KR20230163340A - 인공 지능 기반 프로세스 종료 지시 - Google Patents

인공 지능 기반 프로세스 종료 지시 Download PDF

Info

Publication number
KR20230163340A
KR20230163340A KR1020230164838A KR20230164838A KR20230163340A KR 20230163340 A KR20230163340 A KR 20230163340A KR 1020230164838 A KR1020230164838 A KR 1020230164838A KR 20230164838 A KR20230164838 A KR 20230164838A KR 20230163340 A KR20230163340 A KR 20230163340A
Authority
KR
South Korea
Prior art keywords
sample
image
charged particle
causes
milling
Prior art date
Application number
KR1020230164838A
Other languages
English (en)
Inventor
토마스 개리 밀러
4세 존 에프. 플라나간
주니어 브라이언 루스
리차드 영
브래드 라슨
아디테 쉬로트르
Original Assignee
에프이아이 컴파니
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 에프이아이 컴파니 filed Critical 에프이아이 컴파니
Publication of KR20230163340A publication Critical patent/KR20230163340A/ko

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical, image processing or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/04—Arrangements of electrodes and associated parts for generating or controlling the discharge, e.g. electron-optical arrangement or ion-optical arrangement
    • H01J37/147—Arrangements for directing or deflecting the discharge along a desired path
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30—Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/305—Electron-beam or ion-beam tubes for localised treatment of objects for casting, melting, evaporating, or etching
    • H01J37/3053—Electron-beam or ion-beam tubes for localised treatment of objects for casting, melting, evaporating, or etching for evaporating or etching
    • H01J37/3056—Electron-beam or ion-beam tubes for localised treatment of objects for casting, melting, evaporating, or etching for evaporating or etching for microworking, e. g. etching of gratings or trimming of electrical components
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/26—Bombardment with radiation
    • H01L21/263—Bombardment with radiation with high-energy radiation
    • H01L21/2633—Bombardment with radiation with high-energy radiation for etching, e.g. sputteretching
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/26—Bombardment with radiation
    • H01L21/263—Bombardment with radiation with high-energy radiation
    • H01L21/268—Bombardment with radiation with high-energy radiation using electromagnetic radiation, e.g. laser radiation
    • H01L21/2686—Bombardment with radiation with high-energy radiation using electromagnetic radiation, e.g. laser radiation using incoherent radiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Toxicology (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

인공 지능 기반 준비(preparation) 종료 지시를 구현하기 위한 방법 및 시스템이 개시된다. 예시적인 방법은, 복수의 특징부들을 포함하는 샘플의 일 표면의 이미지를 획득하는 단계, 이미지에서 관찰 가능한 복수의 특징부들 중의 관심 특징부에 기초하는 종료 지점에 도달했는지 여부를 결정하기 위해 이미지를 분석하는 단계, 및 종료 지점에 도달하지 않은 것에 기초하여 샘플의 표면으로부터 재료의 층을 제거하는 단계를 포함한다.

Description

인공 지능 기반 프로세스 종료 지시{Artificial Intelligence-Enabled Process End-Pointing}
본 발명은 일반적으로 인공 지능(artificial intelligence, AI) 기반 프로세스 제어에 관한 것으로, 구체적으로는, 하전 입자 현미경에서 샘플 준비에 사용하기 위한 AI 기반 준비 종료 지시(preparation end-pointing)에 관한 것이다.
산업 및 연구의 많은 분야에서, 작은 구조물의 분석 및 측정은 제품/프로세스 개발, 품질 관리, 의료 평가 등을 위해 수행된다. 이러한 분석 및 측정은 하나 이상의 관심 있는 구조물의 이미지를 형성하는 것을 포함할 수 있는 다양한 유형의 검사 도구를 사용하여 수행될 수 있다. 예를 들어, 반도체 산업에서, 하전 입자 현미경은 나노미터 규모로 회로 구조물을 이미징하는 데 사용되며, 이는 통상적으로 분석 및 측정 작업의 기초가 된다. 이러한 예에서, 측정들이 수행되기 전에, 문제의 회로 구조물들의 이미지들은 회로 구성요소들이 위치되는 웨이퍼 또는 칩의 부분들로부터 획득되어야 하며, 그들로부터 제거되어야 한다. 그러나, 이러한 제거는 대개, 관심 특징부를 포함하는 부분을 제거할 위치를 결정하기 위해 고도로 숙련된 운영자를 필요로 한다. 해당 부분의 제거 이후에, 해당 부분은 대개, 원하는 회로 구조물들이 후속 이미징, 예를 들어, 투과 전자 현미경에 대해 가시적일 것을 보장하기 위해, 부가적인 처리, 예를 들어, 박화(thinning) 처리될 수 있다. 이러한 처리의 일부는 자동화될 수 있지만, 해당 기술에 적합하지 않는 경우 통상적인 패턴 인식을 신뢰할 수 없게 만드는 회로 구조물 형상 및 레이아웃의 변화로 인해, 부가적인 처리가 자동화되기 어렵다.
수년에 걸쳐 이러한 처리를 일률화 및/또는 자동화하기 위한 시도가 많이 있었지만, 이들 시도는 대개 원하는 결과를 제공하는 데에 실패했고, 여전히 고도로 숙련된 기술자가 필요하다. 이와 같이, 이러한 이미징 구조물들, 예를 들어, 라멜라(lamella)를 형성하기 위한 적어도 부가적인 처리의 더 강인한 자동화 제어가 요구된다.
인공 지능 기반 준비 종료 지시를 구현하기 위한 방법 및 시스템이 개시된다. 예시적인 방법은, 복수의 특징부들을 포함하는 샘플의 일 표면의 이미지를 획득하는 단계, 이미지에서 관찰 가능한 복수의 특징부들 중의 관심 특징부에 기초하는 종료 지점에 도달했는지 여부를 결정하기 위해 이미지를 분석하는 단계, 및 종료 지점에 도달하지 않았음에 기초하여 샘플의 표면으로부터 재료의 일 층을 제거하는 단계를 포함한다.
예시적인 시스템은, 집속 이온 빔을 제공하기 위한 이온 컬럼, 전자 빔을 제공하기 위한 전자 컬럼 및 컨트롤러를 포함하는, 하전 입자 현미경일 수 있다. 컨트롤러는 해당 컨트롤러에 의해 실행될 때, 하전 입자 현미경이 복수의 특징부들을 포함하는 샘플의 일 표면의 이미지를 획득하게 하고, 상기 이미지 내에서 관찰 가능한 복수의 특징부들 중 관심 특징부에 기초한 종료 지점에 도달했는지 여부를 결정하기 위해 상기 이미지를 분석하게 하며, 종료 지점에 도달하지 않았음에 기초하여 재료의 일 층을 제거하기 위해 샘플의 표면을 집속 이온 빔으로 밀링하게 하고, 종료 지점에 도달했음에 기초하여 재료의 제거를 중지시키게 하는 코드를 포함하거나, 또는 해당 코드를 포함하는 메모리에 연결될 수 있다.
도 1은 본 개시의 일 실시예에 따른 하전 입자 현미경 시스템의 예이다.
도 2는 본 개시의 일 실시예에 따른 인공 지능을 사용하여 프로세스 종료 지점을 결정하기 위한 예시적인 방법이다.
도 3은 본 개시의 일 실시예에 따른 종료 지점 검출에 사용되는 인공 신경망을 트레이닝하는 예시적인 방법이다.
도 4는 본원에 개시된 일 실시예에 따른 이미지들의 연관된 ANN 분석을 포함하는 예시적인 이미지 시퀀스이다.
도 5는 본 발명의 일 실시예가 구현될 수 있는 컴퓨팅 시스템의 예시적인 기능 블록도이다.
동일한 참조 번호는 도면의 여러 시점에 걸쳐 대응하는 부분을 지칭한다.
본 발명의 실시예들은 AI-향상된 종료 지점 검출에 관한 것이다. 일부 실시예들에서, AI 측면은 원하는 프로세싱 종료 지점에 도달되었을 때를 결정하는 데에 도움을 주며, 이는 이미지에서 볼 수 있는 구조물에 기초할 수 있다. 예를 들어, 샘플의 일 표면을 밀링하여 재료의 일 층(layer)이 제거된 후, 해당 표면이 이미징되며, 해당 구조물이 밀링(milling) 프로세스에 대한 종료 지점을 나타내는지 여부를 결정하기 위해 상기 이미지가 신경망에 의해 분석된다. 해당 구조물이 종료 지점을 나타내는 것으로 신경망이 결정하는 경우, 해당 프로세스는 종료되고, 그렇지 않으면 밀링 프로세스가 반복될 수 있다. 그러나, 본원에 기술된 방법은 일반적으로 광범위한 상이한 AI 향상 계측에 적용 가능하며 제한적인 것으로 간주되어서는 안된다는 것을 이해해야 한다.
본 출원 및 청구범위에서 이용된 바와 같이, 단수 형태 "한(a)", "하나의(an)" 및 "상기(the)"는 문맥상 명백하게 달리 지시되지 않는 한 복수 형태를 포함한다. 또한, "포함한다(include)"라는 용어는 "포함한다(comprise)"를 의미한다. 또한, "결합된"이라는 용어는 결합된 항목들 사이에 중간 요소의 존재를 배제하지 않는다. 또한, 다음의 설명 및 청구 범위에서, "포함하는(including)" 및 "포함하는(comprising)"이라는 용어는 개방형 방식으로 사용되므로, "...을 포함하지만 이에 제한되지 않는"을 의미하는 것으로 해석되어야 한다. "집적 회로"라는 용어는 마이크로 칩의 표면에 패턴화된 일련의 전자 부품 및 이들의 상호 접속 (집합 명사적으로 내부 전기 회로 요소)을 지칭한다. 용어 "반도체 장치"는 일반적으로 집적 회로(IC)를 지칭하며, 이는 반도체 웨이퍼와 일체형이거나, 웨이퍼와 분리되거나, 회로 기판에서 사용하기 위해 패키징될 수 있다. 본원에서 "FIB" 또는 "집속 이온 빔(focused ion beam)"이라는 용어는 이온 광학계 및 성형된 이온 빔에 의해 집속된 빔을 포함하는, 임의의 시준된 이온 빔을 지칭하는 데에 사용되며, 또한 집속 이온 빔을 생성하는 하드웨어를 포함하는 하전 입자 현미경을 의미할 수도 있다.
본원에 기술된 시스템, 장치 및 방법은 어떤 방식으로든 제한하는 것으로 해석되어서는 안된다. 대신에, 본 개시 내용은, 단독적인 또는 서로의 다양한 조합 및 하위 조합의, 다양한 개시된 실시예의 모든 신규한 그리고 자명하지 않은 특징부들 및 양태들에 관한 것이다. 개시된 시스템, 방법, 및 장치는 임의의 특정 양태 또는 특징 또는 이들의 조합으로 제한되지 않고, 또한 개시된 시스템, 방법, 및 장치는 임의의 하나 이상의 특정 이점이 존재하거나 문제들이 해결될 것을 요구하지도 않는다. 모든 작동 이론은 설명을 용이하게 하기 위한 것이나, 개시된 시스템, 방법 및 장치는 그러한 작동 이론으로 제한되지 않는다.
개시된 방법 중 일부의 동작이 제시의 편의를 위해 특정, 순차적인 순서로 기술되지만, 후술되는 특정 문구에 의해 특정 순서가 요구되지 않는 한, 이러한 방식의 기술은 순서 변경을 포함하는 것으로 이해되어야 한다. 예를 들어, 순차적으로 기술된 동작들은 경우에 따라 순서가 바뀌거나 동시에 실시될 수도 있다. 또한, 간략화를 위해, 첨부된 도면들은 개시된 시스템, 방법, 및 장치가 다른 시스템, 방법, 장치와 함께 이용될 수 있는 다양한 방식을 도시하지 않을 수도 있다. 또한, 설명에서, 개시된 방법을 기술하기 위해서 "생성한다(produce)" 및 "제공한다(provide)"와 같은 용어들을 종종 이용한다. 이러한 용어들은 실시되는 실제 동작들의 상위 수준의 추상적 개념이다. 이러한 용어들에 상응하는 실제 동작들은 특정 구현예에 따라 달라질 수 있고 통상의 기술자는 이를 쉽게 인식할 수 있을 것이다.
일반적으로, 다양한 산업 및 연구 영역은 마이크로 크기 또는 나노 크기의 샘플에 존재하는 마이크로 크기 또는 나노 크기의 특징들에 대한 분석을 수행한다. 해당 분석은 대개, 특징부들의 이미징을 포함한다. 특징부들은, 예를 들어, 샘플 내의 이전 프로세스 단계들 중에 형성된 구조물들 또는 결함들일 수 있다. 이러한 작은 특징부들을 이미징하기 위해, 샘플 구조물이 하나 이상의 관심 특징부를 포함하도록 벌크 물질로부터 얇은 샘플이 형성될 수 있다. 이들 샘플은 라멜라(lamella)로 지칭될 수 있다. 일반적으로, 이러한 라멜라는 다양한 하전 입자 현미경 기술을 사용하여 매립된 구조물을 관찰하기 위해 샘플들로부터 형성된다. 예를 들어, 반도체 산업에서, 라멜라는 프로세스 및/또는 설계 결함들이 무엇인지를 관찰하기 위해, 처리된 웨이퍼 또는 집적 회로로부터 형성될 수 있다. 본원에서 사용되는 많은 실시예들은 반도체 산업 및/또는 집적 회로 구성요소들을 지칭하지만, 개시된 기술들은 종료 프로세스들에 대한 종료 지점들을 결정하기 위해 이미지 분석을 사용하는 임의의 산업에서 구현될 수 있다. 본원에 개시된 종료 지점 결정은 보다 일반적으로, 종료 지점에 도달하였는지 여부를 결정할 때, 현미경 이미지들, 예컨대, 하전 입자 이미지들을 분석하기 위해, 트레이닝된 인공 신경망들(artificial neural network, ANN) 및/또는 기계 학습 시스템들/알고리즘들을 사용한다. 일부 실시예들에서, 구현된 ANN은 최종 사용자에 특정한(end-user-specific) 전용 정보를 사용하여 부가적인 트레이닝을 받기 전에, 가용한 데이터에 대해 부분적으로 트레이닝될 수 있다. 다른 실시예들에서, ANN은 가용한 정보에 기초하여 부가적인 트레이닝 없이 구현될 수 있다. AI, 예컨대, 기계 학습 시스템 또는 신경망의 사용은 고도의 숙련된 기술자들이 라멜라의 형성을 수동으로 모니터링하는 것으로부터 자유롭게 함으로써 라벨라 생성의 자동화를 향상시킬 수 있고 더 나아가 산업이 라멜라 내의 원하는 특징부들을 평가할 수 있는 속도를 더 증가시킬 수 있다. 일반적으로, 앞서 언급된 문제들을 기술하기 위해 본원에 개시된 기술들은 (고객에 특화된) 신경망의 트레이닝에 기초한 실시간 기계학습된 피드백에 기초하여, 최소한 재료 제거의 종료를 제어하는 것을 포함한다.
일단 트레이닝되면, ANN 또는 기계 학습 알고리즘은 이미지, 예컨대 하전 입자 현미경 이미지에서 볼 수 있는 특징부들에 기초하여 프로세스를 종료할 시기를 결정하는 것을 보조할 수 있다. 상기 종료는 정의된 종료 지점을 기반으로 한다. 본원에 사용되는 바와 같이, 용어 "종료 지점(end point)"은 샘플, 예컨대 라멜라 내에서 현재 프로세스의 종료가 요구되는 위치를 지칭한다. 일부 실시예들에서, 종료 지점은 또한 후속 프로세스를 위한 초기 시작 지점일 수도 있다. 예를 들어, 샘플의 초기 밀링 단계는 높은 빔 에너지에서 수행될 수 있고, 연관된 종료 지점은 샘플의 손상을 방지하기 위해 원하는 위치를 지나서 선택될 수 있다. 상기 높은 빔 에너지 프로세스의 종료가 지시(pointing)되면, 임의의 손상을 방지하고 새로운 종료 지점 위치로 밀링하기 위해 더 낮은 빔 에너지에서의 후속 밀링 프로세스가 수행될 수 있다. 또한, 종료 지점은 이미징을 원하는 특징부가 얇은 라멜라, 예컨대 약 15 nm 두께의 중심 위치에 위치하도록 밀링을 정지하는 위치일 수 있다. 이어서, 라멜라 내의 원하는 특징부의 TEM 이미지들을 획득하기 위해 얇은 라멜라가 사용될 수 있다. 반도체 산업 실시예들과 관련하여, 상기 원하는 특징부는 finFET 트랜지스터 또는 게이트 올 어라운드(Gate All Around) 유형의 트랜지스터와 같은 트랜지스터의 소스, 드레인 또는 게이트일 수 있다. 다른 실시예들에서 VNAND, DRAM, 및 다른 메모리-유형 샘플들에 포함되는 회로 구조물들을 포함할 수 있으며, 이러한 회로 구조물들은 커패시터, 컨덕터, 도전성 트레이스 및 비아(via) 등일 수 있다.
개시된 솔루션에서, ANN 또는 기계 학습 시스템/알고리즘은 이미지를 분석하는 것과 하전 입자 현미경 제어를 위한 피드백을 제공하는 데에 모두 사용된다. 분석 및 피드백의 목적은 인공 지능의 보조 없이 시의적절하고 기술자 집중적일 수 있는(technician intensive) 라멜라 준비 프로세스의 부가적인 또는 완전한 자동화를 제공하는 것이다. 예를 들어, 분석을 위한 원하는 특징부가 특정 finFET의 소스인 경우, 기술자는 예를 들어 주사 전자 현미경(scanning electron microscope, SEM) 이미지에서 소스가 어떻게 보일지를 알아야 하고, 또한 많은 finFET들 중에서 어떤 finFET을 타겟으로 할 것인지를 알 필요가 있다. 기존의 패턴 인식 소프트웨어를 이용한 이러한 결정은 소스 형태의 변화, 관심 finFET와 매우 유사한 트랜지스터(예컨대 다른 finFET)의 수 및 관심 finFET 위에 존재하는 금속 상호접속부들에서의 변화로 인해불가능하지는 않더라도 매우 어렵다. 이러한 변화의 누적 및 순열은 패턴 인식 소프트웨어가 해석하기 어렵고, 고도로 트레이닝된 기술자 및 과학자에게도 마찬가지로 어렵다. 그러나 이러한 변수들이 바로 AI 기반 분석 시스템이 구현에 이상적인 이유이다. 상기 AI 기반 시스템은 변화에 대한 사전 설명 없이도 작동할 수 있고, 예를 들어 완전히 자동화된 라멜라 준비를 유발할 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른 하전 입자 현미경 시스템(100)의 예이다. 하전 입자 현미경(charged particle microscope, CPM) 시스템(100) 또는 단순히 시스템(100)은 적어도 CPM 환경(102), 네트워크(104), 하나 이상의 서버(106), 및 기계 학습 시스템(114)을 포함한다. CPM 시스템(100)은 다양한 크기 및 구성의 샘플을 조사하고 분석하는 데에 사용될 수 있다. 예를 들어, CPM 시스템(100)은 적어도 부분적으로 집적 회로 제조 시설에서 구현될 수 있고, 해당 시설에서 제조된 웨이퍼 및 회로의 다양한 측면을 분석하고 측정하는 데 사용될 수 있다. 일부 실시예에서, CPM 시스템(100)은 다양한 위치들에 걸쳐 분산될 수 있다. 예를 들어, CPM 환경(102)은 제조 또는 개발 위치에 위치할 수 있고, 네트워크(104)는 지역적으로, 광역적으로 또는 전국적으로 분산될 수 있고, 서버(106)는 서버 팜(server farm)에 위치하여 네트워크(104)를 통해 CPM 환경(100)에 연결될 수 있다. CPM 시스템(100)의 구성에 상관없이, 시스템(100)은 라멜라의 형성을 위한 하나 이상의 하전 입자 현미경에 포함된 하나 이상의 재료 제거 기술과 함께, 하나 이상의 기계 학습 시스템(machine learning system, MLS)(114)을 구현하는 데에 사용될 수 있으며, 여기서, MLS(114)는 정의된 종료 지점의 검출에 기초하여 하나 이상의 재료 제거 프로세스를 언제 종료할 것인지 결정한다.
CPM 환경(102)은 모든 유형의 하전 입자 현미경을 포함하지만, 본원에 개시된 신경망 및 분석의 적용은 예시적인 목적으로만 사용되는 하전 입자 현미경으로 제한되지 않는다. CPM의 예를 몇 가지 열거하면 주사 전자 현미경(SEM), 투과 전자 현미경(transmission electron microscope, TEM), 주사 투과 전자 현미경(scanning transmission electron microscope, STEM), 집속 이온 빔(FIB), 전자 빔 및 이온 빔 능력을 모두 포함하는 이중 빔(dual beam, DB) 시스템 및 전자 빔, 이온 빔 능력과 적어도 하나의 레이저를 포함하는 삼중 빔 시스템을 들 수 있다. CPM 환경(102)은 샘플의 전자 또는 이온 이미지들을 얻기 위해 사용될 수 있으며, 이들 중 일부는 더 큰 샘플 또는 웨이퍼로부터 얻어진 얇은 섹션들, 예컨대 라멜라(lamella)일 수 있다. CPM 환경(102)은 단일 도구에 포함될 수 있거나 별개의 도구들에 위치될 수 있는 다양한 양태들을 포함할 수 있다. 예를 들어, CPM 환경(102)은 이미징 플랫폼(108)(예컨대 SEM, TEM, 또는 STEM), 샘플 준비 플랫폼(110) 및 하나 이상의 컨트롤러(112)를 포함할 수 있다. 샘플 준비 플랫폼(110)은 샘플을 이미징 및 프로세싱, 예컨대 에칭 또는 밀링하는 DB 시스템을 둘 다 포함할 수 있다. 물론, 각각의 플랫폼(108 및 110)은 두 가지 이상의 현미경/샘플 준비 도구 또한 포함할 수도 있다.
이미징 플랫폼(108)은 샘플의 이미지를 얻는 데 사용될 수 있고, 샘플의 일부는 샘플 준비 플랫폼(110)을 통해 준비되었을 수도 있으나 이는 필수적인 것은 아니다. 이미지들은 하전 입자의 각각의 빔으로 샘플을 조사(irradiate)하기 위한 전자 및/또는 이온 소스를 사용하여 얻어진다. 일부 예에서, 하전된 입자 빔 이미징은 스캔된 빔(예컨대 샘플을 가로질러 이동하는 스캔 빔)에 의해 얻어지지만, 다른 예에서는 하전 입자 빔이 스캔되지 않는다. 그 후, 예를 들어 후방산란된 2차의 또는 전송된 전자들이 검출되고, 그에 기초하여 그레이스케일 이미지들이 형성된다. 이미지들은 샘플의 재료들에 의존하는 그레이스케일 대조(contrast)를 포함하는데, 여기서 그레이스케일의 변화는 물질 유형 또는 결정 배향의 변화를 나타낸다. 부가적으로 또는 대안적으로, 이미징은 이러한 이미징 기술들 중 하나 이상을 통한 특징 대조를 가능하게 하는, 비-그레이스케일(non-gray scale) 기술들, 예컨대 EELS, EDS, EBSD, 픽셀화된 검출기를 포함할 수 있다. 이미징 플랫폼(108)은 내부 컨트롤(도시되지 않음), 컨트롤러(112), 또는 이들의 조합에 의해 제어될 수 있다.
샘플 준비 플랫폼(110)은 이미징 플랫폼(108)에 의해 이미징될 샘플들을 형성한다. 샘플 준비 플랫폼(110)은, 예를 들어, 이온 밀링, 이온 유도된 에칭, 또는 이들의 조합을 통해 더 큰 샘플로부터의 얇은 샘플, 예컨대 라멜라의 제거를 준비하고 보조하기 위해 FIB를 사용하며 이미징을 위해 샘플을 처리하는 다른 프로세스를 사용하는 DB 시스템일 수 있다. 다른 프로세스들은 평탄화 밀링/에칭, 기준(fiducial) 생성, 절단면 형성, 톱-다운 라멜라 준비, 기체 보조 에칭/증착 등을 포함할 수 있지만, 이들로 제한되지는 않는다. 샘플 준비 플랫폼(110)은 샘플 준비 프로세스를 모니터링할 수 있게 하는 전자 이미징 성분을 또한 포함하지만, 전자 이미징 성분이 반드시 필요한 것은 아니다. 일부 실시예들에서, 샘플 준비 플랫폼(110)은 이미징 플랫폼(108)을 위한 샘플을 준비하는 데에 사용되는 다른 물리적 준비 측면 - 레이저, 절삭 공구(예컨대 칼날, 마이크로톰(microtome) 등), 수지 캡슐화 도구, 극저온 도구 등 - 을 포함할 수 있다. 샘플 준비 플랫폼(110)은 MLS(114)에 의해 수행되는 종료 지점 결정에 응답하여 내부 컨트롤(도시되지 않음), 컨트롤러(112), 또는 이들의 조합에 의해 제어될 수 있다.
네트워크(104)는 CPM 환경(102)과 서버(들)(106)사이의 신호를 전송하기 위한 임의의 종류의 네트워크일 수 있다. 예를 들어, 네트워크(104)는 인터넷, 전화 백본 및 이들의 조합과 같은 근거리 통신망, 광역 네트워크, 또는 분산 네트워크일 수 있다.
서버(106)는 다양한 알고리즘, 신경망 및 분석 도구를 위한 코드를 실행할 수 있는 가상의 및/또는 물리적인 하나 이상의 컴퓨팅 플랫폼을 포함할 수 있다. 도시되지 않았지만, CPM 환경(102)의 사용자는 데이터의 검색을 위한 서버(106)에의 액세스, 소프트웨어 코드의 업데이트, 데이터에 대한 분석 작업 수행 등을 할 수 있는데, 여기서 액세스는 사용자의 로컬 컴퓨팅 환경(도시되지 않음)으로부터 네트워크(104)를 통한 것이다. 일부 실시예에서, 사용자는 서버(106)에 저장된 이미지 데이터를 액세스하고, ANN(114)(서버(106) 또는 CPM 환경(102) 상에서 실행될 수 있음)을 이용하여 분할을 구현하며, 자신들의 로컬 컴퓨팅 환경에서 계측을 수행한다.
동작 시, 처리된 웨이퍼 또는 집적 칩(IC)과 같은 벌크 샘플이 샘플 준비 플랫폼(110)에 제공될 수 있다. 먼저, 샘플 준비 플랫폼(110)은 웨이퍼/IC 로부터 청크(chunk)를 형성하고 추출할 수 있다. 청크는 최종 라멜라보다 더 두꺼울 수 있으며, 하나 이상의 관심 특징부를 이미징하는 데 사용될 것이다. 예를 들어, 청크는 약 100 nm 두께일 수 있는 반면, 최종 라멜라는 약 15 내지 25 nm 두께일 수 있고, 일부 실시예들에서는 15 nm 미만일 수 있다. 일부 실시예들에서, 청크는 웨이퍼/IC로의 톱-다운 밀링을 통해 형성되어 청크를 형성할 수 있고, 그 뒤, 청크는 당업계에 공지된 바와 같이 IC 로부터 제거된다. 다른 실시예들에서, 평면 청크들은 웨이퍼/IC 로부터 형성되고 추출될 수 있다. 청크가 형성되는 방법에 관계없이, 청크는 라멜라를 형성하기 위해 사용되는 출발 샘플일 수 있다. 일반적으로, 출발 샘플은 양 측면에서 밀링될 수 있고, 여기서 밀링의 정지 지점은 최종 라멜라 내에 중심을 두는 관심 특징부에 기초한다. 예를 들어, 밀링의 정지 지점 또는 종료 지점은 관심 특징부를 손상시키지 않기 위해 관심 특징부로부터 수 나노미터 후퇴될 수 있고, 또한, 예를 들어, 후속 TEM 이미지에서는 관심 특징부만이 보일 수 있도록, 라멜라를 형성하게 할 수 있다.
일단 청크가 형성되면, 청크를 후속 단계들에서 더 밀링하고 이미징하여, 원하는 종료 지점에 도달할 때를 결정할 수 있다. 주지된 바와 같이, 원하는 종료 지점은 이미지 내에 존재하는 특징부에 기초한 정지 장소일 수 있다. 이 특징부는 높은 빔 에너지 밀링 또는 낮은 빔 에너지 밀링을 위한 정지 지점을 지시(signal)할 수 있다. 높은 빔 에너지 밀링은 청크의 표면으로부터 상대적으로 두꺼운 층을 제거하기 위해 사용될 수 있는 반면, 낮은 빔 에너지 밀링은 그 안에 중심을 두는 관심 특징부를 갖는 라멜라의 최종 원하는 두께를 얻기 위해 사용될 수 있다. 어느 경우에도, 밀링, 이미징 및 AI 기반 이미지 분석은 원하는 종료 지점이 획득될 때까지 순차적으로 수행될 수 있다.
각각의 이미징 단계 후에, 이미지는 종료 지점에 도달되었는지 여부를 결정하기 위해 MLS(114)에 의해 분석될 수 있다. 사용자 정의될 수 있는 종료 지점은 샘플의 표면에 대한 관심 특징부의 위치에 기초한다. 일부 실시예들에서, 종료 지점은 밀링 에너지에 더 기초할 수 있으며, 이는 관심 특징부로부터 얼마나 멀리 떨어진 곳에서 밀링이 종료되어야 하는지를 결정할 수 있다. 일부 실시예들에서, 관심 특징부는 청크 내에 위치된 특정 finFET의 소스, 드레인 또는 게이트일 수 있다. 다른 실시예들에서, 관심 특징부는 VNAND, DRAM 또는 다른 메모리 디바이스의 회로 성분들일 수 있다. 최종 라멜라에서 finFET을 중앙으로 위치시키기 위해, 밀링은 청크의 표면 및 관심 특징부 사이에 위치하는 다른 finFET들을 제거할 수 있다. 이와 같이, MLS(114)에 의해 수행되는 분석의 일부는 동일한 평면 내의 관심 finFET을 관통하여 또는 그에 인접하여 밀링될 수 있는, 주위의 finFET들로부터 관심 finFET을 구별하는 것일 수 있다. 이러한 분석은, 종료 지점에 도달되었는지를 결정하는 동안 이미징되고 제거되는 특징부들의 추적을 유지하기 위해 MLS(114)를 필요로 할 수 있다. 예시적인 이미지 시퀀스 및 확률 결정에 대해서는 도 4를 참조하라. 그러나 일부 실시예들에서, MLS(114)는 그러한 특징부들의 추적을 유지하지 않을 수 있지만, 그 대신 각각의 이미징 단계에서 이미지 분석에 기초하여 원하는 종료 지점을 결정할 수 있다.
일부 실시예들에서, 이미지들은 하부 구조물에 대한 라멜라 면의 상대적인 위치를 결정하기 위해 분석될 수 있다. 예를 들어, 밀링 면이 청크 내의 특징부에 비해 약간 회전되어 있는 경우, 회전을 최소화하거나 제거하기 위해 회전의 양은 청크/라멜라의 면을 따른, 위치에 특정한(location specific) 밀링을 통해 추적되고 보정될 수 있다.
하나 이상의 실시예들에서, MLS(114)는 딥러닝 시스템으로도 지칭될 수 있는 기계 학습 컴퓨팅 시스템이다. 일부 실시예들에서, MLS(114)는 인공 뉴런으로 불리는, 연결된 유닛들 또는 노드들의 컬렉션을 포함하는 인공 신경망(ANN)이다. 각 연결은 하나의 인공 신경 단위에서 다른 신경 단위로 신호를 전송한다. 인공 신경 단위들은 레이어로 집단화될 수 있다. 서로 다른 레이어들이 그들의 입력에 대해 서로 다른 종류의 변형을 수행할 수 있다. 다른 실시예들에서, 기계 학습 시스템은 관심 있는 하나 이상의 유형들, 예컨대 finFET 소스, 드레인 및 게이트를 정의하기 위해 특징 엔지니어링 및/또는 특징 벡터들에 기초하여 입력 데이터로부터 예측 모델을 구축 및 트레이닝하는 프로그램 또는 시스템이다. 예를 들어, 모든 관심 특징부, 예컨대 finFET, 소스, 드레인, 및 게이트는 상이한 디스크립터 또는 벡터에 의해 정의될 수 있고, 트레이닝, 검증 또는 추론 시간 동안 주어진 데이터세트에 사용하기 위해 더 관련성이 있는 것을 특징 선택 기술을 사용하여 선택할 수 있다. 이러한 특징 선택 기술은 기존 기계 학습 알고리즘의 일부이거나 외부에서 추가될 수 있다.
ANN의 한 가지 유형은 컨볼루션 신경망(convolutional neural network, CNN)이다. CNN은 통상적으로 3개의 컬러 채널에서 픽셀 강도를 포함하는 3개의 2차원 어레이로 구성된 컬러 이미지 등과 같은 다중 어레이의 형태로 들어오는 데이터를 처리하도록 설계된다. CNN의 예시적인 아키텍처는 일련의 단계들로 구성된다. 처음 몇 개의 단계는 두 가지 유형의 레이어, 즉 컨볼루션 레이어와 풀링 레이어(pooling layer)로 구성될 수 있다. 컨볼루션 레이어는 입력에 컨볼루션 연산을 적용하고, 그 결과를 다음 레이어로 전달한다. 컨볼루션은 시각적 자극에 대한 개별 신경 단위의 반응을 에뮬레이션한다. 풀링 레이어는 한 레이어에 있는 신경 단위 클러스터들의 출력을 다음 레이어의 단일 신경 단위에 결합시킨다. 예를 들어, 최대 풀링은 이전 레이어에 있는 신경 단위들의 클러스터 각각으로부터 나온 최대값을 사용한다. 본 설명은 예시적인 ANN으로서 CNN을 이용할 수 있지만, 지역 컨볼루션 신경망, 완전 컨볼루션 신경망, 및 순환 신경망과 같은 다른 유형의 ANN도 고려된다.
하나 이상의 실시예들에서, MLS(114)는 샘플의 이미지에 도시된 관심 객체들, 예컨대 청크 또는 라멜라를 검출 및/또는 식별, 예컨대 분류 또는 분할하도록 구성된 CNN이다. 관심 특징부/구조물은 이미징되는 샘플의 일부이고, 시료의 나머지 부분은 관심 특징부/구조물에 대한 맥락을 제공한다. 그러나, 시료의 나머지 부분은 무시될 수 있는 반면, 관심 특징부는 결정되어야 한다. 예를 들어, finFET의 소스, 게이트 또는 드레인은 이미지 내의 관심 특징부일 수 있고, 주위의 finFET들은 관심 특징부의 결정을 보장하기 위해 무시되거나 사용될 수 있다. 물론, 본원에 개시된 관심 특징부는 단지 예시적인 목적을 위한 것이며, CPM 시스템(100)에 의해 포착된 임의의 유형의 관심 특징부가 MLS(114)에 의해 분류될 수 있다.
사용 전에, MLS(114)는 이미지 내에서 원하는 관심 특징부를 식별하도록 트레이닝될 필요가 있을 수 있다. 달리 말하면, MLS(114)는 예측 분석(즉, 신경망 구현) 또는 특징 벡터 분석(즉, 기계 학습 알고리즘 구현)에 기초하여 원하는 바와 같이 이미지를 분할 또는 분류하는 방법을 학습할 필요가 있다. 트레이닝은 대개, 구조물의 원하는/상이한 성분들을 강조하는 주석들과 함께 다수의 주석된 이미지들을 MLS(114)에 제공하는 것을 포함할 수 있고, 각각의 이미지의 가중치/품질 표시들을 제공하는 것을 더 포함할 수 있다. 예를 들어, 경계 및 핵심 참조 지점이 강조표시될 수 있다. 트레이닝 이미지들은 대개 다양한 품질의 이미지들을 포함할 수 있고, 원하는 형상을 갖는 다양한 형태의 구조물을 더 포함할 수 있으며, 잠재적으로 이미징 플랫폼(108)을 사용하여 얻어질 수 있다. 트레이닝 이미지들에 기초하여, MLS(114)는 이미지/구조물 품질에 관계없이 수신된 임의의 이미지의 다양한 클래스들을 식별하는 방법을 학습한다. 또한, 트레이닝 이미지들의 양은 분석되는 구조물들의 복잡도에 기초할 수 있고, 복잡도가 더 낮으면 더 적은 트레이닝 이미지들을 필요로 한다.
일부 실시예들에서, MLS(114)의 트레이닝은 2개의 부분 프로세스일 수 있다. 예를 들어, 초기 트레이닝 데이터세트는 가용한 데이터 및/또는 샘플들로부터 형성될 수 있다. 일부 실시예들에서, 가용한 데이터 및/또는 샘플들은 공개적으로 이용가능할 수 있다. 이러한 실시예에서, 가용한 IC는 다양한 finFET들 및 주변 회로, 예컨대 finFET의 뱅크 및 접속 전기적 트레이스의 이미지들을 형성하기 위해 사용될 수 있다. 획득된 이미지들은 주석이 달리고, 가중치/품질 특징이 부여될 것이다. 그 후, 트레이닝 세트는 MLS(114)를 처음 트레이닝시키기 위해 사용될 수 있다. 이어서, 제2 트레이닝 세트가 마찬가지로 형성될 수 있지만, 제2 트레이닝 세트는 최종 사용자에 의해 획득되고 주석이 달린 전용 이미지들을 사용할 수 있다. 그 후, 제2 트레이닝 세트는 예를 들어 MLS(114)를 다시 트레이닝하기 위해 제1 트레이닝 세트를 업데이트하는 데에 사용될 수 있다. 물론, 이에 대한 다른 가능한 치환이 구현될 수 있다. 예를 들어, 가용한 데이터만으로 만들어진 트레이닝 세트가 사용될 수도 있고, 또는 대안적으로 전용 이미지들만의 트레이닝 세트가 사용될 수 있다.
도 2는 본 개시의 일 실시예에 따른 인공 지능을 사용하여 프로세스 종료 지점을 결정하기 위한 예시적인 방법(200)이다. 방법(200)은 하나 이상의 이중 빔 시스템, 예컨대 전자 빔 및 집속 이온 빔을 포함하는 시스템에 의해 구현될 수 있다. 예를 들어, 시스템(100)은 방법(200)을 구현할 수 있다. 방법(200)은 예를 들어 라멜라를 형성하기 위해 사용될 수 있는 하나 이상의 밀링 프로세스에 대한 종료 지점을 결정하는 데에 사용될 수 있다. 그러나, 다른 실시예들에서, 방법(200)은 후속 프로세스로 진행하기 전에 하나 이상의 원하는 특징부들을 발견하기 위한 프로세스의 정지 지점을 결정하도록 구현될 수 있다. 어느 경우에도, 방법(200)은 종료 지점에 도달되는 때를 결정하기 위해 하나 이상의 이미지들의 AI 기반 분석을 포함할 수 있다. AI 기반 분석은 ANN(114)과 같은 ANN, 또는 기계 학습 알고리즘에 의해 수행될 수 있으며, 이들 모두는 하전 입자 이미지들 내의 특징부들의 분석에 기초하여 원하는 종료 지점을 인식하도록 트레이닝될 수 있다.
방법(200)은 벌크 재료로부터 샘플을 형성하는 단계를 포함하는 프로세스 블록(201)으로 시작할 수 있다. 이 실시예에서, 샘플은 청크(chunk)로 지칭될 수도 있다. FIB는 예를 들어 웨이퍼로부터 청크를 형성하기 위해 사용될 수 있다. 청크는 예를 들어 TEM을 이용한 이미징과 같은 방법으로 분석하고자 하는 하나 이상의 특징부들을 포함할 수 있다. 일부 실시예들에서, 하나 이상의 특징부들은 몇몇 예에서 finFET일 수 있는 하나 이상의 트랜지스터들의 소스, 드레인, 및/또는 게이트일 수 있다. 청크의 양 측면 상에 트렌치를 형성하고, 이어서 청크의 바닥 및 측면들 상에서의 샘플과 청크 사이를 밀링하여 샘플로부터 청크를 방출시킴으로써 청크는 샘플로부터 밀링될 수 있다. 일부 실시예들에서, 청크는 라멜라의 제1 형태일 수 있다.
프로세스 블록(201)은 프로세스 블록(203)에 의해 후속될 수 있고, 프로세스 블록(203)은 청크의 면(face)을 밀링하는 단계를 포함한다. 청크가 형성된 후, 청크는 그 안에 중심을 두는 하나 이상의 관심 특징부들을 갖는 라멜라를 형성하기 위해 더 처리, 예컨대 박화될 수 있다. 일부 실시예들에서, 청크의 면의 밀링은 2 내지 5 나노미터의 재료를 제거하는 결과를 야기한다. 물론, 더 많거나 더 적은 재료가 밀링 프로세스 동안 제거될 수 있다. 일부 실시예들에서, 해당 면의 밀링은 초기에는 종료 지점이 얻어질 때까지 높은 또는 중간 에너지 레벨(둘 모두 가능함)에서 수행될 수 있고, 이후에는 청크의 면을 "깨끗하게" 하기 위해 낮은 에너지 밀링이 후속될 수 있다.
일부 실시예들에서, 표면을 밀링하여 재료를 제거하는 대신, 재료를 제거 또는 에칭하기 위해 레이저를 사용하여 재료 제거가 수행될 수 있고 또는 마이크로톰과 같은 날카로운 모서리를 사용하여 재료를 제거할 수 있다. 일반적으로, 임의의 형태의 재료 제거는 방법(200)에서 종료 지점 검출에 영향을 주지 않으면서 구현될 수 있다.
프로세스 블록(203) 이후에는 프로세스 블록(205)이 후속될 수 있고, 프로세스 블록(205)은 청크의 면을 이미징하는 단계를 포함한다. 청크의 면은 전자 빔 또는 이온 빔과 같은 하전 입자 빔에 의해 이미징될 수 있다. 일부 실시예들에서, SEM 이미지는 청크의 면으로 형성될 수 있다. 종료 지점 결정이 이루어질 수 있도록 이미지가 획득될 수 있다.
프로세스 블록(205) 이후에는 프로세스 블록(207)이 후속될 수 있고, 프로세스 블록(207)은 종료 지점에 도달했는지를 결정하기 위해 인공 지능을 사용하여 이미지를 분석하는 단계를 포함한다. 위에서 언급한 바와 같이, 종료 지점은 후속 프로세스를 수행하기 전에 프로세스를 종료하기 위한 청크/라멜라 내의 위치일 수 있거나, 또는 관심 특징부가 라멜라 내에서 중심이 되도록, 밀링을 종료시키는 위치일 수 있다. 분석을 위해 구현된 AI는 ANN 또는 MLS(114)와 같은 기계 학습 알고리즘일 수 있다. 일부 실시예들에서, ANN은 종료 지점에 도달되었는지 여부를 결정하기 위해 이미지들을 분할하거나 분류하는 CNN 또는 RCNN일 수 있다. 다른 실시예들에서, 기계 학습 알고리즘은 종료 지점에 도달되었는지 여부를 결정하기 위해 특징 벡터에 기초한 분석을 수행한다. 어느 실시예에서든지, 종료 지점은 관심 특징부(들)에 대하여 청크/라멜라의 면의 위치를 나타내는 이미지 내의 특징부들에 기초할 수 있다.
일부 실시예들에서, 프로세스 블록(207)은 관심 특징부 주위에서의 경계상자의 배치를 더 포함할 수 있다. 경계상자의 배치는 ANN이 이미지 내에서 관심 특징부의 크기 및/또는 위치를 결정하게 한다.
분석의 결과가 종료 지점에 도달하지 않았다는 것인 경우, 방법(200)은 프로세스 블록(203)으로 복귀하여 청크의 면으로부터 추가적인 층을 밀링시킨다. 한편, 분석의 결과가 종료 지점에 도달했다는 것인 경우, 방법(200)은 방법(200)을 종료시키는 프로세스 블록(209)으로 진행한다.
도 3은 본 개시의 일 실시예에 따른 종료 지점 검출에 사용되는 인공 신경망을 트레이닝시키기 위한 예시적인 방법(300)이다. 방법(300)은 CNN, RNN, RCNN, 또는 기계 학습 알고리즘과 같은, 통상의 기술자에게 알려진 임의의 유형의 ANN에 의해 수행될 수 있다. 본 방법은 CPM 시스템의 일부가 아니지만, 방법(300)에 의한 처리를 위해 CPM 시스템에 의해 획득되는 이미지들을 수신하는 컴퓨팅 시스템에 의해 수행될 수 있다. 일반적으로, 방법(300)은 초기에 가용 데이터를 이용하여 ANN을 트레이닝시킬 수 있고, 그 다음에 상기 초기에 트레이닝된 ANN은 최종 사용자 전용 데이터를 사용하여 업데이트될 수 있다.
방법(300)은 가용한 이미지들을 획득하는 단계를 포함하는 프로세스 블록(301)에서 시작할 수 있다. 가용한 이미지들은 최종 사용자의 것들과 유사한 전기 회로들의 전자 현미경 이미지들일 수 있다. 예를 들어, 가용한 이미지들은 집적 회로들을 디-프로세싱(de-processing)하고, 능동 회로의 절단면들을 이미징함으로써 획득되는 finFET의 이미지일 수 있다. 또한, 최종 사용자는 더 이상 전용의 것으로 간주되지 않는 내부적으로 획득된 이미지들을 제공할 수 있다. 일부 실시예들에서, 획득된 이미지들은 다수의 회로 구성요소들, 예컨대 트랜지스터들의 소스, 드레인, 게이트, 등등의 상이한 부분들이 순차적으로 이미징될 때 특징부들/구조물들의 변화를 나타내는 일련의 절단면 이미지들을 포함할 수 있다.
프로세스 블록(301) 이후에는 (선택적인) 프로세스 블록(303)이 후속될 수 있고, 프로세스 블록(303)은 초기 트레이닝 데이터를 형성하기 위해 가용한 이미지들에 주석을 다는 단계를 포함한다. 주석은 다른 것들로부터 특징부들을 결정할 수 있고 각각의 주석이 달린 이미지에 품질 또는 가중치 점수를 더 매길 수 있는 숙련된 기술자에 의해 수행될 수 있다. 일부 실시예들에서, 트레이닝된 신경망은 가용한 이미지들에 주석을 달기 위해 사용될 수 있으며, 이는 신경망의 주석 달린 이미지들 중 적어도 일부를 검증하기 위해 숙련된 기술자에 의해 검토될 수 있다. 다른 실시예들에서, 숙련된 기술자에 의해 검토되고 정정될 수 있는 초기 주석들을 제공하기 위해 반-감독하는/감독되지 않은 기계 학습/클러스터링 알고리즘들을 사용하여 주석들이 이미지들에 추가될 수 있다. 또 다른 실시예들에서, 가용한 이미지들은 이미 주석이 달려있을 수 있고, 이는 프로세스 블록(303)에 대한 필요를 제거할 것이다. 기계 학습 알고리즘 기반 분석과 관련하여, 주석이 달린 이미지들은 이미지에 포함된 특징들, 예컨대 각각의 이미지에 대한 특징 벡터의 정보/분석을 더 포함할 수 있다.
프로세스 블록(303) 이후에는 초기 트레이닝 데이터에 기초하여 트레이닝 모델을 형성하는 단계를 포함하는 프로세스 블록(305)이 후속될 수 있다. 트레이닝 모델은 본원에서 설명되는 바와 같이 종료 지점 검출에 이용되는 인공 신경망 또는 기계 학습 알고리즘을 트레이닝시키는 데에 사용될 수 있다.
프로세스 블록(305) 이후에는 프로세스 블록(307)이 후속될 수 있고, 프로세스 블록(307)은 보충적인 트레이닝 데이터를 형성하기 위해 전용 이미지들에 주석을 다는 단계를 포함한다. 전용 이미지들의 주석은 프로세스 블록(303)에서 수행되는 바와 같이, 예컨대 숙련된 기술자에 의해, 인공 신경망에 의해, 또는 반-감독된/감독되지 않은 기계 학습 알고리즘에 의해 실질적으로 수행될 수 있다. 프로세스 블록(307) 이후에는, 보충적인 트레이닝 데이터에 기초하여 트레이닝 모델을 업데이트하는 것을 포함하는 프로세스 블록(309)이 후속될 수 있다. 본원에서 설명되는 바와 같이 업데이트된 트레이닝 모델은 이후에 종료 지점 검출을 위해 이용되는 인공 신경망 또는 기계 학습 알고리즘을 다시 트레이닝시키기 위해 사용될 수 있다.
방법(300)은 프로세스 블록들(307 및 309)이 프로세스 블록들(301 내지 305) 이후에 수행됨을 나타내지만, 방법(300)의 실행이 이러한 방식으로 진행될 필요는 없다. 일부 실시예들에서, 프로세스 블록(301 내지 305)은 실질적으로 병렬로 또는 프로세스 블록들(307 및 309) 이후에 수행될 수 있다. 방법(300)의 최종 결과는 반도체 결함 분석을 위한 라멜라를 형성하는 데 사용되는 바와 같은 목적하는 종료 지점을 검출하는 데 사용되는 트레이닝된 인공 신경망 또는 기계 학습 알고리즘일 수 있고, 이는 이러한 라멜라 형성 프로세스의 거의 완전한 자동화를 초래할 수 있다.
도 4는 본원에 개시된 일 실시예에 따른 이미지들의 연관된 MLS 분석을 포함하는 예시적인 이미지 시퀀스(400)이다. 이미지 시퀀스(400)는 적어도 부분적으로 트레이닝된 인공 신경망에 의해 결정되는 바와 같은 샘플 내의 위치들 및 연관된 클래스 확률을 도시한다. 클래스 확률은 소스, 드레인, 또는 게이트 중 어느 하나의 이미지 내의 특징부들에 대한 클래스 확률들의 측정(determination)들을 도시한다. 도 4에 나타낸 바와 같이, 확률 1은 게이트 측정에 대한 것이고, 확률 2는 소스/드레인 측정에 대한 것이다. 도 4는 원하는 종료 지점을 포함하지 않는 반면, 임의의 위치 및/또는 이미지는 분석 지점, 예컨대 관심 특징부가 위치될 수 있는 곳에 기초한, 원하는 종료 지점일 수 있다. 예를 들어, 분석 지점이 이미지(415)의 특징부를 포함하는 경우, 프로세싱 종료 지점은 이미지(415)의 위치 앞의 수 나노미터일 수 있다. 일부 실시예들에서, 이미지 시퀀스(400)는 트레이닝 데이터로서 사용될 수도 있다.
도 4에 포함된 그래프는 MLS(114)에 의해 구현될 수 있는 ANN의 분석이 각각의 이미지의 분류 확률에 기초하여 이미지 내의 특징부가 소스, 드레인 또는 게이트인지를 결정하는 방법을 나타낸다. 이 실시예에서, 구현된 ANN은 이미지들을 분류하고 있지만, 다른 실시예들에서 이미지들은 어떤 특징부 또는 특징부들이 이미지에 있는지를 결정하기 전에 ANN에 의해 분할될 수 있다. 다른 실시예들에서, 기계 학습 알고리즘은 각각의 특징부 유형, 예컨대 소스, 드레인 및 게이트에 대한 특징 벡터에 기초하여 상기 측정을 할 수 있다. 각각의 이미지가 샘플의 상이한 슬라이스로부터 도출되는, 각각의 이미지에 대한 확률 측정이 이루어진다. 이 실시예에서, 각각의 슬라이스는 밀링 프로세스가 수행된 후의 샘플의 면 또는 표면이며, 여기서 밀링 프로세스는 2 내지 5나노미터의 재료를 제거한다. 이러한 슬라이싱 방법, 예컨대 밀링 이후에는 얇은 층을 제거하여 부피를 완전히 밝혀내는 것에 의해 샘플의 부피가 이미징되는, 슬라이스 및 뷰 프로세스로서 지칭될 수도 있는 이미징이 후속된다. 이러한 과정은 트레이닝 이미지들을 생성하는 데에 사용될 수 있지만, 본원에 개시된 바와 같은 라멜라를 형성하는 데에도 사용될 수 있다. 그러나, 라멜라 형성의 관점에서 식별된 종료 지점에서 프로세스가 종료되기 전에 제한된 수의 슬라이스 및 뷰 단계들이 수행될 수 있다.
도 4에서 알 수 있는 바와 같이, 특징부가 게이트인 경우의 클래스 확률(확률 1)은, 특징부가 소스 또는 드레인인 경우의 클래스 확률(확률 2)과는 반대로 진동한다. 이러한 반대되는 진동은 finFET 들의 물리적 배향에 관하여 슬라이스들 및 이미지들의 방향에 기인할 수 있다. 예를 들어, 슬라이스들은 도 4에 대한 finFET의 융기(ridge)를 따라 절단되고, 이는 진동으로 도시된다. 이미징에 대한 finFET의 이러한 배향이 요구될 수 있지만, 어떤 경우에는, 예를 들어, 이미지들이 소스/드레인 및 게이트 모두의 부분들을 포함하는 경우에는 이미징된 면으로부터의 샘플의 회전과 같은 잘못된 배향이 밝혀질 수 있다. 이러한 유형의 잘못된 배향이 밝혀지면, 후속 밀링 단계는 배향을 완화시키기 위해, 예컨대 샘플 표면의 영역으로 제한되게 수정될 수 있다. 또한, 오직 2개의 클래스 확률 측정들만이 도시되어 있더라도 다른 측정들이 이미지 시퀀스(400) 내에서 만들어지고 포함될 수 있다. 예를 들어, 이미지가 다수의 핀(fin)을 포함하는지 또는 게이트가 아닌 이미지를 포함하는지를 결정하는 클래스 확률이 또한 만들어질 수 있다.
슬라이스(20)에 대응하는 이미지(411)는 ANN에 의해, 게이트의 이미지인 경우 1의 클래스 확률을 갖는 것으로 결정되었다. 더 많은 슬라이스가 제거됨에 따라, 확률 1은 빠르게 0으로 떨어지는 반면, 확률 2는 이미지(413)에 대해 1로 급등한다. 대략 슬라이스(28)에 대응하는 이미지(413)는 이미지(411)내의 게이트를 갖는 finFET의 소스 또는 드레인일 수 있거나, 또는 이미지(413) 내의 소스/드레인 특징부들은 이미지(415)의 게이트를 갖는 후속하는 finFET에 대한 것일 수 있다. 전술한 바와 같이, 소스/드레인 및 게이트 측정들의 시퀀스를 추적하는 것은 ANN에 의해 수행된 이미지 분류의 상부에서 종료 지점이 획득되었을 때를 결정하는 것을 도울 수 있다. 분류 확률 및 이미지들은 특징부들이 이미지 내에서 어떻게 변화하는지를 보여주도록 이미지(421)를 통해 계속된다.
일 실시예에 따르면, 본원에 설명된 기술은 하나 이상의 특수 목적 컴퓨팅 디바이스에 의해 구현된다. 상기 특수 목적 컴퓨팅 디바이스는 해당 기술들을 수행하기 위해 하드웨어 연결될 수 있거나, 또는 해당 기술들을 수행하도록 영구적으로 프로그램되는 하나 이상의 ASIC(application-specific integrated circuit), 필드 프로그래머블 게이트 어레이(field programmable gate array), VPU(visual processing unit), 또는 NPU(network processing unit)와 같은 디지털 전자 장치를 포함할 수 있거나, 또는 펌웨어, 메모리, 기타 스토리지 또는 조합 내의 프로그램 명령들에 따라 해당 기술들을 수행하도록 프로그래밍된 하나 이상의 범용 하드웨어 프로세서 또는 GPU(graphic processing unit)를 포함할 수 있다. 이러한 특수 목적 컴퓨팅 디바이스는 또한 맞춤형 하드와이어드 로직, ASIC, FPGA, 또는 NPU를 상기 기술을 이루기 위한 맞춤형 프로그래밍과 결합시킬 수도 있다. 상기 특수 목적 컴퓨팅 디바이스는 데스크톱 컴퓨터 시스템, 휴대용 컴퓨터 시스템, 휴대용 디바이스, 네트워킹 디바이스, 또는 상기 기술을 구현하기 위한 하드와이어드 및/또는 프로그램 로직을 통합시킨 임의의 다른 디바이스일 수 있다.
예를 들어, 도 5는 본 발명의 일 실시예가 구현될 수 있는 컴퓨터 시스템(500)의 예시적인 기능 블록도이다. 컴퓨팅 시스템(500)은 CPM 환경(102), 그러한 컨트롤러(112), 이미징 플랫폼(108), 샘플 준비 플랫폼(110), 및/또는 서버들(106)과 함께 포함된 컴퓨팅 하드웨어의 일례일 수 있다. 부가적으로, 컴퓨터 시스템(500)은 MLS(114)와 같은 본원에 개시된 하나 이상의 신경망 또는 기계 학습 알고리즘을 구현하는 데에 사용될 수 있다. 컴퓨터 시스템(500)은 정보를 통신하기 위한 버스(540) 또는 다른 통신 메커니즘과, 정보를 처리하기 위해 버스(540)와 연결된 하드웨어 프로세서(542)를 적어도 포함한다. 하드웨어 프로세서(542)는 예를 들면 범용 마이크로프로세서일 수 있다. 컴퓨팅 시스템(500)은 여기에 개시된 방법들 및 기법들, 예컨대 방법들(301 및 401)을 구현하는 데에 사용될 수 있고, 또한 이미지들을 획득하고 상기 이미지들을 하나 이상의 클래스로 분할하는 데에도 사용될 수 있다.
컴퓨터 시스템(500)은 또한, 프로세서(542)에 의해 실행될 정보 및 명령을 저장하기 위한, 버스(540)에 연결된 랜덤 액세스 메모리(RAM) 또는 다른 동적 저장 디바이스 등과 같은 메인 메모리(544)도 또한 포함한다. 메인 메모리(544)는 프로세서(542)에 의해 실행되는 명령들이 실행되는 동안 일시적 변수들 또는 다른 중간 정보를 저장하기 위해서도 사용될 수 있다. 상기 명령들은 프로세서(542)에 액세스 가능한 비일시적 저장 매체에 저장된 경우, 컴퓨터 시스템(500)을 명령들 안에 특정되어 있는 작동들을 수행하도록 커스터마이징되는 특수 목적 기계로 만든다.
컴퓨터 시스템(500)은 프로세서(542)를 위해 정적 정보 및 명령들을 저장하기 위한, 버스(540)에 연결된 읽기 전용 메모리(ROM)(546) 또는 기타 정적 저장 디바이스를 추가로 포함한다. 자기 디스크 또는 광디스크와 같은 저장 디바이스(548)가 정보 및 명령들을 저장하기 위해 제공되어 버스(540)에 연결된다.
컴퓨터 시스템(500)은 컴퓨터 사용자에게 정보를 표시하기 위한 음극선관(CRT)과 같은 디스플레이(550)에 버스(540)를 통해 연결될 수 있다. 정보 및 명령 선택을 프로세서(542)로 전달하기 위해 문자숫자식 키 및 그 밖의 다른 키를 포함하는 입력 디바이스(552)가 버스(540)에 연결된다. 방향 정보 및 명령 선택을 프로세서(542)로 전달하고 디스플레이(550) 상에서의 커서 이동을 제어하기 위한 또 다른 형태의 사용자 입력 디바이스인 커서 컨트롤러(554)에는 예컨대 마우스, 트랙볼, 또는 커서 방향키 등이 있다. 이 입력 디바이스는 통상적으로 제1 축(예: x축)과 제2 축(예: y축)인 2개의 축에서 2개의 자유도를 갖는데, 이는 상기 입력 디바이스로 하여금 평면에서 위치들을 지정할 수 있게 한다.
컴퓨터 시스템(500)은 이 컴퓨터 시스템(500)을 이와 조합되어서 특수 목적 기계로 만들거나 프로그램하는 주문형 하드와이어드 로직, 하나 이상의 ASIC 또는 FPGA, 펌웨어 및/또는 프로그램 로직을 사용하여, 본원에 설명된 기술들을 구현할 수 있다. 일 실시예에 따르면, 본원의 기술들은 메인 메모리(544)에 담겨 있는 하나 이상의 명령의 하나 이상의 시퀀스를 실행하는 프로세서(542)에 응답하여 컴퓨터 시스템(500)에 의하여 수행된다. 이러한 명령들은 저장 디바이스(548)과 같은 또 다른 저장 매체로부터 메인 메모리(544)로 읽어 들여진다. 메인 메모리(544)에 담겨 있는 명령 시퀀스들이 실행되면 프로세서(542)가 본원에 기재된 프로세스 단계들을 수행하게 된다. 대안적인 실시예에서, 하드와이어드 회로가 소프트웨어 명령 대신에 혹은 소프트웨어 명령과 결합되어 사용될 수 있다.
본원에서 사용되는 "저장 매체"라는 용어는 기계를 특정 방식으로 작동하게 하는 데이터 및/또는 명령을 저장하는 임의의 비일시적 매체를 지칭한다. 이러한 저장 매체는 비휘발성 매체 및/또는 휘발성 매체를 포함할 수 있다. 비휘발성 매체는, 예를 들면, 저장 디바이스(548)와 같은 광디스크 또는 자기 디스크를 포함한다. 휘발성 매체는 메인 메모리(544)와 같은 동적 메모리를 포함한다. 일반적인 형태의 저장 매체는 예를 들어 플로피 디스크, 플렉시블 디스크, 하드 디스크, 솔리드스테이트 드라이브, 자기 테이프, 또는 임의의 다른 자기 데이터 저장 매체, CD-ROM, 임의의 다른 광 데이터 저장 매체, 홀들의 패턴을 갖는 임의의 물리적 매체, RAM, PROM 및 EPROM, FLASH-EPROM, NVRAM, 임의의 다른 메모리 칩 또는 카트리지, CAM(Content-Addressable Memory), 및 TCAM(Ternary Content-Addressable Memory)을 포함할 수 있다.
저장 매체는 전송 매체와 구별되지만 전송 매체와 함께 사용될 수 있다. 전송 매체는 저장 매체들 사이에서 정보를 전송하는 데 관여한다. 예를 들어, 전송 매체는 버스(540)를 포함하는 와이어를 포함하여, 동축 케이블, 구리 와이어, 및 광섬유를 포함한다. 전송 매체는 또한 전파 통신 및 적외선 데이터 통신 중에 생성되는 것과 같은 음파 또는 광파의 형태를 취할 수도 있다.
다양한 형태의 매체가 하나 이상의 명령의 하나 이상의 시퀀스를 실행하기 위해 프로세서(542)로 전송하는 데 관여할 수 있다. 예를 들어, 명령들은 초기에는 원격 컴퓨터의 자기 디스크 또는 솔리드스테이트 드라이브에 보유될 수 있다. 원격 컴퓨터는 명령들을 그의 동적 메모리로 로딩하고, 그 명령들을 모뎀을 이용하여 전화선을 통해 송신할 수 있다. 컴퓨터 시스템(500)에 로컬 접속된 모뎀은 전화선에서 데이터를 수신할 수 있으며, 그 데이터를 적외선 신호로 변환시키기 위해 적외선 송신기를 사용할 수 있다. 적외선 검출기가 적외선 신호에 실어 보낸 데이터를 수신하고, 적합한 회로가 그 데이터를 버스(540)에 위치시킬 수 있다. 버스(540)는 데이터를 메인 메모리(544)로 보내고, 프로세서(542)는 상기 메인 메모리로부터 명령들을 가져와서 실행한다. 메인 메모리(544)가 수신한 명령들은 프로세서(542)가 실행하기 전이나 후에 저장 디바이스(548)에 선택적으로 저장될 수 있다.
컴퓨터 시스템(500)은 또한 버스(540)에 연결된 통신 인터페이스(556)도 포함한다. 통신 인터페이스(556)는 로컬 네트워크(560)에 접속된 네트워크 링크(558)에 양방향 데이터 통신 연결을 제공한다. 예를 들어, 통신 인터페이스(556)는 종합정보통신망(ISDN) 카드, 케이블 모뎀, 위성 모뎀, 또는 대응하는 유형의 전화선에 데이터 통신 접속을 제공하는 모뎀일 수 있다. 다른 예로서, 통신 인터페이스(556)는 호환 가능한 LAN에 데이터 통신 접속을 제공하기 위한 근거리 통신망(LAN) 카드일 수 있다. 무선 링크가 또한 구현될 수 있다. 임의의 그러한 구현예에서, 통신 인터페이스(556)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림을 운반하는 전기 신호, 전자기 신호, 또는 광 신호를 송수신한다.
네트워크 링크(558)는 일반적으로 하나 이상의 네트워크를 통해 다른 데이터 장치에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(558)는 로컬 네트워크(560)를 통해 호스트 컴퓨터(562) 또는 인터넷 서비스 제공자(ISP)(564)에 의해 운영되는 데이터 장비에 접속을 제공할 수 있다. 다음으로 ISP(564)는 이제는 일반적으로 "인터넷"(566)이라고 칭하는 월드 와이드 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(560)와 인터넷(566)은 모두 디지털 데이터 스트림을 운반하는 전기 신호, 전자기 신호, 또는 광 신호를 사용한다. 다양한 네트워크를 통한 신호와, 컴퓨터 시스템(500)으로 그리고 컴퓨터 시스템(500)으로부터 디지털 데이터를 보내는 네트워크 링크(558) 상의 또는 통신 인터페이스(556)를 통한 신호는 전송 매체의 예시 형태이다.
컴퓨터 시스템(500)은 네트워크(들), 네트워크 링크(558) 및 통신 인터페이스(556)를 통해 메시지를 송신하고 프로그램 코드를 포함하여 데이터를 수신할 수 있다. 인터넷 예에서, 서버(568)는 어플리케이션 프로그램을 위한 요청된 코드를 인터넷(566), ISP(564), 로컬 네트워크(560) 및 통신 인터페이스(556)를 통해 전송할 수 있다.
수신된 코드는 프로세서(542)가 수신하고/하거나 나중에 실행하기 위해 저장 디바이스(548) 또는 다른 비휘발성 저장 디바이스에 저장될 때에 프로세서(542)에 의해 실행될 수 있다.
일부 예에서, 값, 절차 또는 장치는 "최저", "최고", "최소" 등으로 지칭된다. 이러한 설명은 다수의 사용된 기능적 대안들 중에서 선택이 이루어질 수 있으며, 그러한 선택이 다른 선택에 대해 더 양호하거나, 더 적거나, 또는 다른 방식으로 바람직할 필요는 없음을 나타내도록 의도되는 것으로 이해될 것이다. 또한, 선택된 값은 수치 또는 다른 근사 수단에 의해 얻어질 수 있으며 이론적으로 정확한 값에 대한 근사치일 수 있다.

Claims (20)

  1. 하전 입자 빔에 의해, 복수의 특징부들을 포함하는 샘플의 표면의 이미지를 획득하는 단계;
    머신 러닝 시스템에 의해, 상기 이미지를 분석하여 상기 이미지에서 관찰가능한 상기 복수의 특징부들 중 관심 특징부에 상기 샘플의 밀링된 면의 상대적인 위치를 결정하는 단계;
    상기 상대적인 위치에 기초하여, 상기 샘플의 표면의 밀링을 조절하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 머신 러닝 시스템은 인공 신경망인, 방법.
  3. 제2항에 있어서, 상기 인공 신경망은 컨볼루션 신경망, 멀티레이어 퍼셉트론(multi-layer perceptron), 또는 순환 신경망(recurrent neural network)인, 방법.
  4. 제1항에 있어서, 머신 러닝 시스템에 의해 상기 이미지를 분석하여 상기 상대적인 위치를 결정하는 단계는:
    상기 관심 특징부에 대한 상기 밀링된 면의 상대적인 회전을 결정하는 단계; 및
    상기 샘플의 표면을 획득된 복수의 이미지들에 걸쳐 상기 상대적인 회전의 양을 추적하는 단계를 포함하는, 방법.
  5. 제4항에 있어서, 상기 샘플의 표면의 밀링을 조절하는 단계는, 상대적 회전의 양을 최소화하거나 제거하도록 상기 밀링을 조절하는 단계를 포함하는, 방법.
  6. 제1항에 있어서, 상기 머신 러닝 시스템에 의해 상기 이미지를 분석하여 상기 상대적 위치를 결정하는 단계는:
    상기 머신 러닝 시스템에 의해, 상기 복수의 특징부들 중 적어도 하나에 대한 제1 클래스 확률 및 제2 클래스 확률을 결정하는 단계; 및
    상기 제1 클래스 확률 및 제2 클래스 확률에 기초하여 이미징된 표면으로부터 상기 샘플의 회전을 결정하는 단계를 포함하는, 방법.
  7. 제6항에 있어서, 상기 제1 클래스 확률 및 제2 클래스 확률에 기초하여 상기 이미징된 표면으로부터 상기 샘플의 회전을 결정하는 단계는, 상기 샘플의 표면의 복수의 이미지들에 걸쳐 상기 제1 클래스 확률 및 제2 클래스 확률의 진동에 기초하여 상기 회전을 결정하는 단계를 포함하는, 방법.
  8. 제6항에 있어서, 상기 샘플의 표면의 밀링을 조절하는 단계는, 상기 밀링된 샘플의 표면의 면적을 제한하는 단계를 포함하는, 방법.
  9. 제1항에 있어서, 상기 복수의 특징부들은 회로 구조물인 것인, 방법.
  10. 제1항에 있어서, 상기 샘플은 라멜라(lamella)인 것인, 방법.
  11. 샘플들을 처리하기 위한 하전 입자 현미경 시스템으로서,
    집속 이온 빔(focused ion beam)을 제공하는 이온 컬럼;
    전자 빔을 제공하는 전자 컬럼; 및
    코드를 포함하는 컨트롤러를 포함하고,
    상기 코드는 실행시 상기 하전된 입자 현미경이:
    상기 전자 빔에 의해, 복수의 특징부들을 포함하는 샘플의 표면의 이미지를 획득하고,
    머신 러닝 시스템에 의해, 상기 이미지에서 관찰가능한 복수의 특징부들에서 관심 특징부에 대해 상기 샘플의 밀링된 면의 상대적인 위치를 결정하도록 상기 이미지를 분석하고,
    상기 상대적인 위치에 기초하여, 상기 집속 이온 빔에 의해, 상기 샘플의 표면의 밀링을 조절하도록,
    야기하는 것인, 시스템.
  12. 제11항에 있어서, 상기 머신 러닝 시스템은 인공 신경망인, 시스템.
  13. 제12항에 있어서, 상기 인공 신경망은 컨볼루션 신경망, 지역(regional) 컨볼루션 신경망, 완전 컨볼루션 신경망, 멀티레이어 퍼셉트론, 또는 순환 신경망인, 시스템.
  14. 제11항에 있어서, 상기 머신 러닝 시스템에 의해 상기 이미지를 분석하여 상기 하전된 입자 현미경이 상기 상대적인 위치를 결정도록 야기하는 코드는, 실행시 상기 하전된 입자 현미경이:
    상기 관심 특징부에 대한 상기 밀링된 면의 상대적인 회전을 결정하고;
    상기 샘플의 표면의 획득된 복수의 이미지들에 걸쳐 상기 상대적인 회전의 양을 추적하도록,
    야기하는 코드를 더 포함하는, 시스템.
  15. 제14항에 있어서, 상기 하전된 입자 현미경이 상기 밀링을 조절하도록 야기하는 코드는, 실행시 상기 하전된 입자 현미경이 상기 밀링을 조절하여 상대적인 회전 양을 최소화하거나 제거하도록 야기하는 코드를 더 포함하는, 시스템.
  16. 제11항에 있어서, 상기 머신 러닝 시스템에 의해 상기 하전된 입자 현미경이 상기 이미지를 분석하여 상기 상대적인 위치를 결정하도록 야기하는 코드는, 실행시 상기 하전된 입자 현미경이:
    상기 머신 러닝 시스템에 의해, 상기 복수의 특징부들 중 적어도 하나에 대한 제1 클래스 확률 및 제2 클래스 확률을 결정하고;
    상기 제1 클래스 확률 및 제2 클래스 확률에 기초하여 이미징된 표면으로부터 상기 샘플의 회전을 결정하도록,
    야기하는 코드를 더 포함하는, 시스템.
  17. 제16항에 있어서, 상기 하전된 입자 현미경이 상기 회전을 결정하도록 야기하는 코드는, 실행시 상기 하전된 입자 현미경이 상기 샘플의 표면의 복수의 이미지들에 대한 상기 제1 확률 및 제2 확률의 진동에 기초하여 상기 회전을 결정하도록 야기하는 코드를 더 포함하는, 시스템.
  18. 제16항에 있어서, 상기 하전된 입자 현미경이 상기 밀링을 조절하도록 야기하는 코드는, 실행시 상기 하전된 입자 현미경이 상기 밀링된 샘플의 표면의 면적을 제한하도록 야기하는 코드를 더 포함하는, 시스템.
  19. 제11항에 있어서, 상기 복수의 특징부들은 회로 구조물들인, 시스템.
  20. 제11항에 있어서, 상기 샘플은 라멜라(lamella)인, 시스템.

KR1020230164838A 2019-02-28 2023-11-23 인공 지능 기반 프로세스 종료 지시 KR20230163340A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962812168P 2019-02-28 2019-02-28
US16/409,477 US11176656B2 (en) 2019-02-28 2019-05-10 Artificial intelligence-enabled preparation end-pointing
US16/409,477 2019-05-10
KR1020200019345A KR102607440B1 (ko) 2019-02-28 2020-02-18 인공 지능 기반 프로세스 종료 지시

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200019345A Division KR102607440B1 (ko) 2019-02-28 2020-02-18 인공 지능 기반 프로세스 종료 지시

Publications (1)

Publication Number Publication Date
KR20230163340A true KR20230163340A (ko) 2023-11-30

Family

ID=72237217

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200019345A KR102607440B1 (ko) 2019-02-28 2020-02-18 인공 지능 기반 프로세스 종료 지시
KR1020230164838A KR20230163340A (ko) 2019-02-28 2023-11-23 인공 지능 기반 프로세스 종료 지시

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200019345A KR102607440B1 (ko) 2019-02-28 2020-02-18 인공 지능 기반 프로세스 종료 지시

Country Status (3)

Country Link
US (3) US11176656B2 (ko)
KR (2) KR102607440B1 (ko)
CN (1) CN111915551B (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4409544A1 (en) * 2021-10-01 2024-08-07 Fei Company Data triage in microscopy systems
CN118280859A (zh) * 2024-03-15 2024-07-02 上海欧普泰科技创业股份有限公司 光伏边框孔洞缺陷自动检测方法和系统、电子设备及介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6763130B1 (en) * 1999-07-21 2004-07-13 Applied Materials, Inc. Real time defect source identification
US8350237B2 (en) * 2010-03-31 2013-01-08 Fei Company Automated slice milling for viewing a feature
WO2013192624A1 (en) * 2012-06-22 2013-12-27 Northeastern University Fiber orientation image processing methods and systems
US10465293B2 (en) * 2012-08-31 2019-11-05 Fei Company Dose-based end-pointing for low-kV FIB milling TEM sample preparation
US9165742B1 (en) * 2014-10-10 2015-10-20 Kla-Tencor Corporation Inspection site preparation
CN104551347B (zh) * 2014-12-30 2016-05-25 江苏科技大学 窄间隙焊缝偏差的红外视觉传感检测方法及装置
US9837246B1 (en) * 2016-07-22 2017-12-05 Fei Company Reinforced sample for transmission electron microscope
US9905394B1 (en) * 2017-02-16 2018-02-27 Carl Zeiss Microscopy Gmbh Method for analyzing an object and a charged particle beam device for carrying out this method
US11727020B2 (en) * 2018-10-11 2023-08-15 International Business Machines Corporation Artificial intelligence based problem descriptions

Also Published As

Publication number Publication date
US20220067915A1 (en) 2022-03-03
KR20200130081A (ko) 2020-11-18
US11847813B2 (en) 2023-12-19
US11176656B2 (en) 2021-11-16
CN111915551A (zh) 2020-11-10
US20240071040A1 (en) 2024-02-29
CN111915551B (zh) 2022-09-13
KR102607440B1 (ko) 2023-11-29
US20200279362A1 (en) 2020-09-03

Similar Documents

Publication Publication Date Title
KR20230163340A (ko) 인공 지능 기반 프로세스 종료 지시
US11449977B2 (en) Generating training data usable for examination of a semiconductor specimen
US20210358101A1 (en) Processing image data sets
KR20210087874A (ko) 시편의 기계 학습 기반 결함 검출
US12007335B2 (en) Automatic optimization of an examination recipe
JP7506987B2 (ja) 人工知能対応ボリューム再構築
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
CN110992394A (zh) 使用图像分割的对象跟踪
US11569056B2 (en) Parameter estimation for metrology of features in an image
US20230196189A1 (en) Measurement method and apparatus for semiconductor features with increased throughput
KR20220062328A (ko) 웨이퍼 검사 방법 및 시스템
US11639906B2 (en) Method and system for virtually executing an operation of an energy dispersive X-ray spectrometry (EDS) system in real-time production line
US11947270B2 (en) Metrology of semiconductor devices in electron micrographs using fast marching level sets
US20230034667A1 (en) Artificial Intelligence Enabled Metrology
KR20230161868A (ko) 반도체 시편의 결함 검출
WO2023117238A1 (en) Measurement method and apparatus for semiconductor features with increased throughput
US20240311698A1 (en) Measurement method and apparatus for semiconductor features with increased throughput
CN113947561A (zh) 半导体样本的图像分割

Legal Events

Date Code Title Description
A107 Divisional application of patent