KR20230140394A - 반도체 시편의 기계 학습 기반 검사 및 그의 훈련 - Google Patents

반도체 시편의 기계 학습 기반 검사 및 그의 훈련 Download PDF

Info

Publication number
KR20230140394A
KR20230140394A KR1020230037733A KR20230037733A KR20230140394A KR 20230140394 A KR20230140394 A KR 20230140394A KR 1020230037733 A KR1020230037733 A KR 1020230037733A KR 20230037733 A KR20230037733 A KR 20230037733A KR 20230140394 A KR20230140394 A KR 20230140394A
Authority
KR
South Korea
Prior art keywords
training
inspection
image
runtime
training image
Prior art date
Application number
KR1020230037733A
Other languages
English (en)
Inventor
탈 벤-슐로모
샬롬 엘카얌
샤울 코헨
토머 하임 펠레드
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 KR20230140394A publication Critical patent/KR20230140394A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/303—Accessories, mechanical or electrical features calibrating, standardising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/304—Accessories, mechanical or electrical features electric circuits, signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/305—Accessories, mechanical or electrical features computer simulations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/419—Imaging computed tomograph
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6113—Specific applications or type of materials patterned objects; electronic devices printed circuit board [PCB]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computer Hardware Design (AREA)
  • Analytical Chemistry (AREA)
  • Power Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)

Abstract

반도체 시편의 런타임 검사의 시스템 및 방법이 제공된다. 방법은, 시편의 검사 영역을 나타내는 런타임 이미지 - 런타임 이미지는 비교적 낮은 신호 대 잡음 비(SNR)를 가짐 - 를 획득하는 단계; 및 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해 기계 학습(ML) 모델을 사용하여 런타임 이미지를 처리하는 단계를 포함하고, ML 모델은 하나 이상의 훈련 샘플을 사용하여, 주어진 검사 응용에 대해 미리 훈련되고, 각각의 훈련 샘플은 검사 영역과 동일한 설계 패턴을 공유하는 각각의 기준 영역을 나타내고, 비교적 낮은 SNR을 갖는, 각각의 기준 영역의 제1 훈련 이미지; 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득된다.

Description

반도체 시편의 기계 학습 기반 검사 및 그의 훈련{MACHINE LEARNING BASED EXAMINATION OF A SEMICONDUCTOR SPECIMEN AND TRAINING THEREOF}
본 개시된 주제는 일반적으로, 반도체 시편의 검사 분야에 관한 것으로, 더 구체적으로, 구체적으로 훈련된 기계 학습 모델을 사용하는 시편의 검사에 관한 것이다.
제조되는 디바이스들의 극초대규모 집적 회로와 연관된, 높은 밀도 및 성능에 대한 현재의 요구들은 미크론미만 피쳐들, 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 필요로 한다. 반도체 프로세스들이 진전됨에 따라, 패턴 치수들, 예컨대, 라인 폭, 및 다른 유형들의 임계 치수들이 연속적으로 축소된다. 그러한 요구들은 높은 정밀도 및 균일성으로 디바이스 피쳐들을 형성하는 것을 필요로 하며, 이는 차례로, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 되어 있는 동안 디바이스들의 자동화된 검사를 포함하는, 제조 프로세스의 주의 깊은 모니터링을 요한다.
런타임 검사는 일반적으로, 2단계 절차, 예를 들어, 시편의 검사 및 이어서, 잠재적 결함들의 샘플링된 위치들의 검토를 채용할 수 있다. 검사는 일반적으로, 광 또는 전자들을 웨이퍼쪽으로 지향시키고 웨이퍼로부터의 광 또는 전자들을 검출함으로써 시편에 대한 특정 출력(예를 들어, 이미지들, 신호들 등)을 생성하는 것을 수반한다. 제1 단계 동안, 시편의 표면은 고속 및 비교적 저해상도로 검사된다. 결함 검출은 전형적으로, 결함 검출 알고리즘을 검사 출력에 적용함으로써 수행된다. 결함의 높은 확률을 갖는, 시편 상의 의심되는 위치들을 보여주기 위해 결함 맵이 생성된다. 제2 단계 동안, 결함들의 상이한 파라미터들, 예컨대, 부류들, 두께, 거칠기, 크기 등을 결정하기 위해, 의심되는 위치들 중 적어도 일부가, 비교적 높은 해상도로 더 철저하게 분석된다.
검사는 검사될 시편의 제조 동안 또는 제조 이후에 비파괴적 검사 툴들을 사용함으로써 제공될 수 있다. 다양한 비파괴적 검사 툴들은, 비제한적인 예로서, 주사 전자 현미경들, 원자력 현미경들, 광학 검사 툴들 등을 포함한다. 일부 경우들에서, 2개의 단계들 양쪽 모두, 동일한 검사 툴에 의해 구현될 수 있고, 일부 다른 경우들에서는, 이러한 2개의 단계들은 상이한 검사 툴들에 의해 구현된다.
검사 프로세스들은 복수의 검사 단계들을 포함할 수 있다. 반도체 디바이스의 제조 프로세스는 다양한 절차들, 예컨대, 식각, 퇴적, 평탄화, 성장, 예컨대, 에피택셜 성장, 주입 등을 포함할 수 있다. 검사 단계들은, 예를 들어, 특정 프로세스 절차들 후에, 및/또는 특정 층들의 제조 후에 등에 여러 번 수행될 수 있다. 추가적으로 또는 대안적으로, 각각의 검사 단계는, 예를 들어, 상이한 웨이퍼 위치들에 대해 또는 상이한 검사 설정들로 동일한 웨이퍼 위치들에 대해 다수 회 반복될 수 있다.
예로서, 검사 프로세스들은, 시편들 상의 결함들을 검출하고 분류할 뿐만 아니라 계측 관련 작동들을 수행하기 위해, 반도체 제조 동안 다양한 단계들에 사용된다. 검사의 유효성은, 예를 들어, 결함 검출, 자동 결함 분류(ADC), 자동 결함 검토(ADR), 이미지 세그먼트화, 자동화된 계측 관련 작동들 등과 같은 프로세스(들)의 자동화에 의해 개선될 수 있다. 자동화된 검사 시스템들은, 제조된 부품들이, 예상되는 품질 표준들을 충족시키는 것을 보장하고, 식별된 결함들의 유형에 따라, 제조 툴들, 장비, 및/또는 조성물들에 필요할 수 있는 조정들에 대한 유용한 정보를 제공한다.
일부 경우들에서, 더 높은 수율을 촉진하기 위해 기계 학습 기술들이, 자동화된 검사 프로세스를 보조하는 데 사용될 수 있다. 예를 들어, 감독 기계 학습(supervised machine learning)은, 충분히 주석이 부기된(annotated) 훈련 이미지들에 기초하여 특정 검사 응용들을 자동화하기 위한 정확하고 효율적인 해결책들을 가능하게 하는 데 사용될 수 있다.
본 개시된 주제의 특정 양상들에 따라, 반도체 시편의 런타임 검사의 컴퓨터화된 시스템이 제공되고, 시스템은 처리 및 메모리 회로(PMC)를 포함하고, PMC는: 반도체 시편의 검사 영역을 나타내는 런타임 이미지 - 런타임 이미지는 비교적 낮은 신호 대 잡음 비(SNR)를 가짐 - 를 획득하고; 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해 기계 학습(ML) 모델을 사용하여 런타임 이미지를 처리하도록 구성되고, ML 모델은 하나 이상의 훈련 샘플을 사용하여, 주어진 검사 응용에 대해 미리 훈련되고, 각각의 훈련 샘플은 검사 영역과 동일한 설계 패턴을 공유하는 각각의 기준 영역을 나타내고, 런타임 이미지의 낮은 SNR과 유사한 비교적 낮은 SNR을 갖는, 각각의 기준 영역의 제1 훈련 이미지; 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득된다.
상기 특징들 외에도, 본 개시된 주제의 이 양상에 따른 시스템은 아래에 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
(i). 런타임 이미지 및 하나 이상의 훈련 샘플은 전자 빔 툴에 의해 취득된다.
(ii). 주어진 검사 응용은: 런타임 이미지를 검사 영역의 하나 이상의 세그먼트로 세그먼트화하기 위한 세그먼트화 응용, 검사 영역의 구조적 요소에 대한 하나 이상의 측정치를 획득하기 위한 계측 응용, 검사 영역의 하나 이상의 결함 후보를 검출하기 위한 결함 검출 응용, 및 검사 영역의 하나 이상의 결함을 분류하기 위한 결함 분류 응용 중 하나이다.
(iii). 제1 훈련 이미지는 기준 영역에 대해 취득된 제1 개수의 훈련 프레임들에 기초하여 생성되고, 제2 훈련 이미지는 기준 영역에 대해 취득된 제2 개수의 훈련 프레임들에 기초하여 생성된다. 제1 개수는 제2 개수보다 작고, 런타임 이미지는 제1 개수의 런타임 프레임들에 기초하여 생성된다.
(iv). 제2 개수의 훈련 프레임들은 제1 개수의 훈련 프레임들을 포함한다.
(v). 제1 훈련 이미지는 전자들의 제1 선량에 기초하여 생성되고, 제2 훈련 이미지는 전자들의 제2 선량에 기초하여 생성된다. 제1 선량은 제2 선량 미만이고, 런타임 이미지는 전자들의 제1 선량에 기초하여 생성된다.
(vi). 표지 데이터는: 수동 주석부기, 설계 데이터에 기초한 합성적으로 생성된 표지들, 기계 학습으로 도출된 표지들, 또는 이들의 조합 중 적어도 하나에 기초하여 획득된다.
(vii). 제1 훈련 이미지와 제2 훈련 이미지는, 제1 훈련 이미지와 표지 데이터가 정렬되도록, 제1 훈련 이미지와 제2 훈련 이미지 사이의 오프셋을 보정하기 위해 정합된다.
(viii). 제1 훈련 이미지는 제2 훈련 이미지의 취득 이전에 취득된다.
(ix). 검사 영역은, 비교적 낮은 SNR을 갖는 이미지들을 통해서만 검사가능한, 반도체 시편의 민감 층의 일부이다.
(x). 주어진 검사 응용은 런타임 이미지를 검사 영역의 하나 이상의 세그먼트로 세그먼트화하기 위한 세그먼트화 응용이고, 표지 데이터는 런타임 이미지의 적어도 일부의 각각의 픽셀이 속하는 하나 이상의 세그먼트 중 특정 세그먼트를 나타낸다.
(xi). 검사 영역은 반도체 시편의 검사 다이로부터의 것이고, 각각의 기준 영역은 반도체 시편 또는 상이한 반도체 시편의 기준 다이로부터의 것이다.
(xii). 비교적 낮은 SNR 및 비교적 높은 SNR은 서로에 대해, 또는 임계치에 대해 상대적이다.
본 개시된 주제의 다른 양상들에 따라, 반도체 시편의 런타임 검사의 방법이 제공되고, 방법은 프로세서 및 메모리 회로(PMC)에 의해 수행되고, 방법은: 반도체 시편의 검사 영역을 나타내는 런타임 이미지 - 런타임 이미지는 비교적 낮은 신호 대 잡음 비(SNR)를 가짐 - 를 획득하는 단계; 및 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해 기계 학습(ML) 모델을 사용하여 런타임 이미지를 처리하는 단계를 포함하고, ML 모델은 하나 이상의 훈련 샘플을 사용하여, 주어진 검사 응용에 대해 미리 훈련되고, 각각의 훈련 샘플은 검사 영역과 동일한 설계 패턴을 공유하는 각각의 기준 영역을 나타내고, 런타임 이미지의 낮은 SNR과 유사한 비교적 낮은 SNR을 갖는, 각각의 기준 영역의 제1 훈련 이미지; 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득된다.
본 개시된 주제의 다른 양상들에 따라, 반도체 시편을 검사하는 데 사용가능한 기계 학습 모델을 훈련시키는 방법이 제공되고, 방법은 프로세서 및 메모리 회로(PMC)에 의해 수행되고, 방법은: 하나 이상의 훈련 샘플을 포함하는 훈련 세트를 획득하는 단계 - 각각의 훈련 샘플은 주어진 설계 패턴을 갖는 각각의 기준 영역을 나타내고, 훈련 샘플은: 비교적 낮은 신호 대 잡음 비(SNR)를 갖는 제1 훈련 이미지; 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득됨 -; 및 훈련 세트를 사용하여, 주어진 검사 응용에 대해 ML 모델을 훈련시키는 단계를 포함하고; ML 모델은, 훈련될 시에, 주어진 설계 패턴과 동일한 설계 패턴을 공유하는 시편의 검사 영역을 나타내는 런타임 이미지를 처리하고 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하는 데 사용가능하고, 런타임 이미지는 제1 훈련 이미지의 낮은 SNR과 유사한 비교적 낮은 SNR을 갖는다.
개시된 주제의 이러한 양상들은 시스템과 관련하여 위에서 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
본 개시된 주제의 다른 양상들에 따라, 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체가 제공되고, 명령어들은 컴퓨터에 의해 실행될 때 컴퓨터로 하여금 반도체 시편의 런타임 검사의 방법을 수행하게 하고, 방법은: 반도체 시편의 검사 영역을 나타내는 런타임 이미지 - 런타임 이미지는 비교적 낮은 신호 대 잡음 비(SNR)를 가짐 - 를 획득하는 단계; 및 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해 기계 학습(ML) 모델을 사용하여 런타임 이미지를 처리하는 단계를 포함하고, ML 모델은 하나 이상의 훈련 샘플을 사용하여, 주어진 검사 응용에 대해 미리 훈련되고, 각각의 훈련 샘플은 검사 영역과 동일한 설계 패턴을 공유하는 각각의 기준 영역을 나타내고, 런타임 이미지의 낮은 SNR과 유사한 비교적 낮은 SNR을 갖는, 각각의 기준 영역의 제1 훈련 이미지; 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득된다.
본 개시된 주제의 다른 양상들에 따라, 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체가 제공되고, 명령어들은 컴퓨터에 의해 실행될 때 컴퓨터로 하여금, 반도체 시편을 검사하는 데 사용가능한 기계 학습 모델을 훈련시키기 위한 방법을 수행하게 하고, 방법은: 하나 이상의 훈련 샘플을 포함하는 훈련 세트를 획득하는 단계 - 각각의 훈련 샘플은 주어진 설계 패턴을 갖는 각각의 기준 영역을 나타내고, 훈련 샘플은: 비교적 낮은 신호 대 잡음 비(SNR)를 갖는 제1 훈련 이미지; 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득됨 -; 및 훈련 세트를 사용하여, 주어진 검사 응용에 대해 ML 모델을 훈련시키는 단계를 포함하고; ML 모델은, 훈련될 시에, 주어진 설계 패턴과 동일한 설계 패턴을 공유하는 시편의 검사 영역을 나타내는 런타임 이미지를 처리하고 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하는 데 사용가능하고, 런타임 이미지는 제1 훈련 이미지의 낮은 SNR과 유사한 비교적 낮은 SNR을 갖는다.
개시된 주제의 이러한 양상들은 시스템과 관련하여 위에서 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
본 개시내용을 이해하고 본 개시내용이 어떻게 실제로 수행될 수 있는지를 알기 위해, 이제, 첨부 도면들을 참조하여, 단지 비제한적인 예로서, 실시예들이 설명될 것이고, 도면들에서:
도 1은 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 일반화된 블록도를 예시한다.
도 2는, 본 개시된 주제의 특정 실시예들에 따른, 반도체 시편을 검사하는 데 사용가능한 기계 학습 모델을 훈련시키는 일반화된 흐름도를 예시한다.
도 3은, 본 개시된 주제의 특정 실시예들에 따른, 훈련된 ML을 사용하는 반도체 시편의 런타임 검사의 일반화된 흐름도를 예시한다.
도 4는, 본 개시된 주제의 특정 실시예들에 따른, 반도체 시편을 검사하는 데 사용가능한 ML 모델을 훈련시키기 위한 훈련 세트를 생성하는 일반화된 흐름도를 예시한다.
도 5는, 본 개시된 주제의 특정 실시예들에 따른, ML 모델의 훈련 프로세스의 개략도를 도시한다.
도 6은 본 개시된 주제의 특정 실시예들에 따른 제1 훈련 이미지의 예를 예시한다.
도 7은, 본 개시된 주제의 특정 실시예들에 따른, ML 모델을 사용하는 런타임 검사 프로세스의 개략도이다.
이하의 상세한 설명에서, 본 개시내용의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다. 그러나, 관련 기술분야의 통상의 기술자는 본 개시된 주제가 이러한 특정한 세부 사항들 없이 실시될 수 있다는 점을 이해할 것이다. 다른 경우들에서, 잘 알려진 방법들, 절차들, 구성요소들 및 회로들은 본 개시된 주제를 모호하게 하지 않기 위해 상세히 설명되지 않았다.
이하의 논의들로부터 명백한 것으로서, 구체적으로 달리 언급되지 않는 한, 본 명세서 전반에 걸쳐 "획득", "처리", "훈련", "취득", "세그먼트화", "검출", "분류", "생성", "정합" 등과 같은 용어들을 활용하는 논의들이, 데이터 - 상기 데이터는 물리적으로, 예컨대, 전자, 양들로 표현되고/거나 상기 데이터는 물리적 대상들을 표현함 - 를 다른 데이터로 조작하고/거나 변환하는, 컴퓨터의 작동(들) 및/또는 프로세스(들)를 지칭한다는 것을 이해한다. "컴퓨터"라는 용어는, 비제한적인 예로서, 본 출원에 개시된 검사 시스템, 훈련 시스템 및 그의 각각의 부분들을 포함하는, 데이터 처리 능력들을 갖는 임의의 종류의 하드웨어 기반 전자 디바이스를 망라하도록 광범위하게 해석되어야 한다.
본원에서 사용되는 "비일시적 메모리" 및 "비일시적 저장 매체"라는 용어들은 본 개시된 주제에 적합한 임의의 휘발성 또는 비휘발성 컴퓨터 메모리를 망라하도록 광범위하게 해석되어야 한다. 용어들은, 명령어들의 하나 이상의 세트를 저장하는 단일 매체 또는 다수의 매체들(예를 들어, 중앙집중형 또는 분산형 데이터베이스, 및/또는 연관된 캐시들 및 서버들)을 포함하는 것으로 간주되어야 한다. 용어들은 또한, 컴퓨터에 의한 실행을 위해 명령어들의 세트를 저장하거나 인코딩할 수 있고 컴퓨터로 하여금 본 개시내용의 방법론들 중 임의의 하나 이상을 수행하게 하는 임의의 매체를 포함하는 것으로 간주되어야 한다. 이에 따라, 용어들은, 판독 전용 메모리("ROM"), 랜덤 액세스 메모리("RAM"), 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 디바이스들 등을 포함하지만 이에 제한되지 않는 것으로 간주되어야 한다.
본 명세서에서 사용되는 "시편"이라는 용어는 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체 제조 물품들을 제조하는 데 사용되는 임의의 종류의 물리적 대상들 또는 웨이퍼들을 포함하는 기판들, 마스크들, 레티클들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 망라하도록 광범위하게 해석되어야 한다. 본원에서 시편은 또한, 반도체 시편으로 지칭되며, 대응하는 제조 프로세스들을 실행하는 제조 장비에 의해 생성될 수 있다.
본 명세서에서 사용되는 "검사"라는 용어는, 시편 제조 프로세스 동안의 그리고/또는 이후의, 다양한 유형들의 결함 검출, 결함 검토 및/또는 결함 분류, 세그먼트화, 및/또는 계측 작동들에 관련된 임의의 종류의 작동들을 망라하도록 광범위하게 해석되어야 한다. 검사는 검사될 시편의 제조 동안 또는 제조 이후에 비파괴적 검사 툴들을 사용함으로써 제공된다. 비제한적인 예로서, 검사 프로세스는, 동일하거나 상이한 검사 툴들을 사용하여, 시편 또는 그의 부분들에 관하여 제공되는 (단일 또는 다수 횟수의 스캔들의) 런타임 스캐닝, 이미지화, 샘플링, 검출, 검토, 측정, 분류 및/또는 다른 작동들을 포함할 수 있다. 마찬가지로, 검사는 검사될 시편의 제조 이전에 제공될 수 있고, 예를 들어, 검사 레시피(들)를 생성하는 것 및/또는 다른 설정 작동들을 포함할 수 있다. 구체적으로 달리 언급되지 않는 한, 본 명세서에서 사용되는 "검사"라는 용어 또는 그의 파생어들은 검사 영역의 크기 또는 해상도에 관하여 제한되지 않는다는 점을 주목한다. 다양한 비파괴적 검사 툴들은, 비제한적인 예로서, 주사 전자 현미경들(SEM), 원자력 현미경들(AFM), 광학 검사 툴들 등을 포함한다.
본 명세서에서 사용되는 "계측 작동"이라는 용어는 반도체 시편 상의 하나 이상의 구조적 요소에 관한 계측 정보를 추출하기 위해 사용되는 임의의 계측 작동 절차를 망라하도록 광범위하게 해석되어야 한다. 일부 실시예들에서, 계측 작동들은, 예를 들어, 다음: 치수들(예를 들어, 라인 폭들, 라인 간격, 접촉부 직경들, 요소의 크기, 에지 거칠기, 그레이 레벨 통계 등), 요소들의 형상들, 요소들 내의 또는 요소들 사이의 거리들, 관련된 각도들, 상이한 설계 레벨들에 대응하는 요소들과 연관된 오버레이 정보 등을 포함하지만 이에 제한되지 않는, 시편 상의 특정 구조적 요소들에 대해 수행되는 임계 치수(CD) 측정들과 같은 측정 작동들을 포함할 수 있다. 측정 결과들, 예컨대, 측정된 이미지들은, 예를 들어, 이미지 처리 기법들을 채용함으로써 분석된다. 구체적으로 달리 언급되지 않는 한, 본 명세서에서 사용되는 "계측"이라는 용어 또는 그의 파생어들은 측정 기술, 측정 해상도 또는 검사 영역의 크기에 관하여 제한되지 않는다는 점을 주목한다.
본 명세서에서 사용되는 "결함"이라는 용어는 시편 상에 형성되는 임의의 종류의 이상 또는 바람직하지 않은 피쳐/기능성을 망라하도록 광범위하게 해석되어야 한다. 일부 경우들에서, 결함은, 제조된 디바이스의 기능성에 대해 특정 효과들을 갖는 실제 결함이고, 따라서, 검출되는 것이 고객의 관심 대상인 관심 결함(DOI, defect of interest)일 수 있다. 예를 들어, 수율 손실을 야기할 수 있는 임의의 "킬러" 결함들이 DOI로 표시될 수 있다. 일부 다른 경우들에서, 결함은, 완성된 디바이스의 기능성에 대해 영향을 미치지 않고 수율에 영향을 주지 않기 때문에 무시될 수 있는 방해("오경보" 결함으로 또한 지칭됨)일 수 있다.
본 명세서에서 사용되는 "결함 후보"라는 용어는, 관심 결함(DOI)이 될 비교적 높은 확률을 갖는 것으로 검출되는, 시편 상의 의심되는 결함 위치를 망라하도록 광범위하게 해석되어야 한다. 그러므로, 결함 후보는, 검토될 때, 실제로 DOI일 수 있거나, 일부 다른 경우들에서, 검사 동안 상이한 변동들(예를 들어, 프로세스 변동, 색 변동, 기계적 및 전기적 변동들 등)에 의해 야기될 수 있는, 위에서 설명된 바와 같은 방해 또는 무작위 잡음일 수 있다.
본 명세서에서 사용되는 "설계 데이터"라는 용어는 시편의 계층적 물리적 설계(레이아웃)를 나타내는 임의의 데이터를 망라하는 것으로 광범위하게 이해되어야 한다. 설계 데이터는 각각의 설계자에 의해 제공될 수 있고/거나 물리적 설계로부터(예를 들어, 복잡한 시뮬레이션, 간단한 기하학적 및 부울 연산 등을 통해) 유도될 수 있다. 설계 데이터는, 비제한적인 예들로서, GDSII 포맷, OASIS 포맷 등과 같은 상이한 포맷들로 제공될 수 있다. 설계 데이터는 벡터 포맷, 그레이스케일 강도 이미지 포맷 또는 다른 방식으로 제시될 수 있다.
구체적으로 달리 언급되지 않는 한, 개별 실시예들의 맥락으로 설명되는 본 개시된 주제의 특정한 특징들이 또한, 조합하여 단일 실시예에 제공될 수 있다는 것이 이해된다. 반대로, 단일 실시예의 맥락으로 설명되는 본 개시된 주제의 다양한 특징들이 또한, 개별적으로 또는 임의의 적합한 하위조합으로 제공될 수 있다. 이하의 상세한 설명에서, 방법들 및 장치의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다.
이를 염두에 두고, 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시하는 도 1에 주목한다.
도 1에 예시된 검사 시스템(100)은 시편 제조 프로세스의 부분으로서 반도체 시편(예를 들어, 웨이퍼, 다이, 또는 그의 부분들)의 검사를 위해 사용될 수 있다. 위에서 설명된 바와 같이, 본원에 언급되는 검사는, 시편에 대한, 결함 검사/검출, 다양한 유형들의 결함 분류, 세그먼트화, 및/또는 예컨대 임계 치수(CD) 측정들과 같은 계측 작동들에 관련된 임의의 종류의 작동들을 망라하도록 해석될 수 있다. 예시된 검사 시스템(100)은 기계 학습(ML)에 기초하여 반도체 시편의 자동 검사를 가능하게 할 수 있는 컴퓨터 기반 시스템(101)을 포함한다. 본 개시된 주제의 특정 실시예들에 따르면, 시스템(101)은, 시편 제조 동안 획득된 이미지들(본원에서 또한, 제조 프로세스(FP) 이미지들 또는 런타임 이미지들로 지칭됨)에 기초하여, 훈련된 기계 학습(ML) 모델을 사용하여 런타임으로 반도체 시편을 검사하도록 구성될 수 있다. 일부 실시예들에서, 시스템(101)은, 구체적으로 생성된 훈련 세트를 사용하여 훈련/설정 단계 동안 ML 모델을 훈련시킬 수 있는 훈련 시스템으로서 구성될 수 있다.
시스템(101)은 하나 이상의 검사 툴(120)에 작동가능하게 연결될 수 있다. 검사 툴들(120)은 런타임 이미지들 및/또는 훈련 이미지들을 캡처하고, 캡처된 이미지들을 처리하고, 그리고/또는 캡처된 이미지들과 관련된 측정치들을 제공하도록 구성된다.
예로서, 본원에서 사용되는 런타임 이미지들 및/또는 훈련 이미지들은 제조 프로세스 동안 캡처된, 시편의 원래의 이미지들, 다양한 전처리 단계들에 의해 획득된 캡처된 이미지들의 파생물들, 및/또는 컴퓨터로 생성된 설계 데이터 기반 이미지들을 지칭할 수 있다. 예를 들어, 이미지들은, 예를 들어, 주사 전자 현미경(SEM) 또는 광학 검사 시스템에 의해 캡처된 시편의 일부의 이미지들, ADC에 의해 분류될 결함을 대략 중심으로 하는 SEM 이미지들, ADR에 의해 결함이 국부화될 더 큰 영역들의 SEM 이미지들, 동일한 위치에 대응하는 상이한 검사 양식들의 정합된 이미지들, 세그먼트화된 이미지들, 또는 높이 맵 이미지들 등으로부터 선택될 수 있다. 일부 경우들에서, 본원에 언급되는 이미지들이 이미지 데이터(예를 들어, 캡처된 이미지들, 처리된 이미지들 등) 및 연관된 수치 데이터(예를 들어, 메타데이터, 수작업 속성들 등)를 포함할 수 있다는 것을 주목해야 한다. 이미지 데이터는 시편의 관심 있는 층 및/또는 하나 이상의 층에 관련된 데이터를 포함할 수 있다는 점을 더 주목한다.
본원에서 사용되는 "검사 툴(들)"이라는 용어는, 비제한적인 예로서, 시편 또는 그의 부분들에 대하여 제공되는, 이미징, (단일 또는 다수 횟수의 스캔들의) 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 검사 툴 및/또는 하나 이상의 검토 툴을 포함할 수 있다. 일부 경우들에서, 검사 툴들(120) 중 적어도 하나는 잠재적 결함들(즉, 결함 후보들)의 검출을 위해 (전형적으로, 비교적 고속 및/또는 저해상도로) 검사 이미지들을 캡처하기 위해서 시편(예를 들어, 전체 웨이퍼, 전체 다이 또는 그의 부분들)을 스캐닝하도록 구성된 검사 툴일 수 있다. 일부 경우들에서, 검사 툴들(120) 중 적어도 하나는 검토 툴일 수 있고, 이는, 결함 후보가 실제로 관심 결함(DOI)인지를 확인하기 위해, 검사 툴들에 의해 검출된 결함 후보들 중 적어도 일부의 검토 이미지들을 캡처하도록 구성된다. 그러한 검토 툴은 일반적으로, 한 번에 하나씩(전형적으로, 비교적 저속 및/또는 고해상도로) 시편의 단편들을 검사하도록 구성된다. 검사 툴 및 검토 툴은 동일하거나 상이한 위치들에 위치된 상이한 툴들, 또는 2개의 상이한 모드들로 작동되는 단일 툴일 수 있다. 일부 경우들에서, 적어도 하나의 검사 툴이 계측 능력들을 가질 수 있고, 이미지들에 대해 계측 작동들을 수행하도록 구성될 수 있다.
어떠한 방식으로든 본 개시내용의 범위를 제한하지 않고, 검사 툴들(120)은 다양한 유형들의 검사 기계들, 예컨대, 광학 검사 기계들, 전자 빔 검사 기계들(예를 들어, 주사 전자 현미경(SEM), 원자력 현미경(AFM), 또는 투과 전자 현미경(TEM) 등) 등으로서 구현될 수 있다는 점을 또한 주목해야 한다. 일부 경우들에서, 동일한 검사 툴이, 저해상도 이미지 데이터 및 고해상도 이미지 데이터를 제공할 수 있다. 결과적인 이미지 데이터(저해상도 이미지 데이터 및/또는 고해상도 이미지 데이터)는 - 직접 또는 하나 이상의 중간 시스템을 통해 - 시스템(101)에 송신될 수 있다. 본 개시내용은 임의의 특정 유형의 검사 툴들 및/또는 검사 툴들로부터 초래되는 이미지 데이터의 해상도로 제한되지 않는다.
위에서 언급된 바와 같이, 검사 시스템(100)은 시편 제조 동안 획득된 런타임 이미지들에 기초하여, 훈련된 기계 학습(ML) 모델을 사용하여 런타임으로 반도체 시편을 검사할 수 있는 컴퓨터 기반 시스템(101)을 포함한다. ML 모델을 훈련시키기 위해서는, 충분한 훈련 데이터가 요구된다. 그러나, 검사될 시편들의 훈련 이미지들은 설정 단계 동안 이용가능하지 않을 수 있다. 일부 경우들에서, 구조적 파라미터들의 충분한 변동들을 포함하지 않을 수 있는, 시험/기준 웨이퍼들의 훈련 이미지들이, 실제 생산에서의 프로세스 변동들에 대해 강건한 잘 훈련된 정확한 모델을 생성하는 데 사용된다. 그러므로, 정확한 검사를 가능하게 하도록 ML이 훈련되게 하기 위해, 종종, ML 모델의 훈련은, 실제 생산 웨이퍼들로부터 취득된 이미지들을 사용하여 고객 측에서 수행된다. 예를 들어, 생산 웨이퍼의 SEM 이미지들은 FAB에서 캡처될 수 있고 ML 모델을 훈련시키는 목적으로 사용될 수 있다.
SEM 이미지는, 전자 빔 검사 툴, 예컨대, 주사 전자 현미경(SEM)에 의해 순차적으로 취득되는, 반도체 시편의 영역에 대해 캡처된 일련의 프레임들을 총합함으로써 생성될 수 있다. 더 높은 품질(예를 들어, 더 높은 신호 대 잡음 비(SNR))을 갖는 SEM 이미지를 획득하기 위해, 웨이퍼를 주사하는 데 사용되는 전자 빔 선량(프레임들을 캡처하는 데 사용되는 전자 빔의 강도 및/또는 영역에 대해 캡처되는 프레임들의 개수로서 반영될 수 있음)은 결과적인 이미지에서의 잡음들을 감소시키기 위해 특정 양에 도달해야 한다.
한편, 시편에 충돌하는 전자 빔의 영향의 결과로서, 시편이 물리적으로 손상될 수 있다. 이러한 현상은 "수축(shrinkage)" 또는 "슬리밍(slimming)"으로 지칭된다. 예를 들어, 수축의 전형적인 진폭은, 예를 들어, 시편의 물질들 및/또는 상이한 층들에 따라, 웨이퍼 상의 구조적 피쳐들의 치수들의 5% 내지 10%일 수 있고, 이는 고객에게 바람직하지 않다. 일부 경우들에서, 생산 웨이퍼, 특히, 웨이퍼의 특정 민감 층들 상의 그러한 손상을 감소시키기 위해, 프레임들을 취득하는 데 사용되는 전자 빔 툴의 전자 선량이 제한된다. 그러나, 그러한 제한으로 획득된 SEM 이미지는 전형적으로, 낮은 SNR로 매우 잡음이 많다. 심지어 사용자에 의한 수동 주석부기의 경우에도 매우 난제인, 낮은 SNR 이미지에 대한 주석부기를 수행하는 것은 바람직하지 않고, 일부 경우들에서는 심지어 불가능하다. 그러한 이미지들에 대한 결과적인 주석부기는 부정확하고 오류가 발생하기 쉽다. 주석이 부기된 표지 데이터가 ML 모델의 훈련에서 실측 정보로서 사용되기 때문에, 그러한 훈련 데이터를 사용하여 훈련된 ML 모델은 시편들의 정확하고 효과적인 검사를 제공할 수 없다.
이에 따라, 본 개시된 주제의 특정 실시예들은, 위의 문제들을 해결하기 위해 특정 조성을 갖는 훈련 샘플들을 사용하여 ML 모델을 훈련시킬 수 있는 시스템(예를 들어, 시스템(101))을 제안한다. 본 개시내용의 특정 실시예들은, 아래에 상세히 설명되는 바와 같이, 런타임 검사를 위해 그러한 방식으로 훈련된 ML 모델을 사용한다.
시스템(101)은 하드웨어 기반 I/O 인터페이스(126)에 작동가능하게 연결된 프로세서 및 메모리 회로(PMC)(102)를 포함한다. PMC(102)는 도 2-4를 참조하여 더 상세히 설명되는 바와 같이 시스템을 작동시키기 위해 필요한 처리를 제공하도록 구성되고, 프로세서(개별적으로 도시되지 않음) 및 메모리(개별적으로 도시되지 않음)를 포함한다. PMC(102)의 프로세서는 PMC에 포함된 비일시적 컴퓨터 판독가능 메모리 상에 구현된 컴퓨터 판독가능 명령어들에 따라 몇몇 기능 모듈들을 실행하도록 구성될 수 있다. 그러한 기능 모듈들은 이하에서 PMC에 포함되는 것으로 언급된다.
위에서 언급된 바와 같이, 특정 실시예들에서, 시스템(101)은 훈련/설정 단계 동안 훈련 샘플들을 사용하여 ML 모델을 훈련시킬 수 있는 훈련 시스템으로서 구성될 수 있다. 그러한 경우들에서, PMC(102)에 포함된 기능 모듈들은, 훈련 세트 생성기(104), 훈련 모듈(106), 및 기계 학습 모델(108)을 포함할 수 있다. 훈련 세트 생성기(104)는, 하나 이상의 훈련 샘플을 포함하는 훈련 세트를 획득하도록 구성될 수 있다. 각각의 훈련 샘플은, 주어진 설계 패턴을 갖는 각각의 기준 영역을 나타낸다. 훈련 샘플은, 비교적 낮은 신호 대 잡음 비(SNR)를 갖는 제1 훈련 이미지, 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 표시하는 표지 데이터를 포함한다. 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기하는 것에 의해 획득된다.
훈련 모듈(106)은, 훈련 세트를 사용하여, 주어진 검사 응용에 대해 기계 학습 모델(108)을 훈련시키도록 구성될 수 있다. ML 모델은, 훈련될 시에, 주어진 설계 패턴과 동일한 설계 패턴을 공유하는 검사 영역을 나타내는 런타임 이미지를 처리하고, 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하는 데 사용가능하다. 런타임 이미지는 비교적 낮은 SNR로 취득된다. 훈련 프로세스의 세부 사항들은 도 2 및 4를 참조하여 아래에 설명된다.
특정 실시예들에 따르면, 시스템(101)은, 시편 제조 동안 획득된 런타임 이미지들에 기초하여, 훈련된 ML 모델을 사용하여 런타임으로 반도체 시편을 검사하도록 구성될 수 있다. 그러한 경우들에서, PMC(102)에 포함된 하나 이상의 기능 모듈은, 위에 설명된 바와 같이 훈련된 ML 모델(108)을 포함할 수 있다. PMC(102)는, I/O 인터페이스(126)를 통해, 반도체 시편의 검사 영역을 나타내는 런타임 이미지를 획득하도록 구성될 수 있다. 런타임 이미지는 비교적 낮은 신호 대 잡음 비(SNR)로 취득된다.
훈련된 ML 모델(108)은, 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해 런타임 이미지를 처리하는 데 사용된다. 위에서 설명된 바와 같이, ML 모델은 하나 이상의 훈련 샘플을 포함하는 훈련 세트를 사용하여, 주어진 검사 응용에 대해 미리 훈련된다. 각각의 훈련 샘플은 검사 영역과 동일한 설계 패턴을 공유하는 각각의 기준 영역을 나타낸다. 유사하게, 위에서 설명된 바와 같이, 각각의 훈련 샘플은, 비교적 낮은 SNR을 갖는 제1 훈련 이미지, 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 표시하는 표지 데이터를 포함한다. 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기하는 것에 의해 획득된다. 런타임 검사 프로세스의 세부사항들은 도 3을 참조하여 아래에 설명된다.
특정 실시예들에 따르면, ML 모델은, 각각의 응용들에 관한 특정 훈련 이미지들 및 표지 데이터에 기초하여, 상이한 검사 응용들에 대해 훈련될 수 있다. 본 개시내용을 사용하여 적용가능할 수 있는 다양한 응용들은 다음: 런타임 이미지를 검사 영역의 하나 이상의 세그먼트로 세그먼트화하기 위한 세그먼트화 응용, 검사 영역의 구조적 요소에 대한 하나 이상의 측정치를 획득하기 위한 계측 응용, 검사 영역의 하나 이상의 결함 후보를 검출하기 위한 결함 검출 응용, 및 검사 영역의 하나 이상의 결함을 분류하기 위한 결함 분류 응용 등을 포함하지만 이에 제한되지 않는다.
시스템(101), PMC(102) 및 그의 기능 모듈들의 작동은 도 2-4를 참조하여 더 상세히 설명될 것이다.
특정 실시예들에 따르면, 본원에서 언급되는 ML 모델(108)은, 예를 들어, 결정 트리, 서포트 벡터 머신(SVM), 인공 신경망(ANN), 회귀 모델, 베이지안 네트워크, 또는 이들의 총체/조합들 등과 같은 다양한 유형들의 기계 학습 모델들로 구현될 수 있다. ML 모델에 의해 사용되는 학습 알고리즘은 다음: 감독 학습, 미감독 학습, 또는 반-감독 학습 등 중 임의의 것일 수 있다. 본 개시된 주제는 특정 유형의 ML 모델 또는 ML 모델에 의해 사용되는 특정 유형 또는 학습 알고리즘으로 제한되지 않는다.
일부 실시예들에서, ML 모델은 심층 신경망(DNN)으로서 구현될 수 있다. DNN은 각각의 DNN 아키텍처에 따라 조직화된 계층들을 포함하는 감독된 또는 감독되지 않은 DNN 모델을 포함할 수 있다. 비제한적인 예로서, DNN의 계층들은 콘볼루션 신경망(CNN) 아키텍처, 순환 신경망 아키텍처, 재귀 신경망들 아키텍처, 생성적 대립 신경망(GAN) 아키텍처 또는 다른 방식에 따라 조직화될 수 있다. 선택적으로, 계층들 중 적어도 일부는 복수의 DNN 부분망들로 조직화될 수 있다. DNN의 각각의 계층은 관련 기술분야에서 차원들, 뉴런들, 또는 노드들로서 전형적으로 지칭되는 다수의 기본 계산 요소들(CE)을 포함할 수 있다.
일반적으로, 주어진 계층의 계산 요소들은 선행 계층 및/또는 후속 계층의 CE들과 연결될 수 있다. 선행 계층의 CE와 후속 계층의 CE 사이의 각각의 연결은 가중 값과 연관된다. 주어진 CE는 각각의 연결들을 통해 이전 계층의 CE들로부터 입력들을 수신할 수 있고, 각각의 주어진 연결은 주어진 연결의 입력에 적용될 수 있는 가중 값과 연관된다. 가중 값들은 연결들의 상대적 강도 및 그에 따른 주어진 CE의 출력에 대한 각각의 입력들의 상대적 영향을 결정할 수 있다. 주어진 CE는 활성화 값(예를 들어, 입력들의 가중 합)을 계산하고, 계산된 활성화에 활성화 함수를 적용함으로써 출력을 더 유도하도록 구성될 수 있다. 활성화 함수는, 예를 들어, 항등 함수, 결정 함수(예를 들어, 선형, 시그모이드, 임계 등), 확률적 함수, 또는 다른 적합한 함수일 수 있다. 주어진 CE로부터의 출력은 각각의 연결들을 통해 후속 계층의 CE들로 송신될 수 있다. 마찬가지로, 상기와 같이, CE의 출력에서의 각각의 연결은, 후속 계층의 CE의 입력으로서 수신되기 전에 CE의 출력에 적용될 수 있는 가중 값과 연관될 수 있다. 가중 값들에 추가로, 연결들 및 CE들과 연관된 임계 값들(극한 함수들을 포함함)이 존재할 수 있다.
심층 신경망의 가중 및/또는 임계 값들은 훈련 전에 초기에 선택될 수 있고, 훈련된 DNN에서 가중 및/또는 임계 값들의 최적 세트를 달성하기 위해, 훈련 동안 더 반복적으로 조정 또는 수정될 수 있다. 각각의 반복 후에, 데이터의 각각의 훈련 세트와 연관된 목표 출력과 DNN 모듈에 의해 생성된 실제 출력 사이의 차이가 결정될 수 있다. 차이는 오류 값으로 지칭될 수 있다. 훈련은, 오류 값을 나타내는 손실/비용 함수가, 미리 결정된 값 미만일 때 또는 반복들 사이의 성능에서의 제한된 변화가 달성될 때 완료되는 것으로 결정될 수 있다. 심층 신경망의 가중치들/임계치들을 조정하기 위해 사용되는 입력 데이터의 세트는 훈련 세트로 지칭된다.
본 개시된 주제의 교시들은 위에서 설명된 바와 같은 ML 또는 DNN의 특정 아키텍처에 의해 제한되지 않는다는 점을 주목한다.
일부 경우들에서, 시스템(101)에 추가적으로, 검사 시스템(100)은, 예를 들어 결함 검출 모듈 및/또는 자동 결함 검토 모듈(ADR) 및/또는 자동 결함 분류 모듈(ADC) 및/또는 계측 관련 모듈 및/또는 반도체 시편의 검사에 사용가능한 다른 검사 모듈들과 같은 하나 이상의 검사 모듈을 포함할 수 있다. 하나 이상의 검사 모듈은 독립형 컴퓨터들로서 구현될 수 있거나, 그들의 기능들(또는 그의 적어도 일부)이 검사 툴(120)과 통합될 수 있다. 일부 경우들에서, ML 모델(108)은 하나 이상의 검사 모듈에 포함될 수 있다. 선택적으로, ML 모델(108)은 검사 모듈들 간에 공유될 수 있거나, 대안적으로, 하나 이상의 검사 모듈 각각이 그 자신의 ML 모델(108)을 포함할 수 있다.
특정 실시예들에 따르면, 시스템(101)은 저장 유닛(122)을 포함할 수 있다. 저장 유닛(122)은 시스템(101)을 작동시키는 데 필요한 임의의 데이터, 예를 들어, 시스템(101)의 입력 및 출력에 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 런타임 이미지들/훈련 이미지들 및/또는 그의 파생물들을 저장하도록 구성될 수 있다. 이에 따라, 이미지들은 저장 유닛(122)으로부터 검색되고 추가의 처리를 위해 PMC(102)에 제공될 수 있다.
일부 실시예들에서, 시스템(101)은 시스템(101)과 관련된 사용자 특정 입력들을 가능하게 하도록 구성된 컴퓨터 기반 그래픽 사용자 인터페이스(GUI)(124)를 선택적으로 포함할 수 있다. 예를 들어, 사용자는, 시편의 이미지 데이터를 포함하는, 시편의 시각적 표현을 (예를 들어, GUI(124)의 일부를 형성하는 디스플레이에 의해) 제시받을 수 있다. 사용자는, GUI를 통해, 예를 들어 SNR에 대한 임계치, 캡처될 이미지 프레임들의 개수, 특정 검사 응용 등과 같은, 특정 작동 파라미터들을 정의하는 옵션들을 제공받을 수 있다. 예를 들어, 일부 경우들에서, 사용자는 GUI(124)를 통해 이미지 상에 수동으로 주석을 부기함으로써 제2 훈련 이미지와 연관된 표지 데이터를 제공할 수 있다. 사용자는 또한, GUI 상에서, 예를 들어 주어진 검사 응용에 대해 특정한 검사 데이터와 같은, 작동 결과들을 볼 수 있다. 일부 경우들에서, 시스템(101)은, I/O 인터페이스(126)를 통해, 추가의 처리를 위해 검사 데이터를 검사 툴(120)에 전송하도록 더 구성될 수 있다. 일부 경우들에서, 시스템(101)은 검사 데이터의 일부를 저장 유닛(122) 및/또는 외부 시스템들(예를 들어, FAB의 수율 관리 시스템(YMS))에 전송하도록 더 구성될 수 있다.
관련 기술분야의 통상의 기술자는, 본 개시된 주제의 교시들이, 도 1에 예시된 시스템에 의해 제한되지 않고; 동등하고/거나 수정된 기능이, 다른 방식으로 통합되거나 분할될 수 있으며 하드웨어 및/또는 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 쉽게 이해할 것이다.
도 1에 예시된 검사 시스템은, 도 1에 도시된 전술된 기능 모듈들이 몇몇 로컬 및/또는 원격 디바이스들에 분산될 수 있고 통신망을 통해 연결될 수 있는 분산 컴퓨팅 환경으로 구현될 수 있다는 점을 주목한다. 다른 실시예들에서, 검사 툴들(120), 저장 유닛(122) 및/또는 GUI(124) 중 적어도 일부는 검사 시스템(100)의 외부에 있을 수 있고 I/O 인터페이스(126)를 통해 시스템(101)과 데이터 통신하여 작동할 수 있다는 점을 더 주목한다. 시스템(101)은 위에서 설명된 바와 같이 검사 툴들과 함께, 그리고/또는 추가적인 검사 모듈들과 함께 사용될 독립형 컴퓨터(들)로서 구현될 수 있다. 대안적으로, 시스템(101)의 각각의 기능들은, 적어도 부분적으로, 하나 이상의 검사 툴(120)과 통합될 수 있고, 이로써, 검사 관련 프로세스들에서 검사 툴들(120)의 기능들을 용이하게 하고 향상시킨다.
반드시 그렇지는 않지만, 시스템들(101 및 100)의 작동의 프로세스는 도 2-4와 관련하여 설명된 방법들의 스테이지들 중 일부 또는 전부에 대응할 수 있다. 마찬가지로, 도 2-4와 관련하여 설명된 방법들 및 그들의 가능한 구현들은 시스템들(101 및 100)에 의해 구현될 수 있다. 그러므로, 도 2-4와 관련하여 설명된 방법들과 관련하여 논의된 실시예들은 또한, 시스템들(101 및 100)의 다양한 실시예들로서 준용하여 구현될 수 있고, 그 반대의 경우도 마찬가지라는 점을 주목한다.
단지 예시의 목적으로, 이하의 설명의 특정 실시예들은 세그먼트화 응용에 사용가능한 ML 모델을 훈련시키기 위해 제공될 수 있다. 관련 기술분야의 통상의 기술자들은, 본 개시된 주제의 교시들이 또한, 예를 들어 결함 검출, ADR, ADC, 계측 관련 모듈들 등과 같은 다양한 다른 검사 응용들에 적용가능하다는 것을 용이하게 이해할 것이다.
도 2를 참조하면, 본 개시된 주제의 특정 실시예들에 따른, 반도체 시편을 검사하는 데 사용가능한 기계 학습 모델을 훈련시키는 일반화된 흐름도가 예시된다.
감독 학습에서 ML 모델을 훈련시키는 데 사용되는 훈련 데이터는 통상적으로, 하나 이상의 훈련 샘플을 포함하고, 각각은 개개의 훈련 이미지 및 그와 연관된 대응하는 실측 정보 데이터를 포함한다. 실측 정보 데이터는, 응용 특정 정보를 나타내는, 훈련 이미지의 표지 데이터를 포함할 수 있다. 예로서, 이미지 세그먼트화의 검사 응용의 경우, 각각의 훈련 샘플은 반도체 시편의 훈련 이미지 및 훈련 이미지의 하나 이상의 세그먼트를 나타내는 표지 데이터를 포함할 수 있다.
훈련 이미지는 그 제조 프로세스에서 획득된 반도체 시편의 "실제" 이미지일 수 있다. 상이한 검사 응용들에 따라, 훈련 이미지는 다양한 방식들로 획득될 수 있다. 비제한적인 예로서, 이미지는 결함 후보들의 검출의 응용을 위해 하나 이상의 검사 툴을 사용하여 시편을 검사함으로써 획득된 검사 이미지일 수 있다. 다른 예에서, 이미지는, 검사 툴들에 의해 검출된 결함 후보가 실제로 결함인지 여부를 확인하는 결함 검토 응용을 위해, 그리고/또는 결함의 부류/유형을 확인하는 결함 분류 응용을 위해, 하나 이상의 검토 툴을 사용하여 결함 후보 위치들에서 시편을 검사함으로써 획득된 검토 이미지일 수 있다. 그러한 검토 툴들은, 예를 들어, 주사 전자 현미경(SEM) 등일 수 있다.
실측 정보 데이터는, 도 4를 참조하여 아래에 상세히 설명될 바와 같이, 예를 들어 수동 주석부기, 설계 데이터에 기초한 합성 생성, 기계 학습 기반, 또는 위의 조합에 의한 것과 같은, 다양한 방식들로 획득될 수 있다.
위에서 언급된 바와 같이, 반도체 시편을 검사하는 데 사용되는 ML 모델은 종종, 생산 웨이퍼 데이터를 사용하여 고객 측에서 훈련된다. 이미지 취득에 의해(예를 들어, SEM에 의해) 야기되는 생산 웨이퍼의 손상을 감소시키기 위해, 프레임들을 취득하기 위해 사용되는 전자 빔 툴의 전자 선량(이는 캡처되는 프레임들의 개수 및/또는 사용되는 전자 빔의 강도에 의해 표현될 수 있음)이 제한되어야 한다. 그러나, 더 적은 전자 선량으로 획득된 SEM 이미지들은 전형적으로, 낮은 SNR로 매우 잡음이 많다. 그러한 이미지들에 대해 정확한 주석부기를 하는 것은 매우 어렵고, 일부 경우들에서는 심지어 불가능하다. 그러므로, 본 개시내용은, 도 2 및 4를 참조하여 아래에 상세히 설명되는 바와 같이, 상기 문제들을 해결하기 위한 특정 방식으로 훈련 샘플들을 취득하는 것을 제안한다.
도 2에 설명된 바와 같이, 하나 이상의 훈련 샘플을 포함하는 훈련 세트가 (예를 들어, PMC(102)의 훈련 세트 생성기(104)에 의해) 획득될 수 있다(202). 각각의 훈련 샘플은, 주어진 설계 패턴을 갖는, 시편의 각각의 기준 영역을 나타낸다. 일부 실시예들에서, 주어진 설계 패턴은 시편 상에서 검사될 관심 패턴일 수 있다.
구체적으로, 훈련 샘플은, 비교적 낮은(예를 들어, 아래에서 설명되는 바와 같이, 제2 훈련 이미지의 더 높은 SNR에 대해, 또는 임계치에 대해 비교적 더 낮은) 신호 대 잡음 비(SNR)를 갖는 제1 훈련 이미지(204), 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터(206)를 포함한다. 표지 데이터는, 비교적 높은(예를 들어, 임계치에 대해 비교적 더 높은) SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기하는 것에 의해 획득된다. ML 모델(예를 들어, ML 모델(108))은, 훈련 세트를 사용하여, 주어진 검사 응용에 대해 (예를 들어, PMC(102)의 훈련 모듈(106)에 의해) 훈련될 수 있다(208).
일부 실시예들에서, 시편 상의 영역을 검사할 때, 영역의 복수의 프레임들이 검사 툴(예컨대, 전자 빔 툴, 예를 들어, SEM)에 의해 순차적으로 취득될 수 있다. 전자 빔 툴에 의해 취득된 프레임들은 후속하여, (예를 들어, 결과적인 이미지의 잡음들을 감소시키기 위해 복수의 프레임들을 조합/평균화함으로써) 예를 들어 SEM 이미지와 같은 최종 이미지를 생성하기 위해 총합된다. 위에서 언급된 바와 같이, 생산 웨이퍼의 프레임들을 취득하는 데 사용되는 전자 빔 툴의 전자 선량은 이미지 취득에 의해 야기되는 생산 웨이퍼의 손상을 감소시킬 목적으로 제한되어야 한다. 예로서, 사용되는 전자들의 선량은, 주어진 영역에 대해 캡처된 프레임들의 개수 및/또는 프레임들을 캡처하는 데 사용되는 전자 빔의 강도로서 반영될 수 있다. 예를 들어, 손상 감소의 목적으로, 시편의 영역의 런타임 검사 동안, SEM 이미지를 생성하기 위해 비교적 적은 개수의 프레임들이 캡처된다. 다른 예로서, 더 작은 에너지 수준을 갖는 전자 빔이 SEM 이미지를 생성하는 데 사용될 수 있다. 그러나, 이와 같이 생성되는 SEM 이미지는 더 낮은 SNR을 갖는 경향이 있고, 이미지 주석부기에 적합하지 않다.
그러므로, 동일한 주어진 설계 패턴을 공유하는, 시편 상의 하나 이상의 기준 영역에 대해, 비교적 낮은 SNR을 갖는 제1 훈련 이미지, 및 비교적 높은 SNR을 갖는 제2 훈련 이미지를 포함하는 2개의 이미지들이 각각의 기준 영역에 대해 캡처될 수 있는 것이 제안된다. 특히, 제1 훈련 이미지는, (생산에서 ML 모델의 훈련 및 배치 후에) 생산 시간에 캡처될 것이고 훈련된 ML 모델을 사용하여 검사될 런타임 이미지의 SNR과 동일한/유사한 SNR을 갖는다. 위에서 언급된 바와 같이, 이미지의 SNR의 수준은 일반적으로, 시편을 검사하고 이미지를 생성하는 데 사용되는 전자들의 선량과 상관된다.
구체적으로, 일부 실시예들에서, 제1 훈련 이미지는 전자들의 제1 선량에 기초하여 생성될 수 있고, 제2 훈련 이미지는 전자들의 제2 선량에 기초하여 생성될 수 있으며, 전자들의 제1 선량은 제2 선량 미만이다. 특히, 제1 훈련 이미지를 캡처하는 데 사용되는 전자들의 제1 선량은, 훈련된 ML 모델을 사용하여 검사될 런타임 이미지를 캡처하는 데 사용되는 전자들의 선량과 동일하다. 본원에서 사용되는 "동일한"이라는 용어는 서로 동일하거나 유사하거나 고도로 상관된 것을 지칭할 수 있다는 점을 주목해야 한다. 그들 사이의 동등성/유사성의 수준을 결정하기 위해 다양한 유사성 척도들 및 알고리즘들이 사용될 수 있다. 따라서, "동일한"이라는 용어가 사용되는 모든 곳에서, 이는 정확히 동일한 것으로 제한되어서는 안 되고, 오히려 어느 정도 유사/동등하다.
예로서, 전자들의 선량은 이미지를 캡처하는 데 사용되는 전자 빔의 강도 및/또는 프레임들의 개수로서 반영될 수 있기 때문에, 일부 경우들에서, 제1 훈련 이미지는 기준 영역에 대해 취득된 제1 개수의 훈련 프레임들에 기초하여 생성될 수 있고, 제2 훈련 이미지는 기준 영역에 대해 취득된 제2 개수의 훈련 프레임들에 기초하여 생성될 수 있으며, 여기서, 제1 개수는 제2 개수보다 작다. 런타임 이미지를 생성하는 데 사용되는 런타임 프레임들의 개수는, 제1 훈련 이미지와 런타임 이미지 사이의 SNR의 유사성 수준을 보장하기 위해, 제1 개수(제1 훈련 이미지를 생성하는 데 사용되는 프레임들의 개수)와 동일하다는 것을 주목해야 한다. 일부 경우들에서, 제1 개수(제1 훈련 이미지를 생성하는 데 사용되는 프레임들의 개수) 및 제2 개수(제2 훈련 이미지를 생성하는 데 사용되는 프레임들의 개수)는 주어진 검사 응용에 따라 정의될 수 있다. 예로서, 세그먼트화 응용에 대해, 제1 개수(런타임 이미지를 생성하는 데 사용되는 런타임 프레임들의 개수에 대응함)는, 예를 들어, 수용될 수 있는 시편의 손상 레벨, 정확도, 처리량 등과 같은 응용의 성능 요건에 기초하여 결정될 수 있다. 제2 개수는, 예를 들어, 치수들, 패턴들 등의 측면에서 제1 훈련 이미지에 대한 관련성/대응성을 유지하면서, 주석부기 정확도의 수준을 보장하기에 충분한 품질을 갖는 제2 훈련 이미지를 초래하도록 결정될 수 있다. 예를 들어, 일부 경우들에서, 제1 개수의 훈련 프레임들은, 예를 들어, 약 10-20개의 프레임들일 수 있고, 제2 개수의 훈련 프레임들은, 예를 들어, 약 50-60개의 프레임들일 수 있다.
동일한 주어진 설계 패턴을 공유하는, 시편 상의 하나 이상의 기준 영역은 다양한 방식들로 식별될 수 있다. 예로서, 다이(또는 다이의 부분(들))의 설계 데이터는, 특정 기하학적 구조들 및 배열들을 갖는 다양한 설계 패턴들을 포함할 수 있다. 일부 실시예들에서, 설계 데이터가 수신될 수 있고, 각각이, 동일한 설계 패턴을 갖는 하나 이상의 다이 영역에 대응하는 복수의 설계 군들이 검색될 수 있다. 그러므로, 동일한 설계 패턴에 대응하는, 다이의 영역들이 식별될 수 있다. 일부 실시예들에서, 검사 영역은 반도체 시편의 검사 다이로부터의 것이고, 기준 영역은 검사 다이의 기준 다이로부터의 것일 수 있고, 기준 다이는 동일한 반도체 시편으로부터의 것이거나 상이한 반도체 시편으로부터의 것이다.
위에서 정의된 바와 유사하게, 설계 패턴들은, 그들이 동일할 때, 또는 그들이 고도로 상관될 때, 또는 서로 유사할 때 "동일한" 것으로 간주될 수 있다는 점을 주목해야 한다. 다양한 유사성 기준들 및 알고리즘들이, 유사한 설계 패턴들을 매칭시키고 클러스터링하기 위해 적용될 수 있고, 본 개시내용은 설계 군들을 도출하기 위해 사용되는 임의의 특정 기준들에 의해 제한되는 것으로 해석되어서는 안 된다. 설계 군들의 클러스터링(즉, CAD 데이터로부터 복수의 설계 군들로의 분할)은 사전에, 또는 본 개시된 프로세스의 예비 단계로서 PMC(102)에 의해 수행될 수 있다.
일부 경우들에서, 비교적 낮은 SNR 및 비교적 높은 SNR이, 특정 검사 응용에 관한 미리 결정된 SNR 수준(예를 들어, 응용이, 예를 들어, 감도, 정확도, 처리량 등에 대한 성능 요건들을 충족시키기에 충분한 SNR)일 수 있는 임계치에 대해 정의될 수 있다는 점을 주목해야 한다. 일부 경우들에서, 비교적 낮은 SNR 및 비교적 높은 SNR은, 예를 들어, 낮은 SNR이 높은 SNR보다 비교적 더 낮거나, 높은 SNR이 낮은 SNR보다 비교적 더 높은 한, 서로에 대해 정의될 수 있다. 제1 개수의 프레임들의 결정에 관하여 위에서 설명된 바와 같이, (런타임 이미지의 SNR 수준에 대응하는) 낮은 SNR은, 예를 들어, 수용될 수 있는 시편의 손상 수준, 정확도, 처리량 등과 같은, 예컨대 특정 검사 응용의 성능 요건에 기초하여 정의될 수 있다. 높은 SNR은, 예를 들어, 치수들, 패턴들 등의 측면에서 제1 훈련 이미지에 대한 제2 훈련 이미지의 관련성/대응성을 유지하면서 제2 훈련 이미지에 대한 주석부기 정확도의 수준을 보장하도록 정의될 수 있다.
도 4는, 본 개시된 주제의 특정 실시예들에 따른, 반도체 시편을 검사하는 데 사용가능한 ML 모델을 훈련시키기 위한 훈련 세트를 생성하는 일반화된 흐름도를 예시한다.
(하나 이상의 기준 영역 중) 주어진 기준 영역에 대해, 낮은 SNR을 갖는 제1 훈련 이미지가 (예를 들어, 검사 툴(120)에 의해) 취득될 수 있다(402). 높은 SNR을 갖는 제2 훈련 이미지가 (예를 들어, 검사 툴(120)에 의해) 취득될 수 있다(404). 예로서, 위에서 설명된 바와 같이, 제1 훈련 이미지는 기준 영역에 대해 취득된 제1 개수(N1)의 훈련 프레임들(예를 들어, 10-20개의 프레임들)에 기초하여 생성될 수 있고, 제2 훈련 이미지는 기준 영역에 대해 취득된 제2 개수(N2)의 훈련 프레임들(제1 개수보다 더 큰, 예를 들어, 50-60개의 프레임들)에 기초하여 생성될 수 있다.
일부 실시예들에서, 제1 훈련 이미지는 제2 훈련 이미지를 취득하기 전에 취득되어야 한다. 이는, 제1 훈련 이미지가 생산 단계에서 획득된 런타임 이미지와 유사한 이미지 조건을 표현할 것으로 가정되기 때문이다. 알려진 바와 같이, 전자 빔 툴에 의한 이미지 취득 동안, 시편의 표면은 전자들의 집속된 빔으로 주사되고 시편은 전하들을 연속적으로 수집한다. 전자 빔에 의해 야기되는, 시편 상의 표면 전하의 축적은, 예를 들어, 이미지 왜곡, 그레이 레벨에 관련된 변동들, 콘트라스트, 에지 선명도 등과 같은, 이미지 아티팩트들을 야기할 수 있다. 그러므로, 제1 훈련 이미지가 런타임 이미지와 유사한 조건에서 취득되기 위해, 각각의 주어진 영역에 대해, 런타임 이미지가 런타임으로 취득될 때와 유사하게, 시편 상의 추가의 대전 효과들의 축적 전에 제1 훈련 이미지가 먼저 취득되어야 한다. 제2 이미지는, 어떠한 툴 구성들도 변경하지 않고, 제1 이미지의 취득 후에 취득될 수 있다.
일부 실시예들에서, 제1 훈련 이미지는 먼저, 예를 들어, N1개의 프레임들을 취득함으로써 취득된다. 그 다음, 제2 훈련 이미지는, 예를 들어, N2개의 프레임들(N2>N1)을 취득함으로써 취득된다. 일부 경우들에서, N1개의 프레임들은 N2개의 프레임들의 일부일 수 있다. 예를 들어, SEM은 먼저, 제1 훈련 이미지로 조합될 N1개의 프레임들을 취득할 수 있다. 그 다음, SEM은 제2 훈련 이미지들을 형성하기 위해, N1개의 프레임들과 함께 조합될 (N2-N1)개의 프레임들을 계속 취득할 수 있다. 일부 다른 경우들에서, N1개의 프레임들을 포함하지 않고, N2개의 프레임들이 개별적으로 취득될 수 있다.
일부 실시예들에서, 선택적으로, 훈련 이미지는 상이한 관점들로부터 캡처된 다수의 채널들을 포함할 수 있다. 예를 들어, 하나의 채널은 검사 툴의 최상부 검출기에 의해 수직 관점으로부터 취해질 수 있고, 다른 채널은 검사 툴의 측면 검출기에 의해 측면 관점으로부터 취해질 수 있다. 일부 경우들에서, 상이한 각도들로부터 하나 초과의 측부 검출기가 존재할 수 있고, 이에 따라, 훈련 이미지는 다수의 측 채널 이미지들을 포함할 수 있다. 일부 경우들에서, 다수의 채널 이미지들은 하나의 조합된 이미지로 조합될 수 있다.
그 다음, 높은 SNR을 갖는 제2 훈련 이미지에 (예를 들어, 훈련 세트 생성기(104)에 의해) 주석이 부기된다(406). 위에서 언급된 바와 같이, ML 모델을 훈련시키기 위해 실측 정보 데이터로서 사용될 주석부기된 표지 데이터의 정확도를 개선하기 위해 높은 SNR 이미지에 대해 주석부기를 수행하는 것이 바람직하다. 표지 데이터는 다양한 방식들로 획득될 수 있다. 예로서, 표지 데이터는 수동 주석부기에 의해 획득될 수 있거나, (예를 들어, CAD 기반 이미지들과 같은 설계 데이터를 사용하여) 합성적으로 생성될 수 있다. 다른 예로서, 실측 정보 데이터는 기계 학습에 기초하여 생성될 수 있다. 예를 들어, 기계 학습 모델은 수동으로 주석이 부기된 이미지들을 사용하여 훈련될 수 있고, 훈련된 모델은 입력 이미지들에 대한 표지 데이터를 자동으로(또는 반자동으로) 생성하는 데 사용될 수 있다. 기계 학습 기반 표지 데이터 생성 시스템의 예는, 그 전체가 참조로 본원에 포함되는, "GENERATING TRAINING DATA USABLE FOR EXAMINATION OF A SEMICONDUCTOR SPECIMEN"이라는 명칭의 미국 특허 출원 번호 16/942,677에 설명된다. 일부 경우들에서, 표지 데이터는 상술한 것들 중 임의의 것의 조합으로서 생성될 수 있다. 본 개시내용은 제2 훈련 이미지의 표지 데이터를 획득하는 특정 방식으로 제한되지 않는다.
제1 훈련 이미지와 제2 훈련 이미지는, 제1 훈련 이미지와 표지 데이터가 정렬되도록, 제1 훈련 이미지와 제2 훈련 이미지 사이의 오프셋을 보정할 목적으로 정합될 수 있다(408). 2개의 훈련 이미지들 사이의 오프셋은, 예를 들어 대전 효과들에 의해, 툴의 작업 지점(예를 들어, 스캐너 및/또는 스테이지 드리프트)에 의해, 그리고/또는 시편의 수축 등에 의해 야기되는 드리프트들과 같은 다양한 인자들에 의해 야기될 수 있다. 본 개시내용에서 언급되는 바와 같은 이미지 정합은 2개의 이미지들 사이의 오프셋을 측정하는 것, 및 오프셋을 보정하기 위해 하나의 이미지를 다른 이미지에 대해 시프트하는 것을 포함할 수 있다. 특히, 본 개시내용에서, 일단 오프셋이 측정되면, 제2 훈련 이미지(즉, 높은 SNR 이미지)에서 주석이 부기된 바와 같은 표지 데이터는, 낮은 SNR 이미지와 정렬되기 위해, (제1 훈련 이미지에 대해) 오프셋에 따라 (제2 이미지 자체가 있거나 없이) 시프트될 수 있다. 대안적으로, 제1 훈련 이미지는 표지 데이터(뿐만 아니라 제2 훈련 이미지)와 정렬되도록 (제2 훈련 이미지에 대한) 오프셋에 따라 시프트될 수 있다.
정합은 관련 기술분야에 알려진 임의의 적합한 정합 알고리즘들에 따라 구현될 수 있다. 예로서, 정합은 다음의 알고리즘들: 영역 기반 알고리즘, 피쳐 기반 정합, 또는 위상 상관 정합 중 하나 이상을 사용하여 수행될 수 있다. 영역 기반 방법의 예는 루카스-카나데(LK) 알고리즘과 같은 광학적 흐름을 사용하는 정합이다. 피쳐 기반 방법들은, 2개의 이미지들에서 별개의 정보 지점들("피쳐들")을 찾고 피쳐들의 대응성에 기초하여 각각의 쌍 사이의 필요한 변환을 계산하는 것에 기초한다. 이는 상이한 영역들이 개별적으로 이동되는 탄성 정합(즉, 비강성 정합)을 허용한다. 위상 상관 정합(PCR)은 주파수 도메인 분석을 사용하여 행해진다(푸리에 도메인에서의 위상 차이가 이미지 도메인에서의 정합으로 변환됨).
따라서, 정합된 제1 훈련 이미지 및 표지 데이터를 포함하는, ML 모델을 훈련시키기 위한 훈련 샘플이 생성된다(410). 일부 실시예들에서, 하나 이상의 추가적인 훈련 샘플은 하나 이상의 추가적인 기준 영역으로부터 유사한 방식으로 취득될 수 있다.
도 4에 설명된 바와 같이 생성된 하나 이상의 훈련 샘플을 포함하는 훈련 세트는 감독 방식으로 ML 모델을 훈련시키는 데 사용될 수 있다. ML 모델은, 훈련될 시에, 주어진 설계 패턴과 동일한 설계 패턴을 공유하는, 시편의 검사 영역을 나타내는 런타임 이미지를 처리하고, 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하는 데 사용가능하다. 런타임 이미지는 비교적 낮은 SNR(위에서 설명된 바와 같은 제1 훈련 이미지의 낮은 SNR과 동일/유사함)로 취득된다.
도 5는, 본 개시된 주제의 특정 실시예들에 따른, ML 모델의 훈련 프로세스의 개략도를 도시한다. 훈련 단계 동안, 하나 이상의 훈련 샘플을 포함하는, 도 2 및 4의 설명에 따라 생성된 바와 같은 훈련 세트가 획득될 수 있다. 구체적으로, 시편의 기준 영역을 나타내는 낮은 SNR 이미지인 제1 훈련 이미지(502)가 취득된다. 동일한 기준 영역의 높은 SNR 이미지인 제2 훈련 이미지(504)가 취득된다. 제2 훈련 이미지(504)는 그의 표지 데이터(506)(예를 들어, 세그먼트화 응용의 예에서, 제2 훈련 이미지와 연관된 세그먼트화 맵)를 획득하기 위해 주석이 부기된다. 2개의 이미지들(502 및 504)은 표지 데이터 또는 제1 훈련 이미지(502)가 그들 사이의 오프셋에 따라 고정되도록 정합된다. 따라서, 정합된 제1 훈련 이미지(502) 및 표지 데이터(506)를 포함하는 훈련 샘플이 생성된다. 훈련 샘플은 ML 모델(510)을 훈련(508)시키는 데 사용될 수 있고, 그에 의해, 세그먼트화 관련 훈련 파라미터들에 의해 특징지어지는 훈련된 ML 모델을 획득한다. 일부 실시예들에서, 훈련 프로세스는 주기적일 수 있고, 예를 들어, 정확도 기준을 충족시키는 세그먼트화 맵의 출력을 제공할 수 있기 위해 ML 모델이 충분히 훈련될 때까지 여러 번 반복될 수 있다. 예로서, ML 모델은 세그먼트화 정확도에 관련된 비용 함수(예를 들어, 실측 정보 표지 데이터 대 예측된 세그먼트화 맵)를 사용하여 훈련될 수 있다.
도 5에 단 하나의 훈련 샘플만이 예시되지만, 이는 어떠한 방식으로든 본 개시내용을 제한하도록 의도되지 않는다. 일부 실시예들에서, 하나 이상의 추가적인 훈련 샘플이, 유사한 방식으로 획득될 수 있고, 훈련 프로세스는 추가적인 훈련 샘플들을 사용하여 반복될 수 있다. 일부 경우들에서, 선택적으로, 훈련된 ML 모델은 이미지들의 검증 세트를 사용하여 검증될 수 있다. 이미지들의 검증 세트는 훈련 세트와 상이한 이미지 세트일 수 있고, 검증 목적들을 위해 선택된 이미지들을 포함할 수 있다. 사용자는 훈련 또는 검증 동안 ML 모델에 의해 도달된 결과들에 대한 피드백을 제공할 수 있다.
이제 도 3을 참조하면, 본 개시된 주제의 특정 실시예들에 따른, 훈련된 ML을 사용하는 반도체 시편의 런타임 검사의 일반화된 흐름도가 예시된다.
시편의 런타임 검사 동안 (예를 들어, 검사 툴(120)에 의해) 반도체 시편의 검사 영역을 나타내는 런타임 이미지(예를 들어, 위에서 설명된 바와 같은 FP 이미지)가 획득될 수 있다(302). 런타임 이미지는 (예를 들어, 본원에 설명된 바와 같은 높은 SNR에 대해, 또는 임계치에 대해) 비교적 낮은 신호 대 잡음 비(SNR)를 갖는다. 예로서, 런타임 이미지는, 예를 들어 SEM과 같은 전자 빔 툴에 의해 취득될 수 있다.
런타임 이미지는, 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해 기계 학습(ML) 모델(예를 들어, PMC(102)의 ML 모델(108))을 사용하여 처리될 수 있다(304). ML 모델은, 도 2 및 4와 관련하여 위에서 설명된 바와 같이, 검사 영역과 동일한 설계 패턴을 공유하는 각각의 기준 영역을 각각 나타내는 하나 이상의 훈련 샘플을 사용하여, 주어진 검사 응용에 대해 미리 훈련될 수 있다. 구체적으로, 각각의 훈련 샘플은, 비교적 낮은(예를 들어, 높은 SNR 또는 임계치에 대해 비교적 더 낮은) 신호 대 잡음 비(SNR)를 갖는, 각각의 기준 영역의 제1 훈련 이미지(204), 및 주어진 검사 응용에 관한 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터(206)를 포함한다. 표지 데이터는, 비교적 높은 SNR을 갖는, 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기하는 것에 의해 획득된다. 위에서 설명된 바와 같이, 제1 훈련 이미지는 (전자 선량, 프레임들의 개수 등의 관점에서) 런타임 이미지와 유사한 이미지화 조건에서 취득되며, 이로써, 제1 훈련 이미지의 낮은 SNR은 런타임 이미지의 낮은 SNR과 동일/유사하다(예를 들어, 동일하거나, 유사하거나, 고도로 상관된다). 따라서, 제1 훈련 이미지의 낮은 SNR 및 런타임 이미지의 낮은 SNR은 어느 정도 유사/동등할 수 있고, 정확히 동일할 필요는 없다. 그들 사이의 동등성/유사성의 정도/수준을 결정하기 위해 다양한 유사성 척도들 및 알고리즘들이 사용될 수 있다.
위에서 언급된 바와 같이, 본원에서 언급되는 검사 응용은: 런타임 이미지를 검사 영역의 하나 이상의 세그먼트로 세그먼트화하기 위한 세그먼트화 응용, 검사 영역의 구조적 요소에 대한 하나 이상의 측정치를 획득하기 위한 계측 응용, 검사 영역의 하나 이상의 결함 후보를 검출하기 위한 결함 검출 응용, 및 검사 영역의 하나 이상의 결함 후보를 분류하기 위한 결함 분류 응용을 포함하는(그러나 이에 제한되지 않음) 군으로부터의 임의의 응용일 수 있다.
특정 실시예들에 따르면, 검사 응용은 세그먼트화 응용일 수 있다. 본원에서 사용되는 "세그먼트화"라는 용어는, 이미지를 의미있는 부분들/세그먼트들(예를 들어, 배경 및 전경, 잡음이 있는 및 잡음이 없는 영역들, 다양한 구조적 요소들, 결함들 및 비결함들 등)로 분할하는 한편, 그러한 세그먼트들을 나타내는 픽셀별 또는 영역별 값들을 제공하는 임의의 프로세스를 지칭할 수 있다. 그러한 경우들에서, 훈련 샘플은 제1 훈련 이미지(예를 들어, SEM 이미지), 및 SEM 이미지에 대응하는 실측 정보 세그먼트화 맵일 수 있는 (예를 들어, 런타임 이미지의 적어도 일부의 각각의 픽셀이 속하는 하나 이상의 세그먼트의 특정 세그먼트를 나타내는) 표지 데이터를 포함할 수 있다. 예로서, 일부 경우들에서, 세그먼트들은 제1 훈련 이미지에 제시된 하나 이상의 구조적 요소에 대응할 수 있다. 본원에서 사용되는 구조적 요소는, 일부 경우들에서 다른 객체(들)와 결합되는, 윤곽이 있는 기하학적 형상 또는 기하학적 구조를 갖는 이미지 데이터 상의 임의의 원래 객체를 지칭할 수 있다. 구조적 요소는, 예를 들어, 다각형 형태로 제시될 수 있다.
ML 모델이 훈련될 시에, 훈련된 ML 모델은, 런타임 이미지를 처리하고 런타임 이미지의 대응하는 픽셀들과 연관된 예측된 표지들에 대한 정보를 제공하는 예측된 세그먼트화 맵을 출력하는 데 사용될 수 있다. 각각의 예측된 표지는 각각의 픽셀이 속한 런타임 이미지의 세그먼트를 나타낸다.
도 6은 본 개시된 주제의 특정 실시예들에 따른 제1 훈련 이미지의 예를 예시한다. 훈련 이미지(602)는 SEM 툴에 의해 캡처되고 웨이퍼의 다이의 영역을 표현하는 SEM 이미지로서 예시된다. 도시된 바와 같이, 이미지에 제시된 복수의 구조적 요소들(604)(웨이퍼 상의 접촉들의 요소들을 나타내는 다각형들로서 예시됨)이 존재한다. 본 예에서, (제2 훈련 이미지에 대한 주석부기로부터 획득된) 표지 데이터는, 예를 들어, 2개의 세그먼트들을 나타내는 이진 맵과 같은 세그먼트화 맵으로서 제공되고, 제1 세그먼트는 이미지의 구조적 요소들에 대응하고, 제2 세그먼트는 배경 영역에 대응한다.
도 7은, 본 개시된 주제의 특정 실시예들에 따른, ML 모델을 사용하는 런타임 검사 프로세스의 개략도이다. 런타임 동안, 낮은 SNR을 갖는, 시편의 런타임 이미지(702)가 취득되고, 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해, 훈련된 ML 모델(704)에 의해 처리된다. 예로서, 세그먼트화 응용에서, 출력 검사 데이터는 런타임 이미지(702)에 대응하는 세그먼트화 맵(706)일 수 있다. 획득된 세그먼트화 맵은 이미지 상의 상이한 세그먼트들을 표시하는 픽셀별 또는 영역별 세그먼트화 표지들에 대한 정보를 제공할 수 있다. 예로서, 하나의 층 상의 다각형들은 하나의 세그먼트화 표지를 가질 수 있고, 다른 층 상의 다각형들은 상이한 세그먼트화 표지를 가질 수 있는 반면, 배경은 별개의 세그먼트화 표지를 가질 수 있다.
일부 실시예들에서, 그러한 세그먼트화 맵은 시편에 대해 측정들을 수행하기 위한 계측 툴들에 의해 사용될 수 있다. 다른 예로서, 세그먼트화는 또한, 속성들을 구성할 때(예를 들어, 결함이 주 패턴 상에 있는지, 배경 상에 있는지, 또는 양쪽 모두에 있는지를 정의하기 위해) ADC에, 또는 각각의 세그먼트에 대해 세그먼트 특정 검출 임계치들을 적용하기 위해 ADR에 등에 사용될 수 있다.
일부 실시예들에서, 검사 응용은 결함 분류 응용이다. 그러한 경우들에서 취득된 표지 데이터는, 기준 영역에 제시된 결함들의 부류들(예를 들어, 입자들, 패턴 변형, 브릿지들 등), 및 선택적으로, 결함들이 이러한 부류들에 속할 확률들에 대한 정보를 제공할 수 있다. ML의 훈련 동안 사용되는 비용 함수는, 예측된 부류들과 그의 실측 정보(부류 표지들) 사이의 분류 오류들에 기초할 수 있다.
일부 실시예들에서, 검사 응용은 결함 검출 응용이다. 그러한 경우들에서 취득된 표지 데이터는, 기준 영역에 제시된 결함 후보들의 목록으로부터의 결함 후보가 관심 결함(DOI)인지 또는 방해인지 여부에 대한 정보를 제공할 수 있다. 예를 들어, 표지 데이터는, 예를 들어, DOI들의 경계 박스들의 형태로 또는 DOI들에 속하는 픽셀들만이 "1"의 값을 얻고 결함이 없는 픽셀들은 "0"의 값을 얻는 등의 이진 이미지의 형태로 제공될 수 있다. ML의 훈련 동안 사용되는 비용 함수는 검출 정확도/캡처율에 기초할 수 있고, 선택적으로, 오검출 및 과검출들에 대한 불이익에 또한 기초할 수 있다.
일부 실시예들에서, 검사 응용은 계측 응용이다. 그러한 경우들에서 취득된 표지 데이터는 검사 영역의 구조적 요소에 대한 하나 이상의 측정치(예를 들어, CD 측정치)에 대한 정보를 제공할 수 있다. ML의 훈련 동안 사용되는 비용 함수는 실측 정보 측정치들에 대한 예측된 측정치들의 측정 정확도에 기초할 수 있다.
일부 실시예들에 따르면, ML 모델은 분류기로서 구현될 수 있다. 본원에서 언급되는 "분류기", "분류기 모델" 또는 "분류 모델"이라는 용어는, 훈련 세트를 기준으로 하여, 새로운 인스턴스가 범주들/부류들의 세트 중 어느 것에 속하는지를 식별할 수 있는 임의의 학습 모델을 망라하는 것으로 폭넓게 해석되어야 한다. 예로서, 예시된 세그먼트화 응용에서, 분류기는 픽셀 후보들을 사용자에 의해 정의된 바와 같은 세그먼트 부류들의 세트로 분류하도록 훈련될 수 있다. 훈련된 분류기는 이미지 세그먼트화를 위해, 즉, 이미지가 속하는 세그먼트를 나타내는, 이미지의 각각의 픽셀에 대한 예측된 표지를 제공하기 위해 사용될 수 있다. 분류기는, 예를 들어, 선형 분류기들, 서포트 벡터 머신들(SVM), 신경망들, 결정 트리들 등과 같은 다양한 유형들의 기계 학습 모델들로서 구현될 수 있고, 본 개시내용은 구현된 특정 모델에 의해 제한되지 않는다는 점을 주목해야 한다.
특정 실시예들에 따르면, 도 2 및 4를 참조하여 위에서 설명된 바와 같은 훈련 프로세스는, 런타임의 온라인 검사를 위해 시스템(101) 및/또는 검사 툴(120)에 의해 사용가능한 검사 레시피를 생성하기 위한 프로세스의 일부로서 포함될 수 있다(여기서, ML 모델은, 일단 훈련되면, 검사 레시피의 일부로서 역할을 할 수 있다). 그러므로, 본 개시된 주제는 또한, 도 2 및 4(및 그의 다양한 실시예들)를 참조하여 설명된 바와 같은 레시피 설정 단계 동안 검사 레시피를 생성하기 위한 시스템 및 방법을 포함한다. "검사 레시피"라는 용어는, 위에 설명된 바와 같은 실시예들을 포함하는 임의의 검사 응용에 대해 검사 툴에 의해 사용될 수 있는 임의의 레시피를 망라하는 것으로 광범위하게 이해되어야 한다는 것을 주목해야 한다.
예를 들어 제1 및 제2 훈련 이미지들을 획득하는 다양한 방식들, 예시된 검사 응용들 및 그의 표지 데이터 등과 같은, 본 개시내용에 예시된 예들은 예시적인 목적들을 위해 예시되며, 어떠한 방식으로든 본 개시내용을 제한하는 것으로 간주되어서는 안 된다는 점을 주목해야 한다. 다른 적절한 예들/구현들이 상기 내용에 추가적으로 또는 상기 내용 대신에 사용될 수 있다.
본원에 설명된 바와 같은 훈련 프로세스의 특정 실시예들의 장점들 중에는, 높은 SNR로부터 주석을 취득하고 그를 낮은 SNR 이미지와 연관시키는 것을 가능하게 한다는 점이 있고, 여기서 표지 데이터 및 낮은 SNR 이미지는 함께, ML 모델을 훈련시키기 위한 훈련 샘플로서 사용된다. 이는 훈련에 대한 실측 정보로서 역할을 하는 취득된 표지 데이터의 정확도를 보장하면서, ML 모델이, 런타임으로 검사될 런타임 이미지들과 유사한 이미지화 조건들을 갖는 낮은 SNR 이미지들에 대해 훈련되는 것을 가능하게 하고, 따라서, 강건성 및 정확도 측면에서, 런타임 검사에서의 훈련된 ML 모델의 성능을 개선한다.
본원에 설명된 바와 같은 훈련 프로세스의 특정 실시예들의 추가의 장점들 중에는, 패턴 손상을 감소시키기 위해 검사 동안 시편의 특정 민감 층들이 최소 전자 선량을 요구하고, 이는 매우 낮은 SNR을 갖는 이미지들을 초래하고 그러한 낮은 SNR 이미지들에 대해 주석부기를 수행하는 것이 실현가능하지 않기 때문에 이전에는 검사가 가능하지 않았던 시편의 특정 민감 층들의 검사를 가능하게 한다는 점이 있다.
본원에 설명된 바와 같은 훈련 프로세스의 특정 실시예들의 추가의 장점들 중에는, 높은 SNR의 이미지에 대한 주석부기가 더 쉽고 더 빠르기 때문에, 이것이, ML을 훈련하기 위한 레시피까지의 시간(TTR) 및 주석부기의 사용자 경험을 더 개선한다는 점이 있다.
본 개시내용은 본 출원에서, 본원에 포함된 설명에 제시되거나 도면들에 예시된 세부사항들로 제한되지 않는다는 것을 이해해야 한다.
또한, 본 개시내용에 따른 시스템은, 적어도 부분적으로, 적절히 프로그래밍된 컴퓨터 상에 구현될 수 있다는 것을 이해할 것이다. 마찬가지로, 본 개시내용은, 본 개시내용의 방법을 실행하기 위해, 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 개시내용은, 본 개시내용의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능 메모리를 더 고려한다.
본 개시내용은 다른 실시예들이 가능하고, 다양한 방식들로 실시되거나 수행될 수 있다. 그러므로, 본원에서 채용되는 어법 및 용어는 설명의 목적을 위한 것이며 제한으로서 간주되어서는 안 된다는 점을 이해해야 한다. 이로써, 관련 기술분야의 통상의 기술자는, 본 개시내용이 기초로 하는 개념이, 본 개시된 주제의 몇몇 목적을 수행하기 위한 다른 구조들, 방법들 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있음을 이해할 것이다.
관련 기술분야의 통상의 기술자는, 다양한 수정들 및 변경들이, 본 개시내용의 범위로부터 벗어나지 않고 앞서 설명되고 첨부된 청구항들에서 그리고 청구항들에 의해 정의된 바와 같이 본 개시내용의 실시예들에 적용될 수 있다는 것을 용이하게 이해할 것이다.

Claims (20)

  1. 반도체 시편의 런타임 검사의 컴퓨터화된 시스템으로서,
    처리 및 메모리 회로(PMC)
    를 포함하고, 상기 PMC는:
    상기 반도체 시편의 검사 영역을 나타내는 런타임 이미지 - 상기 런타임 이미지는 비교적 낮은 신호 대 잡음 비(SNR)를 가짐 - 를 획득하고;
    주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해 기계 학습(ML) 모델을 사용하여 상기 런타임 이미지를 처리하도록 구성되고, 상기 ML 모델은 하나 이상의 훈련 샘플을 사용하여, 상기 주어진 검사 응용에 대해 미리 훈련되고, 각각의 훈련 샘플은, 상기 검사 영역과 동일한 설계 패턴을 공유하는 각각의 기준 영역을 나타내고,
    상기 런타임 이미지의 상기 낮은 SNR과 유사한 비교적 낮은 SNR을 갖는, 상기 각각의 기준 영역의 제1 훈련 이미지; 및
    상기 주어진 검사 응용에 관한 상기 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 상기 표지 데이터는, 비교적 높은 SNR을 갖는, 상기 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득되는, 컴퓨터화된 시스템.
  2. 제1항에 있어서,
    상기 런타임 이미지 및 상기 하나 이상의 훈련 샘플은 전자 빔 툴에 의해 취득되는, 컴퓨터화된 시스템.
  3. 제1항에 있어서,
    상기 주어진 검사 응용은: 런타임 이미지를 검사 영역의 하나 이상의 세그먼트로 세그먼트화하기 위한 세그먼트화 응용, 검사 영역의 구조적 요소에 대한 하나 이상의 측정치를 획득하기 위한 계측 응용, 검사 영역의 하나 이상의 결함 후보를 검출하기 위한 결함 검출 응용, 및 검사 영역의 하나 이상의 결함을 분류하기 위한 결함 분류 응용 중 하나인, 컴퓨터화된 시스템.
  4. 제1항에 있어서,
    상기 제1 훈련 이미지는 상기 기준 영역에 대해 취득된 제1 개수의 훈련 프레임들에 기초하여 생성되고, 상기 제2 훈련 이미지는 상기 기준 영역에 대해 취득된 제2 개수의 훈련 프레임들에 기초하여 생성되고, 상기 제1 개수는 상기 제2 개수보다 작고, 상기 런타임 이미지는 상기 제1 개수의 런타임 프레임들에 기초하여 생성되는, 컴퓨터화된 시스템.
  5. 제4항에 있어서,
    상기 제2 개수의 훈련 프레임들은 상기 제1 개수의 훈련 프레임들을 포함하는, 컴퓨터화된 시스템.
  6. 제1항에 있어서,
    상기 제1 훈련 이미지는 전자들의 제1 선량에 기초하여 생성되고, 상기 제2 훈련 이미지는 전자들의 제2 선량에 기초하여 생성되고, 상기 제1 선량은 상기 제2 선량 미만이고, 상기 런타임 이미지는 전자들의 상기 제1 선량에 기초하여 생성되는, 컴퓨터화된 시스템.
  7. 제1항에 있어서,
    상기 표지 데이터는: 수동 주석부기, 설계 데이터에 기초한 합성적으로 생성된 표지들, 기계 학습으로 도출된 표지들, 또는 이들의 조합 중 적어도 하나에 기초하여 획득되는, 컴퓨터화된 시스템.
  8. 제1항에 있어서,
    상기 제1 훈련 이미지와 상기 제2 훈련 이미지는, 상기 제1 훈련 이미지와 상기 표지 데이터가 정렬되도록, 상기 제1 훈련 이미지와 상기 제2 훈련 이미지 사이의 오프셋을 보정하기 위해 정합되는, 컴퓨터화된 시스템.
  9. 제1항에 있어서,
    상기 제1 훈련 이미지는 상기 제2 훈련 이미지의 취득 이전에 취득되는, 컴퓨터화된 시스템.
  10. 제1항에 있어서,
    상기 검사 영역은, 비교적 낮은 SNR을 갖는 이미지들을 통해서만 검사가능한, 상기 반도체 시편의 민감 층의 일부인, 컴퓨터화된 시스템.
  11. 제1항에 있어서,
    상기 주어진 검사 응용은 상기 런타임 이미지를 상기 검사 영역의 하나 이상의 세그먼트로 세그먼트화하기 위한 세그먼트화 응용이고, 상기 표지 데이터는 상기 런타임 이미지의 적어도 일부의 각각의 픽셀이 속하는 상기 하나 이상의 세그먼트 중 특정 세그먼트를 나타내는, 컴퓨터화된 시스템.
  12. 제1항에 있어서,
    상기 검사 영역은 상기 반도체 시편의 검사 다이로부터의 것이고, 상기 각각의 기준 영역은 상기 반도체 시편으로부터의 또는 상이한 반도체 시편으로부터의 상기 검사 다이의 기준 다이로부터의 것인, 컴퓨터화된 시스템.
  13. 반도체 시편을 검사하는 데 사용가능한 기계 학습(ML) 모델을 훈련시키는 컴퓨터화된 방법으로서,
    상기 방법은 처리 및 메모리 회로(PMC)에 의해 수행되고,
    하나 이상의 훈련 샘플을 포함하는 훈련 세트를 획득하는 단계 - 각각의 훈련 샘플은, 주어진 설계 패턴을 갖는 각각의 기준 영역을 나타내고, 상기 훈련 샘플은:
    비교적 낮은 신호 대 잡음 비(SNR)를 갖는 제1 훈련 이미지; 및
    상기 주어진 검사 응용에 관한 상기 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 상기 표지 데이터는, 비교적 높은 SNR을 갖는, 상기 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득됨 -; 및
    상기 훈련 세트를 사용하여 상기 주어진 검사 응용에 대해 상기 ML 모델을 훈련시키는 단계
    를 포함하고,
    상기 ML 모델은, 훈련될 시에, 상기 주어진 설계 패턴과 동일한 설계 패턴을 공유하는, 상기 시편의 검사 영역을 나타내는 런타임 이미지를 처리하고, 상기 주어진 검사 응용에 대해 특정한 검사 데이터를 획득하는 데 사용가능하고, 상기 런타임 이미지는 상기 제1 훈련 이미지의 낮은 SNR과 유사한 비교적 낮은 SNR을 갖는, 컴퓨터화된 방법.
  14. 제13항에 있어서,
    상기 주어진 검사 응용은: 런타임 이미지를 검사 영역의 하나 이상의 세그먼트로 세그먼트화하기 위한 세그먼트화 응용, 검사 영역의 구조적 요소에 대한 하나 이상의 측정치를 획득하기 위한 계측 응용, 검사 영역의 하나 이상의 결함 후보를 검출하기 위한 결함 검출 응용, 및 검사 영역의 하나 이상의 결함을 분류하기 위한 결함 분류 응용 중 하나인, 컴퓨터화된 방법.
  15. 제13항에 있어서,
    상기 훈련 세트를 획득하는 단계는 상기 기준 영역에 대해 취득된 제1 개수의 훈련 프레임들에 기초하여 상기 제1 훈련 이미지를 생성하는 단계, 및 상기 기준 영역에 대해 취득된 제2 개수의 훈련 프레임들에 기초하여 상기 제2 훈련 이미지를 생성하는 단계를 포함하고, 상기 제1 개수는 상기 제2 개수보다 작고, 상기 런타임 이미지는 상기 제1 개수의 런타임 프레임들에 기초하여 생성되는, 컴퓨터화된 방법.
  16. 제13항에 있어서,
    상기 훈련 세트를 획득하는 단계는, 전자들의 제1 선량에 기초하여 상기 제1 훈련 이미지를 생성하는 단계, 전자들의 제2 선량에 기초하여 상기 제2 훈련 이미지를 생성하는 단계를 포함하고, 상기 제1 선량은 상기 제2 선량 미만이고, 상기 런타임 이미지는 전자들의 상기 제1 선량에 기초하여 생성되는, 컴퓨터화된 방법.
  17. 제13항에 있어서,
    상기 훈련 세트를 획득하는 단계는, 상기 제1 훈련 이미지와 상기 표지 데이터가 정렬되도록, 상기 제1 훈련 이미지와 상기 제2 훈련 이미지 사이의 오프셋을 보정하기 위해 상기 제1 훈련 이미지와 상기 제2 훈련 이미지를 정합하는 단계를 포함하는, 컴퓨터화된 방법.
  18. 제13항에 있어서,
    상기 제1 훈련 이미지는 상기 제2 훈련 이미지의 취득 이전에 취득되는, 컴퓨터화된 방법.
  19. 제13항에 있어서,
    상기 주어진 검사 응용은 상기 런타임 이미지를 상기 검사 영역의 하나 이상의 세그먼트로 세그먼트화하기 위한 세그먼트화 응용이고, 상기 표지 데이터는 상기 런타임 이미지의 적어도 일부의 각각의 픽셀이 속하는 상기 하나 이상의 세그먼트 중 특정 세그먼트를 나타내는, 컴퓨터화된 방법.
  20. 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금, 반도체 시편의 런타임 검사의 방법을 수행하게 하는 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능 저장 매체로서,
    상기 방법은:
    상기 반도체 시편의 검사 영역을 나타내는 런타임 이미지 - 상기 런타임 이미지는 비교적 낮은 신호 대 잡음 비(SNR)를 가짐 - 를 획득하는 단계; 및
    주어진 검사 응용에 대해 특정한 검사 데이터를 획득하기 위해 기계 학습(ML) 모델을 사용하여 상기 런타임 이미지를 처리하는 단계를 포함하고, 상기 ML 모델은 하나 이상의 훈련 샘플을 사용하여, 상기 주어진 검사 응용에 대해 미리 훈련되고, 각각의 훈련 샘플은, 상기 검사 영역과 동일한 설계 패턴을 공유하는 각각의 기준 영역을 나타내고,
    상기 런타임 이미지의 상기 낮은 SNR과 유사한 비교적 낮은 SNR을 갖는, 상기 각각의 기준 영역의 제1 훈련 이미지; 및
    상기 주어진 검사 응용에 관한 상기 각각의 기준 영역에서의 실측 정보를 나타내는 표지 데이터를 포함하고, 상기 표지 데이터는, 비교적 높은 SNR을 갖는, 상기 각각의 기준 영역의 제2 훈련 이미지에 주석을 부기함으로써 획득되는, 비일시적 컴퓨터 판독가능 저장 매체.
KR1020230037733A 2022-03-28 2023-03-23 반도체 시편의 기계 학습 기반 검사 및 그의 훈련 KR20230140394A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/706,306 US20230306580A1 (en) 2022-03-28 2022-03-28 Machine learning based examination of a semiconductor specimen and training thereof
US17/706,306 2022-03-28

Publications (1)

Publication Number Publication Date
KR20230140394A true KR20230140394A (ko) 2023-10-06

Family

ID=88096124

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230037733A KR20230140394A (ko) 2022-03-28 2023-03-23 반도체 시편의 기계 학습 기반 검사 및 그의 훈련

Country Status (4)

Country Link
US (1) US20230306580A1 (ko)
KR (1) KR20230140394A (ko)
CN (1) CN116823711A (ko)
TW (1) TW202339038A (ko)

Also Published As

Publication number Publication date
CN116823711A (zh) 2023-09-29
US20230306580A1 (en) 2023-09-28
TW202339038A (zh) 2023-10-01

Similar Documents

Publication Publication Date Title
US11199506B2 (en) Generating a training set usable for examination of a semiconductor specimen
US20220067523A1 (en) Method of deep learining-based examination of a semiconductor specimen and system thereof
US11568531B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
US10832092B2 (en) Method of generating a training set usable for examination of a semiconductor specimen and system thereof
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
US11449977B2 (en) Generating training data usable for examination of a semiconductor specimen
KR102384568B1 (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
US20230306580A1 (en) Machine learning based examination of a semiconductor specimen and training thereof
US11854184B2 (en) Determination of defects and/or edge roughness in a specimen based on a reference image
US11631179B2 (en) Segmentation of an image of a semiconductor specimen
US20240153043A1 (en) Image denoising for examination of a semiconductor specimen
US11645831B2 (en) Identification of an array in a semiconductor specimen
KR20240067018A (ko) 반도체 시편의 검사를 위한 이미지 잡음제거
KR20240039600A (ko) 기계 학습 기반 결함 검사를 위한 이미지 증강
KR20240039595A (ko) 반도체 시편들에 대한 단-대-단 측정