KR20240034146A - 반도체 시편에 대한 결함 검사 - Google Patents

Abstract

반도체 시편에 대한 결함 검사를 위한 시스템 및 방법이 제공된다. 방법은 반도체 시편의 런타임 이미지를 획득하는 단계, 기계 학습(ML) 모델을 사용하여 런타임 이미지에 기초하여 기준 이미지를 생성하는 단계, 및 생성된 기준 이미지를 사용하여 런타임 이미지에 대해 결함 검사를 수행하는 단계를 포함한다. ML 모델은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함한다. 훈련은, 각각의 쌍에 대해, 예측된 이미지를 획득하기 위해 ML 모델에 의해 결함 있는 이미지를 처리하는 것, 및 예측된 이미지와 결함 없는 이미지 사이의 차이를 최소화하도록 ML 모델을 최적화하는 것을 포함한다.

Description

반도체 시편에 대한 결함 검사{DEFECT EXAMINATION ON A SEMICONDUCTOR SPECIMEN}

본 개시된 주제는 일반적으로, 반도체 시편의 검사 분야에 관한 것으로, 더 구체적으로, 반도체 시편에 대한 결함 검출에 관한 것이다.

제조되는 디바이스들의 극초대규모 집적과 연관된, 높은 밀도 및 성능에 대한 현재의 요구들은 미크론미만 피처들(submicron features), 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 필요로 한다. 반도체 프로세스들이 진전됨에 따라, 패턴 치수들, 예컨대, 라인 폭, 및 다른 유형들의 임계 치수들이 연속적으로 축소된다. 그러한 요구들은 높은 정밀도 및 균일성으로 디바이스 피처들의 형성을 요구하며, 이는 결국, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 되어 있는 동안 디바이스들의 자동화된 검사를 포함하는, 제조 프로세스의 주의 깊은 모니터링을 필요로 한다.

런타임 검사는 일반적으로, 2단계 절차(two-phase procedure), 예를 들어, 시편의 검사 및 이어서, 잠재적 결함들의 샘플링된 위치들의 검토를 채용할 수 있다. 검사는 일반적으로, 광 또는 전자들을 웨이퍼로 지향시키고 웨이퍼로부터의 광 또는 전자들을 검출함으로써 시편에 대한 특정 출력(예를 들어, 이미지들, 신호들 등)을 생성하는 것을 수반한다. 제1 단계 동안, 시편의 표면은 고속 및 비교적 저해상도로 검사된다. 결함 검출은 전형적으로, 결함 검출 알고리즘을 검사 출력에 적용함으로써 수행된다. 결함일 확률이 높은 시편 상의 의심되는 위치들을 보여주기 위해 결함 맵이 생성된다. 제2 단계 동안, 결함들의 상이한 파라미터들, 예컨대, 부류들, 두께, 거칠기, 크기 등을 결정하기 위해, 의심되는 위치들 중 적어도 일부가 비교적 높은 해상도로 더 철저하게 분석된다.

검사는 검사될 시편의 제조 동안 또는 제조 이후에 비파괴적 검사 툴들을 사용함으로써 제공될 수 있다. 검사는 일반적으로, 광 또는 전자들을 웨이퍼로 지향시키고 웨이퍼로부터의 광 또는 전자들을 검출함으로써 시편에 대한 특정 출력(예를 들어, 이미지들, 신호들 등)을 생성하는 것을 수반한다. 다양한 비파괴적 검사 툴들은, 비제한적인 예로서, 주사 전자 현미경들, 원자력 현미경들, 광학 검사 툴들 등을 포함한다.

검사 프로세스들은 복수의 검사 단계들을 포함할 수 있다. 반도체 디바이스의 제조 프로세스는 다양한 절차들, 예컨대, 식각, 퇴적, 평탄화, 에피택셜 성장과 같은 성장, 주입 등을 포함할 수 있다. 검사 단계들은, 예를 들어, 특정 프로세스 절차들 후에, 및/또는 특정 층들의 제조 후에 등에 여러 번 수행될 수 있다. 추가적으로 또는 대안적으로, 각각의 검사 단계는, 예를 들어, 상이한 웨이퍼 위치들에 대해 또는 상이한 검사 설정들을 갖는 동일한 웨이퍼 위치들에 대해 다수 회 반복될 수 있다.

검사 프로세스들은, 시편들 상의 결함들을 검출하고 분류할 뿐만 아니라 계측 관련 동작들을 수행하기 위해, 반도체 제조 동안 다양한 단계들에 사용된다. 검사의 유효성은 프로세스(들)의 자동화, 예컨대, 예를 들어, 결함 검출, 자동 결함 분류(ADC), 자동 결함 검토(ADR), 이미지 세그먼트화, 자동화된 계측 관련 동작들 등에 의해 개선될 수 있다. 자동화된 검사 시스템들은, 제조된 부품들이, 예상되는 품질 표준들을 충족시키는 것을 보장하고, 식별된 결함들의 유형에 따라, 제조 툴들, 장비, 및/또는 조성물들에 필요할 수 있는 조정들에 대한 유용한 정보를 제공한다.

일부 경우들에서, 기계 학습 기술들은 특정 검사 응용들을 자동화하기 위한 정확하고 효율적인 해결책들을 제공하고 더 높은 수율을 촉진하기 위해서 검사 프로세스를 보조하는 데 사용될 수 있다.

본 개시된 주제의 특정 양상들에 따르면, 반도체 시편에 대한 결함 검사를 위한 컴퓨터화된 시스템이 제공되고, 이 시스템은 제1 처리 및 메모리 회로(PMC)를 포함하고, 제1 처리 및 메모리 회로(PMC)는 반도체 시편의 런타임 이미지를 획득하고; 기계 학습(ML) 모델을 사용하여 런타임 이미지에 기초하여 기준 이미지를 생성하고; 생성된 기준 이미지를 사용하여 런타임 이미지에 대해 결함 검사를 수행하도록 구성되고; ML 모델은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함하고, 훈련은, 각각의 쌍에 대해: 예측된 이미지를 획득하기 위해 ML 모델에 의해 결함 있는 이미지를 처리하는 것; 및 예측된 이미지와 결함 없는 이미지 사이의 차이를 최소화하기 위해 ML 모델을 최적화하는 것을 포함한다.

상기 피처들 외에도, 본 개시된 주제의 이 양상에 따른 시스템은 아래에 열거된 피처들 (i) 내지 (xi) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.

(i). ML 모델은 결함 있는 이미지들과 결함 없는 이미지들의 2개의 모집단들 사이의 비선형 맵핑을 학습하도록 구성된 심층 신경망(DNN)이다.

(ii). 각각의 쌍에서의 결함 있는 이미지는, 검사 툴에 의해 취득되고 결함 있는 피처를 포함하는 것으로서 검증된 반도체 시편의 실제 이미지, 또는 결함 없는 이미지 상에 결함 있는 피처를 합성적으로 주입하는 것에 의한 모의된 이미지 중 하나이다.

(iii). 각각의 쌍에서의 대응하는 결함 없는 이미지는, 검사 툴에 의해 취득되고 결함 있는 피처를 포함하지 않는 것으로서 검증된 반도체 시편의 실제 이미지, 또는 반도체 시편의 설계 데이터에 기초하여 생성된 모의된 이미지 중 하나이다.

(iv). 각각의 쌍에서의 결함 있는 이미지 및 결함 없는 이미지는 결함 있는 이미지와 결함 없는 이미지 간의 오정렬을 보정하기 위해 이들을 정합함으로써 훈련 전에 전처리된다.

(v). 각각의 쌍에서의 결함 있는 이미지 및 결함 없는 이미지는 시편의 하나 이상의 물리적 프로세스에 의해 야기되는 변동들을 나타내는 잡음들을 감소시키기 위해 결함 있는 이미지 및 결함 없는 이미지에 대해 잡음 여과를 수행함으로써 훈련 전에 전처리된다.

(vi). 각각의 쌍에서의 결함 있는 이미지 및 결함 없는 이미지는 인페인팅을 사용하여 결함 있는 이미지 및 결함 없는 이미지에 대해 이미지 증강을 수행함으로써 훈련 전에 전처리되고, 결함 없는 이미지의 각각의 부분들에 대응하는 다수의 결함 있는 하위 이미지들을 생성한다.

(vii). 각각의 쌍에서의 결함 있는 이미지 및 결함 없는 이미지는 결함 있는 이미지 및 결함 없는 이미지에 대해 이미지 정합, 잡음 여과 및 이미지 증강을 수행함으로써 훈련 전에 전처리된다.

(viii). ML 모델은 DNN에 선행하는 적어도 하나의 학습 모듈을 포함하고, 적어도 하나의 학습 모듈은 DNN에 의해 처리되기 전에 각각의 쌍에서의 결함 있는 이미지 및 결함 없는 이미지에 대해 이미지 정합 및 잡음 여과 중 적어도 하나를 수행하도록 훈련된다.

(ix). ML 모델은 평균 제곱 오차(MSE), 절대차의 합(SAD), 구조적 유사성 인덱스 측정(SSIM), 및 에지 보존 손실 함수로부터 선택된 손실 함수를 사용하여 최적화된다.

(x). 결함 검사는 결함 검출, 결함 검토, 및 결함 분류 중 하나이다.

(xi). 생성된 기준 이미지는 런타임 이미지와의 개선된 정렬을 갖고 런타임 이미지와 유사한 잡음 수준들을 공유하며, PMC는 반도체 시편 상의 결함 분포를 나타내는 결함 검사 결과를 획득하기 위해 런타임 이미지를 생성된 기준 이미지와 직접 비교함으로써 결함 검사를 수행하도록 구성된다.

본 개시된 주제의 다른 양상들에 따르면, 반도체 시편을 검사하기 위한 컴퓨터화된 방법이 제공되고, 이 방법은: 반도체 시편의 런타임 이미지를 획득하는 단계; 기계 학습(ML) 모델을 사용하여 런타임 이미지에 기초하여 기준 이미지를 생성하는 단계; 및 생성된 기준 이미지를 사용하여 런타임 이미지에 대해 결함 검사를 수행하는 단계를 포함하고; ML 모델은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함하고, 훈련은, 각각의 쌍에 대해: 예측된 이미지를 획득하기 위해 ML 모델에 의해 결함 있는 이미지를 처리하는 것; 및 예측된 이미지와 결함 없는 이미지 사이의 차이를 최소화하기 위해 ML 모델을 최적화하는 것을 포함한다.

개시된 주제의 이 양상은 시스템과 관련하여 위에서 열거된 피처들 (i) 내지 (xi) 중 하나 이상을 필요한 변경을 가하여 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.

본 개시된 주제의 다른 양상들에 따르면, 명령어들을 포함하는 비일시적 컴퓨터 판독가능한 매체가 제공되고, 명령어들은, 컴퓨터에 의해 실행될 때, 컴퓨터로 하여금 반도체 시편을 검사하기 위한 컴퓨터화된 방법을 수행하게 하고, 방법은: 반도체 시편의 런타임 이미지를 획득하는 단계; 기계 학습(ML) 모델을 사용하여 런타임 이미지에 기초하여 기준 이미지를 생성하는 단계; 및 생성된 기준 이미지를 사용하여 런타임 이미지에 대해 결함 검사를 수행하는 단계를 포함하고; ML 모델은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함하고, 훈련은, 각각의 쌍에 대해: 예측된 이미지를 획득하기 위해 ML 모델에 의해 결함 있는 이미지를 처리하는 것; 및 예측된 이미지와 결함 없는 이미지 사이의 차이를 최소화하기 위해 ML 모델을 최적화하는 것을 포함한다.

개시된 주제의 이 양상은 시스템과 관련하여 위에서 열거된 피처들 (i) 내지 (xi) 중 하나 이상을 필요한 변경을 가하여 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.

본 개시내용을 이해하고 본 개시내용이 어떻게 실제로 수행될 수 있는지를 알기 위해, 이제, 첨부 도면들을 참조하여, 단지 비제한적인 예로서, 실시예들이 설명될 것이고, 첨부 도면들에서:
도 1은 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 일반화된 블록도를 예시한다.
도 2는 본 개시된 주제의 특정 실시예들에 따른, 반도체 시편의 결함 있는 이미지에 대한 기준 이미지를 생성하는 데 사용가능한 기계 학습 모델을 훈련시키는 일반화된 흐름도를 예시한다.
도 3은 본 개시된 주제의 특정 실시예들에 따른, 기준 이미지를 생성하기 위해 훈련된 기계 학습 모델을 사용하는 런타임 결함 검사의 일반화된 흐름도이다.
도 4는, 본 개시된 주제의 특정 실시예들에 따른, ML 모델의 예시적인 훈련 프로세스의 개략도를 도시한다.
도 5는 본 개시된 주제의 특정 실시예들에 따른, 훈련된 ML 모델을 사용하는 예시적인 런타임 검사 프로세스의 개략도를 도시한다.

이하의 상세한 설명에서, 본 개시내용의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다. 그러나, 관련 기술분야의 통상의 기술자는 본 개시된 주제가 이러한 특정한 세부 사항들 없이 실시될 수 있다는 점을 이해할 것이다. 다른 경우들에서, 잘 알려진 방법들, 절차들, 구성요소들 및 회로들은 본 개시된 주제를 모호하게 하지 않기 위해 상세히 설명되지 않았다.

이하의 논의들로부터 명백한 것으로서, 구체적으로 달리 언급되지 않는 한, 본 명세서 전반에 걸쳐 "획득", "검사", "생성", "학습", "훈련", "처리", "최적화", "수행", "전처리", "정합(registering)", "여과(filtering)", "인페인팅(inpainting)", "사용", "비교" 등과 같은 용어들을 활용하는 논의들이, 데이터 - 상기 데이터는 물리적으로, 예컨대, 전자, 양들로 표현되고/거나 상기 데이터는 물리적 대상들을 표현함 - 를 다른 데이터로 조작하고/거나 변환하는, 컴퓨터의 동작(들) 및/또는 프로세스(들)를 지칭한다는 것을 이해한다. "컴퓨터"라는 용어는, 비제한적인 예로서, 본 출원에 개시된, 검사 시스템, ML 모델을 훈련시키기 위한 훈련 시스템, 런타임 결함 검사 시스템, 및 그의 각각의 부분들을 포함하는, 데이터 처리 능력들을 갖는 임의의 종류의 하드웨어 기반 전자 디바이스를 망라하도록 광범위하게 해석되어야 한다.

본원에서 사용되는 "비일시적 메모리" 및 "비일시적 저장 매체"라는 용어들은 본 개시된 주제에 적합한 임의의 휘발성 또는 비휘발성 컴퓨터 메모리를 망라하도록 광범위하게 해석되어야 한다. 용어들은, 명령어들의 하나 이상의 세트를 저장하는 단일 매체 또는 다수의 매체들(예를 들어, 중앙집중형 또는 분산형 데이터베이스, 및/또는 연관된 캐시들 및 서버들)을 포함하는 것으로 간주되어야 한다. 용어들은 또한, 컴퓨터에 의한 실행을 위해 명령어들의 세트를 저장하거나 인코딩할 수 있고 컴퓨터로 하여금 본 개시내용의 방법론들 중 임의의 하나 이상을 수행하게 하는 임의의 매체를 포함하는 것으로 간주되어야 한다. 이에 따라, 용어들은, 판독 전용 메모리("ROM"), 랜덤 액세스 메모리("RAM"), 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 디바이스들 등을 포함하지만 이에 제한되지 않는 것으로 간주되어야 한다.

본 명세서에서 사용되는 "시편"이라는 용어는 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체 제조 물품들을 제조하는 데 사용되는 임의의 종류의 물리적 대상들 또는 웨이퍼들을 포함하는 기판들, 마스크들, 레티클들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 망라하도록 광범위하게 해석되어야 한다. 본원에서 시편은 또한, 반도체 시편으로 지칭되며, 대응하는 제조 프로세스들을 실행하는 제조 장비에 의해 생성될 수 있다.

본 명세서에서 사용되는 "검사"라는 용어는, 시편 제조 프로세스 동안의 그리고/또는 그 이후의, 다양한 유형들의 결함 검출, 결함 검토 및/또는 결함 분류, 세그먼트화, 및/또는 계측 동작들에 관련된 임의의 종류의 동작들을 망라하도록 광범위하게 해석되어야 한다. 검사는 검사될 시편의 제조 동안 또는 제조 이후에 비파괴적 검사 툴들을 사용함으로써 제공된다. 비제한적인 예로서, 검사 프로세스는, 동일하거나 상이한 검사 툴들을 사용하여, 시편 또는 그의 부분들에 관하여 제공되는 (단일 또는 다수의 스캔들에서) 런타임 스캐닝, 이미지화, 샘플링, 검출, 검토, 측정, 분류 및/또는 다른 동작들을 포함할 수 있다. 마찬가지로, 검사는 검사될 시편의 제조 이전에 제공될 수 있고, 예를 들어, 검사 레시피(들)를 생성하는 것 및/또는 다른 설정 동작들을 포함할 수 있다. 구체적으로 달리 언급되지 않는 한, 본 명세서에서 사용되는 "검사"라는 용어 또는 그의 파생어들은 검사 영역의 크기 또는 해상도에 관하여 제한되지 않는다는 점을 주목한다. 다양한 비파괴적 검사 툴들은, 비제한적인 예로서, 주사 전자 현미경들(SEM), 원자력 현미경들(AFM), 광학 검사 툴들 등을 포함한다.

본 명세서에서 사용되는 "결함"이라는 용어는 시편 상에 형성되는 임의의 종류의 이상 또는 바람직하지 않은 피처/기능성을 망라하도록 광범위하게 해석되어야 한다. 일부 경우들에서, 결함은, 제조된 디바이스의 기능성에 대해 특정 효과들을 갖는 실제 결함이고, 따라서, 검출되는 것이 고객의 관심 대상인 관심 결함(DOI)일 수 있다. 예를 들어, 수율 손실을 야기할 수 있는 임의의 "킬러" 결함들이 DOI로 표시될 수 있다. 일부 다른 경우들에서, 결함은, 완성된 디바이스의 기능성에 대해 영향을 미치지 않고 수율에 영향을 주지 않기 때문에 무시될 수 있는 방해("오경보" 결함으로 또한 지칭됨)일 수 있다.

본 명세서에서 사용되는 "결함 후보"라는 용어는, 관심 결함(defect of interest)(DOI)이 될 비교적 높은 확률을 갖는 것으로 검출되는, 시편 상의 의심되는 결함 위치를 망라하도록 광범위하게 해석되어야 한다. 그러므로, 결함 후보는, 검토/시험될 때, 실제로 DOI일 수 있거나, 일부 다른 경우들에서, 검사 동안 상이한 변동들(예를 들어, 프로세스 변동, 색 변동, 기계적 및 전기적 변동들 등)에 의해 야기될 수 있는, 위에서 설명된 바와 같은 방해 또는 무작위 잡음일 수 있다.

본 명세서에서 사용되는 "설계 데이터"라는 용어는 시편의 계층적 물리적 설계(레이아웃)를 나타내는 임의의 데이터를 망라하도록 광범위하게 해석되어야 한다. 설계 데이터는 각각의 설계자에 의해 제공될 수 있고/거나 물리적 설계로부터(예를 들어, 복잡한 모의, 간단한 기하학적 및 부울 연산 등을 통해) 도출될 수 있다. 설계 데이터는, 비제한적인 예들로서, GDSII 포맷, OASIS 포맷 등과 같은 상이한 포맷들로 제공될 수 있다. 설계 데이터는 벡터 포맷, 그레이스케일 강도 이미지 포맷 또는 다른 방식으로 제시될 수 있다.

구체적으로 달리 언급되지 않는 한, 개별 실시예들의 맥락으로 설명되는 본 개시된 주제의 특정한 피처들이 또한, 조합하여 단일 실시예에 제공될 수 있다는 것이 이해된다. 반대로, 단일 실시예의 맥락으로 설명되는 본 개시된 주제의 다양한 피처들이 또한, 개별적으로 또는 임의의 적합한 하위조합으로 제공될 수 있다. 이하의 상세한 설명에서, 방법들 및 장치의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다.

반도체 제조의 프로세스는 종종, 다수의 순차적인 처리 단계들 및/또는 층들을 요구하며, 이들 각각은 아마도, 수율 손실로 이어질 수 있는 결함들을 야기할 수 있다. 결함 검사 동작들, 예컨대, 결함 검출, 결함 검토, 및 결함 분류 등은 프로세스를 모니터링하고 제어하기 위해 제조 프로세스 동안 다양한 처리 단계들/층들에서 수행될 수 있다.

시편들 상의 결함들을 검출하기 위해 다양한 검출 방법들이 사용될 수 있다. 예로서, 예를 들어, 다이-대-다이(Die-to-Die)(D2D)와 같은 고전적인 다이-대-기준 검출 알고리즘이 전형적으로 사용된다. D2D에서, 목표 다이의 검사 이미지가 캡처된다. 검사 이미지에서 결함들을 검출할 목적을 위해, 하나 이상의 기준 이미지가 목표 다이의 하나 이상의 기준 다이(예를 들어, 하나 이상의 이웃하는 다이)로부터 캡처된다. 검사 이미지 및 기준 이미지들이 정렬되고 서로 비교된다. 검사 이미지의 픽셀 값들과 하나 이상의 기준 이미지로부터 도출된 픽셀 값들 사이의 차이에 기초하여 하나 이상의 차이 이미지가 생성될 수 있다. 그 다음, 검출 임계치가 차이 맵들에 적용되고, 목표 다이에서의 결함 후보들을 나타내는 결함 맵이 생성된다.

위에서 설명된 다이-대-기준 검출 방법들에 관하여 특정 단점들이 존재한다. 예를 들어, D2D 방법은 적어도 2개의 이미지들(즉, 하나의 검사 이미지 및 하나의 기준 이미지의 경우들)의 취득을 요구하는데, 이는 검사 툴의 이미지 취득 시간을 2배로 늘린다. 다수의 기준들을 사용하는 경우들에서, 이는 기준 이미지들의 개수에 따라 이미지 취득 시간을 상당히 증가시킨다. 추가적으로, 비교 전에, 검사 이미지 및 기준 이미지들이 정합될 필요가 있다. 일부 경우들에서, 이들은 2개의 이미지들 사이의 변동들(예컨대, 예를 들어, 프로세스 변동 및 색 변동들)을 나타내는 잡음들을 보상하기 위해 추가적인 전처리를 필요로 한다. 이들은 검출 방법들의 처리 시간을 불가피하게 증가시키고, 따라서 검출 처리량(TpT)에 영향을 미친다. 추가적으로, 검출 감도는 또한, 전처리에 의해 제거되지 않은 잔여 변동들 및 잡음들로 인해 영향을 받을 수 있다.

이에 따라, 본 개시된 주제의 특정 실시예들은, 실제 기준 이미지의 추가적인 취득 대신에 기계 학습 모델을 사용하여 합성 기준 이미지를 생성하고, 생성된 기준 이미지를 결함 검사 동작들을 런타임으로 수행하는 데 사용하는 것을 제안한다. 제안된 런타임 검사 시스템은 툴의 이미지 취득 시간을 상당히 감소시키고 이미지 전처리 노력들, 예컨대, 이미지 정합 및 잡음 여과를 제거하며, 이에 의해, 아래에 상세히 설명될 바와 같이, 검출 처리량 및 결함 검출 감도를 개선한다.

이를 염두에 두고, 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시하는 도 1에 주목한다.

도 1에 예시된 검사 시스템(100)은 시편 제조 프로세스의 부분으로서 반도체 시편(예를 들어, 웨이퍼, 다이, 또는 그의 부분들)의 검사에 사용될 수 있다. 위에서 설명된 바와 같이, 본원에 언급되는 검사는, 시편에 대한, 결함 검사/검출, 결함 검토, 결함 분류, 세그먼트화, 및/또는 임계 치수(CD) 측정들과 같은 계측 동작들 등에 관련된 임의의 종류의 동작들을 망라하도록 해석될 수 있다. 시스템(100)은, 시편을 스캐닝하고 다양한 검사 응용들을 위해 더 처리될, 시편의 이미지들을 캡처하도록 구성되는 하나 이상의 검사 툴(120)을 포함한다.

본원에서 사용되는 "검사 툴(들)"이라는 용어는, 비제한적인 예로서, 시편 또는 그의 부분들에 대하여 제공되는, (단일 또는 다수의 스캔들에서) 스캐닝, 이미지화, 샘플링, 검토, 측정, 분류 및/또는 다른 프로세스들을 포함하는 검사 관련 프로세스들에서 사용될 수 있는 임의의 툴들을 망라하도록 광범위하게 해석되어야 한다. 어떠한 방식으로든 본 개시내용의 범위를 제한하지 않고, 검사 툴들(120)은 다양한 유형들의 기계들, 예컨대, 광학 기계들, 전자 빔 기계들(예를 들어, 주사 전자 현미경(SEM), 원자력 현미경(AFM), 또는 투과 전자 현미경(TEM) 등) 등으로서 구현될 수 있다는 점을 또한 주목해야 한다.

하나 이상의 검사 툴(120)은 하나 이상의 검사 툴 및/또는 하나 이상의 검토 툴을 포함할 수 있다. 일부 경우들에서, 검사 툴들(120) 중 적어도 하나는 잠재적 결함들(즉, 결함 후보들)의 검출을 위해 (전형적으로, 비교적 고속 및/또는 저해상도로) 검사 이미지들을 캡처하기 위해서 시편(예를 들어, 전체 웨이퍼, 전체 다이 또는 그의 부분들)을 스캐닝하도록 구성된 검사 툴일 수 있다. 검사 동안, 웨이퍼는 노출 동안 검사 툴의 검출기에 대해 스텝 크기로 이동할 수 있고(또는 웨이퍼 및 툴은 서로에 대해 반대 방향들로 이동할 수 있고), 웨이퍼는 검사 툴에 의해 웨이퍼의 스와스들(swaths)을 따라 단계적으로 스캐닝될 수 있고, 여기서 검사 툴은 한 번에 시편의 (스와스 내의) 일부/부분을 이미지화한다. 예로서, 검사 툴은 광학 검사 툴일 수 있다. 각각의 단계에서, 광은 웨이퍼의 직사각형 부분으로부터 검출될 수 있고, 그러한 검출된 광은 그 부분의 다수의 지점들에서의 다수의 강도 값들로 변환되고, 이로써, 웨이퍼의 일부/부분에 대응하는 이미지를 형성한다. 예를 들어, 광학 검사에서, 평행 레이저 빔들의 어레이는 스와스들을 따라 웨이퍼의 표면을 스캐닝할 수 있다. 스와스들은 웨이퍼의 표면의 이미지를 한 번에 스와스(swath-at-a-time)로 구축하기 위해 서로에 인접한 평행한 행들/열들로 배치된다. 예를 들어, 전체 웨이퍼가 스캐닝되고 웨이퍼의 검사 이미지들이 수집될 때까지, 툴은 웨이퍼를 위에서 아래로 스와스를 따라 스캐닝한 다음, 다음 스와스로 전환하고 웨이퍼를 위에서 아래로 스캐닝하는 것 등을 할 수 있다.

일부 경우들에서, 검사 툴들(120) 중 적어도 하나는 검토 툴일 수 있고, 이는, 결함 후보가 실제로 관심 결함(DOI)인지를 확인하기 위해, 검사 툴들에 의해 검출된 결함 후보들 중 적어도 일부의 검토 이미지들을 캡처하도록 구성된다. 그러한 검토 툴은 일반적으로, 한 번에 하나씩(전형적으로, 비교적 저속 및/또는 고해상도로) 시편의 단편들을 검사하도록 구성된다. 예로서, 검토 툴은 전자 빔 툴, 예컨대, 예를 들어, 주사 전자 현미경(SEM) 등일 수 있다. SEM은 전자들의 집속된 빔으로 시편을 스캐닝함으로써 시편의 이미지들을 생성하는 전자 현미경의 유형이다. 전자들은 시편의 원자들과 상호작용하여, 시편의 조성 및/또는 표면 토포그래피에 대한 정보를 포함하는 다양한 신호들을 생성한다. SEM은 반도체 웨이퍼들의 제조 동안 피처들을 정확하게 검사하고 측정할 수 있다.

검사 툴 및 검토 툴은 동일하거나 상이한 위치들에 위치된 상이한 툴들, 또는 2개의 상이한 모드들로 동작되는 단일 툴일 수 있다. 일부 경우들에서, 동일한 검사 툴이, 저해상도 이미지 데이터 및 고해상도 이미지 데이터를 제공할 수 있다. 결과적인 이미지 데이터(저해상도 이미지 데이터 및/또는 고해상도 이미지 데이터)는 - 직접 또는 하나 이상의 중간 시스템을 통해 - 시스템(101)에 송신될 수 있다. 본 개시내용은 임의의 특정 유형의 검사 툴들 및/또는 검사 툴들로부터 초래되는 이미지 데이터의 해상도로 제한되지 않는다. 일부 경우들에서, 검사 툴들(120) 중 적어도 하나는 계측 능력들을 갖고, 이미지들을 캡처하고 캡처된 이미지들에 대해 계측 동작들을 수행하도록 구성될 수 있다. 그러한 검사 툴은 또한, 계측 툴로 지칭된다.

본원에서 사용되는 "런타임 이미지(들)", "기준 이미지(들)" 또는 "훈련 이미지(들)"에서의 이미지들이라는 용어는 제조 프로세스 동안 검사 툴에 의해 캡처된, 시편의 원래의 이미지들, 다양한 전처리 단계들에 의해 획득된 캡처된 이미지들의 파생물들, 및/또는 컴퓨터로 생성된 합성 이미지들(일부 경우들에서 설계 데이터에 기초함)을 지칭할 수 있다는 점을 주목해야 한다. 일부 경우들에서, 본원에 언급되는 이미지들이 이미지 데이터(예를 들어, 캡처된 이미지들, 처리된 이미지들 등) 및 연관된 수치 데이터(예를 들어, 메타데이터, 수작업 속성들 등)를 포함할 수 있다는 것을 주목해야 한다. 이미지 데이터는 다음: 관심 있는 처리 단계, 관심 있는 층, 복수의 처리 단계들 및/또는 시편의 복수의 층들 중 하나 이상에 관련된 데이터를 포함할 수 있다는 것을 더 주목한다.

본 개시된 주제의 특정 실시예들에 따르면, 검사 시스템(100)은, 검사 툴들(120)에 동작가능하게 연결되고 시편 제조 동안 획득된 런타임 이미지들에 기초하여 런타임으로 반도체 시편에 대한 자동 결함 검사를 할 수 있는 컴퓨터 기반 시스템(101)을 포함한다. 시스템(101)은 또한, 결함 검사 시스템으로 지칭된다.

구체적으로, 시스템(101)은 하드웨어 기반 I/O 인터페이스(126)에 동작가능하게 연결된 프로세서 및 메모리 회로(PMC)(102)를 포함한다. PMC(102)는 도 2-3을 참조하여 더 상세히 설명되는 바와 같이 시스템을 동작시키기 위해 필요한 처리를 제공하도록 구성되고, 프로세서(개별적으로 도시되지 않음) 및 메모리(개별적으로 도시되지 않음)를 포함한다. PMC(102)의 프로세서는 PMC에 포함된 비일시적 컴퓨터 판독가능한 메모리 상에 구현된 컴퓨터 판독가능한 명령어들에 따라 몇몇 기능 모듈들을 실행하도록 구성될 수 있다. 그러한 기능 모듈들은 이하에서 PMC에 포함되는 것으로 언급된다.

본원에 언급되는 프로세서는 하나 이상의 범용 처리 디바이스, 예컨대, 마이크로프로세서, 중앙 처리 유닛 등을 나타낼 수 있다. 더 구체적으로, 프로세서는 복합 명령어 세트 컴퓨팅(CISC) 마이크로프로세서, 축소 명령어 세트 컴퓨팅(RISC) 마이크로프로세서, 매우 긴 명령어(VLIW) 마이크로프로세서, 다른 명령어 세트들을 구현하는 프로세서, 또는 명령어 세트들의 조합을 구현하는 프로세서들일 수 있다. 프로세서는 또한, 하나 이상의 특수 목적 처리 디바이스, 예컨대, 주문형 집적 회로(ASIC), 필드 프로그램가능 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP), 네트워크 프로세서 등일 수 있다. 프로세서는 본원에 논의된 동작들 및 단계들을 수행하기 위한 명령어들을 실행하도록 구성된다.

본원에 언급되는 메모리는 주 메모리(예를 들어, 판독 전용 메모리(ROM), 플래시 메모리, 동적 랜덤 액세스 메모리(DRAM), 예컨대, 동기식 DRAM(SDRAM) 또는 램버스 DRAM(RDRAM) 등), 및 정적 메모리(예를 들어, 플래시 메모리, 정적 랜덤 액세스 메모리(SRAM) 등)를 포함할 수 있다.

본 개시된 주제의 특정 실시예들에 따르면, 시스템(101)은 시편 제조 동안 획득된 런타임 이미지들에 기초하여, 훈련된 기계 학습(ML) 모델을 사용하여 결함 검사 동작들을 수행하도록 구성된 런타임 결함 검사 시스템일 수 있다. 그러한 경우들에서, 시스템(101)의 PMC(102)에 포함된 하나 이상의 기능 모듈은, 기준 이미지를 생성하기 위해 미리 훈련된 기계 학습(ML) 모델(108), 및 결함 검사 모듈(110)을 포함할 수 있다.

구체적으로, PMC(102)는, I/O 인터페이스(126)를 통해, 반도체 시편의 런타임 이미지를 획득하고, 런타임 이미지를 처리하기 위해 기계 학습 모델(예를 들어, ML 모델(108))에 입력으로서 제공하도록 구성될 수 있다. ML 모델(108)은 런타임 이미지에 기초하여 기준 이미지를 생성할 수 있다. ML 모델(108)은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함한다. 결함 검사 모듈(110)은 생성된 기준 이미지를 사용하여 런타임 이미지에 대해 결함 검사를 수행하도록 구성될 수 있다.

그러한 경우들에서, ML 모델(108) 및 결함 검사 모듈(110)은 취득된 런타임 이미지들에 대해 런타임 결함 검사 동작들을 수행하는 데 사용가능한 결함 검사 레시피의 일부로서 간주될 수 있다. 시스템(101)은 결함 검사 레시피를 사용하여 런타임 결함 관련 동작들을 수행할 수 있는 런타임 결함 검사 시스템으로서 간주될 수 있다. 런타임 검사 프로세스의 세부 사항들은 도 3 및 5를 참조하여 아래에 설명된다.

일부 실시예들에서, 시스템(101)은, 특정 훈련 세트를 사용하여 훈련/설정 단계 동안 ML 모델을 훈련시킬 수 있는 훈련 시스템으로서 구성될 수 있다. 그러한 경우들에서, 시스템(101)의 PMC(102)에 포함된 하나 이상의 기능 모듈은 훈련 세트 생성기(104), 훈련 모듈(106) 및 ML 모델(108)을 포함할 수 있다. 구체적으로, 훈련 세트 생성기(104)는 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 생성하도록 구성될 수 있고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함한다. 훈련 모듈(106)은 훈련 세트를 사용하여 ML 모델(108)을 훈련시키도록 구성될 수 있다. 구체적으로, 훈련은 예측된 이미지를 획득하기 위해 ML 모델에 의해 결함 있는 이미지를 처리하는 것, 및 예측된 이미지와 결함 없는 이미지 사이의 차이를 최소화하도록 ML 모델을 최적화하는 것을 포함할 수 있다.

위에서 설명된 바와 같이, ML 모델은 훈련 시 런타임 이미지에 대한 기준 이미지를 생성하는 데 사용가능하다. 훈련 프로세스의 세부 사항들은 도 2 및 4를 참조하여 아래에 설명된다.

시스템(100 및 101), PMC(102) 및 그의 기능 모듈들의 동작은 도 2-3을 참조하여 더 상세히 설명될 것이다.

특정 실시예들에 따르면, 본원에서 언급되는 ML 모델(108)은 다양한 유형들의 기계 학습 모델들, 예컨대, 예를 들어, 결정 트리, 서포트 벡터 기계(SVM), 인공 신경망(ANN), 회귀 모델, 베이지안 네트워크, 또는 이들의 총체/조합들 등으로 구현될 수 있다. ML 모델에 의해 사용되는 학습 알고리즘은 다음: 감독 학습, 무감독 학습, 또는 반-감독 학습 등 중 임의의 것일 수 있다. 본 개시된 주제는 특정 유형의 ML 모델 또는 ML 모델에 의해 사용되는 특정 유형 또는 학습 알고리즘으로 제한되지 않는다.

일부 실시예들에서, ML 모델은 심층 신경망(DNN)으로서 구현될 수 있다. DNN은 각각의 DNN 아키텍처에 따라 조직화된 계층들을 포함하는 감독 또는 무감독 DNN 모델을 포함할 수 있다. 비제한적인 예로서, DNN의 계층들은 콘볼루션 신경망(CNN) 아키텍처, 순환 신경망 아키텍처, 재귀 신경망들 아키텍처, 생성적 대립 신경망(GAN) 아키텍처 또는 다른 방식에 따라 조직화될 수 있다. 선택적으로, 계층들 중 적어도 일부는 복수의 DNN 부분망들로 조직화될 수 있다. DNN의 각각의 계층은 관련 기술분야에서 차원들, 뉴런들, 또는 노드들로서 전형적으로 지칭되는 다수의 기본 계산 요소들(CE)을 포함할 수 있다.

일반적으로, 주어진 계층의 계산 요소들은 선행 계층 및/또는 후속 계층의 CE들과 연결될 수 있다. 선행 계층의 CE와 후속 계층의 CE 사이의 각각의 연결은 가중 값과 연관된다. 주어진 CE는 각각의 연결들을 통해 이전 계층의 CE들로부터 입력들을 수신할 수 있고, 각각의 주어진 연결은 주어진 연결의 입력에 적용될 수 있는 가중 값과 연관된다. 가중 값들은 연결들의 상대적 강도 및 그에 따른 주어진 CE의 출력에 대한 각각의 입력들의 상대적 영향을 결정할 수 있다. 주어진 CE는 활성화 값(예를 들어, 입력들의 가중 합)을 계산하고, 계산된 활성화 값에 활성화 함수를 적용함으로써 출력을 더 도출하도록 구성될 수 있다. 활성화 함수는, 예를 들어, 항등 함수, 결정 함수(예를 들어, 선형, 시그모이드, 임계 등), 확률적 함수, 또는 다른 적합한 함수일 수 있다. 주어진 CE로부터의 출력은 각각의 연결들을 통해 후속 계층의 CE들로 송신될 수 있다. 마찬가지로, 상기와 같이, CE의 출력에서의 각각의 연결은, 후속 계층의 CE의 입력으로서 수신되기 전에 CE의 출력에 적용될 수 있는 가중 값과 연관될 수 있다. 가중 값들에 추가로, 연결들 및 CE들과 연관된 임계 값들(제한 함수들을 포함함)이 존재할 수 있다.

ML 모델의 가중 및/또는 임계 값들은 훈련 전에 초기에 선택될 수 있고, 훈련된 모델에서 가중 및/또는 임계 값들의 최적 세트를 달성하기 위해, 훈련 동안 더 반복적으로 조정 또는 수정될 수 있다. ML 모델의 가중치들/임계치들을 조정하는 데 사용되는 입력 데이터의 세트는 훈련 세트로 지칭된다. 훈련 프로세스의 세부 사항들은 도 2 및 4를 참조하여 아래에 설명된다.

본 개시된 주제의 교시들은 위에서 설명된 바와 같은 ML 모델 또는 DNN의 특정 아키텍처에 의해 제한되지 않는다는 점을 주목한다.

일부 경우들에서, 시스템(101)에 추가적으로, 검사 시스템(100)은 하나 이상의 검사 모듈, 예컨대, 예를 들어, 추가적인 결함 검출 모듈, 자동 결함 검토 모듈(ADR), 자동 결함 분류 모듈(ADC), 계측 관련 모듈, 및/또는 반도체 시편의 검사에 사용가능한 다른 검사 모듈들을 포함할 수 있다. 하나 이상의 검사 모듈은 독립형 컴퓨터들로서 구현될 수 있거나, 그들의 기능성들(또는 그의 적어도 일부)이 검사 툴(120)과 통합될 수 있다. 일부 경우들에서, 시스템(101)의 출력은 추가의 처리를 위해 하나 이상의 검사 모듈(예컨대, ADR, ADC 등)에 제공될 수 있다.

특정 실시예들에 따르면, 시스템(100)은 저장 유닛(122)을 포함할 수 있다. 저장 유닛(122)은 시스템(101)을 동작시키는 데 필요한 임의의 데이터, 예를 들어, 시스템(101)의 입력 및 출력에 관련된 데이터뿐만 아니라, 시스템(101)에 의해 생성된 중간 처리 결과들을 저장하도록 구성될 수 있다. 예로서, 저장 유닛(122)은, 검사 툴(120)에 의해 생성된, 시편의 이미지들 및/또는 그의 파생물들, 예컨대, 예를 들어, 위에서 설명된 바와 같은, 런타임 이미지들, 훈련 세트를 저장하도록 구성될 수 있다. 이에 따라, 이러한 입력 데이터는 저장 유닛(122)으로부터 검색되고 추가의 처리를 위해 PMC(102)에 제공될 수 있다. 시스템(101)의 출력, 예컨대, 생성된 기준 이미지 및/또는 결함 검사 데이터는 저장되도록 저장 유닛(122)에 전송될 수 있다.

일부 실시예들에서, 시스템(100)은 시스템(101)과 관련된 사용자 특정 입력들을 가능하게 하도록 구성된 컴퓨터 기반 그래픽 사용자 인터페이스(GUI)(124)를 선택적으로 포함할 수 있다. 예를 들어, 사용자는, 시편의 이미지들 등을 포함하는, 시편의 시각적 표현을 (예를 들어, GUI(124)의 일부를 형성하는 디스플레이에 의해) 제시받을 수 있다. 사용자는 특정 동작 파라미터들을 정의하는 옵션들을 GUI를 통해 제공받을 수 있다. 사용자는 또한, 동작 결과들 또는 중간 처리 결과들, 예컨대, 예를 들어, 기준 이미지, 결함 검사 데이터 등을 GUI 상에서 볼 수 있다. 일부 경우들에서, 시스템(101)은 특정 출력을 저장 유닛(122) 및/또는 외부 시스템들(예를 들어, 제조 설비(FAB)의 수율 관리 시스템(YMS))에 전송하도록 더 구성될 수 있다.

관련 기술분야의 통상의 기술자는, 본 개시된 주제의 교시들이, 도 1에 예시된 시스템에 의해 제한되지 않고; 동등하고/거나 수정된 기능성이, 다른 방식으로 통합되거나 분할될 수 있으며 하드웨어 및/또는 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 쉽게 이해할 것이다.

도 1에 예시된 시스템은, 도 1에 도시된 전술한 구성요소들 및 기능 모듈들이 몇몇 로컬 및/또는 원격 디바이스들에 분산될 수 있고 통신망을 통해 연결될 수 있는 분산 컴퓨팅 환경으로 구현될 수 있다는 점을 주목한다. 예로서, 검사 툴(120) 및 시스템(101)은 동일한 엔티티(일부 경우들에서, 동일한 디바이스에 의해 호스팅됨)에 위치되거나 상이한 엔티티들에 걸쳐 분산될 수 있다. 다른 예로서, 위에서 설명된 바와 같이, 일부 경우들에서, 시스템(101)은 ML 모델을 훈련시키기 위한 훈련 시스템으로서 구성될 수 있는 반면, 일부 다른 경우들에서, 시스템(101)은 훈련된 ML 모델을 사용하는 런타임 결함 검사 시스템으로서 구성될 수 있다. 훈련 시스템, 및 런타임 검사 시스템은, 특정 시스템 구성들 및 구현 요구들에 따라, 동일한 엔티티(일부 경우들에서, 동일한 디바이스에 의해 호스팅됨)에 위치될 수 있거나 상이한 엔티티들에 걸쳐 분산될 수 있다.

일부 실시예들에서, 검사 툴들(120), 저장 유닛(122) 및/또는 GUI(124) 중 적어도 일부는 검사 시스템(100)의 외부에 있을 수 있고 I/O 인터페이스(126)를 통해 시스템들(100 및 101)과 데이터 통신하여 동작할 수 있다는 점을 더 주목한다. 시스템(101)은 위에서 설명된 바와 같이 검사 툴들과 함께, 그리고/또는 추가적인 검사 모듈들과 함께 사용될 독립형 컴퓨터(들)로서 구현될 수 있다. 대안적으로, 시스템(101)의 각각의 기능들은, 적어도 부분적으로, 하나 이상의 검사 툴(120)과 통합될 수 있고, 이로써, 검사 관련 프로세스들에서 검사 툴들(120)의 기능성들을 용이하게 하고 향상시킨다.

반드시 그렇지는 않지만, 시스템들(101 및 100)의 동작의 프로세스는 도 2-3과 관련하여 설명된 방법들의 스테이지들 중 일부 또는 전부에 대응할 수 있다. 마찬가지로, 도 2-3과 관련하여 설명된 방법들 및 그들의 가능한 구현들은 시스템들(101 및 100)에 의해 구현될 수 있다. 그러므로, 도 2-3과 관련하여 설명된 방법들과 관련하여 논의된 실시예들은 또한, 시스템들(101 및 100)의 다양한 실시예들로서 준용하여 구현될 수 있고, 그 반대의 경우도 마찬가지라는 점을 주목한다.

도 2를 참조하면, 본 개시된 주제의 특정 실시예들에 따른, 반도체 시편의 결함 있는 이미지에 대한 기준 이미지를 생성하는 데 사용가능한 기계 학습 모델을 훈련시키는 일반화된 흐름도가 예시된다.

위에서 설명된 바와 같이, 본원에서 언급되는 ML 모델은 다양한 유형들의 기계 학습 모델들로서 구현될 수 있다. 일부 실시예들에서, ML 모델은 감독 학습에 기초하여 훈련될 수 있다. 감독 학습은 일반적으로, 특정 출력에 대해 표지된 입력 데이터에 대해 학습 모델을 훈련시키는 것을 지칭한다. 모델은, 모델이 입력 데이터와 출력 표지들 사이의 관계들 및 기저 패턴들을 검출할 수 있고, 모델이 이전에 본 적이 없는 런타임 데이터가 제시될 때 모델이, 정확한 표지 결과들을 산출하는 것을 가능하게 할 때까지 훈련된다. 그러한 경우들에서, ML 모델은 감독 학습 모드를 갖는 다양한 모델들, 예컨대, 예를 들어, 콘볼루션 신경망(CNN), 서포트 벡터 기계(SVM), 판정 트리들 등으로서 구현될 수 있다.

감독 학습으로 ML 모델을 훈련시키기 위해, 표지된 훈련 세트가 요구된다. 본 개시내용의 특정 실시예들에 따르면, 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트가 (예를 들어, PMC(102)의 훈련 세트 생성기(104)에 의해) 생성될 수 있다(202). 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함한다. 본원에서 사용되는 결함 있는 이미지는, 시편 상의 실제 결함들을 나타내는 결함 있는 피처들을 포함하거나 포함할 확률이 높은 이미지를 지칭한다. 결함 없는 이미지는, 결함 있는 피처들이 없거나 임의의 결함 있는 피처들을 포함하지 않을 확률이 높은 깨끗한 이미지를 지칭한다. 결함 없는 이미지는, 결함 있는 이미지와 유사한 패턴들을 포함하는 유사한 영역을 캡처한다는 점에서 결함 있는 이미지에 대응한다. 결함 없는 이미지는 동일한 쌍의 결함 있는 이미지와 연관된 실측 정보 데이터로서 역할을 한다. ML 모델은 결함 있는 이미지들 및 결함 없는 이미지들의 2개의 모집단들 사이의 비선형 맵핑 관계를 학습하도록 훈련된다.

일부 경우들에서, 훈련 이미지들, 예컨대, 각각의 쌍에서의 결함 있는 이미지 및 결함 없는 이미지는, 시편의 제조 프로세스 동안 검사 툴에 의해 취득된, 반도체 시편의 "실세계" 이미지들(즉, 실제 이미지들)일 수 있다. 예로서, 결함 있는 이미지는 시편의 검사 영역으로부터 툴이 캡처하는 검사 이미지일 수 있고, 이는 결함 있는 피처를 포함하는 것으로서 검증된다. 예를 들어, 검사 이미지는 결함 검출 프로세스에서(이 경우들에서 결함 있는 피처를 포함할 확률이 높은 결함 있는 이미지로서 간주됨), 또는 결함 검토 프로세스에서, 예를 들어, 사용자에 의한 수동 검토에서, 또는 ADR 프로세스에 의한 자동 검토에서, 결함 있는 피처를 포함하는 결함 있는 이미지로서 검증될 수 있다. 결함 없는 이미지는, 결함 없는 것으로 알려지거나 결함 없을 확률이 높은 검사 영역의 하나 이상의 기준 영역(예컨대, 예를 들어, D2D 검사에서 검사 다이의 하나 이상의 이웃하는 다이)으로부터 툴에 의해 캡처될 수 있다. 결함 없는 이미지는 또한, 어떠한 결함 있는 피처들도 포함하지 않는 것으로서 검증된 임의의 검사 이미지일 수 있다.

실제 제조에서의 상이한 변동들에 대하여 강건한 잘 훈련된 정확한 모델을 제공할 목적으로, 훈련 이미지들은 수량, 품질 및 편차 등의 측면에서 충분해야 한다. 그러나, 일부 경우들에서, 그러한 훈련 데이터는 수집하기 어려울 수 있다. 예를 들어, 검사될 시편들의 결함 있는 훈련 이미지들은 설정 단계 동안 이용가능하지 않을 수 있거나, 매우 드물 수 있고 결함 있는 피처들의 충분한 샘플들을 포함하지 않는다. 특히, 전형적으로 시간 및 노력이 소요되는 실측 정보 데이터로서, 대응하는 결함 없는 이미지들을 취득하는 것이 또한 난제일 수 있다.

일부 실시예들에서, "실세계" 훈련 이미지들에 추가하여, ML 모델을 훈련시키는 데 사용되는 훈련 세트는 반도체 시편에 대해 모의된 하나 이상의 합성 이미지를 사용함으로써 풍부해질 수 있다.

일부 경우들에서, 쌍에서의 결함 있는 이미지 및/또는 결함 없는 이미지 중 적어도 하나는 모의된 이미지일 수 있다. 예로서, 결함 없는 이미지는 반도체 시편의 설계 데이터에 기초하여 모의될 수 있다. 설계 데이터는, 고객으로부터 획득된 바와 같은, 시편의 원래의 설계 레이아웃 데이터, 예컨대, CAD 데이터를 지칭할 수 있다. 대안적으로, 설계 데이터는 시편의 이미지 데이터에 기초하여 생성된 모의된 설계 데이터를 지칭할 수 있다. 예로서, 시편의 SEM 이미지가 분석될 수 있고, SEM 이미지에 대해 피처 추출이 수행될 수 있다. 예를 들어, 추출된 피처들은 구조적 요소들의 구조 및/또는 패턴을 나타내는 피처들, 예컨대, 예를 들어, 에지들, 코너들, 픽셀 강도들 등, 및 선택적으로, 특정 구조적 요소들에 대한 하나 이상의 측정치를 포함할 수 있다. 추출된 피처들은, SEM 이미지에 대응하는 설계 이미지(예를 들어, 모의된 CAD 이미지)를 모의하는 데 사용될 수 있다.

시편에 대한 설계 데이터(원래의 설계 레이아웃, 예컨대, CAD, 또는 모의된 설계 데이터)를 획득할 때, 반도체 시편의 하나 이상의 물리적 프로세스에 의해 야기되는 하나 이상의 효과를 모의하기 위해 설계 데이터에 기초하여 이미지 모의가 수행될 수 있고, 그에 의해, 결함 없는 이미지를 생성한다. 특정 실시예들에 따르면, 효과들은, 다음의 물리적 프로세스들: 시편의 생산/제조 프로세스(예를 들어, 리소그래피 툴에 의해 웨이퍼 상에 시편의 설계 패턴들을 인쇄하는 것), 검사 프로세스(예를 들어, 검사 툴에 의한 스캐닝 프로세스 및 신호 처리 프로세스) 등 중 하나 이상에 의해 야기되는 변동들을 지칭할 수 있다. 예로서, 제조 프로세스에 의해 야기되는 효과들은, 설계 이미지들에서의 설계 패턴들이 웨이퍼 상에 실제로 어떻게 나타날 것인지를 표현하기 위해 모의될 수 있다. 다시 말해서, 모의는 설계 의도 레이아웃을 웨이퍼 상의 예상되는 처리된 패턴에 전사한다. 일부 경우들에서, 그러한 모의 동안 프로세스 변동(PV)이 고려될 수 있다. 선택적으로, 툴의 검사 프로세스에 의해 야기되는 그레이 레벨(GL) 변동들은 위에서 설명된 바와 같은 제조 프로세스에 의해 야기되는 효과들에 추가하여 모의될 수 있다. 상이한 변형들이 아래에서 더 상세히 설명된다.

일부 실시예들에서, 결함 있는 이미지는 결함 없는 이미지(실제 결함 없는 이미지 또는 모의된 이미지) 상에 결함 있는 피처를 합성적으로 주입하는 것에 의해 모의될 수 있다. 예컨대, 유형 및 예상 위치들 등과 같은 결함의 특정 특징들에 기초하여 이미지 상에 합성 결함을 주입하기 위한 이미지 증강의 다양한 방식들이 사용될 수 있고, 본 개시내용은 특정 구현으로 제한되지 않는다.

도 2의 설명을 계속하면, ML 모델의 훈련은, 훈련 이미지들의 하나 이상의 쌍의 각각의 쌍에 대해, 예측된 이미지를 획득하기 위해 ML 모델(예를 들어, ML 모델(108))에 의해 결함 있는 이미지를 처리하는 것(204), 및 예측된 이미지와 결함 없는 이미지 사이의 차이를 최소화하기 위해 (예를 들어, PMC(102)의 훈련 모델(106)에 의해) ML 모델을 최적화하는 것(206)을 포함한다.

도 4는, 본 개시된 주제의 특정 실시예들에 따른, ML 모델의 예시적인 훈련 프로세스의 개략도를 도시한다.

결함 있는 이미지(402) 및 결함 없는 이미지(404)를 포함하는 훈련 이미지들의 쌍이 예시된다. 도시된 바와 같이, 결함 있는 이미지(402)는 결함 있는 피처(403)(예컨대, 예를 들어, 2개의 라인 구조들 사이에 형성된 브리지)를 포함한다. 결함 없는 이미지(404)는 결함 있는 이미지(402)에 대응하고(예를 들어, 결함 있는 이미지는 결함 있는 이미지의 것과 유사한 패턴들을 갖는 영역을 캡처함), 어떠한 결함 있는 피처도 포함하지 않는다. 일부 실시예들에서, 각각의 쌍에서의 결함 있는 이미지 및 결함 없는 이미지는, (예를 들어, 도 2의 블록들(202 및 204)을 참조하여 설명된 동작들 사이에서) 모델을 훈련시키기 위해 ML 모델에 공급되기 전에, 전처리될 수 있다(406). 전처리는 다음의 동작들: 이미지 정합, 잡음 여과, 및 이미지 증강 중 하나 이상을 포함할 수 있다.

일부 실시예들에서, 전처리는 쌍에서의 결함 있는 이미지와 결함 없는 이미지 사이의 이미지 정합을 포함할 수 있다. 예로서, 이미지 정합은 2개의 이미지들 사이의 임의의 오정렬을 보정할 목적으로 수행될 수 있다. 일부 경우들에서, 이미지 정합은 전역 정합 및/또는 국부 정합을 포함할 수 있다. 전역 정합은 다양한 인자들, 예컨대, 예를 들어, 툴의 내비게이션 오차들, 특정 물리적 효과들, 예컨대, 대전 효과들에 의해 그리고/또는 시편의 수축에 의해 야기되는 드리프트들 등에 의해 야기되는 오정렬을 해결하는 것을 목표로 한다. 전역 정합은 관련 기술분야에 알려진 임의의 적합한 정합 알고리즘들에 따라 구현될 수 있다. 예로서, 전역 정합은 2개의 이미지들 사이의 기하학적 변환을 결정함으로써, 예컨대, 예를 들어, 병진, 회전, 스케일링, 전단 맵핑 등, 및 이들의 임의의 순서의 임의의 조합을 포함하는, 아핀 변환을 나타내는 변환 파라미터들을 결정하기 위해 아핀 정합 알고리즘들을 사용함으로써 수행될 수 있다. 예를 들어, 아핀 정합의 하나의 유형으로서, 위상 상관 정합(Phase correlation registration)(PCR)이, 주파수 도메인 분석(푸리에 도메인에서의 위상 차이가 이미지 도메인에서의 정합으로 변환됨)을 사용하여 수행될 수 있다.

국부 정합은, 이미지들 사이의 다양한 변동들, 예컨대, 예를 들어, 프로세스 변동들에 의해 야기되는 오정렬을 해결하는 것을 목표로 한다. 예로서, 일부 경우들에서, 정합은 다음의 정합 알고리즘들: 영역 기반 알고리즘, 피처 기반 정합, 또는 위상 상관 정합 중 하나 이상을 사용하여 수행될 수 있다. 영역 기반 방법의 예는 광학적 흐름들, 예컨대, 루카스-카나데(Lucas-Kanade)(LK) 알고리즘, 또는 혼-셩크(Horn and Schunk)알고리즘을 사용하는 정합이다. 피처 기반 방법들은, 2개의 이미지들에서 별개의 정보를 제공하는 지점들(distinct informative points)("피처들")을 찾고 피처들의 대응관계에 기초하여 각각의 쌍 사이의 필요한 변환을 계산하는 것에 기초한다. 이는 상이한 영역들이 개별적으로 이동되는 탄성 정합(즉, 비강성 정합)을 허용한다.

일부 실시예들에서, 전처리는, 시편의 하나 이상의 물리적 프로세스에 의해 야기되는 다양한 변동들, 예컨대, 예를 들어, 그레이 레벨(GL) 변동들, 프로세스 변동들(PV) 등을 나타내는 잡음들을 감소시킬 목적으로 쌍에서의 결함 있는 이미지 및 결함 없는 이미지에 대해 잡음 여과를 수행하는 것을 포함할 수 있다.

GL 변동들은 시편의 검사 프로세스의 물리적 효과들에 의해 야기될 수 있다. 예로서, 동일한 웨이퍼의 상이한 위치들로부터 취해진 이미지들의 그레이 레벨들은 변할 수 있다. 추가적으로, 상이한 검사 툴들에 의해 촬영된 이미지들의 그레이 레벨들은, 심지어, 동일한 해상도로 동일한 웨이퍼의 동일한 위치에서 캡처된 경우에도, 인자만큼 상이할 수 있다. 일부 경우들에서, GL 변동들은 색 변동(CV)을 포함할 수 있다. 색 변동은 (예를 들어, 층 두께 변동들로 인해) 단일 이미지 내에서, 또는 2개의 이미지들, 예컨대, 검사 이미지와 기준 이미지(또는 결함 있는 이미지와 대응하는 결함 없는 이미지) 사이에서 발생할 수 있다. GL 변동들 및 CV는 다양한 인자들, 예컨대, 예를 들어, 검사 툴들/검출기들 등의 상이한 물리적 구성들 및 교정들에 의해 야기될 수 있고, 이미지들에서의 그레이 레벨 강도들의 국부적 변화들을 특징으로 할 수 있다.

일부 경우들에서, 프로세스 변동(PV)의 영향들에 의해 야기될 수 있는 패턴 변동들이 2개의 이미지들에 나타날 수 있다. 프로세스 변동은 시편의 제조 프로세스의 변화에 의해 야기되는 변동들을 지칭할 수 있다. 예로서, 제조 프로세스는 상이한 검사 이미지들 간의 특정 구조들/패턴들의 약간의 이동/스케일링/왜곡을 야기할 수 있고 이는 이미지들의 패턴 변동을 초래한다. 다른 예로서, 제조 프로세스는 시편의 두께 변동을 야기할 수 있고, 이는 반사율에 영향을 미치며, 결국, 결과적인 검사 이미지의 그레이 레벨에 영향을 미친다. 예를 들어, 다이-대-다이 물질 두께 변동은 다이들 중 2개의 다이들 사이에 상이한 반사율을 초래할 수 있고, 이는 2개의 다이들의 이미지들에 대한 상이한 배경 그레이 레벨 값으로 이어진다.

일부 경우들에서, 추가적으로 또는 대안적으로, 물리적 프로세스의 다른 가능한 효과들은: 무작위 잡음, 초점 오차들(예를 들어, 일부 패턴들은 다른 패턴들보다 초점 오차들에 더 민감함), 대전 효과들(검사 이미지들과 기준 이미지들 사이의 인공적인 차이들을 생성할 수 있고 검사 프로세스들에 실질적으로 영향을 미칠 수 있음), 사분할 검출기들(이는 차선일 수 있고, 상이한 관점들 내의 중첩을 갖는 이미지들을 초래함)의 교정 등을 포함할 수 있지만, 이에 제한되지 않는다.

그러한 변동들을 갖는 이미지들에 기초하여 ML 모델을 훈련시키는 것은 ML 모델의 일반화 능력들을 열화시킬 수 있는데, 이는, ML 모델이, 결함 있는 이미지와 결함 없는 이미지 사이에서 학습하는 특정 차이들이, 실제 결함 있는 피처들이 아니라 이러한 변동들에 기인할 수 있기 때문이다. 따라서, 훈련된 ML 모델은 이러한 변동들의 영향을 받을 수 있고, 불안정한 예측 출력들을 제공할 수 있다. ML 모델에 의해 생성된 기준 이미지들은, 결함 검출에 사용될 때, 덜 최적의 검출 감도로 검출 결과를 제공할 수 있다.

이러한 변동들의 영향을 감소시킬 목적으로, 일부 실시예들에서, 결함 있는 이미지 및 결함 없는 이미지는 위의 변동들 중 하나 이상을 나타내는 잡음들을 여과하기 위해 전처리될 수 있다. 예로서, 예를 들어, 하나의 이미지로부터 다른 이미지로의 픽셀 값들의 체계적 변환을 모델링함으로써, 2개의 이미지들 사이의 배경 그레이 레벨 변동들을 나타내는, 그러한 잡음들의 하나의 유형이 추정될 수 있다. 예를 들어, 변환은 2개의 이미지들의 픽셀 값들 사이의 다항식 관계에 의해 표현될 수 있다. 다른 예로서, 예를 들어, 2개의 이미지들에서 패턴들을 구성하는 픽셀 값들 사이의 공간 시프트/스케일링을 모델링함으로써, 패턴 변동들을 나타내는, 잡음들의 다른 유형이 추정될 수 있다. 상술한 것에 추가하여 또는 그 대신에, 잡음 여과의 다른 방식들이 2개의 이미지들에 대해 수행될 수 있다. 그러한 이미지 전처리는 런타임 이미지들의 상이한 변동들에 대한 훈련된 ML 모델의 증가된 강건성을 가능하게 한다.

일부 추가의 실시예들에서, 전처리는 쌍에서의 결함 있는 이미지 및 결함 없는 이미지에 대해 이미지 증강을 수행하는 것을 포함할 수 있다. 예로서, 이미지 증강은 인페인팅 기법들을 사용하여 수행될 수 있다. 이미지 인페인팅은 이미지의 누락된 부분들을 재구성하는 것을 지칭한다. 예를 들어, 결함 있는 이미지는 그리드를 사용하여 n*n 픽셀들의 크기의 하위 영역들의 세트로 분할될 수 있다. 그 다음, 하위 영역들의 세트는 m개의 분리된 하위세트들로 무작위로 분할된다. 각각의 하위세트에 대해, 그 하위세트에 속하는 하위 영역들이, 결함 있는 이미지로부터 제거되고, 그에 의해, 하위 영역들의 제거된 하위세트를 각각 갖는 m개의 결함 있는 하위 이미지들을 초래한다.

그러므로, 각각의 결함 있는 이미지는 결함 없는 이미지의 각각의 부분들에 대응하는 m개의 결함 있는 하위 이미지로 변환되고, 그에 의해, ML 모델에 의해 처리되는 입력 이미지들의 개수 측면에서 훈련 세트를 풍부하게 한다. 각각의 결함 있는 하위 이미지에 대해, ML 모델은 결함 있는 하위 이미지의 제거된 하위 영역들을 재구성하기 위해 인페인팅 네트워크로서 작용하고, 대응하는 입력 결함 있는 하위 이미지에서 누락된 재구성된 하위 영역들을 포함하는 출력 하위 이미지를 생성한다. m개의 결함 있는 하위 이미지를 처리함으로써, ML 모델은 m개의 재구성된 하위 이미지를 생성할 것이다. m개의 재구성된 하위 이미지는 단일의 재구성된 이미지로 조립될 수 있다. 재구성된 이미지는 결함 없는 이미지에 대해 평가될 것이다.

일부 경우들에서, 이미지 전처리는 위에서 설명된 바와 같은 이미지 정합, 잡음 여과 또는 이미지 증강 중 적어도 하나를 포함할 수 있다는 점을 주목해야 한다. 예를 들어, 이미지 전처리는 이미지 정합 및 잡음 여과 둘 모두를 포함할 수 있다. 일부 다른 경우들에서, 이미지 전처리는 아마도, 임의의 적합한 순서로, 예컨대, 예를 들어, 이미지 정합에 후속하여 잡음 여과 그리고 다음으로 이미지 증강의 순서로 수행될 수 있는 3가지 유형들의 전처리 동작들 전부를 포함할 수 있다.

이미지 전처리(406) 후에, 처리된 결함 있는 이미지는 처리되도록 ML 모델(408)에 공급된다. ML 모델(408)의 출력은 예측된 이미지(410)이다. 예측된 이미지(410)는 손실 함수(412)(비용 함수로 또한 지칭됨)를 사용하여, 처리된 결함 없는 이미지(예측된 이미지에 대한 실측 정보 데이터로서 역할을 함)에 대해 평가된다. 손실 함수(412)는 예측된 이미지와 결함 없는 이미지 사이의 차이를 표현하도록 구성된 차이 메트릭일 수 있다. ML 모델(408)은 손실 함수(412)의 값을 최소화함으로써 최적화될 수 있다. 예로서, ML 모델(408)은 손실 함수, 예컨대, 예를 들어, 평균 제곱 오차(MSE), 절대차의 합(SAD), 구조적 유사성 인덱스 측정(SSIM), 또는 에지 보존 손실 함수를 사용하여 최적화될 수 있다. 본원에서 사용되는 "최소화하는" 또는 "최소화함"이라는 용어는 손실 함수에 의해 표현되는 차이 값을 특정 수준/범위(미리 정의될 수 있음)까지 감소시키려는 시도를 지칭하지만, 반드시 실제 최소치에 도달할 필요는 없다는 점을 주목해야 한다.

위에서 설명된 바와 같이, ML 모델은 다양한 감독 학습 모델들로서 구현될 수 있다. 일 예에서, ML 모델은 콘볼루션 신경망(CNN)으로서 구현될 수 있다. CNN은 통상적으로, 입력 및 출력 계층뿐만 아니라 다수의 은닉 계층들을 포함하는 구조를 갖는다. CNN의 은닉 계층들은 전형적으로, 곱셈 또는 다른 내적과 콘볼빙하는 일련의 콘볼루션 계층들, 후속으로 이어서 추가적인 계층들, 예컨대, 풀링 계층들, 완전 연결 계층들, 및 정규화 계층들 등을 포함한다. 일부 경우들에서, CNN은 2개의 주요 기능들: 피처 추출 및 분류로 구성되는 것으로 간주될 수 있다. 예로서, 피처 추출 부분은 최대 풀링 및 활성화 함수가 뒤따르는 여러 콘볼루션 계층들을 포함할 수 있다. 분류 부분은 일반적으로, 완전 연결 계층들을 포함한다. 예로서, 일부 경우들에서, 감독 모델의 피처 추출 부분의 특정 중간 계층들(예를 들어, 콘볼루션 계층들 중 하나 이상)은 (또한, 피처 벡터들로 지칭되는) 피처 맵들의 형태로 계층 출력을 제공할 수 있다. 예를 들어, 출력 피처 맵들은, 예를 들어, 입력 피처 맵들의 폭 및 높이에 걸쳐 특정 계층의 각각의 필터를 콘볼빙하고, 입력과 필터의 엔트리들 사이의 내적을 계산하고, 모든 공간 위치에서 그 필터의 응답들을 제공하는 2차원 활성화 맵을 생성함으로써 생성될 수 있다. 깊이 치수를 따라 모든 필터들에 대한 활성화 맵들을 적층하는 것은 콘볼루션 계층의 전체 출력 피처 맵들을 형성한다. 결과적으로, CNN은, 입력에서의 어떤 공간 위치에서 어떤 특정 유형의 피처를 검출할 때 활성화되는 필터들을 학습한다.

CNN의 훈련은, 예측이 실측 정보와 매칭되도록(즉, 손실 함수가 특정 수준/임계치로 최소화되도록), 각각의 시기 동안 역전파를 사용하여 CNN의 가중치들 및/또는 임계 값들을 반복적으로 조정함으로써 수행될 수 있다. 각각의 시기에서의 가중치 조정 후에, CNN은 예측 정확도의 관점에서 개선되고, 결국, 성능 요건들을 충족시키는 훈련된 모델에서 가중치들의 최적의 세트를 달성한다.

위에서 설명된 바와 같이, 결함 있는 이미지가 이미지 증강에 의해, 예컨대, 인페인팅 기법들을 사용함으로써 전처리되는 경우들에서, CNN은 인페인팅 네트워크로서 작용한다. CNN에 의해 출력되는 바와 같은 m개의 재구성된 하위 이미지는 단일의 재구성된 이미지로 조립될 수 있다. 재구성된 이미지는 결함 없는 이미지에 대해 평가될 것이다. 그러한 경우들에서 인페인팅 네트워크를 사용하는 것은 정상 패턴들을 예측하기 위한 인페인팅 네트워크의 증명된 능력으로부터 이익을 얻을 수 있고, 결함 없는 기준 이미지들을 예측하기 위한 훈련된 ML 모델의 예측 성능을 개선할 수 있고, 다양한 결함 있는 피처들에 대한 훈련된 ML 모델의 강건성을 향상시킬 수 있다.

일부 실시예들에서, 이미지 정합, 잡음 여과 등과 같은, 위에서 설명된 바와 같은 전처리 동작들의 기능성들은 ML 모델의 일부로서 적어도 부분적으로 구현될 수 있다. 예로서, ML 모델은 쌍에서의 결함 있는 이미지 및 결함 없는 이미지에 대해 이미지 정합 및/또는 잡음 여과를 수행하도록 구성된 하나 이상의 학습 모듈을 (예를 들어, CNN-전 모듈들 또는 DNN-전 모듈들로서) 포함할 수 있다. 그러한 경우들에서, ML 모델은, CNN 모듈에 선행하는, 정합 학습 모듈 및/또는 잡음 여과 학습 모듈을 포함하는 네트워크 앙상블로서 간주될 수 있다.

예를 들어, 정합 학습 모듈은, 결함 있는 이미지 및 결함 없는 이미지들의 원래의 훈련 이미지 쌍들을 입력으로서 사용하고 그의 대응하는 정합된 이미지 쌍들을 실측 정보로서 사용하여, CNN과 함께 또는 CNN과 별개로 훈련될 수 있다. 유사하게, 잡음 여과 학습 모듈은 또한, 결함 있는 이미지 및 결함 없는 이미지들 중 적어도 하나를 입력으로서 사용하고, 감소된 잡음들을 갖는 적어도 하나의 대응하는 이미지를 실측 정보로서 사용하여, CNN과 함께 또는 CNN과 별개로 훈련될 수 있다. 본 개시내용은 전처리 모듈들로서 또는 ML 모델의 일부로서 그러한 기능성들의 특정 구현에 제한되지 않는다.

ML 모델에 선행하는 별개의 전처리 모듈로서 또는 ML 모델 자체의 고유한 부분으로서 구현되는, 훈련 이미지 쌍들의 전처리는 이미지 쌍 사이의 이미지 정합 및/또는 잡음 여과를 가능하게 하고, 따라서, 훈련된 ML 모델에 대한 이러한 변동들의 영향을 제거한다. ML 모델에 의해 예측된 바와 같은 기준 이미지는 런타임 이미지와의 개선된 정렬을 갖는 것으로 가정되고, 런타임 이미지의 것과 유사한 잡음 수준들을 공유한다. 이로써 런타임 결함 검사를 위해 생성된 기준 이미지를 사용하는 것은, 런타임 이미지 및 고유한 오정렬 및 변동들을 소유하는 개별적으로 취득된 기준 이미지를 처리하기 위해 이전에 요구된 바와 같은 이미지 전처리 노력들, 예컨대, 이미지 정합 및 잡음 여과를 감소시킬 수 있다. 예를 들어, 많은 경우들에서, 생성된 기준 이미지는, 런타임 이미지에 대한 이미지 정합 및/또는 잡음 여과의 목적을 위해 전처리되지 않고, 런타임 이미지와 직접 비교하는 데 사용될 수 있다. 결함 검사에서 그러한 생성된 기준 이미지를 사용하는 것은 결함 검출 처리량을 개선할 뿐만 아니라, (더 높은 캡처율 및 더 낮은 오경보율의 관점에서) 검출 감도를 증가시킨다.

ML 모델이 훈련되고 나면, 이는 추가적인 데이터세트들을 사용하여 시험되고 검증될 수 있다. 시험 및 검증 동안의 예측 성능이 요건들을 충족시키는 경우, 훈련된 ML 모델은 결함 검사를 위해 런타임으로 배치될 수 있다.

이제 도 3을 참조하면, 본 개시된 주제의 특정 실시예들에 따른, 기준 이미지를 생성하기 위해 훈련된 기계 학습 모델을 사용하는 런타임 결함 검사의 일반화된 흐름도가 예시된다.

시편의 런타임 검사 동안 (예를 들어, 검사 툴(120)에 의해) 반도체 시편의 런타임 이미지가 획득될 수 있다(302).

런타임 이미지는, 처리하기 위해 기계 학습 모델(예를 들어, PMC(102)의 ML 모델(108))에 입력으로서 제공될 수 있다. 기준 이미지는 런타임 이미지에 기초하여 ML 모델의 출력으로서 생성될 수 있다(304). 도 2 및 4를 참조하여 위에서 설명된 바와 같이, ML 모델은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함한다. 위에서 설명된 바와 같이, ML 모델은 다양한 학습 모델들을 사용하여 구현될 수 있다.

생성된 기준 이미지를 사용하여 런타임 이미지에 대해 (예를 들어, PMC(102)의 결함 검사 모듈(110)에 의해) 결함 검사가 수행될 수 있다(306). 위에서 설명된 바와 같이, 생성된 기준 이미지는 아마도, 런타임 이미지와 정렬되고 런타임 이미지의 것과 유사한 잡음 수준들을 공유한다. 결함 검사는, 반도체 시편 상의 결함 분포를 나타내는 결함 검사 결과를 획득하기 위해 (전처리, 예컨대, 정합 및 잡음 여과 없이) 런타임 이미지를 생성된 기준 이미지와 직접 비교함으로써 수행될 수 있다. 결함 검사는 다음의 동작들: 결함 검출, 결함 검토, 및 결함 분류 중 하나 이상을 지칭할 수 있다.

위에서 설명된 바와 같이, 결함 검출은 시편의 검사 이미지들을 캡처하고, 예컨대, 예를 들어, D2D 검사에서 결함 검출 알고리즘에 따라 이미지들에 기초하여 잠재적 결함들을 검출하는 것을 지칭한다. 각각의 검사 이미지에 대해, 훈련된 ML 모델은 그를 처리하고 대응하는 기준 이미지를 생성할 수 있다. 기준 이미지는 검사 이미지와 비교되는 데 사용될 수 있고, 반도체 시편 상의 결함 후보 분포를 나타내는 결함 맵을 생성한다. 일부 경우들에서, 결함 후보들의 목록이, 관심 결함들(DOI)일 확률이 더 높은 후보들로서 결함 맵으로부터 추가로 선택될 수 있다.

결함 검출 후에, 결함 후보들은 결함 검토 툴(예컨대, 예를 들어, ADR)에 제공될 수 있다. 검토 툴은 각각의 결함 후보들의 위치들에서 (전형적으로 더 높은 해상도로) 검토 이미지들을 캡처하고, 결함 후보가 실제로 DOI인지를 확인하기 위해 검토 이미지들을 검토하도록 구성된다. 유사하게, 그러한 경우들에서, 훈련된 ML 모델은 검토 이미지를 처리하고 대응하는 기준 이미지를 생성하는 데 사용될 수 있다. 기준 이미지는 검토 이미지와 비교되는 데 사용될 수 있다. 검토 툴의 출력은 결함 후보들과 각각 연관된 표지 데이터를 포함할 수 있고, 표지 데이터는 각각의 결함 후보가 DOI인지 여부에 대한 정보를 제공한다.

일부 경우들에서, 결함 검토(DR) 툴에 추가하여 또는 DR 툴 대신에 결함 분류 툴(예컨대, 예를 들어, ADC)이 사용된다. 예로서, 분류 툴은 각각의 결함 후보가 DOI인지 여부에 대한 정보를 제공하는 표지 데이터를 제공할 수 있고, DOI로 표지된 것들에 대해, 또한 DOI들의 부류들 또는 유형들을 제공할 수 있다. 훈련된 ML 모델이, 여기서 유사한 방식으로 사용될 수 있다.

도 5는 본 개시된 주제의 특정 실시예들에 따른, 훈련된 ML 모델을 사용하는 예시적인 런타임 검사 프로세스의 개략도를 도시한다. 시편의 런타임 이미지(502)는 검사 툴에 의해 취득된다. 런타임 이미지(502)는 처리되도록, 훈련된 ML 모델(504)에 공급된다. ML 모델(504)은 도 2 및 4의 설명에 따라 미리 훈련되었다. 이미지(502)를 처리할 때, ML 모델(504)은 기준 이미지(506)를 출력으로서 제공한다. 런타임 이미지(502)는, 기준 이미지(506)와 함께, 시편에 대한 결함 검사의 목적을 위해 결함 검사 모듈, 예컨대, 예시적인 ADR/ADC 모듈(508)에 제공된다.

특정 실시예들에 따르면, 대안적으로, ML 모델은 무감독 학습에 기초하여 훈련될 수 있다. 무감독 학습은 일반적으로, 표지되지 않은 데이터로부터의 학습 패턴들을 지칭한다. 무감독 학습에서, ML 모델은, 제공된 범주들 또는 표지들이 없더라도, 유사성들 및 차이들에 따라, 분류되지 않은 정보로부터 패턴들을 식별하도록 학습할 것이다. ML 모델은 무감독 학습 모드를 갖는 다양한 모델들, 예컨대, 오토인코더(AE), 변동 오토인코더(VAE), 생성적 대립 신경망(GAN), 및 비전 변환기(ViT)로서 구현될 수 있다.

무감독 학습으로 ML 모델을 훈련시키기 위해, 표지 없는 훈련 세트가 제공될 수 있다. 본 개시내용의 특정 실시예들에 따르면, 복수의 결함 없는 이미지들을 포함하는 훈련 세트가 (예를 들어, PMC(102)의 훈련 세트 생성기(104)에 의해) 생성될 수 있다. 위에서 설명된 바와 같이, 결함 없는 이미지는, 결함 있는 피처들이 없거나 임의의 결함 있는 피처들을 포함하지 않을 확률이 높은 깨끗한 이미지를 지칭한다. 결함 없는 이미지들은 시편의 "실세계" 이미지들로부터 수집될 수 있거나, 대안적으로, 이미지들의 적어도 일부는 위에서 설명된 바와 같이 시편의 설계 데이터에 기초하여 모의될 수 있다.

예로서, 무감독 학습에서, ML 모델은 오토인코더(AE) 또는 그의 변형들(예를 들어, VAE)로서 구현될 수 있다. 오토인코더는 효율적인 데이터 코딩을 학습하고 그의 입력들을 재구성함으로써(예를 들어, 입력과 출력 사이의 차이를 최소화함) 데이터 재생의 목적을 위해 일반적으로 사용되는 신경망의 유형이다. 오토인코더는 입력 계층, 출력 계층, 및 이들을 연결하는 하나 이상의 은닉 계층을 갖는다. 일반적으로, 오토인코더는 2개의 부분들, 즉, 인코더 및 디코더를 포함하는 것으로 간주될 수 있다. 오토인코더는 입력 계층으로부터의 데이터를 짧은 코드로 압축하고(즉, 인코더 부분), 그 다음, 그 코드를 원래의 데이터에 밀접하게 매칭하는 출력으로 압축해제하도록(즉, 디코더 부분) 학습한다. 인코더의 출력은, 입력 이미지를 나타내는, 코드, 잠재 변수들, 또는 잠재적 표현으로 지칭된다. 코드는 디코더의 은닉 계층들을 통과할 수 있고, 출력 계층의 입력 이미지에 대응하는 출력 이미지로 재구성될 수 있다.

훈련 세트의 각각의 입력 결함 없는 이미지에 대해, 오토인코더는 입력 이미지와 비교함으로써 평가될 수 있는 대응하는 출력 이미지를 재구성하기 위해, 입력 이미지를 나타내는 피처들을 추출하고, 대표적인 피처들을 사용할 수 있다. 오토인코더는 입력 훈련 이미지들의 대표적인 피처들을 학습하도록 훈련되고 최적화된다(예를 들어, 피처들은 훈련 이미지들의, 예를 들어, 구조적 요소들, 패턴들, 픽셀 분포 등을 나타낼 수 있다). 훈련 이미지들이 결함 없는 이미지들이므로, 오토인코더는 결함 없는 이미지들의 특징들 및 정상 패턴들의 분포를 학습하도록 훈련된다.

일단 오토인코더가 훈련 세트에 기초하여 훈련되면, 훈련된 오토인코더는, 각각의 런타임 이미지에 대해, 그의 잠재적 표현에 기초하여 입력에 밀접하게 매칭되는 재구성된 출력 이미지를 생성할 수 있다. 오토인코더는 결함 없는 이미지들만으로 훈련되기 때문에, 훈련 동안 관찰되지 않은 이상 패턴들(결함 있는 패턴들)을 재구성하지 못할 것이다. 런타임 이미지가 결함 있는 이미지인 경우들에서, 오토인코더는 결함 있는 이미지의 대응하는 결함 없는 이미지를 재구성할 것이다. 그러므로, 훈련된 오토인코더는 런타임 이미지에 대한 기준 이미지를 생성하기 위해 런타임으로 사용될 수 있다.

그러나, 일부 경우들에서, 특정 오토인코더들은 높은 일반화 능력을 제공할 수 있고, 그러므로, 출력 이미지에서 결함 있는 피처들 중 일부를 어떻게든 재구성할 수 있다. 이는 위의 가정을 위반하고, 결함 검사의 목적을 위해, 생성된 기준 이미지를 사용할 때, 결함 있는 피처들을 결함 없는 피처들과 구별불가능하게 한다.

그러한 경우들에서, 위에서 설명된 바와 같은 인페인팅 기법이 이미지 재구성을 위해 사용될 수 있다. 이미지 인페인팅은 이미지의 누락된 부분들을 재구성하는 것을 지칭한다. 예를 들어, 결함 없는 이미지는 그리드를 사용하여 n*n 픽셀들의 크기의 하위 영역들의 세트로 분할될 수 있다. 그 다음, 하위 영역들의 세트는 m개의 분리된 하위세트들로 무작위로 분할된다. 각각의 하위세트에 대해, 그 하위세트에 속하는 하위 영역들이, 결함 없는 이미지로부터 제거되고, 그에 의해, 하위 영역들의 제거된 하위세트를 각각 갖는 m개의 결함 없는 하위 이미지들을 초래한다.

각각의 결함 없는 하위 이미지에 대해, ML 모델은 결함 없는 하위 이미지의 제거된 하위 영역들을 재구성하기 위해 인페인팅 네트워크로서 작용하고, 대응하는 입력 하위 이미지에서 누락된 재구성된 하위 영역들을 포함하는 출력 하위 이미지를 생성한다. 누락 하위 영역들은, 이러한 영역들에서의 원래의 픽셀들을 제외하고, 그들의 직접 이웃 픽셀들에만 기초하여 재구성된다. 그러므로, (정상 피처들을 포함하는) 그의 이웃 외관을 일반화함으로써 결함 있는 피처를 재구성할 가능성은 매우 낮다. 추가적으로, ML 모델이 결함 없는 이미지들만을 사용하여 훈련되므로, 결함 없는 영역들의 재구성은 매우 잘 모델링된다. 그러므로, 인페인팅 네트워크를 사용하는 것은 정상 패턴들의 재구성 성능을 개선할 수 있고, 그에 의해, 재구성된 이미지들을 사용하여 결함 있는 피처들의 검출 능력을 증가시킨다.

인식된 바와 같이, 반도체 시편들 상의 결함들은 물체들 상의 전형적인 비정상들에 대해 상이한 특징들을 갖는다. 예를 들어, 결함들은 전형적으로, 크기가 작고, 종종, 정상 패턴들의 것과 유사한 외관을 나타낼 수 있다. 일부 경우들에서, 위에서 설명된 바와 같이 인페인팅 네트워크를 사용하더라도, 결함들 중 일부는 네트워크에 의해 여전히 재구성될 수 있고(예를 들어, 이미지를 제거된 하위 영역들을 갖는 하위 이미지들로 무작위로 분할할 때 결함 있는 피처가 완전히 제거되지 않을 수 있음), 따라서 결함 검출 안정성 및 정확도에 영향을 미친다.

비교하면, 도 2 및 4와 관련하여 위에서 설명된 바와 같이, 결함 있는 이미지 및 결함 없는 이미지의 훈련 이미지 쌍들을 사용하여 감독 학습으로 ML 모델을 훈련시키는 것은, 제공된 실측 정보 데이터에 기초하여 ML 모델이 학습하고 분류하는 것을 가능하게 하고, 따라서, 무감독 학습이 측정될 수 없는 방식으로 감독 학습 출력들의 정확도가 검증되는 것을 허용한다. 구체적으로 구성된 훈련 세트를 사용하는 제안된 감독 학습은 예측 성능의 정확도 및 안정성을 보장할 수 있고, 따라서, 하류의 결함 검사를 향상시키는 데 사용가능한 만족스러운 기준 이미지를 생성한다.

한편, 무감독 학습은 데이터에서 이전에 알려지지 않은 패턴들을 식별할 수 있다. 무감독 학습은 훈련 입력들을, 감독 학습이 요구하고, 일부 경우들에서는 달성하기가 매우 어려울 수 있는, 표지 데이터와 연관시키는 것을 요구하지 않기 때문에, 감독 학습보다 사용하기 더 쉽고, 더 빠르고, 비용이 덜 들 수 있다. 예를 들어, 결함 있는 이미지들은 결함 없는 이미지들과 비교하여 상대적으로 드물다. 훈련 데이터로서 결함 없는 이미지들만을 사용하는 것은, 대응하는 결함 있는 및 결함 없는 이미지들을 포함하는 이미지 쌍들을 준비하는 것과 비교하여, 데이터 준비를 훨씬 더 쉽게 만들 수 있다.

CNN, 오토인코더 또는 인페인팅 네트워크의 상기 예들은 단지 예로서 예시의 목적들을 위해 설명되고, 어떤 식으로든 본 개시내용을 제한하는 것으로 간주되어서는 안 된다는 것을 주목해야 한다. 감독 및 무감독 모델들의 다른 유형들이 상기 내용에 추가적으로 또는 상기 내용 대신에 사용될 수 있다.

본 개시내용에 예시된 예들, 예컨대, 예를 들어, 전처리 기법들, 이미지 정합, 잡음 여과 및/또는 이미지 증강을 위한 예시적인 알고리즘들, 예시적인 이미지 모의 기법들 등은 예시적인 목적들을 위해 예시되며, 어떠한 방식으로든 본 개시내용을 제한하는 것으로 간주되어서는 안 된다는 점을 주목해야 한다. 다른 적절한 예들/구현들이 상기 내용에 추가적으로 또는 상기 내용 대신에 사용될 수 있다.

본원에 설명된 바와 같은 본 개시된 주제의 특정 실시예들의 장점들 중에는, 실제 기준 이미지의 추가적인 이미지 취득 대신에, 런타임 이미지에 대한 합성 기준 이미지를 생성할 수 있고, 결함 검사 동작들을 수행하기 위해, 생성된 기준 이미지를 사용할 수 있는 기계 학습 모델이 제공된다는 것이 있다. 제안된 시스템은 검사 툴의 이미지 취득 시간을 상당히 감소시킨다.

추가적으로, ML 모델에 선행하는 별개의 전처리 모듈로서 또는 ML 모델 자체의 고유한 부분으로서 구현되는, 훈련 이미지 쌍들의 전처리는 이미지 쌍 사이의 이미지 정합 및/또는 잡음 여과를 가능하게 한다. ML 모델에 의해 예측된 바와 같은 기준 이미지는 런타임 이미지와의 개선된 정렬을 갖는 것으로 가정되고, 런타임 이미지의 것과 유사한 잡음 수준들을 공유한다. 이로써 생성된 기준 이미지를 사용하는 것은, 런타임 이미지 및 고유한 오정렬 및 변동들을 소유하는 개별적으로 취득된 기준 이미지를 처리하기 위해 이전에 요구된 바와 같은 이미지 전처리 노력들을 감소시킬 수 있다. 결함 검사에서 그러한 생성된 기준 이미지를 사용하는 것은 결함 검출 처리량을 개선할 뿐만 아니라, 검출 감도를 증가시킨다.

본원에 설명된 바와 같은 본 개시된 주제의 특정 실시예들의 추가의 장점들 중에는, 결함 있는 이미지 및 결함 없는 이미지의 특정하게 구성된 훈련 이미지 쌍들을 사용하여 감독 학습으로 ML 모델을 훈련시키고, 이는 모델의 예측 성능의 정확도 및 안정성을 보장하며, 따라서, 하류의 결함 검사를 향상시키는 데 사용가능한 만족스러운 기준 이미지를 제공하는 것이 있다.

본원에서 설명되는 바와 같은 본 개시된 주제의 특정 실시예들의 추가의 장점들 중에는, 모의된 결함 있는 이미지들 및/또는 결함 없는 이미지들을 포함하는, ML 모델을 훈련시키기 위한 충분한 훈련 데이터를 생성하는 것이 있다. 이미지 모의는 하나 이상의 물리적 프로세스, 예컨대, 시편의 제조 프로세스 및/또는 검사 프로세스에 의해 야기되는 하나 이상의 효과/변동을 고려할 수 있고, 따라서, 제어된 양의 편차로 훈련 데이터의 다양성을 증가시킨다.

본 개시내용은 본 출원에서, 본원에 포함된 설명에 제시되거나 도면들에 예시된 세부사항들로 제한되지 않는다는 것을 이해해야 한다.

또한, 본 개시내용에 따른 시스템은, 적어도 부분적으로, 적절히 프로그래밍된 컴퓨터 상에 구현될 수 있다는 것을 이해할 것이다. 마찬가지로, 본 개시내용은, 본 개시내용의 방법을 실행하기 위해, 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 개시내용은, 본 개시내용의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능한 메모리를 더 고려한다.

본 개시내용은 다른 실시예들이 가능하고, 다양한 방식들로 실시되거나 수행될 수 있다. 그러므로, 본원에서 채용되는 어법 및 용어는 설명의 목적을 위한 것이며 제한으로서 간주되어서는 안 된다는 점을 이해해야 한다. 이로써, 관련 기술분야의 통상의 기술자는, 본 개시내용이 기초로 하는 개념이, 본 개시된 주제의 몇몇 목적을 수행하기 위한 다른 구조들, 방법들 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있음을 이해할 것이다.

관련 기술분야의 통상의 기술자는, 다양한 수정들 및 변경들이, 본 개시내용의 범위로부터 벗어나지 않고 앞서 설명되고 첨부된 청구항들에서 그리고 청구항들에 의해 정의된 바와 같이 본 개시내용의 실시예들에 적용될 수 있다는 것을 용이하게 이해할 것이다.

Claims (20)

1. 반도체 시편에 대한 결함 검사를 위한 컴퓨터화된 시스템으로서,
   처리 및 메모리 회로(PMC)
   를 포함하고, 상기 처리 및 메모리 회로(PMC)는:
   상기 반도체 시편의 런타임 이미지를 획득하고;
   기계 학습(ML) 모델을 사용하여 상기 런타임 이미지에 기초하여 기준 이미지를 생성하고 - 상기 ML 모델은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정(setup) 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함하고, 상기 훈련은, 각각의 쌍에 대해:
   예측된 이미지를 획득하기 위해 상기 ML 모델에 의해 상기 결함 있는 이미지를 처리하는 것; 및
   상기 예측된 이미지와 상기 결함 없는 이미지 사이의 차이를 최소화하기 위해 상기 ML 모델을 최적화하는 것을 포함함 -;
   상기 생성된 기준 이미지를 사용하여 상기 런타임 이미지에 대해 결함 검사를 수행하도록
   구성되는, 컴퓨터화된 시스템.
2. 제1항에 있어서,
   상기 ML 모델은 결함 있는 이미지들 및 결함 없는 이미지들의 2개의 모집단들(populations) 사이의 비선형 맵핑을 학습하도록 구성된 심층 신경망(DNN)인, 컴퓨터화된 시스템.
3. 제1항에 있어서,
   각각의 쌍에서의 상기 결함 있는 이미지는: 검사 툴에 의해 취득되고 결함 있는 피처(defective feature)를 포함하는 것으로서 검증된 상기 반도체 시편의 실제 이미지, 또는 결함 없는 이미지 상에 결함 있는 피처를 합성적으로 주입하는 것에 의한 모의된 이미지 중 하나이고, 각각의 쌍에서의 상기 대응하는 결함 없는 이미지는: 검사 툴에 의해 취득되고 결함 있는 피처를 포함하지 않는 것으로서 검증된 상기 반도체 시편의 실제 이미지, 또는 상기 반도체 시편의 설계 데이터에 기초하여 생성된 모의된 이미지 중 하나인, 컴퓨터화된 시스템.
4. 제1항에 있어서,
   각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지는 상기 결함 있는 이미지 및 상기 결함 없는 이미지 간의 오정렬을 보정하기 위해 이들을 정합(registering)함으로써 상기 훈련 전에 전처리되는, 컴퓨터화된 시스템.
5. 제1항에 있어서,
   각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지는 상기 시편의 하나 이상의 물리적 프로세스에 의해 야기되는 변동들을 나타내는 잡음들을 감소시키기 위해 상기 결함 있는 이미지 및 상기 결함 없는 이미지에 대해 잡음 여과를 수행함으로써 상기 훈련 전에 전처리되는, 컴퓨터화된 시스템.
6. 제1항에 있어서,
   각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지는 인페인팅(inpainting)을 사용하여 상기 결함 있는 이미지 및 상기 결함 없는 이미지에 대해 이미지 증강을 수행함으로써 상기 훈련 전에 전처리되고, 상기 결함 없는 이미지의 각각의 부분들에 대응하는 다수의 결함 있는 하위 이미지들을 생성하는, 컴퓨터화된 시스템.
7. 제1항에 있어서,
   각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지는 상기 결함 있는 이미지 및 상기 결함 없는 이미지에 대해 이미지 정합, 잡음 여과 및 이미지 증강을 수행함으로써 상기 훈련 전에 전처리되는, 컴퓨터화된 시스템.
8. 제1항에 있어서,
   상기 ML 모델은 DNN에 선행하는 적어도 하나의 학습 모듈을 포함하고, 상기 적어도 하나의 학습 모듈은 상기 DNN에 의해 처리되기 전에 각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지에 대해 이미지 정합 및 잡음 여과 중 적어도 하나를 수행하도록 훈련되는, 컴퓨터화된 시스템.
9. 제1항에 있어서,
   상기 ML 모델은, 평균 제곱 오차(Mean squared error)(MSE), 절대차의 합(Sum of absolute difference)(SAD), 구조적 유사성 인덱스 측정(structural similarity index measure)(SSIM), 및 에지 보존 손실 함수로부터 선택되는 손실 함수를 사용하여 최적화되는, 컴퓨터화된 시스템.
10. 제1항에 있어서,
    상기 결함 검사는 결함 검출, 결함 검토, 및 결함 분류 중 하나인, 컴퓨터화된 시스템.
11. 제1항에 있어서,
    상기 생성된 기준 이미지는 상기 런타임 이미지와의 개선된 정렬을 갖고 상기 런타임 이미지와 유사한 잡음 수준들을 공유하며, 상기 PMC는, 상기 반도체 시편 상의 결함 분포를 나타내는 결함 검사 결과를 획득하기 위해 상기 런타임 이미지를 상기 생성된 기준 이미지와 직접 비교함으로써 결함 검사를 수행하도록 구성되는, 컴퓨터화된 시스템.
12. 반도체 시편에 대한 결함 검사의 컴퓨터화된 방법으로서,
    상기 반도체 시편의 런타임 이미지를 획득하는 단계;
    기계 학습(ML) 모델을 사용하여 상기 런타임 이미지에 기초하여 기준 이미지를 생성하는 단계 - 상기 ML 모델은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함하고, 상기 훈련은, 각각의 쌍에 대해:
    예측된 이미지를 획득하기 위해 상기 ML 모델에 의해 상기 결함 있는 이미지를 처리하는 것; 및
    상기 예측된 이미지와 상기 결함 없는 이미지 사이의 차이를 최소화하기 위해 상기 ML 모델을 최적화하는 것을 포함함 -; 및
    상기 생성된 기준 이미지를 사용하여 상기 런타임 이미지에 대해 결함 검사를 수행하는 단계
    를 포함하는, 컴퓨터화된 방법.
13. 제12항에 있어서,
    각각의 쌍에서의 상기 결함 있는 이미지는: 검사 툴에 의해 취득되고 결함 있는 피처를 포함하는 것으로서 검증된 상기 반도체 시편의 실제 이미지, 또는 결함 없는 이미지 상에 결함 있는 피처를 합성적으로 주입하는 것에 의한 모의된 이미지 중 하나이고, 각각의 쌍에서의 상기 대응하는 결함 없는 이미지는: 검사 툴에 의해 취득되고 결함 있는 피처를 포함하지 않는 것으로서 검증된 상기 반도체 시편의 실제 이미지, 또는 상기 반도체 시편의 설계 데이터에 기초하여 생성된 모의된 이미지 중 하나인, 컴퓨터화된 방법.
14. 제12항에 있어서,
    각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지는 상기 결함 있는 이미지 및 상기 결함 없는 이미지 간의 오정렬을 보정하기 위해 이들을 정합함으로써 상기 훈련 전에 전처리되는, 컴퓨터화된 방법.
15. 제12항에 있어서,
    각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지는 상기 시편의 하나 이상의 물리적 프로세스에 의해 야기되는 변동들을 나타내는 잡음들을 감소시키기 위해 상기 결함 있는 이미지 및 상기 결함 없는 이미지에 대해 잡음 여과를 수행함으로써 상기 훈련 전에 전처리되는, 컴퓨터화된 방법.
16. 제12항에 있어서,
    각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지는 인페인팅을 사용하여 상기 결함 있는 이미지 및 상기 결함 없는 이미지에 대해 이미지 증강을 수행함으로써 상기 훈련 전에 전처리되고, 상기 결함 없는 이미지의 각각의 부분들에 대응하는 다수의 결함 있는 하위 이미지들을 생성하는, 컴퓨터화된 방법.
17. 제12항에 있어서,
    상기 ML 모델은 DNN에 선행하는 적어도 하나의 학습 모듈을 포함하고, 상기 적어도 하나의 학습 모듈은 상기 DNN에 의해 처리되기 전에 각각의 쌍에서의 상기 결함 있는 이미지 및 상기 결함 없는 이미지에 대해 이미지 정합 및 잡음 여과 중 적어도 하나를 수행하도록 훈련되는, 컴퓨터화된 방법.
18. 제12항에 있어서,
    상기 결함 검사는 결함 검출, 결함 검토, 및 결함 분류 중 하나인, 컴퓨터화된 방법.
19. 제12항에 있어서,
    상기 생성된 기준 이미지는 상기 런타임 이미지와의 개선된 정렬을 갖고 상기 런타임 이미지와 유사한 잡음 수준들을 공유하며, 상기 결함 검사를 수행하는 단계는 상기 반도체 시편 상의 결함 분포를 나타내는 결함 검사 결과를 획득하기 위해 상기 런타임 이미지를 상기 생성된 기준 이미지와 직접 비교하는 단계를 포함하는, 컴퓨터화된 방법.
20. 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능한 저장 매체로서,
    상기 명령어들은, 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금 반도체 시편에 대한 결함 검사의 방법을 수행하게 하고, 상기 방법은:
    상기 반도체 시편의 런타임 이미지를 획득하는 단계;
    기계 학습(ML) 모델을 사용하여 상기 런타임 이미지에 기초하여 기준 이미지를 생성하는 단계 - 상기 ML 모델은 훈련 이미지들의 하나 이상의 쌍을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 각각의 쌍은 결함 있는 이미지 및 대응하는 결함 없는 이미지를 포함하고, 상기 훈련은, 각각의 쌍에 대해:
    예측된 이미지를 획득하기 위해 상기 ML 모델에 의해 상기 결함 있는 이미지를 처리하는 것; 및
    상기 예측된 이미지와 상기 결함 없는 이미지 사이의 차이를 최소화하기 위해 상기 ML 모델을 최적화하는 것을 포함함 -; 및
    상기 생성된 기준 이미지를 사용하여 상기 런타임 이미지에 대해 결함 검사를 수행하는 단계
    를 포함하는, 비일시적 컴퓨터 판독가능한 저장 매체.

Images