TW201504749A - 用於檢測光罩之機器學習方法及裝置 - Google Patents

用於檢測光罩之機器學習方法及裝置 Download PDF

Info

Publication number
TW201504749A
TW201504749A TW103117032A TW103117032A TW201504749A TW 201504749 A TW201504749 A TW 201504749A TW 103117032 A TW103117032 A TW 103117032A TW 103117032 A TW103117032 A TW 103117032A TW 201504749 A TW201504749 A TW 201504749A
Authority
TW
Taiwan
Prior art keywords
images
classifier
cluster
training
voxel
Prior art date
Application number
TW103117032A
Other languages
English (en)
Other versions
TWI614570B (zh
Inventor
Abdurrahman Sezginer
Gang Pan
Bing Li
Original Assignee
Kla Tencor Corp
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 Kla Tencor Corp filed Critical Kla Tencor Corp
Publication of TW201504749A publication Critical patent/TW201504749A/zh
Application granted granted Critical
Publication of TWI614570B publication Critical patent/TWI614570B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95676—Masks, reticles, shadow masks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • 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
    • G06T2207/30—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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Image Analysis (AREA)

Abstract

本發明揭示用於檢測一光微影光罩之裝置及方法。以一或多個操作模式使用一光罩檢測工具，以獲得一光罩之複數個訓練區域之影像，且將該等訓練區域識別為無缺陷的。自該等訓練區域之該等影像導出三個或三個以上基礎訓練影像。基於該三個或三個以上基礎訓練影像來形成一分類器。以該一或多個操作模式使用檢測系統，以獲得一光罩之複數個測試區域之影像。自該等測試區域導出三個或三個以上基礎測試影像。將該分類器應用於該三個或三個以上基礎測試影像，以找出該等測試區域中之缺陷。

Description

用於檢測光罩之機器學習方法及裝置 相關申請案之交叉參考
此申請案依據35 U.S.C.§119主張Abdurrahman(Apo)Sezginer等人之標題為「Machine Learning Method and Apparatus for Inspecting Reticles」、2013年5月14日提出申請之先前第61/823,156號美國臨時申請案之優先權，該申請案出於所有目的以其全文引用方式併入本文中。
本發明一般而言係關於半導體光罩檢測之領域。更特定而言，本發明係關於用於在不存在一設計資料庫時檢測光罩(包含不重複圖案)之技術。
製作積體電路涉及將金屬、介電質及半導體材料層沈積並圖案化至一基板或晶圓(諸如矽)上。使用光學微影圖案化該等層，該光學微影將一光罩之影像投影至待圖案化之晶圓上。由於半導體器件之減小大小，導致器件中之故障之缺陷逐漸變小。
一積體電路通常由複數個光罩製作。在一先進CMOS邏輯晶片之製作中使用大約50個微影步驟。每一光罩編碼一積體電路之一個實體層之圖案。在多重圖案化之情形中，使用一個以上微影步驟(因此一個以上光罩)來圖案化一個實體層。光罩之產生及此等光罩之隨後光 學檢測係半導體之生產中之標準步驟。藉由使用一向量定形波束工具之電子束微影或在較少臨界層之情形中藉由使用一雷射掃描器之光學微影圖案化一光罩自身。受助於電子設計自動化(EDA)軟體之設計者以IC之功能闡述開始，且在諸多步驟之後產生IC之每一層之一實體佈局。該實體佈局由含有若干層之一資料庫表示，且每一層含有一組多邊形。諸如光學接近校正、遮罩接近矯正或偏壓及破裂之進一步EDA程序將實體佈局轉換為控制光罩寫入程式之資料。光罩寫入程式資料亦含有於一多邊形資料庫中。一光罩檢測系統針對可能已在光罩之生產期間發生之缺陷檢測成品光罩。
一光罩需要製作為無缺陷的以便用於製作無缺陷晶圓器件。另外，一光罩可在使用之後變得有缺陷。因此，持續需要經改良之光罩檢測技術。一光罩曝露至微影投影機中之強烈深紫外輻射。光化學反應可將殘留物沈積在光罩上。此等殘留物稱作霾。若不適當地處置一光罩則靜電放電可損壞該光罩。因此，通常在晶圓廠在收到時且此後週期性地檢測一光罩。晶圓廠中經受檢測之一光罩在其製作時已通過多次檢測。在晶圓廠檢測之目標係偵測可在曾已知為無缺陷之光罩之裝運或使用期間已發展之缺陷。
下文呈現本發明之一簡化總結以便提供對本發明之某些實施例之一基本理解。此發明內容並非對本發明之一廣泛概述且其不識別本發明之關鍵/決定性元素或描繪本發明之範疇。其唯一目的係以一簡化形式呈現本文中所揭示之某些概念作為稍後呈現之更詳細說明之一前奏。
在一項實施例中，揭示一種檢測一光微影光罩之方法。以一或多個操作模式使用一檢測工具以獲得一光罩之複數個訓練區域之影像，且將該等訓練區域識別為無缺陷的。自該等訓練區域之該等影像 導出三個或三個以上基礎訓練影像。基於該三個或三個以上基礎訓練影像而形成一分類器。以一或多個操作模式使用檢測系統以獲得一光罩之複數個測試區域之影像。自該等測試區域導出三個或三個以上基礎測試影像。將該分類器應用於該三個或三個以上基礎測試影像以找出該等測試區域中之缺陷。
在一具體實施方案中，該分類器包含將三個或三個以上基礎訓練影像映射至一個三維或三維以上空間之複數個立體像素及將一觀察指示符指派給每一立體像素以便規定此立體像素是否定義為在訓練集中觀察到之一無缺陷立體像素。在又一態樣中，形成該分類器進一步包含藉由將每一孔洞之每一立體像素之一指示符自規定未在訓練集中觀察到此立體像素改變為規定此立體像素係一無缺陷立體像素而修復該等無缺陷立體像素中之複數個孔洞。在又一態樣中，形成分類器進一步包含基於每一立體像素至一無缺陷立體像素之距離執行一距離變換以將一距離值指派給此立體像素。在再一態樣中，當一特定立體像素具有高於一預定義臨限值之一距離值時找出一缺陷。在另一實例中，形成該分類器包括藉助仿射線性空間之子集之一集合近似對應於無缺陷立體像素之特徵向量之一集。
在另一實施例中，該方法包含(i)基於三個或三個以上基礎訓練影像之複數個不同集而形成複數個分類器中之每一者及(ii)將該複數個分類器應用於三個或三個以上基礎測試影像以找出測試區域中之缺陷。在另一實例中，自分類器形成一空間分隔資料結構。
在另一實施方案中，形成該分類器包括(i)將基於基礎訓練影像之特徵向量之一集叢集化成複數個叢集，(ii)判定每一叢集之特徵向量之一叢集中心，(iii)針對每一叢集，判定自每一叢集中心至該叢集之特徵向量之複數個叢集向量，及(iv)針對每一叢集，判定包含該叢集之叢集中心且由該叢集之叢集向量之複數個主要分量橫跨之一仿射 線性空間。將該分類器應用於該三個或三個以上基礎測試影像基於該三個或三個以上基礎測試影像之每一測試向量與一最近仿射線性空間之間的一距離。
在另一實例中，形成該分類器包括(i)最小化自一仿射線性空間至來自該三個或三個以上基礎訓練影像之複數個特徵向量之距離之一範數，(ii)丟棄針對其一距離係最高的特徵向量之一集，及(iii)重複最小化該距離範數以精細化複數個仿射線性空間以較佳擬合該等特徵向量中之剩餘者之步驟直至該等特徵向量在一預定義公差位準內擬合至該等仿射線性空間之一最終集。
在另一實施例中，該分類器包含各自具有一透射影像值、一反射影像值及基於一透射或反射影像值之變換之一經變換影像值之特徵向量之三個或三個以上維度。在又一態樣中，藉由以下各項之一者判定每一經變換影像值：∥▽T∥,∥▽R∥,▽2 T,▽2 R，其中T係一透射影像值且R係一反射影像值。在另一實施例中，該一或多個操作模式係可選擇的以在以下品質或量中之一或多者方面不同：一反射模式、一透射模式、一明場模式、一暗場模式、一照明數值孔徑、一照明瞳孔圖案、一照明偏光、一收集數值孔徑、一收集瞳孔濾光器振幅及相位、一收集分析器及一焦點。
在某些實施例中，本發明關於一種用於檢測一光微影光罩之系統。該系統包含經組態以執行上文所闡述之操作中之至少某些操作之至少一個記憶體及至少一個處理器。在其他實施例中，本發明關於具有其上儲存有用於執行上文所闡述之操作中之至少某些操作之指令之電腦可讀媒體。
在下文參考各圖進一步闡述本發明之此等及其他態樣。
300‧‧‧3D特徵空間/陣列
302‧‧‧立體像素
304a‧‧‧立體像素
304b‧‧‧立體像素
400‧‧‧立體像素陣列
402a‧‧‧無缺陷立體像素
402b‧‧‧無缺陷立體像素
404a‧‧‧間隙
404b‧‧‧間隙/立體像素間隙
404c‧‧‧間隙
502‧‧‧三維分類器/分類器
502a‧‧‧黑暗區域
502b‧‧‧區域
504‧‧‧三維分類器/分類器
506‧‧‧三維分類器/分類器
508‧‧‧三維分類器
602a‧‧‧無缺陷區域/3D無缺陷區域
602b‧‧‧無缺陷區域/3D無缺陷區域
604‧‧‧無缺陷區域/2D無缺陷區域
606‧‧‧缺陷/特定3D位置缺陷
701‧‧‧測試特徵向量
702‧‧‧流形
704‧‧‧特徵向量
706‧‧‧剩餘向量
708‧‧‧正交投影
710‧‧‧仿射線性空間
800‧‧‧檢測系統
802‧‧‧輸入/所接收之輸入/輸入資料/強度或影像資料/所接收之資料/所接收之輸入資料
804a‧‧‧資料散佈系統
804b‧‧‧資料散佈系統
806a‧‧‧補片處理器及記憶體
806b‧‧‧補片處理器及記憶體
808‧‧‧交換網路/網路
810‧‧‧檢測控制及/或檢查站
812‧‧‧分類器產生器處理器及記憶體
816‧‧‧選用大容量儲存器件
900‧‧‧典型微影系統/微影系統
901‧‧‧數值孔徑/元件
902‧‧‧遮罩平面/平面/光罩平面
903‧‧‧照明源
905‧‧‧透鏡/照明透鏡
907‧‧‧照明光學器件
913‧‧‧成像光學器件
950‧‧‧實例性檢測系統/檢測系統/系統
951a‧‧‧照明光學器件
951b‧‧‧相對大數值孔徑
952‧‧‧光罩平面
953a‧‧‧偵測光學器件/光學器件
953b‧‧‧偵測光學器件
954a‧‧‧感測器
954b‧‧‧感測器
960‧‧‧照明源
973‧‧‧電腦系統
976‧‧‧分束器
978‧‧‧偵測透鏡
L‧‧‧仿射線性空間
M‧‧‧光遮罩/遮罩
W‧‧‧晶圓
圖1係圖解說明根據本發明之一項實施例之一檢測程序之一流程 圖。
圖2係圖解說明根據本發明之一項實施例之用於形成一分類器之一程序之一流程圖。
圖3展示根據一具體實施例之訓練集之特徵向量映射至其中之一3D特徵空間之一實例。
圖4圖解說明具有在訓練集中觀察到之立體像素之一立體像素陣列。
圖5展示根據本發明之某些實施例之四個可能3D分類器。
圖6圖解說明一2D與一3D分類器方法之間的一比較。
圖7圖解說明根據一項實施例之由無缺陷特徵向量建構之一流形。
圖8係其中可實施本發明之技術之一實例性檢測系統之一圖示表示。
圖9A係根據某些實施例之用於將一遮罩圖案自一光遮罩轉移至一晶圓上之一微影系統之一簡化示意性表示。
圖9B提供根據某些實施例之一光遮罩檢測裝置之一示意性表示。
在以下說明中，陳述眾多具體細節以便提供對本發明之一透徹理解。本發明可在不具有此等具體細節中之某些或所有細節之情況下實施。在其他例項中，未詳細闡述眾所周知之程序操作以免不必要地模糊本發明。儘管將結合具體實施例來闡述本發明，但將理解，並非意欲將本發明限於該等實施例。
本發明之某些實施例包含用於在不使用一設計資料庫之情況下找出不重複圖案中之缺陷的檢測技術及裝置。一種檢測技術包含機器學習，該機器學習使用基於來自一或多個檢測模式之經反射(R)及經 透射(T)影像或信號及/或自此等R或T影像導出之信號而由三維或三維以上特徵向量形成的分類器。然後可使用一或多個多維分類器來定位自未知測試區域之一光罩檢測獲得之特徵向量之一對應多維空間中的缺陷。
圖1係圖解說明根據本發明之一項實施例之一檢測程序100之一流程圖。最初，在操作102中獲得一光罩之訓練區域之R及T影像。已知該等訓練區域係無缺陷的。舉例而言，一操作者可選擇光罩之已知為無缺陷之一或多個區域作為無缺陷區域之一訓練集。
通常，該等訓練區域包含相同類型之選定數目個基板之無缺陷區之一代表性取樣以計及生產公差。該等訓練區域可源自一單個樣品基板。然而，數個樣品基板之使用可提供一較佳統計平均值及克服該等樣品基板中之一者上之一缺陷之包含的可能性。
舉例而言，具體光罩區域可先前已使用任何適合檢測技術經檢測，且被視為不含有將影響良率或導致晶圓上之一可列印錯誤的任何缺陷。可藉由任何適合方式將一光罩驗證或定義為實質上不具有降級或缺陷。舉例而言，當在一遮罩車間製造一光罩時嚴格地檢測該光罩。遮罩車間檢測可使用晶粒至晶粒模式，其中比較光罩上之期望為相同之兩個晶粒的影像。另一選擇係，遮罩車間檢測可使用晶粒至資料庫檢測，其中比較光罩之影像與遮罩資料庫。當已知光罩為無缺陷時，可作為遮罩車間檢測之部分或緊接通過遮罩車間檢測而選擇該等訓練區域。該等訓練區域然後可用於隨後晶圓廠檢測。另一選擇係，可假定在不進行驗證之情況下，一先前經檢測之光罩之一訓練區域係無缺陷的，此乃因遭遇光罩之一小部分中之一缺陷的概率係小的。舉例而言，一光罩之影像可含有1012個像素且訓練區域可含有107個像素，且光罩上可存在10個缺陷。訓練區域中之缺陷中之一者的概率係10-4。
可使用一光學檢測工具來以任何適合方式自光罩區域獲得R及T影像或信號。舉例而言，可朝向特定光罩區域引導照明光且然後可由一或多個偵測器系統偵測自光罩反射之光。光罩上之不透明及半透明結構或缺陷可使光反射回至一或多個偵測器系統。某些照明光部分亦可透射穿過光罩之部分，諸如透明或半透明圖案或缺陷部分。可由一或多個偵測器系統偵測此等經透射光部分。可同時或單獨偵測經透射及反射光。
在操作104中，可在一或多個其他操作模式下視情況獲得無缺陷區域之額外R及/或T影像。舉例而言，可使用不同操作組態(諸如焦點、照明波長、照明瞳孔形狀、收集瞳孔形狀、照明偏光、分析器設定、照明或收集瞳孔之數值孔徑、成像瞳孔濾光器設定等)來獲得不同R及/或T影像或信號集。亦可使用一低數值孔徑(NA)檢測(例如，其類似於一微影工具之NA)來收集T及/或R影像或信號。舉例而言，可使用為0.85之一NA之一光罩平面檢測來收集R及T影像，且可使用為0.3375之一NA之一低NA檢測來收集T影像。
在操作106中，然後可基於無缺陷訓練區域之R及T影像而形成一3D(或更高維)分類器。舉例而言，一3D分類器之維度可由R及T影像值以及在一不同檢測模式中獲得之另一R及T影像集及/或由自R或T影像導出之其他維度值形成。
圖2係圖解說明根據本發明之一項實施例之用於形成一分類器之一程序之一流程圖。最初，在操作202中，可對準自訓練集獲得之R及T影像。R及T影像相對於彼此大體對準以使得一相同遮罩位置之R及T值彼此對準。跨越檢測可使用任何適合方法以將該等影像對準至一相同座標系或原點。舉例而言，每一檢測可對準光罩以使得相對於光罩上之一相同原點獲得影像。光罩原點可採取用於對準光罩之一或多個參考標記之形式。較佳地由一影像電腦以子像素解析度執行對 準。例如，可使用一同步濾光器或一傅立葉變換連續地移位影像，以便最大化其相關性。
每一經對準影像之座標(x,y)指示光罩及偵測器上之一特徵之位置。(x,y)之一方便單位係像素。通常，(x,y)具有整數值，但影像可內插至分數像素座標。R(x,y)表示經反射光強度影像。可以灰階或ADC(類比轉數位轉換)計數量測強度R(x,y)。類似地，T(x,y)表示像素(x,y)處之經透射光強度且可以灰階或ADC計數量測。
在操作203中然後可依據經對準R及T影像判定影像基底。該等影像基底可由任何適合基於R及/或T之影像(諸如自一或多個檢測模式獲得之一或多個R及/或T影像)及/或R及/或T影像之各種變換形成。以另一方式而言，可在對準之後給每一影像像素(x,y)指派一特徵向量。在一項實施例中此向量可係一個三元組。三元組中之數目中之兩者可係R及T光強度，R(x,y)及T(x,y)。在具體實施例中，第三數目可定義為∥▽T∥,∥▽R∥,▽2 T,▽2 R中之一者，該等各項定義為：
▽2 T(x,y)=T(x+1,y)+T(x-1,y)+T(x,y+1)+T(x+1,y-1)-4T(x,y)
▽2 R(x,y)=R(x+1,y)+R(x-1,y)+R(x,y+1)+R(x+1,y-1)-4R(x,y)
可藉由施加至R(x,y)及T(x,y)之一線性或非線性影像變換形成另一基底影像。一線性變換之一般式係：
其中g R 及g T 係2維濾光器且算子指示2維卷積。
在其他實施例中，第三數目可係R或T光強度，或在一不同檢測模式(諸如低NA或其他操作模式)下收集之∥▽T∥,∥▽R∥,▽2 T,▽2 R中之任一者。當然，每一特徵向量可基於上文所闡述之特徵值中之任一者具有三個以上維度。此等數量中之每一者可對應於自光罩收集之一影像或一經變換影像。此等影像之集合可稱為「影像基礎」或其中之一者稱 為一基底影像或影像基底。上文之列表並非影像基底之一詳盡列表。
在操作204中然後可將訓練集之影像基底映射至一3D空間(或更高維空間)之立體像素指標。一立體像素係一特徵向量集。圖3展示根據一具體實施例之訓練集之特徵向量映射至其中之一3D特徵空間300之一實例。每一陣列元素與特徵向量之一集(一立體像素)大體相關聯。在此實例中，該特徵向量集對應於影像參數(T,R,∥▽T∥)，且每一立體像素之中心具有(T,R,∥▽T∥)之一不同值。除中心立體像素值之外每一立體像素通常亦可包含可基於所要陣列大小經選擇之其他值。
該陣列可具有任何數目個立體像素。所圖解說明之陣列300具有256×256×128個立體像素。可使用其他立體像素尺寸。給出影像R(x,y)、T(x,y)，則可縮放值(T,R,∥▽T∥)以將影像值轉換為立體像素指標。在一光罩之檢測期間該縮放可係靜態的。該縮放可經選擇以使得訓練特徵向量之三元組決不或絕少超出選定三維陣列。
在操作206中可將一觀察指示符指派給3D特徵空間之每一立體像素以便規定是否在訓練集中觀察到立體像素。亦即，每一立體像素可與規定此立體像素是否對應於來自訓練集之一無缺陷特徵向量之一指示符相關聯。舉例而言，每一立體像素亦可經組態以保持在訓練集中分別指示已觀察到還是未觀察到此立體像素之0或1之一布林值(或與該值相關聯)。如所展示，立體像素302對應於來自係無缺陷之一訓練光罩區域之一無缺陷立體像素且可被賦予0之一值。相比之下，立體像素304a及304b不對應於無缺陷立體像素且可被賦予1之值。
在一實施例中，亦可給每一立體像素指派其在訓練資料中被觀察到之次數之數目。在訓練資料中絕少觀察到之立體像素可歸因於尚未自訓練資料移除之缺陷。在一具體實施方案中，被觀察到少於m次且比d個立體像素距已在訓練資料中觀察到之最近立體像素更遠的立體像素可被視為從未在訓練資料中被觀察到。舉例而言，可給在訓練 集中不頻繁出現且距一最近訓練集立體像素係一顯著距離之立體像素指派一1布林值。參數n及d可係基於過去驗證之結果之預定值，諸如分別為1及3。
返回參考圖2，在操作208中可修復訓練集立體像素中之孔洞或間隙以便形成無缺陷立體像素之簡單連續區域。期望無缺陷立體像素形成一個或幾個簡單經連接區域。在訓練期間之不足取樣可在無缺陷立體像素集中留下孔洞。可使用任何適合修復程序來填充此等孔洞。
一修復程序可包含使用經兩次上取樣之影像進行訓練。針對以一特定空間頻率經取樣之一特定帶限信號，可基於尼奎斯定理在信號之一兩次上取樣中將額外點內插於每一對樣品點之間。可使用不同位準之上取樣。上取樣影像將更完整地填入點雲且覆蓋無缺陷立體像素集。在一替代方法中，可使影像R(x,y)及T(x,y)移位一分數像素大小之相同向量以達成更多經內插取樣點。然後將經移位影像附加至訓練資料。
在另一修復實例中，沿著一線每次單維地掃描一立體像素陣列。若無缺陷立體像素之間的間隙窄於一預定值(例如，8個立體像素)則將間隙設定為「無缺陷的」。可使用其他值。圖4圖解說明具有在訓練集中觀察到之無缺陷立體像素401之一立體像素陣列400。儘管無缺陷立體像素集401通常將係三維的，但僅展示立體像素401之一2D表面。指定為存在於無缺陷訓練集中之此等立體像素401具有單個立體像素寬之間隙404a、404b及404c。舉例而言，立體像素間隙404b定位於無缺陷立體像素402b與402a之間。由於此等間隙各自係與一單個立體像素相同之大小，因此若間隙之臨限值係2個或2個以上立體像素則此等間隙立體像素亦可指定為在訓練集中觀察到。
在另一實例中，一無缺陷立體像素區域可擴大k個立體像素(諸如8個立體像素)，且然後被侵蝕k個立體像素。擴大後續接著侵蝕填充 該等間隙。
在操作210中，可基於每一立體像素距一最近無缺陷立體像素之距離而對此立體像素執行一距離變換。在一項實施方案中，給已在訓練期間觀察到或經修復以指定為無缺陷之立體像素指派值0。給毗鄰於已經指派零之立體像素之立體像素指派值1。給毗鄰於經指派1且迄今尚未經指派任何值之立體像素之立體像素指派值2，等等。以此方式，每一立體像素藉由其距最近無缺陷立體像素之距離經編碼。距離越高，立體像素越可能指示一缺陷。預期其他類型之距離值。舉例而言，可使用測試立體像素與無缺陷立體像素之間的最短歐式距離。
在另一實施例中，立體像素僅具有1或0之一布林值，但擴大「無缺陷」立體像素區域以避免偽陽性缺陷偵測。擴大意味毗鄰於「無缺陷」立體像素之立體像素設定為一「無缺陷」值(0)，而剩餘立體像素設定為一有缺陷值(1)。在一實施例中，若兩個立體像素具有一共同頂點則其被認為係毗鄰的。在三維中，每一立體像素具有33-1=26個毗鄰立體像素。可遞歸地形成擴大。
處理關於訓練集之3D(或三維以上)特徵空間中之立體像素將產生可用於偵測一光罩之未知區域中之缺陷之一分類器。圖5展示根據本發明之某些實施例之四個可能三維分類器502、504、506及508。該等不同分類器具有不同特徵向量。可使用任何三個或三個以上影像基底來形成一3D(或三維以上)分類器。舉例而言，分類器502具有對應於值(T,R,∥▽T∥)之特徵向量。分類器504具有對應於值(T,R,∥▽R∥)之特徵向量。同樣地，分類器506對應於值(T,R,∥▽2 T∥)，且分類器308對應於(T,R,∥▽2 R∥)。
儘管針對所圖解說明之分類器展示僅三個維度，但其他維度可對應於複數個不同檢測模式、視圖或一基於R或T之參數值之一變換。舉例而言，在一不同檢測模式處一第四維度可對應於T。
每一分類器包含已與指示無缺陷區域之名稱相關聯之立體像素之一集。在所圖解說明之分類器實例中，黑暗區域對應於無缺陷區域。舉例而言，分類器502具有在黑暗區域(例如，502a)中之無缺陷立體像素。此等無缺陷區域外側之較輕陰影區域指示可能無缺陷區域，諸如區域502b。
可使用此等分類器中之任一者來判定一測試向量是否對應於一缺陷。另外，可一起使用一個以上分類器。當使用多個分類器時，可藉助邏輯「或」算子或藉助邏輯「及」算子來組合其結果。在較佳實施例中，若分類器中之至少一者偵測到一缺陷，則可識別一缺陷。在另一實施例中，可僅在所有分類器偵測到一缺陷時識別一缺陷。
返回參考圖1，在操作108中亦可使用一或多個操作模式，針對一光罩之未知測試區域獲得R及T影像。舉例而言，可使用用於獲得訓練影像集之一或多個操作模式來獲得光罩測試區域之R及T影像集。在操作110中，亦可基於所獲得之R及T影像來形成一3D測試特徵空間，且在操作112中可將3D分類器應用於此等3D測試特徵空間，以找出光罩之此等測試區域中之缺陷。
在檢測期間，對準R(x,y)及T(x,y)影像。計算測試影像基底，且依據測試影像基底來計算立體像素指標。接著，針對每一測試立體像素指標，可自記憶體擷取一對應分類器距離值。可使用所擷取之值來判定測試影像像素(x,y)是對應於光罩之一有缺陷部分還是一無缺陷部分。
在布林分類器實例中，擷取清楚地指示一特定測試區域立體像素是無缺陷還是有缺陷的之一1或0值。在分級距離方法中，擷取與此立體像素距一無缺陷區域立體像素之距離有關之一變化整數值。可將一臨限值施加至所擷取之分級距離值，以判定測試立體像素是一個二元「有缺陷」還是「無缺陷」立體像素。舉例而言，可使用1或2之一 臨限值。可增加臨限值之值以減小偽陽性缺陷偵測之概率，或減小臨限值之值以減小偽陰性缺陷偵測之概率。可由一操作者可接達之一軟體滑塊選擇且基於偵測已知樣品上之缺陷的過去結果來判定該臨限值。
在找出缺陷之後，接著於操作114中可判定光罩是否通過檢測。舉例而言，可(例如，由一操作者)仔細檢查每一被找出之缺陷以判定該光罩是否有缺陷及是否可能不再使用該光罩。在一具體實施方案中，當有缺陷立體像素之一大小或頻率超過一特定臨限值時，光罩可被認為有缺陷。若光罩未通過，則在操作116中可維修或丟棄光罩且檢測結束。若光罩通過或在維修/丟棄光罩之後，檢測程序可結束。在再次使用光罩(經維修或通過光罩)之後，可針對新缺陷再次檢測光罩。
本發明之某些實施例使用僅一(R,T)平面提供對2D分類之一改良。圖6圖解說明一2D與3D分類器方法之間的一比較。一2D(R,T)分類器可包含無缺陷區域604，其囊括深色區域及灰色區域兩者。通常，一2D無缺陷區域係3D無缺陷區域至一(R,T)平面上之一投影。如所展示，缺陷606出現在此2D無缺陷區域604中且未被偵測到。
然而，當一第三維度被視為無投影時，基於平行於(R,T)平面(缺陷立體像素可與其比較)的3D無缺陷分類器之一特定平面而判定缺陷偵測。如所展示，缺陷606之切口(交叉點)包含僅無缺陷區域602a及602b(灰色)。明顯地該切口係投影之一子集。由於針對圖6中所展示之特定平面中之特定3D位置缺陷606在3D無缺陷區域602a及602b外側，因此偵測到缺陷。總之缺陷606可由3D分類器偵測到但未由一2D分類器偵測到。因此，3D分類器比2D分類器更靈敏。
在使用一高M(多於3)維分類器之一替代實施例中，可使用機構來分隔M維歐式分類器空間以最小化計算及儲存資源之使用。可以任 何適合方式表示分類器點雲。舉例而言，一點雲(特徵向量)分類器可組織為可更高效地被搜索以判定一立體像素是否對應於一缺陷之一空間分隔資料結構。經分隔資料結構可包含但不限於一k-d樹及其變化、一R樹及其變化、一VP樹等。在檢測期間，然後可使用經組織樹結構高效地計算一測試特徵向量與分類器點雲之間的距離。
在一k-d樹分隔資料結構實例中，每一節點係一k維點。在每一非葉節點處，一裂開超平面將特徵空間劃分成兩個部分，稱作半空間。此超平面之左側之點由彼節點之左子樹表示且超平面之右側之點由右子樹表示。可選擇使樹中之每一節點與k個維度中之一者相關聯之超平面方向，其中超平面垂直於彼維度之軸。若選擇一「x」軸分裂，則具有比節點小之一「x」值之子樹中之所有點將出現在左子樹中且具有較大「x」值之所有點將在右子樹中。相同值點可指定為出現在右子樹或左子樹中。
亦可分析一高維特徵空間以由此等高維特徵空間上之複數個近似小平滑表面(或低維部分)建構一流形。此實施例之目標可係藉由仿射線性子空間之子集之一集合近似此流形。舉例而言，仿射線性子空間可係在於流形上選擇之一點集處的流形之切線子空間。在一給定測試特徵向量之檢測期間，可計算自測試點至最近仿射線性子空間之一距離。若此距離大於一臨限值，則偵測到一缺陷。
最初，可將特徵向量之一點雲叢集化成彼此靠近之點。可實施任何適合叢集化技術以叢集化該等點。實例性叢集化技術包含k均值、連通度模型、形心模型、散佈模型、密度模型、子空間模型、群組模型、基於圖之模型等。
針對每一叢集，可計算自叢集中之叢集中心至特徵向量之向量。此等向量之主要分量與一流形大致相切。包含叢集中心且由主要分量橫跨之仿射線性空間L係對圍繞叢集中心之流形之一近似。另一 選擇係，可藉由凸面最佳化判定橫跨L之向量。然後儲存叢集中心及橫跨L之向量。
圖7圖解說明根據一項實施例之由無缺陷特徵向量建構之一流形702。舉例而言，此流形702包含特徵向量704。在檢測期間，給出一測試特徵向量701，則找出最接近於此測試特徵向量701之叢集中心。計算自該特徵向量至仿射線性空間L(710)之距離。此距離係剩餘向量706之範數。剩餘向量706係自測試特徵向量至其在L上之正交投影(708)之向量。若該距離超過一臨限值，則偵測到一缺陷。
可使用任何適合技術以將無缺陷特徵向量近似為仿射線性子空間之子集之一集合。舉例而言，該等仿射線性子空間可係在於流形上選擇之一點集處的一流形之切線子空間。在一第二實施例中，藉由解決一最佳化問題而判定擬合點雲中之儘可能多之點之仿射線性空間。最初，可最小化自仿射線性空間至點雲中之點之距離之一範數。然後可丟棄針對其距離係最大之點雲中之點之一分率。可再次最小化自仿射線性空間至點雲中之點之距離之另一範數以精細化仿射線性子空間以較佳擬合雲中之剩餘點。可反覆地重複此程序直至一新的仿射線性空間集按一預選定公差擬合剩餘點。由一個仿射線性空間良好擬合之點形成一叢集。可選擇與所產生之仿射線性空間之集合不良好擬合之任何特徵向量進行重新擬合。可針對此等選定特徵向量找出一新仿射線性空間及與此空間相關聯之叢集。可重複此程序直至所有特徵向量近似為仿射線性子空間之一集合。
本發明之某些實施例提供當在不具有一資料庫之情況下檢測不重複圖案時具有經改良靈敏度而不增加複雜度之檢測技術。
可使用以任何適合方式設置之任何檢測工具(諸如一光學檢測系統)獲得一光罩之影像。通常藉助操作參數之一集或一「處方」設置檢測系統。處方設定可包含以下設定中之一或多者：用於以一特定圖 案、像素大小掃描光罩之一設定、用於分組來自單一信號之毗鄰信號之一設定、一焦點設定、一照明或偵測孔徑設定、一入射波束角度及波長設定、一偵測器設定、經反射或經透射光量之一設定或本文中所闡述之任何其他設定等。可以經驗為主地選擇反射模式及透射模式之設定以最大化檢測之靈敏度。使用相同處方及相同工具來檢測訓練及測試光罩區域係較佳的。將不同但良好匹配之工具用於訓練及測試區域係可能的。
檢測工具通常可係可操作以將此等所偵測到之光轉換成對應於強度值之所偵測到之信號。所偵測到之信號可採取具有對應於在光罩之不同位置處之不同強度值之振幅值之一電磁波形之形式。所偵測到之信號亦可採取強度值及相關聯之光罩點座標之一簡單列表之形式。所偵測到之信號亦可採取具有對應於光罩上之不同位置或掃描點之不同強度值之一影像之形式。一光罩影像可在掃描光罩之所有位置之後產生且轉換成所偵測到之信號，或可在掃描每一光罩部分時產生一光罩影像之部分，其中在掃描整個光罩之後完成最後光罩影像。
可使入射光或所偵測到之光通過任何適合空間孔徑以依任何適合入射角產生任何入射或所偵測到之光輪廓。藉由實例之方式，可利用可程式化照明或偵測孔徑來產生一特定波束輪廓，諸如偶極、四極子、類星體、環帶等。在一具體實例中，可實施源遮罩最佳化(SMO)或任何像素化照明技術。
可將一或多個光罩部分或「補片」之每一集之所偵測到之信號之資料發送至並行補片處理器。舉例而言，可將一第一補片之強度值發送至一第一處理器，且可將一第二補片之強度值發送至一第二處理器。另一選擇係，可將預定義數目個補片之資料發送至個別補片處理器。
可以硬體及/或軟體之任何適合組合實施本發明之技術。圖8係其 中可實施本發明之技術之一實例性檢測系統800之一圖示表示。檢測系統800可自一檢測工具或掃描器(未展示)接收輸入802。該檢測系統亦可包含用於散佈所接收之輸入802之一資料散佈系統(例如，804a及804b)、用於處理所接收之輸入802之具體部分/補片之一強度信號(或補片)處理系統(例如，補片處理器及記憶體806a及806b)、用於產生一分類器之一分類器產生器系統(例如，分類器產生器處理器及記憶體812)、用於允許檢測系統組件之間的通信之一網路(例如，交換網路808)、一選用大容量儲存器件816及用於檢查候選缺陷之一或多個檢測控制及/或檢查站(例如，810)。檢測系統800之每一處理器通常可包含一或多個微處理器積體電路且亦可含有介面及/或記憶體積體電路且可另外耦合至一或多個共用及/或全域記憶體器件。
用於產生輸入資料802之掃描器或資料獲取系統(未展示)可採取用於獲得一光罩(或其他試樣)之強度信號或影像之任何適合儀器(例如，如本文中進一步闡述)之形式。舉例而言，掃描器可基於經反射、經透射或以其他方式引導至一或多個光感測器之所偵測到之光之一部分而建構一光學影像或產生光罩之一部分之強度值。掃描器然後可輸出強度值或者可自掃描器輸出影像。
可由資料散佈系統經由網路808接收強度或影像資料802。資料散佈系統可與用於保持所接收之資料802之至少一部分之一或多個記憶體器件(諸如RAM緩衝器)相關聯。較佳地，總記憶體大得足以保持至少一整個資料掃描帶。舉例而言，一個十億位元組之記憶體針對係1百萬乘以1000個像素或點之一光罩補片掃描帶運行良好。
資料散佈系統(例如，804a及804b)亦可控制所接收之輸入資料802之部分至處理器(例如806a及806b)之散佈。舉例而言，資料散佈系統可將一第一補片之資料路由至一第一補片處理器806a，且可將一第二補片之資料路由至補片處理器806b。亦可將多個補片之多個資料 集路由至每一補片處理器。
補片處理器可接收強度值或對應於光罩之至少一部分或補片之一影像。補片處理器亦可各自耦合至一或多個記憶體器件(未展示)或與該一或多個記憶體器件整合在一起，諸如提供區域記憶體功能(諸如保持所接收之資料部分)之DRAM器件。較佳地，記憶體大得足以保持對應於光罩之一補片之資料。舉例而言，八個百萬位元組之記憶體針對強度值或對應於係512乘以1024個像素之一補片之一影像運行良好。另一選擇係，補片處理器可共用記憶體。
輸入資料802之每一集可對應於光罩之一掃描帶。可將一或多個資料集儲存於資料散佈系統之記憶體中。可由資料散佈系統內之一或多個處理器控制此記憶體，且可將該記憶體劃分成複數個分隔區。舉例而言，資料散佈系統可將對應於一掃描帶之一部分之資料接收至一第一記憶體分隔區(未展示)中，且資料散佈系統可將對應於另一掃描帶之另一資料接收至一第二記憶體分隔區(未展示)中。較佳地，資料散佈系統之記憶體分隔區中之每一者僅保持資料之待路由至與此記憶體分隔區相關聯之一處理器之部分。舉例而言，資料散佈系統之第一記憶體分隔區可保持第一資料且將第一資料路由至補片處理器806a，且第二記憶體分隔區可保持第二資料且將第二資料路由至補片處理器806b。
資料散佈系統可基於資料之任何適合參數而定義及散佈資料之每一資料集。舉例而言，可基於光罩上之補片之對應位置而定義及散佈資料。在一項實施例中，每一掃描帶與對應於掃描帶內之像素之水平位置之行位置之一範圍相關聯。舉例而言，掃描帶之行0至256可對應於一第一補片，且此等行內之像素將包括路由至一或多個補片處理器之第一影像或強度值集。同樣地，掃描帶之行257至512可對應於一第二補片，且此等行中之像素將包括路由至不同補片處理器之第二影 像或強度值集。
圖9A係根據某些實施例之可用於將一遮罩圖案自一光遮罩M轉移至一晶圓W上之一典型微影系統900之一簡化示意性表示。此等系統之實例包含掃描器及步進器，更具體而言可自荷蘭維荷芬之ASML購得之PAS 5500系統。一般而言，一照明源903透過一照明光學器件907(例如，透鏡905)將一光束引導至位於一遮罩平面902中之一光遮罩M上。照明透鏡905具有在彼平面902處之一數值孔徑901。數值孔徑901之值影響光遮罩上哪些缺陷係微影顯著缺陷且哪些缺陷並非微影顯著缺陷。通過光遮罩M之波束之一部分形成一圖案化光信號，該圖案化光信號被導引穿過成像光學器件913且至一晶圓W上以起始圖案轉移。
圖9B提供根據某些實施例之具有照明光學器件951a之一實例性檢測系統950之一示意性表示，照明光學器件951a包含具有在一光罩平面952處之一相對大數值孔徑951b之一成像透鏡。所繪示之檢測系統950包含偵測光學器件953a及953b，偵測光學器件953a及953b包含經設計以提供(舉例而言)60至200X放大率或更大以用於增強之檢測之顯微鏡放大光學器件。舉例而言，在檢測系統之光罩平面952處之數值孔徑951b可遠大於在微影系統900之光罩平面902處之數值孔徑901，此將導致測試檢測影像與實際印刷影像之間的差別。
本文中所闡述之檢測技術可在各種經特別組態之檢測系統(諸如圖9B中示意性地圖解說明之經特別組態之檢測系統)上實施。所圖解說明之系統950包含產生透過照明光學器件951a引導至光罩平面952中之一光遮罩M上之一光束之一照明源960。如上文所闡釋，檢測系統950可具有可大於對應微影系統之一光罩平面數值孔徑(例如，圖9A中之元件901)的在光罩平面952處之一數值孔徑951b。待檢測之光遮罩M經放置於光罩平面952處之一遮罩載臺上且曝露至該源。
透過一批光學元件953a引導自遮罩M透射之影像，光學元件953a將經圖案化影像投影至一感測器954a上。光學元件(例如，分束器976及偵測透鏡978)經配置以將經反射光引導並擷取至感測器954b上。適合感測器包含電荷耦合器件(CCD)、CCD陣列、時間延遲整合(TDI)感測器、TDI感測器陣列、光電倍增管(PMT)及其他感測器。
可相對於遮罩載台移動照明光學器件及/或藉由任何適合機構使載台相對於一偵測器或相機移動以便掃描光罩之補片。舉例而言，可利用一馬達機構來移動載台。藉由實例之方式，該馬達機構可由一螺桿驅動器及步進馬達、具有回饋位置之線性驅動器或帶式致動器及步進馬達形成。
可由一電腦系統973或更一般而言由一或多個信號處理器件(其各自可包含經組態以將來自每一感測器之類比信號轉換為數位信號以用於處理之一類比轉數位轉換器)處理由每一感測器(例如，954a及/或954b)擷取之信號。電腦系統973通常具有經由適當匯流排或其他通信機構耦合至輸入/輸出埠及一或多個記憶體之一或多個處理器。
電腦系統973亦可包含用於提供使用者輸入(諸如改變焦點及其他檢測處方參數)之一或多個輸入器件(例如，一鍵盤、滑鼠、操縱桿)。電腦系統973亦可連接至用於控制(舉例而言)一樣品位置(例如，聚焦及掃描)之載台且連接至用於控制此等檢測系統組件之其他檢測參數及組態之其他檢測系統組件。
電腦系統973可經組態(例如，藉助程式化指令)以提供用於顯示所得強度值、影像及其他檢測結果之一使用者介面(例如，一電腦螢幕)。電腦系統973可經組態以產生一3D(或三維以上)分類器或3D(或三維以上)測試特徵空間、分析強度、相位及/或經反射及/或經透射感測之光束之其他特性。電腦系統973可經組態(例如，藉助程式化指令)以提供用於顯示所得強度值、影像及其他檢測特性之一使用者介 面(例如，在一電腦螢幕上)。在某些實施例中，電腦系統973經組態以實行下文詳述之檢測技術。
由於此類資訊及程式指令可在一經特別組態之電腦系統上實施，因此此一系統包含可儲存於一非暫時性電腦可讀媒體上之用於執行本文中所闡述之各種操作之程式指令/電腦程式碼。機器可讀媒體之實例包含但不限於：磁媒體，諸如硬磁碟、軟磁碟及磁帶；光媒體，諸如CD-ROM磁碟；磁光媒體，諸如光碟；及經特別組態以儲存並執行程式指令之硬體器件，諸如唯讀記憶體器件(ROM)及隨機存取記憶體(RAM)。程式指令之實例包含諸如由一編譯器產生之機器碼及含有可由該電腦使用一解譯器來執行之更高階代碼之檔案兩者。
在某些實施例中，一種用於檢測一光遮罩之系統包含經組態以執行本文中所闡述之技術之至少一個記憶體及至少一個處理器。一檢測系統之一項實例包含可自加利福尼亞州苗比達市之KLA-Tencor購得之一經特別組態之TeraScanTM DUV檢測系統。
儘管出於理解清晰之目的已相當詳細闡述前述發明，但將明瞭，可在隨附申請專利範圍之範疇內實踐某些改變及修改。應注意，存在實施本發明之程序、系統及裝置之諸多替代方式。因此，本發明實施例應視為說明性的而非限制性的，且本發明不應限於本文中所給出之細節。

Claims (26)

  1. 一種檢測一光微影光罩之方法，該方法包括：以一或多個操作模式使用一檢測系統，從而獲得一光罩之複數個訓練區域之影像，其中將該等訓練區域識別為無缺陷的；自該等訓練區域之該等影像導出三個或三個以上基礎訓練影像；基於該三個或三個以上基礎訓練影像來形成一分類器；以該一或多個操作模式使用該檢測系統，從而獲得一光罩之複數個測試區域之影像；及自該等測試區域導出三個或三個以上基礎測試影像；及將該分類器應用於該三個或三個以上基礎測試影像，以找出該等測試區域中之缺陷。
  2. 如請求項1之方法，其中形成該分類器包含：將該三個或三個以上基礎訓練影像映射至一個三維或三維以上空間之複數個立體像素；及將一觀察指示符指派給每一立體像素，以便規定此立體像素是否定義為在訓練集中觀察到之一無缺陷立體像素。
  3. 如請求項2之方法，其中形成該分類器進一步包含：藉由將每一孔洞之每一立體像素之一指示符自規定未在該訓練集中觀察到此立體像素改變為規定此立體像素係一無缺陷立體像素，來修復該等無缺陷立體像素中之複數個孔洞。
  4. 如請求項3之方法，其中形成該分類器進一步包含基於每一立體像素至一無缺陷立體像素之距離來執行一距離變換，以將一距離值指派給此立體像素。
  5. 如請求項4之方法，其中當一特定立體像素具有高於一預定義臨 限值之一距離值時找出一缺陷。
  6. 如請求項1之方法，進一步包括：基於該三個或三個以上基礎訓練影像之複數個不同集來形成複數個分類器中之每一者；及將該複數個分類器應用於該三個或三個以上基礎測試影像，以找出該等測試區域中之缺陷。
  7. 如請求項1之方法，進一步包括自該分類器形成一空間分隔資料結構。
  8. 如請求項2之方法，其中形成該分類器包括運用仿射線性空間之子集之一集合來近似對應於該等無缺陷立體像素之特徵向量之一集。
  9. 如請求項1之方法，其中形成該分類器包括：將基於該等基礎訓練影像之特徵向量之一集叢集化成複數個叢集；判定每一叢集之特徵向量之一叢集中心；針對每一叢集，判定自每一叢集中心至該叢集之特徵向量之複數個叢集向量；及針對每一叢集，判定包含該叢集之叢集中心且由該叢集之叢集向量之複數個主要分量橫跨之一仿射線性空間，其中將該分類器應用於該三個或三個以上基礎測試影像係於該三個或三個以上基礎測試影像之每一測試向量與一最近仿射線性空間之間之一距離。
  10. 如請求項1之方法，其中形成該分類器包括：最小化自一仿射線性空間至來自該三個或三個以上基礎訓練影像之複數個特徵向量之距離之一範數；丟棄針對其一距離係最高之該等特徵向量之一集；及 重複最小化該距離範數以精細化複數個仿射線性空間，以較佳擬合該等特徵向量中之剩餘者之步驟直至該等特徵向量在一預定義公差位準內擬合至該等仿射線性空間之一最終集。
  11. 如請求項1之方法，其中該分類器包含各自具有一透射影像值、一反射影像值，及基於一透射或反射影像值之變換之一經變換影像值的特徵向量的三個或三個以上維度。
  12. 如請求項11之方法，其中藉由以下各項中之一者來判定每一經變換影像值：∥▽T∥,∥▽R∥,▽2 T,▽2 R，其中T係一透射影像值且R係一反射影像值。
  13. 如請求項1之方法，其中該一或多個操作模式係可選擇的，以在以下品質或量中之一或多者方面不同：一反射模式、一透射模式、一明場模式、一暗場模式、一照明數值孔徑、一照明瞳孔圖案、一照明偏光、一收集數值孔徑、一收集瞳孔濾光器振幅及相位、一收集分析器及一焦點。
  14. 一種用於檢測一光微影光罩之檢測系統，該系統包括經組態以執行以下操作之至少一個記憶體及至少一個處理器：以該檢測系統之一或多個操作模式，獲得一光罩之複數個訓練區域之影像，其中該等訓練區域被識別為無缺陷的；自該等訓練區域之該等影像導出三個或三個以上基礎訓練影像；基於該三個或三個以上基礎訓練影像來形成一分類器；以該一或多個操作模式，獲得一光罩之複數個測試區域之影像；及自該等測試區域導出三個或三個以上基礎測試影像；及將該分類器應用於該三個或三個以上基礎測試影像，以找出該等測試區域中之缺陷。
  15. 如請求項14之檢測系統，其中形成該分類器包含：將該三個或三個以上基礎訓練影像映射至一個三維或三維以上空間之複數個立體像素；及將一觀察指示符指派給每一立體像素，以便規定此立體像素是否定義為在訓練集中觀察到之一無缺陷立體像素。
  16. 如請求項15之檢測系統，其中形成該分類器進一步包含：藉由將每一孔洞之每一立體像素之一指示符自規定未在該訓練集中觀察到此立體像素改變為規定此立體像素係一無缺陷立體像素來修復該等無缺陷立體像素中之複數個孔洞。
  17. 如請求項16之檢測系統，其中形成該分類器進一步包含基於每一立體像素至一無缺陷立體像素之距離來執行一距離變換，以將一距離值指派給此立體像素。
  18. 如請求項17之檢測系統，其中當一特定立體像素具有高於一預定義臨限值之一距離值時找出一缺陷。
  19. 如請求項14之檢測系統，其中該至少一個記憶體及該至少一個處理器進一步經組態以用於：基於該三個或三個以上基礎訓練影像之複數個不同集來形成複數個分類器中之每一者；及將該複數個分類器應用於該三個或三個以上基礎測試影像，以找出該等測試區域中之缺陷。
  20. 如請求項14之檢測系統，其中該至少一個記憶體及該至少一個處理器進一步經組態以用於自該分類器形成一空間分隔資料結構。
  21. 如請求項15之檢測系統，其中形成該分類器包括運用仿射線性空間之子集之一集合來近似對應於該等無缺陷立體像素之特徵向量之一集。
  22. 如請求項14之檢測系統，其中形成該分類器包括：將基於該等基礎訓練影像之特徵向量之一集叢集化成複數個叢集；判定每一叢集之特徵向量之一叢集中心；針對每一叢集，判定自每一叢集中心至該叢集之特徵向量之複數個叢集向量；及針對每一叢集，判定包含該叢集之叢集中心且由該叢集之叢集向量之複數個主要分量橫跨之一仿射線性空間，其中將該分類器應用於該三個或三個以上基礎測試影像係基於該三個或三個以上基礎測試影像之每一測試向量與一最近仿射線性空間之間之一距離。
  23. 如請求項14之檢測系統，其中形成該分類器包括：最小化自一仿射線性空間至來自該三個或三個以上基礎訓練影像之複數個特徵向量之距離之一範數；丟棄針對其一距離係最高的該等特徵向量之一集；及重複最小化該距離範數以精細化複數個仿射線性空間，以較佳擬合該等特徵向量中之剩餘者之步驟直至該等特徵向量在一預定義公差位準內擬合至該等仿射線性空間之一最終集。
  24. 如請求項14之檢測系統，其中該分類器包含各自具有一透射影像值、一反射影像值，及基於一透射或反射影像值之變換之一經變換影像值的特徵向量的三個或三個以上維度。
  25. 如請求項24之檢測系統，其中藉由以下各項中之一者來判定每一經變換影像值：∥▽T∥,∥▽R∥,▽2 T,▽2 R，其中T係一透射影像值且R係一反射影像值。
  26. 如請求項14之檢測系統，其中該一或多個操作模式係可選擇的，以在以下品質或量中之一或多者方面不同：一反射模式、 一透射模式、一明場模式、一暗場模式、一照明數值孔徑、一照明瞳孔圖案、一照明偏光、一收集數值孔徑、一收集瞳孔濾光器振幅及相位、一收集分析器及一焦點。
TW103117032A 2013-05-14 2014-05-14 用於檢測試樣之方法及檢測系統 TWI614570B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201361823156P 2013-05-14 2013-05-14
US61/823,156 2013-05-14
US14/274,972 US9430824B2 (en) 2013-05-14 2014-05-12 Machine learning method and apparatus for inspecting reticles
US14/274,972 2014-05-12

Publications (2)

Publication Number Publication Date
TW201504749A true TW201504749A (zh) 2015-02-01
TWI614570B TWI614570B (zh) 2018-02-11

Family

ID=51895827

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103117032A TWI614570B (zh) 2013-05-14 2014-05-14 用於檢測試樣之方法及檢測系統

Country Status (4)

Country Link
US (3) US9430824B2 (zh)
KR (1) KR102100007B1 (zh)
TW (1) TWI614570B (zh)
WO (1) WO2014186407A2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI715773B (zh) * 2016-06-01 2021-01-11 美商克萊譚克公司 針對半導體應用整合神經網路及前向物理模型之系統及方法
US11270430B2 (en) 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6029494B2 (ja) * 2012-03-12 2016-11-24 キヤノン株式会社 インプリント方法およびインプリント装置、それを用いた物品の製造方法
JP6074272B2 (ja) * 2013-01-17 2017-02-01 キヤノン株式会社 画像処理装置および画像処理方法
US9430824B2 (en) 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
US9860200B1 (en) * 2014-08-27 2018-01-02 Google Llc Message suggestions
US10916005B2 (en) * 2014-11-24 2021-02-09 Kitov Systems Ltd Automated inspection
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
US10140698B2 (en) 2015-08-10 2018-11-27 Kla-Tencor Corporation Polygon-based geometry classification for semiconductor mask inspection
US9904995B2 (en) * 2015-12-09 2018-02-27 Applied Materials Israel, Ltd. System and method for patch based inspection
KR102682483B1 (ko) 2016-09-30 2024-07-05 삼성전자주식회사 픽셀 기반 학습을 이용한 마스크 최적화 방법
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10620618B2 (en) * 2016-12-20 2020-04-14 Palantir Technologies Inc. Systems and methods for determining relationships between defects
US20190238796A1 (en) 2017-05-11 2019-08-01 Jacob Nathaniel Allen Object Inspection System And Method For Inspecting An Object
US11275361B2 (en) 2017-06-30 2022-03-15 Kla-Tencor Corporation Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
WO2019006222A1 (en) * 2017-06-30 2019-01-03 Kla-Tencor Corporation SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS
US10275872B2 (en) 2017-08-24 2019-04-30 Applied Materials Israel Ltd. Method of detecting repeating defects and system thereof
KR102100204B1 (ko) * 2017-10-31 2020-04-13 삼성에스디에스 주식회사 기계 학습 기반의 분류 방법 및 그 장치
US11257207B2 (en) 2017-12-28 2022-02-22 Kla-Tencor Corporation Inspection of reticles using machine learning
CN111512324B (zh) * 2018-02-07 2024-06-28 应用材料以色列公司 半导体样品的基于深度学习的检查的方法及其系统
DE102018207880A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
CN108764154B (zh) * 2018-05-30 2020-09-08 重庆邮电大学 一种基于多特征机器学习的水面垃圾识别方法
JP7144244B2 (ja) * 2018-08-31 2022-09-29 株式会社日立ハイテク パターン検査システム
US10825650B2 (en) 2018-09-28 2020-11-03 Taiwan Semiconductor Manufacturing Co., Ltd. Machine learning on wafer defect review
US11301748B2 (en) * 2018-11-13 2022-04-12 International Business Machines Corporation Automatic feature extraction from aerial images for test pattern sampling and pattern coverage inspection for lithography
GB2580629B (en) * 2019-01-17 2023-02-15 Smiths Heimann Sas Classifier using data generation
DE102019102484A1 (de) * 2019-01-31 2020-08-06 Carl Zeiss Smt Gmbh Verarbeitung von dreidimensionalen Bilddatensätzen
US11263496B2 (en) * 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
US11061318B2 (en) * 2019-02-28 2021-07-13 Taiwan Semiconductor Manufacturing Co., Ltd. Lithography model calibration
CN109948683B (zh) * 2019-03-12 2021-07-27 百度在线网络技术（北京）有限公司 点云数据的难易度划分方法、装置及其相关设备
JP7203678B2 (ja) 2019-04-19 2023-01-13 株式会社日立ハイテク 欠陥観察装置
CN110119438B (zh) * 2019-04-23 2021-05-07 东华理工大学 基于主动学习的机载LiDAR点云滤波方法
CN110084314B (zh) * 2019-05-06 2021-08-13 西安交通大学 一种针对靶向捕获基因测序数据的假阳性基因突变过滤方法
JP7298333B2 (ja) * 2019-06-25 2023-06-27 オムロン株式会社 外観検査管理システム、外観検査管理装置、外観検査管理方法及びプログラム
CN110827235B (zh) * 2019-09-24 2022-05-10 苏州苏相机器人智能装备有限公司 钢板表面缺陷检测方法
US11610297B2 (en) * 2019-12-02 2023-03-21 Kla Corporation Tomography based semiconductor measurements using simplified models
US11915153B2 (en) * 2020-05-04 2024-02-27 Dell Products, L.P. Workload-oriented prediction of response times of storage systems
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
WO2021257846A1 (en) 2020-06-17 2021-12-23 Inovision Software Solutions, Inc. System and method for defect repair
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
US20240177286A1 (en) * 2022-11-29 2024-05-30 Applied Materials, Inc. Modeling for indexing and semiconductor defect image retrieval
CN117352413A (zh) * 2023-11-03 2024-01-05 上海朋熙半导体有限公司 晶圆缺陷检测方法、系统、设备及可读介质

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563702A (en) 1991-08-22 1996-10-08 Kla Instruments Corporation Automated photomask inspection apparatus and method
US6466314B1 (en) 1998-09-17 2002-10-15 Applied Materials, Inc. Reticle design inspection system
US6349265B1 (en) * 1999-03-24 2002-02-19 International Business Machines Corporation Method and apparatus for mapping components of descriptor vectors for molecular complexes to a space that discriminates between groups
JP2000346627A (ja) 1999-06-07 2000-12-15 Toray Eng Co Ltd 検査装置
US20030185432A1 (en) * 2002-03-29 2003-10-02 Hong Dezhong Method and system for image registration based on hierarchical object modeling
US6850321B1 (en) 2002-07-09 2005-02-01 Kla-Tencor Technologies Corporation Dual stage defect region identification and defect detection method and apparatus
US7359544B2 (en) * 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
JP2006098151A (ja) * 2004-09-29 2006-04-13 Dainippon Screen Mfg Co Ltd パターン検査装置およびパターン検査方法
KR20180037323A (ko) * 2004-10-12 2018-04-11 케이엘에이-텐코 코포레이션 표본 상의 결함들을 분류하기 위한 컴퓨터-구현 방법 및 시스템
US7729529B2 (en) * 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
JP2006220644A (ja) 2005-01-14 2006-08-24 Hitachi High-Technologies Corp パターン検査方法及びその装置
US9037280B2 (en) * 2005-06-06 2015-05-19 Kla-Tencor Technologies Corp. Computer-implemented methods for performing one or more defect-related functions
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570800B2 (en) * 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
JP5028014B2 (ja) 2006-02-08 2012-09-19 株式会社日立ハイテクノロジーズ パターン検査方法及びその装置
JP5427609B2 (ja) * 2006-12-19 2014-02-26 ケーエルエー−テンカー・コーポレーション 検査レシピ作成システムおよびその方法
US8611637B2 (en) * 2007-01-11 2013-12-17 Kla-Tencor Corporation Wafer plane detection of lithographically significant contamination photomask defects
US8775101B2 (en) * 2009-02-13 2014-07-08 Kla-Tencor Corp. Detecting defects on a wafer
US8537349B2 (en) * 2009-07-01 2013-09-17 Kla-Tencor Corporation Monitoring of time-varying defect classification performance
US8699784B2 (en) * 2010-08-10 2014-04-15 Camtek Ltd. Inspection recipe generation and inspection based on an inspection recipe
US9256966B2 (en) * 2011-02-17 2016-02-09 The Johns Hopkins University Multiparametric non-linear dimension reduction methods and systems related thereto
US8502146B2 (en) * 2011-10-03 2013-08-06 Kla-Tencor Corporation Methods and apparatus for classification of defects using surface height attributes
US8855400B2 (en) 2012-03-08 2014-10-07 Kla-Tencor Corporation Detection of thin lines for selective sensitivity during reticle inspection using processed images
CN104303048B (zh) 2012-03-20 2018-05-04 科磊股份有限公司 使用反射及透射图来检测光罩劣化
US9098891B2 (en) * 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
US9430824B2 (en) 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI715773B (zh) * 2016-06-01 2021-01-11 美商克萊譚克公司 針對半導體應用整合神經網路及前向物理模型之系統及方法
US11270430B2 (en) 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
TWI775856B (zh) * 2017-05-23 2022-09-01 美商克萊譚克公司 檢查半導體晶圓的方法及系統

Also Published As

Publication number Publication date
WO2014186407A2 (en) 2014-11-20
KR102100007B1 (ko) 2020-04-10
TWI614570B (zh) 2018-02-11
US9805462B2 (en) 2017-10-31
KR20160007630A (ko) 2016-01-20
US20170221190A1 (en) 2017-08-03
US9430824B2 (en) 2016-08-30
US20140341462A1 (en) 2014-11-20
WO2014186407A3 (en) 2015-03-26
US9652843B2 (en) 2017-05-16
US20160335753A1 (en) 2016-11-17

Similar Documents

Publication Publication Date Title
TWI614570B (zh) 用於檢測試樣之方法及檢測系統
CN113302728B (zh) 利用自动产生缺陷特征检验半导体结构的方法及系统
KR102235581B1 (ko) 이미지 합성을 위한 컨볼루션 신경망 기반의 모드 선택 및 결함 분류
KR102485553B1 (ko) 임계 치수 균일도 강화 기술들 및 장치
KR102330735B1 (ko) 패터닝된 웨이퍼들 상의 결함들의 서브-픽셀 및 서브-해상도 로컬리제이션
JP7035069B2 (ja) ２つのフォトマスクを比較することによるフォトマスクの検査
JP6785663B2 (ja) 検査のための高解像度フルダイイメージデータの使用
TWI797382B (zh) 在極端紫外光光罩上所檢測到之缺陷處理
US10365232B2 (en) High accuracy of relative defect locations for repeater analysis
JP6472447B2 (ja) フォトマスク欠陥性における変化の監視
CN108291878A (zh) 单一图像检测
IL262464A (en) Systems and methods for automatic correction of deviation between testing and design for a massive model search
KR20200142593A (ko) 어레이 구역에 대한 결함 샘플 생성
KR20190142418A (ko) 리피터 분석을 위한 높은 정확도의 상대적 결함 위치
TW202300900A (zh) 以經呈現設計影像之設計照護區域之分段