KR20240067018A - 반도체 시편의 검사를 위한 이미지 잡음제거 - Google Patents

반도체 시편의 검사를 위한 이미지 잡음제거 Download PDF

Info

Publication number
KR20240067018A
KR20240067018A KR1020230150776A KR20230150776A KR20240067018A KR 20240067018 A KR20240067018 A KR 20240067018A KR 1020230150776 A KR1020230150776 A KR 1020230150776A KR 20230150776 A KR20230150776 A KR 20230150776A KR 20240067018 A KR20240067018 A KR 20240067018A
Authority
KR
South Korea
Prior art keywords
image
snr
images
low snr
model
Prior art date
Application number
KR1020230150776A
Other languages
English (en)
Inventor
타미르 에이니
드로르 알루모트
야르덴 조하르
안나 레반트
Original Assignee
어플라이드 머티리얼즈 이스라엘 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 어플라이드 머티리얼즈 이스라엘 리미티드 filed Critical 어플라이드 머티리얼즈 이스라엘 리미티드
Publication of KR20240067018A publication Critical patent/KR20240067018A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

이미지 생성 시스템 및 방법이 제공된다. 방법은, 낮은 신호 대 잡음 비(SNR)를 갖는, 반도체 시편의 런타임 이미지를 획득하는 단계, 및 높은 SNR을 갖는 출력 이미지를 획득하기 위해 기계 학습(ML) 모델을 사용하여 런타임 이미지를 처리하는 단계를 포함한다. ML 모델은 높은 SNR 이미지와 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트를 사용하여 미리 훈련된다. 복수의 낮은 SNR 이미지들은, 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 취득된 프레임들의 복수의 시퀀스들에 대응한다. 높은 SNR 이미지는 복수의 낮은 SNR 이미지들에 기초하여 생성된다. 훈련은, 각각의 낮은 SNR 이미지에 대해: 예측된 이미지 데이터를 획득하기 위해 ML 모델에 의해 낮은 SNR 이미지를 처리하는 것, 및 예측된 이미지 데이터 및 높은 SNR 이미지에 기초하여 ML 모델을 최적화하는 것을 포함한다.

Description

반도체 시편의 검사를 위한 이미지 잡음제거{IMAGE DENOISING FOR EXAMINATION OF A SEMICONDUCTOR SPECIMEN}
본 개시된 주제는 일반적으로, 반도체 시편의 검사 분야에 관한 것으로, 더 구체적으로, 반도체 시편 이미지들에 대한 이미지 잡음제거에 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 피처들을 형성하는 것을 요하며, 이는 결국, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 되어 있는 동안 디바이스들의 자동화된 검사를 포함하는, 제조 프로세스의 주의 깊은 모니터링을 필요로 한다.
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, 성장, 예컨대, 에피택셜 성장, 주입 등을 포함할 수 있다. 검사 단계들은, 예를 들어, 특정 프로세스 절차들 후에, 및/또는 특정 층들의 제조 후에 등에 여러 번 수행될 수 있다. 추가적으로 또는 대안적으로, 각각의 검사 단계는, 예를 들어, 상이한 웨이퍼 위치들에 대해 또는 상이한 검사 설정들로 동일한 웨이퍼 위치들에 대해 다수 회 반복될 수 있다.
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, 이미지 생성 시스템이 제공되고, 시스템은 처리 및 메모리 회로(PMC)를 포함하고, 처리 및 메모리 회로(PMC)는: 낮은 신호 대 잡음 비(SNR)를 갖는, 반도체 시편의 런타임 이미지를 획득하고; 낮은 SNR에 대해 비교적 더 높은, 높은 SNR을 갖는 출력 이미지를 획득하기 위해 기계 학습(ML) 모델을 사용하여 런타임 이미지를 처리하도록 구성되고, ML 모델은 동일한 높은 SNR 이미지와 각각 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 복수의 낮은 SNR 이미지들은 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응하고, 높은 SNR 이미지는 복수의 낮은 SNR 이미지들에 기초하여 생성되고; ML 모델의 훈련은, 각각의 낮은 SNR 이미지에 대해: 예측된 이미지 데이터를 획득하기 위해 ML 모델에 의해 낮은 SNR 이미지를 처리하는 것, 및 예측된 이미지 데이터 및 높은 SNR 이미지에 기초하여 ML 모델을 최적화하는 것을 포함한다.
상기 피처들 외에도, 본 개시된 주제의 이 양상에 따른 시스템은 아래에 열거된 피처들 (i) 내지 (x) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
(i). 복수의 낮은 SNR 이미지들에서의 각각의 낮은 SNR 이미지는: 제1 부위를 스캐닝하는 1회 실행에서 검사 툴에 의해 프레임들의 시퀀스를 취득하고; 프레임들의 시퀀스를 배치 크기에 따라 복수의 배치들로 분할하고; 복수의 배치들을 정합(registering)하고; 낮은 SNR 이미지를 획득하기 위해, 정합된 복수의 배치들을 조합함으로써 생성된다.
(ii). 배치 크기는 구체적으로, 정합된 복수의 배치들 사이의 상관이 미리 결정된 임계치를 충족시키도록 선택된다.
(iii). 낮은 SNR 이미지는 프레임들의 시퀀스의 모든 프레임들을 사용하여 생성되고, 이로써, ML 모델은, 훈련되면, 시편에 대한 하나 이상의 물리적 효과에 의해 야기되는, 주어진 런타임 이미지에서의 하나 이상의 이미지 아티팩트를 고려하여, 주어진 런타임 이미지에 대해, 개선된 정밀도로 출력 이미지를 생성할 수 있다.
(iv). 높은 SNR 이미지는: 유사한 이미지 통계를 갖도록 복수의 낮은 SNR 이미지들을 정규화하고; 정규화된 복수의 낮은 SNR 이미지들을 정합하고, 정합된 복수의 낮은 SNR 이미지들을 생성하고; 높은 SNR 이미지를 획득하기 위해, 정합된 복수의 낮은 SNR 이미지들을 조합함으로써 생성된다.
(v). PMC는: 런타임 이미지를 획득하면, 런타임 이미지를 복수의 낮은 SNR 이미지들과 유사한 이미지 통계를 갖도록 정규화하고, ML 모델을 사용하여, 정규화된 런타임 이미지를 처리하고; 출력 이미지를 획득하면, 출력 이미지를 런타임 이미지와 유사한 이미지 통계를 갖도록 정규화하도록 구성되고, 복수의 낮은 SNR 이미지들의 이미지 통계는 훈련 동안 계산되고 저장된다.
(vi). 예측된 이미지 데이터는 예측된 높은 SNR 이미지와 낮은 SNR 이미지 사이의 예측된 잡음이다. ML 모델은 낮은 SNR 이미지와 높은 SNR 이미지 사이의 실제 잡음과 예측된 잡음 사이의 잔차를 나타내는 손실 함수를 사용하여 최적화된다.
(vii). 예측된 이미지 데이터는 예측된 높은 SNR 이미지이고, ML 모델은 예측된 높은 SNR 이미지와 높은 SNR 이미지 사이의 차이를 나타내는 손실 함수를 사용하여 최적화된다.
(viii). 복수의 낮은 SNR 이미지들은 검사 툴의 제1 검출 관점으로부터 취득되고, 훈련 세트는 검사 툴의 제2 검출 관점으로부터 취득된 제2 복수의 낮은 SNR 이미지들, 및 제2 복수의 낮은 SNR 이미지들에 기초하여 생성된 제2 높은 SNR 이미지를 더 포함한다. 훈련된 ML 모델은 제1 검출 관점 및 제2 검출 관점으로부터 취득된 런타임 이미지들을 처리할 수 있다.
(ix). 훈련 세트는, 반도체 시편의 제2 부위를 스캐닝하는 제2 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 제2 복수의 시퀀스들에 대응하는 제2 복수의 낮은 SNR 이미지들, 및 제2 복수의 낮은 SNR 이미지들에 기초하여 생성된 제2 높은 SNR 이미지를 더 포함한다. 훈련 전에, 제1 및 제2 복수의 낮은 SNR 이미지들은 유사한 이미지 통계를 갖도록 정규화되고, 제1 높은 SNR 이미지 및 제2 높은 SNR 이미지는 유사한 이미지 통계를 갖도록 정규화된다.
(x). ML 모델에 의해 생성되는 바와 같은 높은 SNR을 갖는 출력 이미지는 개선된 정밀도로 측정들을 획득하는 데 사용가능하다.
본 개시된 주제의 다른 양상들에 따르면, 이미지 생성을 위해 기계 학습(ML) 모델을 훈련시키는 방법이 제공되고, 방법은: 동일한 높은 SNR 이미지와 각각 연관된 복수의 낮은 신호 대 잡음 비(SNR) 이미지들을 포함하는 훈련 세트를 생성하는 단계 - 복수의 낮은 SNR 이미지들은 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응하고, 높은 SNR 이미지는 복수의 낮은 SNR 이미지들에 기초하여 생성됨 -; 및 복수의 낮은 SNR 이미지들의 각각의 낮은 SNR 이미지에 대해, 예측된 이미지 데이터를 획득하기 위해 ML 모델에 의해 낮은 SNR 이미지를 처리하고, 예측된 이미지 데이터 및 높은 SNR 이미지에 기초하여 ML 모델을 최적화하는 단계를 포함하고; ML 모델은, 훈련되면, 낮은 SNR에 대해 비교적 더 높은, 높은 SNR을 갖는 출력 이미지를 획득하기 위해, 낮은 SNR을 갖는, 반도체 시편의 런타임 이미지를 처리하는 데 사용가능하다.
개시된 주제의 이 양상은 시스템과 관련하여 위에서 열거된 피처들 (i) 내지 (x) 중 하나 이상을, 준용하여, 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 이미지 생성 방법을 수행하게 하고, 방법은: 낮은 신호 대 잡음 비(SNR)를 갖는, 반도체 시편의 런타임 이미지를 획득하는 단계; 및 낮은 SNR에 대해 비교적 더 높은, 높은 SNR을 갖는 출력 이미지를 획득하기 위해 기계 학습(ML) 모델을 사용하여 런타임 이미지를 처리하는 단계를 포함하고, ML 모델은 동일한 높은 SNR 이미지와 각각 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 복수의 낮은 SNR 이미지들은 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응하고, 높은 SNR 이미지는 복수의 낮은 SNR 이미지들에 기초하여 생성되고; ML 모델의 훈련은, 각각의 낮은 SNR 이미지에 대해: 예측된 이미지 데이터를 획득하기 위해 ML 모델에 의해 낮은 SNR 이미지를 처리하는 것, 및 예측된 이미지 데이터 및 높은 SNR 이미지에 기초하여 ML 모델을 최적화하는 것을 포함한다.
개시된 주제의 이 양상은 시스템과 관련하여 위에서 열거된 피처들 (i) 내지 (x) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
본 개시내용을 이해하고 본 개시내용이 어떻게 실제로 수행될 수 있는지를 알기 위해, 이제, 첨부 도면들을 참조하여, 단지 비제한적인 예로서, 실시예들이 설명될 것이고, 첨부 도면들에서:
도 1은 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 일반화된 블록도를 예시한다.
도 2는, 본 개시된 주제의 특정 실시예들에 따른, 이미지 잡음제거에 사용가능한 기계 학습 모델을 훈련시키는 일반화된 흐름도를 예시한다.
도 3은, 본 개시된 주제의 특정 실시예들에 따른, 이미지 잡음제거를 위해 훈련된 기계 학습 모델을 사용하는 높은 SNR 이미지의 런타임 생성의 일반화된 흐름도이다.
도 4는, 본 개시된 주제의 특정 실시예들에 따른, 복수의 낮은 SNR 이미지들의 낮은 SNR 이미지를 생성하는 일반화된 흐름도이다.
도 5는, 본 개시된 주제의 특정 실시예들에 따른, 복수의 낮은 SNR 이미지들에 기초하여 높은 SNR 이미지를 생성하는 일반화된 흐름도이다.
도 6은, 본 개시된 주제의 특정 실시예들에 따른, 낮은 SNR 이미지를 생성하는 개략도를 도시한다.
도 7은, 본 개시된 주제의 특정 실시예들에 따른, 높은 SNR 이미지를 생성하는 개략도를 도시한다.
도 8은, 본 개시된 주제의 특정 실시예들에 따른, ML 모델의 예시적인 훈련 프로세스 및 ML 모델을 사용한 높은 SNR 이미지의 예시적인 런타임 생성의 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 상세하게 설명되지 않았다.
이하의 논의들로부터 명백한 것으로서, 구체적으로 달리 언급되지 않는 한, 본 명세서 전반에 걸쳐 "획득", "처리", "훈련", "최적화", "검사", "생성", "학습", "취득", "분할", "정합", "조합", "정규화", "계산", "스캐닝" 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 액션(들) 및/또는 프로세스(들)를 지칭한다는 것을 이해한다. "컴퓨터"라는 용어는, 비제한적인 예로서, 본 출원에 개시된, 검사 시스템, 기계 학습(ML) 모델을 훈련시키기 위한 훈련 시스템, 훈련된 ML 모델을 사용하는 이미지 생성 시스템, 및 그의 각각의 부분들을 포함하는, 데이터 처리 능력들을 갖는 임의의 종류의 하드웨어 기반 전자 디바이스를 망라하도록 광범위하게 해석되어야 한다.
본원에서 사용되는 "비일시적 메모리" 및 "비일시적 저장 매체"라는 용어들은 본 개시된 주제에 적합한 임의의 휘발성 또는 비휘발성 컴퓨터 메모리를 망라하도록 광범위하게 해석되어야 한다. 용어들은, 명령어들의 하나 이상의 세트를 저장하는 단일 매체 또는 다수의 매체들(예를 들어, 중앙집중형 또는 분산형 데이터베이스, 및/또는 연관된 캐시들 및 서버들)을 포함하는 것으로 간주되어야 한다. 용어들은 또한, 컴퓨터에 의한 실행을 위해 명령어들의 세트를 저장하거나 인코딩할 수 있고 컴퓨터로 하여금 본 개시내용의 방법론들 중 임의의 하나 이상을 수행하게 하는 임의의 매체를 포함하는 것으로 간주되어야 한다. 이에 따라, 용어들은, 판독 전용 메모리("ROM"), 랜덤 액세스 메모리("RAM"), 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 디바이스들 등을 포함하지만 이에 제한되지 않는 것으로 간주되어야 한다.
본 명세서에서 사용되는 "시편"이라는 용어는 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체 제조 물품들을 제조하는 데 사용되는 임의의 종류의 물리적 대상들 또는 웨이퍼들을 포함하는 기판들, 마스크들, 레티클들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 망라하도록 광범위하게 해석되어야 한다. 본원에서 시편은 또한, 반도체 시편으로 지칭되며, 대응하는 제조 프로세스들을 실행하는 제조 장비에 의해 생성될 수 있다.
본 명세서에서 사용되는 "검사"라는 용어는, 시편 제조 프로세스 동안의 그리고/또는 이후의, 다양한 유형들의 결함 검출, 결함 검토 및/또는 결함 분류, 세그먼트화, 및/또는 계측 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 다수 횟수의 스캔들의) 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 "계측 동작"이라는 용어는 반도체 시편 상의 하나 이상의 구조적 요소에 관한 계측 정보를 추출하는 데 사용되는 임의의 계측 동작 절차를 망라하도록 광범위하게 해석되어야 한다. 일부 실시예들에서, 계측 동작들은, 예를 들어, 다음: 치수들(예를 들어, 라인 폭들, 라인 간격, 콘택 직경들, 요소의 크기, 에지 거칠기, 그레이 레벨 통계 등), 요소들의 형상들, 요소들 내의 또는 요소들 사이의 거리들, 관련된 각도들, 상이한 설계 레벨들에 대응하는 요소들과 연관된 오버레이 정보 등을 포함하지만 이에 제한되지 않는, 시편 상의 특정 구조적 요소들에 대해 수행되는 임계 치수(CD) 측정들과 같은 측정 동작들을 포함할 수 있다. 측정 결과들, 예컨대, 측정된 이미지들은, 예를 들어, 이미지 처리 기법들을 채용함으로써 분석된다. 구체적으로 달리 언급되지 않는 한, 본 명세서에서 사용되는 "계측"이라는 용어 또는 그의 파생어들은 측정 기술, 측정 해상도 또는 검사 영역의 크기에 관하여 제한되지 않는다는 점을 주목한다.
본 명세서에서 사용되는 "결함"이라는 용어는 시편 상에 형성되는 임의의 종류의 이상 또는 바람직하지 않은 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 효과를 미치지 않고 수율에 영향을 주지 않기 때문에 무시될 수 있는 방해("오경보" 결함으로 또한 지칭됨)일 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 시뮬레이션, 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 오차들을 야기할 수 있다. 다양한 검사 동작들, 예컨대, 결함 관련 검사, 및/또는 계측 관련 검사는 프로세스를 모니터링하고 제어하기 위해 제조 프로세스 동안 다양한 처리 단계들/층들에서 수행될 수 있다.
위에서 설명된 바와 같이, 반도체 시편의 검사를 수행하기 위해 다양한 유형들의 검사 툴들이 사용될 수 있다. 예로서, 주사 전자 현미경들(SEM)은 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.
SEM 이미지는, SEM에 의해 연속적으로 취득되는, 반도체 시편의 영역에 대해 캡처된 프레임들의 시퀀스를 총합함으로써 생성될 수 있다. 더 높은 품질(예를 들어, 더 높은 신호 대 잡음 비(SNR))을 갖는 SEM 이미지를 획득하기 위해, 웨이퍼를 스캐닝하는 데 사용되는 전자 빔 선량(예를 들어, 프레임들을 캡처하는 데 사용되는 작업 지점에서의 전자 빔의 전류 및/또는 영역에 대해 캡처되는 프레임들의 개수 등으로서 반영될 수 있음)은 결과적인 이미지에서의 잡음들을 감소시키기 위해 특정 양에 도달해야 한다. 그러나, 많은 개수의 프레임들을 캡처하는 것은 전자 빔 툴에 의한 긴 이미지 취득 시간에 대응하고, 따라서 검사 프로세스의 처리량에 영향을 미친다.
추가적으로, 이미지 취득 동안 전자 빔이 시편에 충돌한 결과로서, 시편은 물리적으로 손상될 수 있다. 이러한 현상은 "수축" 또는 "슬리밍"으로 지칭된다. 예를 들어, 수축의 전형적인 진폭은, 예를 들어, 시편의 물질들 및/또는 상이한 층들에 따라, 웨이퍼 상의 구조적 피처들의 치수들의 5% 내지 10%일 수 있고, 이는 고객에게 바람직하지 않다. 추가적으로, 이미지 취득 동안, 시편의 표면은 전자들의 집속된 빔으로 스캐닝되고 시편은 전하들을 연속적으로 수집한다. 전자 빔에 의해 야기되는, 시편 상의 표면 전하의 축적은 이미지 아티팩트들, 예컨대, 예를 들어, 이미지 왜곡, 그레이 레벨에 관련된 변동들, 콘트라스트, 에지 선명도 등을 야기할 수 있다.
일부 경우들에서, 생산 웨이퍼에 대한 물리적 효과들을 감소시키기 위해, 프레임들을 취득하기 위해 사용되는 전자 빔 툴의 전자 선량이 제한된다. 그러나, 그러한 제약으로 획득된 SEM 이미지들은 전형적으로, 낮은 SNR로 매우 잡음이 있다. 낮은 SNR 이미지들에 대해 CD 측정들과 같은 계측 동작들을 수행하는 것은 바람직하지 않고, 일부 경우들에서는 심지어 불가능한데, 이는, 그러한 이미지들로부터 획득된 측정치들은 감소된 정밀도 및 정확도를 가질 것이기 때문이다. 일부 경우들에서, 낮은 SNR 이미지들에 대해, 사용자에 의해 수동으로 또는 주석부기(annotation) 시스템에 의해 자동으로 주석부기가 행해질 필요가 있다. 낮은 SNR 이미지들에 대한 주석부기는 매우 난제일 수 있고, 그러한 이미지들에 대한 결과적인 주석부기는 부정확하고 오류가 발생하기 쉽다. 일부 경우들에서, 그러한 주석부기된 데이터는 ML 모델을 훈련시킬 목적으로 실측 정보로서 사용되고, 이는 불가피하게, ML 모델을 오도할 수 있고, 따라서 예측 성능을 열화시킨다.
이에 따라, 본 개시된 주제의 특정 실시예들은 이미지 잡음제거의 목적을 위해 ML 모델을 훈련시키는 것을 제안한다. 훈련된 ML 모델은 입력된 낮은 SNR 이미지들을 처리하고 대응하는 높은 SNR 이미지들을 출력할 수 있다. 훈련된 ML 모델을 사용함으로써, 검사 툴은 프레임들을 캡처하는 데 사용되는 낮은 전자 선량을 유지할 수 있고, 따라서, 툴의 이미지 취득 시간뿐만 아니라 시편에 대한 물리적 효과들도 감소시킨다. 추가적으로, ML 모델을 사용하여 생성된 높은 SNR 이미지들은, 아래에서 상세하게 설명될 바와 같이, 그로부터 도출된 측정치들이, 개선된 정밀도를 갖는 것을 보장한다.
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 계측 동작들, 예컨대, 임계 치수(CD) 측정들 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 다수 횟수의 스캔들의) 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. 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. 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.
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.
본원에서 사용되는 "런타임 이미지(들)", "훈련 이미지(들)", "낮은 SNR 이미지(들)", 및 "높은 SNR 이미지(들)" 등에서의 "이미지들"이라는 용어는 제조 프로세스 동안 검사 툴에 의해 캡처된, 시편의 원래의 이미지들/프레임들, 다양한 전처리 스테이지들에 의해 획득된 캡처된 이미지들/프레임들의 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 시편의 런타임 이미지들에 기초하여 이미지 잡음제거 및/또는 자동 계측 동작들을 수행할 수 있는 컴퓨터 기반 시스템(101)을 포함한다.
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 2-5를 참조하여 더 상세하게 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, 훈련된 기계 학습(ML) 모델을 사용하여 런타임의 낮은 SNR 이미지들에 대한 이미지 잡음제거를 수행하도록 구성되는 이미지 잡음제거 시스템일 수 있다. 그러한 경우들에서, 시스템(101)의 PMC(102)에 포함된 하나 이상의 기능 모듈은, 낮은 SNR 이미지를 처리하고 대응하는 높은 SNR 이미지를 생성하도록 미리 훈련된 기계 학습(ML) 모델(108)을 포함할 수 있다.
구체적으로, PMC(102)는, I/O 인터페이스(126)를 통해, 낮은 SNR을 갖는, 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 높은 SNR(낮은 SNR에 대해 비교적 더 높음)을 갖는 출력 이미지를 생성할 수 있다. ML 모델(108)은 아래에 설명될 바와 같이, 설정 동안 훈련 세트를 사용하여 미리 훈련된다.
그러한 경우들에서, ML 모델(108)은 취득된 런타임 이미지들에 대한 런타임 계측 동작들을 보조하기 위해 사용가능한 계측 레시피의 일부로서 간주될 수 있다. 런타임 이미지 잡음제거 프로세스의 세부 사항들은 도 3 및 8을 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 동일한 높은 SNR 이미지와 각각 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트를 생성하도록 구성될 수 있다. 복수의 낮은 SNR 이미지들은, 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응한다. 높은 SNR 이미지는 복수의 낮은 SNR 이미지들에 기초하여 생성된다. 훈련 모듈(106)은 훈련 세트를 사용하여 ML 모델(108)을 훈련시키도록 구성될 수 있다. 구체적으로, 훈련은, 각각의 낮은 SNR 이미지에 대해: 예측된 이미지 데이터를 획득하기 위해 ML 모델에 의해 낮은 SNR 이미지를 처리하는 것, 및 예측된 데이터 및 높은 SNR 이미지에 기초하여 ML 모델을 최적화하는 것을 포함할 수 있다.
위에서 설명된 바와 같이, ML 모델은, 훈련되면, 런타임의 낮은 SNR 이미지에 대해 높은 SNR 이미지를 생성하는 데 사용가능하다. 훈련 프로세스의 세부 사항들은 도 2 및 4-8을 참조하여 아래에 설명된다.
시스템(100 및 101), PMC(102) 및 그의 기능 모듈들의 동작은 도 2-5를 참조하여 더 상세하게 설명될 것이다.
특정 실시예들에 따르면, 본원에서 언급되는 ML 모델(108)은 다양한 유형들의 기계 학습 모델들, 예컨대, 예를 들어, 결정 트리, 서포트 벡터 머신(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(Generative Adversarial Networ; 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.
본 개시된 주제의 교시들은 위에서 설명된 바와 같은 ML 모델의 특정 아키텍처에 의해 제한되지 않는다는 점을 주목한다.
일부 경우들에서, 시스템(101)에 추가적으로, 검사 시스템(100)은 하나 이상의 검사 모듈, 예컨대, 예를 들어, 계측 동작 모듈, 결함 검출 모듈, 자동 결함 검토 모듈(ADR), 자동 결함 분류 모듈(ADC), 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 출력, 예를 들어, 생성된 높은 SNR 이미지는 추가의 처리를 위해 하나 이상의 검사 모듈에 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 이미지(들), 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 높은 SNR 이미지는 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, 입력된 낮은 SNR에 대한 생성된 높은 SNR 이미지 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 이미지 잡음제거 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 2-5와 관련하여 설명된 방법들의 스테이지들 중 일부 또는 전부에 대응할 수 있다. 마찬가지로, 도 2-5와 관련하여 설명된 방법들 및 그들의 가능한 구현들은 시스템들(101 및 100)에 의해 구현될 수 있다. 그러므로, 도 2-5와 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, 이미지 잡음제거에 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, 동일한 높은 SNR 이미지와 각각 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트가 (예를 들어, PMC(102)의 훈련 세트 생성기(104)에 의해) 생성될 수 있다(202). 복수의 낮은 SNR 이미지들(예를 들어, 높은 SNR에 대해 비교적 더 낮음)은, 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응한다. 높은 SNR 이미지(예를 들어, 낮은 SNR에 대해 비교적 더 높음)는 복수의 낮은 SNR 이미지들에 기초하여 생성된다. 높은 SNR 이미지는 복수의 낮은 SNR 이미지들 중 각각의 낮은 SNR 이미지와 연관된 실측 정보 데이터로서 역할을 한다. ML 모델은 낮은 SNR 이미지들 및 높은 SNR 이미지들의 2개의 모집단들 사이의 비선형 맵핑 관계를 학습하도록 훈련된다.
본원에 사용되는, 낮은 SNR 및 높은 SNR은, 예를 들어, 낮은 SNR이 높은 SNR보다 비교적 더 낮고, 높은 SNR이 낮은 SNR보다 비교적 더 높은 한, 서로에 대해 정의될 수 있다는 점을 주목해야 한다. 일부 경우들에서, 낮은 SNR 및 높은 SNR은 또한, 특정 검사 응용에 관한 미리 결정된 SNR 수준(예를 들어, 응용이, 예를 들어, 정밀도, 감도, 정확도, 또는 처리량 등에 대한 성능 요건들을 충족시키기에 충분한 SNR)일 수 있는 임계치에 대해 정의된 것으로 간주될 수 있다.
이제 도 4를 참조하면, 본 개시된 주제의 특정 실시예들에 따른, 복수의 낮은 SNR 이미지들의 낮은 SNR 이미지를 생성하는 일반화된 흐름도가 예시된다.
프레임들의 시퀀스는 시편 상의 부위(아래에 설명되는 바와 같이 제2 부위 또는 하나 이상의 추가적인 부위와 구별하기 위해, 제1 부위로 또한 지칭됨)를 스캐닝하는 1회 실행에서 검사 툴(예를 들어, SEM과 같은 검사 툴(120))에 의해 취득될 수 있다(402). "부위(site)"라는 용어는 시편에 대해 검사될 영역을 지칭한다. "1회 실행" 또는 "단일 실행"이라는 용어는, 시편을 툴로부터 제거하고 이를 재배치하지 않고, 검사 툴에 의해 시편 상의 부위를 스캐닝하고 부위의 일련의 프레임들을 하나의 버스트로 순차적으로 캡처하는 것을 지칭한다. 다수 횟수의 실행들, 또는 복수 횟수의 실행들은, 상이한 실행들 사이에서 툴 상의 시편을 제거하고 재배치하면서 동일한 부위를 스캐닝하고, 이에 의해, 취득된 이미지들에 물리적 효과들, 예컨대, 내비게이션 오류들을 도입하는 것을 지칭한다. 부위를 스캐닝하는 1회 실행에서 취득된 프레임들(602)의 시퀀스가 도 6에 예시된다.
프레임들의 시퀀스는 배치 크기에 따라 (예를 들어, PMC(102)의 훈련 세트 생성기(104)의 이미지 처리 모듈에 의해) 복수의 배치들로 분할될 수 있다(404). 복수의 배치들이 정합될 수 있고(406), 정합된 복수의 배치들을 생성한다. 프레임들의 배치들 간의 오정렬을 보정할 목적으로 이미지 정합이 수행될 수 있다. 프레임들이, 동일한 부위를 스캐닝하는 1회 실행 내에서 순차적으로 캡처되기 때문에(즉, 시편이 제거되지 않고 툴에 대해 재배치되지 않기 때문에), 내비게이션 오류 및 툴 드리프트들(tool drifts)이 최소일 것으로 추측된다. 그러한 경우들에서, 예를 들어, 병진, 회전, 스케일링, 전단 맵핑 등 중 하나 이상, 및 이들의 임의의 시퀀스의 임의의 조합을 포함하는, 이미지들의 2개의 배치들 사이의 사영 변환을 나타내는 기하학적 변환 파라미터들을 결정하기 위해, 정합이 수행될 수 있다. 정합된 복수의 배치들은, 예를 들어, 정합된 복수의 배치들을 평균화함으로써 낮은 SNR 이미지를 획득하기 위해 조합될 수 있다(408).
도 6에 예시된 바와 같이, 프레임들(602)의 시퀀스는 n개의 배치들로 분할된다(604). 배치 크기(즉, 각각의 배치의 프레임들의 개수)는 복수의 배치들의 프레임들의 개수에 대한 임의의 분할가능한 정수들일 수 있다. 일부 실시예들에서, 배치 크기는, 정합된 복수의 배치들 사이의 평균화된(예를 들어, 평균, 중간값, 또는 임의의 다른 평균화 기법들) 상관이, 미리 결정된 임계치(즉, 상관 임계치)를 충족하도록 (분할가능한 정수들로부터) 구체적으로 선택될 수 있다.
예로서, 프레임들의 시퀀스가 24개의 프레임들을 포함한다고 가정한다. 배치 크기 후보들은 배치 당 1, 2, 3, 4, 6, 8, 및 12개의 프레임들을 포함한다. 상관 임계치를 충족시키는 배치 크기를 찾기 위해, 반복적 선택 프로세스가 수행될 수 있다. 예를 들어, 크기 후보, 예를 들어, 배치 당 2개의 프레임들이 먼저 선택될 수 있고, 24개의 프레임들의 시퀀스는 12개의 배치들(n=12)로 분할된다. 각각의 배치의 2개의 프레임들은 평균화된 프레임으로 조합된다. 12개의 배치들이 정합되는데, 예를 들어, 배치들 2-12 모두가 제1 배치에 정합된다. 정합된 배치들 사이의 상관은 (예를 들어, 각각의 2개의 배치들 사이의 상관을 계산한 다음, 모든 상관 값들을 평균화함으로써) 계산될 수 있고, 미리 결정된 임계치와 비교될 수 있다. 임계치가 충족되지 않는 경우, 다음 크기 후보, 예를 들어, 배치 당 3개의 프레임들이 선택될 수 있고, 선택된 배치 크기가, 상관이 상관 임계치를 충족시키는 것을 가능하게 할 때까지 상기 프로세스가 반복될 수 있다.
프레임들의 시퀀스를 배치들로 분할하고, 프레임 수준의 직접 정합 대신에, 배치들 사이의 정합을 수행하는 것은, 각각의 단일 프레임의 낮은 품질에 의해 야기되는 정합 오류를 감소시킬 수 있고, 생성된 낮은 SNR 이미지의 정확도를 개선할 수 있다. 추가적으로, 배치 크기가 정합 유효성에 영향을 미칠 수 있기 때문에, 본 개시내용에서는, 정합된 배치들이 상관 임계치를 충족시키도록 배치 크기가 구체적으로 선택되는 것(예를 들어, 위에 설명된 바와 같은 반복적 선택 프로세스)이 제안된다. 그러한 특정 선택 구성은 정합 정확도의 수준을 개선하기 위해 프레임들의 시퀀스가 적절하게 분할되는 것을 보장할 수 있고, 그에 의해, 생성된 낮은 SNR 이미지의 품질을 더 향상시킨다.
도 6에 도시된 바와 같이, 일단 배치 크기가 선택되면, n개의 배치들이 생성된다. n개의 배치들이 정합된 다음 조합(예를 들어, 평균화)되고(606), 제1 부위를 스캐닝하는 1회 실행에서 취득된 프레임들(602)의 시퀀스들에 대응하는 낮은 SNR 이미지(608)를 생성한다.
낮은 SNR 이미지(608)는 프레임들(602)의 시퀀스의 모든 프레임들에 기초하여 생성된다는 점을 주목해야 한다. 수축이 발생하고 그의 효과가 더 명백한, 시퀀스의 시작에서 처음 몇 개의 프레임들, 및/또는 대전이 연속적으로 축적되고 그의 효과가 더 상당한, 시퀀스의 끝에서의 마지막 몇 개의 프레임들을 배제할 필요가 없다. 낮은 SNR 이미지를 생성하기 위해 1회 실행 동안 캡처된 프레임들의 시퀀스로부터의 모든 프레임들을 사용함으로써, ML 모델은 그러한 물리적 효과들에 의해 야기되는 특정 프레임들에서의 이미지 아티팩트들을 일반화하도록 학습하고, 이에 의해, 그러한 물리적 효과들에 의해 야기되는, 런타임 입력 이미지에서의 임의의 이미지 아티팩트들을 고려하여, 주어진 런타임 입력 이미지에 대해, 정밀도 개선을 목표로 하는 출력의 높은 SNR 이미지를 생성할 수 있다.
일부 경우들에서, 높은 SNR 이미지는 복수의 낮은 SNR 이미지들을 생성하는 데 사용되는 프레임들의 복수의 시퀀스들의 프레임들 중 일부를 사용하여 생성될 수 있다. 예로서, n개의 낮은 SNR 이미지들이 스캐닝의 n회의 실행에서 취득된 프레임들의 n개의 시퀀스에 기초하여 생성된다고 가정한다. 높은 SNR 이미지는 프레임들의 n개의 시퀀스의 프레임들 중 일부를 배제함으로써 생성될 수 있다. 예를 들어, 새로운 제1 낮은 SNR 이미지는, 시퀀스의 시작에서의 (축소의 효과가 명백한) 다수의 프레임들이 배제되는, 프레임들의 제1 시퀀스를 사용하여 생성될 수 있다. 유사하게, 새로운 n번째의 낮은 SNR 이미지는, 시퀀스의 끝에서의 (대전의 효과가 상당한) 다수의 프레임들이 배제되는, 프레임들의 n번째 시퀀스를 사용하여 생성될 수 있다. 그러한 방식들로, 생성된 높은 SNR 이미지는 그러한 물리적 효과들에 의해 야기되는 이미지 아티팩트들을 더 적게 보유하고, 따라서 더 깨끗하고 더 정확한 실측 정보를 제공한다.
유사하게, 동일한 제1 부위를 스캐닝하는 하나 이상의 추가적인 실행에서 툴에 의해 프레임들의 하나 이상의 추가적인 시퀀스가 취득될 수 있고, 도 6을 참조하여 설명된 바와 유사한 방식으로 하나 이상의 추가적인 낮은 SNR 이미지가 생성될 수 있다.
복수의 낮은 SNR 이미지들이 생성되면, 도 5 및 7을 참조하여 더 상세하게 설명될 바와 같이, 복수의 낮은 SNR 이미지들에 기초하여 높은 SNR 이미지가 생성될 수 있다.
이제 도 5를 참조하면, 본 개시된 주제의 특정 실시예들에 따른, 복수의 낮은 SNR 이미지들에 기초하여 높은 SNR 이미지를 생성하는 일반화된 흐름도가 예시된다.
복수의 낮은 SNR 이미지들은 (예를 들어, 제1 낮은 SNR 이미지의 것과) 유사한 이미지 통계를 갖도록 (예를 들어, PMC(102)의 훈련 세트 생성기(104)의 이미지 처리 모듈에 의해) 정규화될 수 있다(502). 도 7에 도시된 바와 같이, 각각의 낮은 SNR 이미지에 대하여, 이미지 통계, 예컨대, 예를 들어, 평균(μ) 및 표준 편차(σ)가 계산될 수 있다. 낮은 SNR 이미지들 2-n의 이미지 통계는 낮은 SNR 이미지 1과 유사한 통계로 정규화될 수 있다. 낮은 SNR 이미지들 사이의 정규화는, 스캐닝 프로세스의 특정 물리적 효과들, 예컨대, 예를 들어, 대전 효과들, 탄화, 시간에 따른 시편에 대한 손상, 및 검사 툴들의 상이한 물리적 구성들 및 교정들 등에 의해 야기될 수 있는, 이미지들 사이의 색 변동을 효과적으로 보정할 수 있다.
도 5 및 7에 도시된 바와 같이, 복수의 정규화된 낮은 SNR 이미지들이 정합될 수 있다(504). 예를 들어, 정규화된 낮은 SNR 이미지들 2-n은 모두, 낮은 SNR 이미지 1로 정합될 수 있다. 정규화된 낮은 SNR 이미지들 사이의 오정렬을 보정할 목적으로 이미지 정합이 수행될 수 있다.
일부 경우들에서, 낮은 SNR 이미지들 사이의 이미지 정합은 전역 정합 및/또는 국부 정합을 포함할 수 있다. 전역 정합은 다양한 인자들, 예컨대, 예를 들어, (상이한 실행들 간의) 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 수행될 수 있다. 예로서, 예를 들어, 병진, 회전, 스케일링, 전단 맵핑 등 중 하나 이상, 및 이들의 임의의 시퀀스의 임의의 조합을 포함하는, 사영 변환을 나타내는 기하학적 변환 파라미터들을 결정하는 것에 의해 전역 정합이 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 정보 지점들("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.
정합된 복수의 정규화된 낮은 SNR 이미지들은 높은 SNR 이미지를 획득하기 위해 조합될 수 있다(506). 예를 들어, 정합된 n개의 정규화된 낮은 SNR 이미지들이 평균화될 수 있고(704), 높은 SNR 이미지(702)를 생성한다.
도시된 바와 같이, 복수의 낮은 SNR 이미지들 1-n 모두는 정규화된 낮은 SNR 이미지들 각각에 대한 실측 정보로서 역할을 하는 동일한 높은 SNR 이미지(702)에 대응한다. 상이한 변동들, 예컨대, 프로세스 변동 및 색 변동, 물리적 효과들, 예컨대, 수축 및 대전 효과들뿐만 아니라, 내비게이션 오류 및 툴 드리프트들 등에 의해 야기되는, 복수의 정규화된 낮은 SNR 이미지들(동일한 부위를 스캐닝하는 상이한 실행들에서 캡처됨) 사이의 특정 변동들이 존재할 수 있다는 점을 주목한다. 훈련 세트는 모든 낮은 SNR 이미지들이, 동일한 실측 정보 높은 SNR 이미지와 연관되도록 구성되고, 그에 의해, 그러한 훈련 세트를 사용하여 훈련된 ML 모델이, 그러한 변동들을 갖는 상이한 입력 이미지들이 주어지면, 유사한 높은 SNR 이미지를 예측할 수 있다는 것을 보장한다. 그러므로, 그러한 높은 SNR 이미지로부터 도출된 측정치들은, 비교적 더 높은 전자 선량들로(예를 들어, 더 많은 개수의 프레임들 및 긴 취득 시간으로) 캡처된 이전의 런타임 이미지들로부터 획득된 측정치들과 비교할 때에도, 개선된 정밀도를 갖는다.
도 2를 다시 참조하면, 도 4-7과 관련하여 위에서 설명된 바와 같이, 일단 훈련 세트가 생성되면, 훈련 세트는 이미지 잡음제거를 위해 ML 모델을 훈련시키는 데 사용될 수 있다. ML 모델의 훈련은, 각각의 낮은 SNR 이미지에 대해: 예측된 이미지 데이터를 획득하기 위해 ML 모델에 의해(예를 들어, PMC(102)의 ML 모델(108)에 의해) 낮은 SNR 이미지를 처리하는 것(204), 및 예측된 데이터 및 높은 SNR 이미지에 기초하여 ML 모델을 (예를 들어, PMC(102)의 훈련 모듈(106)에 의해) 최적화하는 것(206)을 포함할 수 있다.
도 8은, 본 개시된 주제의 특정 실시예들에 따른, ML 모델의 예시적인 훈련 프로세스의 개략도를 도시한다.
예시된 바와 같이, 복수의 낮은 SNR 이미지들(802)이 생성되고, 이미지들 각각은 도 6을 참조하여 설명된 바와 같이 프레임들의 각각의 시퀀스에 대응한다. 낮은 SNR 이미지들(802)은, 도 7을 참조하여 설명된 바와 같이, 실측 정보(GT) 데이터, 즉, 높은 SNR 이미지(804)를 생성하는 데 사용된다. 복수의 낮은 SNR 이미지들(802) 및 높은 SNR 이미지(804)로부터의 각각의 낮은 SNR 이미지 i(803)는 ML 모델을 훈련시키는 데 사용되는 이미지 쌍을 형성한다. 일부 경우들에서, 복수의 낮은 SNR 이미지들의 이미지 통계(예컨대, 예를 들어, 평균(μl) 및 표준 편차(σl) 등)가 훈련 동안 계산될 수 있고(805) 저장될 수 있다. 아래에 더 상세하게 설명될 바와 같이, 훈련 세트가 시편 상의 다수의 부위들로부터의 낮은 SNR 이미지들 및 높은 SNR 이미지들을 포함하는 경우들에서, 다수의 부위들로부터의 낮은 SNR 이미지들의 이미지 통계가 계산되고 유사한 이미지 통계(μl, σl)로 정규화될 수 있고, 다수의 부위들로부터의 높은 SNR 이미지들의 이미지 통계가 계산되고 유사한 이미지 통계(μh, σh)로 정규화될 수 있다. 훈련 세트가 시편 상의 다수의 부위들로부터 그리고 다수의 관점들로부터 취득된 낮은 SNR 이미지들 및 높은 SNR 이미지들을 포함하는 경우들에서, 각각의 관점으로부터의 다수의 부위들의 낮은 SNR 이미지들의 이미지 통계가 계산되고 유사한 이미지 통계(μl, σl)로 정규화될 수 있고, 각각의 관점으로부터의 다수의 부위들의 높은 SNR 이미지들의 이미지 통계가 계산되고 유사한 이미지 통계(μh, σh)로 정규화될 수 있다.
훈련(806) 동안, 각각의 쌍의 낮은 SNR 이미지 i(803)가, 처리되기 위해 ML 모델(808)에 공급된다. ML 모델(808)의 출력은 예측된 이미지 데이터이다. ML 모델은 상이한 방식들로 구성될 수 있고, 이에 따라, 예측된 이미지 데이터가 변할 수 있다. 예로서, 일부 경우들에서, ML 모델은 예측된 높은 SNR 이미지를 생성하도록 구성될 수 있다. 예측된 높은 SNR 이미지는 손실 함수(비용 함수로 또한 지칭됨)를 사용하여 실측 정보 높은 SNR 이미지(804)에 대해 평가된다. 예를 들어, 손실 함수는, 예측된 이미지와 높은 SNR 이미지(804) 사이의 차이를 표현하도록 구성된 차이 메트릭, 예컨대, 평균 제곱 오차(MSE), 절대차의 합(SAD), 구조적 유사성 지수 측정(SSIM) 등일 수 있다. ML 모델(808)은 손실 함수의 값을 최소화함으로써 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, 이는 반드시 실제 최소치에 도달할 필요는 없다는 점을 주목해야 한다.
다른 예로서, 일부 경우들에서, ML 모델은 예측된 높은 SNR 이미지와 낮은 SNR 이미지 i 사이의 예측된 잡음을 생성하도록 구성될 수 있다. 그러한 경우들에서, 예측된 잡음은 손실 함수를 사용하여 (실측 정보로서) 높은 SNR 이미지와 낮은 SNR 이미지 사이의 실제 잡음에 대해 평가된다. ML 모델은, 예측된 잡음과 실제 잡음 사이의 잔차를 나타내는 손실 함수, 예컨대, 예를 들어, 최소 절대 오차(L1), 최소 제곱 오차들(L2), 후버 손실 등을 사용하여 최적화될 수 있다.
위에서 설명된 바와 같이, ML 모델(808)은 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 배치 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 시도하도록(즉, 손실 함수가 특정 수준/임계치로 최소화되거나 훈련이, 미리 정의된 횟수의 기간들 동안 수행되도록), 각각의 배치 동안 역전파를 사용하여 CNN의 가중치들 및/또는 임계 값들을 반복적으로 조정함으로써 수행될 수 있다. 각각의 배치에서의 가중치 조정 후에, CNN은 예측 정확도의 관점에서 개선되고, 결국, 훈련된 모델에서 가중치들의 최적의 세트를 달성한다.
일부 실시예들에서, 위에서 설명된 바와 같은 복수의 낮은 SNR 이미지들은 검사 툴의 제1 검출 관점으로부터 취득된다. 훈련 세트는 검사 툴의 제2 검출 관점으로부터 취득된 제2 복수의 낮은 SNR 이미지들, 및 제2 복수의 낮은 SNR 이미지들에 기초하여 생성된 제2 높은 SNR 이미지를 더 포함할 수 있다. 예로서, 상이한 관점들은 SEM 툴의 외부 및 내부 관점들(2차 전자(SE) 및 후방산란된 전자(BSE) 관점들로 또한 지칭됨)을 지칭할 수 있다. 그러한 경우들에서, 도 8에 예시된 바와 같은 낮은 SNR 이미지들(802)은 상이한 검출 관점들로부터 취득된 제1 및 제2 복수의 낮은 SNR 이미지들 양쪽 모두를 나타내고, 그러한 훈련 세트를 사용하여 훈련된 ML 모델은 제1 검출 관점 및 제2 검출 관점으로부터 취득된 런타임 이미지들을 처리할 수 있다.
본원에서 사용되는 "정밀도"라는 용어는 시편의 동일한 피처에 대한 (동일한 툴에 의한) 독립적인 측정들 사이의 일치의 근접도를 나타내는 계측 벤치마크/메트릭을 지칭한다는 점을 주목해야 한다. 예로서, 양호한 정밀도는 동일한 피처의 독립적인 측정들이 반복가능하다는 것을 표시한다(즉, 측정들은 서로에 대해 작은 편차를 갖고, 측정 분포는 비교적 가깝다). 일부 실시예들에서, 정밀도는 측정 반복성으로서 간주될 수 있다. 반복성은, 어떠한 조작자 개입도 없이, 연속적인 측정들이 시편의 동일한 부위에 대해 반복적으로 수행되는 경우의 측정 결과 분포의 측정을 지칭한다. 반복된 측정 결과들 내에서의 변동에 대한 원인은 주로, 툴 신호(예를 들어, SEM 신호)의 통계적 속성, 및 레시피에 포함된 바와 같은 측정 알고리즘에 의한 신호들의 새로운 세트의 해석에 기인할 수 있다. 일부 다른 실시예들에서, 정밀도는 2개의 성분들: 반복성 및 재현성을 포함할 수 있다. 재현성은, 상이한 시간들에서 동일한 시편의 상이한 부위들로부터 측정들이 획득되는 경우의 측정 결과 분포의 다른 측정을 지칭한다. 이는, 독립적인 측정들 사이의 다른 변동 원인들: 웨이퍼 정렬, SEM 자동초점, 패턴 인식, 툴 안정성 등을 고려한다.
특정 실시예들에 따르면, 정밀도 메트릭이 (동일한 부위의 측정들에 대한) 반복성 및 (동일한 시편의 상이한 부위들의 측정들에 대한) 재현성 둘 모두에 대해 평가되는 경우들에서, 훈련 세트는 시편의 상이한 부위들로부터 취득된 낮은 SNR 이미지들을 포함할 수 있다. 예로서, 시편의 제1 부위로부터 취득된 복수의 낮은 SNR 이미지들에 추가하여, 훈련 세트는, 도 4-7과 관련하여 설명된 바와 유사한 방식으로 생성되는, 반도체 시편의 제2 부위로부터 취득된 제2 복수의 낮은 SNR 이미지들 및 대응하는 제2 높은 SNR 이미지를 더 포함할 수 있다. 제2 부위는 제1 부위와 상이한 부위이다. 2개의 부위들은 동일한 피처를 포함한다(즉, 유사한 설계 패턴을 공유한다). 구체적으로, 제2의 복수의 낮은 SNR 이미지들은 제2 부위를 스캐닝하는 제2의 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 제2의 복수의 시퀀스들에 대응한다. 제2 높은 SNR 이미지는 제2 복수의 낮은 SNR 이미지들에 기초하여 생성된다.
그러한 경우들에서, 낮은 SNR 이미지들(802)은 제1 및 제2 복수의 낮은 SNR 이미지들을 나타낸다. 높은 SNR 이미지(804)는 제1 및 제2 높은 SNR 이미지들을 나타낸다. 일부 경우들에서, 훈련 전에, 제2 복수의 낮은 SNR 이미지들 및 제1 복수의 낮은 SNR 이미지들은 유사한 이미지 통계를 갖도록 정규화될 수 있고, 제1 높은 SNR 이미지 및 제2 높은 SNR 이미지는 (블록(805)에 예시된 바와 같이) 유사한 이미지 통계를 갖도록 정규화될 수 있다.
일부 실시예들에서, 하나 이상의 추가적인 낮은 SNR 이미지가 시편의 하나 이상의 추가적인 부위로부터 취득될 수 있다. 예로서, 부위들은 시편에 걸친 불균일성을 반영하도록 선택될 수 있다. 일 예에서, n개의 부위는 웨이퍼 상의 n개의 다이로부터 선택될 수 있고, 각각의 부위는 동일한 피처를 포함한다. n개의 부위 각각에 대해, 부위를 스캐닝하는 m회의 실행으로부터 m개의 낮은 SNR 이미지가 취득될 수 있고, 그에 의해 총 m*n개의 낮은 SNR 이미지 및 n개의 대응하는 높은 SNR 이미지를 생성한다.
일부 추가의 실시예들에서, 낮은 SNR 이미지들은 시편의 n개의 부위에 대해 k개의 검출 관점으로부터 취득될 수 있다. 각각의 부위에 대해, m개의 낮은 SNR 이미지가, 부위를 스캐닝하는 m회의 실행으로부터 취득될 수 있다. 그러한 경우들에서, 훈련 세트는 m*n*k개의 낮은 SNR 이미지 및 n*k개의 대응하는 높은 SNR 이미지를 포함할 수 있다.
선택적으로, ML 모델이 훈련되고 나면, 이는 추가적인 데이터세트들을 사용하여 시험되고 검증될 수 있다. 시험 및 검증 동안의 예측 성능이 요건들을 충족시키는 경우, 훈련된 ML 모델은 이미지 잡음제거를 위해 런타임으로 배치될 수 있다.
이제 도 3을 참조하면, 본 개시된 주제의 특정 실시예들에 따른, 이미지 잡음제거를 위해 훈련된 기계 학습 모델을 사용하는 높은 SNR 이미지의 런타임 생성의 일반화된 흐름도가 예시된다.
시편의 런타임 검사 동안 (예를 들어, 검사 툴(120)에 의해) 반도체 시편의 런타임 이미지가 획득될 수 있다(302). 런타임 이미지는 (예를 들어, 본원에 설명된 바와 같이 높은 SNR에 대해 비교적 더 낮은) 낮은 신호 대 잡음 비(SNR)를 갖는다. 예로서, 런타임 이미지는 전자 빔 툴, 예컨대, 예를 들어, SEM에 의해 취득될 수 있다.
런타임 이미지는, 처리(304)하기 위해 기계 학습 모델(예를 들어, PMC(102)의 ML 모델(108))에 입력으로서 제공될 수 있다. 런타임 이미지를 처리하면, ML 모델은 높은 SNR(예를 들어, 낮은 SNR에 대해 비교적 더 높음)을 갖는 출력 이미지를 제공할 수 있다. ML 모델은 동일한 높은 SNR 이미지(실측 정보로서 역할을 함)와 각각 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련된다. 복수의 낮은 SNR 이미지들은, 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응한다. 높은 SNR 이미지는 복수의 낮은 SNR 이미지들에 기초하여 생성된다. 낮은 SNR 이미지들 및 높은 SNR 이미지를 포함하는 훈련 세트 생성은 도 2 및 4-7을 참조하여 위에서 상세하게 설명된다. 위에서 설명된 바와 같이, ML 모델은 다양한 학습 모델들을 사용하여 구현될 수 있다.
런타임 이미지는 (전자 선량, 프레임들의 개수 등의 관점에서) 훈련 세트의 낮은 SNR 이미지들과 유사한 이미징 조건에서 취득되고, 이로써, 런타임 이미지의 SNR 수준은 훈련의 낮은 SNR 이미지의 SNR 수준과 동일/유사하다(예를 들어, 동일하거나, 유사하거나, 고도로 상관된다)는 것을 주목해야 한다. 훈련 이미지의 낮은 SNR 및 런타임 이미지의 낮은 SNR은 어느 정도 유사할 수 있고, 정확히 동일할 필요는 없다는 점을 주목해야 한다. 그들 사이의 동등성/유사성의 정도/수준을 결정하기 위해 다양한 유사성 척도들 및 알고리즘들이 사용될 수 있다.
일부 실시예들에서, 다양한 측정들, 예컨대, 예를 들어, CD 측정들을 획득할 목적으로, 생성된 높은 SNR 이미지에 대해 계측 동작들이 (예를 들어, PMC(102)의 계측 모듈(예시되지 않음)에 의해) 수행될 수 있다.
도 8은, 본 개시된 주제의 특정 실시예들에 따른, ML 모델을 사용한 높은 SNR 이미지의 예시적인 런타임 생성의 개략도를 더 도시한다.
ML 모델(808)은, 훈련되면, (훈련 단계의 ML 모델(808)로부터 런타임 단계의 ML 모델(812)로의 화살표에 의해 표시된 바와 같이) 런타임으로 배치된다. 시편을 검사할 때, 낮은 SNR을 갖는 런타임 이미지(810)가 획득된다. 일부 실시예들에서, 런타임 이미지(810)는, 처리하기 위해, 훈련 및 배치된 ML 모델(812)에 공급되기 전에, 복수의 낮은 SNR 이미지들의 것과 유사한 이미지 통계(예를 들어, 평균(μl) 및 표준 편차(σl))를 갖도록 정규화될 수 있다. ML 모델(812)은 정규화된 런타임 이미지를 처리하고, 출력 이미지를 제공한다. 출력 이미지는 입력된 런타임 이미지의 것과 유사한 이미지 통계(예를 들어, 평균(μ) 및 표준 편차(σ))를 갖도록 다시 정규화되고, 높은 SNR을 갖는 최종 출력 이미지(814)를 생성한다.
런타임 이미지의 이미지 통계를 복수의 낮은 SNR 이미지들의 유사한 이미지 통계로 변환하는 것은, ML 모델이 훈련된 것과 유사한 조건으로 ML 모델이 런타임 예측을 수행하는 것을 가능하게 할 수 있고, 그에 의해 예측 성능을 최대화한다. ML 모델로부터의 출력 이미지의 이미지 통계를 런타임 이미지의 원래의 통계로 다시 변환하는 것은, 입력된 런타임 이미지에 대해 매칭되는 그레이 레벨 통계를 갖는 높은 SNR 이미지를 생성할 수 있다.
도 2를 참조하여 위에서 설명된 바와 같이, 훈련 세트의 복수의 낮은 SNR 이미지들은, 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응한다. 이는 또한, "다중 실행" 시나리오로 지칭된다. 본 개시된 주제의 특정 실시예들은 또한, 아래에서 더 상세하게 설명될 바와 같이, "단일 실행" 시나리오를 포괄한다.
단일 실행 시나리오에서, 프레임들의 시퀀스는 (예를 들어, 비교적 많은 개수의 프레임들을 초래하는 비교적 긴 버스트로) 제1 부위를 스캐닝하는 단일 실행에서 검사 툴에 의해 취득될 수 있다. 프레임들의 시퀀스는 배치 크기에 따라 복수의 배치들로 분할될 수 있다. 복수의 배치들이 정합될 수 있고, 정합된 복수의 배치들은 높은 SNR 이미지를 획득하기 위해 조합(예를 들어, 평균화)될 수 있다. 배치들로의 분할, 배치들 사이의 정합, 및 정합된 배치들의 조합은, 도 4 및 6을 참조하여 위에 설명된 바와 유사한 방식으로 수행될 수 있고, 여기서 한가지 차이는, 결과적인 이미지는, 낮은 SNR 이미지가 아니라, 높은 SNR 이미지로서 사용된다는 것이다(이는, 그것이 비교적 많은 개수의 프레임들로부터 초래되기 때문이다).
프레임들의 시퀀스는 복수의 하위세트들로 분할될 수 있고, 각각의 하위세트는 다수의 프레임들(예를 들어, n개의 프레임)을 포함한다. 각각의 하위세트의 n개의 프레임은 각각의 낮은 SNR 이미지를 획득하기 위해 조합될 수 있고, 복수의 낮은 SNR 이미지들을 생성한다. 복수의 낮은 SNR 이미지들은 위에서 생성된 바와 동일한 높은 SNR 이미지와 연관된다. 훈련 세트는 낮은 SNR 이미지 및 높은 SNR 이미지를 각각 포함하는 복수의 이미지 쌍들을 포함할 수 있고, 여기서 높은 SNR 이미지는 낮은 SNR 이미지에 대한 실측 정보로서 역할을 한다. 유사하게, 시편의 하나 이상의 추가적인 부위에 대해 하나 이상의 추가적인 복수의 이미지 쌍이 취득될 수 있다. 일 실시예에서, 훈련 세트는 시편의 복수의 부위들로부터 취득된 이미지 쌍들을 포함할 수 있다.
ML 모델은 훈련 세트를 사용하여 설정 동안 훈련될 수 있다. 예로서, 각각의 쌍에서의 낮은 SNR 이미지는 처리되기 위해 ML 모델에 공급된다. ML 모델의 출력은 예측된 이미지 데이터이다. 유사하게, 위에서 설명된 바와 같이, ML 모델은 상이한 방식들로 구성될 수 있고, 이에 따라, 예측된 이미지 데이터가 변할 수 있다. 예로서, 일부 경우들에서, ML 모델은 예측된 높은 SNR 이미지를 생성하도록 구성될 수 있다. 예측된 높은 SNR 이미지는 손실 함수를 사용하여 실측 정보 높은 SNR 이미지에 대해 평가된다. 다른 예로서, ML 모델은 예측된 높은 SNR 이미지와 낮은 SNR 이미지 사이의 예측된 잡음을 생성하도록 구성될 수 있다. 그러한 경우들에서, 예측된 잡음은 손실 함수를 사용하여 높은 SNR 이미지와 낮은 SNR 이미지 사이의 실제 잡음에 대해 평가된다. ML 모델은, 예측된 잡음과 실제 잡음 사이의 잔차를 나타내는 손실 함수를 사용하여 최적화될 수 있다. ML 모델은 손실 함수의 값을 최소화함으로써 최적화될 수 있다.
본 개시내용에 예시된 예들, 예컨대, 예를 들어, 정합 기법들, 예시된 ML 모델들 및 그의 훈련 프로세스, 예시된 부위들 및 관점들 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.
본원에서 설명되는 바와 같은 본 개시된 주제의 특정 실시예들의 장점들 중에는, 이미지 잡음제거가 가능한 ML 모델을 제공하는 것, 즉, 런타임의 낮은 SNR 이미지의 입력이 주어지면, 훈련된 ML 모델은 이를 처리하고 상당히 개선된 SNR 수준을 갖는 대응하는 높은 SNR 이미지를 생성할 수 있다는 것이 있다. 생성된 높은 SNR 이미지는, 긴 이미지 취득 시간을 전형적으로 요구하고, 또한, 시편에 원치 않는 물리적 효과들, 예컨대, 예를 들어, 수축 및 대전 효과들을 야기하는, 검사 툴에 의해 캡처된 실제의 높은 SNR 이미지를 사용하는 대신에, 계측 동작들을 수행하는 데 사용될 수 있다.
제안된 시스템은, 검사 툴이, 낮은 SNR 이미지만을 캡처하는 것을 가능하게 하여, 검사 툴의 이미지 취득 시간을 상당히 감소시키고 처리량을 개선한다. 추가적으로, 생성된 높은 SNR 이미지는 양호한 품질을 갖고, 이로써, 그로부터 도출된 측정치들은 입력된 낮은 SNR 이미지에 대해 개선된 정밀도를 갖는다. 일부 경우들에서, 측정치들은, 비교적 더 높은 전자 선량들로(예를 들어, 더 많은 개수의 프레임들 및 긴 취득 시간으로) 캡처된 이전의 런타임 이미지들로부터 획득된 측정치들과 비교할 때, 개선된 정밀도를 갖는다.
본원에서 설명되는 바와 같은 본 개시된 주제의 특정 실시예들의 추가의 장점들 중에는, 동일한 실측 정보 높은 SNR 이미지와 연관된 복수의 낮은 SNR 이미지들을 포함하는 구체적으로 구성된 훈련 세트를 사용하여 감독 학습으로 ML 모델을 훈련시키고, 이에 의해, 그러한 훈련 세트를 사용하여 훈련된 ML 모델이, (프로세스 변동 및 색 변동, 물리적 효과들, 예컨대, 수축 및 대전 효과들뿐만 아니라 내비게이션 오류 및 툴 드리프트들 등에 의해 야기될 수 있는) 변동들을 갖는 (훈련 동안 보이지 않는) 보이지 않는 부위들에 대한 상이한 입력된 낮은 SNR 이미지들이 주어지면, 유사한 높은 SNR 이미지를 예측할 수 있는 것을 보장하는 것이 있다. 다양한 입력된 낮은 SNR 이미지들에 대해 유사한 높은 SNR 이미지를 생성하는 것은 그로부터 도출된 측정치들이 개선된 정밀도 성능을 갖는 것을 보장한다.
본원에서 설명되는 바와 같은 본 개시된 주제의 특정 실시예들의 추가의 장점들 중에는, 수축이 발생하고 그의 효과가 더 명백한, 시퀀스의 시작에서 처음 몇 개의 프레임들, 및/또는 대전이 연속적으로 축적되고 그의 효과가 더 상당한, 시퀀스의 끝에서의 마지막 몇 개의 프레임들을 배제하지 않고, 훈련 세트의 각각의 낮은 SNR 이미지가, 1회 실행에서 취득된 프레임들의 시퀀스의 모든 프레임들에 기초하여 생성된다는 것이 있다. 낮은 SNR 이미지를 생성하기 위해 1회 실행 동안 캡처된 프레임들의 시퀀스로부터의 모든 프레임들을 사용함으로써, ML 모델은 그러한 물리적 효과들에 의해 야기되는 이미지 아티팩트들을 일반화하도록 학습하고, 이에 의해, 그러한 물리적 효과들에 의해 야기되는, 런타임 입력 이미지에서의 이미지 아티팩트들을 고려하여, 주어진 런타임 입력 이미지에 대해, 정밀도 개선을 목표로 하는 출력의 높은 SNR 이미지를 생성할 수 있다.
본원에서 설명되는 바와 같은 본 개시된 주제의 특정 실시예들의 추가의 장점들 중에는, 런타임 이미지의 이미지 통계를 훈련의 낮은 SNR 이미지들의 유사한 이미지 통계로 변환/정규화하는 것이, ML 모델이, ML 모델이 훈련된 것과 유사한 조건으로 런타임 예측을 수행하는 것을 가능하게 하고, 그에 의해 예측 성능을 최대화한다는 것이 있다. 추가적으로, ML 모델로부터의 출력 이미지의 이미지 통계는 런타임 이미지의 원래의 통계로 다시 변환되고, 이에 의해, 입력된 런타임 이미지에 대해 매칭되는 그레이 레벨 통계를 갖는 높은 SNR 이미지를 생성한다.
본원에 설명된 바와 같은 본 개시된 주제의 특정 실시예들의 추가의 장점들 중에는, 프레임들의 시퀀스를 배치들로 분할하고, 프레임 수준의 직접 정합 대신에, 배치들 사이의 정합을 수행하는 것이, 각각의 단일 프레임의 낮은 품질에 의해 야기되는 정합 오류를 상당히 감소시키고, 생성된 낮은 SNR 이미지의 선명도를 개선한다는 것이 있다. 추가적으로, 배치 크기는, 정합된 배치들이 상관 임계치를 충족시키도록 구체적으로 선택될 수 있고, 이는, 정합 정확도의 수준을 보장하기 위해 프레임들의 시퀀스가 적절히 분할되는 것을 보장하며, 그에 의해, 생성된 낮은 SNR 이미지의 품질을 더 향상시킨다.
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. 이미지 생성 시스템으로서,
    처리 및 메모리 회로(PMC)
    를 포함하고, 상기 처리 및 메모리 회로(PMC)는:
    낮은 신호 대 잡음 비(SNR)를 갖는, 반도체 시편의 런타임 이미지를 획득하고;
    낮은 SNR에 대해 비교적 더 높은, 높은 SNR을 갖는 출력 이미지를 획득하기 위해 기계 학습(ML) 모델을 사용하여 상기 런타임 이미지를 처리하도록
    구성되고, 상기 ML 모델은 동일한 높은 SNR 이미지와 각각 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트를 사용하여 설정(setup) 동안 미리 훈련되고, 상기 복수의 낮은 SNR 이미지들은 상기 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응하고, 상기 높은 SNR 이미지는 상기 복수의 낮은 SNR 이미지들에 기초하여 생성되고;
    상기 ML 모델의 훈련은, 각각의 낮은 SNR 이미지에 대해: 예측된 이미지 데이터를 획득하기 위해 상기 ML 모델에 의해 상기 낮은 SNR 이미지를 처리하는 것, 및 상기 예측된 이미지 데이터 및 상기 높은 SNR 이미지에 기초하여 상기 ML 모델을 최적화하는 것을 포함하는, 이미지 생성 시스템.
  2. 제1항에 있어서,
    상기 복수의 낮은 SNR 이미지들에서의 각각의 낮은 SNR 이미지는:
    상기 제1 부위를 스캐닝하는 1회 실행에서 상기 검사 툴에 의해 프레임들의 시퀀스를 취득하는 것;
    배치 크기에 따라 상기 프레임들의 시퀀스를 복수의 배치들로 분할하는 것;
    상기 복수의 배치들을 정합하는 것(registering); 및
    상기 낮은 SNR 이미지를 획득하기 위해 상기 정합된 복수의 배치들을 조합하는 것
    에 의해 생성되는, 이미지 생성 시스템.
  3. 제2항에 있어서,
    상기 배치 크기는, 상기 정합된 복수의 배치 사이의 상관이 미리 결정된 임계치를 충족시키도록 구체적으로 선택되는, 이미지 생성 시스템.
  4. 제2항에 있어서,
    상기 낮은 SNR 이미지는 상기 프레임들의 시퀀스의 모든 프레임을 사용하여 생성되고, 이로써, 상기 ML 모델은, 훈련되면, 상기 시편에 대한 하나 이상의 물리적 효과에 의해 야기되는 주어진 런타임 이미지에서의 하나 이상의 이미지 아티팩트를 고려하여, 상기 주어진 런타임 이미지에 대해, 개선된 정밀도로 출력 이미지를 생성할 수 있는, 컴퓨터화된 시스템.
  5. 제1항에 있어서, 상기 높은 SNR 이미지는:
    상기 복수의 낮은 SNR 이미지들을 유사한 이미지 통계를 갖도록 정규화하는 것;
    상기 복수의 정규화된 낮은 SNR 이미지들을 정합하고, 정합된 복수의 정규화된 낮은 SNR 이미지들을 생성하는 것; 및
    상기 높은 SNR 이미지를 획득하기 위해 상기 정합된 복수의 정규화된 낮은 SNR 이미지들을 조합하는 것
    에 의해 생성되는, 이미지 생성 시스템.
  6. 제5항에 있어서,
    상기 PMC는: 상기 런타임 이미지를 획득하면, 상기 런타임 이미지를 상기 복수의 낮은 SNR 이미지들과 유사한 이미지 통계를 갖도록 정규화하고, 상기 ML 모델을 사용하여 상기 정규화된 런타임 이미지를 처리하고; 상기 출력 이미지를 획득하면, 상기 출력 이미지를 상기 런타임 이미지와 유사한 이미지 통계를 갖도록 정규화하도록 구성되고, 상기 복수의 낮은 SNR 이미지들의 이미지 통계는 상기 훈련 동안 계산되고 저장되는, 이미지 생성 시스템.
  7. 제1항에 있어서,
    상기 예측된 이미지 데이터는 예측된 높은 SNR 이미지와 상기 낮은 SNR 이미지 사이의 예측된 잡음이고, 상기 ML 모델은 상기 낮은 SNR 이미지와 상기 높은 SNR 이미지 사이의 실제 잡음과 상기 예측된 잡음 사이의 잔차를 나타내는 손실 함수를 사용하여 최적화되는, 이미지 생성 시스템.
  8. 제1항에 있어서,
    상기 예측된 이미지 데이터는 예측된 높은 SNR 이미지이고, 상기 ML 모델은 상기 예측된 높은 SNR 이미지와 상기 높은 SNR 이미지 사이의 차이를 나타내는 손실 함수를 사용하여 최적화되는, 이미지 생성 시스템.
  9. 제1항에 있어서,
    상기 복수의 낮은 SNR 이미지들은 상기 검사 툴의 제1 검출 관점으로부터 취득되고, 상기 훈련 세트는 상기 검사 툴의 제2 검출 관점으로부터 취득된 제2 복수의 낮은 SNR 이미지들, 및 상기 제2 복수의 낮은 SNR 이미지들에 기초하여 생성된 제2 높은 SNR 이미지를 더 포함하고, 상기 훈련된 ML 모델은 상기 제1 검출 관점 및 상기 제2 검출 관점으로부터 취득된 런타임 이미지들을 처리할 수 있는, 이미지 생성 시스템.
  10. 제1항에 있어서,
    상기 훈련 세트는, 상기 반도체 시편의 제2 부위를 스캐닝하는 제2 복수의 실행들에서 상기 검사 툴에 의해 취득된 프레임들의 제2 복수의 시퀀스들에 대응하는 제2 복수의 낮은 SNR 이미지들, 및 상기 제2 복수의 낮은 SNR 이미지들에 기초하여 생성된 제2 높은 SNR 이미지를 더 포함하고; 상기 제1 및 제2 복수의 낮은 SNR 이미지들은 유사한 이미지 통계를 갖도록 정규화되고, 상기 제1 높은 SNR 이미지 및 상기 제2 높은 SNR 이미지는, 상기 훈련 전에, 유사한 이미지 통계를 갖도록 정규화되고; 상기 ML 모델에 의해 생성된 바와 같은 높은 SNR을 갖는 상기 출력 이미지는 개선된 정밀도로 측정치들을 획득하는 데 사용가능한, 이미지 생성 시스템.
  11. 이미지 생성을 위해 기계 학습(ML) 모델을 훈련시키는 방법으로서,
    동일한 높은 신호 대 잡음 비(SNR) 이미지와 각각 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트를 생성하는 단계 - 상기 복수의 낮은 SNR 이미지들은 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응하고, 상기 높은 SNR 이미지는 상기 복수의 낮은 SNR 이미지들에 기초하여 생성됨 -; 및
    상기 복수의 낮은 SNR 이미지들 중 각각의 낮은 SNR 이미지에 대해, 예측된 이미지 데이터를 획득하기 위해 상기 ML 모델에 의해 상기 낮은 SNR 이미지를 처리하고, 상기 예측된 이미지 데이터 및 상기 높은 SNR 이미지에 기초하여 상기 ML 모델을 최적화하는 단계
    를 포함하고,
    상기 ML 모델은, 훈련되면, 낮은 SNR에 대해 비교적 더 높은, 높은 SNR을 갖는 출력 이미지를 획득하기 위해, 낮은 SNR을 갖는, 반도체 시편의 런타임 이미지를 처리하는 데 사용가능한, 방법.
  12. 제11항에 있어서,
    상기 복수의 낮은 SNR 이미지들의 각각의 낮은 SNR 이미지는:
    상기 제1 부위를 스캐닝하는 1회 실행에서 상기 검사 툴에 의해 프레임들의 시퀀스를 취득하는 것;
    배치 크기에 따라 상기 프레임들의 시퀀스를 복수의 배치들로 분할하는 것;
    상기 복수의 배치들을 정합하는 것; 및
    상기 낮은 SNR 이미지를 획득하기 위해 상기 정합된 복수의 배치들을 조합하는 것
    에 의해 생성되는, 방법.
  13. 제12항에 있어서,
    상기 배치 크기는, 상기 정합된 복수의 배치 사이의 상관이 미리 결정된 임계치를 충족시키도록 구체적으로 선택되는, 방법.
  14. 제12항에 있어서,
    상기 낮은 SNR 이미지는 상기 프레임들의 시퀀스의 모든 프레임들을 사용하여 생성되고, 이로써, 상기 ML 모델은, 훈련되면, 상기 시편에 대한 하나 이상의 물리적 효과에 의해 야기되는 주어진 런타임 이미지에서의 하나 이상의 이미지 아티팩트를 고려하여, 상기 주어진 런타임 이미지에 대해, 개선된 정밀도로 출력 이미지를 생성할 수 있는, 방법.
  15. 제11항에 있어서, 상기 높은 SNR 이미지는:
    상기 복수의 낮은 SNR 이미지들을 유사한 이미지 통계를 갖도록 정규화하는 것;
    상기 복수의 정규화된 낮은 SNR 이미지들을 정합하고, 정합된 복수의 정규화된 낮은 SNR 이미지들을 생성하는 것; 및
    상기 높은 SNR 이미지를 획득하기 위해 상기 정합된 복수의 정규화된 낮은 SNR 이미지들을 조합하는 것
    에 의해 생성되는, 방법.
  16. 제11항에 있어서,
    상기 예측된 이미지 데이터는 예측된 높은 SNR 이미지와 상기 낮은 SNR 이미지 사이의 예측된 잡음이고, 상기 ML 모델은 상기 낮은 SNR 이미지와 상기 높은 SNR 이미지 사이의 실제 잡음과 상기 예측된 잡음 사이의 잔차를 나타내는 손실 함수를 사용하여 최적화되는, 방법.
  17. 제11항에 있어서,
    상기 예측된 이미지 데이터는 예측된 높은 SNR 이미지이고, 상기 ML 모델은 상기 예측된 높은 SNR 이미지와 상기 높은 SNR 이미지 사이의 차이를 나타내는 손실 함수를 사용하여 최적화되는, 방법.
  18. 제11항에 있어서,
    상기 복수의 낮은 SNR 이미지들은 상기 검사 툴의 제1 검출 관점으로부터 취득되고, 상기 훈련 세트는 상기 검사 툴의 제2 검출 관점으로부터 취득된 제2 복수의 낮은 SNR 이미지들, 및 상기 제2 복수의 낮은 SNR 이미지들에 기초하여 생성된 제2 높은 SNR 이미지를 더 포함하고, 상기 ML 모델은, 훈련되면, 상기 제1 검출 관점 및 상기 제2 검출 관점으로부터 취득된 런타임 이미지들을 처리할 수 있는, 방법.
  19. 제11항에 있어서,
    상기 훈련 세트는, 상기 반도체 시편의 제2 부위를 스캐닝하는 제2 복수의 실행들에서 상기 검사 툴에 의해 취득된 프레임들의 제2 복수의 시퀀스들에 대응하는 제2 복수의 낮은 SNR 이미지들, 및 상기 제2 복수의 낮은 SNR 이미지들에 기초하여 생성된 제2 높은 SNR 이미지를 더 포함하고; 상기 제1 및 제2 복수의 낮은 SNR 이미지들은 유사한 이미지 통계를 갖도록 정규화되고, 상기 제1 높은 SNR 이미지 및 상기 제2 높은 SNR 이미지는, 상기 훈련 전에, 유사한 이미지 통계를 갖도록 정규화되고; 상기 ML 모델에 의해 생성된 바와 같은 높은 SNR을 갖는 상기 출력 이미지는 개선된 정밀도로 측정치들을 획득하는 데 사용가능한, 방법.
  20. 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능한 저장 매체로서,
    상기 명령어들은, 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금 이미지 생성 방법을 수행하게 하고, 상기 방법은:
    낮은 신호 대 잡음 비(SNR)를 갖는, 반도체 시편의 런타임 이미지를 획득하는 단계; 및
    낮은 SNR에 대해 비교적 더 높은, 높은 SNR을 갖는 출력 이미지를 획득하기 위해 기계 학습(ML) 모델을 사용하여 상기 런타임 이미지를 처리하는 단계
    를 포함하고, 상기 ML 모델은 동일한 높은 SNR 이미지와 각각 연관된 복수의 낮은 SNR 이미지들을 포함하는 훈련 세트를 사용하여 설정 동안 미리 훈련되고, 상기 복수의 낮은 SNR 이미지들은 상기 반도체 시편의 제1 부위를 스캐닝하는 복수의 실행들에서 검사 툴에 의해 취득된 프레임들의 복수의 시퀀스들에 대응하고, 상기 높은 SNR 이미지는 상기 복수의 낮은 SNR 이미지들에 기초하여 생성되며;
    상기 ML 모델의 훈련은, 각각의 낮은 SNR 이미지에 대해: 예측된 이미지 데이터를 획득하기 위해 상기 ML 모델에 의해 상기 낮은 SNR 이미지를 처리하는 것, 및 상기 예측된 이미지 데이터 및 상기 높은 SNR 이미지에 기초하여 상기 ML 모델을 최적화하는 것을 포함하는, 비일시적 컴퓨터 판독가능한 저장 매체.
KR1020230150776A 2022-11-08 2023-11-03 반도체 시편의 검사를 위한 이미지 잡음제거 KR20240067018A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/983,181 2022-11-08
US17/983,181 US20240153043A1 (en) 2022-11-08 2022-11-08 Image denoising for examination of a semiconductor specimen

Publications (1)

Publication Number Publication Date
KR20240067018A true KR20240067018A (ko) 2024-05-16

Family

ID=90927887

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230150776A KR20240067018A (ko) 2022-11-08 2023-11-03 반도체 시편의 검사를 위한 이미지 잡음제거

Country Status (2)

Country Link
US (1) US20240153043A1 (ko)
KR (1) KR20240067018A (ko)

Also Published As

Publication number Publication date
US20240153043A1 (en) 2024-05-09

Similar Documents

Publication Publication Date Title
CN110945528B (zh) 产生可用于检查半导体样品的训练集的方法及其系统
US20190257767A1 (en) Generating a training set usable for examination of a semiconductor specimen
US12007335B2 (en) Automatic optimization of an examination recipe
US11449977B2 (en) Generating training data usable for examination of a semiconductor specimen
JP7169393B2 (ja) 半導体試料の検査に使用可能な訓練セットの生成
CN114219749B (zh) 样本的模拟图像的确定
KR20240034146A (ko) 반도체 시편에 대한 결함 검사
US11961221B2 (en) Defect examination on a semiconductor specimen
KR20240067018A (ko) 반도체 시편의 검사를 위한 이미지 잡음제거
US11953316B2 (en) Geometry based three dimensional reconstruction of a semiconductor specimen by solving an optimization problem, using at least two SEM images acquired at different illumination angles
US20230306580A1 (en) Machine learning based examination of a semiconductor specimen and training thereof
US11854184B2 (en) Determination of defects and/or edge roughness in a specimen based on a reference image
US20240105522A1 (en) End-to-end measurement for semiconductor specimens
US11645831B2 (en) Identification of an array in a semiconductor specimen
US11631179B2 (en) Segmentation of an image of a semiconductor specimen
US20230420308A1 (en) Examination of a hole formed in a semiconductor specimen
US20240193756A1 (en) Automatic segmentation of an image of a semiconductor specimen and usage in metrology
KR20240039600A (ko) 기계 학습 기반 결함 검사를 위한 이미지 증강
CN117094938A (zh) 半导体样品的缺陷检测