KR20240038156A

KR20240038156A - E-빔 이미지 향상을 위한 완전 자동화 sem 샘플링 시스템

Info

Publication number: KR20240038156A
Application number: KR1020247008560A
Authority: KR
Inventors: 웬티안 조우; 리앙지앙 유; 텡 왕; 링링 푸; 웨이 팡
Original assignee: 에이에스엠엘 네델란즈 비.브이.
Priority date: 2018-12-31
Filing date: 2019-12-17
Publication date: 2024-03-22
Also published as: KR102649132B1; TW202042273A; TWI738157B; US11769317B2; CN113272820A; IL284031A; US20240046620A1; JP2022515353A; KR20210094022A; JP7232911B2; TW202143281A; US20200211178A1; WO2020141072A1

Abstract

이미지 품질을 개선하는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하는 방법이 본원에 개시된다. 방법은 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃과 관련된 데이터의 복수의 패턴들을 분석하는 단계를 포함할 수 있다. 방법은, 복수의 트레이닝 위치들 각각에 대해 제1 품질을 갖는 제1 이미지를 획득하는 단계, 및 복수의 트레이닝 위치들의 각각에 대해, 제1 품질보다 더 높은 제2 품질을 갖는 제2 이미지를 획득하는 단계를 포함할 수 있다. 방법은 기계 학습 모델을 트레이닝하기 위해 제1 이미지 및 제2 이미지를 사용하는 단계를 포함할 수 있다.

Description

E-빔 이미지 향상을 위한 완전 자동화 SEM 샘플링 시스템{Fully automated SEM sampling system for e-beam image enhancement}

관련 출원에 대한 교차 참조

본 출원은 2018년 12월 31일에 출원된 미국 출원 62/787,031의 우선권을 주장하며, 이는 그 전문이 본원에 참조로 포함된다.

기술 분야

본 개시내용은 일반적으로 이미지 획득 및 이미지 향상 방법들을 위한 시스템들에 관한 것으로, 더 상세하게는, 이미지 품질을 개선하는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득함으로써 계측을 개선하기 위한 시스템들 및 방법들에 관한 것이다.

집적 회로(IC)를 제조하는 데 사용되는 제조 공정에서, 미완성 또는 완성된 회로 컴포넌트는 설계에 따라 제조되고 결함이 없는 것을 보장하도록 검사된다. 광학 현미경 또는 하전 입자(예를 들어, 전자) 빔 현미경, 예컨대 주사 전자 현미경(SEM)을 이용하는 검사 시스템이 사용될 수 있다. IC 컴포넌트의 물리적 크기가 계속 축소됨에 따라, 결함 검출에서의 정확도 및 수율이 점점 더 중요해진다. 그러나, 검사 툴들의 이미징 해상도 및 스루풋은 IC 컴포넌트들의 계속 감소하는 피처 크기와 보조를 맞추기 위하여 노력한다. 당업계에서의 추가의 개선이 요구된다.

다음은 하나 이상의 양태들의 기본적인 이해를 제공하기 위해 이러한 양태들의 간략화된 요약을 제시한다. 이 요약은 모든 고려되는 양태들의 광범위한 개관이 아니며, 모든 양태들의 핵심 또는 중요 엘리먼트들을 식별하거나 임의의 또는 모든 양태들에 대한 범위를 기술하도록 의도되지 않는다. 그 유일한 목적은 이후에 제시되는 더 상세한 설명에 대한 서론으로서 간략화된 형태로 하나 이상의 양태들의 일부 개념들을 제시하는 것이다.

본 개시의 일 양태에서, 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하는 방법이 제공된다. 방법은 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃과 관련된 데이터의 복수의 패턴들을 분석하는 단계를 포함할 수 있다. 방법은, 복수의 트레이닝 위치들 각각에 대해 제1 품질을 갖는 제1 이미지를 획득하는 단계, 및 복수의 트레이닝 위치들 각각에 대해, 제1 품질보다 더 높은 제2 품질을 갖는 제2 이미지를 획득하는 단계를 포함할 수 있다. 방법은 기계 학습 모델을 트레이닝하기 위해 제1 이미지 및 제2 이미지를 사용하는 단계를 포함할 수 있다.

본 개시의 다른 양태에서, 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하기 위한 장치가 제공된다. 장치는 메모리, 및 메모리에 커플링된 하나 이상의 프로세서들을 포함할 수도 있다. 프로세서(들)는 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃과 관련된 데이터의 복수의 패턴들을 분석하도록 구성될 수 있다. 프로세서(들)는 복수의 트레이닝 위치들 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하고, 복수의 트레이닝 위치들 각각에 대해 제2 품질을 갖는 제2 이미지를 획득하도록 추가로 구성될 수 있고, 제2 품질은 제1 품질보다 더 높다. 프로세서(들)는 기계 학습 모델을 트레이닝하기 위해 제1 이미지 및 제2 이미지를 사용하도록 추가로 구성될 수 있다.

본 개시의 다른 양태에서, 디바이스의 제어기에 의해 실행가능하여 디바이스로 하여금 방법을 수행하게 하는 명령들의 세트를 저장하는 비일시적 컴퓨터 판독가능 매체가 제공되며, 이 방법은, 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃에 관한 데이터의 복수의 패턴들을 분석하는 단계; 복수의 트레이닝 위치들 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계; 복수의 트레이닝 위치들 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계 - 제2 품질은 제1 품질보다 높음 -; 및 기계 학습 모델을 트레이닝하기 위해 제1 이미지 및 제2 이미지들을 사용하는 단계를 포함한다.

본 개시의 다른 양태에서, 전자 빔 검사 장치가 제공되고, 전자 빔 검사 장치는 동 장치로 하여금 다음을 수행하게 하는 회로를 갖는 제어기를 포함하며, 다음은: 제품의 레이아웃에 관한 데이터의 복수의 패턴을 분석하여, 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치를 식별하는 단계; 복수의 트레이닝 위치 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계; 복수의 트레이닝 위치 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계 - 제2 품질은 제1 품질보다 높음 -; 및 기계 학습 모델의 트레이닝을 위해 제1 이미지 및 제2 이미지를 사용하는 단계를 포함한다.

전술한 목적 및 관련된 목적을 달성하기 위해, 실시예들의 양태들은 이하에서 설명되고 특히 청구항들에서 지적되는 특징들을 포함한다. 다음의 설명 및 첨부된 도면들은 하나 이상의 양태들의 특정한 예시적인 특징들을 상세히 제시한다. 그러나, 이러한 특징들은 다양한 양태들의 원리들이 이용될 수 있는 다양한 방식들 중 단지 몇몇만을 나타내며, 이러한 설명은 모든 이러한 양태들 및 이들의 등가물들을 포함하도록 의도된다.

도 1은 SEM 샘플링 시스템에 의해 획득된 이미지들을 개선하기 위한 프로세스의 흐름도이다.
도 2는 본 개시의 일부 양태들에 따른 자동 SEM 샘플링 시스템의 예를 예시하는 블록도이다.
도 3은 본 개시의 일부 양태들에 따른 전자 빔 검사(EBI) 시스템의 일 예를 예시하는 개략도이다.
도 4는 본 개시의 일부 양태들에 따른, 도 3의 예시적인 전자 빔 검사(EBI) 시스템의 일부일 수 있는 전자 빔 툴의 예를 예시하는 개략도이다.
도 5a 내지 도 5c는 본 개시의 일부 양태들에 따른 제품의 그래픽 데이터베이스 시스템(GDS)의 복수의 설계 패턴들을 예시한다.
도 5d는 본 개시의 일부 양태들에 따른 복수의 트레이닝 위치들을 예시하는 다이어그램이다.
도 6a는 본 개시의 일부 양태들에 따른, 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하는 방법의 일 예를 예시하는 흐름도이다.
도 6b는 본 개시의 일부 양태들에 따른 자동 SEM 샘플링 시스템의 상세들을 예시하는 블록도이다.
도 7은 본 개시의 일부 양태들에 따른, 이미지 품질을 향상시키는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하는 방법의 일 예를 예시하는 블록도이다.

이제 실시예들의 예시적인 양태들을 상세히 참조할 것이며, 그 예들은 첨부 도면들에 예시된다. 이하의 설명은 상이한 도면들에서 동일한 번호들이 달리 표현되지 않는 한 동일하거나 유사한 요소들을 나타내는 첨부 도면들을 참조한다. 실시예들의 예시적인 양태들의 다음의 설명에서 설명되는 구현들은 본 발명에 따른 모든 구현들을 나타내지 않는다. 대신에, 이들은 단지 청구항들에서 언급된 바와 같은 본 발명에 관련된 실시예들의 양태들과 일치하는 장치들 및 방법들의 예들일 뿐이다. 예를 들어, 실시예들의 일부 양태들이 웨이퍼 이미지의 생성을 위해 주사 전자 현미경(SEM)과 같은 전자 빔 검사(EBI) 시스템을 이용하는 맥락에서 설명되지만, 본 개시내용은 그렇게 제한되지 않는다. 다른 유형의 검사 시스템 및 이미지 생성 시스템이 유사하게 적용된다.

전자 디바이스들의 향상된 컴퓨팅 전력은, 디바이스들의 물리적 사이즈를 감소시키면서, IC 칩 상의 트랜지스터들, 커패시터들, 다이오드들 등과 같은 회로 컴포넌트들의 패킹 밀도를 상당히 증가시킴으로써 달성될 수 있다. 예를 들어, 스마트폰에서, IC 칩(이는 썸네일의 크기임)은 20억개 이상의 트랜지스터를 포함할 수 있고, 각각의 트랜지스터의 크기는 인간 모발의 1/1000 미만이다. 놀랍게도, 반도체 IC 제조는 수백 개의 개별 단계들을 갖는 복잡한 프로세스이다. 심지어 하나의 단계에서의 에러는 최종 생성물의 기능에 극적으로 영향을 미칠 가능성을 갖는다. 심지어 하나의 "킬러 결함"이 디바이스 고장을 야기할 수 있다. 제조 공정의 목적은 공정의 전체 수율을 개선하는 것이다. 예를 들어, 75% 수율을 얻기 위한 50-단계 공정에 대해, 각각의 개별 단계는 99.4% 초과의 수율을 가져야 하고, 개별 단계 수율이 95%인 경우, 전체 공정 수율은 7%로 떨어진다.

반도체 제조 프로세스의 다양한 단계들에서, 패턴 결함들은 웨이퍼, 칩, 또는 마스크 중 적어도 하나 상에 나타날 수 있으며, 이는 제조된 반도체 디바이스가 고장나게 할 수 있고, 이에 의해 수율을 크게 감소시킬 수 있다. 반도체 디바이스 크기가 (임의의 결함과 함께) 계속해서 더 작아짐에 따라, 결함을 식별하는 것은 더 도전적이고 비용이 많이 든다. 현재, 반도체 제조 라인에서의 엔지니어들은 최종 제품에 대한 영향을 최소화하기 위해 작은 검출의 위치를 식별하기 위해 보통 몇 시간(및 심지어 때때로 수일)을 소비한다.

종래의 광학 검사 기술들은 작은 결함들(예를 들어, 나노미터 스케일 결함들)을 검사하는 데 효과적이지 않다. 고해상도 및 초점 심도가 큰 SEM과 같은 진보된 전자 빔 검사(EBI) 툴이 반도체 산업에서의 필요성을 충족시키기 위해 개발되었다. E-빔 이미지들은, 특히 광학 검사가 충분한 정보를 제공하지 못하는 더 진보된 노드들에 대해, 반도체 제조 프로세스들을 모니터링하는데 사용될 수 있다.

E-빔 이미지는 콘트라스트, 밝기, 노이즈 레벨 등과 같은 하나 이상의 품질에 따라 특성화될 수 있다. 일반적으로, 저품질 이미지들은 종종 더 적은 파라미터 튜닝 및 더 적은 스캔들을 요구하지만, (결함 타입들 및 위치들과 같은) 저품질 이미지들에 임베딩된 정보는 추출하기 어렵고, 이는 분석들에 부정적인 영향을 미칠 수 있다. 이러한 문제를 겪지 않는 고품질 이미지는 증가된 수의 스캔에 의해 얻어질 수 있다. 그러나, 고품질 이미지는 낮은 스루풋을 가질 수 있다.

또한, E-빔 이미지 획득 절차는 관심 패턴을 식별하는 것, 검사를 위한 스캐닝 영역들을 설정하는 것, SEM 조건들을 튜닝하는 것, 품질 향상 방법들을 결정하는 것 등과 같은 많은 단계들을 거칠 수 있다. 이들 세팅들 및 파라미터들 중 다수는 시스템 스루풋 및 E-빔 이미지 품질 둘 다에 기여하는 인자들이다. 스루풋과 이미지 품질 사이에 트레이드-오프가 존재할 수도 있다.

고품질 이미지들을 획득하고 동시에 높은 스루풋을 달성하기 위해, 운영자는 일반적으로 많은 파라미터들을 설정하고 이미지들이 어떻게 획득되어야 하는지에 관한 결정을 내릴 필요가 있다. 그러나, 이들 파라미터들을 결정하는 것은 종종 간단하지 않다. 가능한 오퍼레이터-대-오퍼레이터 변동을 최소화하기 위해, 기계 학습 기반 강화 방법들은 강화 프레임워크/네트워크를 학습하도록 트레이닝될 수 있다. 이러한 경우에, 충분한 대표적인 트레이닝 샘플의 획득은 트레이닝된 시스템의 최종 성능을 증가시키는데 유리하다. 그러나, SEM 이미지 샘플들을 획득하기 위한 일반적인 절차들은 스캐닝을 위한 적절한 설계 패턴들을 탐색하는 것, 수집할 이미지들의 수 및 다양한 이미징 조건들을 결정하는 것 등을 포함하는 상당한 인간 개입을 요구한다. 이러한 집중적인 인간 관여는 진보된 기계 학습 기반 강화 방법의 완전한 이용을 방해한다. 따라서, E-빔 이미지 품질 향상을 위한 완전히 자동화된 스마트 샘플링 시스템을 개발할 필요가 있다.

무엇보다도, 이미지 품질을 개선하는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하는 장비, 및 장비에 의해 사용되는 방법들이 본원에 개시된다. 반도체 제조 공정들에 있어서, 전자-빔(E-빔) 이미징은 매우 작은 결함(예를 들어, 나노미터가 0.000000001 미터인 나노미터 스케일 결함)을 검사하는데 중요한 역할을 한다. 일반적으로, 많은 비교적 낮은 품질의 E-빔 이미지를 매우 신속하게 획득하는 것이 가능하지만, 이미지는 결함 유형 및 위치와 같은 문제에 대한 충분한 유용한 정보를 제공하지 못할 수 있다. 다른 한편으로, 고품질 이미지들을 획득하는 것이 가능하지만, 그렇게 하는 것은 더 많은 시간이 걸리고 따라서 디바이스들이 분석될 수 있는 속도를 감소시킨다. 이는 제조 비용을 증가시킨다. 샘플들은, 예컨대 다수의 이미지들에 대한 평균화에 의해 잡음을 감소시킴으로써 이미지 품질을 개선하기 위해 수 회 스캐닝될 수 있다. 그러나, 각각의 샘플을 수 회 스캔하는 것은 시스템 스루풋을 감소시키고 전하 축적을 유발하거나 샘플을 손상시킬 수 있다.

본 명세서에 개시된 시스템들 및 방법들 중 일부는, 일부 실시예들에서, 기계 학습(ML) 알고리즘을 위한 트레이닝 이미지들을 생성하기 위해 사용할 샘플 위치들을 자동으로 선택함으로써, 샘플의 감소된 수의 스캔들로 고품질 이미지들을 달성하는 방법들을 구현한다. 용어 "품질"은 해상도, 콘트라스트, 감도, 밝기, 또는 잡음 레벨 등을 지칭한다. 본원에 개시된 시스템들 및 방법들 중 일부는 생산을 과도하게 느리게 하지 않으면서 더 높은 품질의 이미지들의 이점을 획득할 수도 있다. 시스템들의 일부 실시예들은, 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 다수의 트레이닝 위치들을 식별하기 위해, 제품의 레이아웃과 관련된 데이터의 복수의 패턴들을 자동으로 분석할 수 있다. 데이터의 패턴들은 제품의 SEM 이미지들, 또는 레이아웃 설계(예를 들어, 제품의 GDS(graphics database system), OASIS(Open Artwork System Interchange Standard), CIF(Caltech Intermediate Format) 등 표현)일 수 있다. 예로서, GDS 분석기는 ML 알고리즘을 트레이닝하기 위해 사용할 샘플 상의 양호한 위치들을 결정하기 위해 사용될 수 있다. 이러한 위치들은 여러 번 스캐닝되어, 이미지들의 자산(asset)이 되며, 이들 중 일부는, 예를 들어, 잡음 평균화로 인해 또는 SEM에 대한 더 높은 해상도 설정을 사용하여, 각각의 스캔에 따라 점진적으로 개선된다. 이러한 이미지들(예를 들어, 더 낮은 품질의 이미지들 및 연관된 더 높은 품질의 이미지들)은 ML 알고리즘을 트레이닝하기 위한 트레이닝 샘플들로서 사용된다. 샘플 상의 다른 위치들은 감소된 횟수로 스캔되고, ML 알고리즘은 이미지를 수정하여 추가 스캔들로 또는 더 높은 해상도 설정을 사용하는 스캔으로 증분적으로 개선하는 방법을 근사화한다.

본 개시는, 특히, 이미지 품질을 개선하는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하는 방법을 제공한다. 방법은 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃과 관련된 데이터의 복수의 패턴들을 분석하는 단계를 포함할 수 있다. 예를 들어, 방법은 제품의 그래픽 데이터베이스 시스템(GDS)으로부터 복수의 패턴들을 분석하는 단계, 및 분석에 기초하여 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하는 단계를 포함할 수 있다.

예로서, 방법은 다수의 트레이닝 위치들 각각에 대한 하나 이상의 저품질 이미지들 및 하나 이상의 고품질 이미지들을 획득할 수 있다. 이 방법은 기계 학습 모델을 트레이닝하기 위해 저품질 이미지(들) 및 고품질 이미지들(들)을 사용할 수 있다. 예를 들어, 기계 학습 모델은 이미지가 저품질 이미지와 고품질 이미지 사이에서 어떻게 변하는지를 학습할 수 있고, 저품질 이미지로부터 고품질 이미지에 근사하는 이미지를 생성하도록 트레이닝될 수 있다 트레이닝 후에, 기계 학습 모델은 제품에 대한 저품질 이미지들로부터 고품질 이미지들을 자동으로 생성하기 위해 사용될 수 있다. 이러한 방식으로, 고품질 이미지들이 신속하게 획득될 수 있다. 또한, 방법은 요구되는 인간의 관리감독의 양을 최소화하고, 그렇지 않으면 상이한 운영자들에 의해 사용될 수 있는 불일치를 방지하고, 다양한 인간 오류를 피할 수 있다. 따라서, 방법은 검사 정확도를 증가시킬 수 있다. 따라서, 방법은 제조 효율을 증가시키고 제조 비용을 감소시킬 수 있다.

예로서, 방법은 증가된 수의 스캔들로 획득된 결과를 근사화하기 위해 이미지를 수정하기 위해 기계 학습 모델을 사용하는 단계를 더 포함할 수 있다. 대략이라는 용어는 품질에 가깝거나 유사한 것을 지칭한다. 예를 들어, 기계 학습 모델을 사용하는 이미지의 품질은 증가된 수의 스캔들로 획득된 이미지로부터의 품질의 5%, 10%, 15%, 또는 20% 이내일 수도 있다.

본 명세서에 개시된 방법들 중 일부는 높은 스루풋으로 고품질 이미지를 생성하는 데 유리하다. 또한, 방법들 중 일부는 최소의 인간 개입, 상이한 오퍼레이터들 및 다양한 인간 에러들로부터의 불일치를 감소 또는 제거함으로써, 검사의 정확도를 증가시킬 것을 요구할 수도 있다. 이러한 방식으로, 제조 효율이 증가될 수 있고 제조 비용이 감소될 수 있다.

일부 개시된 실시예들은 E-빔 이미지 향상을 위한 완전히 자동화된 스마트 E- 빔 이미지 샘플링 시스템을 제공하고, 이는 GDS 패턴 분석기 및 비-파라미터화된 품질 향상 모듈들을 생성하기 위해 기계 학습 품질 향상 시스템에 공급하기 위한 샘플 이미지들 수집용 스마트 검사 샘플링 플래너를 포함한다. 자동화된 스마트 E-빔 이미지 샘플링 시스템은 더 높은 스루풋 모드로부터 수집된 더 낮은 품질의 이미지들을 향상시키기 위해 사용될 수 있다. 자동화된 스마트 E-빔 이미지 샘플링 시스템은 최소 인간 개입을 필요로 하고 검사 및 계측 분석을 위해 높은 스루풋으로 고품질 이미지를 생성하는 데 유리하다. 유리하게는, 자동화된 스마트 E-빔 이미지 샘플링 시스템은 제조 효율을 증가시키고 제조 비용을 감소시킬 수 있다.

도 1은 본 개시내용의 일부 양태들에 따른, SEM 샘플링 시스템(102)에 의해 획득된 이미지들을 개선하기 위한 프로세스의 흐름도(100)이다. 자동화된 스마트 SEM 샘플링 시스템(102)은, 예를 들어, 도 3의 EBI 시스템(300)일 수 있을 것이다. SEM 샘플링 시스템(102)은 이미지 품질을 개선하는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 획득하도록 구성될 수 있다. 자동화된 스마트 SEM 샘플링 시스템(102)은 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃과 관련된 데이터의 복수의 패턴들을 분석하도록 구성될 수 있다. 예를 들어, 데이터는 데이터베이스에 있을 수 있다. 예를 들어, 데이터베이스는 GDS, Open Artwork System Interchange Standard 또는 Caltech Intermediate Form 중 임의의 하나일 수 있다. 예를 들어, GDS는 GDS 및 GDSII 둘 다를 포함할 수 있다. 또한, 자동화된 스마트 SEM 샘플링 시스템(102)은 제품의 그래픽 데이터베이스 시스템(GDS)(101)으로부터 복수의 패턴을 분석하도록 구성된 GDS 패턴 분석기를 포함할 수 있다. 자동화된 스마트 SEM 샘플링 시스템(102)은 분석에 기초하여 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치를 식별하도록 구성된 스마트 검사 샘플링 플래너를 추가로 포함할 수 있다.

자동화된 스마트 SEM 샘플링 시스템(102)은 복수의 트레이닝 위치 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하도록 구성될 수 있다. 예를 들어, 시스템(102)은 복수의 트레이닝 위치들 각각에 대한 제1 이미지를 획득하기 위해 복수의 트레이닝 위치들의 각각에 대해 제1 스캔이 가능하도록 구성될 수 있다. 자동화된 스마트 SEM 샘플링 시스템(102)은 제1 스캔에 기초하여 복수의 트레이닝 위치 각각에 대한 제1 이미지를 획득하도록 구성될 수 있다. 또한, 시스템(102)은 복수의 트레이닝 위치 각각에 대해 제1 품질을 갖는 하나보다 많은 제1 이미지를 획득하도록 구성될 수 있다. 예를 들어, 제1 스캔은 낮은 수의 스캔들을 포함할 수도 있고 제1 이미지는 저품질 이미지일 수도 있다. 낮은 수의 스캔들은 약, 예를 들어, 1 내지 약 10의 범위 내의 스캔들의 수일 수 있다. 자동화된 스마트 SEM 샘플링 시스템(102)은 복수의 트레이닝 위치 각각에 대한 제2 이미지를 획득하도록 구성될 수 있고, 제2 이미지는 제1 품질보다 높은 제2 품질을 갖는다. 예를 들어, 제2 이미지는 고품질 이미지일 수 있다. 제2 이미지는 높은 해상도, 높은 콘트라스트, 높은 감도, 높은 밝기, 또는 낮은 잡음 레벨 등, 또는 이들의 일부 조합을 갖기 때문에 더 높은 품질의 이미지일 수도 있다.

예를 들어, 시스템(102)은 복수의 트레이닝 위치들 각각에 대해 제2 품질을 갖는 하나 초과의 제2 이미지를 획득하도록 구성될 수 있다. 예로서, 제2 이미지는 스캔들의 제2 세트(또는 시리즈)의 스캔이 가능하도록 함으로써 획득될 수 있으며, 여기서 스캔들의 세트(또는 시리즈)는 증가된 수의 스캔들을 포함할 수 있고, 이에 의해 더 높은 질의 이미지를 초래한다. 예를 들어, 스캔들의 증가된 수는 약 32 내지 약 256 범위의 스캔들의 수일 수 있다. 다른 예로서, (예를 들어, 평균화의 결과로서 더 적은 잡음으로 인해) 더 높은 품질의 이미지를 생성하기 위해, 다수의 저품질 이미지들을 취하고 이미지들을 평균화함으로써 더 높은 품질 이미지가 획득될 수 있다. 또 다른 예로서, 고품질 이미지는 다수의 저품질 이미지들을 결합하여 더 높은 품질의 이미지를 생성함으로써 획득될 수도 있다. 또 다른 예로서, 105에 도시된 바와 같이, 제2 이미지는 선택적 사용자 입력에 의해 레퍼런스 이미지로서 수신될 수 있다. 하나 이상의 예로서, 제2 이미지는 개선된 품질 스캔, 예컨대, 개선된 품질의 스캔을 초래하는 더 높은 해상도 또는 다른 설정 변경(들)을 갖는 스캔에 기초하여 획득될 수도 있다

자동화된 스마트 SEM 샘플링 시스템(102)은 기계 학습 모델을 트레이닝하기 위한 트레이닝 이미지들로서 복수의 트레이닝 위치들 각각에 대한 제1 이미지 및 제2 이미지를 사용할 수 있다. 일부 양태들에서, 자동화된 스마트 SEM 샘플링 시스템(102)은 각각의 위치에 대한 복수의 트레이닝 이미지들을 생성하기 위해 트레이닝 위치들 각각을 복수 회 스캔하는 것을 가능하게 하도록 구성될 수 있고, 여기서 트레이닝 이미지들 중 일부는 트레이닝 위치의 스캔들의 추가적인 수로부터 발생하는 이미지 품질의 개선을 반영한다. 예를 들어, 복수의 저품질 이미지 및 고품질 이미지 쌍이 획득되어 기계 학습 모델을 트레이닝하기 위한 트레이닝 이미지로서 사용될 수 있다. 예를 들어, 자동화된 스마트 SEM 샘플링 시스템(102)은 비-파라미터화된 품질 향상 모듈들을 생성하기 위해 기계 학습 기반 품질 향상 시스템(107)에 공급하기 위해 샘플 이미지들(예를 들어, 트레이닝 이미지 쌍들)을 수집할 수 있다. 자동화된 스마트 SEM 샘플링 시스템은 향상된 고품질 이미지(109)를 생성하기 위해 고 스루풋 모드에서의 동작 동안 수집된 저품질 이미지(108)를 향상시키는 데 사용될 수 있다 예를 들어, 자동화된 스마트 SEM 샘플링 시스템(102)은 증가된 수의 스캔들로 획득된 결과를 근사화하기 위해 이미지를 수정하기 위해 기계 학습 모델을 사용하도록 구성될 수 있다. 완전 자동화된 스마트 SEM 샘플링 시스템(102)은 검사 및 계측 분석을 위해 높은 스루풋으로 고품질 이미지를 생성할 수 있으면서 최소량의 인간 개입을 필요로 하는 이점을 갖는다.

도 2는 본 개시내용의 일부 양태들에 따른 자동화된 SEM 샘플링 시스템(202)의 예를 예시하는 블록도(200)이다. 도 2에 도시된 바와 같이, 자동화된 SEM 샘플링 시스템(200)은 컴퓨터 시스템(202)(예를 들어, 도 3의 컴퓨터 시스템(309))을 포함할 수 있다. 이는 검사 시스템(212) 및 레퍼런스 저장 디바이스(210)와 통신한다. 예를 들어, 검사 시스템(212)은 EBI 툴(예를 들어, 도 3의 EBI 시스템(300))일 수 있다. 컴퓨터 시스템(202)은 프로세서(204), 저장 매체(206) 및 사용자 인터페이스(208)를 포함할 수 있다. 프로세서(204)는 다수의 프로세서를 포함할 수 있고, 저장 매체(206)와 레퍼런스 저장 디바이스(210)는 동일한 단일 저장 매체일 수 있다. 컴퓨터 시스템(202)은 유선 또는 무선 통신을 통해 검사 시스템(212) 및 레퍼런스 저장 디바이스(210)와 통신할 수 있다. 예를 들어, 컴퓨터 시스템은 EBI 툴의 제어기일 수 있고, 제어기는 EBI 툴을 자동화된 SEM 샘플링을 수행하게 하는 회로를 가질 수 있다.

컴퓨터 시스템(202)은 퍼스널 컴퓨터, 워크스테이션, 네트워크 컴퓨터 또는 하나 이상의 프로세서를 갖는 임의의 디바이스를 포함할 수 있지만, 이에 한정되지 않는다. 저장 매체(206)는 SEM 샘플링 명령들을 저장하고, 프로세서(204)는 자동화된 SEM 샘플링 프로세스를 제어하기 위해 SEM 샘플링 명령들을 실행하도록 (그 회로를 통해) 구성된다. 프로세서(204)는 도 1 과 관련하여 설명된 바와 같이, 이미지 품질을 개선하는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 획득하도록 구성될 수도 있다. 예를 들어, 프로세서(204)는 제품의 복수의 GDS 패턴들을 분석하고 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하도록 구성될 수도 있다. 프로세서(204)는 검사 시스템(212)과 통신하여, 복수의 트레이닝 위치들 각각에 대한 제1 스캔이 가능하도록 하여 복수의 트레이닝 위치들의 각각에 대해 제1 이미지를 획득할 수 있다. 예를 들어, 프로세서(204)는 적어도 하나의 이미지를 획득하기 위해 제1 스캔을 수행하도록 검사 시스템(212)에 지시할 수 있고, 적어도 하나의 이미지는 더 낮은 수의 스캔들을 갖는 저품질 이미지일 수 있다. 프로세서(204)는 검사 시스템(212)으로부터의 제1 스캔에 기초하여 복수의 트레이닝 위치들의 각각에 대한 제1 이미지를 획득할 수도 있다. 프로세서(204)는 또한, 복수의 트레이닝 위치들의 각각에 대해, 고품질 이미지일 수도 있는 제2 이미지를 획득할 수도 있다. 예를 들어, 프로세서(204)는 고품질 이미지를 획득하기 위해 증가된 수의 스캔들로 제2 스캔을 수행하도록 검사 시스템(212)에 지시할 수 있다. 다른 예로서, 프로세서(204)는 선택적 사용자 입력에 의해 레퍼런스 저장 디바이스(210)로부터 레퍼런스 이미지로서 고품질 이미지를 획득할 수 있다. 프로세서(202)는 기계 학습 모델을 트레이닝하기 위한 트레이닝 이미지들로서 복수의 트레이닝 위치들 각각에 대한 제1 이미지(예를 들어, 저품질 이미지) 및 제2 이미지(예컨대, 고품질 이미지)를 사용하도록 구성될 수 있다. 일부 양태들에서, 복수의 저품질 이미지 및 고품질 이미지 쌍들이 획득되어 기계 학습 모델을 트레이닝하기 위한 트레이닝 이미지들로서 사용될 수도 있다. 프로세서(204)는 낮은 품질을 갖는 새로운 위치의 제1 이미지를 수정하고 새로운 위치의 높은 품질의 이미지를 생성하기 위해 기계 학습 모델을 사용하도록 추가로 구성될 수 있다.

사용자 인터페이스(208)는 웨이퍼의 이미지를 디스플레이하도록 구성된 디스플레이, 사용자 커맨드를 컴퓨터 시스템(202)에 송신하도록 구성된 입력 디바이스 등을 포함할 수 있다. 디스플레이는 컴퓨터 사용자에게 정보를 디스플레이하기 위한, CRT(cathode ray tube), LCD(liquid crystal display), LED(light-emitting diode), 가스 플라즈마, 터치 스크린, 또는 다른 이미지 프로젝션 기술들을 포함하지만 이에 제한되지 않는, 텍스트 및 그래픽 이미지들을 보여주는 임의의 타입의 컴퓨터 출력 표면 및 프로젝션 메커니즘일 수 있다. 입력 디바이스는 오퍼레이터로부터 컴퓨터 시스템(202)으로 데이터 및 제어 신호들을 제공하는데 사용되는 임의의 타입의 컴퓨터 하드웨어 장비일 수 있다. 입력 디바이스는 방향 정보 및 커맨드 선택들을 프로세서에 통신하거나 디스플레이 상의 커서 이동을 제어하기 위한 키보드, 마우스, 스캐너, 디지털 카메라, 조이스틱, 트랙볼, 커서 방향 키들, 터치스크린 모니터, 또는 오디오/비디오 커맨더들 등을 포함할 수 있지만, 이에 제한되지 않는다.

레퍼런스 저장 디바이스(210)는 자동화된 SEM 샘플링 프로세스 동안 컴퓨터 시스템(202)에 의해 액세스되는 레퍼런스 파일 데이터베이스를 저장할 수 있다. 일부 실시예들에서, 레퍼런스 저장 디바이스(210)는 컴퓨터 시스템(202)의 일부일 수 있다. 웨이퍼의 검사를 위한 레퍼런스 이미지 파일은 인간 조작자에 의해 컴퓨터 시스템(202)에 수동으로 제공될 수 있다. 대안적으로, 레퍼런스 저장 디바이스(210)는 프로세서로 구현될 수 있고, 레퍼런스 이미지 파일은 레퍼런스 저장 디바이스(210)에 의해 컴퓨터 시스템(202)에 자동으로 제공될 수 있다 레퍼런스 저장 디바이스(210)는 임의의 레퍼런스 이미지들을 저장 및 제공하도록 구성된 원격 서버 컴퓨터일 수 있고, 클라우드 저장소일 수 있는 등이다.

검사 시스템(212)은 웨이퍼의 이미지를 생성할 수 있는 임의의 검사 시스템일 수 있다. 예를 들어, 웨이퍼는 GDS의 복수의 설계 패턴이 프로세서(204)에 의해 분석되는 제품의 샘플일 수 있다. 웨이퍼는 반도체 웨이퍼 기판, 하나 이상의 에피택셜 층들 또는 프로세스 막들을 갖는 반도체 웨이퍼 기판들 등일 수 있다. 본 개시내용의 실시예들은, 웨이퍼 검사 시스템이 웨이퍼 상의 주요 피처들을 관찰하기에 충분히 높은 분해능(예를 들어, 20 nm 미만)을 갖는 웨이퍼 이미지를 생성할 수 있는 한, 현대의 반도체 파운드리 기술들과 일치하는 웨이퍼 검사 시스템(212)에 대한 특정 타입에서의 사용으로 제한되지는 있다. 본 개시의 몇몇 양태에서, 검사 시스템(212)은 도 3과 관련하여 설명된 전자 빔 검사(EBI) 시스템(304)이다.

웨이퍼 이미지가 검사 시스템(212)에 의해 획득되면, 웨이퍼 이미지는 컴퓨터 시스템(202)으로 전송될 수 있다. 컴퓨터 시스템(202) 및 레퍼런스 저장 디바이스(210)는 검사 시스템(212)의 일부이거나 그로부터 원격일 수 있다.

실시예들의 일부 양태들에서, 자동화된 SEM 샘플링 시스템(202)은 검사 시스템(212) 및 레퍼런스 저장 디바이스(210)를 더 포함할 수 있다. 예를 들어, 자동화된 SEM 샘플링 시스템(202)은 복수의 트레이닝 위치들 각각에 대한 적어도 하나의 제1 이미지를 획득하기 위해 복수의 트레이닝 위치 각각에 대한 제1 스캔을 수행하도록 추가로 구성될 수 있다. 다른 예에서, 자동화된 SEM 샘플링 시스템(202)은 복수의 트레이닝 위치들 각각에 대한 적어도 하나의 제2 이미지를 획득하기 위해 복수의 트레이닝 위치 각각에 대한 제2 스캔을 수행하도록 추가로 구성될 수 있다. 예를 들어, 적어도 하나의 제2 이미지는 증가된 수의 스캔들로부터 초래되는 향상된 품질을 가질 수 있다.

도 3은 본 개시내용의 일부 양태들에 따른 예시적인 전자 빔 검사 시스템을 예시하는 개략도이다. 도 3에 도시된 바와 같이, 전자 빔 검사 시스템(300)은 메인 챔버(302), 로드/록 챔버(load/lock chamber)(304), 전자 빔 툴(306), 컴퓨터 시스템(309), 및 장비 프론트 엔드 모듈(308)을 포함한다. 컴퓨터 시스템(309)은 전자 빔 검사 시스템(300)의 제어기일 수 있다. 전자 빔 툴(306)은 메인 챔버(302) 내에 위치된다. 장비 프론트 엔드 모듈(308)은 제1 로딩 포트(308a) 및 제2 로딩 포트(308b)를 포함한다. 장비 프론트 엔드 모듈(308)은 추가의 로딩 포트(들)를 포함할 수 있다. 제1 로딩 포트(308a) 및 제2 로딩 포트(308b)는 웨이퍼들(예를 들어, 반도체 웨이퍼들 또는 다른 재료(들)로 제조된 웨이퍼들) 또는 검사될 샘플들(웨이퍼들 및 샘플들은 이하에서 집합적으로 "웨이퍼들"로 지칭됨)을 포함하는 웨이퍼 카세트들을 수용한다. 장비 프론트 엔드 모듈(308) 내의 하나 이상의 로봇 아암(도시되지 않음)은 웨이퍼를 로드/록 챔버(304)로 이송한다. 로드/록 챔버(304)는 대기압 미만의 제1 압력에 도달하기 위해 로드/록 챔버(204) 내의 가스 분자들을 제거하는 로드/록 진공 펌프 시스템(미도시)에 연결된다. 제1 압력에 도달한 후, 하나 또는 그 초과의 로봇 아암들(도시되지 않음)은 웨이퍼를 로드/록 챔버(304)로부터 메인 챔버들(302)로 이송한다. 메인 챔버(302)는 메인 챔버 진공 펌프 시스템(도시되지 않음)에 연결되며, 이 진공 펌프 시스템은 제1 압력 미만의 제2 압력에 도달하기 위해 메인 챔버의 가스 분자를 제거한다. 제2 압력에 도달한 후, 웨이퍼는 전자 빔 툴(306)에 의해 검사된다. 전자 빔 툴(306)은 이미지를 획득하기 위해 위치를 복수 회 스캔할 수 있다. 일반적으로, 낮은 품질의 이미지는 높은 스루풋을 갖는 낮은 수의 스캔들에 의해 획득될 수 있고, 높은 품질은 낮은 스루풋을 갖는 높은 수의 스캐닝들에 의해 얻어질 수 있다.

도 4는 본 개시의 일부 양태들에 따른, 도 3의 예시적인 전자 빔 검사 시스템의 일부일 수 있는 전자 빔 툴(400)(예를 들어, 306)의 예를 예시하는 개략도이다. 도 4는 본 개시물의 일부 양태들에 따른, 전자 빔 툴(306)의 컴포넌트들의 예들을 예시한다. 도 4에 도시된 바와 같이, 전자 빔 툴(400)은 모터화된 스테이지(400), 및 검사될 웨이퍼(403)를 유지하기 위해 모터화된 스테이지(400)에 의해 지지되는 웨이퍼 홀더(402)를 포함할 수도 있다. 전자 빔 툴(400)은 대물 렌즈 어셈블리(404), 전자 검출기(406)(전자 센서 표면들을 포함함), 대물 개구(408), 콘덴서 렌즈(410), 빔 제한 개구(412), 건 개구(gun aperture)(414), 애노드(416), 및 캐소드(418)를 더 포함한다. 대물 렌즈 조립체(404)는, 몇몇 양태에서, 폴 피스(404a), 제어 전극(404b), 편향기(404c), 및 여자 코일(404d)을 포함하는 수정된 스윙 대물 지연 침지 렌즈(SORIL)를 포함할 수 있다. 전자 빔 툴(400)은 웨이퍼 상의 재료들을 특성화하기 위해 에너지 분산 X-선 분광계(EDS) 검출기(도시되지 않음)를 추가로 포함할 수 있다.

1차 전자 빔(420)은 애노드(416)와 캐소드(418) 사이에 전압을 인가함으로써 캐소드(418)로부터 방출된다. 1차 전자 빔(420)은 건 개구(414) 및 빔 제한 개구(412)를 통과하고, 이들 모두는 빔 제한 개구(412) 아래에 존재하는 콘덴서 렌즈(410)에 진입하는 전자 빔의 크기를 결정할 수 있다. 콘덴서 렌즈(410)는 빔이 대물 렌즈 어셈블리(404)에 진입하기 전에 전자 빔의 크기를 설정하기 위해 대물 개구(408)에 들어가기 전에 1차 전자 빔(420)을 포커싱한다. 편향기(404c)는 1차 전자 빔(420)을 편향시켜 웨이퍼 상의 빔 스캐닝을 용이하게 한다. 예를 들어, 스캐닝 프로세스에서, 편향기(404c)는, 웨이퍼(403)의 상이한 부분들에 대한 이미지 재구성을 위한 데이터를 제공하기 위해, 상이한 시점들에서 1차 전자 빔(420)을 웨이퍼(403)의 상부 표면의 상이한 위치들 상으로 순차적으로 편향시키도록 제어될 수 있다. 더욱이, 편향기(404c)는 또한 특정 위치에서, 그 위치에서 웨이퍼 구조의 스테레오 이미지 재구성을 위한 데이터를 제공하기 위해, 상이한 시점에서, 웨이퍼(403)의 상이한 측면 상으로 1차 전자 빔(420)을 편향시키도록 제어될 수 있다. 또한, 일부 양태들에서, 애노드(416) 및 캐소드(418)는 다수의 1차 전자 빔들(420)을 생성하도록 구성될 수 있고, 전자 빔 툴(400)은, 웨이퍼(403)의 상이한 부분들에 대한 이미지 재구성을 위한 데이터를 제공하기 위해, 동시에 웨이퍼의 상이한 부분들/측부들에 다수의 1 차 전자 빔(424)들을 투영하기 위한 복수의 편향기들(404c)을 포함할 수 있다.

여자 코일(404d) 및 폴 피스(404a)는 폴 피스의 일 단부에서 시작하고 폴 피스의 다른 단부에서 종료하는 자기장을 생성한다. 1차 전자 빔(420)에 의해 스캐닝되는 웨이퍼(403)의 일부는 자기장에 침지될 수 있고 전기적으로 하전될 수 있으며, 이는 결국 전기장을 생성한다. 전기장은 웨이퍼와 충돌하기 전에 웨이퍼의 표면 근처에서 충돌하는 1차 전자 빔(420)의 에너지를 감소시킨다. 폴 피스(404a)로부터 전기적으로 절연되는 제어 전극(440b)은 웨이퍼의 마이크로-아칭을 방지하고 적절한 빔 포커스를 보장하기 위해 웨이퍼 상의 전기장을 제어한다.

2차 전자 빔(422)은 1차 전자 빔(420)을 수용할 때 웨이퍼(403)의 일부로부터 방출될 수 있다. 2차 전자 빔(422)은 전자 검출기(406)의 센서의 표면 상에 빔 스폿을 형성할 수 있다. 전자 검출기(406)는 빔 스폿의 세기를 나타내는 신호(예를 들어, 전압, 전류 등)를 생성하고, 신호를 프로세싱 시스템(도시되지 않음)에 제공할 수 있다. 2차 전자 빔(422)의 세기 및 결과적인 빔 스폿은 웨이퍼(403)의 외부 또는 내부 구조에 따라 변할 수 있다. 더욱이, 위에서 논의된 바와 같이, 1차 전자 빔(420)은 상이한 세기들의 2차 전자 빔(422)(및 결과적인 빔 스폿)을 생성하기 위해 웨이퍼의 상부 표면의 상이한 위치들에 투영될 수 있다. 따라서, 빔 스폿들의 강도들을 웨이퍼(403)의 위치들과 맵핑함으로써, 프로세싱 시스템은 웨이퍼(403)의 내부 또는 외부 구조들을 반영하는 이미지를 재구성할 수 있다. 일단 웨이퍼 이미지가 전자 빔 툴(400)에 의해 획득되면, 웨이퍼 이미지는 컴퓨터 시스템(402)(예를 들어, 도 2에 도시된 바와 같이, 202)에 전송될 수 있다

도 5a 내지 도 5c는 본 개시의 일부 양태들에 따른, 제품의 GDS 데이터베이스와 같은 데이터베이스의 복수의 설계 패턴들을 예시한다. 본 명세서에 개시된 자동화된 SEM 샘플링 시스템은 이미지 품질을 개선하는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하는 방법을 수행하도록 구성될 수 있다. 예를 들어, 자동화된 SEM 샘플링 시스템은 EBI 툴의 제어기일 수 있고, 제어기는 EBI 툴을 자동화된 SEM 샘플링된 것을 수행하게 하는 회로를 가질 수 있다 예를 들어, 자동화된 SEM 샘플링 시스템은 GDS 분석기(예를 들어, GDS 분석 컴포넌트)를 포함할 수 있다. GDS 분석기는 다양한 특징들, 즉 라인 패턴, 로직 패턴, 1D/2D 패턴, 조밀/분리된 패턴 등에 기초하여 패턴 분석 및 분류를 수행하도록 구성될 수도 있다. 동일한 패턴들이 패턴 그룹화를 통해 함께 그룹화될 수도 있다.

예컨대, 복수의 제조 설계 패턴들이 GDS 입력으로부터 렌더링될 수 있다. 이 단계에서, 복수의 패턴은 산란 패턴이다. 다이 내의 패턴 위치, 형상, 크기, 밀도, 이웃 레이아웃, 패턴 유형 등과 같은 각각의 패턴의 다양한 특징들이 분석 및 추출될 수 있다.

또한, 복수의 설계 패턴은 추출된 특징에 기초하여 상이한 카테고리로 분류될 수 있다. 도 5a 내지 도 5c에 예시된 바와 같이, 유사하거나 동일한 형상을 갖는 패턴들의 서브세트가 패턴 그룹화를 통해 함께 그룹화될 수 있다. 예를 들어, 제1 서브세트의 패턴들, 그룹 1은 패턴(501a)과 동일하거나 유사한 형상을 갖는 패턴들을 포함할 수도 있다. 예를 들어, 제2 서브세트의 패턴들, 그룹 2는 패턴(501b)과 동일하거나 유사한 형상을 갖는 패턴들을 포함할 수도 있다 예를 들어, 제3 서브세트의 패턴들, 그룹 3은 패턴(501c)과 동일하거나 유사한 형상을 갖는 패턴들을 포함할 수도 있다 각각의 패턴 그룹은 다이 내의 패턴 위치, 패턴 유형, 형상, 크기 및 다른 추출된 피처들의 정보를 포함할 수 있는 대응하는 메타데이터와 연관될 수 있다.

자동화된 SEM 샘플링 시스템은 스마트 검사 샘플링 플래너(예를 들어, 검사 샘플링 플레이너 컴포넌트)를 포함할 수 있다. 스마트 검사 샘플링 플래너는 분석기의 분석 결과에 기초하여 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치를 식별할 수 있다. 제품의 GDS 데이터베이스는 각각의 패턴 그룹과 연관된 위치에 관한 정보를 가질 수도 있다. 따라서, GDS로부터 렌더링된 설계 패턴은 위치 정보를 포함할 수도 있다. 따라서, GDS로부터 패턴 그룹을 분석하고 인식함으로써, 제품의 웨이퍼 상의 대응하는 패턴 그룹의 위치가 결정될 수 있다.

도 5d는 웨이퍼(503)(예를 들어, 도 4와 관련하여 설명된 403) 상의 복수의 트레이닝 위치들(506t)을 예시하는 다이어그램(500d)이다. 각각의 패턴 그룹에 대해, 도 5d에 예시된 바와 같이, 트레이닝 이미지들을 획득하기 위한 많은 잠재적인 위치들(506)이 존재한다. 자동화된 SEM 샘플링 시스템은 트레이닝 이미지들을 획득하기 위한 하나 이상의 특정 트레이닝 위치들(506t)을 결정하도록 추가로 구성될 수 있다. 예를 들어, SEM 샘플링 시스템은, 분석기의 분석 결과로부터, 다이 내의 위치, 검사 영역, 시야(FOV), 또는 웨이퍼 내의 커버된 영역 상의 로컬 정렬 지점(LAP) 및 자동 초점 지점과 같은 다른 이미징 파라미터 중 하나 이상에 기초하여 하나 이상의 트레이닝 위치를 식별할 수 있다. 예를 들어, 각각의 패턴 그룹에 대해, SEM 샘플링 시스템은 다이 내의 위치에 적어도 부분적으로 기초하여 하나 이상의 트레이닝 위치들을 결정할 수 있다. 플래너는 웨이퍼를 가로질러 다이 샘플링을 자동으로 생성할 수 있다.

스캐닝 경로는 모든 패턴 그룹들에 대한 전체 스캔 영역들에 기초하여 분석되고 생성될 수 있다. 스캐닝 경로는 위치, FOV 등, 또는 이들의 일부 조합과 같은 파라미터에 의해 결정될 수 있다. 또한, FOV, 형상, 타입 등과 같은 다른 파라미터들과 함께 스캐닝 경로가 전자 빔 툴에 대한 레시피에 따라 사용될 수 있을 것이다. 전자 빔 툴은 기계 학습 모듈에 대한 트레이닝 이미지들을 자동으로 스캔하고 캡처하기 위해 레시피를 따르도록 구성될 수 있다 예를 들어, LAP들 및 오토 포커스 포인트들은 뷰들의 수(FOV들) 및 각각의 FOV 사이의 거리 등과 같은 인자들에 기초하여 결정될 수도 있다.

도 6a는 본 개시의 일부 양태들에 따른, 이미지 품질을 개선하는 기계 학습 모델(615)을 트레이닝하기 위해 트레이닝 이미지들(610)을 자동으로 획득하기 위한 시스템의 흐름도를 예시하는 블록도(600a)이다. 도 6b는 본 개시물의 일부 양태들에 따른, 자동 SEM 샘플링 시스템의 상세들을 예시하는 블록도(600b)이다. 도 6a 및 도 6b를 참조하면, 시스템에 의해 구현되는 방법은 EBI 툴(612)(예를 들어, EBI 시스템(300))과 통신하는 자동화된 SEM 샘플링 시스템(602)(예컨대, 프로세서(604), 컴퓨터 시스템(309))에 의해 수행될 수 있다. 예를 들어, 자동화된 SEM 샘플링 시스템은 EBI 툴의 제어기일 수 있고, 제어기는 EBI 툴로 하여금 방법을 수행하게 하는 회로를 가질 수 있다. 예를 들어, 방법은 GDS 분석기(603)(예를 들어, 프로세서의 GDS 분석 컴포넌트(603)에 의해 패턴 분석 및 분류를 수행하는 단계를 포함할 수 있다. 패턴 분석 및 분류는 다양한 특징들, 예를 들어, 라인 패턴, 로직 패턴, 1D/2D 패턴, 조밀/분리된 패턴 등에 기초하여 수행될 수 있다. 방법은 패턴 그룹화를 통해 동일하거나 유사한 패턴들을 함께 그룹화하는 단계를 더 포함할 수 있을 것이다.

방법은, 샘플링 플래너(605)(예를 들어, 프로세서의 샘플링 플래너 컴포넌트(605))에 의해, 분석하는 단계의 분석 결과들에 기초하여, 트레이닝 위치들인 스캔 영역들을 결정하는 단계를 포함할 수 있다. 분석 단계의 분석 결과들은 웨이퍼 내의 커버된 영역에 기초한 다이, 검사 영역들, FOV 크기들, 및 LAP 포인트들 및 오토 포커스 포인트들 및 다른 이미징 파라미터들을 갖는 패턴 위치들을 포함할 수 있다.

방법은, 사용자 인터페이스(608)에 의해, 각각의 트레이닝 위치에 대한 복수의 트레이닝 이미지들(610)을 생성하기 위해 복수의 횟수로 트레이닝 위치들 각각을 스캔하는 것을 가능하게 하는 단계, 및 EBI 툴(612)로부터 복수의 트레이닝 이미지들(610)을 획득하는 단계를 포함할 수 있을 것이다. 예를 들어, 복수의 이미지들 중 일부는 예를 들어 낮은 수의 스캔들을 사용하여 생성된 저품질 이미지들일 수 있다. 예를 들어, 복수의 이미지들 중 일부는 예를 들어 증가된 수의 스캔들을 사용하여 생성된 향상된 이미지 품질을 가질 수 있다. 향상된 이미지 품질은 높은 해상도, 높은 콘트라스트, 높은 감도, 높은 밝기, 또는 낮은 잡음 레벨 등을 지칭할 수도 있다. 일부 양태들에서, 복수의 저품질 이미지 및 고품질 이미지 쌍들은 사용자 인터페이스(608)를 통해 획득될 수도 있고, 기계 학습 모델(615)을 트레이닝하기 위해 트레이닝 이미지들(610)로서 사용될 수도 있다. 예를 들어, 저품질 SEM 이미징 모드는 디폴트 설정 또는 사용자 입력 스루풋 요건에 기초할 수 있다. 예를 들어, 고품질 SEM 이미지 모드는 디폴트 설정 또는 사용자 입력 품질 요건에 기초할 수 있다. 일부 양태들에서, 사용자는 또한 고품질 레퍼런스 이미지(611)를 직접 입력하는 옵션을 가질 수도 있다. 예를 들어, 고품질 레퍼런스 이미지들(611)은 저장 매체(606)에 저장될 수 있다. 이러한 경우에, 고품질 이미지의 획득은 생략될 수 있다.

방법은, 증가된 수의 스캔들로 획득된 결과를 근사화하기 위해 이미지를 수정하기 위해 기계 학습 모델(615)(예를 들어, 프로세서의 기계 학습 모델 컴포넌트)을 사용하는 것을 더 포함할 수도 있다. 다양한 기계 학습 방법들이 트레이닝 이미지 쌍들(610)로부터 향상 프레임워크를 학습하기 위해 기계 학습 모델(615)에서 이용될 수 있다. 기계 학습 모델(615)은 파라메트릭일 수도 있다. 데이터는 기계 학습 모델(615)에 대해 수집될 수도 있다.

품질 향상 모듈(617)(예를 들어, 프로세서의 품질 향상 모듈들)은 각각의 타입의 관심 패턴에 대한 기계 학습 모델을 사용하는 단계의 끝에서 학습될 수 있다. 품질 향상 모듈(617)은 고 스루풋 모드에서 검사 또는 계측 목적을 위해 직접 사용될 수 있다. 자동 샘플링 시스템(602)으로부터 샘플링된 이미지들에 기초하여 트레이닝된 후, 품질 향상 모듈(617)은 트레이닝 데이터 없이 이미지 향상을 위해 사용될 수 있다. 따라서, 품질 향상 모듈(617)은 너무 많은 오버헤드를 초래할 수 있는 과도한 수의 파라미터 세팅들의 사용을 수반하지 않는 비-파라미터화될 수 있다. 따라서, 품질 향상 모듈(617)은 높은 스루풋으로 고품질 이미지를 생성하는 데 유리하고, 이에 의해 제조 효율을 증가시키고 제조 비용을 감소시킨다.

도 7 은 본 개시의 일부 양태들에 따른, 이미지 품질을 향상시키는 기계 학습 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하는 방법의 일 예를 예시하는 플로우차트(700)이다. 이 방법은 EBI 툴(예를 들어, 212, 612)과 통신하는 자동화된 SEM 샘플링 시스템(예컨대, 102, 202, 602)에 의해 수행될 수 있다. 예를 들어, 자동화된 SEM 샘플링 시스템은 EBI 툴의 제어기일 수 있고, 제어기는 EBI 툴로 하여금 방법을 수행하게 하는 회로를 가질 수 있다.

도 7에 도시된 바와 같이, 단계 702에서, 방법은 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃에 관한 데이터의 복수의 패턴들을 분석하는 단계를 포함할 수 있다. 예를 들어, 데이터는 데이터베이스에 있을 수 있다. 예를 들어, 데이터베이스는 특히 그래픽 데이터베이스 시스템(GDS), Open Artwork System Interchange Standard, 또는 Caltech Intermediate Form 중 어느 하나일 수 있다. 예를 들어, GDS는 GDS 및 GDSII 둘 다를 포함할 수 있다.

예를 들어, 제품의 레이아웃에 관한 데이터의 복수의 패턴들을 분석하는 단계는 복수의 패턴들을 패턴들의 복수의 서브세트들로 분류하는 단계를 더 포함할 수 있다. 예를 들어, 제품의 레이아웃에 관한 데이터의 복수의 패턴을 분석하는 단계는 복수의 패턴으로부터 피처를 추출하는 단계를 더 포함할 수 있다. 예를 들어, 복수의 패턴들을 패턴들의 복수의 서브세트들로 분류하는 것은 추출된 피처에 기초할 수도 있다. 예를 들어, 패턴들의 복수의 서브세트들의 각각의 서브세트는 위치, 타입, 형상, 사이즈, 밀도 또는 이웃 레이아웃에 관한 정보와 연관될 수도 있다. 예를 들어, 복수의 트레이닝 위치들을 식별하는 것은 시야, 로컬 정렬 포인트, 또는 오토 포커스 포인트에 기초할 수도 있다. 예를 들어, 복수의 트레이닝 위치들을 식별하는 것은 패턴들의 각각의 서브세트에 대한 하나 또는 그 초과의 트레이닝 위치들을 식별하는 것을 포함할 수 있다.

단계 704에서, 방법은 복수의 트레이닝 위치들 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계를 포함할 수 있다. 예를 들어, 복수의 트레이닝 위치들 각각에 대해 제1 품질을 갖는 제1 이미지를 획득하는 단계는 복수의 트레이닝 위치 각각에 대해 하나보다 많은 제1 품질이 획득되는 단계를 포함한다.

예를 들어, 방법은 제1 이미지를 획득하기 위한 제1 스캔을 포함하는 제1 스캐닝 경로를 결정하는 단계를 더 포함할 수도 있다. 예를 들어, 제1 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초할 수 있다. 예를 들어, 제1 스캐닝 경로는 위치, FOV 등과 같은 파라미터들 중 일부에 의해 결정될 수도 있다. 또한, FOV, 형상, 타입 등과 같은 다른 파라미터들과 함께 제1 스캐닝 경로는 전자 빔 툴에 제1 레시피를 제공할 수도 있다. 전자 빔 툴은 기계 학습 모듈에 대한 이미지들을 자동으로 스캔하고 캡처하기 위해 제1 레시피를 따르도록 구성될 수도 있다.

단계 706에서, 방법은 복수의 트레이닝 위치들 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계를 포함할 수 있다. 예를 들어, 제2 품질은 제1 품질보다 높을 수 있다. 예를 들어, 복수의 트레이닝 위치들 각각에 대해 제2 품질을 갖는 제2 이미지를 획득하는 단계는 복수의 트레이닝 위치 각각에 대해 하나보다 많은 제2 품질의 이미지를 획득하는 단계를 포함한다.

예를 들어, 방법은 제2 이미지를 획득하기 위한 제2 스캔을 포함하는 제2 스캐닝 경로를 결정하는 단계를 포함할 수도 있다. 예를 들어, 제2 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초한다. 예를 들어, 제2 스캐닝 경로는 위치, FOV 등과 같은 파라미터들 중 일부에 의해 결정될 수도 있다. 또한, FOV, 형상, 타입 등과 같은 다른 파라미터들과 함께 제2 스캐닝 경로는 전자 빔 툴에 제2 레시피를 제공할 수도 있다. 전자 빔 툴은 기계 학습 모듈에 대한 이미지들을 자동으로 스캔하고 캡처하기 위해 제2 레시피를 따르도록 구성될 수도 있다. 예를 들어, 제1 스캔은 제1 수의 스캔들을 포함할 수도 있고, 제2 스캔 은 제2 수의 스캔들을 포함할 수도 있으며, 여기서, 제2 수의 스캔들은 제1 수의 스캔들보다 더 클 수도 있다.

예를 들어, 제2 이미지는 선택적인 사용자 입력에 의해 레퍼런스 이미지로서 획득될 수 있다.

단계 708에서, 방법은 기계 학습 모델을 트레이닝하기 위해 제1 이미지 및 제2 이미지를 사용하는 단계를 포함할 수 있을 것이다.

단계 710에서, 방법은 증가된 수의 스캔들로 획득된 결과를 근사화하기 위해 이미지를 수정하기 위해 기계 학습 모델을 사용하는 단계를 포함할 수 있다.

예를 들어, 방법은 위치의 제2 이미지를 획득하기 위해 위치의 제1 이미지를 수정하기 위해 기계 학습 모델을 사용하는 단계를 더 포함할 수도 있으며, 여기서 제2 이미지는 제1 이미지보다 향상된 품질을 갖는다. 이러한 방식으로, 본 방법은 높은 스루풋으로 고품질의 이미지를 획득하여 제조 효율을 증가시키고 제조 비용을 감소시키는 데 유리하다. 또한, 방법은 완전히 자동적이다. 따라서, 본 방법은 상이한 운영자들로부터의 인간 오류 및 불일치를 방지할 수 있다. 따라서, 방법은 검사 정확도를 증가시키는 데 더 유리하다.

이제 도 2를 다시 참조하면, 컴퓨터 시스템(202)은 검사 시스템(212)(예를 들어, e-빔 검사 시스템)의 제어기일 수 있고, 제어기는: 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃에 관한 데이터의 복수의 패턴들을 분석하고; 복수의 트레이닝 위치들 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하고; 복수의 트레이닝 위치들 각각에 대해 제2 품질을 갖는, 제1 품질보다 더 높은 제2 이미지를 획득하며; 그리고 기계 학습 모델을 트레이닝하기 위해 제1 이미지 및 제2 이미지를 사용하기 위한 회로를 포함할 수 있다.

도 2를 더 참조하면, 저장 매체(206)는 디바이스의 제어기에 의해 실행가능한 명령들의 세트를 저장하는 비일시적 컴퓨터 판독가능 매체일 수 있고, 명령들은 디바이스로 하여금 방법을 수행하게 하고, 방법은, 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 제품의 샘플 상의 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃에 관한 데이터의 복수의 패턴들을 분석하는 단계; 복수의 트레이닝 위치들 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계; 복수의 트레이닝 위치들 각각에 대한, 제1 품질보다 더 높은 제2 품질을 갖는 제2 이미지를 획득하는 단계; 및 제1 이미지 및 제2 이미지를 기계 학습 모델의 트레이닝을 위해 사용하는 단계를 포함한다.

실시예들은 다음의 조항들을 사용하여 추가로 설명될 수 있다:

1. 기계 학습 모델을 트레이닝하는데 사용하기 위한 트레이닝 이미지들을 자동으로 획득하는 방법으로서,

기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 복수의 트레이닝 위치들을 식별하기 위해 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계;

복수의 트레이닝 위치들 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계;

복수의 트레이닝 위치들 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계 - 제2 품질은 제1 품질보다 높음 -; 및

기계 학습 모델을 트레이닝하기 위해 제1 이미지 및 제2 이미지를 사용하는 단계를 포함하는 방법.

2. 제1 항에 있어서, 데이터는 데이터베이스에 있는 방법.

3. 제2 항에 있어서, 데이터베이스는 그래픽 데이터베이스 시스템(GDS), Open Artwork System Interchange Standard 또는 Caltech Intermediate Form 중 어느 하나인 방법.

4. 제3 항에 있어서, GDS는 GDS 포맷 데이터 또는 GDSII 포맷 데이터를 포함하는 방법.

5. 제1 항에 있어서, 복수의 트레이닝 위치들 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계는, 복수의 트레이닝 위치들 각각에 대해 제1 품질의 하나보다 많은 제1 이미지들을 획득하는 단계를 포함하는 방법.

6. 제1 항에 있어서, 복수의 트레이닝 위치들 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계는, 복수의 트레이닝 위치들 각각에 대해 제2 품질의 하나보다 많은 제2 이미지들을 획득하는 단계를 포함하는 방법.

7. 제1 항에 있어서, 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계는, 복수의 패턴들을 패턴들의 복수의 서브세트로 분류하는 단계를 추가로 포함하는 방법.

8. 제1 항 내지 제7 항 중 어느 한 항에 있어서, 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계는 복수의 패턴들로부터 피처를 추출하는 단계를 추가로 포함하는 방법.

9. 제8 항에 있어서, 추출된 피처는, 형상, 크기, 밀도, 또는 이웃 레이아웃을 포함하는 방법.

10. 제7 항에 있어서, 복수의 패턴들을 패턴들의 복수의 서브세트로 분류하는 단계는 추출된 피처에 기초하는 방법.

11. 제7 항에 있어서, 패턴들의 복수의 서브세트 각각은 위치, 타입, 형상, 사이즈, 밀도 또는 이웃 레이아웃에 관한 정보와 연관되는 방법.

12. 제1 항 내지 제11 항 중 어느 한 항에 있어서, 복수의 트레이닝 위치들을 식별하는 단계는 시야, 로컬 정렬 포인트, 또는 오토 포커스 포인트에 기초하는 방법.

13. 제1 항 내지 제12 항 중 어느 한 항에 있어서, 방법은 제1 이미지를 획득하기 위한 제1 스캔을 포함하는 제1 스캐닝 경로를 결정하는 단계를 더 포함하고, 제1 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 방법.

14. 제13 항에 있어서, 방법은 추가로 제2 이미지를 획득하기 위한 제2 스캔을 포함하는 제2 스캐닝 경로를 결정하는 단계를 포함하고, 제2 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 방법.

15. 제14 항에 있어서, 제1 스캔은 제1 수의 스캔들을 포함하고, 제2 스캔은 제2 수의 스캔들을 포함하며, 제2 스캔의 수는 제1 스캔의 수보다 큰 방법.

16. 제1 항 내지 제13 항 중 어느 한 항에 있어서, 제2 이미지는 선택적 사용자 입력에 의해 레퍼런스 이미지로서 획득되는 방법.

17. 제1 항 내지 제16 항 중 어느 한 항에 있어서, 방법은 위치의 제2 이미지를 획득하기 위해 기계 학습 모델을 사용하여 위치의 제1 이미지를 수정하는 단계를 더 포함하고, 제2 이미지는 제1 이미지보다 향상된 품질을 갖는 방법.

18. 제1 항 내지 제17 항 중 어느 한 항에 있어서, 복수의 트레이닝 위치들을 식별하는 단계는 패턴들의 서브세트들 각각에 대한 하나 이상의 트레이닝 위치들을 식별하는 단계를 포함하는 방법.

19. 제1 항 내지 제18 항 중 어느 한 항에 있어서, 품질은 해상도, 콘트라스트, 밝기, 또는 잡음 레벨을 포함하는 방법.

20. 제1 항 내지 제19 항 중 어느 한 항에 있어서, 방법은 추가로

증가된 수의 스캔들로 획득된 결과를 근사화하기 위해 기계 학습 모델을 사용하여 이미지를 수정하는 단계를 포함하는 방법.

21. 이미지 품질을 개선하는 ML 모델을 트레이닝하기 위해 트레이닝 이미지들을 자동으로 획득하기 위한 장치로서,

메모리; 및

메모리에 연결되는 적어도 하나의 프로세서를 포함하고, 프로세서는:

제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하여 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 복수의 트레이닝 위치들을 식별하는 단계;

복수의 트레이닝 위치 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계;

복수의 트레이닝 위치 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계 - 제2 품질은 제1 품질보다 높음 -; 및

제1 이미지 및 제2 이미지를 사용하여 기계 학습 모델을 트레이닝하는 단계를 수행하도록 구성되는 장치.

22. 제21 항에 있어서, 데이터는 데이터베이스에 있는 장치.

23. 제22 항에 있어서, 데이터베이스는 그래픽 데이터베이스 시스템(GDS), Open Artwork System Interchange Standard 또는 Caltech Intermediate Form 중 어느 하나인 장치.

24. 제23 항에 있어서, GDS는 GDS 포맷 데이터 또는 GDSII 포맷 데이터를 포함하는 장치.

25. 제21 항에 있어서, 적어도 하나의 프로세서는 또한, 복수의 트레이닝 위치들 각각에 대해 제1 품질을 갖는 하나보다 많은 제1 이미지를 획득하도록 구성되는 장치.

26. 제21 항에 있어서, 적어도 하나의 프로세서는 또한, 복수의 트레이닝 위치들 각각에 대해 제2 품질을 갖는 하나보다 많은 제2 이미지를 획득하도록 구성되는 장치.

27. 제21 항에 있어서, 적어도 하나의 프로세서는 또한, 복수의 패턴들을 패턴들의 복수의 서브세트들로 분류하도록 구성되는 장치.

28. 제21 항에 있어서, 적어도 하나의 프로세서는 복수의 패턴들로부터 피처를 추출하도록 추가로 구성되는 장치.

29. 제28 항의 장치로서, 추출된 피처는 형상, 크기, 밀도, 또는 이웃 레이아웃을 포함하는 장치.

30. 제27 항에 있어서, 적어도 하나의 프로세서는 추출된 피처에 기초하여 복수의 패턴들을 패턴들의 복수의 서브세트들로 분류하도록 추가로 구성되는 장치.

31. 제27 항에 있어서, 패턴들의 복수의 서브세트들 각각은 위치, 타입, 형상, 사이즈, 밀도 또는 이웃 레이아웃에 관한 정보와 연관되는 장치.

32. 제21 항 내지 제31 항 중 어느 한 항에 있어서, 적어도 하나의 프로세서는 시야, 로컬 정렬 포인트, 또는 오토 포커스 포인트에 기초하여 복수의 트레이닝 위치들을 식별하도록 추가로 구성되는 장치.

33. 제21 항 내지 제32 항 중 어느 한 항에 있어서, 적어도 하나의 프로세서는 추가로, 제1 이미지를 획득하기 위해 제1 스캔을 포함하는 제1 스캐닝 경로를 결정하도록 구성되며, 제1 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 장치.

34. 제33 항에 있어서, 적어도 하나의 프로세서는 추가로, 제2 이미지를 획득하기 위해 제2 스캔을 포함하는 제2 스캐닝 경로를 결정하도록 구성되고, 제2 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 장치.

35. 제34 항에 있어서, 제1 스캔은 제1 수의 스캔들을 포함하고, 제2 스캐닝은 제2 수의 스캔들을 포함하며, 제2 스캔 수는 제1 스캔 수보다 큰 장치.

36. 제21 항 내지 제33 항 중 어느 한 항에 있어서, 제2 이미지는 선택적 사용자 입력에 의해 레퍼런스 이미지로서 수신되는 장치.

37. 제21항 내지 제36항 중 어느 한 항에 있어서, 적어도 하나의 프로세서는 추가로, 위치의 제2 이미지를 획득하기 위해 기계 학습 모델을 사용하여 위치의 제1 이미지를 수정하도록 구성되고, 제2 이미지는 제1 이미지보다 향상된 품질을 갖는 장치.

38. 제21 항 내지 제37 항 중 어느 한 항에 있어서, 적어도 하나의 프로세서는 추가로, 패턴들의 서브세트들 각각에 대한 하나 이상의 트레이닝 위치들을 식별하도록 구성되는 장치.

39. 제21 항 내지 제38 항 중 어느 한 항에 있어서, 품질은 해상도, 콘트라스트, 밝기, 또는 잡음 레벨을 포함하는 장치.

40. 제21 항 내지 제39 항 중 어느 한 항에 있어서, 적어도 하나의 프로세서는 추가로, 기계 학습 모델을 사용하여 이미지를 수정하여 증가된 스캔 횟수로 획득된 결과를 근사화하도록 구성된 장치.

41. 명령들의 세트를 저장하는 비일시적 컴퓨터 판독가능 매체로서, 명령들의 세트는 실행가능한 디바이스의 제어기에 의해 수행가능하며, 제어기는 디바이스로 하여금,

제1 이미지 및 제2 이미지를 사용하여 기계 학습 모델을 트레이닝하는 단계

를 포함하는 방법을 수행하도록 하는 매체.

42. 제41 항에 있어서, 데이터는 데이터베이스에 있는 비일시적 컴퓨터 판독가능 매체.

43. 제42 항에 있어서, 데이터베이스는 그래픽 데이터베이스 시스템(GDS), Open Artwork System Interchange Standard 또는 Caltech Intermediate Form 중 어느 하나인 비일시적 컴퓨터 판독가능 매체.

44. 제43 항에 있어서, GDS는 GDS 또는 GDSII 중 적어도 하나를 포함하는 비일시적 컴퓨터 판독가능 매체.

45. 제41 항에 있어서, 복수의 트레이닝 위치들 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계는 복수의 트레이닝 위치들 각각에 대해 제1 품질의 하나보다 많은 제1 이미지들을 획득하는 단계를 더 포함하는 비일시적 컴퓨터 판독가능 매체.

46. 제41 항에 있어서, 복수의 트레이닝 위치들 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계는 복수의 트레이닝 위치들 각각에 대해 제2 품질의 하나보다 많은 제2 이미지들을 획득하는 단계를 포함하는 비일시적 컴퓨터 판독가능 매체.

47. 제41 항에 있어서, 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계는 복수의 패턴을 패턴의 복수의 서브세트로 분류하는 단계를 추가로 포함하는 비일시적 컴퓨터 판독가능 매체.

48. 제41 항 내지 제47 항 중 어느 한 항에 있어서, 제품의 레이아웃에 관한 데이터의 복수의 패턴을 분석하는 단계는 복수의 패턴으로부터 피처를 추출하는 단계를 더 포함하는 비일시적 컴퓨터 판독가능 매체.

49. 제48 항에 있어서, 추출된 피처는 형상, 크기, 밀도, 또는 이웃 레이아웃을 포함하는 비일시적 컴퓨터 판독가능 매체.

50. 제47 항에 있어서, 복수의 패턴들을 패턴들의 복수의 서브세트들로 분류하는 단계는 추출된 피처에 기초하는 비일시적 컴퓨터 판독가능 매체.

51. 제47 항에 있어서, 패턴들의 복수의 서브세트들 각각은 위치, 타입, 형상, 사이즈, 밀도 또는 이웃 레이아웃에 관한 정보와 연관되는 비일시적 컴퓨터 판독가능 매체.

52. 제41 항 내지 제51 항 중 어느 한 항에 있어서, 복수의 트레이닝 위치들을 식별하는 단계는 시야, 로컬 정렬 포인트, 또는 자동 초점 포인트에 기초하는 비일시적 컴퓨터 판독가능 매체.

53. 제41 항 내지 제52 항 중 어느 한 항에 있어서, 방법은 추가로, 제1 이미지를 획득하기 위한 제1 스캔을 포함하는 제1 스캐닝 경로를 결정하는 단계를 포함하고, 제1 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 비일시적 컴퓨터 판독가능 매체.

54. 제53 항에 있어서, 방법은 추가로, 제2 이미지를 획득하기 위한 제2 스캔을 포함하는 제2 스캐닝 경로를 결정하는 단계를 포함하고, 제2 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 비일시적 컴퓨터 판독가능 매체.

55. 제54 항에 있어서, 제1 스캔은 제1 수의 스캔들을 포함하고, 제2 스캔은 복수의 스캔들을 포함하며, 복수의 스캔들은 복수의 스캔들보다 큰, 비일시적 컴퓨터 판독가능 매체.

56. 제41 항 내지 제53 항 중 어느 한 항에 있어서, 제2 이미지는 선택적 사용자 입력에 의해 레퍼런스 이미지로서 획득되는 비일시적 컴퓨터 판독가능 매체.

57. 제41 항 내지 제56 항 중 어느 한 항에 있어서, 방법은 기계 학습 모델을 사용하여 위치의 제1 이미지를 수정하여 위치의 제2 이미지를 획득하는 단계를 더 포함하고, 제2 이미지는 제1 이미지보다 향상된 품질을 갖는 비일시적 컴퓨터 판독가능 매체.

58. 제41 항 내지 제57 항 중 어느 한 항에 있어서, 복수의 트레이닝 위치들을 식별하는 단계는 패턴들의 서브세트들 각각에 대한 하나 이상의 트레이닝 위치를 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독 가능 매체

59. 제41 항 내지 제58 항 중 어느 한 항에 있어서, 품질은 해상도, 콘트라스트, 밝기, 또는 잡음 레벨을 포함하는 비일시적 컴퓨터 판독가능 매체.

60. 제41 항 내지 제59 항 중 어느 한 항에 있어서, 방법은, 기계 학습 모델을 사용하여 이미지를 수정하여 증가된 수의 스캔들로 획득된 결과를 근사화하는 단계를 포함하는 비일시적 컴퓨터 판독가능 매체.

61. 전자빔 검사 장치로서,

전자 빔 검사 장치로 하여금 방법을 수행하도록 하는 회로를 갖는 제어기를 포함하고, 방법은:

를 포함하는, 전자 빔 검사 장치.

62. 제61 항에 있어서, 데이터는 데이터베이스에 있는, 전자 빔 검사 장치.

63. 제62 항에 있어서, 데이터베이스는 그래픽 데이터베이스 시스템(GDS), Open Artwork System Interchange Standard 또는 Caltech Intermediate Form 중 임의의 하나인 전자 빔 검사 장치.

64. 제63 항에 있어서, GDS는 GDS 또는 GDSII 중 적어도 하나를 포함하는 전자 빔 검사 장치.

65. 제61 항에 있어서, 복수의 트레이닝 위치들 각각에 대해 제1 품질을 갖는 제1 이미지를 획득하는 단계는 복수의 트레이닝 위치 각각에 대해 제1 품질을 갖는 하나보다 많은 제1 이미지를 획득하는 단계를 포함하는 전자 빔 검사 장치.

66. 제61 항에 있어서, 복수의 트레이닝 위치들 각각에 대해 제2 품질을 갖는 제2 이미지를 획득하는 단계는 복수의 트레이닝 위치들의 각각에 대해 제2 품질을 갖는 하나보다 많은 제2 이미지들을 획득하는 단계를 포함하는 전자 빔 검사 장치.

67. 제61 항에 있어서, 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계는 복수의 패턴들을 패턴들의 복수의 서브세트로 분류하는 단계를 추가로 포함하는 전자 빔 검사 장치.

68. 제61 항 내지 제67 항 중 어느 한 항에 있어서, 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계는 복수의 패턴으로부터 피처를 추출하는 단계를 더 포함하는 전자 빔 검사 장치.

69. 제68 항에 있어서, 추출된 피처는 형상, 크기, 밀도, 또는 이웃 레이아웃을 포함하는 전자 빔 검사 장치.

70. 제67 항에 있어서, 복수의 패턴들을 패턴들의 복수의 서브세트로 분류하는 단계는 추출된 피처에 기초하는 전자 빔 검사 장치.

71. 제67 항에 있어서, 패턴들의 복수의 서브세트 각각은 위치, 유형, 형상, 크기, 밀도 또는 이웃 레이아웃에 관한 정보와 연관되는 전자 빔 검사 장치.

72. 제61 항 내지 제71 항 중 어느 한 항에 있어서, 복수의 트레이닝 위치를 식별하는 것은 시야, 로컬 정렬 지점, 또는 자동 초점 지점에 기초하는 전자 빔 검사 장치.

73. 제61 항 내지 제72 항 중 어느 한 항에 있어서, 전자 빔 검사 장치로 하여금 방법을 수행하도록 하는 회로를 갖는 제어기를 포함하고, 방법은:

제1 이미지를 획득하기 위해 제1 스캔을 포함하는 제1 스캐닝 경로를 결정하는 단계를 더 포함하고, 제1 스캐닝 경로 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 전자 빔 검사 장치.

74. 제73 항에 있어서, 전자 빔 검사 장치로 하여금 방법을 수행하도록 하는 회로를 갖는 제어기를 포함하고, 방법은:

제2 이미지를 획득하기 위한 제2 스캔을 포함하는 제2 스캐닝 경로를 결정하는 단계를 더 포함하고, 제2 스캐닝 경로는 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 전자 빔 검사 장치.

75. 제74 항에 있어서, 제1 스캔은 제1 수의 스캔을 포함하고, 제2 스캔은 제2 수의 스캔을 포함하며, 제2 스캔 수는 제1 스캔 수보다 큰 전자 빔 검사 장치.

76. 제61 항 내지 제73 항 중 어느 한 항에 있어서, 제2 이미지는 선택적인 사용자 입력에 의해 레퍼런스 이미지로서 획득되는 전자 빔 조사 장치.

77. 제61 항 내지 제76 항 중 어느 한 항에 있어서, 전자 빔 검사 장치로 하여금 방법을 수행하도록 하는 회로를 갖는 제어기를 포함하고, 방법은:

기계 학습 모델을 사용하여 위치의 제1 이미지를 수정하여 위치의 제2 이미지를 획득하는 단계를 포함하고, 제2 이미지는 제1 이미지보다 향상된 품질을 갖는, 전자 빔 검사 장치.

78. 제61 항 내지 제77 항 중 어느 한 항에 있어서, 복수의 트레이닝 위치를 식별하는 것은 패턴들의 서브세트 각각에 대한 하나 이상의 트레이닝 위치들을 식별하는 것을 포함하는, 전자 빔 검사 디바이스.

79. 제61 항 내지 제78 항 중 어느 한 항에 있어서, 품질은 해상도, 콘트라스트, 밝기, 또는 노이즈 레벨을 포함하는 전자 빔 검사 장치.

80. 제61 항 내지 제79 항 중 어느 한 항에 있어서, 전자 빔 검사 장치로 하여금 방법을 수행하도록 하는 회로를 갖는 제어기를 포함하고, 방법은:

기계 학습 모델을 사용하여 이미지를 수정하여 증가된 스캔 횟수로 획득된 결과를 근사화하는 단계를 더 포함하는, 전자 빔 검사 장치.

81. 제1 항에 있어서, 패턴들 데이터는 제품의 주사 전자 현미경(SEM) 이미지인 방법.

82. 제1 항에 있어서, 제2 이미지는 복수의 저품질 이미지들에 기초하여 획득되는 방법.

83. 제1 항에 있어서, 제2 이미지는 복수의 저품질 이미지들을 평균화함으로써 획득되는 방법.

84. 제1 항에 있어서, 제2 이미지는 복수의 저품질 이미지들을 결합함으로써 획득되는 방법.

85. 제1 항에 있어서, 제1 이미지 및 제2 이미지는 하나 이상의 주사 전자 현미경에 의해 획득된 이미지이고, 제2 이미지가 제1 이미지에 비해 더 높은 품질의 이미지인 방법.

86. 제85 항에 있어서, 제2 이미지는 제1 이미지에 비해 더 높은 해상도, 더 높은 콘트라스트, 더 큰 밝기, 또는 감소된 잡음 레벨을 갖는 방법.

87. 제21 항에 있어서, 패턴들의 데이터는 제품의 주사 전자 현미경(SEM) 이미지인 장치.

88. 제21 항에 있어서, 제2 이미지는 복수의 저품질 이미지들에 기초하여 획득되는 장치.

89. 제21 항에 있어서, 제2 이미지는 복수의 저품질 이미지들을 평균화함으로써 획득되는 장치.

90. 제21 항에 있어서, 제2 이미지는 복수의 저품질 이미지들을 결합함으로써 획득되는 장치.

91. 제41 항에 있어서, 패턴들의 데이터는 제품의 주사 전자 현미경(SEM) 이미지인, 비일시적 컴퓨터 판독가능 매체.

92. 제41 항에 있어서, 제2 이미지는 복수의 저품질 이미지들에 기초하여 획득되는, 비일시적 컴퓨터 판독가능 매체.

93. 제41 항에 있어서, 제2 이미지는 복수의 저품질 이미지들을 평균화함으로써 획득되는, 비일시적 컴퓨터 판독가능 매체.

94. 제41 항에 있어서, 제2 이미지는 복수의 저품질 이미지들을 결합함으로써 획득되는, 비일시적 컴퓨터 판독가능 매체.

95. 제61 항에 있어서, 패턴들의 데이터는 제품의 주사 전자 현미경(SEM) 이미지인, 전자 빔 검사 장치.

96. 제61 항에 있어서, 제2 이미지는 복수의 저품질 이미지들에 기초하여 획득되는, 전자 빔 검사 장치.

97. 제61 항에 있어서, 제2 이미지는 복수의 저품질 이미지들을 평균화함으로써 획득되는, 전자 빔 검사 장치.

98. 제61 항에 있어서, 제2 이미지는 복수의 저품질 이미지들을 결합함으로써 획득되는, 전자 빔 검사 장치.

예시적인 양태들 또는 실시예들은 방법들, 장치(시스템들) 및 컴퓨터 프로그램 제품들의 흐름도 예시들 또는 블록도들을 참조하여 위에서 설명된다. 흐름도 예시들 또는 블록도들의 각각의 블록, 및 흐름도 예시 또는 블록도들에서의 블록들의 조합들은 컴퓨터 프로그램 제품 또는 컴퓨터 프로그램 제품에 대한 명령들에 의해 구현될 수 있다는 것이 이해될 것이다. 이러한 컴퓨터 프로그램 명령들은 컴퓨터의 프로세서, 또는 기계를 생성하기 위한 다른 프로그램가능 데이터 프로세싱 장치에 제공될 수 있어서, 컴퓨터 또는 다른 프로그램 가능 데이터 프로세싱 장치의 프로세서를 통해 실행되는 명령들은 흐름도 또는 블록도 블록 또는 블록들에 특정된 기능들/동작들을 구현하기 위한 수단을 생성한다.

이들 컴퓨터 프로그램 명령들은 또한 컴퓨터, 다른 프로그래밍가능 데이터 프로세싱 장치, 또는 다른 디바이스들의 하드웨어 프로세서 코어가 특정 방식으로 기능하도록 지시할 수 있는 컴퓨터 판독가능 매체에 저장될 수 있어서, 컴퓨터 판독가능 매체 내에 저장된 명령들은 흐름도 또는 블록도 블록 또는 블록들에서 특정된 기능/동작을 구현하는 명령들을 포함하는 제조 물품을 형성한다.

컴퓨터 프로그램 명령들은 또한, 컴퓨터, 다른 프로그래밍가능 데이터 프로세싱 장치, 또는 다른 디바이스들 상에 로딩되어, 컴퓨터 또는 다른 프로그래밍가능 장치 상에서 실행되는 명령들이 흐름도 또는 블록도 블록 또는 블록들에서 특정된 기능들/동작들을 구현하기 위한 프로세스들을 제공하도록, 컴퓨터 구현 프로세스를 생성하기 위해, 일련의 동작 단계들이 컴퓨터, 상이한 프로그래밍가능 장치 또는 상이한 디바이스들 상에서 수행되게 할 수 있다.

하나 이상의 컴퓨터 판독가능 매체(들)의 임의의 조합이 이용될 수 있다. 컴퓨터 판독가능 매체는 비일시적 컴퓨터 판독가능 저장 매체일 수도 있다. 컴퓨터 판독가능 저장 매체는, 예를 들어, 전자, 자기, 광학, 전자기, 적외선, 또는 반도체 시스템, 장치, 또는 디바이스, 또는 이들의 임의의 적절한 조합일 수 있지만, 이에 제한되지 않는다. 컴퓨터 판독가능 저장 매체의 더 구체적인 예들(비-포괄적인 리스트)은 다음을 포함할 것이다: 하나 이상의 와이어들을 갖는 전기 접속, 휴대용 컴퓨터 디스켓, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거가능 프로그램가능 판독전용 메모리(EPROM, EEPROM 또는 플래시 메모리), 광 섬유, 클라우드 스토리지, 휴대용 컴팩트 디스크 판독전용 저장(CD-ROM: compact disc read-only memory), 광학 저장 디바이스, 자기 저장 디바이스 또는 이들의 임의의 적합한 조합. 본 명세서의 문맥에서, 컴퓨터 판독가능 저장 매체는 명령어 실행 시스템, 장치 또는 디바이스에 의해 또는 그와 관련하여 사용하기 위한 프로그램을 포함하거나 저장할 수 있는 임의의 유형의 매체일 수 있다.

컴퓨터 판독가능 매체 상에 구현된 프로그램 코드는, 무선, 유선, 광섬유 케이블, RF, IR 등, 또는 이들의 임의의 적절한 조합을 포함하지만 이에 제한되지 않는 임의의 적절한 매체를 사용하여 송신될 수도 있다.

예시적인 실시예들에 대한 동작들을 수행하기 위한 컴퓨터 프로그램 코드는 Java, Smalltalk, C++ 등과 같은 객체 지향 프로그래밍 언어 및 "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어들과 같은 종래의 절차적 프로그래밍 언어들을 포함하는 하나 이상의 프로그래밍 언어들의 임의의 조합으로 기록될 수 있다. 프로그램 코드는 전적으로 사용자의 컴퓨터 상에서, 부분적으로 사용자의 컴퓨터에서, 독립형 소프트웨어 패키지로서, 부분적으로 사용자 컴퓨터 상에서 그리고 부분적으로 원격 컴퓨터 상에서 또는 전적으로 원격 컴퓨터 또는 서버 상에서 실행될 수 있다. 후자의 시나리오에서, 원격 컴퓨터는 로컬 영역 네트워크(LAN) 또는 광역 네트워크(WAN)를 포함하는 임의의 타입의 네트워크를 통해 사용자의 컴퓨터에 연결될 수 있거나, 또는 외부 컴퓨터에 대한 연결이 이루어질 수 있다(예를 들어, 인터넷 서비스 제공자를 사용하는 인터넷을 통해).

도면들에서의 흐름도 및 블록도들은 다양한 실시예들에 따른 시스템들, 방법들 및 컴퓨터 프로그램 제품들의 가능한 구현들의 아키텍처, 기능 및 동작의 예들을 예시한다. 이와 관련하여, 흐름도 또는 블록도들 내의 각각의 블록은 특정된 논리 기능(들)을 구현하기 위한 하나 이상의 실행가능 명령어들을 포함하는 모듈, 세그먼트, 또는 코드의 일부를 나타낼 수 있다. 또한, 일부 대안적인 구현들에서, 블록에 언급된 기능들은 도면들에 언급된 순서를 벗어나서 발생할 수 있다는 점에 유의해야 한다. 예를 들어, 연속적으로 도시된 2개의 블록들은 실제로 실질적으로 동시에 실행될 수 있거나, 블록들은 때때로 수반되는 기능에 따라 역순으로 실행될 수 있다. 또한, 블록도들 또는 흐름도 예시의 각각의 블록, 및 블록도들 및 흐름도 예시의 블록들의 조합들은 특정된 기능들 또는 동작들을 수행하는 특수 목적 하드웨어-기반 시스템들, 또는 특정 목적 하드웨어 및 컴퓨터 명령들의 조합들에 의해 구현될 수 있다는 것이 주목될 것이다.

설명된 실시예들은 상호 배타적이지 않고, 하나의 예시적인 실시예와 관련하여 설명된 엘리먼트들, 컴포넌트들, 재료들, 또는 단계들은 원하는 설계 목적들을 달성하기 위해 적절한 방식들로 다른 실시예들과 결합되거나 또는 다른 실시예들로부터 제거될 수 있다는 것이 이해된다.

“일부 양태들”, "일부 실시예들" 또는 "몇몇 예시적인 실시예들"에 대한 본원에서의 참조는, 실시예와 관련하여 설명된 특정한 특징, 구조, 또는 특성이 적어도 하나의 양태, 또는 하나의 실시예에 포함될 수 있다는 것을 의미한다. 본 명세서의 다양한 곳에서의 문구 "일 양태", "일부 양태", "하나의 실시예","일부 실시예" 또는 "일부의 예시적인 실시예"의 표현은 모두가 반드시 동일한 실시예를 지칭하는 것은 아니며, 별개의 또는 대안적인 실시예가 반드시 다른 실시예와 상호 배타적인 것도 아니다.

본 명세서에 설명된 예시적인 방법들의 단계들은 반드시 설명된 순서로 수행되어야 하는 것은 아니며, 이러한 방법들의 단계들의 순서는 단지 예시적인 것으로 이해되어야 한다. 마찬가지로, 추가적인 단계들이 이러한 방법들에 포함될 수 있고, 다양한 실시예들에 따른 방법들에서 특정 단계들이 생략되거나 결합될 수 있다.

본원에 사용된 바와 같이, 달리 구체적으로 언급되지 않는 한, 용어 "또는"은 실행 불가능한 경우를 제외하고는 모든 가능한 조합을 포괄한다. 예를 들어, 구성요소가 A 또는 B를 포함할 수 있다고 언급되면, 달리 구체적으로 언급되거나 실행불가능하지 않으면, 구성요소는 A, 또는 B, 또는 A 및 B를 포함할 수 있다. 제2 예로서, 구성요소가 A, B, 또는 C를 포함할 수 있다고 언급되면, 달리 구체적으로 언급되거나 실행불가능하지 않으면, 구성요소는 A, 또는 B, 또는 C, 또는 A와 B, 혹은 A와 C, 혹은 B와C, 혹은A와 B와 C를 포함한다.

본 출원에서 사용되는 바와 같이, 단어 "예시적인"은 본 명세서에서 예, 사례, 또는 예시로서 기능하는 것을 의미하도록 사용된다. 본 명세서에서 "예시적인" 것으로 설명되는 임의의 양태 또는 설계는 반드시 다른 양태들 또는 설계들보다 바람직하거나 유리한 것으로 해석되어서는 안 된다. 오히려, 단어의 사용은 개념들을 구체적인 방식으로 제시하도록 의도된다.

부가적으로, 본 출원 및 첨부된 청구항들에서 사용되는 바와 같은 관사들 "a" 및 "an"은, 달리 특정되지 않거나 단수 형태에 관한 것으로 문맥으로부터 명확하지 않는 한, 일반적으로 "하나 또는 그 초과"를 의미하는 것으로 해석되어야 한다.

달리 명시적으로 언급되지 않는 한, 각각의 수치 값 및 범위는 단어 "약" 또는 "대략"이 값 또는 범위의 값에 선행하는 것처럼 근사한 것으로 해석되어야 한다.

청구항들에서 도면 번호들 또는 도면 참조 라벨들의 사용은 청구항들의 해석을 용이하게 하기 위해 청구된 요지의 하나 이상의 가능한 실시예들을 식별하도록 의도된다. 이러한 사용은 해당 청구항들의 범위를 해당 도면들에 도시된 실시예들로 반드시 제한하는 것으로 해석되어서는 안 된다.

다음의 방법 청구항들의 엘리먼트들이, 존재한다면, 대응하는 라벨링을 갖는 특정 시퀀스로 인용되지만, 청구항 인용들이 그렇지 않으면 이들 엘리먼트들의 일부 또는 전부를 구현하기 위한 특정 시퀀스를 암시하지 않는다면, 이들 엘리먼트들은 반드시 그 특정 시퀀스로 구현되는 것으로 제한되도록 의도되지 않는다.

설명된 양태들 또는 실시형태들의 본질을 설명하기 위해 설명되고 예시된 부분들의 상세들, 재료들, 및 배열들에서의 다양한 변화들이 다음의 청구항들에 표현된 바와 같은 범위로부터 벗어남 없이 당업자에 의해 이루어질 수도 있다는 것이 추가로 이해될 것이다.

Claims

전자 빔 검사 장치로서,
메모리; 및
메모리에 연결되는 적어도 하나의 프로세서를 포함하고, 프로세서는 전자 빔 검사 장치로 하여금:
하전 입자 장치에 의해 얻어진 이미지를 획득하는 단계; 및
수정된 이미지를 생성하기 위하여 기계 학습 모델을 사용하여 획득된 이미지를 수정하는 단계를 수행하게 하는 명령어들을 수행하도록 구성되고,
상기 기계 학습 모델은:
제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하여 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 복수의 트레이닝 위치들을 식별하는 단계;
상기 복수의 트레이닝 위치 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계;
상기 복수의 트레이닝 위치 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계 - 상기 제2 품질은 상기 제1 품질보다 높음 -; 및
상기 제1 이미지 및 상기 제2 이미지를 사용하여 상기 기계 학습 모델을 트레이닝하는 단계에 의해 트레이닝되도록 구성되는 전자 빔 검사 장치.
제1 항에 있어서, 상기 데이터는 데이터베이스에 있는 전자 빔 검사 장치.
제2 항에 있어서, 상기 데이터베이스는 그래픽 데이터베이스 시스템(GDS), Open Artwork System Interchange Standard 또는 Caltech Intermediate Form 중 어느 하나를 포함하는 전자 빔 검사 장치.
제3 항에 있어서, 상기 GDS는 GDS 포맷 데이터 또는 GDSII 포맷 데이터 중 어느 하나 이상을 포함하는 전자 빔 검사 장치.
제1 항에 있어서, 상기 기계 학습 모델은 복수의 트레이닝 위치 각각에 대한 제1 품질을 갖는 복수의 제1 이미지를 획득하고 상기 복수의 제1 이미지를 사용하여 상기 기계 학습 모델을 트레이닝하는 단계에 의해 더 트레이닝되도록 구성되는 전자 빔 검사 장치.
제1 항에 있어서, 상기 기계 학습 모델은 복수의 트레이닝 위치 각각에 대한 제2 품질을 갖는 복수의 제2 이미지를 획득하고 상기 복수의 제2 이미지를 사용하여 상기 기계 학습 모델을 트레이닝하는 단계에 의해 더 트레이닝되도록 구성되는 전자 빔 검사 장치.
제1 항에 있어서, 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계는, 복수의 패턴들을 패턴들의 복수의 서브세트로 분류하는 단계를 추가로 포함하는 전자 빔 검사 장치.
제7 항에 있어서, 패턴들의 복수의 서브세트 각각은 위치, 타입, 형상, 사이즈, 밀도 또는 이웃 레이아웃에 관한 정보와 연관되는 전자 빔 검사 장치.
제1 항에 있어서, 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계는 복수의 패턴들로부터 피처를 추출하는 단계를 추가로 포함하는 전자 빔 검사 장치.
제9 항에 있어서, 추출된 피처는, 형상, 크기, 밀도, 또는 이웃 레이아웃을 포함하는 전자 빔 검사 장치.
제10 항에 있어서, 제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하는 단계는 추출된 피처에 기초하여 복수의 패턴들을 패턴들의 복수의 서브세트로 분류하는 단계를 추가로 포함하는 전자 빔 검사 장치.
제1 항에 있어서, 복수의 트레이닝 위치들을 식별하는 단계는 패턴들의 서브세트들 각각에 대한 하나 이상의 트레이닝 위치들을 식별하는 단계를 포함하는 전자 빔 검사 장치.
제1 항에 있어서, 제1 이미지를 획득하는 단계는 제1 이미지를 획득하기 위해 제1 스캔을 포함하는 제1 스캐닝 경로를 결정하는 단계를 포함하며, 상기 제1 스캐닝 경로는 상기 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 전자 빔 검사 장치.
제13 항에 있어서, 제2 이미지를 획득하는 단계는 제2 이미지를 획득하기 위해 제2 스캔을 포함하는 제2 스캐닝 경로를 결정하도록 구성되고, 상기 제2 스캐닝 경로는 상기 복수의 트레이닝 위치들에 대한 전체 스캔 영역에 기초하는 전자 빔 검사 장치.
제14 항에 있어서, 제1 스캔은 제1 수의 스캔들을 포함하고, 제2 스캔은 제2 수의 스캔들을 포함하며, 제2 스캔의 수는 제1 스캔의 수보다 큰 전자 빔 검사 장치.
제1 항에 있어서, 수정된 이미지는 획득된 이미지보다 향상된 품질을 갖는 전자 빔 검사 장치.
제1 항에 있어서, 품질은 해상도, 콘트라스트, 밝기, 또는 잡음 레벨을 포함하는 전자 빔 검사 장치.
제1 항에 있어서, 기계 학습 모델은 획득된 이미지를 획득하기 위해 사용된 스캔의 수보다 증가된 수의 스캔들로 획득된 이미지를 근사화하기 위해 수정된 이미지를 생성하도록 구성된 전자 빔 검사 장치.
명령들의 세트를 저장하는 비일시적 컴퓨터 판독가능 매체로서, 명령들의 세트는 실행가능한 디바이스의 제어기에 의해 수행가능하며, 제어기는 디바이스로 하여금,
하전 입자 장치에 의해 얻어진 이미지를 획득하는 단계; 및
수정된 이미지를 생성하기 위하여 기계 학습 모델을 사용하여 획득된 이미지를 수정하는 단계를 수행하게 하는 명령어들을 수행하도록 구성되고,
상기 기계 학습 모델은:
제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하여 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 복수의 트레이닝 위치들을 식별하는 단계;
상기 복수의 트레이닝 위치 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계;
상기 복수의 트레이닝 위치 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계 - 상기 제2 품질은 상기 제1 품질보다 높음 -; 및
상기 제1 이미지 및 상기 제2 이미지를 사용하여 상기 기계 학습 모델을 트레이닝하는 단계에 의해 트레이닝되도록 구성되는 비일시적 컴퓨터 판독가능 매체.
방법으로서,
하전 입자 장치에 의해 얻어진 이미지를 획득하는 단계;
수정된 이미지를 생성하기 위하여 기계 학습 모델을 사용하여 획득된 이미지를 수정하는 단계 - 상기 기계 학습 모델은:
제품의 레이아웃에 관한 복수의 패턴들 데이터를 분석하여 기계 학습 모델을 트레이닝하는 것과 관련하여 사용할 복수의 트레이닝 위치들을 식별하는 단계;
상기 복수의 트레이닝 위치 각각에 대한 제1 품질을 갖는 제1 이미지를 획득하는 단계;
상기 복수의 트레이닝 위치 각각에 대한 제2 품질을 갖는 제2 이미지를 획득하는 단계 - 상기 제2 품질은 상기 제1 품질보다 높음 -; 및
상기 제1 이미지 및 상기 제2 이미지를 사용하여 상기 기계 학습 모델을 트레이닝하는 단계에 의해 트레이닝되도록 구성됨 - ; 및
수정된 획득된 이미지에 기초하여 웨이퍼의 검사를 수행하는 단계를 포함하는 방법.