TW201920944A - 訓練以學習為基礎之缺陷分類器 - Google Patents

訓練以學習為基礎之缺陷分類器 Download PDF

Info

Publication number
TW201920944A
TW201920944A TW107129876A TW107129876A TW201920944A TW 201920944 A TW201920944 A TW 201920944A TW 107129876 A TW107129876 A TW 107129876A TW 107129876 A TW107129876 A TW 107129876A TW 201920944 A TW201920944 A TW 201920944A
Authority
TW
Taiwan
Prior art keywords
wafer
defects
training
inspection
defect
Prior art date
Application number
TW107129876A
Other languages
English (en)
Other versions
TWI751375B (zh
Inventor
伯裘恩 布拉爾
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201920944A publication Critical patent/TW201920944A/zh
Application granted granted Critical
Publication of TWI751375B publication Critical patent/TWI751375B/zh

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • 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
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本發明提供用於訓練一以學習為基礎之缺陷分類器之方法及系統。一種方法包含使用包含經識別所關注缺陷(DOI)及經識別擾亂點之缺陷之一訓練集訓練一以學習為基礎之缺陷分類器。該訓練集中之該等DOI及擾亂點包含在至少一個訓練晶圓及至少一個檢測晶圓上識別之DOI及擾亂點。已知該至少一個訓練晶圓具有一異常高缺陷率且預期該至少一個檢測晶圓具有正常缺陷率。

Description

訓練以學習為基礎之缺陷分類器
本發明大體上係關於用於訓練一以學習為基礎之缺陷分類器之方法及系統。
以下描述及實例不因其等包含於此段落中而被承認係先前技術。
製造諸如邏輯及記憶體裝置之半導體裝置通常包含使用大量半導體製造程序處理諸如一半導體晶圓之一基板以形成半導體裝置之各種特徵及多個層級。例如，微影係涉及將一圖案自一倍縮光罩轉印至配置於一半導體晶圓上之一光阻劑之一半導體製造程序。半導體製造程序之額外實例包含(但不限於)化學機械拋光(CMP)、蝕刻、沈積及離子植入。多個半導體裝置可以一配置製造於一單一半導體晶圓上且接著被分成個別半導體裝置。
在一半導體製造程序期間之各個步驟使用檢測程序以偵測晶圓上之缺陷以促進製造程序中之更高良率及因此更高利潤。檢測始終係製造半導體裝置(諸如IC)之一重要部分。然而，隨著半導體裝置之尺寸減小，檢測對於可接受半導體裝置之成功製造變得更為重要，此係因為較小缺陷可引起裝置故障。
然而，隨著設計規則收縮，半導體製造程序可係更接近對程序之效能能力之限制操作。另外，隨著設計規則收縮，較小缺陷可對裝置之電參數具有一影響，此驅動更靈敏檢測。因此，隨著設計規則收縮，藉由檢測偵測之潛在良率相關缺陷之群體大幅增長，且藉由檢測偵測之擾亂點缺陷之群體亦大幅增加。
相對高擾亂點率係一常見問題且防止運行足夠熱(即，至雜訊底限)以尋找實質上小缺陷。由於根本未偵測到擾亂點通常係不可能的，故檢測程序之成功可通常取決於尋找用於檢測程序之正確擾亂點抑制技術之能力。對在晶圓上偵測之缺陷執行之擾亂點抑制技術通常被稱為擾亂點過濾器，此係因為其等經設計以自檢測結果濾除擾亂點。尋找擾亂點過濾器之適合參數需要判定擾亂點及實際缺陷(或所關注缺陷)在藉由檢測系統產生之輸出或可自輸出判定之經偵測缺陷之屬性中如何不同。因而，可藉由以下者設定干擾點過濾器參數：使用一檢測系統產生針對擾亂點及實際缺陷(或所關注缺陷)兩者之輸出；及判定針對擾亂點之輸出或自其判定之屬性如何不同於針對實際缺陷(或所關注缺陷)之輸出或自其判定之屬性。
然而，此等方法之一個顯著挑戰係正確地識別一晶圓上之擾亂點及實際缺陷及表示可在晶圓間發現之經偵測缺陷變動之各種擾亂點及實際缺陷。若使用不充分表示將在晶圓上實際上偵測之擾亂點及實際缺陷之擾亂點及實際缺陷設定擾亂點過濾器，則擾亂點過濾器將毫無用處。
相應地，開發用於訓練一以學習為基礎之缺陷分類器而不具有上文描述之一或多個缺點之系統及/或方法將係有利的。
各項實施例之以下描述絕不應理解為限制隨附發明申請專利範圍之標的。
一項實施例係關於一種經組態以訓練一以學習為基礎之缺陷分類器之系統。該系統包含一檢測子系統，該檢測子系統包含至少一能量源及一偵測器。該能量源經組態以產生經引導至晶圓之能量。該偵測器經組態以偵測來自該等晶圓之能量且回應於該經偵測能量而產生輸出。該等晶圓包含已知具有一異常高缺陷率之至少一個訓練晶圓及預期具有正常缺陷率之至少一個檢測晶圓。
該系統亦包含一或多個電腦子系統，其等經組態用於藉由將一缺陷偵測方法應用至分別針對該至少一個訓練晶圓及該至少一個檢測晶圓產生之輸出而偵測該至少一個訓練晶圓及該至少一個檢測晶圓上之缺陷。該一或多個電腦子系統亦經組態用於藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之該等缺陷之哪些者係所關注缺陷(DOI)而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之該等DOI。另外，該一或多個電腦子系統經組態用於藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之該等缺陷之哪些者係擾亂點而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之該等擾亂點。該一或多個電腦子系統進一步經組態用於藉由組合該等經識別DOI及該等經識別擾亂點之資訊而產生包含該等經識別DOI及該等經識別擾亂點之缺陷之一訓練集。該一或多個電腦子系統亦經組態用於使用缺陷之該訓練集訓練一以學習為基礎之缺陷分類器。可如本文中描述般進一步組態該系統。
另一實施例係關於一種用於訓練一以學習為基礎之缺陷分類器之電腦實施方法。該方法包含藉由一檢測子系統之一偵測器憑藉將一缺陷偵測方法應用至分別針對至少一個訓練晶圓及至少一個檢測晶圓產生之輸出而偵測該至少一個訓練晶圓及該至少一個檢測晶圓上之缺陷。已知該至少一個訓練晶圓具有一異常高缺陷率且預期該至少一個檢測晶圓具有正常缺陷率。如本文中進一步描述般組態該檢測子系統。該方法亦包含上文進一步描述之識別所關注缺陷、識別擾亂點、產生缺陷之一訓練集及訓練一以學習為基礎之缺陷分類器步驟。該等步驟由耦合至該檢測子系統之一或多個電腦子系統執行。
可如本文中進一步描述般進一步執行上文描述之方法之各步驟。另外，上文描述之方法可包含本文中描述之(若干)任何其他方法之(若干)任何其他步驟。此外，上文描述之方法可由本文中描述之該等系統之任何者執行。
一額外實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一電腦系統上實行以執行用於訓練一以學習為基礎之缺陷分類器之一電腦實施方法。該電腦實施方法包含上文描述之方法之步驟。可如本文中描述般進一步組態該電腦可讀媒體。可如本文中進一步描述般執行該電腦實施方法之步驟。另外，可針對其實行該等程式指令之電腦實施方法可包含本文中描述之(若干)任何其他方法之(若干)任何其他步驟。
現參考圖式，應注意，圖未按比例繪製。特定言之，在很大程度上放大圖之一些元件之尺度以強調元件之特性。亦應注意，該等圖未按相同比例繪製。已使用相同元件符號指示可經類似組態之展示於一個以上圖中之元件。除非本文中另有說明，否則所描述且展示之任何元件可包含任何適合市售元件。
一項實施例係關於一種經組態以訓練一以學習為基礎之缺陷分類器之系統。如本文中進一步描述，實施例經組態用於使用在不同類型之晶圓上偵測之缺陷訓練一以學習為基礎之缺陷分類器，且經偵測缺陷包含所關注缺陷(DOI)及擾亂點兩者。在不同類型之晶圓上偵測之DOI及擾亂點先前未用於訓練一以學習為基礎之缺陷分類器。然而，如本文中描述般使用在多個類型之晶圓上偵測之DOI及擾亂點以訓練一以學習為基礎之缺陷分類器提供優於用於訓練一以學習為基礎之缺陷分類器之先前使用之方法及系統之亦在本文中描述之數個優點。
在圖1中展示此一系統之一項實施例。該系統包含一檢測子系統，該檢測子系統包含至少一能量源及一偵測器。該能量源經組態以產生經引導至晶圓之能量。該偵測器經組態以偵測來自該等晶圓之能量且回應於該經偵測能量而產生輸出。晶圓包含本文中進一步描述之晶圓。
在一項實施例中，檢測子系統經組態為一光學檢測子系統。例如，在圖1中展示之系統之實施例中，檢測子系統10包含經組態以將光引導至晶圓14之一照明子系統。照明子系統包含至少一個光源。例如，如圖1中展示，照明子系統包含光源16。在一項實施例中，照明子系統經組態以按可包含一或多個傾斜角及/或一或多個法向角之一或多個入射角將光引導至晶圓。例如，如圖1中展示，來自光源16之光經引導穿過光學元件18且接著穿過透鏡20至光束分離器21，該光束分離器按一法向入射角引導光至晶圓14。入射角可包含任何適合入射角，其可取決於(例如)晶圓及欲在晶圓上偵測之缺陷之特性而變化。
照明子系統可經組態以在不同時間按不同入射角將光引導至晶圓。例如，檢測子系統可經組態以更改照明子系統之一或多個元件之一或多個特性使得可按不同於圖1中展示之一入射角將光引導至晶圓。在一個此實例中，檢測子系統可經組組態以移動光源16、光學元件18及透鏡20使得按一不同入射角將光引導至晶圓。
在一些例項中，檢測子系統可經組態以在相同時間按一個以上入射角將光引導至晶圓。例如，照明子系統可包含一個以上照明通道，照明通道之一者可包含如圖1中展示之光源16、光學元件18及透鏡20，且照明通道之另一者(未展示)可包含可不同或相同組態之類似元件或可包含至少一光源及可能一或多個其他組件(諸如本文中進一步描述之組件)。若在與其他光相同之時間將此光引導至晶圓，則按不同入射角引導至晶圓之光之一或多個特性(例如，波長、偏光等)可不同，使得可在(若干)偵測器處將源自按不同入射角照明晶圓之光彼此區分。
在另一例項中，照明子系統可僅包含一個光源(例如，圖1中展示之源16)且可由照明子系統之一或多個光學元件(未展示)將來自該光源之光分成不同光學路徑(例如，基於波長、偏光等)。接著，可將不同光學路徑之各者中之光引導至晶圓。多個照明通道可經組態以在相同時間或不同時間(例如，當使用不同照明通道以依序照明晶圓時)將光引導至晶圓。在另一例項中，相同照明通道可經組態以在不同時間將具有不同特性之光引導至晶圓。例如，在一些例項中，光學元件18可經組態為一光譜濾波器且可以各種不同方式(例如，藉由調換出光譜濾波器)改變光譜濾波器之性質使得可在不同時間將不同波長之光引導至晶圓。照明子系統可具有此項技術中已知之用於依序或同時按不同或相同入射角將具有不同或相同特性之光引導至晶圓之任何其他適合組態。
在一項實施例中，光源16可包含一寬頻電漿(BBP)光源。以此方式，由光源產生且引導至晶圓之光可包含寬頻光。然而，光源可包含任何其他適合光源(諸如一雷射)。雷射可包含此項技術中已知之任何適合雷射且可經組態以產生此項技術中已知之(若干)任何適合波長之光。另外，雷射可經組態以產生單色或近單色光。以此方式，雷射可係一窄頻雷射。光源亦可包含產生多個離散波長或波帶之光之一多色光源。
來自光學元件18之光可藉由透鏡20聚焦至光束分離器21上。雖然透鏡20在圖1中展示為一單折射光學元件，但應理解，實務上，透鏡20可包含將來自光學元件之光組合地聚焦至晶圓之數個折射及/或反射光學元件。圖1中展示且本文中描述之照明子系統可包含任何其他適合光學元件(未展示)。此等光學元件之實例包含(但不限於)(若干)偏光組件、(若干)光譜濾波器、(若干)空間濾波器、(若干)反射光學元件、(若干)變跡器、(若干)光束分離器、(若干)孔隙及類似者，其可包含此項技術中已知之任何此等適合光學元件。另外，系統可經組態以基於用於檢測之照明之類型更改照明子系統之一或多個元件。
檢測子系統亦可包含經組態以引起光掃描遍及晶圓之一掃描子系統。例如，檢測子系統可包含在檢測期間在其上安置晶圓14之載物台22。掃描子系統可包含可經組態以移動晶圓使得光可掃描遍及晶圓之任何適合機械及/或機器人總成(包含載物台22)。另外或替代地，檢測子系統可經組態使得檢測子系統之一或多個光學元件執行光遍及晶圓之某一掃描。可以任何適合方式使光掃描遍及晶圓。
檢測子系統進一步包含一或多個偵測通道。一或多個偵測通道之至少一者包含一偵測器，該偵測器經組態以歸因於藉由檢測子系統照明晶圓而自晶圓偵測光且回應於所偵測光產生輸出。例如，圖1中展示之檢測子系統包含兩個偵測通道，一偵測通道由集光器24、元件26及偵測器28形成且另一偵測通道由集光器30、元件32及偵測器34形成。如圖1中展示，兩個偵測通道經組態以按不同收集角收集且偵測光。在一些例項中，一個偵測通道經組態以偵測鏡面反射光，且另一偵測通道經組態以偵測未自晶圓鏡面反射(例如，散射、繞射等)之光。然而，兩個或兩個以上偵測通道可經組態以自晶圓偵測相同類型之光(例如，鏡面反射光)。雖然圖1展示包含兩個偵測通道之檢測子系統之一實施例，但檢測子系統可包含不同數目個偵測通道(例如，僅一個偵測通道或兩個或兩個以上偵測通道)。雖然在圖1中將各集光器展示為單折射光學元件，但應理解，各集光器可包含一或多個折射光學元件及/或一或多個反射光學元件。
該一或多個偵測通道可包含此項技術中已知之任何適合偵測器。例如，該等偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)及延時積分(TDI)攝影機。偵測器亦可包含此項技術中已知之任何其他適合偵測器。該等偵測器亦可包含非成像偵測器或成像偵測器。若偵測器係非成像偵測器，則各偵測器可經組態以偵測散射光之某些特性(諸如強度)但不可經組態以偵測依據成像平面內之位置而變化之此等特性。因而，由包含於檢測子系統之各偵測通道中之各偵測器產生之輸出可係信號或資料，而非影像信號或影像資料。在此等例項中，一電腦子系統(諸如系統之電腦子系統36)可經組態以自偵測器之非成像輸出產生晶圓之影像。然而，在其他例項中，偵測器可經組態為經組態以產生成像信號或影像資料之成像偵測器。因此，系統可經組態以依數個方式產生本文中描述之輸出。
應注意，在本文中提供圖1以大體上繪示可包含於本文中描述之系統實施例中之一檢測子系統之一組態。顯然，可更改本文中描述之檢測子系統組態以如在設計一商業檢測系統時通常執行般最佳化系統之效能。另外，可使用諸如商業上可購自加利福尼亞州，米爾皮塔斯市，KLA-Tencor之29xx及39xx系列之工具之一現有檢測系統(例如，藉由將本文中描述之功能性添加至一現有檢測系統)實施本文中描述之系統。對於一些此等系統，本文中描述之方法可提供為系統之選用功能性(例如，除了系統之其他功能性之外)。替代地，可「從頭開始」設計本文中描述之系統以提供一全新系統。
系統之電腦子系統36可以任何適合方式(例如，經由一或多個傳輸媒體，該一或多個傳輸媒體可包含「有線」及/或「無線」傳輸媒體)耦合至檢測子系統之偵測器使得電腦子系統可接收由偵測器在晶圓之掃描期間產生之輸出。電腦子系統36可經組態以使用偵測器之輸出執行如本文中描述之數個功能及本文中進一步描述之任何其他功能。可如本文中描述般進一步組態此電腦子系統。
此電腦子系統(以及本文中描述之其他電腦子系統)在本文中亦可稱為(若干)電腦系統。本文中描述之(若干)電腦子系統或(若干)系統之各者可採取各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。一般言之，術語「電腦系統」可經廣泛定義以涵蓋具有實行來自一記憶體媒體之指令之一或多個處理器之任何裝置。(若干)電腦子系統或(若干)系統亦可包含此項技術中已知之任何適合處理器(諸如一平行處理器)。另外，該(等)電腦子系統或該(等)系統可包含具有高速處理及軟體之一電腦平台(作為一獨立工具或一網路工具)。
若系統包含一個以上電腦子系統，則不同電腦子系統可彼此耦合使得可在如本文中進一步描述之電腦子系統之間發送影像、資料、資訊、指令等。例如，電腦子系統36可藉由可包含此項技術中已知之任何適合有線及/或無線傳輸媒體之任何適合傳輸媒體耦合至(若干)電腦子系統102 (如由圖1中之虛線展示)。兩個或兩個以上此等電腦子系統亦可藉由一共用電腦可讀儲存媒體(未展示)而有效耦合。
在另一實施例中，檢測子系統經組態為一電子束檢測子系統。在圖2中展示之一個此實施例中，電子束檢測子系統包含電子柱122，電子柱122耦合至電腦子系統124。亦如圖2中展示，電子柱包含經組態以產生由一或多個元件130聚焦至晶圓128之電子之電子束源126。電子束源可包含(例如)一陰極源或射極尖端，且一或多個元件130可包含(例如)一槍透鏡、一陽極、一限束孔徑、一閘閥、一束電流選擇孔徑、一物鏡及一掃描子系統，其全部可包含此項技術中已知之任何此等適合元件。
自晶圓返回之電子(例如，二次電子)可由一或多個元件132聚焦至偵測器134。一或多個元件132可包含(例如)一掃描子系統，該掃描子系統可係包含於(若干)元件130中之相同掃描子系統。
電子柱可包含此項技術中已知之任何其他適合元件。另外，可如2014年4月4日頒予Jiang等人之美國專利第8,664,594號、2014年4月8日頒予Kojima等人之美國專利第8,692,204號、2014年4月15日頒予Gubbens等人之美國專利第8,698,093號及2014年5月6日頒予MacDonald等人之美國專利第8,716,662號中所描述般進一步組態電子柱，該等專利以宛如全文陳述引用之方式併入本文中。
雖然在圖2中將電子柱展示為經組態使得電子按一傾斜入射角引導至晶圓且按另一傾斜角自晶圓散射，但應理解，電子束可按任何適合角度引導至晶圓且自晶圓散射。另外，基於電子束之工具可經組態以使用多個模式來產生晶圓之影像(例如，具有不同照明角、收集角等)。基於電子束之工具之多個模式在工具之任何影像產生參數方面可係不同的。
電腦子系統124可耦合至偵測器134，如上文描述。偵測器可偵測自晶圓之表面返回之電子，藉此形成晶圓之電子束影像。該等電子束影像可包含任何適合電子束影像。電腦子系統124可經組態以使用偵測器之輸出及/或電子束影像執行本文中描述之功能之任何者。電腦子系統124可經組態以執行本文中描述之(若干)任何額外步驟。可如本文中描述般進一步組態包含圖2中展示之電子束檢測子系統之一系統。
應注意，在本文中提供圖2以大體上繪示可包含於本文中描述之實施例中之一電子束檢測子系統之一組態。如同上文描述之光學檢測子系統，可更改本文中描述之電子束檢測子系統以如在設計一商業檢測系統時通常執行般最佳化電子束檢測子系統之效能。另外，可使用一現有電子束檢測系統(例如，藉由將本文中描述之功能性添加至一現有電子束檢測系統)實施本文中描述之系統。對於一些此等系統，可將本文中描述之方法提供為系統之選用功能性(例如，除了系統之其他功能性之外)。替代地，可「從頭開始」設計本文中描述之系統以提供一全新系統。
雖然上文將檢測子系統描述為一光學或電子檢測子系統，但檢測子系統可係一離子束檢測子系統。可如圖2中展示般組態此一檢測子系統，惟可使用此項技術中已知之任何適合離子束源替換電子束源除外。另外，檢測子系統可係任何其他適合離子束工具，諸如包含於市售聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜儀(SIMS)系統中之離子束工具。
如上文提及，檢測子系統可經組態用於將能量(例如，光、電子)引導至晶圓之一實體版本及/或使能量掃描遍及晶圓之實體版本，藉此產生晶圓之實體版本之實際(即，非模擬)輸出及/或影像。以此方式，檢測子系統可經組態為一「實際」工具而非一「虛擬」工具。然而，圖1中展示之(若干)電腦子系統102可包含一或多個「虛擬」系統(未展示)，該一或多個虛擬系統經組態用於使用針對晶圓產生之實際光學輸出或影像及/或實際電子束輸出或影像之至少一些執行一或多個功能，其等可包含本文中進一步描述之任何一或多個功能。
一或多個虛擬系統無法使晶圓安置於其中。特定言之，(若干)虛擬系統並非檢測子系統10或電子柱122之部分且不具有處置晶圓之實體版本之任何能力。換言之，在一虛擬系統中，其一或多個「偵測器」之輸出可係由一實際檢測子系統之一或多個偵測器先前產生且儲存於虛擬系統中之輸出，且在「成像及/或掃描」期間，虛擬系統可如同晶圓正經成像及/或掃描般播放儲存輸出。以此方式，使用一虛擬系統使晶圓成像及/或掃描晶圓可看似相同於使用一實際系統使一實體晶圓成像及/或掃描一實體晶圓，而實際上，「成像及/或掃描」僅涉及以與可使晶圓成像及/或掃描晶圓相同之方式播放針對晶圓之輸出。
在共同受讓之以下專利中描述經組態為「虛擬」檢測系統之系統及方法：在2012年2月28日頒予Bhaskar等人之美國專利第8,126,255號及在2015年12月29日頒予Duffy等人之美國專利第9,222,895號，該兩個專利以宛如全文陳述引用之方式併入本文中。可如此等專利中描述般進一步組態本文中描述之實施例。例如，可如此等專利中描述般進一步組態本文中描述之一或多個電腦子系統。
本文中描述之檢測子系統可經組態以使用多個模式產生晶圓之輸出(例如，影像)。一般言之，一「模式」由用於產生一晶圓之影像之檢測子系統之參數之值或用於產生晶圓之影像之輸出定義。因此，不同模式可在檢測子系統之至少一個參數之值方面不同。以此方式，在一些實施例中，輸出包含由檢測子系統使用檢測子系統之一參數之兩個或兩個以上不同值產生之影像。例如，在一光學檢測子系統之一項實施例中，多個模式之至少一者使用用於照明之光之至少一個波長，其不同於用於多個模式之至少另一者之照明之光之至少一個波長。模式可在照明波長方面不同，如本文中針對不同模式進一步描述(例如，藉由使用不同光源、不同光譜濾波器等)。在另一實施例中，多個模式之至少一者使用檢測子系統之一照明通道，該照明通道不同於用於多個模式之至少另一者之檢測子系統之一照明通道。例如，如上文提及，檢測子系統可包含一個以上照明通道。因而，不同照明通道可用於不同模式。
以一類似方式，由電子束檢測子系統產生之輸出可包含由電子束檢測子系統使用電子束檢測子系統之一參數之兩個或兩個以上不同值產生之輸出(例如，影像)。電子束檢測子系統之多個模式可由用於產生一晶圓之輸出及/或影像之電子束檢測子系統之參數之值定義。因此，不同模式可在電子束檢測子系統之至少一個電子束參數之值方面不同。例如，在一電子束檢測子系統之一項實施例中，多個模式之至少一者使用用於照明之至少一個入射角，其不同於用於多個模式之至少另一者之照明之至少一個入射角。
晶圓包含已知具有一異常高缺陷率之至少一個訓練晶圓及預期具有正常缺陷率之至少一個檢測晶圓。因此，藉由檢測子系統掃描且在其上偵測缺陷之晶圓包含不同類型之晶圓：具有一異常高缺陷率之(若干)訓練晶圓及預期具有正常缺陷率之(若干)檢測晶圓。
如本文中使用之片語「異常高缺陷率」被定義為顯著高於通常在一最佳化或最熟知方法中處理之一晶圓上發現之缺陷率之一缺陷率。換言之，已知具有一異常高缺陷率之一訓練晶圓通常將不係已使用一有生產價值之製造程序產生之一生產晶圓。可藉由以如本文中描述之數個不同方式有意地在一訓練晶圓上產生異常高缺陷率而在該訓練晶圓上知道(建立或判定)「異常高缺陷率」。以此方式，可為了本文中描述之目的特定產生(若干)「異常高缺陷率」訓練晶圓。替代地，已知具有「異常高缺陷率」之(若干)訓練晶圓可係其缺陷率已由某一其他方法或系統建立為異常高之(若干)晶圓。以此方式，若存在已知具有異常高缺陷率之(若干)現有晶圓，則可無需特別為了本文中描述之目的而產生(若干)訓練晶圓。
相比之下，如本文中使用之片語「預期具有正常缺陷率」旨在指示已使用已知產生晶圓上之最小或正常量之缺陷率之一製造程序(例如，一生產就緒製造程序)產生之一晶圓。例如，用於產生(若干)檢測晶圓之製造程序可係一最熟知製造程序或其參數已經最佳化以產生具有所要特性之晶圓(例如，如為了產生或尋找一有生產價值之程序所進行般)之一製造程序。
在本文中將(若干)檢測晶圓稱為此係因為其等係將使用檢測配方(針對其訓練以學習為基礎之缺陷分類器)檢測之晶圓。以此方式，(若干)檢測晶圓可係在檢測之前通常經處理之(若干)晶圓。換言之，(若干)檢測晶圓較佳在其上已形成將使用檢測配方檢測之晶圓層及在將經檢測之層之前可能於晶圓上形成(若干)全部其他層。
除了具有實質上不同缺陷率之外，(若干)訓練晶圓及(若干)檢測晶圓可具有相同類型且可已在(若干)相同製造程序中經處理(惟可如本文中進一步描述般以(若干)檢測晶圓不產生(若干)訓練晶圓之一方式修改(若干)訓練晶圓除外)。例如，可對(若干)訓練晶圓及(若干)檢測晶圓兩者執行相同製造程序，惟程序已在不同類型之晶圓上產生不同缺陷率及/或在處理之後修改(若干)訓練晶圓除外。因此，(若干)訓練晶圓及(若干)檢測晶圓可具有相同類型且在對(若干)訓練晶圓之任何修改以產生異常高缺陷率之前在其上形成有相同晶圓層。以此方式，(若干)訓練晶圓及(若干)檢測晶圓組合可表示在對晶圓執行(若干)相同製造程序之後可在其上發現或形成於其上之相同晶圓層上發現之缺陷率之晶圓間變動，此如本文中進一步描繪般係有利的。
在一項實施例中，至少一個訓練晶圓及至少一個檢測晶圓係使用相同一或多個製造程序形成，惟相同一或多個製造程序已產生至少一個訓練晶圓上之異常高缺陷率除外。例如，如上文描述，可對至少一個訓練晶圓及至少一個檢測晶圓執行相同製造程序，使得(若干)訓練晶圓及(若干)檢測晶圓具有相同類型且在其上形成有(若干)相同晶圓層。若發現以此方式產生之晶圓之一者具有一異常高缺陷率，則可將該晶圓用作至少一個訓練晶圓。以此方式，可存在一個以上檢測晶圓，在檢測晶圓之檢測之後，可發現其等之一者具有一異常高缺陷率且接著可將該一個晶圓用作至少一個訓練晶圓。因而，雖然本文中描述之實施例確實使用一異常高缺陷率晶圓(其具有用於訓練之許多缺陷實例)，但有時「正常晶圓」(即，程序記錄(POR)晶圓)可具有足夠缺陷以具有足夠數量個缺陷實例。以此方式，若存在已知具有異常高缺陷率之(若干)現有檢測晶圓，則可無需特別為了本文中描述之目的而產生已知具有「異常高缺陷率」之(若干)訓練晶圓。
在一項實施例中，至少一個訓練晶圓包含對其執行已知引起晶圓上之異常高缺陷率之至少一個製造程序之至少一個晶圓。例如，至少一個訓練晶圓可包含一有意「偏斜」晶圓，其可在已知哪種晶圓處理可增加一晶圓上之缺陷密度時產生。至少一個製造程序可包含可經執行以更改一晶圓之任何適合製造程序，諸如一微影程序、一蝕刻程序、一化學機械拋光程序、一沈積程序、一剝離程序及此等程序之某一組合。可以任何適合方式(諸如基於一或多個其他晶圓之先前產生之檢測結果)已知至少一個製造程序引起晶圓上之異常高缺陷率。接著可使用在此一晶圓上偵測之缺陷實例來訓練一以學習為基礎之缺陷分類器，如本文中進一步描述。
在另一實施例中，至少一個訓練晶圓包含在其上形成有一或多個材料之至少一個晶圓，且已知該一或多個材料引起在該至少一個訓練晶圓上偵測異常高缺陷率。例如，可藉由修改一晶圓使得可在其上發現大量缺陷實例而產生至少一個訓練晶圓。在一適當修改之一個此實例中，可將特定材料之一或多個額外層添加至以原本正常處理之一晶圓。將一或多個材料添加至至少一個晶圓可包含在(若干)晶圓上沈積吸收由缺陷檢測工具使用以尋找缺陷之光之一材料之一薄膜。此薄膜之實例包含(但不限於)半導體材料或金屬。此等膜之厚度通常係約數奈米至數十奈米。接著可使用在此一晶圓上偵測之缺陷實例來訓練一以學習為基礎之缺陷分類器，如本文中進一步描述。
在一額外實施例中，至少一個訓練晶圓包含使用已知為次優之至少一個製造程序之一或多個參數對其執行至少一個製造程序之至少一個晶圓。例如，可藉由使用一較舊之缺陷較多之程序處理一晶圓而產生至少一個訓練晶圓。一較舊之缺陷較多之程序之一個此實例係在缺陷計數方面較少最佳化之一半導體製造程序。通常，一特定晶圓處理步驟之最佳化在數天或數周之一週期內發生。吾人以處理條件之一最佳猜測開始，此通常自先前程序知道或猜測。通常，此等初始程序參數相對接近最終程序參數，但仍產生如此處理之晶圓上之實質上高缺陷計數。可使用早數周或數天之此程序以產生可在其上發現大量缺陷實例且用於如本文中進一步描述之訓練之一或多個訓練晶圓。
在一進一步實施例中，一或多個電腦子系統經組態用於人為地產生DOI之一或多個實例。如本文中使用之術語「人為地產生」之缺陷通常可被定義為(例如)藉由操縱一晶圓之設計資訊而在該晶圓上有目的地引起或在藉由一檢測子系統針對一晶圓產生之影像中有目的地引起之一或多個缺陷。因此，「人為地產生」之缺陷亦可被稱為「假設」、「程式化」或「合成」缺陷。例如，用於訓練如本文中描述之一以學習為基礎之缺陷分類器之缺陷實例可由一或多個電腦子系統人為地產生。
在一個此實例中，一或多個電腦子系統可經組態以在檢測晶圓之設計資料中產生人為缺陷。可人為地產生之例示性缺陷類型可包含：開路、短路、突出部、侵入體等。接著可使用可如本文中進一步描述般組態之(若干)生成模型自經修改設計資料產生一光學或掃描電子顯微鏡(SEM)影像，且可將此等「卡通式」缺陷轉換為一光學或SEM影像上之逼真缺陷。以此方式，設計資料可用於在其中人為地產生缺陷(例如，開路、短路、突部、線端、度量衡標記等)且接著由一深度生成或其他模型處理(以產生訓練影像上之現實缺陷)及/或用於列印一或多個晶圓上之人為地產生之缺陷，其等可接著用於產生(若干)晶圓上之人為地產生之缺陷之影像。可使用一可程式化/圖形電子設計自動化(EDA)編輯器(其可包含任何適合EDA軟體、硬體、系統或方法)使工作之設計更改部分自動化。模擬檢測器以產生人為地產生之缺陷之光學影像可使用諸如商業上可購自KLA-Tencor且可使用一電磁(EM)波解算器嚴格地模型化一檢測器之一模型(諸如WINsim)執行。可針對本文中描述之任何其他成像子系統或系統執行此等模擬。另外，可使用此項技術中已知之任何其他適合軟體、(若干)演算法、(若干)方法或(若干)系統執行此等模擬。
(若干)電腦子系統經組態用於藉由將一缺陷偵測方法應用至分別針對至少一個訓練晶圓及至少一個檢測晶圓產生之輸出而偵測該至少一個訓練晶圓及該至少一個檢測晶圓上之缺陷。可以此項技術中已知之任何適合方式(例如，將一缺陷偵測臨限值應用至輸出且判定具有高於缺陷偵測臨限值之一值之任何輸出對應於一缺陷或一潛在缺陷)使用任何適合缺陷偵測方法及/或演算法執行偵測至少一個訓練晶圓及至少一個檢測晶圓上之缺陷。
在至少一個訓練晶圓及至少一個檢測晶圓上偵測之缺陷將包含不同類型之缺陷。不同類型之缺陷通常將包含至少一些「擾亂點」及至少一些DOI。如本文中使用之術語「擾亂點」(其有時可與「擾亂點缺陷」互換地使用)通常被定義為在晶圓上被偵測到但實際上並非晶圓上之實際缺陷之缺陷。代替性地，「擾亂點」可歸因於晶圓上之非缺陷雜訊源(例如，線邊緣粗糙度(LER)、圖案化特徵之相對小臨界尺寸(CD)變動、厚度變動等)及/或歸因於檢測子系統自身或用於檢測之其組態中之邊緣性而被偵測為缺陷。
如本文中使用之術語「DOI」可被定義為在一晶圓上偵測且實際上係晶圓上之實際缺陷之缺陷。因此，DOI為一使用者所關注，此係因為使用者通常關心在經檢測之晶圓上之實際缺陷之數量及種類。在一些背景內容中，術語「DOI」用於指晶圓上之全部實際缺陷之一子集，其僅包含一使用者關心之實際缺陷。例如，在任何給定晶圓上可存在多個類型之DOI，且一使用者對其等之一或多者可比對一或多個其他類型更關注。然而，在本文中描述之實施例之背景內容中，術語「DOI」用於指一晶圓上之任何及全部真實缺陷。
因此，一般言之，檢測之目標並非偵測晶圓上之擾亂點。儘管作出大量努力來避免擾亂點之此偵測，然完全消除此偵測實際上係不可能的。因此，重要的是識別經偵測缺陷之哪些者係擾亂點且哪些者係DOI，使得可單獨使用不同類型之缺陷之資訊，例如，DOI之資訊可用於對在晶圓上執行之一或多個製造程序進行診斷及/或作出改變，而擾亂點之資訊可被忽略、消除或用於診斷晶圓上之雜訊及/或檢測程序或工具中之邊緣性。
(若干)電腦子系統亦經組態用於藉由判定分別在至少一個訓練晶圓及至少一個檢測晶圓上偵測之缺陷之哪些者係DOI而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之DOI且藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之缺陷之哪些者係擾亂點而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之擾亂點。(若干)電腦子系統可藉由選擇在至少一個訓練晶圓及至少一個檢測晶圓上偵測之缺陷之一樣品且對缺陷之樣品執行缺陷分類而判定經偵測缺陷之哪些者係DOI及擾亂點。缺陷分類可係一地面實況類型之缺陷分類，諸如擷取缺陷之SEM影像且使一使用者基於該等SEM影像而對缺陷分類或將一已知良好分類方法應用至經擷取影像。一般言之，一或多個電腦子系統可經組態以使用任何適合方法或系統以針對至少一個訓練晶圓及至少一個檢測晶圓上之缺陷之至少一樣品產生「地面實況」缺陷分類。以此方式，可在無確定性之情況下識別至少一個訓練晶圓及至少一個檢測晶圓上之DOI及擾亂點，使得其等可如本文中進一步描述般用於訓練一以學習為基礎之缺陷分類器。
因此，如上文描述，藉由檢測子系統掃描(若干)訓練晶圓及(若干)檢測晶圓兩者。接著，藉由(若干)電腦子系統在兩個類型之晶圓上偵測缺陷，且識別在兩個類型之晶圓上偵測之不同類型之缺陷。在本文中描述之實施例中使用兩個類型之晶圓((若干)高度缺陷晶圓及(若干)正常缺陷晶圓)為何重要之一個原因係雖然(若干)高度缺陷晶圓可提供用於訓練以學習為基礎之缺陷分類器之顯著數目個DOI及擾亂點兩者，但至少一個檢測晶圓容許訓練程序處置自上文描述之晶圓/程序(即，具有以上文描述之一或多個方式產生之異常高缺陷率之至少一個訓練晶圓)至吾人最終想要檢測之晶圓(一檢測晶圓)之變動。以此方式，較佳具有各類型之晶圓之至少一者：用於獲得顯著數目個DOI實例之至少一個高度缺陷晶圓及在經施加處理條件方面更接近當前晶圓(或其缺陷將由如本文中描述般訓練之缺陷分類器分類之晶圓)之至少一個晶圓。因而，不僅在極度缺陷晶圓上而且在實質上類似於接著將檢測之晶圓之一晶圓上訓練以學習為基礎之缺陷分類器。另外，用於訓練以學習為基礎之缺陷分類器之晶圓可包含至少一個訓練或偏斜晶圓及儘可能多的正常或檢測晶圓。因此，(若干)電腦子系統可經組態用於收集(若干)檢測晶圓上之缺陷之影像資料(其等通常在可用數目上有限及/或難以發現)及收集檢測晶圓上之擾亂點實例(通常存在大量)之影像。
一或多個電腦子系統進一步經組態用於藉由組合經識別DOI及經識別擾亂點之資訊而產生包含經識別DOI及經識別擾亂點之缺陷之一訓練集。上文描述之偵測及識別步驟之結果將包含不同類型之晶圓上之DOI及擾亂點之實例。特定言之，偵測及識別步驟之結果包含至少一個訓練晶圓(其將通常係具有許多DOI實例之一晶圓)上之DOI及擾亂點實例。偵測及識別步驟之結果亦包含至少一個檢測晶圓上之DOI及擾亂點實例。一或多個電腦子系統接著組合來自至少一個訓練晶圓及至少一個檢測晶圓之缺陷及擾亂點實例之全部(或一樣品)，其等接著用於訓練如本文中進一步描述之一以學習為基礎之缺陷分類器。可自在至少一個訓練晶圓及至少一個檢測晶圓上偵測及識別之全部DOI及擾亂點取樣缺陷及擾亂點實例，如本文中進一步描述。
因此，如同其他機器學習方法，用於訓練本文中描述之以學習為基礎之缺陷分類器之缺陷之訓練集較佳包含已使用SEM或其他地面實況方法或系統驗證為用於訓練之「地面實況」實例之正例及負例(或「計數器實例」)。正例將係「真實缺陷」，且負例將係擾亂點事件。
在一些實施例中，產生缺陷之訓練集包含選擇經識別DOI及經識別擾亂點之哪些者包含於缺陷之訓練集中使得缺陷之訓練集包含在至少一個訓練晶圓上識別之DOI之兩者或兩者以上、在至少一個檢測晶圓上識別之DOI之兩者或兩者以上、在至少一個訓練晶圓上識別之擾亂點之兩者或兩者以上及在至少一個檢測晶圓上識別之擾亂點之兩者或兩者以上。例如，一或多個電腦子系統可經組態以產生缺陷之訓練集使得訓練集包含來自兩個類型之晶圓之至少一個DOI (一訓練晶圓上之一DOI及一檢測晶圓上之一DOI)及來自兩個類型之晶圓之至少一個擾亂點(一訓練晶圓上之一擾亂點及一檢測晶圓上之一擾亂點)。以此方式，一或多個電腦子系統可產生包含在一個以上晶圓上偵測及識別之缺陷及擾亂點實例之缺陷之一訓練集，其可接著用於訓練如本文中進一步描述之以學習為基礎之缺陷分類器。
然而，在一些例項中，一或多個電腦子系統經組態用於使用：1)來自高缺陷密度晶圓(例如，一偏斜晶圓)之DOI實例；及2)此晶圓及用於訓練以學習為基礎之缺陷分類器之記錄程序(POR)晶圓上之擾亂點實例。因而，若(例如)在至少一個檢測晶圓上極其難以發現任何DOI，則來自POR晶圓之DOI可不用於訓練。然而，在許多例項中，在缺陷之訓練集中包含至少一個訓練晶圓上之DOI以及至少一個檢測晶圓上之DOI以針對DOI之晶圓間變動改良以學習為基礎之缺陷分類器之訓練將係較佳的。
在另一實施例中，產生缺陷之訓練集包含選擇經識別DOI及經識別擾亂點之哪些者包含於缺陷之訓練集中，使得缺陷之訓練集包含相等數目個經識別DOI及經識別擾亂點。例如，一或多個電腦子系統可經組態用於自已知具有實質上高缺陷密度之至少一個訓練晶圓及預期具有正常缺陷率之至少一個檢測晶圓選擇DOI及擾亂點事件。
一般言之，歸因於訓練晶圓之組態及/或用於產生至少一個訓練晶圓之一或多個程序，在至少一個訓練晶圓上偵測之DOI實例之數目對在至少一個訓練晶圓上偵測之擾亂點實例之數目之比率將相對高。例如，在至少一個訓練晶圓上偵測之至少大多數缺陷可係DOI且在至少一個訓練晶圓上偵測之少於大多數缺陷可係擾亂點。在另一實例中，在(若干)訓練晶圓上偵測之DOI之數目對在(若干)訓練晶圓上偵測之擾亂點之數目之一比率可係約2:1或更大。
相比之下，在至少一個檢測晶圓上偵測之DOI實例之數目對在至少一個檢測晶圓上偵測之擾亂點實例之數目之比率將相對低。例如，在至少一個檢測晶圓上偵測之至少大多數缺陷可係擾亂點且在至少一個檢測晶圓上偵測之少於大多數缺陷可係DOI。在另一實例中，在至少一個檢測晶圓上偵測之DOI之數目對在至少一個檢測晶圓上偵測之擾亂點之數目之一比率可係約1:3或在許多情況中更低。歸因於(若干)檢測晶圓之預期性質，在(若干)檢測晶圓上偵測之不同種類之缺陷之數目將不同於在(若干)訓練晶圓上偵測之此等種類之缺陷之數目。特定言之，由於預期(若干)檢測晶圓具有正常缺陷率，故在(若干)檢測晶圓上之DOI之數目將相對低(例如，正如一生產晶圓或由一有生產價值之製造程序產生之一晶圓之情況般)，而歸因於(若干)檢測晶圓上之雜訊源及/或檢測程序中之邊緣性，在(若干)檢測晶圓上偵測之擾亂點之數目可遠高於DOI。
以此方式，本文中描述之一個類型之晶圓(例如，至少一個訓練晶圓)具有更多DOI實例，且本文中描述之另一類型之晶圓(例如，至少一個檢測晶圓)具有更多擾亂點實例。有時，甚至至少一個訓練晶圓具有多於DOI實例之擾亂點(但此晶圓上之DOI實例之總數目將僅遠高於(若干)檢測晶圓上之DOI實例之總數目)。因此，歸因於用於產生訓練集之不同類型之晶圓上之不同位準之缺陷率及擾亂點，藉由一或多個電腦子系統執行以產生缺陷之訓練集之DOI及擾亂點之選擇可不產生包含DOI對擾亂點之一1:1比率之一訓練集。
若總DOI與總擾亂點實例之比率並非1:1，則可使用擴增以粗略達成此比率。擴增可包含修改經選擇缺陷以替換、添加或消除一或多個DOI或擾亂點以達成DOI對擾亂點之一1:1比率。擴增亦可包含：對一或多個晶圓上之更多經偵測缺陷取樣；將其等識別為DOI或擾亂點；及若在第一選擇之後無足夠任一類型之缺陷實例可用，則選擇適當缺陷類型以達成1:1比率。若無足夠任一缺陷類型可在任何晶圓上發現及識別，則一或多個電腦子系統可藉由人為地產生一或多個DOI及/或擾亂點而擴增經選擇DOI及/或擾亂點，此可如本文中進一步描述般執行。
在訓練集中具有DOI對擾亂點之一1:1比率係有益的。為了繪示此比率之益處，考量其中訓練集包含99個擾亂點及1個DOI實例之一極端實例。若以學習為基礎之缺陷分類器係使用此訓練集訓練且其將全部100個實例分類為擾亂點，則其效能將看似相當良好，此係因為其對99%之實例正確地分類。相比之下，若訓練集包含DOI對擾亂點之一1:1比率，且使用此訓練集訓練之一以學習為基礎之缺陷分類器將訓練集中之全部缺陷分類為擾亂點，則該以學習為基礎之缺陷分類器之效能將具有一50%之準確率，其將被視為一實質上不良效能。因此，如自此實例可見，具有包含DOI實例對擾亂點實例之一1:1比率之缺陷之一訓練集對於適當地訓練及特性化一缺陷分類器係較佳的，但當然存在解決其之方法(例如，異常偵測、偏差中和、引入懲罰錯誤分類多於正確分類之一分數及類似者)。
在一項實施例中，一或多個電腦子系統經組態用於識別至少一個訓練晶圓及至少一個檢測晶圓上未偵測到缺陷之一或多個位置且將針對一或多個經識別位置產生之影像添加至缺陷之訓練集作為該至少一個訓練晶圓及該至少一個檢測晶圓上之一或多個無缺陷位置。例如，一或多個電腦子系統可經組態用於收集至少一個檢測晶圓(及可能至少一個訓練晶圓)上之若干位置處之影像，即使在該等位置處不存在缺陷。特定言之，一或多個位置可包含一晶圓上無任何DOI或擾亂點之一x-y位置。針對此一或多個經識別位置產生且添加至缺陷之訓練集之資訊及/或影像可有利地添加晶圓特性(諸如反射率)已(或可)如何自一個晶圓至下一晶圓改變及/或晶圓雜訊如何在晶圓間改變之資訊。以此方式，本文中描述之實施例可使用檢測(非偏斜)晶圓(及可能(若干)訓練晶圓)之任何位置作為擾亂點實例以便針對晶圓間程序變動訓練以學習為基礎之缺陷分類器。
一或多個電腦子系統進一步經組態用於使用缺陷之訓練集訓練一以學習為基礎之缺陷分類器。訓練以學習為基礎之缺陷分類器可包含將由一或多個電腦子系統針對缺陷之訓練集產生之任何資訊輸入至以學習為基礎之缺陷分類器中。例如，以學習為基礎之缺陷分類器可具有能夠接收及處置不同類型之資訊之多個通道。在訓練期間輸入至以學習為基礎之缺陷分類器之資訊可包含(例如)針對經偵測缺陷之測試影像(其中出現經偵測缺陷及/或在經偵測缺陷之位置處擷取之影像)、參考影像(例如，由一或多個電腦子系統使用以偵測晶圓上之缺陷之影像)、遮罩影像(例如，藉由將一遮罩施加至缺陷影像而產生之影像，使得所得遮罩影像僅展示對應於經偵測缺陷之影像之部分)、差異影像(例如，藉由自一測試影像減去一參考影像而產生之影像)、設計剪輯(例如，對應於晶圓上之一缺陷位置之晶圓之一設計之一相對小部分)、在相同缺陷位置處之來自一不同光學模式之影像、藉由一或多個電腦子系統針對缺陷判定之任何缺陷屬性及類似者。缺陷之訓練集之資訊亦可包含指示缺陷之訓練集中之各經偵測缺陷之類型之資訊(例如，一經偵測缺陷係一DOI之一指示或一經偵測缺陷係一擾亂點之一指示)。在經組態以使不同類型之DOI彼此分離之一以學習為基礎之缺陷分類器之情況中(例如，如在一多類別缺陷分類器而非僅一擾亂點過濾器類型之缺陷分類器中)，缺陷之訓練集亦可包含各缺陷係哪一類型之DOI (例如，一粒子缺陷、一橋接缺陷、一劃痕等)之資訊。
藉由在訓練期間將缺陷之訓練集之全部可用資訊輸入至以學習為基礎之缺陷分類器中，以學習為基礎之缺陷分類器可使用任何或全部資訊且判定哪一資訊適用於使不同類型之經偵測缺陷彼此分離。例如，歸因於在本文中進一步描述之以學習為基礎之缺陷分類器之性質，以學習為基礎之缺陷分類器可使用缺陷之訓練集之經輸入資訊及經指派缺陷分類以學習哪一資訊可用於使一個類型之經偵測缺陷與另一類型之經偵測缺陷分離。在一些以學習為基礎之缺陷分類器實施例中，缺陷分類器包含判定經輸入資訊之特徵之一或多個層及基於經判定特徵而判定缺陷分類之一或多個層。在訓練期間，接著，以學習為基礎之缺陷分類器層將學習經輸入至以學習為基礎之缺陷分類器之哪一資訊之哪些特徵可用於產生針對各經偵測缺陷之正確分類。
因此，有利的是無需找出哪些不同類型之缺陷資訊有用的。代替性地，吾人可僅在訓練期間將缺陷之訓練集之全部可用資訊饋送至以學習為基礎之缺陷分類器，且以學習為基礎之缺陷分類器學習哪一(些)資訊類型有助於及如何有助於DOI-擾亂點分離。若一或多個類型之資訊無用，則以學習為基礎之缺陷分類器將學習在訓練期間忽略此等類型之資訊。例如，在設定時間期間，本文中描述之以學習為基礎之缺陷分類器具備訓練集中之DOI及擾亂點之實例。以學習為基礎之缺陷分類器找出基於訓練集分離缺陷類型之最佳方式。以此方式，可將缺陷之訓練集之任何及全部可用資訊饋送至缺陷分類器中，且缺陷分類器可學習哪些類型之資訊適用於識別擾亂點及DOI。
在另一實施例中，一或多個電腦子系統經組態用於藉由將缺陷偵測方法應用至針對其他檢測晶圓產生之輸出而偵測其他檢測晶圓上之缺陷且基於將經訓練之以學習為基礎之缺陷分類器應用至在至少一個訓練晶圓上偵測之缺陷、在至少一個檢測晶圓上偵測之缺陷或在其他檢測晶圓上偵測之缺陷之一或多者之結果而更改用於其他檢測晶圓之一檢測配方之一或多個參數。一或多個電腦子系統可偵測其他檢測晶圓上之缺陷，如本文中進一步描述。一或多個電腦子系統亦可經組態用於使用經訓練之以學習為基礎之缺陷分類器以尋找用於配方調諧之更佳缺陷屬性。例如，針對一給定檢測參數集(例如，波長、孔徑、載物台速度、偏光、像素大小等)，存在一個最佳化以學習為基礎之缺陷分類器。此最佳化缺陷分類器產生針對每一缺陷及擾亂點事件(亦稱為屬性)之一數字值。一臨限值可針對此屬性設定且用於調諧。若(例如)屬性在自-1149至11129之範圍內，則一臨限值可被設定為(例如) 10500，此將意謂高於10500之所有事物可被稱為一DOI而小於10500之所有事物被指定為一擾亂點。
因此，本文中描述之實施例經組態用於使用在不同類型之晶圓上偵測之缺陷訓練一以學習為基礎之缺陷分類器。使用在本文中描述之不同類型之晶圓上偵測之DOI及擾亂點執行訓練針對本文中描述之實施例提供數個優點。例如，為了設定較不受晶圓間程序變動影響之穩定配方，在若干晶圓上收集缺陷及擾亂點實例，計算其等屬性且將其等用於配方調諧。僅針對非機器學習方法進行此種類之組合若干晶圓用於調諧。針對以機器學習為基礎之方法，已在一個晶圓上進行設定。已使用不同擴增方法以產生更多DOI實例。然而，當產生經訓練機器學習網路時，未考量晶圓間程序變動。另外，尤其在不存在關於一特定晶圓之預先知識且缺陷率為低時，具有足夠數量之缺陷實例來訓練一以學習為基礎之缺陷分類器實質上係困難(有時不可行)且耗時的。
與用於訓練以學習為基礎之缺陷分類器之先前使用之系統及方法相比，本文中描述之實施例能夠在訓練期間考量晶圓間程序變動，此係因為已在已知具有不同類型之缺陷性之不同類型之晶圓上偵測用於訓練以學習為基礎之缺陷分類器之DOI及擾亂點。例如，本文中描述之實施例之一個優點係其等藉由使用來自其他晶圓/程序(例如，至少一個訓練晶圓及可能用於產生至少一個訓練晶圓之至少一個程序)之資訊而改良擾亂點過濾器之設定。本文中描述之實施例亦藉由考量檢測晶圓之DOI、擾亂點及無缺陷位點而減少(或甚至消除)缺陷分類器及擾亂點過濾器上之晶圓間程序變動之不利效應。另外，使用在已知具有不同類型之缺陷率之不同類型之晶圓上偵測之DOI及擾亂點以訓練一以學習為基礎之缺陷分類器有利地提供足夠數量個缺陷實例用於以一相對容易且快速的方式訓練。特定言之，如本文中進一步描述，由於產生缺陷之訓練集以包含在具有異常高缺陷率之晶圓及具有預期位準之正常缺陷率之晶圓兩者上偵測之DOI及擾亂點，故本文中描述之實施例有利地收集足夠缺陷實例以訓練一以學習為基礎之缺陷分類器。
本文中描述之實施例可訓練經組態以執行或用於不同缺陷相關功能(諸如缺陷取樣及擾亂點減少(或抑制)，其可以本文中進一步描述之若干不同方式執行)之一以學習為基礎之缺陷分類器。由於如本文中描述般使用已知具有顯著不同缺陷率之晶圓訓練以學習為基礎之缺陷分類器，故本文中描述之經訓練之以學習為基礎之缺陷分類器將針對對於具有顯著不同缺陷率之晶圓執行之缺陷相關功能適當地訓練且因此具有改良之效能，例如，準確度、精確度、可分離性。以此方式，本文中描述之實施例能夠藉由利用在其他晶圓上發現之缺陷訓練一以學習為基礎之缺陷分類器而達成改良之缺陷相關功能，諸如由以學習為基礎之缺陷分類器執行之缺陷取樣及擾亂點抑制。
經訓練之以學習為基礎之缺陷分類器可用於在經應用至至少一個訓練晶圓、至少一個檢測晶圓、另一(些)檢測晶圓或其等某一組合時改良缺陷取樣及/或擾亂點過濾。本文中進一步描述可使用經訓練之以學習為基礎之缺陷分類器之各種方式。在本文中描述之任何實施例中，由本文中描述之缺陷分類器產生之結果可包含各缺陷是否經分類為一DOI或一擾亂點之某一指示(及在一多類別分類器中，經分類為一DOI之一缺陷係哪一種類之DOI)及可能針對各缺陷之指示各缺陷已經正確地分類之確定性或可能性之一分數(例如，一DOI分數或一擾亂點分數)。
在一項實施例中，一或多個電腦子系統經組態用於將經訓練之以學習為基礎之缺陷分類器應用至在至少一個訓練晶圓或至少一個檢測晶圓上偵測且未包含於缺陷之訓練集中之缺陷。例如，一或多個電腦子系統可經組態以使用經訓練之以學習為基礎之缺陷分類器以對在至少一個訓練晶圓及至少一個檢測晶圓之任何者上偵測之未分類缺陷運行推斷。在此等例項中，可將可用於未包含於訓練集中之缺陷之任何及/或全部資訊輸入至經訓練之以學習為基礎之缺陷分類器。經訓練之以學習為基礎之缺陷分類器將接著產生指示缺陷(其資訊經輸入至以學習為基礎之缺陷分類器)之各者是否係一DOI (及可能哪一種類之DOI)或一擾亂點之輸出。
在一項此實施例中，一或多個電腦子系統經組態用於使用將經訓練之以學習為基礎之缺陷分類器應用至在至少一個訓練晶圓或至少一個檢測晶圓上偵測且未包含於缺陷之訓練集中之缺陷之結果而修改經訓練之以學習為基礎之缺陷分類器。例如，可將最新識別之DOI添加至訓練資料集以精緻化以學習為基礎之缺陷分類器且使其更耐晶圓間程序變動。另外，在推斷期間在各種晶圓上發現之最新識別之DOI可用於精緻化經訓練之以學習為基礎之缺陷分類器。改良之以學習為基礎之缺陷分類器可接著用於進一步推斷運行。因此，可週期性地更新經訓練之以學習為基礎之缺陷分類器，其可按預定時間間隔(例如，每隔如此多天)、在經訓練之以學習為基礎之缺陷分類器之預定數目次使用之後(例如，在針對預定數目個晶圓使用之後)或在使用者決定執行一更新之任何時間執行。在一些例項中，每次使用經訓練之以學習為基礎之缺陷分類器，可將由經訓練之分類器識別之任何DOI添加至訓練集且用於調諧以學習為基礎之缺陷分類器。在另一實例中，可將在每一經掃描晶圓上(例如，經由SEM)檢視及分類之缺陷添加至訓練集，其可接著用於不斷更新以學習為基礎之缺陷分類器(用於「主動」學習)。
在另一實施例中，一或多個電腦子系統經組態用於藉由將缺陷偵測方法應用至針對另一檢測晶圓產生之輸出而偵測另一檢測晶圓上之缺陷且將經訓練之以學習為基礎之缺陷分類器應用至在另一檢測晶圓上偵測之缺陷。例如，一或多個電腦子系統可經組態用於使用經訓練之以學習為基礎之缺陷分類器以對任何其他晶圓之未分類缺陷運行推斷。以此方式，經訓練之以學習為基礎之缺陷分類器可由一或多個電腦子系統使用以對在一檢測晶圓上偵測之缺陷分類。偵測另一檢測晶圓上之缺陷可由(若干)電腦子系統執行，如本文中進一步描述。(若干)電腦子系統可將經訓練之以學習為基礎之缺陷分類器應用至在另一檢測晶圓上偵測之缺陷，如本文中進一步描述。
在一項此實施例中，一或多個電腦子系統經組態用於使用將經訓練之以學習為基礎之缺陷分類器應用至在另一檢測晶圓上偵測之缺陷之結果而修改經訓練之以學習為基礎之缺陷分類器。例如，可將最新識別之DOI添加至訓練資料集以精緻化以學習為基礎之缺陷分類器且使其更耐晶圓間程序變動。另外，在推斷期間在各種晶圓上發現之最新識別之DOI可用於精緻化經訓練之以學習為基礎之缺陷分類器。改良之以學習為基礎之缺陷分類器可接著用於進一步推斷運行。可如本文中進一步描述般執行經訓練之以學習為基礎之缺陷分類器之此修改。以此方式，可將在另一檢測晶圓(或若干檢測晶圓)上最新發現之缺陷饋送回至以學習為基礎之缺陷分類器中且可使用該等缺陷(即，在一「主動」學習方法中)結合缺陷之原始訓練集來執行以學習為基礎之缺陷分類器之重新訓練。
在一些實施例中，一或多個電腦子系統經組態用於基於由經訓練之以學習為基礎之缺陷分類器產生之結果而對在至少一個訓練晶圓或至少一個檢測晶圓上偵測之缺陷取樣。例如，一或多個電腦子系統可經組態用於使用由以學習為基礎之缺陷分類器產生之缺陷分類結果進行缺陷取樣。可以任何適合方式(例如，隨機取樣)執行缺陷取樣。可執行缺陷取樣以選擇由缺陷分類器分類之各類型之至少一些缺陷(例如，至少一些各類型之DOI及至少一些擾亂點)或由缺陷分類器識別之少於全部類型之至少一些缺陷(例如，各類型之至少一些DOI及無擾亂點)。以此方式產生之一缺陷取樣可用於一或多個其他功能(例如，缺陷分類器訓練之驗證、設定另一擾亂點過濾器等)。
在一進一步實施例中，一或多個電腦子系統經組態用於：藉由將缺陷偵測方法應用至針對另一檢測晶圓產生之輸出而偵測另一檢測晶圓上之缺陷；將經訓練之以學習為基礎之缺陷分類器應用至在另一檢測晶圓上偵測之缺陷；及基於由經訓練之以學習為基礎之缺陷分類器針對另一檢測晶圓產生之結果而對在另一檢測晶圓上偵測之缺陷取樣。例如，一或多個電腦子系統可經組態用於使用由以學習為基礎之缺陷分類器產生之缺陷分類結果進行任何晶圓(包含除了用於訓練以學習為基礎之缺陷分類器之至少一個訓練晶圓及至少一個檢測晶圓之外之晶圓)上之缺陷取樣。另外，一或多個電腦子系統可經組態以使用經訓練之以學習為基礎之缺陷分類器以對其他晶圓上之具有成為DOI之一高可能性之缺陷取樣。可如本文中進一步描述般執行此等步驟。
在一項此實施例中，一或多個電腦子系統經組態用於基於經取樣缺陷而產生一缺陷分類器。例如，以學習為基礎之缺陷分類器可用於可有助於尋找更多DOI實例之缺陷取樣。接著可使用該等缺陷實例以設定一分類器，該分類器可包含任何類型之缺陷分類器。例如，在一項實施例中，缺陷分類器並非一以學習為基礎類型之缺陷分類器。換言之，使用來自以深度學習為基礎之缺陷分類器之分類結果之缺陷樣品產生之缺陷分類器可經組態用於使用當前在檢測系統上之屬性(無任何最新導出之深度學習屬性)執行缺陷分類。因而，以學習為基礎之缺陷分類器僅可在由檢測判定之現有缺陷屬性之一者足夠良好以用於缺陷分類之情況下用於取樣。若不存在在記錄程序晶圓上表現良好之屬性，則可代替性地使用以學習為基礎之缺陷分類器。可以此項技術中已知之任何適合方式產生此缺陷分類器。
在另一實施例中，一或多個電腦子系統經組態用於：藉由將缺陷偵測方法應用至針對其他檢測晶圓產生之輸出而偵測其他檢測晶圓上之缺陷，其可如本文中進一步描述般執行；基於由經訓練之以學習為基礎之缺陷分類器產生之結果而設定一擾亂點過濾器；及將擾亂點過濾器應用至在其他檢測晶圓上偵測之缺陷之資訊。例如，一或多個電腦子系統可經組態用於使用經訓練之以學習為基礎之缺陷分類器以設定一改良之擾亂點過濾器。使用經訓練之以學習為基礎之缺陷分類器設定之擾亂點過濾器可包含一以學習為基礎之缺陷分類器或一以非學習為基礎之缺陷分類器。例如，藉由訓練以學習為基礎之缺陷分類器而產生之結果(例如，經訓練之缺陷分類器之參數及/或藉由經訓練之缺陷分類器產生之缺陷分類結果)可用於訓練任何缺陷分類器(以學習為基礎或以非學習為基礎)。以非學習為基礎之缺陷分類器之一個實例係一簡單決策樹類型之缺陷分類器。如本文中描述之一以學習為基礎之缺陷分類器亦可用作一母網路。例如，經訓練之分類器之參數可在將其應用至一新資料集時用作一起始點，其在此項技術中通常被稱為遷移學習。以此方式，經訓練之以學習為基礎之缺陷分類器可用作用於產生待用於一不同類型之檢測晶圓之一新以學習為基礎之缺陷分類器之一起始點。
在一額外實施例中，經訓練之以學習為基礎之缺陷分類器經組態用於使擾亂點與DOI分離，且一或多個電腦子系統經組態用於藉由將缺陷偵測方法應用至針對另一檢測晶圓產生之輸出而偵測另一檢測晶圓上之缺陷且藉由將在另一檢測晶圓上偵測之缺陷之資訊輸入至經訓練之以學習為基礎之缺陷分類器中而針對另一檢測晶圓執行擾亂點過濾。例如，一或多個電腦子系統可經組態用於使用以學習為基礎之缺陷分類器自身作為一擾亂點事件過濾器。在其他檢測晶圓之檢測期間使用經訓練之以學習為基礎之缺陷分類器將改良檢測對關鍵DOI之敏感度，且本文中描述之實施例實現更快且更佳設定擾亂點過濾器。尋找關鍵DOI可為半導體製造商節約數百萬美元。可在另一檢測晶圓上偵測缺陷，如本文中進一步描述。另外，可將在另一檢測晶圓上偵測之缺陷之資訊輸入至經訓練之以學習為基礎之缺陷分類器，如本文中進一步描述。
在一進一步實施例中，一或多個電腦子系統經組態用於將在其他檢測晶圓上偵測之缺陷之資訊輸入至經訓練之以學習為基礎之缺陷分類器中，且使用缺陷之訓練集訓練以學習為基礎之缺陷分類器減少經訓練之以學習為基礎之缺陷分類器針對其他檢測晶圓之效能之晶圓間變動。例如，如本文中進一步描述，使用已知具有高缺陷率之(若干)訓練晶圓及預期具有正常缺陷率之(若干)檢測晶圓訓練以學習為基礎之缺陷分類器將使經訓練之以學習為基礎之缺陷分類器更穩健且更不易受歸因於晶圓之變動之晶圓間效能變動之影響。因此，當經訓練之以學習為基礎之缺陷分類器用於其他檢測晶圓時，相較於用於訓練缺陷分類器之晶圓，針對其他檢測晶圓，經訓練之以學習為基礎之缺陷分類器之效能不應有任何不同，即使其他檢測晶圓具有使其等特性之一或多者不同於其等缺陷用於訓練缺陷分類器之晶圓之變動。
在一項實施例中，經訓練之以學習為基礎之缺陷分類器經組態用於使DOI與擾亂點分離。在另一實施例中，經訓練之以學習為基礎之缺陷分類器經組態用於使DOI與擾亂點分離且使不同類型之DOI彼此分離。例如，雖然以學習為基礎之缺陷分類器在本文中被稱為缺陷分類器，但缺陷分類器僅可使DOI與擾亂點分離，意謂其指派係一識別符(其係一DOI或一擾亂點)。因此，缺陷分類器亦可被稱為擾亂點過濾器，但擾亂點過濾自身係一種缺陷分類(例如，將缺陷分類為DOI或擾亂點)。然而，本文中描述之以學習為基礎之缺陷分類器亦可經組態用於使不同類型之DOI彼此分離。因此，以學習為基礎之缺陷分類器亦可經組態用於使擾亂點與DOI分離以及使不同DOI彼此分離。以此方式，在一晶圓上偵測之缺陷可經識別為擾亂點、一第一類型之DOI、一第二類型之DOI等。因此，以學習為基礎之缺陷分類器可將一分類指派至缺陷之各者，該分類可係一擾亂點分類、一第一DOI類型分類、一第二DOI類型分類等。取決於使用者之偏好，本文中描述之缺陷分類器可經組態用於任一類型之缺陷分類。以此方式，本文中描述之缺陷分類器可經組態用於多類別分類問題以及標稱「真實」對「擾亂點」過濾應用。
在一進一步實施例中，一或多個電腦子系統經組態用於在藉由一或多個電腦子系統針對至少一個訓練晶圓、至少一個檢測晶圓或任何其他晶圓產生之檢測結果中使擾亂點與DOI分離。例如，可自檢測結果完全消除由經訓練之以學習為基礎之缺陷分類器識別為擾亂點之缺陷使得檢測結果僅包含識別為DOI之缺陷之資訊。然而，在一些例項中，不完全消除識別為擾亂點之缺陷之資訊可係有用的。在此等例項中，檢測結果可包含用於識別為擾亂點之缺陷及識別為DOI之缺陷之單獨檔案、資料集或其他資料結構。以此方式，擾亂點之資訊將與DOI之資訊分離，此可更容易使用不同資訊。然而，在其他例項中，在檢測結果中使擾亂點與DOI分離不必包含消除或分離資訊。例如，使擾亂點與DOI分離可包含僅(例如，經由一分類代碼)將各缺陷標記為一擾亂點或一DOI且將該等標記儲存於具有由本文中描述之檢測及/或(若干)電腦子系統產生之缺陷之任何其他資訊之檢測結果中。以此方式，若欲使用擾亂點或DOI之資訊，則可僅藉由已指派至缺陷之標記對整個檢測結果檔案過濾或排序。在用於使缺陷分離之此等方法之任何者中，可容易地單獨或共同存取及使用擾亂點及DOI之資訊。
本文中描述之全部實施例可包含將實施例之一或多個步驟之結果儲存於一電腦可讀儲存媒體中。結果可包含本文中描述之任何結果且可以此項技術中已知之任何方式儲存。儲存媒體可包含本文中描述之任何儲存媒體或此項技術中已知之任何其他適合儲存媒體。在已儲存結果之後，結果可在儲存媒體中存取且由本文中描述之任何方法或系統實施例使用，經格式化以顯示給一使用者，由另一軟體模組、方法或系統使用等以執行檢測晶圓或相同類型之另一晶圓之一或多個功能。此等功能包含(但不限於)：更改諸如以一回饋方式在檢測晶圓上執行之一製造程序或步驟之一程序；更改諸如將以一前饋方式在檢測晶圓上執行之一製造程序或步驟之一程序等。
在一項實施例中，由(若干)電腦子系統(例如，電腦子系統36及/或(若干)電腦子系統102)實行之(若干)組件(例如，圖1中展示之(若干)組件100)包含以學習為基礎之缺陷分類器104。以學習為基礎之缺陷分類器經組態用於對在晶圓上偵測之缺陷分類。雖然以學習為基礎之缺陷分類器在本文中通常被稱為一「缺陷分類器」，但若其經組態而用於之主要目的係為了使擾亂點與DOI分離，則以學習為基礎之缺陷分類器亦可被稱為一擾亂點過濾器。由於使擾亂點與DOI分離自身可被視為一種缺陷分類，故經組態用於此分離之以學習為基礎之缺陷分類器在本文中通常被稱為一缺陷分類器。可如本文中描述般進一步組態以學習為基礎之缺陷分類器。以此方式，本文中描述之缺陷分類器可經組態用於多類別分類問題以及標稱「真實」對「擾亂點」過濾應用。
以學習為基礎之缺陷分類器之組態可基於將輸入至其中之資訊之類型而選擇。例如，若僅將經偵測缺陷之屬性(例如，缺陷/擾亂點屬性，諸如信雜比值、背景灰階、差異灰階、形狀、大小等)用於缺陷分類，則可使用一機器學習方法(諸如一隨機森林決策樹、邏輯迴歸方法等)作為以學習為基礎之缺陷分類器。
在一項實施例中，以學習為基礎之缺陷分類器包含一卷積神經網路(CNN)。當至分類器之一或多個輸入包含本文中描述之一或多個影像類型時可選擇此一分類器組態。圖3展示可用作本文中描述之實施例中之以學習為基礎之缺陷分類器之一以學習為基礎之模型之一項實施例。以學習為基礎之模型包含經組態用於判定由一檢測子系統或耦合至檢測子系統之一電腦子系統針對一晶圓產生之輸入之特徵之一第一部分。例如，如圖3中展示，在一項實施例中，以學習為基礎之模型之一第一部分包含判定輸入304之特徵(例如，特徵圖308)之(若干)卷積層306，輸入304包含(若干)影像(其可包含至少缺陷影像及可能亦參考、差異及遮罩影像及設計之一或多者)，及本文中描述之任何其他資訊(諸如由(若干)電腦子系統基於由(若干)偵測器產生之輸出判定之缺陷屬性)。
包含於以學習為基礎之缺陷分類器之第一部分中之(若干)卷積層可具有此項技術中已知之任何適合組態且通常經組態以藉由使用一或多個濾波器將一卷積函數應用至輸入影像而判定依據跨一影像(即，一特徵圖)之位置而變化之影像之特徵。以此方式，以學習為基礎之缺陷分類器之第一部分可經組態為用以提取局部特徵之一CNN，其通常係卷積層及匯集層之堆疊。本文中描述之實施例可利用深度學習概念(諸如一CNN)來解決通常難處理之表示反演問題。第一部分可具有此項技術中已知之任何CNN組態或架構。一或多個匯集層亦可具有此項技術中已知之任何適合組態(例如，最大匯集層)且通常經組態用於減少由一或多個卷積層產生之特徵圖之維數同時維持最重要的特徵。
藉由以學習為基礎之缺陷分類器之第一部分判定之特徵可包含可自輸入推斷且用於產生本文中進一步描述之輸出之任何適合特徵。例如，特徵可包含每一像素之強度值之一向量。特徵亦可包含純量值向量、獨立分佈向量、聯合分佈或此項技術中已知之任何其他適合特徵類型。
以學習為基礎之模型亦包含經組態用於基於經判定特徵對在晶圓上偵測之缺陷分類之一第二部分。例如，如圖3中展示，在一項實施例中，以學習為基礎之模型之一第二部分包含(若干)完全連接層310。如圖3中進一步展示，至(若干)完全連接層310之輸入係經判定特徵(例如，特徵圖308)，且(若干)完全連接層310之輸出係分類312。因此，(若干)完全連接層310可包含於第二部分中且可經組態用於缺陷分類。
一或多個完全連接層經組態用於選擇一或多個經判定特徵且基於該一或多個經選擇特徵而對缺陷分類。一「完全連接層」可大體上定義為其中各節點連接至先前層中之各節點之一層。(若干)完全連接層自特徵圖308選擇特徵且接著基於經選擇特徵對缺陷分類。經選擇特徵可包含特徵圖中之全部特徵(若適當)或僅特徵圖中之一些特徵。完全連接層之後可為一SoftMax層(未展示)，其可經組態以基於由(若干)完全連接層產生之輸出而針對各缺陷產生一缺陷分類。SoftMax層可具有此項技術中已知之任何適合組態。以學習為基礎之缺陷分類器輸出分類312，分類312可包含每缺陷之一分類結果以及與各分類結果相關聯之一可信度。亦可如本文中進一步描述般使用分類之結果。分類可具有任何適合格式(諸如一缺陷ID、一缺陷描述，諸如「型樣」、「橋」等)。可如本文中進一步描述般儲存且使用分類結果。
在一項實施例中，以學習為基礎之缺陷分類器經組態為一深度學習模型。一般言之，「深度學習」(亦稱為深度結構化學習、階層式學習或深度機器學習)係基於嘗試模型化資料中之高階抽象之一組演算法之機器學習之一分支。在一簡單情況中，可存在兩組神經元：接收一輸入信號之神經元及發送一輸出信號之神經元。當輸入層接收一輸入時，其將輸入之一經修改版本傳遞至下一層。在一以深度學習為基礎之模型中，輸入與輸出之間存在許多層(且該等層並非由神經元製成但此可有助於將該等層視為由神經元製成)，從而容許演算法使用由多個線性及非線性變換構成之多個處理層。
深度學習係基於資料之學習表示之機器學習方法之一更廣泛族之部分。一觀察(例如，一影像)可以許多方式(諸如每個像素之強度值之一向量)或以一更抽象方式(如一組邊緣、特定形狀之區域等)呈現。一些表示優於其他表示之處在於，簡化學習任務(例如，面部辨識或面部表情辨識)。深度學習之一個承諾係使用有效演算法來取代手工特徵用於無監督或半監督式特徵學習及階層式特徵提取。
在此領域中之研究嘗試製成更佳之表示且產生模型以自大規模未標記資料學習此等表示。一些表示受神經科學中之進展啟發且鬆散地基於一神經系統中之資訊處理及通信型樣之解譯，諸如嘗試定義各種刺激與腦中之相關聯神經元回應之間的一關係之神經編碼。
在另一實施例中，以學習為基礎之缺陷分類器係一機器學習模型。機器學習可大體上定義為對電腦提供在未經明確程式化之情況下學習之能力之一種類型之人工智慧(AI)。機器學習致力於開發可教示自身在曝露至新資料時生長及改變之電腦程式。換言之，機器學習可定義為「賦予電腦在未經明確程式化之情況下學習之能力」之電腦科學之子域。機器學習探索可自資料學習且對資料作出預測之演算法之研究及構造-此等演算法藉由透過自樣本輸入建立一模型來作出資料驅動預測或決策而克服以下嚴格靜態程式指令。
可如在Sugiyama、Morgan Kaufmann之「Introduction to Statistical Machine Learning」，2016年，第534頁；Jebara之「Discriminative, Generative, and Imitative Learning」，MIT Thesis，2002年，第212頁；及Hand等人之「Principles of Data Mining (Adaptive Computation and Machine Learning)」，MIT Press，2001年，第578頁中描述般進一步執行本文中描述之機器學習，該等案以宛如全文陳述引用之方式併入本文中。可如此等參考案中描述般進一步組態本文中描述之實施例。
在一些實施例中，以學習為基礎之缺陷分類器係一生成模型。一「生成」模型可大體上定義為本質上概率性之一模型。換言之，一「生成」模型非執行前向模擬或基於規則之方法之模型。代替性地，可基於一適合訓練資料集學習生成模型(其中可學習其參數)。在一項實施例中，以學習為基礎之缺陷分類器經組態為一深度生成模型。例如，以學習為基礎之缺陷分類器可經組態以具有一深度學習架構，其中缺陷分類器可包含執行數個演算法或變換之多個層。
在一進一步實施例中，以學習為基礎之缺陷分類器可係具有一組權重之一深度神經網路，該等權重根據已經饋送以訓練模型之資料模型化世界。神經網路可大體上經定義為基於神經單元之一相對大集合之一計算方法，其鬆散地模型化一生物腦使用藉由軸突連接之生物神經元之相對大叢集解決問題之方式。各神經單元與許多其他神經單元連接，且鏈結可強制執行或抑制其對經連接神經單元之激發狀態之效應。此等系統係自我學習且經訓練而非明確程式化且在解決方案或特徵偵測難以按一傳統電腦程式表達之領域中具有優勢。
神經網路通常由多個層構成，且信號路徑從前部橫越至後部。神經網路之目標係以與人腦相同之方式解決問題，儘管若干神經網路遠遠更加抽象。當代神經網路項目通常使用數千至數百萬神經單元及數百萬連接工作。神經網路可具有此項技術中已知之任何適當架構及/或組態。
在一項實施例中，以學習為基礎之缺陷分類器經組態為一AlexNet。一般言之，一AlexNet包含其後接著數個完全連接層(例如，3)之數個卷積層(例如，5)，其等組合地經組態且經訓練以對影像分類。在Krizhevsky等人之「ImageNet Classification with Deep Convolutional Neural Networks」，NIPS 2012年中描述經組態為AlexNet之神經網路之實例，該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之以學習為基礎之缺陷分類器。
在另一實施例中，以學習為基礎之缺陷分類器經組態為一GoogleNet。一GoogleNet可包含層，諸如經組態且經訓練以對影像分類之卷積層、匯集層及完全連接層。雖然GoogleNet架構可包含相對高數目個層(尤其相較於本文中描述之一些其他神經網路)，但一些層可並行操作，且彼此並行運作之層群組通常稱為起始模組。其他層可循序操作。因此，一GoogleNet與本文中描述之其他神經網路不同之處在於並非所有層皆以一循序結構配置。在Szegedy等人之「Going Deeper with Convolutions」， CVPR 2015年中描述經組態為GoogleNet之神經網路之實例，該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之以學習為基礎之缺陷分類器。
在一進一步實施例中，以學習為基礎之缺陷分類器經組態為一VGG網路。藉由增加卷積層之數目同時固定架構之其他參數而產生VGG網路。藉由在全部層中使用實質上小的卷積濾波器可添加卷積層以增加深度。如同本文中描述之其他神經網路，產生且訓練VGG網路以對影像分類。VGG網路亦包含其後接著完全連接層之卷積層。在Simonyan等人之「Very Deep Convolutional Networks for Large-Scale Image Recognition」，ICLR 2015年中描述經組態為VGG之神經網路之實例，該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之以學習為基礎之缺陷分類器。
在一些實施例中，以學習為基礎之缺陷分類器經組態為一深度殘餘網路或一深度殘餘網。如同本文中描述之一些其他以學習為基礎之缺陷分類器，一深度殘餘網路可包含其後接著完全連接層之卷積層，其等組合地經組態且經訓練用於影像分類。在一深度殘餘網路中，層經組態以參考層輸入學習殘餘功能而非學習未引用功能。特定言之，代替希望各若干堆疊層直接擬合一所要底層映射，明確容許此等層擬合一殘餘映射，其由具有捷徑連接之前饋神經網路實現。捷徑連接係略過一或多個層之連接。可藉由獲取包含卷積層之一普通神經網路結構且插入捷徑連接而產生一深度殘餘網，其藉此獲取普通神經網路且將其轉變為其殘餘學習對應物。在He等人之「Deep Residual Learning for Image Recognition」，NIPS 2015年中描述深度殘餘網之實例，該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之以學習為基礎之缺陷分類器。
圖3展示一完全訓練模式中之缺陷分類器架構(即，已經訓練之以學習為基礎之缺陷分類器)，其具有可提供至以學習為基礎之缺陷分類器用於運行時間或生產模式之輸入。可在2017年9月6日申請之He等人之共同受讓之美國專利申請案第15/697,426中找到可如何訓練以學習為基礎之缺陷分類器之實例，該案以宛如全文陳述引用之方式併入本文中。可如此專利申請案中描述般進一步組態本文中描述之實施例。
本文中描述之(若干)電腦子系統可進一步經組態用於單一影像偵測，如2017年5月18日由Karsenti等人發表之美國專利申請公開案第2017/0140524中描述，該案以宛如全文陳述引用之方式併入本文中。本文中描述之實施例可進一步經組態用於執行變換(自一輸入影像至一模擬影像)，諸如在以下共同擁有之美國專利申請公開案中描述之變換：2017年5月18日由Karsenti等人發表之美國專利申請公開案第2017/0140524號；2017年5月25日由Zhang等人發表之美國專利申請公開案第2017/0148226號；2017年7月6日由Bhaskar等人發表之美國專利申請公開案第2017/0193400號；2017年7月6日由Zhang等人發表之美國專利申請公開案第2017/0193680號；2017年7月6日由Bhaskar等人發表之美國專利申請公開案第2017/0194126號；2017年7月13日由Bhaskar等人發表之美國專利申請公開案第2017/0200260號；2017年7月13日由Park等人發表之美國專利申請公開案第2017/0200264號；2017年7月13日由Bhaskar等人發表之美國專利申請公開案第2017/0200265號；及2017年11月30日由Zhang等人發表之美國專利申請公開案第2017/0345140號，該等案以宛如全文陳述引用之方式併入本文中。可如此等專利申請公開案中描述般進一步組態本文中描述之實施例。另外，本文中描述之實施例可經組態以執行此等專利申請公開案中描述之任何步驟。
可根據本文中描述之(若干)任何其他實施例進一步組態系統之各實施例。
另一實施例係關於一種用於訓練一以學習為基礎之缺陷分類器之電腦實施方法。方法包含針對上文描述之(若干)電腦子系統之功能之各者之步驟。如本文中描述般組態該檢測子系統。
可如本文中進一步描述般執行方法之各步驟。方法亦可包含可由本文中描述之檢測子系統、(若干)電腦子系統及/或(若干)系統執行之(若干)任何其他步驟。方法之步驟由一或多個電腦子系統執行，該一或多個電腦子系統可根據本文中描述之任何實施例組態。另外，上文描述之方法可由本文中描述之任何系統實施例執行。
一額外實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一電腦系統上實行以執行用於訓練一以學習為基礎之缺陷分類器之一電腦實施方法。在圖4中展示一項此實施例。特定言之，如圖4中展示，非暫時性電腦可讀媒體400包含可在電腦系統404上實行之程式指令402。電腦實施方法可包含本文中描述之(若干)任何方法之(若干)任何步驟。
實施諸如本文中描述之方法之程式指令402可儲存於電腦可讀媒體400上。電腦可讀媒體可係一儲存媒體，諸如一磁碟或光碟、一磁帶或此項技術中已知之任何其他適合非暫時性電腦可讀媒體。
可以各種方式(包含基於程序之技術、基於組件之技術及/或物件導向技術等等)之任何者實施程式指令。例如，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE (串流SIMD延伸)或其他技術或方法論實施程式指令。
可根據本文中描述之任何實施例組態電腦系統404。
鑑於此描述，熟習此項技術者將明白本發明之各種態樣之進一步修改及替代實施例。例如，提供用於訓練一以學習為基礎之缺陷分類器之方法及系統。因此，此描述應僅解釋為闡釋性且係出於教示熟習此項技術者實行本發明之一般方式之目的。應理解，本文中展示及描述之本發明之形式將視為當前較佳實施例。如熟習此項技術者在獲益於本發明之此描述之後將明白，元件及材料可取代本文中繪示及描述之元件及材料，部分及程序可顛倒，且可獨立利用本發明之特定特徵。在不脫離如在以下發明申請專利範圍中描述之本發明之精神及範疇之情況下可對本文中描述之元件做出改變。
10‧‧‧檢測子系統
14‧‧‧晶圓
16‧‧‧光源
18‧‧‧光學元件
20‧‧‧透鏡
21‧‧‧光束分離器
22‧‧‧載物台
24‧‧‧集光器
26‧‧‧元件
28‧‧‧偵測器
30‧‧‧集光器
32‧‧‧元件
34‧‧‧偵測器
36‧‧‧電腦子系統
100‧‧‧組件
102‧‧‧電腦子系統
104‧‧‧以學習為基礎之缺陷分類器
122‧‧‧電子柱
124‧‧‧電腦子系統
126‧‧‧電子束源
128‧‧‧晶圓
130‧‧‧元件
132‧‧‧元件
134‧‧‧偵測器
304‧‧‧輸入
306‧‧‧卷積層
308‧‧‧特徵圖
310‧‧‧完全連接層
312‧‧‧分類
400‧‧‧非暫時性電腦可讀媒體
402‧‧‧程式指令
404‧‧‧電腦系統
在閱讀以下詳細描述之後且在參考隨附圖式之後，將變得明白本發明之其他目的及優點，其中： 圖1及圖2係繪示如本文中描述般組態之一系統之一實施例之一側視圖之示意圖； 圖3係繪示如本文中描述般組態之一以學習為基礎之缺陷分類器之一項實施例之一流程圖；及 圖4係繪示儲存可在一電腦系統上實行以用於執行本文中描述之一或多個電腦實施方法之程式指令之一非暫時性電腦可讀媒體之一項實施例之一方塊圖。
雖然本發明易於以各種修改及替代形式呈現，但本發明之特定實施例藉由圖式中之實例展示且將在本文中詳細描述。然而，應理解，圖式及其詳細描述不旨在將本發明限於所揭示之特定形式，而相反，本發明欲涵蓋落於如由隨附發明申請專利範圍界定之本發明之精神及範疇內之全部修改、等效物及替代物。

Claims (28)

  1. 一種經組態以訓練一以學習為基礎之缺陷分類器之系統，其包括： 一檢測子系統，其包括至少一能量源及一偵測器，其中該能量源經組態以產生經引導至晶圓之能量，其中該偵測器經組態以偵測來自該等晶圓之能量且回應於該經偵測能量而產生輸出，且其中該等晶圓包括已知具有一異常高缺陷率之至少一個訓練晶圓及預期具有正常缺陷率之至少一個檢測晶圓；及 一或多個電腦子系統，其等經組態用於： 藉由將一缺陷偵測方法分別應用至針對該至少一個訓練晶圓及該至少一個檢測晶圓產生之該輸出而偵測該至少一個訓練晶圓及該至少一個檢測晶圓上之缺陷； 藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之該等缺陷之哪些者係所關注缺陷而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之該等所關注缺陷； 藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之該等缺陷之哪些者係擾亂點而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之該等擾亂點； 藉由組合該等經識別所關注缺陷及該等經識別擾亂點之資訊而產生包括該等經識別所關注缺陷及該等經識別擾亂點之缺陷之一訓練集；及 使用缺陷之該訓練集訓練一以學習為基礎之缺陷分類器。
  2. 如請求項1之系統，其中該至少一個訓練晶圓及該至少一個檢測晶圓係使用相同一或多個製造程序形成，惟該相同一或多個製造程序已產生該至少一個訓練晶圓上之該異常高缺陷率除外。
  3. 如請求項1之系統，其中該至少一個訓練晶圓包括對其執行已知引起晶圓上之該異常高缺陷率之至少一個製造程序之至少一個晶圓。
  4. 如請求項1之系統，其中該至少一個訓練晶圓包括其上形成有一或多個材料之至少一個晶圓，且其中已知該一或多個材料引起在該至少一個訓練晶圓上偵測該異常高缺陷率。
  5. 如請求項1之系統，其中該至少一個訓練晶圓包括使用已知為次優之至少一個製造程序之一或多個參數對其執行該至少一個製造程序之至少一個晶圓。
  6. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於人為地產生該等所關注缺陷之一或多個實例。
  7. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於識別該至少一個訓練晶圓及該至少一個檢測晶圓上未偵測到該等缺陷之一或多個位置且將針對該經識別一或多個位置產生之影像添加至缺陷之該訓練集作為該至少一個訓練晶圓及該至少一個檢測晶圓上之一或多個無缺陷位置。
  8. 如請求項1之系統，其中該產生包括選擇該等經識別所關注缺陷及該等經識別擾亂點之哪些者包含於缺陷之該訓練集中，使得缺陷之該訓練集包括在該至少一個訓練晶圓上識別之該等所關注缺陷之兩者或兩者以上、在該至少一個檢測晶圓上識別之該等所關注缺陷之兩者或兩者以上、在該至少一個訓練晶圓上識別之該等擾亂點之兩者或兩者以上及在該至少一個檢測晶圓上識別之該等擾亂點之兩者或兩者以上。
  9. 如請求項1之系統，其中該產生包括選擇該等經識別所關注缺陷及該等經識別擾亂點之哪些者包含於缺陷之該訓練集中，使得缺陷之該訓練集包括相等數目個該等經識別所關注缺陷及該等經識別擾亂點。
  10. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於將該經訓練之以學習為基礎之缺陷分類器應用至在該至少一個訓練晶圓或該至少一個檢測晶圓上偵測且未包含於缺陷之該訓練集中之該等缺陷。
  11. 如請求項10之系統，其中該一或多個電腦子系統進一步經組態用於使用將該經訓練之以學習為基礎之缺陷分類器應用至在該至少一個訓練晶圓或該至少一個檢測晶圓上偵測且未包含於缺陷之該訓練集中之該等缺陷之結果而修改該經訓練之以學習為基礎之缺陷分類器。
  12. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於藉由將該缺陷偵測方法應用至針對另一檢測晶圓產生之該輸出而偵測該另一檢測晶圓上之缺陷且將該經訓練之以學習為基礎之缺陷分類器應用至在該另一檢測晶圓上偵測之該等缺陷。
  13. 如請求項12之系統，其中該一或多個電腦子系統進一步經組態用於使用將該經訓練之以學習為基礎之缺陷分類器應用至在該另一檢測晶圓上偵測之該等缺陷之結果而修改該經訓練之以學習為基礎之缺陷分類器。
  14. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於基於由該經訓練之以學習為基礎之缺陷分類器產生之結果而對在該至少一個訓練晶圓或該至少一個檢測晶圓上偵測之該等缺陷取樣。
  15. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於：藉由將該缺陷偵測方法應用至針對另一檢測晶圓產生之該輸出而偵測該另一檢測晶圓上之缺陷；將該經訓練之以學習為基礎之缺陷分類器應用至在該另一檢測晶圓上偵測之該等缺陷；及基於由該經訓練之以學習為基礎之缺陷分類器針對該另一檢測晶圓產生之結果而對在該另一檢測晶圓上偵測之該等缺陷取樣。
  16. 如請求項15之系統，其中該一或多個電腦子系統進一步經組態用於基於該等經取樣缺陷而產生一缺陷分類器。
  17. 如請求項16之系統，其中該缺陷分類器並非一以學習為基礎類型之缺陷分類器。
  18. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於：藉由將該缺陷偵測方法應用至針對其他檢測晶圓產生之該輸出而偵測該等其他檢測晶圓上之缺陷；基於由該經訓練之以學習為基礎之缺陷分類器產生之結果而設定一擾亂點過濾器；及將該擾亂點過濾器應用至在該等其他檢測晶圓上偵測之該等缺陷之資訊。
  19. 如請求項1之系統，其中該經訓練之以學習為基礎之缺陷分類器經組態用於使該等擾亂點與該等所關注缺陷分離，且其中該一或多個電腦子系統進一步經組態用於藉由將該缺陷偵測方法應用至針對另一檢測晶圓產生之該輸出而偵測該另一檢測晶圓上之缺陷且藉由將在該另一檢測晶圓上偵測之該等缺陷之資訊輸入至該經訓練之以學習為基礎之缺陷分類器中而針對該另一檢測晶圓執行擾亂點過濾。
  20. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於將在其他檢測晶圓上偵測之缺陷之資訊輸入至該經訓練之以學習為基礎之缺陷分類器中，且其中使用缺陷之該訓練集訓練該以學習為基礎之缺陷分類器減少該經訓練之以學習為基礎之缺陷分類器針對該等其他檢測晶圓之效能之晶圓間變動。
  21. 如請求項1之系統，其中該經訓練之以學習為基礎之缺陷分類器經組態用於使該等所關注缺陷與該等擾亂點分離。
  22. 如請求項1之系統，其中該經訓練之以學習為基礎之缺陷分類器經組態用於使該等所關注缺陷與該等擾亂點分離且用於使不同類型之該等所關注缺陷彼此分離。
  23. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於：藉由將該缺陷偵測方法應用至針對其他檢測晶圓產生之該輸出而偵測該等其他檢測晶圓上之缺陷；及基於將該經訓練之以學習為基礎之缺陷分類器應用至在該至少一個訓練晶圓上偵測之該等缺陷、在該至少一個檢測晶圓上偵測之該等缺陷或在該等其他檢測晶圓上偵測之該等缺陷之一或多者之結果而更改用於該等其他檢測晶圓之一檢測配方之一或多個參數。
  24. 如請求項1之系統，其中該以學習為基礎之缺陷分類器包括一卷積神經網路。
  25. 如請求項1之系統，其中該檢測子系統經組態為一光學檢測子系統。
  26. 如請求項1之系統，其中該檢測子系統經組態為一電子束檢測系統。
  27. 一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一電腦系統上實行以執行用於訓練一以學習為基礎之缺陷分類器之一電腦實施方法，其中該電腦實施方法包括： 藉由一檢測子系統之一偵測器憑藉將一缺陷偵測方法分別應用至針對至少一個訓練晶圓及至少一個檢測晶圓產生之輸出而偵測該至少一個訓練晶圓及該至少一個檢測晶圓上之缺陷，其中已知該至少一個訓練晶圓具有一異常高缺陷率，其中預期該至少一個檢測晶圓具有正常缺陷率，其中該檢測子系統包括至少一能量源及該偵測器，其中該能量源經組態以產生經引導至該晶圓之能量，且其中該偵測器經組態以偵測來自該晶圓之能量且回應於該經偵測能量而產生該輸出； 藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之該等缺陷之哪些者係所關注缺陷而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之該等所關注缺陷； 藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之該等缺陷之哪些者係擾亂點而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之該等擾亂點； 藉由組合該等經識別所關注缺陷及該等經識別擾亂點之資訊而產生包括該等經識別所關注缺陷及該等經識別擾亂點之缺陷之一訓練集；及 使用缺陷之該訓練集訓練一以學習為基礎之缺陷分類器。
  28. 一種用於訓練一以學習為基礎之缺陷分類器之電腦實施方法，其包括： 藉由一檢測子系統之一偵測器憑藉將一缺陷偵測方法應用至分別針對至少一個訓練晶圓及至少一個檢測晶圓產生之輸出而偵測該至少一個訓練晶圓及該至少一個檢測晶圓上之缺陷，其中已知該至少一個訓練晶圓具有一異常高缺陷率，其中預期該至少一個檢測晶圓具有正常缺陷率，其中該檢測子系統包括至少一能量源及該偵測器，其中該能量源經組態以產生經引導至該晶圓之能量，且其中該偵測器經組態以偵測來自該晶圓之能量且回應於該經偵測能量而產生該輸出； 藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之該等缺陷之哪些者係所關注缺陷而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之該等所關注缺陷； 藉由判定分別在該至少一個訓練晶圓及該至少一個檢測晶圓上偵測之該等缺陷之哪些者係擾亂點而識別該至少一個訓練晶圓及該至少一個檢測晶圓上之該等擾亂點； 藉由組合該等經識別所關注缺陷及該等經識別擾亂點之資訊而產生包括該等經識別所關注缺陷及該等經識別擾亂點之缺陷之一訓練集；及 使用缺陷之該訓練集訓練一以學習為基礎之缺陷分類器，其中該偵測、該識別該等所關注缺陷、該識別該等擾亂點、該產生及該訓練由耦合至該檢測子系統之一或多個電腦子系統執行。
TW107129876A 2017-09-01 2018-08-28 訓練以學習為基礎之缺陷分類器 TWI751375B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762553351P 2017-09-01 2017-09-01
US62/553,351 2017-09-01
US16/109,631 US10713534B2 (en) 2017-09-01 2018-08-22 Training a learning based defect classifier
US16/109,631 2018-08-22

Publications (2)

Publication Number Publication Date
TW201920944A true TW201920944A (zh) 2019-06-01
TWI751375B TWI751375B (zh) 2022-01-01

Family

ID=65518031

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107129876A TWI751375B (zh) 2017-09-01 2018-08-28 訓練以學習為基礎之缺陷分類器

Country Status (5)

Country Link
US (1) US10713534B2 (zh)
KR (1) KR102372147B1 (zh)
CN (1) CN111052332B (zh)
TW (1) TWI751375B (zh)
WO (1) WO2019046141A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI752526B (zh) * 2019-08-07 2022-01-11 日商日立全球先端科技股份有限公司 半導體晶圓的檢查系統及非暫態電腦可讀媒體
TWI757774B (zh) * 2019-06-24 2022-03-11 麻省理工學院 評估材料機械性質的機器學習技術
TWI761806B (zh) * 2019-07-23 2022-04-21 緯創資通股份有限公司 影像辨識裝置、影像辨識方法及其電腦程式產品
TWI773189B (zh) * 2020-04-10 2022-08-01 大陸商騰訊科技（深圳）有限公司 基於人工智慧的物體檢測方法、裝置、設備及儲存媒體

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037286B2 (en) * 2017-09-28 2021-06-15 Applied Materials Israel Ltd. Method of classifying defects in a semiconductor specimen and system thereof
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
US10867108B2 (en) 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
US10854486B2 (en) * 2018-09-19 2020-12-01 Kla Corporation System and method for characterization of buried defects
CN109242033B (zh) * 2018-09-21 2021-08-20 长鑫存储技术有限公司 晶片缺陷模式分类方法及装置、存储介质、电子设备
AU2019404076A1 (en) 2018-12-19 2021-07-15 Ecoatm, Llc Systems and methods for vending and/or purchasing mobile phones and other electronic devices
AU2020222971A1 (en) 2019-02-12 2021-09-23 Ecoatm, Llc Connector carrier for electronic device kiosk
US10762618B1 (en) * 2019-02-14 2020-09-01 United Microelectronics Corp. Mask weak pattern recognition apparatus and mask weak pattern recognition method
JP2021530793A (ja) * 2019-02-18 2021-11-11 エコエーティーエム， エルエルシー 電子デバイスの物理的状態評価に基づくニューラルネットワーク、および関連付けられるシステムおよび方法
IL287677B1 (en) * 2019-04-28 2024-02-01 נובה בע מ Manufacturing a semiconductor device with in-line detection for a sensitive area
US11475556B2 (en) 2019-05-30 2022-10-18 Bruker Nano, Inc. Method and apparatus for rapidly classifying defects in subcomponents of manufactured component
EP3772025A1 (en) * 2019-08-01 2021-02-03 Siemens Aktiengesellschaft Method for determining at least one defective node in an input graph
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
US11087449B2 (en) 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
CN112150407B (zh) * 2019-10-30 2022-09-30 重庆大学 针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统
CN110942091B (zh) * 2019-11-15 2023-11-21 武汉理工大学 寻找可靠的异常数据中心的半监督少样本图像分类方法
US11205260B2 (en) 2019-11-21 2021-12-21 International Business Machines Corporation Generating synthetic defect images for new feature combinations
TWI714371B (zh) * 2019-11-29 2020-12-21 力晶積成電子製造股份有限公司 晶圓圖的辨識方法與電腦可讀取記錄媒體
JP7361594B2 (ja) * 2019-12-19 2023-10-16 キヤノン株式会社 識別装置、処理装置、処理方法、およびプログラム
US11922613B2 (en) * 2019-12-30 2024-03-05 Micron Technology, Inc. Apparatuses and methods for determining wafer defects
US11360030B2 (en) * 2020-02-04 2022-06-14 Applied Materials Isreal Ltd Selecting a coreset of potential defects for estimating expected defects of interest
US11022566B1 (en) * 2020-03-31 2021-06-01 Applied Materials Israel Ltd. Examination of a semiconductor specimen
US11675340B2 (en) * 2020-04-08 2023-06-13 Nanya Technology Corporation System and method for controlling semiconductor manufacturing apparatus
KR20210134129A (ko) * 2020-04-29 2021-11-09 삼성전자주식회사 웨이퍼 검사 장치 및 방법
TWI731671B (zh) * 2020-05-07 2021-06-21 美商矽成積體電路股份有限公司 異常晶片檢測方法與異常晶片檢測系統
US11774371B2 (en) * 2020-05-22 2023-10-03 Kla Corporation Defect size measurement using deep learning methods
CN113130016B (zh) * 2020-06-04 2024-02-02 北京星云联众科技有限公司 一种基于人工智能的晶片质量分析评价方法
US11557026B2 (en) * 2020-06-05 2023-01-17 Advanced Micro Devices, Inc. Automated artifact detection
WO2021250884A1 (ja) * 2020-06-12 2021-12-16 株式会社日立ハイテク 欠陥検査のための方法、システム、及びコンピューター可読媒体
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
KR20210156894A (ko) 2020-06-18 2021-12-28 삼성전자주식회사 스루-포커스 이미지 기반 계측 장치, 그것의 동작 방법, 및 그 동작을 실행하는 컴퓨팅 장치
US11776108B2 (en) 2020-08-05 2023-10-03 KLA Corp. Deep learning based defect detection
US11922467B2 (en) 2020-08-17 2024-03-05 ecoATM, Inc. Evaluating an electronic device using optical character recognition
US11967060B2 (en) 2020-08-25 2024-04-23 Kla Corporation Wafer level spatial signature grouping using transfer learning
US20220114717A1 (en) * 2020-10-09 2022-04-14 Nec Laboratories America, Inc. Distortion-based filtering for image classification
CN112001919B (zh) * 2020-10-20 2021-01-22 领伟创新智能系统(浙江)有限公司 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法
CN112200806A (zh) * 2020-12-03 2021-01-08 晶芯成(北京)科技有限公司 一种晶圆的缺陷分析方法和系统
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
US20230134909A1 (en) * 2021-11-04 2023-05-04 SK Hynix Inc. Defect inspection system and semiconductor fabrication apparatus including a defect inspection apparatus using the same
US20230195078A1 (en) * 2021-12-21 2023-06-22 Applied Materials, Inc. Methods and mechanisms for adjusting process chamber parameters during substrate manufacturing
WO2023160986A1 (en) * 2022-02-28 2023-08-31 Asml Netherlands B.V. Methods and systems for improving wafer defect classification nuisance rate
US11995812B2 (en) 2022-06-29 2024-05-28 Electrical Components International, Inc. Next generation quality inspection
CN117523343B (zh) * 2024-01-08 2024-03-26 信熙缘(江苏)智能科技有限公司 晶圆背损伤梯形缺陷的自动识别方法

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3978098B2 (ja) 2002-08-12 2007-09-19 株式会社日立製作所 欠陥分類方法及びその装置
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
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
JP5156452B2 (ja) * 2008-03-27 2013-03-06 東京エレクトロン株式会社 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
CN102955950A (zh) * 2011-08-16 2013-03-06 索尼公司 用于在线训练分类器的装置和在线训练分类器的方法
US8716662B1 (en) 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
US9310316B2 (en) * 2012-09-11 2016-04-12 Kla-Tencor Corp. Selecting parameters for defect detection methods
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US9582869B2 (en) * 2014-10-19 2017-02-28 Kla-Tencor Corp. Dynamic binning for diversification and defect discovery
US9518934B2 (en) * 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
US9835566B2 (en) 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter
US10012599B2 (en) * 2015-04-03 2018-07-03 Kla-Tencor Corp. Optical die to database inspection
KR102380099B1 (ko) * 2015-08-05 2022-03-28 케이엘에이 코포레이션 범위 기반 실시간 스캐닝 전자 현미경 비시각적 비너
US10436720B2 (en) 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US20170147909A1 (en) 2015-11-25 2017-05-25 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and storage medium
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10181185B2 (en) 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10360477B2 (en) * 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10395356B2 (en) 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
CN106409711B (zh) * 2016-09-12 2019-03-12 佛山市南海区广工大数控装备协同创新研究院 一种太阳能硅晶片缺陷检测系统及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI757774B (zh) * 2019-06-24 2022-03-11 麻省理工學院 評估材料機械性質的機器學習技術
TWI761806B (zh) * 2019-07-23 2022-04-21 緯創資通股份有限公司 影像辨識裝置、影像辨識方法及其電腦程式產品
TWI752526B (zh) * 2019-08-07 2022-01-11 日商日立全球先端科技股份有限公司 半導體晶圓的檢查系統及非暫態電腦可讀媒體
TWI763614B (zh) * 2019-08-07 2022-05-01 日商日立全球先端科技股份有限公司 半導體晶圓的檢查系統及非暫態電腦可讀媒體
US11694325B2 (en) 2019-08-07 2023-07-04 Hitachi High-Tech Corporation System for deriving electrical characteristics and non-transitory computer-readable medium
TWI773189B (zh) * 2020-04-10 2022-08-01 大陸商騰訊科技（深圳）有限公司 基於人工智慧的物體檢測方法、裝置、設備及儲存媒體

Also Published As

Publication number Publication date
CN111052332B (zh) 2021-02-19
TWI751375B (zh) 2022-01-01
US20190073566A1 (en) 2019-03-07
CN111052332A (zh) 2020-04-21
KR102372147B1 (ko) 2022-03-07
US10713534B2 (en) 2020-07-14
KR20200038551A (ko) 2020-04-13
WO2019046141A1 (en) 2019-03-07

Similar Documents

Publication Publication Date Title
TWI751375B (zh) 訓練以學習為基礎之缺陷分類器
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
CN112219270B (zh) 用于缺陷分类器训练的主动学习
CN111819676B (zh) 训练用于低分辨率图像中的缺陷检测的神经网络
TWI747967B (zh) 用於經組態用於半導體應用之深度學習模型之診斷系統及方法
TWI711978B (zh) 用於執行針對樣本之功能之系統及電腦實施方法，以及電腦可讀媒體
TWI710763B (zh) 經組態以偵測一樣品上之缺陷之系統及用於偵測一樣品上之缺陷之電腦實施方法
TWI731016B (zh) 用於半導體應用之以機器學習之模型為基礎之加速訓練
CN109313724B (zh) 针对半导体应用并入神经网络及前向物理模型的系统及方法
CN108463874B (zh) 基于图像的样品过程控制
CN108475351B (zh) 用于训练基于机器学习的模型的系统和计算机实施方法
US11694327B2 (en) Cross layer common-unique analysis for nuisance filtering
CN115943429B (zh) 用于光学或其它模式选择的深度生成模型
TW202206800A (zh) 深度學習為基礎之缺陷偵測
US11967060B2 (en) Wafer level spatial signature grouping using transfer learning