 만족하는 위치들 각각을, 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계;

검사 결과 데이터를 획득하는 단계; 및

위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 결함 위치 예측 모델에 트레이닝 데이터로서 제공함에 따라 결함 위치 예측 모델을 점진적으로 트레이닝하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

2. 제 1 항에 있어서, 제 2 하위 모델을 점진적으로 트레이닝하는 단계는 반복 프로세스이고, 상기 프로세스에서 각 반복 단계는:

이전의 반복 단계들에서 검사된 적 없는 상이한 기판에 대한 검사 결과 데이터 및 공정 관련 데이터를 사용하여 제 1 하위 모델을 트레이닝하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

3. 제 1 항에 있어서, 위치들 각각을 추가하는 단계는:

대응하는 위치에 대한 결함 예측의 신뢰도 점수가 신뢰도 임계값들 중 제 1 신뢰도 임계값을 초과하는 경우, 위치들 각각을 위치 세트에 추가하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

4. 제 1 항에 있어서, 위치들 각각을 추가하는 단계는:

대응하는 위치에 대한 결함 또는 무결함 예측의 신뢰도 점수가 신뢰도 임계값들 중 제 2 신뢰도 임계값 미만인 경우, 위치들 각각을 위치 세트에 추가하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

5. 제 1 항에 있어서, 상기 방법은:

올바른 예측들의 수 및 예측들의 총수에 기반하여 결함 위치 예측 모델의 예측 정확도를 측정하는 단계를 더 포함하는, 컴퓨터 판독 가능한 매체.

6. 제 5 항에 있어서, 결함 위치 예측 모델을 점진적으로 트레이닝하는 단계로 인해 예측 정확도가 증가하는, 컴퓨터 판독 가능한 매체.

7. 제 5 항에 있어서, 상기 방법은:

예측 정확도의 변화에 기반하여 신뢰도 임계값들을 조정하는 단계를 더 포함하는, 컴퓨터 판독 가능한 매체.

8. 제 7 항에 있어서, 신뢰도 임계값들을 조정하는 단계는,

예측 정확도가 향상됨에 따라 신뢰도 임계값들 중 제 1 신뢰도 임계값을 감소시키는 단계를 포함하며,

제 1 신뢰도 임계값은, 위치들 중에서 결함 예측과 연관된 신뢰도 점수가 제 1 신뢰도 임계값을 초과하는 위치들을 선택하기 위해 사용되는, 컴퓨터 판독 가능한 매체.

9. 제 7 항에 있어서, 신뢰도 임계값들을 조정하는 단계는,

예측 정확도가 향상됨에 따라 신뢰도 임계값들 중 제 2 신뢰도 임계값을 감소시키는 단계를 포함하며,

제 2 신뢰도 임계값은, 위치들 중에서 결함 또는 무결함 예측과 연관된 신뢰도 점수가 제 2 신뢰도 임계값 미만인 위치들을 선택하기 위해 사용되는, 컴퓨터 판독 가능한 매체.

10. 제 7 항에 있어서, 신뢰도 임계값들을 조정하는 단계는,

예측 정확도가 악화됨에 따라 신뢰도 임계값들 중 제 1 신뢰도 임계값을 증가시키는 단계를 포함하며,

제 1 신뢰도 임계값은, 위치들 중에서 결함 예측과 연관된 신뢰도 점수가 제 1 신뢰도 임계값을 초과하는 위치들을 선택하기 위해 사용되는, 컴퓨터 판독 가능한 매체.

11. 제 7 항에 있어서, 신뢰도 임계값들을 조정하는 단계는,

예측 정확도가 악화됨에 따라 신뢰도 임계값들 중 제 2 신뢰도 임계값을 증가시키는 단계를 포함하며,

제 2 신뢰도 임계값은, 위치들 중에서 결함 또는 무결함 예측과 연관된 신뢰도 점수가 제 2 신뢰도 임계값 미만인 위치들을 선택하기 위해 사용되는, 컴퓨터 판독 가능한 매체.

12. 제 1 항에 있어서, 제 1 하위 모델은 예측들 각각에 대한 확률 값을 생성하도록 구성되며,

확률 값은 대응하는 위치가 결함 위치 또는 무결함 위치일 확률을 나타내는, 컴퓨터 판독 가능한 매체.

13. 제 1 항에 있어서, 신뢰도 점수를 생성하는 단계는:

위치들 중 특정 위치와 연관된 공정 관련 데이터와 초기 트레이닝 데이터 세트의 공정 관련 데이터 또는 결함 위치 예측 모델의 트레이닝에 사용된 트레이닝 데이터의 비교에 기반하여, 특정 위치에 대한 신뢰도 점수를 생성하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

14. 제 1 항에 있어서, 결함 위치 예측 모델은 복수의 제 1 하위 모델들을 포함하며,

신뢰도 점수를 생성하는 단계는:

위치들 중 특정 위치에 대한 예측과 연관된 확률 값을 제 1 하위 모델들 각각으로부터 획득하는 단계; 및

특정 위치에 대한 신뢰도 점수를 제 1 하위 모델들로부터 획득한 확률 값들에 대한 함수로서 생성하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

15. 제 1 항에 있어서, 검사 결과 데이터를 획득하는 단계는,

검사 시스템으로부터 검사 결과 데이터를 획득하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

16. 제 1 항에 있어서, 검사 결과 데이터는, 위치 세트의 각각의 위치에 대하여 해당 위치가 결함을 가지는지 여부에 관한 정보를 포함하는, 컴퓨터 판독 가능한 매체.

17. 제 16 항에 있어서, 검사 결과 데이터는, 위치 세트의 특정 위치에서 검출된 결함 수가 결함 임계값(defect threshold)을 만족하는 것에 기반하여 특정 위치가 결함을 가짐을 표시하는, 컴퓨터 판독 가능한 매체.

18. 제 1 항에 있어서, 공정 관련 데이터는, 위치들 각각에 대하여, 기판 상에 패턴을 형성하는 데 관여하는 다수의 공정과 연관된 데이터를 포함하는, 컴퓨터 판독 가능한 매체.

19. 제 18 항에 있어서, 데이터는 다수의 공정과 연관된 계측 데이터를 포함하는, 컴퓨터 판독 가능한 매체.

20. 제 1 항에 있어서, 초기 트레이닝 데이터 세트는 다수의 기판과 연관된 공정 관련 데이터를 포함하는, 컴퓨터 판독 가능한 매체.

21. 컴퓨터에 의하여 실행될 때, 머신 러닝 모델을 사용하여 제 1 기판 상의 검사할 위치들을 식별하고, 제 1 기판 상의 위치들에 대한 검사 결과에 기반하여 제 2 기판 상의 검사할 위치들을 식별하도록 머신 러닝 모델을 트레이닝하기 위한 방법을 컴퓨터로 하여금 실행하도록 하는 명령어들을 갖는 비일시적 컴퓨터 판독 가능한 매체로서,

상기 방법은:

기판과 연관된 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계;

결함 위치 예측 모델을 사용하여, 기판 상의 복수의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하는 단계 - 각각의 예측은, 대응하는 위치에 대한 예측의 신뢰도를 나타내는 신뢰도 점수와 연관됨 - ;

위치들 중 신뢰도 점수가 복수의 신뢰도 임계값들 중 하나를 만족하는 위치들 각각을 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계;

검사 시스템으로부터 위치 세트에 대한 검사 결과 데이터를 획득하는 단계; 및

결함 위치 예측 모델의 트레이닝을 위해, 위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계를 포함하는, 컴퓨터 판독 가능한 저장 매체.

22. 제 21 항에 있어서, 상기 방법은:

결함 위치 예측 모델을 점진적으로 트레이닝하는 단계를 더 포함하며,

점진적으로 트레이닝하는 단계는 반복 프로세스이고, 상기 프로세스에서 각 반복 단계는:

이전의 반복 단계들에서 검사된 적 없는 상이한 기판에 대한 검사 결과 데이터 및 공정 관련 데이터를 사용하여 결함 위치 예측 모델을 트레이닝하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

23. 제 21 항에 있어서, 위치들 각각을 추가하는 단계는:

대응하는 위치에 대한 결함 예측의 신뢰도 점수가 신뢰도 임계값들 중 제 1 신뢰도 임계값을 초과하는 경우, 위치들 각각을 위치 세트에 추가하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

24. 제 21 항에 있어서, 위치들 각각을 추가하는 단계는:

대응하는 위치에 대한 결함 또는 무결함 예측의 신뢰도 점수가 신뢰도 임계값들 중 제 2 신뢰도 임계값 미만인 경우, 위치들 각각을 위치 세트에 추가하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

25. 제 21 항에 있어서, 상기 방법은:

올바른 예측들의 수 및 예측들의 총수에 기반하여 결함 위치 예측 모델의 예측 정확도를 측정하는 단계를 더 포함하는, 컴퓨터 판독 가능한 매체.

26. 제 25 항에 있어서, 상기 방법은:

예측 정확도의 변화에 기반하여 신뢰도 임계값들을 조정하는 단계를 더 포함하는, 컴퓨터 판독 가능한 매체.

27. 제 21 항에 있어서, 예측을 생성하는 단계는:

기판의 공정 관련 데이터를 입력하기 전에, 다른 기판들과 연관된 초기 트레이닝 데이터 세트 - 초기 트레이닝 데이터 세트는 다른 기판들의 공정 관련 데이터를 포함함 - 를 사용해 결함 위치 예측 모델을 트레이닝하여, 대응하는 기판의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하도록 하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

28. 제 21 항에 있어서, 예측을 생성하는 단계는:

위치들 중 특정 위치와 연관된 공정 관련 데이터와 결함 위치 예측 모델의 트레이닝에 사용된 다른 기판들과 연관된 공정 관련 데이터의 비교에 기반하여, 특정 위치에 대한 신뢰도 점수를 생성하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

29. 제 21 항에 있어서, 예측을 생성하는 단계는:

위치들 중 특정 위치에 대한 결함 또는 무결함 예측과 연관된 확률 값을 복수의 예측 모델들 각각으로부터 획득하는 단계; 및

특정 위치에 대한 신뢰도 점수를 예측 모델들로부터 획득한 확률 값들에 대한 함수로서 생성하는 단계를 포함하는, 컴퓨터 판독 가능한 매체.

30. 머신 러닝 모델을 사용하여 제 1 기판 상의 검사할 위치들을 식별하고, 제 1 기판 상의 위치들에 대한 검사 결과에 기반하여 제 2 기판 상의 검사할 위치들을 식별하도록 머신 러닝 모델을 트레이닝하기 위한 방법으로서,

기판과 연관된 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계;

결함 위치 예측 모델을 사용하여, 기판 상의 복수의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하는 단계 - 각각의 예측은, 대응하는 위치에 대한 예측의 신뢰도를 나타내는 신뢰도 점수와 연관됨 - ;

위치들 중 신뢰도 점수가 신뢰도 임계값을 만족하는 위치들 각각을 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계;

검사 시스템으로부터 위치 세트에 대한 검사 결과 데이터를 획득하는 단계; 및

결함 위치 예측 모델의 트레이닝을 위해, 위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계를 포함하는, 방법.

31. 제 30 항에 있어서,

결함 위치 예측 모델을 점진적으로 트레이닝하는 단계를 더 포함하며,

점진적으로 트레이닝하는 단계는 반복 프로세스이고, 상기 프로세스에서 각 반복 단계는:

이전의 반복 단계들에서 검사된 적 없는 상이한 기판에 대한 검사 결과 데이터 및 공정 관련 데이터를 사용하여 결함 위치 예측 모델을 트레이닝하는 단계를 포함하는, 방법.

32. 제 30 항에 있어서, 위치들 각각을 추가하는 단계는:

대응하는 위치에 대한 결함 예측의 신뢰도 점수가 신뢰도 임계값들 중 제 1 신뢰도 임계값을 초과하는 경우, 위치들 각각을 위치 세트에 추가하는 단계를 포함하는, 방법.

33. 제 30 항에 있어서, 위치들 각각을 추가하는 단계는:

대응하는 위치에 대한 결함 또는 무결함 예측의 신뢰도 점수가 신뢰도 임계값들 중 제 2 신뢰도 임계값 미만인 경우, 위치들 각각을 위치 세트에 추가하는 단계를 포함하는, 방법.

34. 제 30 항에 있어서,

올바른 예측들의 수 및 예측들의 총수에 기반하여 결함 위치 예측 모델의 예측 정확도를 측정하는 단계를 더 포함하는, 방법.

35. 제 34 항에 있어서,

예측 정확도의 변화에 기반하여 신뢰도 임계값들을 조정하는 단계를 더 포함하는, 방법.

36. 제 30 항에 있어서, 예측을 생성하는 단계는:

기판의 공정 관련 데이터를 입력하기 전에, 다른 기판들과 연관된 초기 트레이닝 데이터 세트를 사용해 결함 위치 예측 모델을 트레이닝하여, 대응하는 기판의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하도록 하는 단계를 포함하는, 방법.

37. 제 30 항에 있어서, 예측을 생성하는 단계는:

위치들 중 특정 위치와 연관된 공정 관련 데이터와 결함 위치 예측 모델의 트레이닝에 사용된 다른 기판들과 연관된 공정 관련 데이터의 비교에 기반하여, 특정 위치에 대한 신뢰도 점수를 생성하는 단계를 포함하는, 방법.

38. 제 30 항에 있어서, 예측을 생성하는 단계는:

위치들 중 특정 위치가 결함 또는 무결함인지에 대한 예측과 연관된 확률 값을 복수의 예측 모델들 각각으로부터 획득하는 단계; 및

특정 위치에 대한 신뢰도 점수를 예측 모델들로부터 획득한 확률 값들에 대한 함수로서 생성하는 단계를 포함하는, 방법.

39. 머신 러닝 모델을 사용하여 제 1 기판 상의 검사할 위치들을 식별하고, 상기 제 1 기판 상의 위치들에 대한 검사 결과에 기반하여 제 2 기판 상의 검사할 위치들을 식별하도록 머신 러닝 모델을 트레이닝하기 위한 장치로서:

명령어 세트를 저장하는 메모리; 및

장치가 방법을 수행하도록 하는 명령어 세트를 실행하도록 구성되는 적어도 하나의 프로세서를 포함하며,

상기 방법은:

기판과 연관된 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계;

결함 위치 예측 모델을 사용하여, 기판 상의 복수의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하는 단계 - 각각의 예측은, 대응하는 위치에 대한 예측의 신뢰도를 나타내는 신뢰도 점수와 연관됨 - ;

위치들 중 신뢰도 점수가 신뢰도 임계값을 만족하는 위치들 각각을 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계;

검사 시스템으로부터 위치 세트에 대한 검사 결과 데이터를 획득하는 단계; 및

결함 위치 예측 모델의 트레이닝을 위해, 위치 세트에 대한 검사 결과 데이터 및 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계를 포함하는, 장치.

40. 제 39 항에 있어서, 상기 방법은:

결함 위치 예측 모델을 점진적으로 트레이닝하는 단계를 더 포함하며,

점진적으로 트레이닝하는 단계는 반복 프로세스이고, 상기 프로세스에서 각 반복 단계는:

이전의 반복 단계들에서 검사된 적 없는 상이한 기판에 대한 검사 결과 데이터 및 공정 관련 데이터를 사용하여 결함 위치 예측 모델을 트레이닝하는 단계를 포함하는, 장치.

41. 제 39 항에 있어서, 위치들 각각을 추가하는 단계는:

대응하는 위치에 대한 결함 예측의 신뢰도 점수가 신뢰도 임계값들 중 제 1 신뢰도 임계값을 초과하는 경우, 위치들 각각을 위치 세트에 추가하는 단계를 포함하는, 장치.

42. 제 39 항에 있어서, 위치들 각각을 추가하는 단계는:

대응하는 위치에 대한 결함 또는 무결함 예측의 신뢰도 점수가 신뢰도 임계값들 중 제 2 신뢰도 임계값 미만인 경우, 위치들 각각을 위치 세트에 추가하는 단계를 포함하는, 장치.

43. 제 39 항에 있어서, 상기 방법은:

올바른 예측들의 수 및 예측들의 총수에 기반하여 결함 위치 예측 모델의 예측 정확도를 측정하는 단계를 더 포함하는, 장치.

44. 제 43 항에 있어서, 상기 방법은:

예측 정확도의 변화에 기반하여 신뢰도 임계값들을 조정하는 단계를 더 포함하는, 장치.

45. 제 39 항에 있어서, 예측을 생성하는 단계는:

기판의 공정 관련 데이터를 입력하기 전에, 다른 기판들과 연관된 초기 트레이닝 데이터 세트를 사용해 결함 위치 예측 모델을 트레이닝하여, 대응하는 기판의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하도록 하는 단계를 포함하는, 장치.

46. 제 39 항에 있어서, 예측을 생성하는 단계는:

위치들 중 특정 위치와 연관된 공정 관련 데이터와 결함 위치 예측 모델의 트레이닝에 사용된 다른 기판들과 연관된 공정 관련 데이터의 비교에 기반하여, 특정 위치에 대한 신뢰도 점수를 생성하는 단계를 포함하는, 장치.

47. 제 39 항에 있어서, 예측을 생성하는 단계는:

위치들 중 특정 위치에 대한 결함 또는 무결함 예측과 연관된 확률 값을 복수의 예측 모델들 각각으로부터 획득하는 단계; 및

특정 위치에 대한 신뢰도 점수를 예측 모델들로부터 획득한 확률 값들에 대한 함수로서 생성하는 단계를 포함하는, 장치.

48. 명령어들이 기록된 비일시적 컴퓨터 판독 가능한 저장 매체로서, 컴퓨터에 의해 실행될 때 상기 명령어들은 제 1 항 내지 제 47 항 중 어느 한 항에 따른 방법을 구현하는, 컴퓨터 판독 가능한 저장 매체.

제어기[예를 들어, 도 1의 제어기(50)]의 프로세서가 이미지 검사, 이미지 획득, 스테이지 포지셔닝, 빔 포커싱, 전기장 조정, 빔 벤딩, 집속 렌즈 조정, 하전 입자 소스 활성화, 빔 편향, 및 적어도 프로세스(600 및 700)의 일부를 수행하기 위한 명령어를 저장하는 비일시적 컴퓨터 판독 가능한 매체가 제공될 수 있다. 비일시적 매체의 일반적인 형태는, 예를 들어, 플로피 디스크, 플렉시블 디스크, 하드 디스크, 솔리드 스테이트 드라이브, 자기 테이프 또는 기타 자기 데이터 저장 매체, 컴팩트 디스크 읽기 전용 메모리(CD-ROM), 기타 광학 데이터 저장 매체, 구멍 패턴이 있는 물리적 매체, 랜덤 액세스 메모리(RAM), 프로그램 가능 읽기 전용 메모리(PROM) 및 지울 수 있는 프로그램 가능 읽기 전용 메모리(EPROM), 플래시-EPROM 또는 기타 플래시 메모리, 비휘발성 랜덤 액세스 메모리(NVRAM), 캐시, 레지스터, 기타 메모리 칩 또는 카트리지, 및 이들의 네트워크 버전을 포함한다.

도면 내 구성요소의 상대적 치수는 명확성을 위해 과장되었을 수 있다. 도면의 설명 내에서, 동일하거나 유사한 참조 번호는 동일하거나 유사한 구성요소 또는 개체를 지칭하며, 개별 실시예와 관련된 차이점만 설명된다. 본 명세서에서 사용되는 "또는"이라는 용어는 특별히 달리 명시되지 않는 한, 실현 불가능한 경우를 제외하고 가능한 모든 조합을 포함한다. 예를 들어, 구성요소가 A 또는 B를 포함할 수 있다고 명시된 경우, 특별히 달리 명시되지 않거나 실현 불가능한 경우를 제외하고, 구성요소는 A 또는 B를 포함하거나 A와 B를 포함할 수 있다. 두 번째 예로서, 구성요소가 A, B, 또는 C를 포함할 수 있다고 명시된 경우, 특별히 달리 명시되거나 실현 불가능한 경우를 제외하고, 구성요소는 A, 또는 B, 또는 C, 또는 A와 B, 또는 A와 C, 또는 B와 C, 또는 A와 B 및 C를 포함할 수 있다.

본 발명의 실시예들은 위에서 설명되고 첨부된 도면에 예시된 정확한 구성에만 한정되지 않으며, 그 범위를 벗어나지 않고 다양한 수정 및 변경이 이루어질 수 있음이 이해될 것이다. 본 발명은 다양한 실시예와 관련하여 설명되었으며, 본 발명의 다른 실시예는 여기에 개시된 본 발명의 명세서 및 실시예를 고려함으로써 당업자에게 명백할 것이다. 명세서 및 실시예는 단지 예시적인 것으로 간주되어야 하며, 본 발명의 진정한 범위와 사상은 아래의 청구범위에 의해 표시될 것이다.

설명은 예시적인 것이며 제한적인 것이 아니다. 따라서, 당업자에게는 아래에 기재된 청구범위의 범위를 벗어나지 않고 설명된 대로 수정이 이루어질 수 있음이 명백할 것이다.

Claims (15)

1. 컴퓨터에 의하여 실행될 때, 상기 컴퓨터가 기판 상의 검사할 위치들을 식별하는 방법을 실행하도록 하는 명령어들을 갖는 비일시적(non-transitory) 컴퓨터 판독 가능한 매체로서,
   상기 방법은:
   다른 기판들과 연관된 초기 트레이닝 데이터 세트를 사용해 트레이닝된 결함 위치 예측 모델의 제 1 하위 모델(sub-model)에 기반해, 검사할 기판 상에서 복수의 위치들을 선택하여 상기 위치들 각각에 대한 결함 또는 무결함(non-defect) 예측을 생성하도록 하는 단계;
   상기 초기 트레이닝 데이터 세트를 사용해 트레이닝된 상기 결함 위치 예측 모델의 제 2 하위 모델을 사용하여, 상기 기판과 연관된 공정 관련 데이터(process-related data)에 기반해 상기 위치들 각각에 대한 신뢰도 점수를 생성하는 단계 - 상기 신뢰도 점수는, 대응하는 위치에 대한 상기 예측의 신뢰도를 나타냄 - ;
   상기 위치들 중 상기 신뢰도 점수가 복수의 신뢰도 임계값들 중 하나를 만족하는 위치들 각각을, 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계;
   검사 결과 데이터를 획득하는 단계; 및
   상기 위치 세트에 대한 상기 검사 결과 데이터 및 공정 관련 데이터를 상기 결함 위치 예측 모델에 트레이닝 데이터로서 제공함에 따라 상기 결함 위치 예측 모델을 점진적으로(incrementally) 트레이닝하는 단계를 포함하는,
   컴퓨터 판독 가능한 매체.
2. 제 1 항에 있어서,
   상기 제 2 하위 모델을 점진적으로 트레이닝하는 단계는 반복 프로세스(iterative process)이고, 상기 프로세스에서 각 반복 단계는:
   이전의 반복 단계들에서 검사된 적 없는 상이한 기판에 대한 검사 결과 데이터 및 공정 관련 데이터를 사용하여 상기 제 1 하위 모델을 트레이닝하는 단계를 포함하는,
   컴퓨터 판독 가능한 매체.
3. 제 1 항에 있어서,
   상기 위치들 각각을 추가하는 단계는:
   상기 대응하는 위치에 대한 상기 결함 예측의 상기 신뢰도 점수가 상기 신뢰도 임계값들 중 제 1 신뢰도 임계값을 초과하는 경우, 상기 위치들 각각을 상기 위치 세트에 추가하는 단계를 포함하는,
   컴퓨터 판독 가능한 매체.
4. 제 1 항에 있어서,
   상기 위치들 각각을 추가하는 단계는:
   상기 대응하는 위치에 대한 상기 결함 또는 무결함 예측의 상기 신뢰도 점수가 상기 신뢰도 임계값들 중 제 2 신뢰도 임계값 미만인 경우, 상기 위치들 각각을 상기 위치 세트에 추가하는 단계를 포함하는,
   컴퓨터 판독 가능한 매체.
5. 제 1 항에 있어서,
   상기 방법은:
   올바른 예측들의 수 및 예측들의 총수에 기반하여 상기 결함 위치 예측 모델의 예측 정확도를 측정하는 단계를 더 포함하는,
   컴퓨터 판독 가능한 매체.
6. 제 5 항에 있어서,
   상기 결함 위치 예측 모델을 점진적으로 트레이닝하는 단계로 인해 상기 예측 정확도가 증가하는,
   컴퓨터 판독 가능한 매체.
7. 제 5 항에 있어서,
   상기 방법은:
   상기 예측 정확도의 변화에 기반하여 상기 신뢰도 임계값들을 조정하는 단계를 더 포함하는,
   컴퓨터 판독 가능한 매체.
8. 제 7 항에 있어서,
   상기 신뢰도 임계값들을 조정하는 단계는,
   상기 예측 정확도가 향상됨에 따라 상기 신뢰도 임계값들 중 제 1 신뢰도 임계값을 감소시키는 단계를 포함하며,
   상기 제 1 신뢰도 임계값은, 상기 위치들 중에서 상기 결함 예측과 연관된 상기 신뢰도 점수가 상기 제 1 신뢰도 임계값을 초과하는 위치들을 선택하기 위해 사용되는,
   컴퓨터 판독 가능한 매체.
9. 제 7 항에 있어서,
   상기 신뢰도 임계값들을 조정하는 단계는,
   상기 예측 정확도가 향상됨에 따라 상기 신뢰도 임계값들 중 제 2 신뢰도 임계값을 감소시키는 단계를 포함하며,
   상기 제 2 신뢰도 임계값은, 상기 위치들 중에서 상기 결함 또는 무결함 예측과 연관된 상기 신뢰도 점수가 상기 제 2 신뢰도 임계값 미만인 위치들을 선택하기 위해 사용되는,
   컴퓨터 판독 가능한 매체.
10. 제 7 항에 있어서,
    상기 신뢰도 임계값들을 조정하는 단계는,
    상기 예측 정확도가 악화됨에 따라 상기 신뢰도 임계값들 중 제 1 신뢰도 임계값을 증가시키는 단계를 포함하며,
    상기 제 1 신뢰도 임계값은, 상기 위치들 중에서 상기 결함 예측과 연관된 상기 신뢰도 점수가 상기 제 1 신뢰도 임계값을 초과하는 위치들을 선택하기 위해 사용되는,
    컴퓨터 판독 가능한 매체.
11. 제 7 항에 있어서,
    상기 신뢰도 임계값들을 조정하는 단계는,
    상기 예측 정확도가 악화됨에 따라 상기 신뢰도 임계값들 중 제 2 신뢰도 임계값을 증가시키는 단계를 포함하며,
    상기 제 2 신뢰도 임계값은, 상기 위치들 중에서 상기 결함 또는 무결함 예측과 연관된 상기 신뢰도 점수가 상기 제 2 신뢰도 임계값 미만인 위치들을 선택하기 위해 사용되는,
    컴퓨터 판독 가능한 매체.
12. 제 1 항에 있어서,
    상기 제 1 하위 모델은 상기 예측들 각각에 대한 확률 값을 생성하도록 구성되며,
    상기 확률 값은 상기 대응하는 위치가 결함 위치 또는 무결함 위치일 확률을 나타내는,
    컴퓨터 판독 가능한 매체.
13. 제 1 항에 있어서,
    상기 신뢰도 점수를 생성하는 단계는:
    상기 위치들 중 특정 위치와 연관된 공정 관련 데이터와 상기 초기 트레이닝 데이터 세트의 공정 관련 데이터 또는 상기 결함 위치 예측 모델의 트레이닝에 사용된 상기 트레이닝 데이터의 비교에 기반하여, 상기 특정 위치에 대한 상기 신뢰도 점수를 생성하는 단계를 포함하는,
    컴퓨터 판독 가능한 매체.
14. 제 1 항에 있어서,
    상기 결함 위치 예측 모델은 복수의 제 1 하위 모델들을 포함하며,
    상기 신뢰도 점수를 생성하는 단계는:
    상기 위치들 중 특정 위치에 대한 상기 예측과 연관된 확률 값을 상기 제 1 하위 모델들 각각으로부터 획득하는 단계; 및
    상기 특정 위치에 대한 상기 신뢰도 점수를 상기 제 1 하위 모델들로부터 획득한 상기 확률 값들에 대한 함수로서 생성하는 단계를 포함하는,
    컴퓨터 판독 가능한 매체.
15. 머신 러닝 모델을 사용하여 제 1 기판 상의 검사할 위치들을 식별하고, 상기 제 1 기판 상의 상기 위치들에 대한 검사 결과에 기반하여 제 2 기판 상의 검사할 위치들을 식별하도록 상기 머신 러닝 모델을 트레이닝하기 위한 장치로서:
    명령어 세트를 저장하는 메모리; 및
    상기 장치가 방법을 수행하도록 하는 상기 명령어 세트를 실행하도록 구성되는 적어도 하나의 프로세서를 포함하며,
    상기 방법은:
    기판과 연관된 공정 관련 데이터를 결함 위치 예측 모델에 입력하는 단계;
    상기 결함 위치 예측 모델을 사용하여, 상기 기판 상의 복수의 위치들 각각에 대한 결함 또는 무결함 예측을 생성하는 단계 - 각각의 예측은, 대응하는 위치에 대한 상기 예측의 신뢰도를 나타내는 신뢰도 점수와 연관됨 - ;
    상기 위치들 중 상기 신뢰도 점수가 신뢰도 임계값을 만족하는 위치들 각각을 검사 시스템에 의해 검사될 위치 세트에 추가하는 단계;
    상기 검사 시스템으로부터 상기 위치 세트에 대한 검사 결과 데이터를 획득하는 단계; 및
    상기 결함 위치 예측 모델의 트레이닝을 위해, 상기 위치 세트에 대한 상기 검사 결과 데이터 및 공정 관련 데이터를 상기 결함 위치 예측 모델에 입력하는 단계를 포함하는,
    장치.

Images