KR20240004240A

KR20240004240A - 반도체 애플리케이션을 위한 딥 생성 모델 기반 정렬

Info

Publication number: KR20240004240A
Application number: KR1020237030423A
Authority: KR
Inventors: 뵈른 브라우어; 리차드 월링포드
Original assignee: 케이엘에이 코포레이션
Priority date: 2021-05-05
Filing date: 2022-04-29
Publication date: 2024-01-11
Also published as: US20220375051A1; US11983865B2; TW202309767A; WO2022235494A1; CN116982078A

Abstract

반도체 애플리케이션을 위한 딥 러닝 정렬을 위한 방법 및 시스템이 제공된다. 하나의 방법은 시편 상의 정렬 타겟에 대한 제1 실제 정보를 GAN과 같은 딥 생성 모델에 입력함으로써 제1 실제 정보를 설계 데이터에서 시편 이미지로 또는 시편 이미지에서 설계 데이터로 변환하는 단계를 포함한다. 이 방법은 또한 변환된 제1 실제 정보를, 변환된 제1 실제 정보와 동일한 정보 유형을 갖는 정렬 타겟에 대한 제2 실제 정보에 정렬하는 단계를 포함한다. 이 방법은 시편에 대해 수행되는 프로세스에서 사용하기 위한 정렬-대-설계 오프셋으로서 결정된 오프셋을 정렬 및 저장한 결과에 기초하여, 변환된 제1 실제 정보와 제2 실제 정보 사이의 오프셋을 결정하는 단계를 추가로 포함한다.

Description

반도체 애플리케이션을 위한 딥 생성 모델 기반 정렬

본 발명은 일반적으로 반도체 애플리케이션을 위한 딥 러닝 정렬에 관한 것이다. 특정 실시예는 시편(specimen)에 대해 수행되는 프로세스에서 사용하기 위한 오프셋을 결정하기 위한 방법 및 시스템에 관한 것이다.

다음의 설명 및 예시는 본 섹션에 포함되어 있기 때문에 선행 기술로 인정되지는 않는다.

집적 회로(integrated circuit; IC) 설계는 전자 설계 자동화(electronic design automation; EDA), 컴퓨터 지원 설계(computer aided design; CAD) 및 기타 IC 설계 소프트웨어와 같은 방법 또는 시스템을 사용하여 개발될 수 있다. 이러한 방법 및 시스템은 IC 설계로부터 회로 패턴 데이터베이스를 생성하는 데 사용될 수 있다. 회로 패턴 데이터베이스는 IC의 다양한 층에 대한 복수의 레이아웃을 나타내는 데이터를 포함한다. 회로 패턴 데이터베이스의 데이터는 복수의 레티클에 대한 레이아웃을 결정하는 데 사용될 수 있다. 레티클의 레이아웃은 일반적으로 레티클 상의 패턴에서 피처(feature)를 정의하는 복수의 다각형을 포함한다. 각 레티클은 IC의 다양한 층 중 하나를 제조하는 데 사용된다. IC의 층은 예를 들어, 반도체 기판의 접합 패턴, 게이트 유전체 패턴, 게이트 전극 패턴, 층간 유전체의 접촉 패턴, 및 금속화 층 상의 상호접속 패턴을 포함할 수 있다.

로직 및 메모리 디바이스와 같은 반도체 디바이스를 제조하는 것은 일반적으로 반도체 디바이스의 다양한 피처 및 다수의 레벨을 형성하기 위해 다수의 반도체 제조 프로세스를 사용하여 반도체 웨이퍼와 같은 기판을 처리하는 것을 포함한다. 예를 들어, 리소그래피(lithography)는 레티클(reticle)로부터 반도체 웨이퍼 상에 배열된 레지스트로 패턴을 전사하는 것을 수반하는 반도체 제조 프로세스이다. 반도체 제조 프로세스의 추가 예는, 화학 기계적 연마(chemical-mechanical polishing; CMP), 에칭, 퇴적, 및 이온 주입을 포함하지만 이에 제한되지는 않는다. 다수의 반도체 디바이스는 단일 반도체 웨이퍼 상의 배열로 제조된 후 개별 반도체 디바이스로 분리될 수 있다.

검사 프로세스는 제조 프로세스에 있어서 더 높은 수율 및 따라서 더 높은 이익을 촉진하도록 웨이퍼 상의 결함을 검출하기 위해 반도체 제조 프로세스 중에 다양한 단계에서 사용된다. 검사는 예를 들어, IC와 같은 반도체 디바이스를 제조할 때 항상 중요한 부분이었다. 그러나 설계 규칙이 축소됨에 따라, 반도체 제조 프로세스가 프로세스의 성능 능력에 대한 제한에 더 가깝게 동작할 수 있다. 또한, 더 작은 결함은 설계 규칙이 축소됨에 따라 디바이스의 전기적 파라미터에 영향을 미칠 수 있으므로, 이는 보다 민감한 검사를 수행하게 한다. 그러므로, 설계 규칙이 축소됨에 따라, 검사에 의해 검출된 잠재적인 수율 관련 결함의 수가 급격히 증가하고, 검사에 의해 검출된 뉴슨스(nuisance) 결함의 수도 급격히 증가한다.

결함이 중요한지 여부와 그 정도를 결정하는 것이 시편 설계에 미치는 영향이기 때문에 결함과 설계 사이의 관계에 초점을 맞추도록 검사 시스템과 방법이 점점 더 많이 설계되고 있다. 예를 들어, 검사와 설계 좌표를 정렬하기 위한 몇 가지 방법이 개발되었다. 이러한 방법 중 하나는 설계에 대한 검사 시스템 좌표 정합(registration)의 정확성에 달려 있다. 또 다른 그러한 방법은 검사 이미지 패치 및 연관 설계 클립에 대해 사후 처리 정렬을 수행하는 것을 수반한다.

현재 사용되는 일부 방법은 도 10에 도시된 바와 같이 설정 웨이퍼 상의 설정 다이에 기초해 패치-대-설계 정렬(patch-to-design alignment; PDA) 트레이닝을 수행하고, 물리학 기반 모델을 사용하여 이미지를 렌더링한다. 예를 들어, 도 10의 단계(1000)에 도시된 바와 같이, 현재 사용되는 방법은 정렬 타겟을 찾기 위해 시편을 스캔할 수 있다. 단계(1002)에 도시된 바와 같이, 본 방법은 각각의 타겟에 대한 설계를 획득할 수 있다. 스캐닝 동안 생성된 이미지와 각각의 타겟에 대해 획득된 설계를 사용하여, 현재 사용되는 방법은 단계(1004)에 도시된 바와 같이 예시적인 타겟으로부터 이미지 렌더링 파라미터를 학습할 수 있다. 그 후, 현재 사용되는 방법은 학습된 이미지 렌더링 파라미터를 사용하여 단계(1006)에 도시된 바와 같이 각각의 타겟에서 설계로부터 이미지를 렌더링할 수 있다. 단계(1008)에 도시된 바와 같이, 현재 사용되는 방법은 각각의 타겟에서 렌더링된 이미지와 시편 이미지를 정렬할 수 있다. 현재 사용되는 방법은 단계(1010)에 도시된 바와 같이 각각의 타겟에 대한 설계-대-이미지 오프셋을 결정할 수 있고, 단계(1012)에 도시된 바와 같이 런타임 검사를 위해 타겟 및 오프셋을 데이터베이스에 저장할 수 있다. 그 후, 런타임 PDA 프로세스는 임의의 적절한 방식으로 수행될 수 있다.

PDA를 설정하고 수행하기 위해 현재 사용되는 방법이 많은 애플리케이션에서 유용한 것으로 입증되었지만 그러한 방법과 시스템에는 여러 가지 단점이 있다. 예를 들어, 물리적 기반 모델을 생성하고 이미지를 렌더링하려면 좋은 타겟을 찾아야 한다. 이러한 방법 및 시스템은 또한, PDA 설정에 사용할 수 있는 설계 파일이 필요한 모든 층(즉, 실제 이미지와 충분히 유사한 이미지를 렌더링하는 데 필요한 모든 층)을 포함하고 우수한 정렬 타겟이 찾아질 수 있다는 것을 비롯한 다수의 가정에 기초한다. 그러나 여러 가지 이유로 양호한 이미지를 시뮬레이션하는 데 필요한 모든 층에 대해 설계 데이터를 사용하지 못할 수 있다. 또한, 이러한 좋은 정렬 타겟이 없거나 충분하지 않은 경우가 가끔 발생한다. 두 경우 모두 최상의 렌더링 파라미터를 찾기 위해 물리적 기반 모델을 생성하는 것이 어려울 수 있다.

따라서, 전술된 단점 중 하나 이상을 갖지 않는 시편에 대해 수행되는 프로세스에서의 사용을 위한 오프셋을 결정하기 위한 시스템 및 방법을 개발하는 것이 유리할 수 있다.

다양한 실시예에 대한 이하의 설명은 첨부된 청구항의 주제를 제한하는 것으로서 어떤 식으로든 해석되어서는 안된다.

일 실시예는 시편에 대해 수행되는 프로세스에서 사용하기 위한 오프셋을 결정하도록 구성된 시스템에 관한 것이다. 본 시스템은 하나 이상의 컴퓨터 서브시스템과 하나 이상의 컴퓨터 서브시스템에 의해 실행되는 하나 이상의 컴포넌트를 포함한다. 하나 이상의 컴포넌트는 딥 생성 모델(deep generative model)을 포함한다. 하나 이상의 컴퓨터 서브시스템은 제1 실제 정보를 딥 생성 모델에 입력함으로써 시편 상의 정렬 타겟에 대한 제1 실제 정보를 제1 유형의 정보에서 제2 유형의 정보로 변환하도록 구성된다. 제1 유형의 정보가 설계 데이터라면 제2 유형의 정보는 시편 이미지이다. 제1 유형의 정보가 시편 이미지라면 제2 유형의 정보는 설계 데이터이다. 하나 이상의 컴퓨터 서브시스템은 또한 변환된 제1 실제 정보를 정렬 타겟에 대한 제2 실제 정보에 정렬하도록 구성되며, 제2 실제 정보는 제2 유형의 정보이다. 하나 이상의 컴퓨터 서브시스템은 정렬의 결과에 기초하여 변환된 제1 실제 정보와 제2 실제 정보 사이의 오프셋을 결정하고, 결정된 오프셋을 출력 획득 서브시스템을 사용해 시편에 대해 수행되는 프로세스에서 사용하기 위한 정렬-대-설계 오프셋으로서 저장하도록 추가로 구성된다. 본 시스템은 본원에 설명된 바와 같이 추가로 구성될 수 있다.

또 다른 실시예는 시편에 수행되는 프로세스에서의 사용을 위한 오프셋을 결정하기 위한 컴퓨터 구현 방법(computer-implemented method)에 관한 것이다. 본 방법은 하나 이상의 컴퓨터 시스템에 의해 수행되는 전술된 변환, 정렬, 결정, 및 저장 단계를 포함한다. 방법의 각 단계는 본원에 추가로 설명된 바와 같이 수행될 수 있다. 게다가, 상술한 방법은 본원에서 설명된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다. 또한, 본 방법은 본원에서 설명된 시스템 중 임의의 것에 의해 수행될 수 있다.

추가적인 실시예는 시편에 수행되는 프로세스에서의 사용을 위해 오프셋을 결정하기 위한 컴퓨터 구현 방법을 수행하기 위해 하나 이상의 컴퓨터 시스템에서 실행 가능한 프로그램 명령어를 저장하는 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 컴퓨터 구현 방법은 전술된 방법의 단계를 포함할 수 있다. 컴퓨터 판독 가능 매체는 본원에 설명된 바와 같이 추가로 구성될 수 있다. 컴퓨터 구현 방법의 단계는 본원에 추가로 설명된 바와 같이 수행될 수 있다. 또한, 프로그램 명령어가 실행 가능한 컴퓨터 구현 방법은, 본원에서 설명된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다.

본 발명의 추가 이점은, 첨부 도면을 참조하고 그리고 바람직한 실시예의 이하의 상세한 설명을 통해 당업자에게 명백해질 것이다.
도 1 및 2는 본원에 설명된 바와 같이 구성된 시스템의 실시예의 측면도를 예시하는 개략도이다.
도 3 내지 도 4는 본원에서 설명된 실시예에 의해 수행될 수 있는 단계를 예시하는 흐름도이다.
도 5는 생성적 대립 네트워크(generative adversarial network; GAN)의 실시예에 포함될 수 있는 생성기의 일 예를 나타내는 개략도이다.
도 6은 GAN의 실시예에 포함될 수 있는 판별기의 일례를 예시하는 개략도이다.
도 7 및 도 8은 본원에 설명된 실시예에 의해 수행될 수 있는 단계를 예시하는 흐름도이다.
도 9는 컴퓨터 시스템(들)으로 하여금 본원에 설명된 컴퓨터 구현 방법을 수행하게 하기 위한 프로그램 명령어를 저장하는 비일시적 컴퓨터 판독 가능 매체의 일 실시예를 예시하는 블록도이다.
도 10은 현재 사용되는 시스템 및 방법에 의해 수행될 수 있는 단계를 예시하는 흐름도이다.
본 발명은 다양한 변형 및 대안적인 형태에 영향을 받기 쉽지만, 그 특정 실시예는 도면에 예시로서 도시되어 있으며, 본원에 상세하게 설명되어 있다. 도면은 동일한 비율로 그려지지 않을 수 있다. 그러나, 도면 및 그에 대한 상세한 설명은 본 발명을 개시된 특정 형태로 한정하려는 것이 아니라, 그 반대로 첨부된 청구항에 정의된 본 발명의 사상 및 범주 내에 속하는 모든 변형, 등가물 및 대안을 포괄하려는 의도임을 이해해야 한다.

본원에서 상호교환적으로 사용되는 "설계", "설계 데이터", 및 "설계 정보"는 일반적으로 IC 또는 기타 반도체 디바이스의 물리적 설계(레이아웃) 그리고 복잡한 시뮬레이션 또는 단순한 기하학적 및 부울 연산을 통한 물리적 설계로부터 도출된 데이터를 지칭한다. 설계는 공동 소유된, Zafar 등에게 2009년 8월 4일에 허여된 미국 특허 제7,570,796호, Kulkarni 등에게 2010년 3월 9일에 허여된 미국 특허 제7,676,077호에 설명된 임의의 다른 설계 데이터 또는 설계 데이터 프록시를 포함할 수 있고, 이들 양자는 본원에서 완전히 설명된 것처럼 참조로 통합된다. 또한, 설계 데이터는 표준 셀 라이브러리 데이터, 통합 레이아웃 데이터, 하나 이상의 층에 대한 설계 데이터, 설계 데이터의 파생물, 그리고 전체 또는 부분 칩 설계 데이터일 수 있다. 또한, 본원에서 설명되는 "설계", "설계 데이터" 및 "설계 정보"는 설계 프로세스에서 반도체 디바이스 설계자에 의해 생성되고, 그에 따라, 레티클 및 웨이퍼와 같은 임의의 물리적 시편에 설계를 인쇄하기에 앞서 본원에 설명된 실시예에서 사용할 수 있는 정보 및 데이터를 지칭한다.

이제 도면으로 돌아가서, 도면이 축척에 맞게 그려지지 않았음을 주목한다. 특히, 도면의 일부 요소의 축척은 그 요소의 특성을 강조하기 위해 크기가 크게 과장되었다. 또한, 도면이 동일한 축척으로 도시되지 않는다는 점에 유의한다. 유사하게 구성될 수 있는 둘 이상의 도면에 도시된 요소는 동일한 참조 번호를 사용하여 표시되었다. 본원에서 달리 언급되지 않는 한, 설명되고 도시된 임의의 요소는 상업적으로 사용 가능한 임의의 적합한 요소를 포함할 수 있다.

일 실시예는 시편에 대해 수행되는 프로세스에서 사용하기 위한 오프셋을 결정하도록 구성된 시스템에 관한 것이다. 본원에 설명된 실시예에 의해 결정된 오프셋은 딥 생성 모델을 통한 광학적(또는 다른) 이미지 정렬에 대한 IC 설계와 같은 애플리케이션에 사용될 수 있다. 이와 같은 시스템의 일 실시예가 도 1에 도시된다. 본 시스템은 하나 이상의 컴퓨터 서브시스템(예컨대, 컴퓨터 서브시스템(36 및 102)) 및 하나 이상의 컴퓨터 서브시스템에 의해 실행되는 하나 이상의 컴포넌트(100)를 포함한다. 하나 이상의 컴포넌트는 본원에서 추가로 설명되는 바와 같이 구성되는 딥 생성 모델(104)을 포함한다.

일부 실시예에서, 시편은 웨이퍼이다. 웨이퍼는 반도체 분야에 알려진 임의의 웨이퍼를 포함할 수 있다. 일부 실시예는 웨이퍼 또는 웨이퍼들과 관련하여 본원에서 설명될 수 있지만, 실시예는 이들이 사용될 수 있는 시편에 제한되지 않는다. 예를 들어, 본원에 설명된 실시예는 레티클, 평면 패널, 개인용 컴퓨터(personal computer; PC) 기판 및 기타 반도체 시편과 같은 시편에 사용될 수 있다.

일부 실시예에서, 본 시스템은 적어도 에너지 소스와 검출기를 포함하는 출력 획득 서브시스템을 포함한다. 에너지 소스는 시편에 지향되는 에너지를 생성하도록 구성된다. 검출기는 시편으로부터 에너지를 검출하고 검출된 에너지에 응답하는 출력을 생성하도록 구성된다.

일 실시예에서, 출력 획득 서브시스템은 광 기반 출력 획득 서브시스템이다. 예를 들어, 도 1에 도시된 시스템의 실시예에서, 출력 획득 서브시스템(10)은 광을 시편(14)에 지향시키도록 구성된 조명 서브시스템을 포함한다. 조명 서브시스템은 적어도 하나의 광원을 포함한다. 예를 들어, 도 1에 도시된 바와 같이, 조명 서브시스템은 광원(16)을 포함한다. 일 실시예에서, 조명 서브시스템은 하나 이상의 경사각 및/또는 하나 이상의 수직각을 포함할 수 있는 하나 이상의 입사각으로 광을 시편에 지향시키도록 구성된다. 예를 들어, 도 1에 도시된 바와 같이, 광원(16)으로부터의 광은 광학 요소(18)를 거친 다음 렌즈(20)를 통해 빔스플리터(21)에 지향되고, 빔스플리터(21)는 광을 수직 입사각으로 시편(14)에 지향시킨다. 입사각은 임의의 적절한 입사각을 포함할 수 있으며, 이는 예를 들어, 시편의 특성, 시편 상에서 검출될 결함, 시편에 대해 수행될 측정 등에 따라 달라질 수 있다.

조명 서브시스템은 상이한 시간에 상이한 입사각으로 시편에 광을 지향시키도록 구성될 수 있다. 예를 들어, 출력 획득 서브시스템은 광이 도 1에 도시된 것과는 다른 입사각으로 시편에 지향될 수 있도록 조명 서브시스템의 하나 이상의 요소의 하나 이상의 특성을 변경하도록 구성될 수 있다. 하나의 그러한 예시에서, 출력 획득 서브시스템은 광원(16), 광학 요소(18), 및 렌즈(20)를 이동시켜 다른 입사각으로 광이 시편에 지향되도록 구성될 수 있다.

일부 경우에, 출력 획득 서브시스템은 동시에 하나보다 많은 입사각에서 광을 시편으로 지향하도록 구성될 수 있다. 예를 들어, 출력 획득 서브시스템은 하나 이상의 조명 채널을 포함할 수 있고, 조명 채널 중 하나는 도 1에 도시된 바와 같이 광원(16), 광학 요소(18), 및 렌즈(20)를 포함할 수 있고, 조명 채널 중 또 다른 하나(미도시)는 유사한 요소를 포함할 수 있으며, 이는 상이하게 또는 동일하게 구성될 수 있고, 또는 적어도 광원을 포함할 수 있고, 가능하게는 본원에서 추가로 설명되는 것과 같은 하나 이상의 다른 컴포넌트를 포함할 수 있다. 그러한 광이 다른 광과 동시에 시편에 지향하는 경우, 상이한 입사각에서 시편에 지향되는 광의 하나 이상의 특성(예컨대, 파장, 편광 등)이 다를 수 있으므로, 상이한 입사각에서 시편의 조명으로부터 생성된 광은 검출기(들)에서 서로 구별될 수 있다.

또 다른 예에서, 조명 서브시스템은 단 하나의 광원(예컨대, 도 1에 도시된 광원(16))을 포함할 수 있고, 광원으로부터의 광은, 조명 서브시스템의 하나 이상의 광학 요소(미도시)에 의해 (예컨대, 파장, 편광 등에 기초하여) 상이한 광학 경로로 분리될 수 있다. 그 후, 상이한 광학 경로의 각각의 광이 시편에 지향될 수 있다. 다수의 조명 채널은 동시에 또는 상이한 시간에 시편에 광을 지향시키도록 구성될 수 있다(예컨대, 시편을 순차적으로 조명하기 위해 상이한 조명 채널이 사용되는 경우). 또 다른 경우에, 동일 조명 채널은 상이한 시간에 상이한 특성을 가진 시편에 광을 지향시키도록 구성될 수 있다. 예를 들어, 일부 예에서, 광학 요소(18)는 스펙트럼 필터로서 구성될 수 있으며, 스펙트럼 필터의 특성은 광의 상이한 파장이 상이한 시간에 시편에 지향될 수 있도록 다양한 상이한 방식으로(예컨대, 스펙트럼 필터를 교환함으로써) 변화될 수 있다. 조명 서브시스템은 상이하거나 또는 동일한 특성을 갖는 광을 상이하거나 또는 동일한 입사각으로 순차적으로 또는 동시에 시편에 지향시키기 위해 당업계에 공지된 임의의 다른 적절한 구성을 가질 수 있다.

일 실시예에서, 광원(16)은 광대역 플라즈마(broadband plasma; BBP) 광원을 포함할 수 있다. 이러한 방식으로, 광원에 의해 생성되어 시편으로 지향되는 광은 광대역 광을 포함할 수 있다. 그러나, 광원은 당업계에 공지된 임의의 적절한 레이저를 포함할 수 있고 예를 들어, 당업계에 공지된 임의의 적절한 파장(들)에서 광을 생성하도록 구성될 수 있는 레이저와 같은 임의의 다른 적절한 광원을 포함할 수 있다. 또한, 레이저는 단색 또는 거의 단색인 광을 생성하도록 구성될 수 있다. 이러한 방식으로, 레이저는 협대역 레이저일 수 있다. 광원은 또한 다수의 개별 파장 또는 파장대역에서 광을 생성하는 다색 광원을 포함할 수 있다.

광학 요소(18)로부터의 광은 렌즈(20)에 의해 빔스플리터(21)로 포커싱될 수 있다. 렌즈(20)가 단일 굴절 광학 요소로서 도 1에 도시되어 있지만, 실제로 렌즈(20)는 광학 요소로부터 시편으로 광을 조합하여 포커싱하는 다수의 굴절 및/또는 반사 광학 요소를 포함할 수 있다. 도 1에 도시되고 본원에 설명된 조명 서브시스템은 임의의 다른 적합한 광학 요소(도시하지 않음)를 포함할 수 있다. 이와 같은 광학 요소의 예는 편광 컴포넌트(들), 스펙트럼 필터(들), 공간 필터(들), 반사 광학 요소(들), 아포다이저(들), 빔스플리터(들), 개구(들) 등을 포함하지만, 이들로 제한되지 않고 당업계에 공지된 임의의 적합한 광학 요소를 포함할 수 있다. 또한, 시스템은 검사, 계측 등에 사용될 조명 유형에 기초하여 조명 서브시스템의 하나 이상의 요소를 변경하도록 구성될 수 있다.

출력 획득 서브시스템은 또한 광이 시편 위에서 스캐닝되도록 구성된 스캐닝 서브시스템을 포함할 수 있다. 예를 들어, 출력 획득 서브시스템은 검사, 측정 등 동안에 시편(14)이 배치되는 스테이지(22)를 포함할 수 있다. 스캐닝 서브시스템은 광이 시편 위에서 스캐닝될 수 있도록 시편을 이동시키도록 구성될 수 있는 임의의 적절한 기계적 및/또는 로봇식 조립체(스테이지(22)를 포함함)를 포함할 수 있다. 추가적으로 또는 대안적으로, 출력 획득 서브시스템은, 출력 획득 서브시스템의 하나 이상의 광학 요소가 시편 위의 광의 일부 스캐닝을 수행하도록 구성될 수 있다. 광은 임의의 적절한 방식으로 시편 위에서 스캐닝될 수 있다.

출력 획득 서브시스템은 하나 이상의 검출 채널을 추가로 포함한다. 하나 이상의 검출 채널 중 적어도 하나는 출력 획득 서브시스템에 의한 시편의 조명으로 인해 시편으로부터의 광을 검출하고 그 검출된 광에 응답하여 출력을 생성하도록 구성된 검출기를 포함한다. 예를 들어, 도 1에 도시된 출력 획득 서브시스템은 2개의 검출 채널을 포함하며, 이 채널 중 하나는 수집기(24), 요소(26) 및 검출기(28)에 의해 형성되고 이 채널 중 또 다른 하나는 수집기(30), 요소(32) 및 검출기(34)에 의해 형성된다. 도 1에 도시된 바와 같이, 2개의 검출 채널은 상이한 수집 각도에서 광을 수집하고 검출하도록 구성된다. 일부 예에서, 하나의 검출 채널은 정반사된 광을 검출하도록 구성되고, 다른 검출 채널은 시편으로부터 정반사되지 않은(예컨대, 산란, 회절 등) 광을 검출하도록 구성된다. 그러나, 검출 채널 중 2개 이상은 시편으로부터 동일한 유형의 광(예컨대, 정반사된 광)을 검출하도록 구성될 수 있다. 도 1은 2개의 검출 채널을 포함하는 출력 획득 서브시스템의 실시예를 도시하지만, 출력 획득 서브시스템은 상이한 수의 검출 채널(예컨대, 단지 하나의 검출 채널 또는 2개 이상의 검출 채널)을 포함할 수 있다. 수집기 각각은 단일 굴절 광학 요소로서 도 1에 도시되어 있지만, 수집기 각각은 하나 이상의 굴절 광학 요소(들) 및/또는 하나 이상의 반사 광학 요소(들)를 포함할 수 있다.

하나 이상의 검출 채널은 당업계에 공지된 임의의 적합한 검출기를 포함할 수 있다. 예를 들어, 검출기는 광 증배관(photo-multiplier tube; PMT) 또는 당업계에 공지된 임의의 다른 적합한 비-이미징 검출기를 포함할 수 있다. 검출기가 비-이미징 검출기인 경우, 검출기 각각은 강도와 같은 산란광의 특정 특성을 검출하도록 구성될 수 있지만, 이미징 평면 내의 위치의 함수로서 그러한 특성을 검출하도록 구성되지 않을 수 있다. 이와 같이, 검출 채널 각각에 포함된 검출기 각각에 의해 생성되는 출력은, 신호 또는 데이터일 수 있지만, 이미지 신호 또는 이미지 데이터는 아니다. 그러한 경우에, 예를 들어, 시스템의 컴퓨터 서브시스템(36)과 같은 컴퓨터 서브시스템은 검출기의 비-이미징 출력으로부터 시편의 이미지를 생성하도록 구성될 수 있다.

도 1은 본원에 설명된 시스템 실시예에 포함될 수 있는 출력 획득 서브시스템의 구성을 일반적으로 예시하기 위해 본원에 제공된다. 명백하게, 본원에 설명된 출력 획득 서브시스템 구성은 상용 검사, 계측 등의 시스템을 설계할 때 정상적으로 수행되는 시스템의 성능을 최적화하도록 변경될 수 있다. 또한, 본원에 설명된 시스템은 캘리포니아주 밀피타스 소재의 KLA Corp.로부터 상업적으로 입수 가능한 29xx 및 39xx 도구 시리즈, SpectraShape 도구 제품군, 및 Archer 도구 시리즈와 같은 기존 검사 또는 계측 시스템을 사용하여 구현될 수 있다. 일부 이러한 시스템에 대해, 본원에 설명된 실시예는 시스템의 선택적 기능성으로서 (예컨대, 시스템의 다른 기능성에 추가하여) 제공될 수도 있다. 대안적으로, 본원에서 설명된 출력 획득 시스템은 완전히 새로운 시스템을 제공하기 위해 "맨 처음부터(from scratch)" 설계될 수 있다.

본 시스템의 컴퓨터 서브시스템(36)은, 컴퓨터 서브시스템이 시편의 스캐닝 동안 검출기에 의해 생성된 출력을 수신할 수 있도록 임의의 적절한 방식으로(예컨대, "유선" 및/또는 "무선" 송신 매체를 포함할 수 있는 하나 이상의 송신 매체를 통해) 출력 획득 서브시스템의 검출기에 결합될 수 있다. 컴퓨터 서브시스템(36)은 본원에 설명된 바와 같은 검출기의 출력 및 본원에 추가로 설명된 임의의 다른 기능을 사용하여 다수의 기능을 수행하도록 구성될 수 있다. 이 컴퓨터 서브시스템은 본원에 설명된 바와 같이 추가로 구성될 수 있다.

이 컴퓨터 서브시스템(및 본원에서 설명된 다른 컴퓨터 서브시스템)은 또한 본원에서 컴퓨터 시스템(들)으로 지칭될 수 있다. 본원에 설명된 컴퓨터 서브시스템(들) 또는 시스템(들) 각각은 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 기기, 인터넷 기기 또는 기타 디바이스를 포함하는 다양한 형태를 취할 수 있다. 일반적으로, "컴퓨터 시스템"이라는 용어는 저장 매체로부터의 명령어를 실행하는 하나 이상의 프로세서를 갖는 임의의 디바이스를 포함하도록 광범위하게 정의될 수 있다. 컴퓨터 서브시스템(들) 또는 시스템(들)은 또한, 병렬 프로세서와 같은 당해 분야에 공지된 임의의 적절한 프로세서를 포함할 수 있다. 또한, 컴퓨터 서브시스템(들) 또는 시스템(들)은 독립형 또는 네트워크형 도구로서, 고속 처리 및 소프트웨어를 갖춘 컴퓨터 플랫폼을 포함할 수 있다.

시스템이 하나보다 많은 컴퓨터 서브시스템을 포함하는 경우, 상이한 컴퓨터 서브시스템은 이미지, 데이터, 정보, 명령어 등이 본원에서 추가로 설명되는 바와 같이 컴퓨터 서브시스템들 간에 송신될 수 있도록 서로 결합될 수 있다. 예를 들어, 컴퓨터 서브시스템(36)은 당업계에 공지된 임의의 적합한 유선 및/또는 무선 송신 매체를 포함할 수 있는 임의의 적절한 송신 매체에 의해 컴퓨터 서브시스템(102)에 (도 1에서 점선으로 도시된 바와 같이) 결합될 수 있다. 이러한 컴퓨터 서브시스템 중 둘 이상은 공유된 컴퓨터 판독 가능 저장 매체(도시되지 않음)에 효과적으로 결합될 수도 있다.

출력 획득 서브시스템이 광학 또는 광 기반 서브시스템인 것으로 위에서 설명되지만, 출력 획득 서브시스템은 전자빔-기반 서브시스템일 수 있다. 예를 들어, 일 실시예에서, 출력 획득 서브시스템은 전자빔 출력 획득 서브시스템이다. 이러한 방식으로, 에너지 소스는 전자빔 소스일 수 있다. 도 2에 도시된 하나의 그러한 실시예에서, 출력 획득 서브시스템은 컴퓨터 서브시스템(124)에 결합되는 전자 컬럼(122)을 포함한다.

도 2에 또한 도시된 바와 같이, 전자 컬럼은 하나 이상의 요소(130)에 의해 시편(128)에 포커싱되는 전자를 생성하도록 구성된 전자빔 소스(126)를 포함한다. 전자빔 소스는 예를 들어, 캐소드 소스 또는 이미터 팁(tip)을 포함할 수 있고, 하나 이상의 요소(130)는 예를 들어, 건(gun) 렌즈, 양극(anode), 빔 제한 애퍼처, 게이트 밸브, 빔 전류 선택 애퍼처, 대물렌즈, 및 스캐닝 서브시스템을 포함할 수 있고, 이들 모두는 당해 분야에 공지된 임의의 그러한 적절한 요소를 포함할 수 있다.

시편으로부터 반환된 전자(예컨대, 2차 전자)는 하나 이상의 요소(132)에 의해 검출기(134)로 포커싱될 수 있다. 하나 이상의 요소(132)는, 예를 들어, 스캐닝 서브시스템일 수 있고, 이는 요소(들)(130)에 포함된 스캐닝 서브시스템과 동일할 수 있다.

전자 칼럼은 당해 분야에 공지된 임의의 다른 적절한 요소를 포함할 수 있다. 또한, 2014년 4월 4일에 Jiang 등에게 허여된 미국 특허 제8,664,594호, 2014년 4월 8일에 Kojima 등에게 허여된 미국 특허 제8,692,204호, 2014년 4월 15일에 Gubbens 등에게 허여된 미국특허 제8,698,093호, 및 2014년 5월 6일에 MacDonald 등에게 허여된 미국 특허 제8,716,662호에 설명된 바와 같이, 전자 컬럼이 추가로 구성될 수 있고, 이는 본원에 완전히 명시된 것과 같이 참조로 통합된다.

전자 컬럼은 전자가 입사의 경사각에서 시편에 지향되고 또 다른 경사각에서 시편으로부터 산란되도록 구성되는 것으로서 도 2에 도시되어 있지만, 전자빔은 임의의 적합한 각도로 시편에 지향되고 시편으로부터 산란될 수도 있다는 것이 이해되어야 한다. 또한, 전자빔 서브시스템은 (예컨대, 상이한 조명 각도, 수집 각도 등으로) 시편의 이미지를 생성하기 위해 다수의 모드를 사용하도록 구성될 수 있다. 전자빔 서브시스템의 다수의 모드는 서브시스템의 임의의 이미지 생성 파라미터(들)에서 다를 수 있다.

컴퓨터 서브시스템(124)은, 전술된 바와 같이, 검출기(134)에 결합될 수 있다. 검출기는 시편의 표면으로부터 반환된 전자를 검출할 수 있으며, 그에 따라 임의의 적합한 전자빔 이미지를 포함할 수 있는 시편의 전자빔 이미지를 형성하기 위해 컴퓨터 서브시스템(들)에 의해 사용되는 출력을 생성할 수 있다. 컴퓨터 서브시스템(124)은 검출기의 출력 및/또는 전자빔 이미지를 사용하여 본원에 설명된 기능 중 임의의 것을 수행하도록 구성될 수 있다. 컴퓨터 서브시스템(124)은 본원에서 설명된 임의의 추가 단계(들)를 수행하도록 구성될 수 있다. 도 2에 도시된 출력 획득 서브시스템을 포함하는 시스템은 본원에 설명된 바와 같이 추가로 구성될 수 있다.

도 2는 본원에 설명된 실시예에 포함될 수 있는 전자빔 기반 출력 획득 서브시스템의 구성을 일반적으로 예시하기 위해 본원에 제공된다는 것이 주목된다. 위에서 설명된 광학 서브시스템과 마찬가지로, 본원에서 설명된 전자빔 서브시스템 구성은 상업적 검사 또는 계측 시스템을 설계할 때 일반적으로 수행되는 바와 같이 서브시스템의 성능을 최적화하도록 변경될 수 있다. 또한, 본원에서 설명된 시스템은 KLA로부터 상업적으로 입수할 수 있는 도구와 같은 기존의 검사, 계측, 또는 다른 시스템을 사용하여(예컨대, 기존의 검사 시스템에 본원에서 설명된 기능을 추가하여) 구현될 수 있다. 일부 이러한 시스템에 대해, 본원에 설명된 실시예는 시스템의 선택적 기능성으로서 (예컨대, 시스템의 다른 기능성에 추가하여) 제공될 수도 있다. 대안적으로, 본원에 설명된 시스템은 완전히 새로운 시스템을 제공하도록 "처음부터(from scratch)" 설계될 수 있다.

출력 획득 서브시스템이 광 기반 또는 전자빔 기반 서브시스템인 것으로 위에서 설명되지만, 출력 획득 서브시스템은 이온 빔 기반 서브시스템일 수 있다. 이러한 출력 획득 서브시스템은 전자빔 소스가 당업계에 알려진 임의의 적절한 이온빔 소스로 대체될 수 있다는 점을 제외하고는 도 2에 도시된 바와 같이 구성될 수 있다. 따라서 일 실시예에서 시편에 지향되는 에너지는 이온을 포함한다. 또한, 출력 획득 서브시스템은 예를 들어, 상업적으로 입수 가능한 포커싱된 이온 빔(focused ion beam; FIB) 시스템, 헬륨 이온 현미경 검사(helium ion microscopy; HIM) 시스템 및 2차 이온 질량 분광학(secondary ion mass spectroscopy; SIMS) 시스템에 포함된 것과 같은 임의의 다른 적합한 이온 빔 기반 출력 획득 서브시스템일 수 있다.

본원에 설명된 출력 획득 서브시스템은 다수의 모드로 시편에 대해 출력을 생성하도록 구성될 수 있다. 일반적으로 "모드"는 시편의 이미지를 생성하는 데 사용되는 출력 획득 서브시스템의 파라미터 값으로 정의된다. 따라서, 모드는 출력 획득 서브시스템의 파라미터 중 적어도 하나에 대해 값이 상이할 수 있다(출력이 생성되는 시편 상의 위치 제외). 예를 들어, 광학 서브시스템에서, 상이한 모드는 조명을 위해 상이한 파장(들)의 광을 사용할 수 있다. 모드는 본원에서 추가로 설명되는 바와 같이 예컨대, 상이한 모드에 대해 (상이한 광원, 상이한 스펙트럼 필터 등을 사용함으로써) 조명 파장(들)에서 상이할 수 있다. 또 다른 실시예에서, 상이한 모드는 광학 서브시스템의 상이한 조명 채널을 사용할 수 있다. 예를 들어, 위에서 언급했듯이, 광학 서브시스템은 1개보다 많은 조명 채널을 포함할 수 있다. 이와 같이, 상이한 조명 채널이 상이한 모드에 대해 사용될 수 있다. 모드는 출력 획득 서브시스템의 하나 이상의 변경 가능한 파라미터(예컨대, 조명 편광(들), 각도(들), 파장(들) 등, 검출 편광(들), 각도(들), 파장(들) 등)에서 상이할 수 있다.

유사한 방식으로, 전자빔 서브시스템에 의해 생성된 출력은 전자빔 서브시스템의 파라미터의 2개 이상의 상이한 값을 사용해 전자빔 서브시스템에 의해 생성된 출력을 포함할 수 있다. 전자빔 서브시스템의 다수의 모드는 시편에 대해 출력을 생성하는 데 사용되는 전자빔 서브시스템의 파라미터 값에 의해 정의될 수 있다. 따라서 상이한 모드는 전자빔 서브시스템의 전자빔 파라미터 중 적어도 하나에 대해 값이 상이할 수 있다. 예를 들어, 전자빔 서브시스템의 일 실시예에서, 상이한 모드는 조명에 대해 상이한 입사각을 사용할 수 있다.

본원에 설명된 출력 획득 서브시스템 실시예는 검사, 계측, 결함 검토, 또는 시편에 대해 수행되는 또 다른 품질 제어 관련 프로세스를 위해 구성될 수 있다. 예를 들어, 본원에서 설명되고 도 1 및 도 2 에 도시된 출력 획득 서브시스템의 실시예는 이들이 사용될 애플리케이션에 따라 상이한 출력 생성 능력을 제공하기 위해 하나 이상의 파라미터로 수정될 수 있다. 하나의 그러한 예에서, 도 1에 도시된 출력 획득 서브시스템은, 검사에 대해서보다는 결함 검토 또는 계측에 대해 사용되는 경우 더 높은 해상도를 갖도록 구성될 수 있다. 즉, 도 1 및 2 에 도시된 출력 획득 서브시스템의 실시예는 상이한 애플리케이션에 다소 적합한 상이한 출력 생성 능력을 갖는 출력 획득 서브시스템을 생산하기 위해 당업자에게 명백할 다수의 방식으로 맞춤화될 수 있는 출력 획득 서브시스템에 대한 일부 일반적이고 다양한 구성을 설명한다.

위에서 언급했듯이, 광학, 전자 및 이온 빔 서브시스템은 시편의 물리적 버전 위의 에너지(예컨대, 광, 전자 등)를 스캔하도록 구성되어 시편의 물리적 버전에 대한 출력을 생성한다. 이러한 방식으로, 광학, 전자 및 이온 빔 서브시스템은 "가상" 서브시스템이 아닌 "실제" 서브시스템으로서 구성할 수 있다. 하지만, 도 1에 도시된 저장 매체(도시되지 않음) 및 컴퓨터 서브시스템(들)(102)은 "가상" 시스템으로서 구성될 수 있다. 특히, 저장 매체 및 컴퓨터 서브시스템(들)은, 공동으로 할당된, 2012년 2월 28일에 Bhaskar 등에게 허여된 미국 특허 제8,126,255호 및 2015년 12월 29일에 Duffy 등에게 허여된 미국 특허 제9,222,895호에 설명된 바와 같이 "가상" 검사 시스템으로서 구성될 수 있으며, 이들 모두는 여기에 완전히 명시된 것처럼 참조로 통합된다. 본원에 설명된 실시예는 이들 특허에 설명된 바와 같이 추가 구성될 수 있다.

전술된 바와 같이, 하나 이상의 컴퓨터 서브시스템에 의해 실행되는 하나 이상의 컴포넌트는 딥 생성 모델, 예컨대, 도 1에 도시된 딥 생성 모델(104)을 포함한다. 일반적으로 말하면, "딥 러닝"(Dl)(딥 구조화 러닝(deep structured learning), 계층적 러닝(hierarchical learning) 또는 딥 머신 러닝(deep machine learning)이라고도 함)은 데이터에서 높은 레벨의 추상화를 모델링하려는 일련의 알고리즘에 기초하는 머신 러닝(machine learning; ML)의 한 분야이다. 간단한 경우에는, 입력 신호를 수신하는 뉴런과 출력 신호를 송신하는 뉴런의 두 세트가 있을 수 있다. 입력 레이어(layer)가 입력을 수신하면, 수정된 버전의 입력을 다음 레이어로 전달한다. DL 기반 모델에서는, 입력과 출력 사이에 많은 레이어가 존재하므로(그리고 그 레이어는 뉴런으로 이루어지지는 않았지만, 그런 식으로 생각하는 것은 도움이 될 수 있음), 알고리즘이 다수의 선형 및 비선형 변환으로 구성된, 다중 처리 레이어를 사용할 수 있다.

DL은 데이터의 학습 표현에 기초해 광범위한 ML 방법 계열의 일부이다. 관찰(예컨대, 이미지)은 픽셀 당 강도 값의 벡터와 같은 다양한 방식으로 표현되거나 보다 추상적인 방식으로 에지의 세트, 특정 형상의 영역 등으로 표현될 수 있다. 일부 표현은 학습 작업(예컨대, 안면 인식 또는 안면 표정 인식)을 단순화하는데 있어서 다른 표현보다 더 좋다. DL의 가망성 중 하나는 수동 피처(handcrafted features)를 비감독 또는 반감독 피처 학습(unsupervised or semi-supervised feature learning) 및 계층적 피처 추출(hierarchical feature extraction)을 위한 효율적인 알고리즘으로 대체하는 것이다.

"생성(generative)" 모델은 본질적으로 확률적인 모델로 통상 정의될 수 있다. 즉, "생성" 모델은 순방향 시뮬레이션 또는 규칙 기반 접근법을 수행하는 모델이 아니므로, 실제 이미지를 생성하는 것에 관련된 프로세스의 물리적 모델은 필요하지 않다. 대신, 본원에서 추가로 설명되는 바와 같이, 생성 모델은, 적합한 트레이닝 데이터 세트에 기초하여, (그 파라미터가 학습될 수 있는 경우에) 학습될 수 있다. 생성 모델은 많은 알고리즘이나 변환을 수행하는 다수의 레이어를 포함할 수 있는 DL 아키텍처를 갖도록 구성될 수 있다. 생성 모델에 포함된 레이어의 수는 사용 사례에 따라 다를 수 있다. 실용적인 목적을 위해, 적절한 레이어 범위는 2개의 레이어 내지 수십 개의 레이어이다. 시편 이미지(예컨대, 실제 웨이퍼의 이미지)와 설계(예컨대, CAD 또는 의도된 레이아웃의 벡터 표현) 사이의 결합 확률 분포(평균 및 분산)를 학습하는 딥 생성 모델은 본원에서 추가로 설명되는 바와 같이 구성될 수 있다.

일 실시예에서, 딥 생성 모델은 생성적 대립 네트워크(generative adversarial network; GAN)이다. 또 다른 실시예에서, 딥 생성 모델은 조건부 생성적 대립 네트워크(conditional generative adversarial network; cGAN)이다. 또한, 딥 생성 모델은 당업계에 공지된 임의의 다른 적합한 유형의 GAN을 포함할 수 있다.

일반적으로 GAN은, 데이터 분포를 캡처하는 생성적 모델 G와 주어진 샘플이 G가 아닌 트레이닝 데이터에서 나올 확률을 추정하는 판별 모델 D의 두 가지 대립적인 모델로 이루어진다. G와 D는 다층 퍼셉트론(perceptron), 즉 비선형 매핑 함수일 수 있다. 생성기는 데이터 x에 대한 생성기 분포 p _g 를 학습하기 위해 사전 노이즈 분포 p _z (z)로부터 데이터 공간 G(z; θ _g )까지의 매핑 함수를 구축하고, 여기서 G는 파라미터 θ _g 를 갖는 다층 퍼셉트론에 의해 표현되는 미분 가능 함수(differentiable function)이다. 생성기는 실제 데이터 분포 또는 실측 데이터 분포와 구별될 수 없는 시뮬레이션된 출력을 생성하도록 트레이닝된다. 대립적으로 트레이닝된 판별기는, 생성기에 의해 생성된 거짓(fake)을 검출하도록 트레이닝된다. 생성기와 판별기 모두 가능한 한 잘 트레이닝되어 생성기가 매우 양호한 "거짓된(faked)" 출력을 생성하다.

GAN을 조건부 모델(cGAN)로 확장할 때, 판별기와 생성기는 모두 추가 입력 레이어로서 판별기와 생성기에 y를 공급함으로써, 일부 추가 정보 y에 대해 조건이 지정된다.

GAN은, 생성기 G와 비평가(critic), 즉 판별기 D가 서로를 더 강하게 만들기 위해 서로 경쟁하는 게임 이론에서 영감을 받았다. 목표는 생성된 데이터 분포 p _g 를 젠슨-샤논 발산(Jensen-Shannon divergence)에 의해 평가된 실제 샘플 분포 p _r 과 가능한 한 유사하게 만드는 것이며:

여기서 D _KL 은 다음과 같이 정의되는 쿨백-라이블러 발산(Kullback-Leibler divergence; KLD)이다:

및

생성기는 랜덤한 노이즈 변수 입력 z가 주어지면 합성 샘플을 출력한다. 시간이 지남에 따라, 생성기는 판별기가 불량한 거짓(bad fake)인 것으로 간주하는 이미지를 거부하도록 하여 실제 데이터 분포를 캡처하도록 트레이닝된다.

조건부 GAN의 경우, 생성기와 판별기는 본원에 설명된 실시예에서 설계 클립 또는 시편 이미지가 될 일부 추가 정보 y에 따라 조건이 지정된다. 목표 L(D,G)를 갖는 이하의 미니맥스 게임은 설정:

를 설명한다.

이는 D가 거짓된 예에 대해 높은 확률을 생성할 D의 가능성을 증가시켜, 를 최소화하도록 G가 트레이닝됨을 의미한다. 또한, 인코딩 를 최대화하여 실제 데이터에 대한 판별기 결정이 정확하게 되게 할 필요가 있고, 거짓 샘플 G(z)가 주어지면, 판별기가 를 최대화함으로써 0에 가까운 확률 D(G(z))를 출력할 것으로 예상된다.

하나 이상의 컴퓨터 서브시스템은 시편 상의 정렬 타겟에 대한 제1 실제 정보를 딥 생성 모델에 입력함으로써 제1 실제 정보를 제1 유형의 정보에서 제2 유형의 정보로 변환하도록 구성된다. 하나 이상의 컴퓨터 서브시스템은 제1 실제 정보를 임의의 적절한 방식으로 딥 생성 모델에 입력할 수 있다.

여기에 사용된 용어 "실제 정보"는 본원에 설명된 모델을 비롯한 DL 또는 ML 모델에 의해 시뮬레이션되지 않았고 대신 본원에 설명된 모델 이외의 소스에서 획득된 정보를 지칭한다. 본원에 설명된 실시예에서 실제 정보의 가능한 소스는 설계 데이터베이스, 파일, 저장 매체 등 또는 본원에 설명된 것과 같은 시편 이미징 도구를 포함한다.

본원에 사용된 "제1" 및 "제2"라는 용어는 상이한 것을 나타내는 것 외에 다른 의미를 갖는 것으로 의도되지 않는다. 본원에서 더 설명되는 바와 같이, 제1 및 제2 유형의 정보는 상이한 유형의 정보이며, 일반적으로 제1 또는 제2 유형의 정보는 설계 데이터이고 제1 및 제2 유형의 정보 중 다른 유형의 정보는 시편 이미지이다. 이와 같이, 이 용어가 본원에서 사용될 때 상이한 유형의 정보는 상이한 특성을 갖는 동일한 유형의 정보를 의미하는 것은 아니다. 예를 들어, 이 용어가 본원에서 사용될 때 상이한 유형의 정보는 상이한 해상도 또는 기타 상이한 이미지 특성을 가진 동일한 유형의 시편 이미지(예컨대, 광학 이미지)를 의미하지 않다. 대신, 본원에 설명된 상이한 유형의 정보는 설계 데이터 공간 대 시편 이미지 공간과 같은 상이한 도메인에 있다.

당업계에서 현재 사용되는 많은 반도체 품질 제어 유형 애플리케이션은 특히 결함 검출 및 분류와 같은 특정 기능을 수행하기 위해 설계 데이터를 사용함으로써 개선된 결과를 제공한다. 설계 데이터가 이러한 기능 중 임의의 기능에 유용하려면 품질 제어 도구에 의해 시편에 대해 생성된 결과에 적절하게 정렬되어야 한다. 예를 들어, 시편 이미지가 설계 데이터에 적절하게 정렬되지 않으면 이미지의 어느 부분이 설계의 어떤 부분에 해당하는지 정확하게 결정될 수 없다. 이러한 정렬을 수행하는 데 있어 한 가지 어려움은 시편 이미지가 종종 해당 설계와 많이 유사해 보이지 않는다는 것인데, 이는 설계의 구조가 시편 상에 형성되는 방식과 구조를 이미지화하는 도구의 기능을 비롯하여 여러 요인으로 인해 발생할 수 있다. 즉, 시편 이미지는 해당 설계 데이터와는 실질적으로 다른 이미지 특성을 가질 수 있으며, 이는 해당 시편 이미지와 설계 데이터를 정렬하는 것을 특히 어렵게 만들 수 있다. 대부분의 경우 이미지-대-설계 정렬을 쉽게 하기 위해 시편 이미지의 특성을 변경하는 것은 불가능하다. 따라서 이러한 정렬을 가능하게 하는 창의적이고 더 나은 방법이 지속적으로 탐색되고 있다. 본원에 설명된 실시예는 유리하게는 위에서 설명된 것과 같은 설계-대-이미지 불일치를 갖는 시편에 대해 더 나은 정렬을 제공한다.

제1 유형의 정보가 설계 데이터라면 제2 유형의 정보는 시편 이미지이다. 도 3은 생성기 네트워크에 설계 이미지를 제공하여 수행되는 cGAN 트레이닝을 도시한다. 특히, 도 3에 도시된 바와 같이, 조건부 정보 Y(300)(설계 이미지(302) 또는 조건부 이미지와 같은 추가 데이터)는 잠재 공간 벡터 z(304)와 함께 생성기 네트워크(306)에 입력된다. 그 결과, 생성기 네트워크(306)는 생성된 이미지 X_fake(308)를 출력하는데, 이는 시뮬레이션된 시편 이미지, 예를 들어, 시뮬레이션된 시편 이미지(310)이다. 이 경우에, 실제 이미지 X_real(312)는 설계 이미지(302)에 도시된 설계의 일부가 형성된 시편 상의 위치에서의 시편의 실제 광학 이미지(314)이다. 이러한 방식으로, 설계 이미지와 같은 조건부 정보 Y(300)는 트레이닝 세트 내의 트레이닝 입력일 수 있고, 실제 이미지 X_real(312)는 트레이닝 세트에서 트레이닝 출력으로서 지정된 시편의 대응하는 이미지일 수 있다.

잠재 공간 벡터는 당업계에 공지된 임의의 적합한 구성을 가질 수 있다. 일반적으로, 잠재 공간 벡터는 노이즈, 즉, 무작위로 할당된 그레이 레벨 값을 가진 픽셀로 간단하게 구성되는 초기 이미지를 나타낸다. 계산상의 이유로, 이 이미지는 2D 이미지(예컨대, 32 픽셀 × 32 픽셀)가 해당 크기의 벡터(예컨대, 1 × 1024 크기의 벡터)가 되도록 서로 옆에 있는 이미지의 각 행을 스티치(stich)하여 벡터로서 저장된다. 딥 생성 모델을 특정 방향으로 안내하기 위해, 일부 정보(예컨대, 색상)는 이러한 무작위성(randomness)에 추가될 수 있다.

생성된 이미지 X_fake(308) 및 조건부 정보 Y(300)는 판별기 네트워크(320)에 대한 제1 입력으로서 조합된다. 실제 이미지 X_real(312) 및 조건부 정보 Y(316)(예컨대, 설계 이미지(318))는 판별기 네트워크(320)에 대한 제2 입력으로서 조합된다. 조건부 정보 Y(300 및 316)는, 이 경우, 동일한 설계의 동일한 부분의 상이한 인스턴스이다. 판별기 네트워크는 손실 함수(도시하지 않음)에 입력되는 출력을 생성할 수 있으며, 이는 생성된 패치 이미지가 참된(true) 이미지 또는 양호한 "거짓된" 이미지일 확률인 출력 P(true)(322)를 생성할 수 있다.

도면에 도시된 설계 이미지, 실제 이미지, 및 생성된 이미지 각각은 본원에 설명된 실시예가 사용될 수 있는 임의의 특정 시편(들) 또는 그 특성을 예시하는 것은 아니다. 유사한 방식으로, 도면에 도시된 실제 이미지와 생성된 이미지 각각은 시편(들)에 대해 생성될 수 있는 임의의 특정 실제 이미지 또는 시뮬레이션된 이미지를 예시하는 것은 아니다. 대신에, 도면에 도시된 설계 이미지, 실제 이미지, 및 생성된 이미지는 단지 본원에 설명된 실시예에 대한 이해를 증진시키기 위한 것이다. 생성기로부터 실제로 입력 및 출력되는 이미지는, 그 설계와 관련된 시편 및 그 특성, 그리고 GAN을 트레이닝하는 데 사용되는 시편(들)에 대한 실제 이미지를 생성하는 이미징 시스템의 구성에 따라 달라질 수 있으므로, GAN에 의해 생성된 시뮬레이션된 이미지에 영향을 준다.

손실 함수는 Isola 등에 의해 "Image-to-Image Translation with Conditional Adversarial Networks", The IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2017, pp.1125-1134에서 개시된 바와 같이 당업계에 공지된 임의의 적절한 손실 함수일 수 있고, 이는 본원에 완전히 명시된 것처럼 참조로 통합된다. 본원에서 설명된 실시예는 이 참조에 설명된 바와 같이 추가로 구성될 수 있다. 도 3에 도시된 생성기 네트워크 및 판별기 네트워크는, 본원에 설명된 바와 같이, 추가로 구성될 수 있다.

제1 유형의 정보가 시편 이미지라면 제2 유형의 정보는 설계 데이터이다. 도 4는 생성기에 실제 시편 이미지를 제공함으로써 수행된 cGAN 트레이닝을 도시한다. 특히, 도 4에 도시된 바와 같이, 조건부 정보 Y(400)(예컨대, 시편 이미지(402) 또는 조건부 이미지)는 전술된 바와 같이 구성될 수 있는 잠재 공간 벡터 z(404)와 함께 생성기 네트워크(406)에 입력된다. 그 결과, 생성기 네트워크(406)는 생성된 이미지 X_fake(408)를 출력하며, 이 경우에 이것은 거짓된 설계 클립(410)일 수 있다. 이 경우 실제 이미지 X_real(412)은 시편 이미지(402)가 생성되는 시편 상의 위치에 있는 시편에 대한 실제 설계 클립(414)이다. 이러한 방식으로, 실제 시편 이미지와 같은 조건부 정보 Y(400)는 트레이닝 세트 내의 트레이닝 입력일 수 있고, 실제 이미지 X_real(412)은 트레이닝 세트 내의 트레이닝 출력으로 지정된 대응하는 설계 클립일 수 있다. 생성된 이미지 X_fake(408) 및 조건부 정보 Y(400)는 판별기 네트워크(420)에 대한 제1 입력으로서 조합된다. 실제 이미지 X_real(412) 및 조건부 정보 Y(416)(예컨대, 시편 이미지(418))는 판별기 네트워크(420)에 대한 제2 입력으로서 조합된다. 조건부 정보 Y(400 및 416)는, 이 경우, 동일한 시편 이미지의 상이한 인스턴스이다. 판별기 네트워크는 손실 함수(도시하지 않음)에 입력되는 출력을 생성할 수 있으며, 이는 생성된 설계 클립이 참된 설계 클립 또는 양호한 "거짓된" 설계 클립일 확률인 출력 P(True)(422)를 생성할 수 있다. 손실 함수는 상술한 바와 같이 구성될 수 있다. 도 4에 도시된 생성기 및 판별기 네트워크는, 본원에 설명된 바와 같이, 추가로 구성될 수 있다.

본원에서 설명된 바와 같이 구성된 GAN의 실시예에 포함될 수 있는 생성기의 예가 도 5에 도시되어 있다. 일반적으로, GAN은 병목 레이어(bottle neck layer)까지 점진적으로 다운 샘플링된 다음 프로세스가 역전되는 인코더-디코더 네트워크를 포함할 수 있다. 도 5에 도시된 바와 같이, 생성기는 인코더(500) 및 디코더(502)를 포함할 수 있다. 인코더(500)에 도시된 블록(506, 508, 및 510)의 각각은 반복된 컨볼루션, 배치 정규화 및 정류 선형 유닛(rectified linear unit; ReLU) 활성화 및 각 섹션의 끝에서 최대 풀링을 적용한 후 최종 출력 레이어 크기의 예를 나타낸다. 인코더(500)가 3개의 블록을 포함하는 것으로 도 5에 도시되어 있지만, 인코더는 임의의 적절한 수의 블록을 포함할 수 있고, 이는 당해 분야에 공지된 임의의 적절한 방식으로 결정될 수 있다. 추가적으로, 각각의 블록, 컨볼루션 레이어(들), 배치(batch) 정규화 레이어(들), ReLU 레이어(들) 및 풀링 레이어(들)는 당업계에 공지된 임의의 적합한 구성을 가질 수 있다. 본원에 설명된 실시예에서 제1 실제 정보인 입력(504)은 블록(506)에 입력될 수 있고, 그 출력은 블록(508)에 입력될 수 있는 식이다. 인코더는 피처 레이어(512)를 생성할 수 있다.

디코더는 또한 디코더에 입력된 피처 계층(512)에 대해 상이한 기능을 수행하는 다수의 블록을 포함할 수 있다. 디코더의 블록(514, 516, 및 518) 각각은 업샘플링(전치 컨볼루션) 및 ReLU 활성화를 반복한 후의 최종 출력 레이어 크기의 예를 나타낸다. 디코더(502)가 3개의 블록을 포함하는 것으로 도 5에 도시되어 있지만, 디코더는 임의의 적절한 수의 블록을 포함할 수 있으며, 이는 당업계에 공지된 임의의 적절한 방식으로 결정될 수 있다. 디코더에 포함된 각각의 블록과 업샘플링 및 ReLU 레이어(들)는 당업계에 공지된 임의의 적절한 구성을 가질 수 있다. 인코더에 의해 생성된 피처 레이어(512)는, 예를 들어, 블록(514)에 입력될 수 있고, 그 출력은 블록(516)에 입력될 수 있는 식이다. 디코더의 출력(520)은 본원에서 설명된 변환된 제1 실제 정보 중 임의의 것일 수 있다.

일부 예에서, GAN은 인코더와 디코더 내의 대응하는 블록들 사이, 예를 들어, 블록들(506 및 518) 사이, 블록들(508 및 516) 사이, 및 블록들(510 및 514) 사이의 스킵 연결(522)을 포함할 수 있다. 블록 간에 학습된 낮은 레벨의 정보를 전송하기 위해 연결은 스킵될 수 있다. 스킵 연결은 당해 분야에 공지된 임의의 적절한 방식으로 결정된 임의의 적절한 구성을 가질 수 있다. 도 5의 입력과 출력 아래의 숫자는 각각 입력과 출력의 크기를 나타낸다. 인코더에서 블록 아래의 숫자는 블록의 출력의 크기를 나타내고, 디코더에서 블록 아래의 숫자는 각 블록에 대한 입력의 크기를 나타낸다.

본원에 설명된 바와 같이 구성된 GAN의 실시예에 포함될 수 있는 판별기의 예가 도 6에 도시된다. 판별기로의 입력(600)은 2개의 이미지(도 6에 도시되지 않음), 즉, GAN의 생성기에 의해 생성된 이미지 및 원본 이미지를 포함할 수 있다. 판별기는 레이어(602, 604, 606, 608, 및 610)를 포함하는 다수의 레이어를 포함할 수 있으며, 각 레이어는 컨볼루션, ReLU 및 최대 풀링 레이어의 일부 조합을 포함할 수 있다. 컨벌루션, ReLU 및 최대 풀링 레이어는 당업계에 공지된 임의의 적절한 구성을 가질 수 있다. 판별기의 출력(612)은 P(x), 시뮬레이션된 이미지(즉, 변환된 제1 실제 정보)가 원본 이미지(즉, 제2 실제 정보)와 얼마나 잘 매칭하는지에 대한 확률 또는 시뮬레이션된 이미지가 양호한 "거짓된" 이미지 또는 불량한 "거짓된" 이미지일 확률이다. 도 6에서 입력 아래의 숫자는 입력의 크기를 나타낸다. 판별기에서의 레이어 아래의 숫자는, 레이어의 출력의 크기를 나타낸다. 판별기가 특정 수의 레이어로 도 6에 도시되어 있지만, 본원에 설명된 실시예의 GAN에 포함된 판별기는 당업계에 공지된 임의의 적합한 방식으로 결정된 임의의 적합한 수의 레이어를 가질 수 있다.

GAN 및 cGAN의 일반적인 아키텍처 및 구성에 대한 추가적인 설명은 Goodfellow 등의 "Generative Adversarial Nets", arXiv:1406.2661, 2014년 6월 10일, 9페이지, Kingma 등의 "Semi-supervised Learning with Deep Generative Models" NIPS 2014, 2014년 10월 31일, pp.1-9, Mirza 등의 "Conditional Generative Adversarial Nets", arXiv:1411.1784, 2014년 11월 6일, 7페이지, Makhzani 등의 "Adversarial Autoencoders", arXiv:1511.05644v2, 2016년 5월 25일, 16페이지, 및 Isola 등의 "Image-to-Image Translation with Conditional Adversarial Networks", arXiv:1611.07004v2, 2017년 11월 22일, 17페이지에서 찾아질 수 있고, 이는 본원에 완전히 명시된 것과 같이 참조로 통합된다. 본원에 설명된 실시예는 이들 참고문헌에 설명된 바와 같이 추가로 구성될 수 있다.

본원에 설명된 딥 생성 모델은 하나 이상의 컴퓨터 서브시스템 및/또는 컴퓨터 서브시스템(들)에 의해 실행되는 컴포넌트(들) 중 하나에 의해 트레이닝되거나 트레이닝되지 않을 수 있다. 예를 들어, 또 다른 방법 또는 시스템은 딥 생성 모델을 트레이닝시킬 수 있으며, 그런 다음, 이 모델은 컴퓨터 서브시스템(들)에 의해 실행되는 컴포넌트(들)로서 사용하기 위해 저장될 수 있다. 딥 생성 모델은 런타임 이전에 언제든지 트레이닝 또는 구축될 수 있다. 하나의 이러한 예에서 딥 생성 모델은 PDA 트레이닝 또는 설정 중에 구축될 수 있다. 본원에 설명된 딥 생성 모델은 트레이닝된 모델의 설정 및/또는 배치 후 언제든지 갱신, 재트레이닝, 또는 수정될 수 있다.

하나의 이러한 예에서, 도 7은 설계를 시편 이미지로 변환하기 위해 딥 생성 모델을 사용하도록 구성될 때 본원에서 설명된 실시예에 의해 수행될 수 있는 단계의 흐름도를 도시한다. 단계(700, 702, 704, 706, 708, 및 710)는 설정 중에 수행되고 단계(712, 714, 716, 및 718)는 런타임 중에 수행된다. 대조적으로, 도 8은 시편 이미지를 설계로 변환하기 위해 딥 생성 모델을 사용하도록 구성될 때 본원에 설명된 실시예에 의해 수행될 수 있는 단계의 흐름도를 도시한다. 단계(800, 802, 804, 806, 808, 및 810)은 설정 중에 수행되고 단계(812, 814, 816, 및 818)는 런타임 중에 수행된다.

일 실시예에서, 컴퓨터 서브시스템(들)은 출력 획득 서브시스템을 사용해 생성된 시편의 설정 이미지로부터 정렬 타겟을 선택하도록 구성된다. 예를 들어, 시편 이미지를 설계 데이터로 변환하거나 설계 데이터를 시편 이미지로 변환하도록 딥 생성 모델이 구성되었는지 여부에 관계없이 컴퓨터 서브시스템(들)은 트레이닝 및 런타임에 사용할 정렬 타겟(들)을 선택할 수 있다. 트레이닝 및 런타임에 대해 선택된 정렬 타겟(들)은 동일하거나 동일하지 않을 수 있다. 예를 들어, 트레이닝 및 런타임은 동일한 정렬 타겟을 사용하여 수행될 수 있지만 트레이닝 대 런타임에 대한 정렬 타겟의 인스턴스가 더 적다. 그 반대도 가능하다. 컴퓨터 서브시스템(들)에 의해 선택된 정렬 타겟(들)은 또한 시편 상의 또는 설계에서 단지 상이한 위치 이외의 상이한 특성을 갖는 상이한 정렬 타겟을 포함할 수 있다. 정렬 타겟(들)은 본원에 추가로 설명된 바와 같이 또는 당업계에 공지된 임의의 다른 적합한 방식으로 선택될 수 있다.

설계 기반 정렬의 예는 2017년 11월 28일에 Bhattacharyya 등에게 허여된 미국 특허 제9,830,421호, 2020년 4월 14일에 Brauer에게 허여된 미국 특허 제10,620,135호, 및 2020년 6월 30일에 Brauer에게 허여된 미국 특허 제10,698,325호에 설명되어 있으며, 이들 특허는 마치 본원에 완전히 명시된 것처럼 참조에 의해 통합된다. 본원에 설명된 실시예는 이들 특허에 설명된 바와 같이 정렬 타겟을 선택하도록 구성될 수 있고, 이들 특허에 설명된 바와 같이 추가로 구성될 수 있다.

도 7의 단계(700) 및 도 8의 단계(800)에 도시된 바와 같이, 컴퓨터 서브시스템(들)은 전체 다이를 스캔하여 다이 전체에 고르게 분포하는 2D 고유 타겟을 찾을 수 있다. 시편 상의 전체 다이 또는 시편 상의 또 다른 적절한 영역을 스캐닝하는 것은 본원에서 추가로 설명된 대로 수행될 수 있다. 고유한 타겟은 타겟을 정렬 목적에 적합하게 만드는 당업계에 공지된 임의의 적합한 방식으로 고유할 수 있다. 2D 고유 타겟은 임의의 적절한 방식으로(예컨대, 미리 결정된 이미지 창(image window)에서 임의의 다른 것과는 다른 패턴에 대해 미리 결정된 이미지 창 내에서 검색함으로써) 찾아질 수 있다. 예를 들어, 고유한 타겟은 이미지 프레임이나 작업(job)과 같은 미리 결정된 검색창 내에서 다른 패턴과 비교하여 고유한 형상을 갖는 패턴, 미리 결정된 검색창 내에서 서로에 대해 고유한 공간적 관계를 갖는 패턴 등일 수 있다.

정렬 타겟은 필요하지는 않지만 x 방향 및 y 방향 모두에서 정렬을 수행하는 데 사용할 수 있다는 점에서 2D인 것이 바람직하다. 예를 들어, 하나 이상의 정렬 타겟이 x 방향으로만 정렬하는 데 유용하고 하나 이상의 다른 정렬 타겟이 y 방향으로만 정렬하는 데 유용하도록 정렬 타겟이 선택될 수 있다.

또한, 다이 또는 시편 상의 다른 영역에 고르게 분포하는 정렬 타겟을 찾아 사용하는 것이 바람직할 수 있지만 반드시 필요한 것은 아니다. 다시 말해, 도 7 및 8의 단계(700 및 800)에 각각 도시된 바와 같이 정렬 타겟이 선택될 수 있지만, 본원에 설명된 실시예는 당업계에 공지된 임의의 적합한 방식으로 선택되는 당업계에 공지된 임의의 적합한 정렬 타겟과 함께 사용될 수 있다. 본원에 설명된 실시예에서 사용하기 위해 다수의 고유 타겟을 선택하는 것이 실용적일 수 있지만, 일반적으로 임의의 하나 이상의 고유 타겟이 선택될 수 있다. 고유한 타겟 각각은 임의의 고유한 방식으로 서로 다를 수 있다. 또한, 고유 타겟에는 동일한 고유 대상의 인스턴스가 두 개 이상 포함될 수 있다.

하나 이상의 컴퓨터 서브시스템은 시편 이미지에서 발견된 각각의 고유한 타겟(들)에 대한 설계를 수신할 수 있다. 하나 이상의 컴퓨터 서브시스템은 스캐닝에 의해 생성된 이미지로부터 결정된 고유 타겟(들)에 대한 정보에 기초하여 시편에 대한 설계를 검색함으로써, 설계를 포함하는 저장 매체 또는 컴퓨터 시스템으로부터 고유 타겟(들)의 위치에 있는 설계의 일부(예컨대, 설계 클립)를 요청함으로써 등과 같은 임의의 적절한 방식으로 설계를 수신할 수 있다. 하나 이상의 컴퓨터 서브시스템에 의해 수신되는 설계는 본원에서 추가로 설명되는 설계, 설계 데이터, 또는 설계 정보 중 임의의 것을 포함할 수 있다.

또 다른 실시예에서, 컴퓨터 서브시스템(들)은 출력 획득 서브시스템을 사용해 생성된 시편의 트레이닝 이미지 및 시편에 대한 대응 설계 데이터를 포함하는 트레이닝 세트를 생성하고 트레이닝 세트를 사용해 딥 생성 모델을 트레이닝하도록 구성되고, 트레이닝 이미지는 시편 상의 정렬 타겟 또는 임의의 다른 정렬 타겟의 위치와 독립적인 위치에서 생성된다. 예를 들어, 본원에 설명된 딥 생성 모델은, 학습에 사용되는 구조가 전통적인 PDA 기술에 대한 양호한 정렬 사이트가 아닌 경우에도 이 구조로부터 학습할 수 있다. 다시 말해, 정렬 타겟이 본원에 설명된 다른 단계에 필요하지만, 딥 생성 모델의 트레이닝은 정렬 타겟 이미지 및 설계 또는 심지어 임의의 정렬 타겟 이미지 및 설계만을 사용하여 수행될 필요는 없다. 기본적으로 설계 데이터와 상관관계가 있을 수 있는 임의의 시편 이미지로 딥 생성 모델을 트레이닝할 수 있다는 것은 특히 시편 상에 적합한 정렬 타겟이 많지 않은 상황에서 유리하다. 즉, 시편 상의 가능한 정렬 타겟의 수가 정렬 타겟 전용 트레이닝 세트를 생성하기 어렵거나 심지어 불가능하게 만드는 경우가 있을 수 있다. 이러한 (및 임의의 다른) 경우에서, 트레이닝 세트는 딥 생성 모델이 적절하게 트레이닝될 수 있도록 비정렬 타겟 이미지 및 설계 데이터를 포함할 수 있다.

추가적인 실시예에서, 컴퓨터 서브시스템(들)은 출력 획득 서브시스템을 사용해 생성된 시편의 트레이닝 이미지 및 시편에 대한 대응 설계 데이터를 포함하는 트레이닝 세트를 생성하고, 트레이닝 세트를 사용해 딥 생성 모델을 트레이닝하도록 구성되고, 트레이닝 세트에 포함된 대응 설계 데이터는 트레이닝 이미지에 영향을 미치는 시편 상의, 모든 층보다 적은 수의 층에 대해 설계 데이터를 포함한다. 예를 들어, 본원에 설명된 실시예는 모든 층 정보를 완벽하게 알 필요 없이 매우 정확한 정렬을 제공한다. 시편 이미지에 영향을 미치는(또는 그 반대의) 모든 설계 데이터보다는 적은 설계 데이터로부터 시편 이미지를 생성할 수 있다는 것은 본원에 설명된 것과 같은 상황에서 전체 설계 파일을 사용할 수 없는 경우가 많기 때문에 유리하다. 다른 상황에서는 어떤 설계 레이어가 시편 이미지에 영향을 미치고 따라서 포워드 유형 시뮬레이션(forward type simulation)에 사용되어야 하는지 선험적으로 아는 것이 어려울 수 있다. 대조적으로, 본원에 설명된 딥 생성 모델은, 딥 생성 모델을 트레이닝하는 데 사용되는 설계 데이터가 트레이닝에 사용되는 시편 이미지에 적어도 어느 정도 대응하는 한 설계 데이터로부터(또는 그 반대로) 시뮬레이션된 시편 이미지를 생성할 수 있다. 즉, 딥 생성 모델 자체의 특성으로 인해, 본원에 설명된 실시예는, 트레이닝에 사용되는 설계 데이터가 시편 이미지에 나타나거나 시편 이미지에 영향을 미치는 일부 패터닝된 피처가 누락되더라도 트레이닝된 딥 생성 모델을 성공적으로 생성할 수 있어야 한다.

본원에 설명된 임의의 실시예에서, 트레이닝 세트를 생성하는 것은, 트레이닝 세트가 딥 생성 모델을 트레이닝하는 데 사용될 수 있도록 임의의 적합한 방식 및 임의의 적합한 포맷으로 트레이닝 이미지 및 대응하는 설계 데이터를 저장하는 것을 포함할 수 있다. 컴퓨터 서브시스템(들)은 본원에 설명된 임의의 컴퓨터 판독 가능 저장 매체에 트레이닝 세트에 대한 정보를 저장할 수 있다. 트레이닝 세트는 트레이닝 및 검증을 위해 서브세트로 분할되는 것, 시간이 지남에 따라 또는 프로세스가 변경될 때 갱신, 수정 또는 대체되는 것 등을 포함하는 당업계에 공지된 임의의 적절한 방식으로 컴퓨터 서브시스템(들)에 의해 사용될 수 있다.

그런 다음, 딥 생성 모델은 대응 설계 클립을 가진 시편 패치 이미지를 포함하는 트레이닝 세트에 기초해 트레이닝될 수 있다. 시편 이미지가 트레이닝 입력이고 대응 설계 클립이 트레이닝 출력인지 또는 그 반대인지 여부는 딥 생성 모델이 제1 실제 정보를 어떻게 변환할지와 제1 실제 정보와 제2 실제 정보가 어떤 유형의 정보인지에 따라 달라질 것이다. 트레이닝은 트레이닝 입력을 딥 생성 모델에 입력하고, 딥 생성 모델에 의해 생성된 출력이 트레이닝 출력과 매칭(또는 실질적으로 매칭)할 때까지 딥 생성 모델의 하나 이상의 파라미터를 변경하는 것을 포함할 수 있다. 트레이닝은 딥 생성 모델의 임의의 하나 이상의 트레이닝 가능한 파라미터를 변경하는 것을 포함할 수 있다. 예를 들어, 본원에서 설명된 실시예에 의해 트레이닝되는 딥 생성 모델의 하나 이상의 파라미터는, 트레이닝 가능한 가중치를 갖는 딥 생성 모델의 임의의 레이어에 대한 하나 이상의 가중치를 포함할 수 있다. 이와 같은 일 예에서, 가중치는 컨볼루션 레이어에 대한 가중치를 포함할 수 있지만, 풀링 레이어에 대한 가중치는 포함하지 않을 수 있다.

일부 실시예가 딥 생성 모델과 관련하여 본원에 설명되어 있지만, 본원에 설명된 실시예는 다수의 딥 생성 모델을 포함하거나 사용할 수 있다. 하나의 이러한 예에서, 출력 획득 서브시스템의 상이한 모드 각각에 대해 본원에 설명된 바와 같이 상이한 딥 생성 모델이 트레이닝되고 사용될 수 있다. 예를 들어, 한 모드에 대해 수행된 정렬이 반드시 또 다른 모드로 이전될 수 있는 것은 아니다. 즉, 하나의 모드에 대해 정렬을 수행하면 모든 모드가 설계에 정렬되지는 않을 수 있다(또는 적어도 충분한 정확도로 설계에 정렬되지 않을 수 있음). 대부분의 경우에, 검사 또는 기타 이미징 도구의 상이한 모드는, 예를 들어, 노이즈 레벨, 콘트라스트, 해상도, 이미지 유형(예컨대, DF 대 BF, 광학 대 전자빔 등) 등과 같은 몇몇 가능한 방식 중 하나의 방식으로 서로 다른 이미지 및/또는 출력을 생성할 것이다. 따라서 딥 생성 모델이 도구의 한 모드에 대해 트레이닝되면 도구의 또 다른 모드에 대한 정보를 변환하도록 부적절하게 트레이닝될 가능성이 있다. 이와 같이, 다수의 딥 생성 모델은 각 관심 모드에 대해 하나씩 개별적으로 독립적으로 트레이닝될 수 있으며, 이미지-대-설계 정렬은 시편에 대해 수행되는 단일 프로세스에서 사용되는 상이한 모드에 대해 개별적으로 그리고 독립적으로 수행될 수 있다. 이러한 방식으로, 시편에 대한 이미지를 생성하기 위해 상이한 모드가 사용될 때, 둘 이상의 모드에서 생성된 이미지가 시편에 대한 설계에 정렬될 수 있다. 그러나, 동일한 사전 트레이닝된 딥 생성 네트워크가 필요하지는 않지만 각 모드에 사용될 수 있다. 그런 다음, 각각의 트레이닝된 딥 생성 모델을 사용하여 모드 특유 변환을 수행할 수 있다.

제1 실제 정보가 설계 데이터인 경우, 각각의 상이하게 트레이닝된 딥 생성 모델에 입력되는 제1 실제 정보는, 시편의 설계가 모드에 따라 변경되지 않을 것이므로 동일한 설계 클립 또는 동일한 설계의 상이한 부분일 수 있다. 제1 실제 정보가 시편 이미지인 경우 각각의 상이하게 트레이닝된 딥 생성 모델로의 입력이 상이할 수 있다.

제1 유형의 정보가 설계 데이터이고 제2 유형의 정보가 시편 이미지인 경우, 생성기는 실제 시편 이미지와 구별될 수 없는 시편 이미지를 생성하도록 트레이닝된다. 제1 유형의 정보가 시편 이미지이고 제2 유형의 정보가 설계 데이터인 경우 생성기는 실제 설계 클립과 구별될 수 없는 설계 클립을 생성하도록 트레이닝된다. 두 경우 모두 대립적으로 트레이닝된 판별자는 트레이닝 중에 거짓과 실제 튜플들(fakes and real tuples) 사이에서 분류하도록 트레이닝된다.

딥 생성 모델이 트레이닝되면 정렬 타겟에 대한 제1 실제 정보를 한 유형의 정보에서 또 다른 유형의 정보로 변환하는 데 사용될 수 있다. 예를 들어, 제1 유형의 정보가 설계 데이터이고 제2 유형의 정보가 시편 이미지인 실시예인 도 7에 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 단계(702)에 도시된 바와 같이 각각의 타겟에 대한 설계를 획득할 수 있으며, 이는 본 명세서에서 추가로 설명되는 바와 같이 수행될 수 있다. 그 다음, 하나 이상의 컴퓨터 서브시스템은 단계(704)에 나타낸 바와 같이 트레이닝된 GAN을 통해 각 타겟의 설계로부터 시편 패치 이미지를 생성할 수 있다. 이러한 방식으로, 본원에 설명된 GAN 또는 또 다른 딥 생성 모델은 임의의 주어진 설계 클립에 대해 거짓된 시편 이미지를 생성하는 데 사용될 수 있으며, 이는 이후에 본원에 추가로 설명된 바와 같이 오프셋을 계산하기 위해 시편 이미지를 정렬하는 데 사용될 것이다. 즉, 트레이닝 후 생성기를 사용하여 패턴-대-설계 정렬(PDA)에 대한 시뮬레이션된 시편 이미지를 생성하여 실제 시편 이미지를 시뮬레이션 시편 이미지에 정렬하고 이에 따라 해당 설계 클립을 정렬할 수 있다.

이러한 방식으로, 본원에 설명된 실시예의 하나의 새로운 피처는 설계 파일에 기초하여 인공 패치 이미지가 어떻게 보여야 하는지 학습하기 위해 GAN 또는 본원에 설명된 다른 딥 생성 모델을 사용하도록 구성될 수 있다는 것이다. 또한, 본원에 설명된 실시예의 또 다른 새로운 피처는 GAN 또는 본원에 설명된 다른 딥 생성 모델을 통해 PDA용 인공 패치 이미지를 생성하도록 구성될 수 있다는 것이다.

반대 작업을 수행하기 위해 설계 클립이 시편 이미지에 의해 대체되고 그 반대의 경우도 마찬가지이다. 예를 들어, 제1 유형의 정보가 시편 이미지이고 제2 유형의 정보가 설계 데이터인 실시예인 도 8에 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 단계(802)에 도시된 바와 같이 각각의 타겟에 대한 설계를 획득할 수 있으며, 이는 본 명세서에서 추가로 설명되는 바와 같이 수행될 수 있다. 그 다음, 하나 이상의 컴퓨터 서브시스템은 단계(804)에 도시된 바와 같이 트레이닝된 GAN(또는 본원에 설명된 다른 딥 생성 모델)을 통해 각각의 타겟에서 광학(또는 다른) 패치 이미지로부터 설계 클립을 생성할 수 있다. 이러한 방식으로, GAN (또는 다른 딥 생성) 모델은 임의의 주어진 패치 이미지의 거짓된 설계 클립을 생성하는 데 사용되고, 그런 다음, 생성된 거짓된 설계 클립은 거짓된 설계 클립을 실제 설계 클립에 정렬하여 이들 사이의 오프셋을 계산하는 데 사용되는데, 이들 동작은 본원에 추가로 설명되는 대로 수행될 것이다.

이러한 방식으로, 본원에 설명된 실시예의 하나의 새로운 피처는 GAN 또는 다른 딥 생성 모델 기반 이미지 재구성을 통해 시편 이미지로부터 설계 클립을 생성하도록 구성될 수 있다는 것이다. 또한, 본원에 설명된 실시예의 또 다른 새로운 피처는 시편 이미지 대신 설계 클립을 정렬용으로 사용하도록 구성될 수 있다는 점이다.

일 실시예에서, 시편 이미지는 저해상도 시편 이미지이다. 예를 들어, 검사와 같은 프로세스의 경우, 프로세스 동안 시편에서 생성된 이미지는 본원에 설명된 실시예에 의해 사용되는 다른 유형의 정보보다 해상도가 낮다는 점에서 "저해상도"일 수 있다. 즉, 본원에서 설명되는 실시예에서 한 유형의 정보가 설계 데이터이고 다른 유형의 정보가 시편 이미지인 경우, 설계 데이터가 일반적으로 해상도를 가지고 있다고 생각되지 않더라도, 시편 이미지는 설계 데이터보다 낮은(심지어 훨씬 더 낮은) 해상도를 가질 수 있다. 예를 들어, 시편의 모든 피처가 완벽하게 해상되는 설계 데이터와 달리, 본원에 설명된 시편 이미지에서는 시편의 모든 피처가(또는 심지어 어떤 피처도) 해상되지는 않을 수 있다. 이러한 방식으로, 본원에 설명된 변환은 단순히 데이터 또는 이미지의 포맷을 변경하거나(예컨대, 이진 스케일에서 그레이 스케일로) 또는 하나 이상의 필터를 데이터 또는 이미지에 적용하는 것(예컨대, 저역 통과 필터 또는 코너 라운딩 필터와 같은)이 아니라, 데이터 또는 이미지의 한 유형을 완전히 다른 유형의 데이터 또는 이미지로 변환하는 것을 수반한다. 이러한 방식으로, 본원에 설명된 실시예는 설계를 시편 이미지에 직접 정렬하는 것을 비실용적이거나 심지어 불가능하게 만드는 설계 대 광학적 불일치(예컨대, 외관의 차이)를 갖는 웨이퍼와 같은 시료에 대한 더 나은 정렬을 유리하게 제공할 수 있다.

또 다른 실시예에서, 제2 유형의 정보가 설계 데이터일 때, 변환은 변환된 제1 실제 정보가 이진화된 설계 데이터를 포함하도록 딥 생성 모델의 출력을 이진화하는 것을 포함한다. 예를 들어, 딥 생성 모델의 출력은 그레이 스케일 시뮬레이션된 설계 데이터 이미지를 포함할 수 있다. 이러한 실시예에서, 하나 이상의 컴퓨터 서브시스템은 그레이 스케일 시뮬레이션된 설계 데이터 이미지로부터 이진화된 설계 데이터(또는 시뮬레이션된 이진 설계 데이터 이미지)를 생성하도록 구성될 수 있다. 따라서 변환 단계는 제1 실제 정보를 딥 생성 모델에 입력한 다음, 딥 생성 모델의 출력을 이진화하는 단계를 포함할 수 있다. 시뮬레이션된 이진 설계 데이터 이미지를 생성하기 위한 하나의 특히 적합한 방법이 본원에서 추가로 설명되지만, 컴퓨터 서브시스템(들)은 당업계에 공지된 임의의 다른 적절한 방식으로 시뮬레이션된 이진 설계 데이터 이미지를 생성할 수 있다.

일 실시예에서, 시뮬레이션된 이진 설계 데이터 이미지를 생성하는 것은 그레이 스케일 시뮬레이션된 설계 데이터 이미지를 경계화(threshold)하여 그레이 스케일 시뮬레이션된 설계 데이터 이미지를 이진화하고 그레이 스케일 시뮬레이션된 설계 데이터 이미지 내의 패터닝된 피처의 공칭 치수를 시편에 대한 설계 데이터 내의 패터닝된 피처의 공칭 치수에 매칭시키는 것을 포함한다. 예를 들어, 일반적으로 실측 설계 이미지는 (설계 이미지가 시편 상의 한 층에만 대한 것인지 또는 시편 상의 두 층에 대한 것인지에 따라) 이진 또는 삼중 레벨이고, 딥 생성 모델에 의해 생성된 렌더링된 그레이 스케일 설계 이미지는 실측 이미지 값에 대응하는 실질적으로 큰 히스토그램 피크를 가질 수 있다. 딥 생성 모델에 의해 생성된 렌더링된 설계 이미지를 사용하여 정렬을 수행하기 위해, 컴퓨터 서브시스템(들)은 렌더링된 설계 이미지를 실측 값(ground truth)에 대응하는 이진 또는 삼중 레벨 값으로 경계화할 수 있다. 일부 그러한 경우에, 컴퓨터 서브시스템(들)은 그레이 스케일 시뮬레이션된 설계 데이터 이미지에서 그레이 스케일 값의 히스토그램을 생성한 다음, 히스토그램에 문턱값을 적용하여 이미지를 이진화할 수 있다. 문턱값은 설계에 있는 피처의 패턴 폭(또는 다른 치수)과 매칭하도록 선택된다. 이러한 방식으로, 컴퓨터 서브시스템(들)은 시뮬레이션된 데이터베이스 이미지를 경계화하여 공칭의 참된 설계 패턴 폭(또는 다른 치수)을 이진화하고 매칭시킨 다음, 본원에서 더 설명되는 바와 같이, 이것을 참된 설계 패턴과 정렬한다. 다시 말해서, 정렬을 위해 시뮬레이션된 설계 데이터 이미지를 사용하기 위해, 컴퓨터 서브시스템(들)은 고해상도 이미지 설계 규칙(design rule; DR) 폭과 매칭하도록 시뮬레이션된 설계 클립을 경계화할 수 있다.

하나 이상의 컴퓨터 서브시스템은 또한 변환된 제1 실제 정보를 정렬 타겟에 대한 제2 실제 정보에 정렬하도록 구성된다. 제2 실제 정보는 제2 유형의 정보이다. 예를 들어, 제1 유형의 정보가 설계 데이터이고, 제2 유형의 정보가 시편 이미지인 경우, 도 7에 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 단계(706)에 도시된 바와 같이, 각각의 타겟에서 렌더링된 이미지(즉, 변환된 제1 실제 정보)와 시편 이미지(즉, 제2 실제 정보)를 정렬한다. 대조적으로, 제1 유형의 정보가 시편 이미지이고, 제2 유형의 정보가 설계 데이터인 경우, 도 8의 단계(806)에 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 각각의 타겟에서 IC 설계(즉, 제2 실제 정보)를 생성된 설계 클립(즉, 변환된 제1 실제 정보)에 정렬한다.

일부 실시예에서, 변환된 제1 실제 정보를 제2 실제 정보에 정렬하는 것은 정규화된 차이 제곱합(normalized sum of squared differences; NSSD)에 기초하여 수행된다. 예를 들어, 도 7의 단계(706) 및 도 8의 단계(806)는 정렬 오프셋을 계산하기 위해 변환된 제1 실제 정보 및 제2 실제 정보의 NSSD를 사용하여 수행될 수 있다. NSSD는 당업계에 공지된 임의의 적합한 방법, 알고리즘, 기능 등을 사용하여 수행될 수 있다. 그러나 이들 정렬 단계는 당업계에 공지된 임의의 다른 적합한 정렬 방법 또는 알고리즘을 사용하여 수행될 수 있다.

하나 이상의 컴퓨터 서브시스템은 정렬의 결과에 기초하여 변환된 제1 실제 정보와 제2 실제 정보 사이의 오프셋을 결정하도록 추가로 구성된다. 이 오프셋은 임의의 적절한 방식으로 결정될 수 있고 임의의 적절한 방식으로 표현될 수 있다(예컨대, 데카르트 오프셋, 2차원 함수 등). 이 오프셋은 당업계에 공지된 임의의 적합한 방식으로 결정될 수 있고 당업계에 공지된 임의의 포맷을 가질 수 있다.

일부 실시예에서, 변환 단계 및 정렬 단계는 시편 상의 추가 정렬 타겟에 대해 수행되며 오프셋을 결정하는 것은 프로세스 동안 출력 획득 서브시스템에 의해 시편에 대해 생성된 출력의 상이한 프레임 각각에 대해 상이한 오프셋을 결정하는 것을 포함한다. 예를 들어, 도 7의 단계(708) 및 도 8의 단계(808)에 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 타겟으로부터 각각의 검사 프레임에 대한 설계-대-이미지 오프셋을 결정할 수 있다.

하나 이상의 컴퓨터 서브시스템은 또한 결정된 오프셋을, 출력 획득 서브시스템을 사용해 시편에 대해 수행되는 프로세스에서 사용하기 위한 정렬-대-설계 오프셋으로서 저장하도록 구성된다. 컴퓨터 서브시스템(들)은 정렬-설계 오프셋을 임의의 적합한 컴퓨터 판독 가능 저장 매체에 저장할 수 있다. 정렬-설계 오프셋은 본원에 설명된 임의의 결과와 함께 저장될 수 있고, 당업계에 공지된 임의의 방식으로 저장될 수 있다. 저장 매체는 본원에 설명된 임의의 저장 매체 또는 당업계에 공지된 임의의 다른 적합한 저장 매체를 포함할 수 있다. 정렬-설계 오프셋이 저장된 후, 정렬-설계 오프셋은 저장 매체에서 액세스될 수 있고, 본원에 설명된 방법 또는 시스템 실시예 중 임의의 것에 의해 사용될 수 있고, 사용자에게 디스플레이하도록 포맷(format)되며, 또 다른 소프트웨어 모듈, 방법, 또는 시스템 등에 의해 사용된다.

일부 실시예에서, 변환 단계 및 정렬 단계는 시편 상의 추가 정렬 타겟에 대해 수행되며, 오프셋을 결정하는 것은 프로세스 동안 출력 획득 서브시스템에 의해 시편에 대해 생성된 출력의 상이한 프레임 각각에 대해 상이한 오프셋을 결정하는 것을 포함하며, 결정된 오프셋을 저장하는 것은 상이한 오프셋을 저장하는 것을 포함한다. 또 다른 실시예에서, 하나 이상의 컴퓨터 서브시스템은 출력 획득 서브시스템을 사용해 시편에 대해 수행되는 프로세스에서 설정 정렬 타겟 이미지로서 사용하기 위해 정렬 타겟에 대해 제2 실제 정보를 저장하도록 구성된다. 예를 들어, 도 7의 단계(710) 및 도 8의 단계(810)에 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 런타임 검사(또는 본원에 설명된 또 다른 프로세스)를 위해 데이터베이스에 타겟 및 오프셋을 저장할 수 있다. 이들 단계는 본원에서 추가로 설명된 바와 같이 수행될 수 있다.

일 실시예에서, 정렬-대-설계 오프셋을 저장하는 것은 시편에 대해 수행되는 프로세스 및 시편과 동일한 유형의 적어도 하나의 다른 시편에 대해 수행되는 프로세스에서 사용하기 위해 정렬-대-설계 오프셋을 저장하는 것을 포함한다. 예를 들어, 본원에 설명된 실시예는 레시피를 설정, 생성, 교정, 또는 갱신하는 것의 일부로서 수행될 수 있는 프로세스 레시피를 위한 시편의 정렬을 설정할 수 있다. 그 후, 이 레시피는 시편 및/또는 다른 시편에 대한 프로세스를 수행하여 시편 및/또는 다른 시편에 대한 정보(예컨대, 결함 정보)를 생성하기 위해 본원에 설명된 실시예(및/또는 또 다른 시스템 또는 방법)에 의해 저장되고 사용될 수 있다. 이러한 방식으로 정렬-대-설계 오프셋이 시편 층 당 한 번 생성 및 저장될 수 있으며, 정렬-대-설계 오프셋은 동일한 층의 다수의 시편에 대해 수행되는 프로세스에 사용될 수 있다. 물론, 임의의 프로세스에서와 같이, 시편층에 대해 수행된 프로세스가 갱신, 교정, 수정, 재트레이닝 등이 되는 경우, 정렬-대-설계 오프셋은 또한 임의의 다른 프로세스 파라미터와 동일한 방식으로 갱신, 교정, 수정, 재트레이닝 등이 될 수 있다. 정렬-대-설계 오프셋을 갱신, 교정, 수정, 재트레이닝 등을 하는 것은 시편에 대해 수행되는 프로세스에서 사용하기 위한 오프셋을 결정하기 위해 본원에 설명된 것과 동일한 방식으로 수행될 수 있다. 이러한 방식으로, 본원에 설명된 실시예는 이전 설정 프로세스를 수정하기 위해 다양한 시간에 본원에 설명된 단계를 반복하도록 구성될 수 있다.

본원에 설명된 실시예는 또한 전술된 바와 같이 시편이 런타임에 정렬된 후에 프로세스를 수행할 수 있다. 일 실시예에서, 프로세스는 검사 프로세스이다. 그러나 프로세스는 검사, 결함 검토, 계측 등과 같이 본원에 설명된 것 중 임의의 것을 포함할 수 있다. 컴퓨터 서브시스템(들)은 검출된 결함에 대한 정보와 같은 프로세스를 수행함으로써 생성된 시편에 대한 정보를 임의의 적합한 컴퓨터 판독 가능 저장 매체에 저장하도록 구성될 수 있다. 정보는 본원에 설명된 임의의 결과와 함께 저장될 수 있고, 당업계에 공지된 임의의 방식으로 저장될 수 있다. 저장 매체는 본원에 설명된 임의의 저장 매체 또는 당업계에 공지된 임의의 다른 적합한 저장 매체를 포함할 수 있다. 정보가 저장된 후에, 그 정보는 저장 매체에서 액세스될 수 있고, 본원에 설명된 방법이나 시스템 실시예 중 임의의 것에 의해 사용될 수 있고, 사용자에게 표시하기 위해 포맷되고, 또 다른 소프트웨어 모듈, 방법 또는 시스템 등에 의해 사용될 수 있다.

따라서, 본원에 설명된 바와 같이, 실시예는 새로운 프로세스 또는 레시피를 설정하는데 사용될 수 있다. 실시예는 또한 그것이 시편에 대해 사용되었거나 하나의 시편에 대해 생성되었고, 다른 시편에 대해 적응되고 있는 프로세스 또는 레시피인지 여부에 관계없이, 기존의 프로세스 또는 레시피를 수정하기 위해 사용될 수 있다. 또한, 본원에 설명된 실시예는 검사 프로세스 생성 또는 수정으로 제한되지 않는다. 예를 들어, 본원에서 설명된 실시예는 유사한 방식으로 계측, 결함 검토 등을 위한 프로세스를 설정하거나 수정하는 데에도 사용될 수 있다. 특히, 프로세스에서 사용하기 위한 오프셋을 결정하고 본원에 설명된 바와 같이 시편-대-설계 정렬을 수행하는 것은 설정 또는 수정되고 있는 프로세스에 관계없이 수행될 수 있다. 따라서 본원에 설명된 실시예는 검사 프로세스를 설정하거나 수정하기 위해 사용될 수 있을 뿐만 아니라 본원에 설명된 시편에 대해 수행되는 임의의 품질 제어 유형 프로세스를 설정하거나 수정하는 데 사용될 수 있다.

하나의 이러한 실시예에서, 하나 이상의 컴퓨터 서브시스템은 출력 획득 서브시스템을 사용해 시편에 대해 프로세스를 수행하도록 구성되고, 프로세스는 프로세스에서 시편에 대해 생성된 런타임 정렬 타겟 이미지를 설정 정렬 타겟 이미지에 정렬하는 것 - 런타임 정렬 타겟 이미지는 제2 유형의 정보임 -, 런타임 정렬 타겟 이미지를 설정 정렬 타겟 이미지에 정렬한 결과에 기초하여 런타임-대-설정 오프셋을 결정하는 것, 및 런타임-대-설정 오프셋과 정렬-대-설계 오프셋에 기초하여 런타임-대-설계 오프셋을 결정하는 것을 포함한다. 예를 들어, 도 7의 단계(712)에 도시된 바와 같이, 프로세스 동안, 하나 이상의 컴퓨터 서브시스템은 각각의 타겟에서 설정 이미지를 런타임 이미지에 정렬할 수 있다. 따라서 본 실시예에서, 설정 이미지는 렌더링된 시편 이미지이고 런타임 이미지는 실제 시편 이미지이다. 대조적으로, 도 8의 단계(812)에 도시된 바와 같이, 프로세스 동안, 하나 이상의 컴퓨터 서브시스템은 각각의 타겟에서 설정 설계 클립을 런타임 설계 클립에 정렬할 수 있다. 따라서 본 실시예에서, 설정 이미지는 실제 설계 데이터이고, 런타임 이미지는 런타임 시편 이미지로부터 생성된 렌더링된 설계 데이터이다. 도 7의 단계(714) 및 도 8의 단계(814)에 추가로 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 각각의 검사 프레임에 대해 설정과 런타임 사이의 오프셋을 결정할 수 있다. 또한, 도 7의 단계(716) 및 도 8의 단계(816)에 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 각각의 검사 프레임에 대해 설계와 런타임 사이의 오프셋을 결정할 수 있다. 이러한 모든 단계는 본원에서 추가로 설명된 바와 같이 수행될 수 있다.

런타임-대-설정 오프셋 및 정렬-대-설계 오프셋에 기초하여 런타임-대-설계 오프셋을 결정하는 것은 임의의 적절한 방식으로 런타임-대-설정 오프셋에 의해 또는 이를 사용해 정렬-대-설계 오프셋을 수정하는 것을 포함할 수 있다. 이 단계는 출력 획득 서브시스템에 대한 설정 시편과 런타임 시편의 정렬의 임의의 차이 및 상이한 시편 상의 정렬 타겟에서의 배치 차이와 같은 설정 시편과 런타임 시편 사이의 임의의 다른 차이에 대해 정렬-대-설계 오프셋을 보정하기 위해 수행될 수 있다.

이러한 일부 실시예에서, 컴퓨터 서브시스템(들)은 프로세스 동안 시편 상의 정렬 타겟의 위치에서 생성된 시편 이미지를 딥 생성 모델에 입력함으로써, 프로세스 동안 시편 상의 정렬 타겟의 위치에서 생성된 시편 이미지를 런타임 정렬 타겟 설계 데이터로 변환하여 런타임 정렬 타겟 이미지를 생성하도록 구성된다. 예를 들어, 런타임에, 본원에서 설명되는 GAN 또는 다른 딥 생성 모델은 시편 이미지로부터 거짓된 설계 클립을 생성한 다음, PDA 설정 데이터베이스 이미지에 정렬한다.

이러한 또 다른 실시예에서, 프로세스는 런타임-대-설계 오프셋에 기초하여 시편에 대해 수행되는 프로세스 동안 출력 획득 서브시스템에 의해 생성된 출력에서 관심 영역(care area)을 결정하는 것을 포함한다. 예를 들어, 도 7의 단계(718) 및 도 8의 단계(818)에 도시된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 오프셋 보정에 따라 관심 영역을 배치할 수 있다. 해당 기술 분야에서 일반적으로 언급되는 "관심 영역"은 검사 목적으로 관심이 있는 시편의 영역이다. 때때로 관심 영역은 검사 프로세스에서 검사되지 않은 시편 상의 영역과 검사되는 시편 상의 영역을 구분하는 데 사용된다. 또한, 관심 영역은 때때로 하나 이상의 상이한 파라미터들로 검사되어야 하는 시편 상의 영역을 구별하는 데 사용된다. 예를 들어, 시편의 제1 영역이 시편 상의 제2 영역보다 더 중요한 경우, 제1 영역을 제2 영역보다 더 높은 감도로 검사하여 더 높은 감도로 제1 영역에서 결함이 검출될 수 있다. 검사 프로세스의 다른 파라미터는 유사한 방식으로 관심 영역별로 변경될 수 있다.

이들 실시예에서, 하나 이상의 컴퓨터 서브시스템은 x 방향 및 y 방향에서 0개의 관심 영역 경계를 사용할 수 있다. 예를 들어, 본원에 설명된 실시예는 실질적으로 높은 정확도로 시편 이미지를 설계에 정렬할 수 있기 때문에, 관심 영역은 실질적으로 높은 정확도로 시편 이미지에 위치될 수 있다. 따라서, 관심 영역 배치의 임의의 오차를 설명하기 위해 인위적으로 관심 영역을 증가시키는 데 일반적으로 사용되는 경계는 본원에 설명된 실시예에 의해 효과적으로 제거될 수 있다. 이러한 높은 정확도로 관심 영역을 배치하고 관리 영역 경계를 제거하는 것은 시편 상의 뉴슨스(nuisance)의 검출이 크게 감소될 수 있는 것과 시편 상의 관심 결함(defects of interest; DOI)의 검출이 개선될 수 있는 것을 비롯한 다수의 이유로 유리하다.

일 실시예에서, 컴퓨터 서브시스템(들)은 출력 획득 서브시스템을 갖는 추가 시편에 대해 수행되는 프로세스에서 사용하기 위한 정렬-대-설계 오프셋으로서 결정된 오프셋을 저장하도록 구성되고, 제2 유형의 정보가 설계 데이터인 경우, 변환된 제1 실제 정보는 제2 유형의 정보가 시편 이미지인 경우보다 추가 시편에 대해 수행되는 하나 이상의 프로세스의 변화에 덜 영향을 받는다(more immune). 예를 들어, 딥 생성 모델이 시편 이미지를 설계 데이터로 변환하도록 구성된 경우, 시편 이미지로부터 생성되는 설계 이미지는 설계 데이터로부터 시편 이미지를 생성하도록 딥 생성 모델이 구성된 경우보다 잠재적으로 프로세스 변화에 덜 영향을 받을 수 있다.

또 다른 실시예에서, 컴퓨터 서브시스템(들)은 출력 획득 서브시스템을 사용해 추가 시편에 대해 수행되는 프로세스에서 사용하기 위한 정렬-대-설계 오프셋으로서 결정된 오프셋을 저장하도록 구성되고, 제2 유형의 정보가 설계 데이터인 경우, 정렬-대-설계 오프셋을 사용하는 프로세스에서 수행된 정렬은 제2 유형의 정보가 시편 이미지인 경우보다 추가 시편에 대해 수행되는 하나 이상의 프로세스의 변화에 덜 영향을 받는다. 예를 들어, 실제 설계 클립을 사용하여 이진화된 설계 렌더링에 대해 PDA를 수행하면 시편 이미지를 사용하여 PDA가 수행되는 경우보다 프로세스 변화에 덜 영향을 받을 수 있다.

시편 또는 동일한 유형의 다른 시편에 대해 본원에 설명된 프로세스를 수행하여 생성된 결과 및 정보는, 본원에서 설명된 실시예 및/또는 다른 시스템 및 방법에 의해 다양한 방식으로 사용될 수 있다. 이러한 기능은 피드백 또는 피드포워드 방식으로 시편 또는 다른 시편에 대해 수행되었거나 수행될 제조 프로세스 또는 단계와 같은 프로세스를 변경하는 것을 포함되지만, 이에 제한되지는 않는다. 예를 들어, 컴퓨터 서브시스템(들)은 검출된 결함(들)에 기초하여 본원에 설명된 바와 같이 검사된 시편에 대해 수행되었거나 수행될 프로세스에 대한 하나 이상의 변경을 결정하도록 구성될 수 있다. 프로세스에 대한 변경은 프로세스의 하나 이상의 파라미터에 대한 임의의 적합한 변경을 포함할 수 있다. 컴퓨터 서브시스템(들)은, 수정된 프로세스가 수행되는 다른 시편 상에서 결함이 감소되거나 방지될 수 있고, 시편에 대해 수행되는 또 다른 프로세스에서 시편 상에서 결함이 보정되거나 제거될 수 있고, 시편에 대해 수행되는 또 다른 프로세스에서 결함이 보상될 수 있는 등이 수행될 수 있도록, 그러한 변경을 바람직하게 결정한다. 컴퓨터 서브시스템(들)은 당해 분야에 공지된 임의의 적절한 방식으로 이러한 변경을 결정할 수 있다.

그 후 이러한 변경 사항은, 반도체 제조 시스템(도시되지 않음) 또는 컴퓨터 서브시스템(들) 및 반도체 제조 시스템에 액세스 가능한 저장 매체(도시되지 않음)로 송신될 수 있다. 반도체 제조 시스템은 본원에서 설명된 시스템 실시예의 일부일 수 있거나 아닐 수도 있다. 예를 들어, 본원에서 설명된 컴퓨터 서브시스템(들) 및/또는 출력 획득 서브시스템은, 예를 들어, 하우징, 전원, 시료 취급 디바이스 또는 메커니즘 등과 같은 하나 이상의 공통 요소를 통해, 반도체 제조 시스템에 결합될 수 있다. 반도체 제조 시스템은 리소그래피 도구, 에칭 도구, 화학-기계적 연마(CMP) 도구, 퇴적 도구 등과 같은 당해 분야에 공지된 임의의 반도체 제조 시스템을 포함할 수 있다.

전술된 각 시스템에 대한 각각의 실시예는 하나의 단일 실시예로 함께 결합될 수 있다.

또 다른 실시예는 시편에 대해 수행되는 프로세스에서의 사용을 위한 오프셋을 결정하기 위한 컴퓨터 구현 방법(computer-implemented method)에 관한 것이다. 본 방법은 본원에서 추가로 설명되는 변환 단계, 정렬 단계, 결정 단계, 및 저장 단계를 포함한다. 이들 단계는 하나 이상의 컴퓨터 시스템에서 수행된다. 하나 이상의 컴포넌트는 하나 이상의 컴퓨터 시스템에 의해 실행되고, 하나 이상의 컴포넌트는 딥 생성 모델을 포함한다.

방법의 각 단계는 본원에 추가로 설명된 바와 같이 수행될 수 있다. 본 방법은 본원에 설명된 시스템, 컴퓨터 시스템(들), 및/또는 딥 생성 모델에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수도 있다. 컴퓨터 시스템(들)은 본원에 설명된 실시예 중 임의의 것, 예를 들어, 컴퓨터 시스템(들)(102)에 따라 구성될 수 있다. 딥 생성 모델은 본원에 설명된 임의의 실시예에 따라 구성될 수 있다. 또한, 전술된 방법은 본원에 설명된 임의의 시스템 실시예에 의해 수행될 수 있다.

추가적인 실시예는 시편에 수행되는 프로세스에서의 사용을 위해 오프셋을 결정하기 위한 컴퓨터 구현 방법을 수행하기 위해 하나 이상의 컴퓨터 시스템에서 실행 가능한 프로그램 명령어를 저장하는 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 이와 같은 하나의 실시예가 도 9에 도시된다. 특히, 도 9에 도시된 바와 같이, 비일시적 컴퓨터 판독 가능 매체(900)는 컴퓨터 시스템(들)(904)에서 실행 가능한 프로그램 명령어(902)를 포함한다. 컴퓨터 구현 방법은 본원에 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.

본원에서 설명된 것과 같은 방법을 구현하는 프로그램 명령어(902)는 컴퓨터 판독 가능 매체(900)에 저장될 수 있다. 컴퓨터 판독 가능 매체는 자기 또는 광 디스크, 자기 테이프, 또는 당해 분야에 공지된 임의의 다른 적절한 비일시적 컴퓨터 판독 가능 매체와 같은 저장 매체일 수 있다.

프로그램 명령어는, 특히, 절차 기반 기술, 컴포넌트 기반 기술, 및/또는 객체 지향 기술을 포함하는 임의의 다양한 방식으로 구현될 수 있다. 예를 들어, 프로그램 명령어는, 원하는 대로, ActiveX 컨트롤, C++ 객체, JavaBeans, Microsoft Foundation Classes("MFC"), SSE(Streaming SIMD Extension) 또는 기타 기술이나 방법론을 사용하여 구현될 수 있다.

컴퓨터 시스템(들)(904)은 본원에서 설명된 실시예 중 임의의 것에 따라 구성될 수 있다.

본 발명의 다양한 양상의 추가 수정 및 대안적인 실시예는, 이 설명을 고려하여 당업자에게 명백할 것이다. 예를 들어, 시편에 대해 수행되는 프로세스에서 사용하기 위한 오프셋을 결정하기 위한 방법 및 시스템이 제공된다. 따라서, 이 설명은 단지 예시적인 것으로 해석되어야 하며, 본 발명을 수행하는 일반적인 방식을 당업자에게 가르칠 목적을 위한 것이다. 본원에서 도시되고 설명된 본 발명의 형태는, 현재 바람직한 실시예로서 간주되어야 함을 이해해야 한다. 요소 및 재료는 본원에 예시 및 설명된 것으로 대체될 수 있고, 부품 및 프로세스가 역전될 수 있으며, 본 발명의 특정 피처는, 본 발명의 이러한 설명의 장점을 얻은 후, 당업자에게 명백한 바와 같이, 독립적으로 활용될 수 있다. 이하의 청구항에 설명된 바와 같이, 본원에 설명된 요소는 본 발명의 사상 및 범주를 벗어나지 않고 변경될 수 있다.

Claims

시편에 대해 수행되는 프로세스에서 사용하기 위한 오프셋을 결정하도록 구성된 시스템에 있어서,
하나 이상의 컴퓨터 서브시스템; 및
상기 하나 이상의 컴퓨터 서브시스템에 의해 실행되는 하나 이상의 컴포넌트
를 포함하고, 상기 하나 이상의 컴포넌트는 딥 생성 모델(deep generative model)을 포함하고,
상기 하나 이상의 컴퓨터 서브시스템은,
시편 상의 정렬 타겟에 대한 제1 실제 정보를 상기 딥 생성 모델에 입력함으로써 상기 제1 실제 정보를 제1 유형의 정보에서 제2 유형의 정보로 변환하고 - 상기 제1 유형의 정보가 설계 데이터인 경우, 상기 제2 유형의 정보는 시편 이미지이고, 상기 제1 유형의 정보가 시편 이미지인 경우, 상기 제2 유형의 정보는 설계 데이터임 -;
상기 변환된 제1 실제 정보를 상기 정렬 타겟에 대한 제2 실제 정보에 정렬하고 - 상기 제2 실제 정보는 상기 제2 유형의 정보임 -;
상기 정렬의 결과에 기초하여 상기 변환된 제1 실제 정보와 상기 제2 실제 정보 사이의 오프셋을 결정하고;
출력 획득 서브시스템을 사용하여 상기 시편에 대해 수행되는 프로세스에서 사용하기 위해 상기 결정된 오프셋을 정렬-대-설계 오프셋(align-to-design offset)으로서 저장하도록 구성되는 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 하나 이상의 컴퓨터 서브시스템은 상기 출력 획득 서브시스템을 사용해 생성된 상기 시편의 설정 이미지로부터 상기 정렬 타겟을 선택하도록 추가로 구성되는 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 하나 이상의 컴퓨터 서브시스템은 상기 출력 획득 서브시스템을 사용해 생성된 상기 시편의 트레이닝 이미지 및 상기 시편에 대한 대응 설계 데이터를 포함하는 트레이닝 세트를 생성하고, 상기 트레이닝 세트를 사용해 상기 딥 생성 모델을 트레이닝하도록 추가로 구성되고, 상기 트레이닝 이미지는 상기 시편 상의 상기 정렬 타겟 또는 임의의 다른 정렬 타겟의 위치와 독립적인 위치에서 생성되는 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 하나 이상의 컴퓨터 서브시스템은 상기 출력 획득 서브시스템을 사용해 생성된 상기 시편의 트레이닝 이미지 및 상기 시편에 대한 대응 설계 데이터를 포함하는 트레이닝 세트를 생성하고, 상기 트레이닝 세트를 사용해 상기 딥 생성 모델을 트레이닝하도록 추가로 구성되고, 상기 트레이닝 세트에 포함된 상기 대응 설계 데이터는 상기 트레이닝 이미지에 영향을 미치는, 상기 시편 상의 모든 층보다 적은 수의 층에 대해 설계 데이터를 포함하는 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 시편 이미지는 저해상도 시편 이미지인 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 하나 이상의 컴퓨터 서브시스템은 상기 출력 획득 서브시스템을 사용해 추가 시편에 대해 수행되는 프로세스에서 사용하기 위한 상기 정렬-대-설계 오프셋으로서 상기 결정된 오프셋을 저장하도록 추가로 구성되고, 상기 제2 유형의 정보가 상기 설계 데이터인 경우, 상기 변환된 제1 실제 정보는, 상기 제2 유형의 정보가 상기 시편 이미지인 경우보다 상기 추가 시편에 대해 수행되는 하나 이상의 프로세스에서의 변화에 덜 영향을 받는(more immune) 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 하나 이상의 컴퓨터 서브시스템은 상기 출력 획득 서브시스템을 사용해 추가 시편에 대해 수행되는 프로세스에서 사용하기 위한 상기 정렬-대-설계 오프셋으로서 상기 결정된 오프셋을 저장하도록 추가로 구성되고, 상기 제2 유형의 정보가 상기 설계 데이터인 경우, 상기 정렬-대-설계 오프셋을 사용하는 프로세스에서 수행되는 정렬은 상기 제2 유형의 정보가 상기 시편 이미지인 경우보다 상기 추가 시편에 대해 수행되는 하나 이상의 프로세스에서의 변화에 덜 영향을 받는 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 제2 유형의 정보가 상기 설계 데이터인 경우, 상기 변환하는 것은, 상기 변환된 제1 실제 정보가 이진화된 설계 데이터를 포함하도록 상기 딥 생성 모델의 출력을 이진화하는 것을 추가로 포함하는 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 변환하는 것 및 정렬하는 것은 상기 시편 상의 추가 정렬 타겟에 대해 수행되며, 상기 오프셋을 결정하는 것은 상기 프로세스 동안 상기 출력 획득 서브시스템에 의해 상기 시편에 대해 생성된 출력의 상이한 프레임에 대해 각각 상이한 오프셋을 결정하는 것을 포함하고, 상기 결정된 오프셋을 저장하는 것은 상기 상이한 오프셋을 저장하는 것을 포함하는 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 하나 이상의 컴퓨터 서브시스템은 상기 출력 획득 서브시스템을 사용해 상기 시편에 대해 수행되는 프로세스에서 설정 정렬 타겟 이미지로서 사용하기 위해 상기 정렬 타겟에 대해 상기 제2 실제 정보를 저장하도록 추가로 구성되는 것인, 오프셋을 결정하도록 구성된 시스템.
제10항에 있어서,
상기 하나 이상의 컴퓨터 서브시스템은 상기 출력 획득 서브시스템을 사용해 상기 시편에 대해 상기 프로세스를 수행하도록 추가로 구성되고, 상기 프로세스는 상기 프로세스에서 상기 시편에 대해 생성된 런타임 정렬 타겟 이미지를 상기 설정 정렬 타겟 이미지에 정렬하는 것 - 상기 런타임 정렬 타겟 이미지는 상기 제2 유형의 정보임 -, 상기 런타임 정렬 타겟 이미지를 상기 설정 정렬 타겟 이미지에 정렬한 결과에 기초하여 런타임-대-설정 오프셋(runtime-to-setup offset)을 결정하는 것, 및 상기 런타임-대-설정 오프셋과 상기 정렬-대-설계 오프셋에 기초하여 런타임-대-설계 오프셋을 결정하는 것을 포함하는 것인, 오프셋을 결정하도록 구성된 시스템.
제11항에 있어서,
상기 하나 이상의 컴퓨터 서브시스템은 상기 프로세스 동안 상기 시편 상의 상기 정렬 타겟의 위치에서 생성된 상기 시편 이미지를 상기 딥 생성 모델에 입력함으로써, 상기 프로세스 동안 상기 시편 상의 상기 정렬 타겟의 위치에서 생성된 시편 이미지를 런타임 정렬 타겟 설계 데이터로 변환하여 상기 런타임 정렬 타겟 이미지를 생성하도록 추가로 구성되는 것인, 오프셋을 결정하도록 구성된 시스템.
제11항에 있어서,
상기 프로세스는 상기 런타임-대-설계 오프셋에 기초하여 상기 시편에 대해 수행되는 상기 프로세스 동안 상기 출력 획득 서브시스템에 의해 생성된 출력에서 관심 영역(care area)을 결정하는 것을 추가로 포함하는 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 딥 생성 모델은 생성적 대립 네트워크(generative adversarial network)인 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 딥 생성 모델은 조건부 생성적 대립 네트워크인 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 프로세스는 검사 프로세스인 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 출력 획득 서브시스템은 광 기반 출력 획득 서브시스템인 것인, 오프셋을 결정하도록 구성된 시스템.
제1항에 있어서,
상기 출력 획득 서브시스템은 전자빔 출력 획득 서브시스템인 것인, 오프셋을 결정하도록 구성된 시스템.
시편에 대해 수행되는 프로세스에서 사용하기 위한 오프셋을 결정하기 위한 컴퓨터 구현 방법(computer-implemented method)을 수행하기 위해 하나 이상의 컴퓨터 시스템에서 실행 가능한 프로그램 명령어를 저장한 비일시적 컴퓨터 판독 가능 매체에 있어서, 상기 컴퓨터 구현 방법은,
시편 상의 정렬 타겟에 대한 제1 실제 정보를 딥 생성 모델에 입력함으로써 상기 제1 실제 정보를 제1 유형의 정보에서 제2 유형의 정보로 변환하는 단계 - 상기 제1 유형의 정보가 설계 데이터인 경우, 상기 제2 유형의 정보는 시편 이미지이고, 상기 제1 유형의 정보가 시편 이미지인 경우, 상기 제2 유형의 정보는 설계 데이터이고, 상기 하나 이상의 컴퓨터 시스템에 의해 하나 이상의 컴포넌트가 실행되며, 상기 하나 이상의 컴포넌트는 상기 딥 생성 모델을 포함함 -;
상기 변환된 제1 실제 정보를 상기 정렬 타겟에 대한 제2 실제 정보에 정렬하는 단계 - 상기 제2 실제 정보는 상기 제2 유형의 정보임 -;
상기 정렬하는 단계의 결과에 기초하여 상기 변환된 제1 실제 정보와 상기 제2 실제 정보 사이의 오프셋을 결정하는 단계; 및
출력 획득 서브시스템을 사용해 상기 시편에 대해 수행되는 프로세스에서 사용하기 위한 정렬-대-설계 오프셋으로서 상기 결정된 오프셋을 저장하는 단계
를 포함하고, 상기 입력하는 단계, 정렬하는 단계, 결정하는 단계, 및 저장하는 단계는 상기 하나 이상의 컴퓨터 시스템에 의해 수행되는 것인, 비일시적 컴퓨터 판독 가능 매체.
시편에 대해 수행되는 프로세스에서 사용하기 위한 오프셋을 결정하기 위한 컴퓨터 구현 방법에 있어서,
시편 상의 정렬 타겟에 대한 제1 실제 정보를 딥 생성 모델에 입력함으로써 상기 제1 실제 정보를 제1 유형의 정보에서 제2 유형의 정보로 변환하는 단계 - 상기 제1 유형의 정보가 설계 데이터인 경우, 상기 제2 유형의 정보는 시편 이미지이고, 상기 제1 유형의 정보가 시편 이미지인 경우, 상기 제2 유형의 정보는 설계 데이터이고, 하나 이상의 컴퓨터 시스템에 의해 하나 이상의 컴포넌트가 실행되며, 상기 하나 이상의 컴포넌트는 상기 딥 생성 모델을 포함함 -;
상기 변환된 제1 실제 정보를 상기 정렬 타겟에 대한 제2 실제 정보에 정렬하는 단계 - 상기 제2 실제 정보는 상기 제2 유형의 정보임 -;
상기 정렬하는 단계의 결과에 기초하여 상기 변환된 제1 실제 정보와 상기 제2 실제 정보 사이의 오프셋을 결정하는 단계; 및
출력 획득 서브시스템을 사용해 상기 시편에 대해 수행되는 프로세스에서 사용하기 위한 정렬-대-설계 오프셋으로서 상기 결정된 오프셋을 저장하는 단계
를 포함하고, 상기 입력하는 단계, 정렬하는 단계, 결정하는 단계, 및 저장하는 단계는 상기 하나 이상의 컴퓨터 시스템에 의해 수행되는 것인, 오프셋을 결정하기 위한 컴퓨터 구현 방법.