TW202119455A - 使用三維設計用於呈現掃描電子顯微鏡法之影像及預測基板之缺陷成像條件之系統及方法 - Google Patents

使用三維設計用於呈現掃描電子顯微鏡法之影像及預測基板之缺陷成像條件之系統及方法 Download PDF

Info

Publication number
TW202119455A
TW202119455A TW109122824A TW109122824A TW202119455A TW 202119455 A TW202119455 A TW 202119455A TW 109122824 A TW109122824 A TW 109122824A TW 109122824 A TW109122824 A TW 109122824A TW 202119455 A TW202119455 A TW 202119455A
Authority
TW
Taiwan
Prior art keywords
images
sample
training
design
features
Prior art date
Application number
TW109122824A
Other languages
English (en)
Inventor
阿比特 耶提
強德拉舍卡蘭 故倫莫希
Original Assignee
美商科磊股份有限公司
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 美商科磊股份有限公司 filed Critical 美商科磊股份有限公司
Publication of TW202119455A publication Critical patent/TW202119455A/zh

Links

Images

Classifications

    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32335—Use of ann, neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明揭示一種用於表徵一樣品之系統。在一項實施例中，該系統包含經組態以獲取一樣品之一或多個影像之一表徵子系統，及通信地耦合至表徵子系統之一控制器。控制器可經組態以：自表徵子系統接收一樣品之一或多個特徵之訓練影像；接收與樣品之一或多個特徵對應之訓練三維(3D)設計影像；基於訓練影像及訓練3D設計影像而產生一深度學習預測模型；接收一樣品之一或多個特徵之產品3D設計影像；利用深度學習預測模型基於產品3D設計影像而產生樣品之一或多個特徵之經模擬影像；及基於一或多個經模擬影像而判定樣品之一或多個特性。

Description

使用三維設計用於呈現掃描電子顯微鏡法之影像及預測基板之缺陷成像條件之系統及方法
本發明一般而言係關於樣品表徵及計量之領域，且更特定而言係關於一種用於利用機器學習技術模擬樣品之缺陷之系統及方法。
除以一所要規模進行製作以外，亦對具有愈來愈小佔用面積及特徵之電子邏輯及記憶體裝置的需求提出大範圍之製造挑戰。在半導體製作之內容脈絡中，預測且移除半導體裝置中之缺陷係改良吞吐量及良率之一重要步驟。識別缺陷之主要挑戰之一係不能夠準確地預測缺陷之位置、類型及結構。
用於預測缺陷之相對位置、類型及結構之傳統技術涉及模擬之使用。舉例而言，在其中一程序工程師知曉一可能缺陷之一大致位置、類型及粗略結構之情景中，蒙地卡羅模擬可用於模擬缺陷之掃描電子顯微鏡法(SEM)影像。類似地，對馬克士威方程組求解之光學模擬可用於預測係預測並識別缺陷信號所需要之成像條件。經模擬SEM影像及經識別成像條件然後可用於更有效地識別缺陷，且改良吞吐量及良率。
利用蒙地卡羅模擬之此等傳統技術具有數個缺點。首先，此等傳統模擬技術係計算上昂貴的且耗時的。特定而言，基於設計影像/資料而執行蒙地卡羅模擬以產生SEM影像可係非常耗時的。因此，此等技術可一天僅能夠預測/識別數個缺陷，此極大地阻礙一半導體製作程序之吞吐量。另外，基於蒙地卡羅之模擬技術不能夠基於SEM影像而呈現設計影像/資料，且不能夠基於經模擬SEM影像而判定一樣品之材料性質。
因此，提供一種解決上文所識別之先前方法之不足中之一或多者的系統及方法將係合意的。
揭示一種用於表徵一樣品之系統。在一項實施例中，該系統包含經組態以獲取一樣品之一或多個影像之一表徵子系統。在另一實施例中，該系統包含通信地耦合至該表徵子系統之一控制器。該控制器可經組態以：自該表徵子系統接收一樣品之一或多個特徵之一或多個訓練影像；接收與該樣品之該一或多個特徵對應之一或多個訓練三維(3D)設計影像；基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型；接收一樣品之一或多個特徵之一或多個產品3D設計影像；利用該深度學習預測模型基於該一或多個產品3D設計影像而產生該樣品之該一或多個特徵之一或多個經模擬影像；及基於該一或多個經模擬影像而判定該樣品之一或多個特性。
揭示一種用於表徵一樣品之系統。在一項實施例中，該系統包含一控制器，該控制器經組態以：接收一樣品之一或多個特徵之一或多個訓練影像；接收與該樣品之該一或多個特徵對應之一或多個訓練三維(3D)設計影像；至少基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型；接收一樣品之一或多個特徵之一或多個產品3D設計影像；利用該深度學習預測模型基於該一或多個產品3D設計影像而產生該樣品之該一或多個特徵之一或多個經模擬影像；及基於該一或多個經模擬影像而判定該樣品之一或多個特性。
揭示一種用於表徵一樣品之系統。在一項實施例中，該系統包含經組態以獲取一樣品之一或多個影像之一表徵子系統，及通信地耦合至該表徵子系統之一控制器。該控制器可經組態以：自該表徵子系統接收一樣品之一或多個特徵之一或多個訓練影像；接收與該樣品之該一或多個特徵對應之一或多個訓練三維(3D)設計影像；基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型；接收一樣品之一或多個特徵之一或多個產品影像；利用該深度學習預測模型基於該一或多個產品影像而產生該樣品之該一或多個特徵之一或多個經模擬3D設計影像；且基於該一或多個經模擬3D設計影像而判定該樣品之一或多個特性。
揭示一種用於表徵一樣品之系統。在一項實施例中，該系統包含經組態以進行以下操作之一控制器：接收一樣品之一或多個特徵之一或多個訓練影像；接收與該樣品之該一或多個特徵對應之一或多個訓練3D設計影像；至少基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型；接收一樣品之一或多個特徵之一或多個產品影像；利用該深度學習預測模型基於該一或多個產品影像而產生該樣品之該一或多個特徵之一或多個經模擬3D設計影像；及基於該一或多個經模擬3D設計影像而判定該樣品之一或多個特性。
揭示一種用於表徵一樣品之方法。在一項實施例中，該方法包含：利用一表徵子系統獲取一樣品之一或多個特徵之一或多個訓練影像；接收該樣品之該一或多個特徵之一或多個訓練三維(3D)設計影像；基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型；接收一樣品之一或多個特徵之一或多個產品3D設計影像；利用該深度學習預測模型基於該一或多個產品3D設計影像而產生該樣品之該一或多個特徵之一或多個經模擬影像；及基於該一或多個經模擬影像而判定該樣品之一或多個特性。
揭示一種用於表徵一樣品之方法。在一項實施例中，該方法包含：利用一表徵子系統獲取一樣品之一或多個特徵之一或多個訓練影像；接收該樣品之該一或多個特徵之一或多個訓練三維(3D)設計影像；基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型；接收一樣品之該一或多個特徵之一或多個產品影像；利用該深度學習預測模型基於該一或多個產品影像而產生該樣品之該一或多個特徵之一或多個經模擬設計影像；及基於該一或多個經模擬設計影像而判定該樣品之一或多個特性。
應理解，前述大體說明及以下詳細說明兩者皆僅係例示性的及解釋性的且未必限制所主張之本發明。併入本說明書中並構成本說明書之一部分之附圖圖解說明本發明之實施例，並與該大體說明一起用於闡釋本發明之原理。
相關申請案之交叉參考
本申請案主張指定Arpit Yati及Chandrashekaran Gurumurthy為發明人之2019年7月26日提出申請之標題為RENDERING SEM IMAGE AND PREDICTING DEFECT IMAGING CONDITION USING 3D DESIGN之第201941030221號印度臨時專利申請案之優先權，該印度臨時專利申請案以全文引用方式併入本文中。
已尤其關於特定實施例及其具體特徵展示並闡述本發明。本文中所陳述之實施例被視為係說明性的而非限制性的。熟習此項技術者應容易地明瞭，可在不背離本發明之精神及範疇之情況下做出形式及細節上之各種改變及修改。
現在將詳細參考在附圖中所圖解說明之所揭示標的物。
本發明之實施例係針對於一種用於利用機器學習技術(例如，一深度學習預測模型)基於三維(3D)設計影像而產生經模擬掃描電子顯微鏡法(SEM)影像及/或經模擬光學影像之系統及方法。本發明之額外實施例係針對於一種用於利用機器學習技術(例如，一深度學習預測模型)基於掃描電子顯微鏡法(SEM)影像而產生經模擬三維(3D)設計影像之系統及方法。本發明之額外實施例係針對於利用藉助機器學習技術產生之經模擬SEM影像及/或經模擬3D設計影像自適應地修改一樣品之3D設計影像。
在本文中預期本發明之實施例可使得能夠在一製作程序中更快、更高效地識別樣品缺陷，藉此改良吞吐量及良率。另外，本發明之實施例可使得能夠自適應地修改3D設計資料以便改良一製作程序中之樣品製作。在本文中進一步預期本發明之系統及方法可使得能夠依據SEM影像產生3D設計影像/檔案，而且利用所產生經模擬SEM影像預測材料性質，此使用傳統模型化技術係不可能的。
圖1圖解說明用於使用蒙地卡羅模擬產生一樣品之經模擬SEM影像之一流程圖100。提供圖1中所圖解說明之流程圖100作為利用蒙地卡羅模擬之一傳統模擬技術之一實例。在本文中預期對流程圖100之一簡略說明可提供可比較本發明之伴隨優點所依據之一基線。
為了預測一樣品(例如，半導體晶圓)內之缺陷之相對位置、類型及結構，傳統技術將三維(3D)設計影像102 (例如，3D設計檔案102)輸入至一或多個處理器以便運行蒙地卡羅模擬104。蒙地卡羅模擬104然後可產生意欲模擬該樣品內之缺陷之相對位置、類型及結構之一或多個經模擬掃描電子顯微鏡法(SEM)影像106。
利用蒙地卡羅模擬104之此等傳統技術具有數個缺點。首先，此等傳統模擬技術係計算上昂貴的且耗時的。特定而言，基於3D設計影像102而執行蒙地卡羅模擬104以產生經模擬SEM影像106可係非常耗時的。因此，此等技術可一天僅能夠預測/識別數個缺陷，此極大地阻礙一半導體製作程序之吞吐量。此外，基於蒙地卡羅之模擬技術不能夠基於所獲取SEM影像而呈現3D設計影像102，且不能夠基於經模擬SEM影像106而預測一樣品之材料性質。
因此，本發明之實施例係針對於一種解決上文所識別之先前方法之不足中之一或多者之系統及方法。
圖2圖解說明根據本發明之一或多個實施例之用於利用機器學習技術表徵一樣品以產生該樣品之經模擬影像之一系統200。系統200可包含但不限於一或多個表徵子系統202。系統200可另外包含但不限於一控制器204 (其包含一或多個處理器206及一記憶體208)及一使用者介面210。
表徵子系統202可包含此項技術中已知之任一表徵子系統202，其包含但不限於一基於光學之表徵系統、一基於帶電粒子之表徵系統及諸如此類。舉例而言，表徵子系統202可包含一掃描電子顯微鏡法(SEM)表徵系統。在一項實施例中，控制器204通信地耦合至一或多個表徵子系統202。就此而言，控制器204之一或多個處理器206可經組態以產生經組態以調整表徵子系統202之一或多個特性之一或多個控制信號。
圖3A圖解說明根據本發明之一或多個實施例之用於利用機器學習技術表徵一樣品以產生該樣品之經模擬影像之一系統200。特定而言，圖6A圖解說明包含一光學表徵子系統202a之一系統200。
光學表徵子系統202a可包含此項技術中已知之任一基於光學之表徵系統，包含但不限於一基於影像之計量工具。舉例而言，表徵子系統202a可包含一光學臨界尺寸計量工具。光學表徵子系統202a可包含但不限於一照明源212、一照明臂211、一收集臂213及一偵測器總成226。
在一項實施例中，光學表徵子系統202a經組態以檢驗及/或量測安置於載台總成222上之樣品220。照明源212可包含用於產生照明201之此項技術中已知之任一照明源，包含但不限於一寬頻輻射源。在另一實施例中，光學表徵子系統202a可包含經組態以將照明201引導至樣品220之一照明臂211。應注意，光學表徵子系統202a之照明源212可以此項技術中已知之任一定向(包含但不限於一暗場定向、一亮場定向及諸如此類)來組態。
樣品220可包含此項技術中已知之任一樣品，包含但不限於一晶圓、一倍縮光罩、一光罩及諸如此類。在一項實施例中，樣品220安置於一載台總成222上以促進樣品220之移動。在另一實施例中，載台總成222係一可致動載台。舉例而言，載台總成222可包含但不限於適合用於沿著一或多個線性方向(例如，x方向、y方向及/或z方向)選擇性地平移樣品220之一或多個平移載台。藉由另一實例之方式，載台總成222可包含但不限於適合用於沿著一旋轉方向選擇性地旋轉樣品220之一或多個旋轉載台。藉由另一實例之方式，載台總成222可包含但不限於適合用於沿著一線性方向選擇性地平移樣品220之一平移載台及/或沿著一旋轉方向旋轉樣品220之一旋轉載台。在本文中應注意，系統200可以此項技術中已知之任一掃描模式來操作。
照明臂211可包含此項技術中已知之任一數目及類型之光學組件。在一項實施例中，照明臂211包含一或多個光學元件214、一分束器216及一物鏡218。就此而言，照明臂211可經組態以將來自照明源212之照明201聚焦至樣品220之表面上。一或多個光學元件214可包含此項技術中已知之任何光學元件，包含但不限於一或多個鏡、一或多個透鏡、一或多個偏光鏡、一或多個分束器及諸如此類。
在另一實施例中，光學表徵子系統202a包含經組態以收集自樣品220反射或散射之照明的一收集臂213。在另一實施例中，收集臂213可經由一或多個光學元件224將該經反射且經散射光引導及/或聚焦至一偵測器總成226之一或多個感測器。一或多個光學元件224可包含此項技術中已知之任何光學元件，包含但不限於一或多個鏡、一或多個透鏡、一或多個偏光鏡、一或多個分束器及諸如此類。應注意，偵測器總成226可包含用於偵測自樣品220反射或散射之照明之此項技術中已知之任一感測器及偵測器總成。
在另一實施例中，光學表徵子系統202之偵測器總成226經組態以基於自樣品220反射或散射之照明而收集樣品220之計量資料。在另一實施例中，偵測器總成226經組態以將所收集/所獲取影像及/或計量資料傳輸至控制器204。
如本文中先前所述，系統200之控制器204可包含一或多個處理器206及記憶體208。記憶體208可包含經組態以致使一或多個處理器206實施本發明之各個步驟之程式指令。在一項實施例中，該等程式指令經組態以致使一或多個處理器206調整光學表徵子系統202之一或多個特性以便執行樣品220之一或多個量測。
在額外及/或替代實施例中，表徵子系統202可包含一基於帶電粒子之表徵子系統202。舉例而言，表徵子系統202可包含一SEM表徵子系統，如圖3B中所圖解說明。
圖3B圖解說明根據本發明之一或多個實施例之用於利用機器學習技術表徵一樣品以產生該樣品之經模擬影像之一系統。特定而言，圖6B圖解說明包含一SEM表徵子系統202b之一系統200。
在一項實施例中，SEM表徵子系統202b經組態以對樣品220執行一或多個量測。就此而言，SEM表徵子系統202b可經組態以獲取樣品220之一或多個影像。SEM表徵子系統202b可包含但不限於電子束源228、一或多個電子-光學元件230、一或多個電子-光學元件232及包含一或多個電子感測器236之一電子偵測器總成234。
在一項實施例中，電子束源228經組態以將一或多個電子束229引導至樣品220。電子束源228可形成一電子-光學柱。在另一實施例中，電子束源228包含經組態以將一或多個電子束229聚焦及/或引導至樣品220之表面之一或多個額外及/或替代電子-光學元件230。在另一實施例中，SEM表徵子系統202b包含經組態以收集回應於一或多個電子束229而自樣品220之表面發出之二次及/或背向散射電子231的一或多個電子-光學元件232。在本文中應注意，一或多個電子-光學元件230及一或多個電子-光學元件232可包含經組態以引導、聚焦及/或收集電子之任何電子-光學元件，包含但不限於一或多個偏轉器、一或多個電子-光學透鏡、一或多個聚光透鏡(例如，磁性聚光透鏡)、一或多個物鏡(例如，磁性聚光透鏡)及諸如此類。
應注意，SEM表徵子系統202b之電子光學總成不限於圖3B中所繪示之電子-光學元件，僅僅出於說明性目的而提供該等電子-光學元件。應進一步注意，系統200可包含將一或多個電子束229引導/聚焦至樣品220上且作為回應而將所發出二次及/或背向散射電子231收集及成像至電子偵測器總成234上所必要之任一數目及類型之電子-光學元件。
舉例而言，系統200可包含一或多個電子束掃描元件(未展示)。例如，該一或多個電子束掃描元件可包含但不限於適合用於控制一或多個電子束229相對於樣品220之表面之一位置之一或多個電磁掃描線圈或靜電偏轉器。此外，可利用該一或多個掃描元件以使一或多個電子束229跨越樣品220依一選定圖案進行掃描。
在另一實施例中，二次及/或背向散射電子231經引導至電子偵測器總成234之一或多個感測器236。SEM表徵子系統202之電子偵測器總成234可包含適合用於偵測自樣品220之表面發出之背向散射及/或二次電子231之此項技術中已知之任一電子偵測器總成。在一項實施例中，電子偵測器總成234包含一電子偵測器陣列。就此而言，電子偵測器總成234可包含電子偵測部分之一陣列。此外，電子偵測器總成234之偵測器陣列之每一電子偵測部分可經定位以便偵測與所入射之一或多個電子束229中之一者相關聯之來自樣品220之一電子信號。就此而言，電子偵測器總成234之每一通道可對應於一或多個電子束229中之一電子束229。電子偵測器總成234可包含此項技術中已知之任一類型之電子偵測器。舉例而言，電子偵測器總成234可包含一微通道板(MCP)、一PIN或p-n接面偵測器陣列，諸如但不限於一個二極體陣列或崩潰光二極體(APD)。藉由另一實例之方式，電子偵測器總成234可包含一高速閃爍器/PMT偵測器。
雖然圖3B將SEM表徵子系統202b圖解說明為包含僅包括一個二次電子偵測器總成之一電子偵測器總成234，但此不應被視為對本發明之一限制。就此而言，應注意，電子偵測器總成234可包含但不限於一個二次電子偵測器、一背向散射電子偵測器及/或一初級電子偵測器(例如，一柱內電子偵測器)。在另一實施例中，SEM表徵子系統202可包含複數個電子偵測器總成234。舉例而言，系統200可包含一個二次電子偵測器總成234a、一背向散射電子偵測器總成234b及一柱內電子偵測器總成234c。
在一項實施例中，控制器204之一或多個處理器206經組態以分析偵測器總成226/電子偵測器總成234之輸出。在一項實施例中，該組程式指令經組態以致使一或多個處理器206基於自偵測器總成226/電子偵測器總成234接收之影像而分析樣品220之一或多個特性。在另一實施例中，該組程式指令經組態以致使一或多個處理器206修改系統200之一或多個特性以便維持對樣品220及/或偵測器總成226/電子偵測器總成234之聚焦。舉例而言，一或多個處理器206可經組態以調整照明源212/電子束源228及/或系統200之其他元件之一或多個特性以便將照明201及/或一或多個電子束229聚焦至樣品220之表面上。藉由另一實例之方式，一或多個處理器206可經組態以調整系統200之一或多個元件以便收集來自樣品220之表面之照明及/或二次電子231且將所收集照明聚焦於偵測器總成226/電子偵測器總成234上。藉由另一實例之方式，一或多個處理器206可經組態以調整施加至電子束源228之一或多個靜電偏轉器之一或多個聚焦電壓以便獨立地調整一或多個電子束229之位置或對準且使電子束229跨越樣品220進行掃描。
在一項實施例中，一或多個處理器206可通信地耦合至記憶體208，其中一或多個處理器206經組態以執行儲存於記憶體208上之一組程式指令，該組程式指令經組態以致使一或多個處理器206實施本發明之各種功能及步驟。
在另一實施例中，如圖2中及圖3A至圖3B中所展示，系統200包含通信地耦合至控制器204之一使用者介面210。在另一實施例中，使用者介面210包含一使用者輸入裝置及一顯示器。使用者介面210之使用者輸入裝置可經組態以自一使用者接收一或多個輸入命令，該一或多個輸入命令經組態以將資料輸入至系統200中及/或調整系統200之一或多個特性。在另一實施例中，使用者介面210之顯示器可經組態以向一使用者顯示系統200之資料。
如本文中先前所述，控制器204之一或多個處理器206可通信地耦合至記憶體208，其中一或多個處理器206經組態以執行儲存於記憶體208上之一組程式指令，該組程式指令經組態以致使一或多個處理器206實施本發明之各種功能及步驟。就此而言，控制器204可經組態以：自表徵子系統202接收一樣品220之一或多個特徵之一或多個訓練影像225；接收與樣品220之該一或多個特徵對應之一或多個訓練三維(3D)設計影像；基於一或多個訓練影像225及該一或多個訓練3D設計影像而產生一深度學習預測模型；接收一樣品220之一或多個特徵之一或多個3D產品設計影像；利用該深度學習預測模型基於該一或多個3D產品設計影像而產生樣品220之該一或多個特徵之一或多個經模擬影像；且基於該一或多個經模擬影像而判定樣品220之一或多個特性。控制器204之此等步驟/功能中之每一者將各自在本文中進一步詳細地經闡述。
圖4A圖解說明根據本發明之一或多個實施例之用於訓練一深度學習預測模型之一流程圖400。就此而言，流程圖400可被視為圖解說明由控制器204之一或多個處理器206執行/在控制器204之一或多個處理器206內執行之步驟之一概念流程圖。
在一項實施例中，控制器204經組態以自表徵子系統202接收一樣品220之一或多個特徵之一或多個訓練影像225。出於本發明之目的，術語「訓練影像」可被視為將用作輸入以訓練一機器學習分類器之影像。
舉例而言，如圖3A中所展示，控制器204可經組態以自光學表徵子系統202a接收樣品220之一或多個特徵之一或多個光學訓練影像225。藉由另一實例之方式，如圖3B中所展示，控制器204可經組態以自SEM表徵子系統202b接收樣品220之一或多個特徵之一或多個SEM訓練影像225。就此而言，圖4A中所繪示之訓練影像225可包含一光學訓練影像225、一SEM訓練影像225及諸如此類。在額外及/或替代實施例中，控制器204可經組態以自除一或多個表徵子系統202以外之一源接收一或多個訓練影像225。舉例而言，控制器204可經組態以自一外部儲存裝置及/或記憶體208接收一樣品220之特徵之一或多個訓練影像225。在另一實施例中，控制器204可進一步經組態以將所接收訓練影像225儲存於記憶體208中。
樣品之一或多個特徵可包含可在一樣品220製作/表徵程序中受關注之任何特徵，包含但不限於經圖案化結構、缺陷、高縱橫比(HAR)結構、臨界尺寸(CD)結構及諸如此類。控制器204可經組態以將一或多個訓練影像225儲存於記憶體208中。
在另一實施例中，控制器204經組態以接收與樣品220之一或多個特徵對應之一或多個訓練三維(3D)設計影像404。術語「訓練3D設計影像404」及相似術語可被視為與一樣品220之一設計相關聯之任何資料、檔案或影像。就此而言，術語「3D設計影像」可與術語「3D設計資料」及「3D設計檔案」互換地使用。在本文中預期訓練3D設計影像404可包含材料資訊及/或樣品形貌資訊，該材料資訊及/或樣品形貌資訊可使得能夠產生經組態以在後續步驟中判定一樣品220之材料及/或形貌特性之更複雜深度學習預測模型402。在某些實施例中，一或多個訓練3D設計影像404儲存於記憶體208中，使得控制器204經組態以自記憶體208接收及/或擷取一或多個訓練3D設計影像404。
在另一實施例中，控制器204經組態以基於一或多個訓練影像225及一或多個訓練3D設計影像404而產生一深度學習預測模型402。就此而言，一或多個訓練影像225及一或多個訓練3D設計影像404可用作輸入以訓練深度學習預測模型402。深度學習預測模型402可包含此項技術中已知之任一類型之機器學習演算法/分類器及/或深度學習技術或分類器，包含但不限於一條件生成對抗網路(CGAN)、一卷積類神經網路(CNN) (例如，GoogleNet、AlexNet及諸如此類)、一整體學習分類器、一隨機森林分類器、人工類神經網路(ANN)及諸如此類。在實施例中，控制器204可經組態以將所產生深度學習預測模型402儲存於記憶體208中。
在本文中預期控制器204可經組態以經由監督式學習及/或無監督學習產生深度學習預測模型402。訓練/產生深度學習預測模型402可包含教示深度學習預測模型402以基於產品3D設計影像406而產生經模擬影像408，如圖4B中所展示。相反地，訓練/產生深度學習預測模型402可包含教示深度學習預測模型402以基於產品影像235而產生經模擬3D設計影像410，如圖4C中所展示。就此而言，深度學習預測模型402可包含經組態以產生經模擬影像408及/或經模擬3D設計影像410之任何演算法、分類器或預測模型。此將在本文中進一步詳細地經論述。
圖4B圖解說明根據本發明之一或多個實施例之經組態以基於一樣品220之產品3D設計影像406而產生樣品220之經模擬影像408之一經訓練深度學習預測模型402之一流程圖401。
在一項實施例中，在已訓練深度學習預測模型402之後，控制器204可經組態以接收一樣品220之一或多個特徵之一或多個產品3D設計影像406。如本文中所使用，術語「產品」(例如，「產品」 3D設計影像406、「產品」影像435)可用於係指不用於訓練深度學習預測模型402之設計影像/資料及/或影像。更具體而言，產品3D設計影像406可係指其中期望經模擬影像408之一製作/表徵程序之一產品樣品220之設計資料/影像。舉例而言，產品3D設計影像406可包含將在一製作程序中製作之一預期樣品220之設計影像。如先前所述，一或多個產品3D設計影像406可儲存於記憶體208中，使得控制器204經組態以自記憶體208接收及/或擷取一或多個產品3D設計影像410。
在實施例中，樣品220之一或多個特徵可包含可在一樣品220製作/表徵程序中受關注之任何特徵，包含但不限於經圖案化結構、缺陷、高縱橫比(HAR)結構、臨界尺寸(CD)結構及諸如此類。舉例而言，當設計將製作之一樣品220時，一程序工程師可知曉可能在製作樣品220期間形成之一缺陷之相對位置、類型及粗略結構。為了預測可能缺陷之光學及/或SEM影像可看起來像什麼以便在形成之後更高效地識別缺陷，程序工程師可以各種深度產生可能缺陷之產品3D設計影像406。此等產品3D設計影像406然後可輸入至深度學習預測模型402。
在另一實施例中，控制器204經組態以利用深度學習預測模型402基於一或多個3D產品設計影像而產生樣品220之一或多個特徵之一或多個經模擬影像408。舉例而言，繼續上文之同一實例，一未來樣品220內之一可能缺陷(例如，特徵)之一或多個產品3D設計影像406可輸入至深度學習預測模型402。控制器204可經組態以接收該可能缺陷之此等產品3D設計影像406，且利用深度學習預測模型402產生該可能缺陷(例如，特徵)之一或多個經模擬影像408。就此而言，一使用者可能夠將經模擬影像408內之各種可能缺陷之強度視覺化。在實施例中，深度學習預測模型402可經組態以產生該可能缺陷之經模擬SEM影像(例如，經模擬SEM影像408)及/或該可能缺陷之經模擬光學影像(例如，經模擬光學影像408)。控制器204可經組態以將一或多個經模擬影像408儲存於記憶體208中。
在實施例中，由深度學習預測模型402產生之經模擬影像408 (例如，經模擬SEM影像408、經模擬光學影像408)可用作用於後續表徵、檢驗及偵測之參考影像。舉例而言，藉由產生一缺陷之經模擬影像408，一使用者及/或系統200可經組態以辨識/識別該缺陷之可能特性(例如，缺陷強度、缺陷大小及諸如此類)。當隨後檢驗一樣品220時，系統200可經組態以基於在經模擬影像408內識別之缺陷之已知可能特性而更迅速地且高效地識別該缺陷。此外，藉由使用經模擬影像408作為參考影像，控制器204可經組態以識別經最佳化以在後續檢驗中表徵缺陷的表徵子系統202之缺陷成像條件。控制器204可產生經組態以選擇性地調整表徵子系統202之一或多個特性以便達成所識別缺陷成像條件之一或多個控制信號。
在另一實施例中，控制器204經組態以基於一或多個經模擬影像408而判定樣品220之一或多個特性。繼續上文之同一實例，控制器204可經組態以基於所產生經模擬SEM影像408及/或所產生經模擬光學影像408而判定未來樣品220之可能缺陷(例如，特徵)之一或多個特性。可基於經模擬影像408而判定的樣品220之特性及/或樣品220之特徵可包含此項技術中已知之一樣品220之任一特性，包含但不限於樣品220內之一缺陷之一位置、樣品220內之缺陷之一類型、樣品220之一材料及樣品220之一表面及/或圖案之一形貌量測及諸如此類。
如先前所述，基於蒙地卡羅模擬之傳統模型化技術可不能夠基於透過該蒙地卡羅模擬產生之經模擬影像而判定一樣品之材料特性。相比之下，本發明之機器學習技術可使得能夠基於由深度學習預測模型402產生之經模擬影像408及/或經模擬3D設計影像410而進行材料特性判定。
在另一些實施例中，控制器204可經組態以自適應地修改樣品220之一或多個產品3D設計影像406之一或多個特性以產生一或多個經修改產品3D設計影像。舉例而言，在其中一或多個產品3D設計影像406包含將製作之一樣品220內之可能缺陷之設計資料之情形中，控制器204可利用自經模擬影像408收集之資訊來自適應地修改產品3D設計影像406以便產生一或多個經修改產品3D設計影像。藉由在製作之前修改一樣品220之3D設計影像/資料，可在製作期間修改樣品220之各種特徵及特性。例如，在製作之前修改一樣品220之3D設計影像/資料可允許系統200減少樣品220內之缺陷之數目、減小樣品220內之缺陷之大小、修改樣品220內之缺陷之特性使得該等缺陷更容易識別及諸如此類。
在某些實施例中，控制器204可進一步經組態以產生經組態以致使製作工具基於經修改產品3D設計影像而製作一樣品220之控制信號。舉例而言，參考圖3A至圖3B，系統200可進一步包含通信地耦合至控制器204之一或多個製作工具。該一或多個製作工具可包含經組態以製作一樣品220之此項技術中已知之任何製作工具，包含但不限於一微影工具、一蝕刻工具、一沈積工具、一拋光工具及諸如此類。繼續同一實例，控制器204可經組態以產生經組態以致使製作工具基於儲存於記憶體208中之經修改產品3D設計影像而製作一樣品220之一或多個控制信號。
在本文中應注意，經模擬SEM影像408之產生可達成經改良SEM與設計對準。特定而言，藉由基於產品3D設計影像406而產生經模擬SEM影像408，控制器204可經組態以比原本關於非經模擬SEM影像而可能實現的定向及對準更高效地定向且對準經模擬SEM影像408與產品3D設計影像406。就此而言，本發明之實施例可使得在經模擬SEM影像408中所識別的樣品220之特徵之特性能夠映射至產品3D設計影像內之各別位置。此外，本發明之實施例可達成更準確臨界尺寸(CD)疊對。
在額外及/或替代實施例中，控制器204可經組態以執行蒙地卡羅模擬以便評估深度學習預測模型402之一準確度，及/或驗證非經模擬SEM影像對於其不可用之所得經模擬SEM影像408。舉例而言，如圖4B中所展示，控制器204可經組態以經由深度學習預測模型402依據一或多個產品3D設計影像406產生一或多個經模擬SEM影像408。隨後，控制器204可經組態以對與樣品220之一或多個特徵對應之一或多個產品3D設計影像執行一或多個蒙地卡羅模擬以產生一或多個比較影像(例如，比較SEM影像)。控制器204然後可經組態以藉由比較由深度學習預測模型402產生之一或多個經模擬SEM影像408與由蒙地卡羅模擬產生之一或多個比較SEM影像而判定深度學習預測模型402之一準確度度量。
除了基於產品3D設計影像406而產生經模擬影像408，如圖4B中所展示，亦可訓練深度學習預測模型402以基於產品影像235而產生經模擬3D設計影像410。可參考圖4C進一步理解此。
圖4C圖解說明根據本發明之一或多個實施例之經組態以基於一樣品220之產品影像235而產生經模擬3D設計影像410之一經訓練深度學習預測模型402之一流程圖403。
在一項實施例中，控制器204經組態以自表徵子系統202接收一樣品220之一或多個特徵之一或多個產品影像235。舉例而言，如圖3A中所展示，控制器204可經組態以自光學表徵子系統202a接收樣品220之一或多個特徵之一或多個光學產品影像235。藉由另一實例之方式，如圖3B中所展示，控制器204可經組態以自SEM表徵子系統202b接收樣品220之一或多個特徵之一或多個SEM產品影像235。就此而言，圖4C中所繪示之產品影像235可包含一光學產品影像225、一SEM產品影像225及諸如此類。在額外及/或替代實施例中，控制器204可經組態以自除一或多個表徵子系統202以外之一源接收一或多個產品影像235。舉例而言，控制器204可經組態以自一外部儲存裝置接收一樣品220之特徵之一或多個產品影像235。在另一實施例中，控制器204可進一步經組態以將所接收訓練影像225儲存於記憶體208中。
在另一實施例中，控制器204經組態以利用深度學習預測模型402基於一或多個產品影像235而產生樣品220之一或多個特徵之一或多個經模擬3D設計影像410。舉例而言，一或多個產品影像235可包含一樣品220內之一缺陷之影像。控制器204可經組態以接收缺陷之此等產品影像235，且利用深度學習預測模型402產生缺陷(例如，特徵)之一或多個經模擬3D設計影像410。就此而言，可針對其中不存在相關聯設計資料之產品影像235創建設計資料/影像。如本文中先前所述，基於蒙地卡羅模擬之傳統模型化技術不能夠基於光學及/或SEM影像而重新創建設計資料/影像。就此而言，本發明之系統200可使得能夠依據影像重新創建3D設計資料，此關於當前可用技術係不可行的。
如本文中先前關於圖4B中之經模擬影像408所述，控制器204可進一步經組態以基於經模擬3D設計影像410而判定樣品220之一或多個特性。另外，經模擬3D設計影像410亦可用於自適應地修改系統200之一或多個特性。此外，控制器204可經組態以產生經組態以致使一或多個製作工具基於所產生經模擬3D設計影像410而製作一樣品220之一或多個控制信號。
如本文中先前所述，深度學習預測模型402可包含此項技術中已知之任一類型之機器學習演算法/分類器及/或深度學習技術或分類器，包含但不限於一條件生成對抗網路(CGAN)、一卷積類神經網路(CNN) (例如，GoogleNet、AlexNet及諸如此類)、一整體學習分類器、一隨機森林分類器、人工類神經網路(ANN)及諸如此類。可參考圖5進一步理解包含一CGAN之一深度學習預測模型402。
圖5圖解說明根據本發明之一或多個實施例之用於訓練包含一條件生成對抗網路(CGAN)之一深度學習預測模型402之一流程圖。
在實施例中，一CGAN (例如，深度學習預測模型402)可包含但不限於一產生器412及一鑑別器414。在實施例中，產生器412可經組態以產生經模擬訓練影像416 (例如，「偽」影像)。相反地，鑑別器414可經組態以接收一訓練3D設計影像404及一訓練影像235 (例如，一樣品220之「真」影像)或一經模擬訓練影像416 (例如，「偽」影像)且判定與訓練3D設計影像404相關聯之影像是真還是偽。「真」或「偽」之判定可稱為「鑑別器輸出」。就此而言，訓練CGAN (例如，深度學習預測模型402)可涉及訓練鑑別器414在識別偽影像中變得更準確，而且訓練產生器412以產生更逼真「偽」影像從而「欺騙」鑑別器414。由於鑑別器414在於真影像(例如，訓練影像235)與偽影像(例如，經模擬訓練影像416)之間進行解密方面變得更好，因此產生器412必須在產生更逼真經模擬訓練影像416方面變得更好。在已充分地訓練產生器412之後，經模擬訓練影像416可作為圖4B中所圖解說明之經模擬影像408而自深度學習預測模型402輸出。
因此，在某些實施例中，CGAN之產生器412可經組態以基於一樣品220之一或多個特徵之一或多個訓練3D設計影像404而產生一或多個經模擬影像408。隨後，控制器204可經組態以基於一或多個訓練3D設計影像404、一或多個訓練影像235及一或多個經模擬訓練影像408而訓練CGAN之鑑別器414。訓練鑑別器414可包含訓練鑑別器414以產生更準確鑑別器輸出(例如，「真」、「偽」)。 由於鑑別器414在識別「偽」經模擬訓練影像416中變得更高效，因此產生器412亦可在產生更逼真經模擬訓練影像416中變得更高效。就此而言，可據稱，基於鑑別器輸出而「訓練」產生器412。因此，在某些實施例中，藉由訓練鑑別器414以產生更準確鑑別器輸出，控制器204可進一步經組態以基於鑑別器414之一或多個鑑別器輸出而訓練CGAN之產生器412。在訓練產生器412之後，產生器412可經組態以基於一或多個產品3D設計影像406而產生樣品220之一或多個特徵之一或多個經模擬影像408，如圖4B中所展示。
圖6圖解說明根據本發明之一或多個實施例之用於自適應地修改用以在一樣品製作程序內利用一深度學習預測模型藉助一製作程序製作一樣品的3D設計影像/檔案之一流程圖600。
在一步驟602中，形成3D設計影像/檔案。舉例而言，可在具有或不具有來自一使用者之輸入之情況下由一控制器204形成3D設計影像。可將此等3D設計影像儲存於記憶體208中。
在一步驟604中，製作一或多個樣品。可基於在步驟602中產生之3D設計影像/檔案而製作該一或多個樣品。在本文中應注意，可藉由此項技術中已知之任何製作程序或製作工具(包含但不限於一微影工具、一蝕刻工具、一沈積工具、一拋光工具及諸如此類)實施一或多個樣品之製作。
在一步驟606中，檢驗/再檢測一或多個所製作樣品。可經由此項技術中已知之任一表徵工具(包含但不限於一光學表徵工具(例如，光學表徵子系統202a)、一SEM表徵工具(例如，SEM表徵子系統202b)及諸如此類)檢驗/再檢測該一或多個樣品。
在一步驟602中，訓練一深度學習預測模型。舉例而言，控制器204可經組態以自檢驗/再檢測程序接收3D設計影像(例如，訓練3D設計影像404)及一或多個訓練影像235以訓練一深度學習預測模型402。
在訓練深度學習預測模型402之後，控制器204可經組態以自適應地修改3D設計影像及/或製作程序。舉例而言，在訓練深度學習預測模型402之後，深度學習預測模型402可經組態以基於經模擬3D設計影像410而判定樣品220之一或多個特性。控制器204可經組態以自適應地修改樣品220之一或多個產品3D設計影像406之一或多個特性以產生一或多個經修改產品3D設計影像。舉例而言，在其中一或多個產品3D設計影像406包含將製作之一樣品220內之可能缺陷之設計資料之情形中，控制器204可利用自經模擬影像208收集之資訊來自適應地修改產品3D設計影像406以便產生一或多個經修改產品3D設計影像。藉由在製作之前修改一樣品220之3D設計影像/資料，可在製作期間修改樣品220之各種特徵及特性。例如，在製作之前修改一樣品220之3D設計影像/資料可允許系統200減少樣品220內之缺陷之數目、減小樣品220內之缺陷之大小、修改樣品220內之缺陷之特性，使得該等缺陷更容易識別及諸如此類。
另外，經模擬3D設計影像410亦可用於自適應地修改系統200之一或多個特性。舉例而言，在訓練深度學習預測模型402之後，控制器204可進一步經組態以產生經組態以致使製作工具基於經修改產品3D設計影像及/或經模擬3D設計影像410而製作一樣品220之控制信號。
在本文中應注意，系統200之一或多個組件可以此項技術中已知之任一方式通信地耦合至系統200之各種其他組件。舉例而言，一或多個處理器206可經由一有線(例如，銅線、光纖電纜及諸如此類)或無線連接(例如，RF耦合、IR耦合、WiMax、藍芽、3G、4G、4G LTE、5G及諸如此類)通信地耦合至彼此及其他組件。藉由另一實例之方式，控制器204可經由此項技術中已知之任一有線或無線連接通信地耦合至表徵子系統202之一或多個組件。
在一項實施例中，一或多個處理器206可包含此項技術中已知之任何一或多個處理元件。在此意義上，一或多個處理器206可包含經組態以執行軟體演算法及/或指令之任何微處理器類型裝置。在一項實施例中，一或多個處理器206可由一桌上型電腦、主機電腦系統、工作站、影像電腦、平行處理器或經組態以執行經組態以如本發明通篇中所闡述而操作系統200之一程式之其他電腦系統(例如，聯網電腦)組成。應認識到，本發明通篇中所闡述之步驟可由一單個電腦系統或替代地多個電腦系統執行。此外，應認識到，可對一或多個處理器206中之任何一或多者實施本發明通篇中所闡述之步驟。一般而言，術語「處理器」可經廣義地定義以囊括具有一或多個處理元件之任一裝置，該一或多個處理元件執行來自記憶體208之程式指令。此外，系統200之不同子系統(例如，照明源212、電子束源228、偵測器總成226、電子偵測器總成234、控制器204、使用者介面210及諸如此類)可包含適合用於實施本發明通篇中所闡述之步驟之至少一部分之處理器或邏輯元件。因此，以上說明不應解釋為對本發明之一限制而僅係一圖解說明。
記憶體208可包含適合用於儲存可由相關聯之一或多個處理器206執行之程式指令及自表徵子系統202接收之資料之此項技術中已知之任何儲存媒體。舉例而言，記憶體208可包含一非暫時性記憶體媒體。例如，記憶體208可包含但不限於一唯讀記憶體(ROM)、一隨機存取記憶體(RAM)、一磁性或光學記憶體裝置(例如，磁碟)、一磁帶、一固態磁碟機及諸如此類。應進一步注意，記憶體208可與一或多個處理器206一起裝納於一共同控制器殼體中。在一替代實施例中，記憶體208可相對於處理器206、控制器204及諸如此類之實體位置遠端地定位。在另一實施例中，記憶體208維持用於致使一或多個處理器206實施本發明通篇中所闡述之各個步驟之程式指令。
在一項實施例中，一使用者介面210通信地耦合至控制器204。在一項實施例中，使用者介面210可包含但不限於一或多個桌上型電腦、平板電腦、智慧型電話、智慧型手錶或諸如此類。在另一實施例中，使用者介面210包含用於向一使用者顯示系統200之資料之一顯示器。使用者介面210之顯示器可包含此項技術中已知之任何顯示器。舉例而言，顯示器可包含但不限於一液晶顯示器(LCD)、一基於有機發光二極體(OLED)之顯示器或一CRT顯示器。熟習此項技術者應認識到，能夠與一使用者介面210整合在一起之任何顯示器裝置適合用於在本發明中實施。在另一實施例中，一使用者可回應於顯示給該使用者之資料而經由使用者介面210之一使用者輸入裝置輸入選擇及/或指令。
圖7圖解說明根據本發明之一或多個實施例之用於利用一深度學習預測模型402基於三維設計影像406而產生經模擬影像408之一方法700之一流程圖。在本文中應注意，方法700之步驟可全部或部分地由系統200實施。然而，進一步認識到，方法700不限於系統200，此乃因額外或替代系統層級實施例可實施方法700之步驟之所有或部分。
在一步驟702中，利用一表徵子系統獲取一樣品之一或多個特徵之一或多個訓練影像。舉例而言，如圖3A中所展示，控制器204可經組態以自光學表徵子系統202a接收樣品220之一或多個特徵之一或多個光學訓練影像225。藉由另一實例之方式，如圖3B中所展示，控制器204可經組態以自SEM表徵子系統202b接收樣品220之一或多個特徵之一或多個SEM訓練影像225。
在一步驟704中，接收樣品之一或多個特徵之一或多個訓練三維(3D)設計影像。舉例而言，一或多個訓練3D設計影像404可儲存於記憶體208中，使得控制器204經組態以自記憶體208接收及/或擷取一或多個訓練3D設計影像404。
在一步驟706中，基於一或多個訓練影像及一或多個訓練3D設計影像而產生一深度學習預測模型。舉例而言，一或多個訓練影像225及一或多個訓練3D設計影像404可用作輸入以訓練深度學習預測模型402。深度學習預測模型402可包含此項技術中已知之任一類型之機器學習演算法/分類器及/或深度學習技術或分類器，包含但不限於一條件生成對抗網路(CGAN)、一卷積類神經網路(CNN) (例如，GoogleNet、AlexNet及諸如此類)、一整體學習分類器、一隨機森林分類器、人工類神經網路(ANN)及諸如此類。
在一步驟708中，接收一樣品之一或多個特徵之一或多個產品3D影像。舉例而言，如圖3A中所展示，控制器204可經組態以接收樣品220之一或多個特徵之一或多個產品3D設計影像406。
在一步驟710中，利用深度學習預測模型基於一或多個產品3D設計影像而產生樣品之一或多個特徵之一或多個經模擬3D設計影像。舉例而言，控制器204可經組態以接收一可能缺陷之一或多個產品3D設計影像406，且利用深度學習預測模型402產生該可能缺陷(例如，特徵)之一或多個經模擬影像408。
在一步驟712中，基於一或多個經模擬影像而判定樣品之一或多個特性。舉例而言，繼續同一實例，控制器204可經組態以基於所產生經模擬SEM影像408及/或所產生經模擬光學影像408而判定未來樣品220之可能缺陷(例如，特徵)之一或多個特性。可基於經模擬影像408而判定的樣品220之特性及/或樣品220之特徵可包含此項技術中已知之一樣品之任一特性，包含但不限於樣品220內之一缺陷之一位置、樣品220內之缺陷之一類型、樣品220之一材料及樣品220之一表面及/或圖案之一形貌量測及諸如此類。
圖8圖解說明根據本發明之一或多個實施例之用於利用一深度學習預測模型402基於三維設計影像406而產生經模擬影像408之一方法700之一流程圖。在本文中應注意，方法700之步驟可全部或部分地由系統200實施。然而，進一步認識到，方法700不限於系統200，此乃因額外或替代系統層級實施例可實施方法700之步驟之所有或部分。
在一步驟802中，利用一表徵子系統獲取一樣品之一或多個特徵之一或多個訓練影像。舉例而言，如圖3A中所展示，控制器204可經組態以自光學表徵子系統202a接收樣品220之一或多個特徵之一或多個光學訓練影像225。藉由另一實例之方式，如圖3B中所展示，控制器204可經組態以自SEM表徵子系統202b接收樣品220之一或多個特徵之一或多個SEM訓練影像225。
在一步驟804中，接收樣品之一或多個特徵之一或多個訓練三維(3D)設計影像。舉例而言，一或多個訓練3D設計影像404可儲存於記憶體208中，使得控制器204經組態以自記憶體208接收及/或擷取一或多個訓練3D設計影像404。
在一步驟806中，基於一或多個訓練影像及一或多個訓練3D設計影像而產生一深度學習預測模型。舉例而言，一或多個訓練影像225及一或多個訓練3D設計影像404可用作輸入以訓練深度學習預測模型402。深度學習預測模型402可包含此項技術中已知之任一類型之機器學習演算法/分類器及/或深度學習技術或分類器，包含但不限於一條件生成對抗網路(CGAN)、一卷積類神經網路(CNN) (例如，GoogleNet、AlexNet及諸如此類)、一整體學習分類器、一隨機森林分類器、人工類神經網路(ANN)及諸如此類。
在一步驟808中，接收一樣品之一或多個特徵之一或多個產品影像。舉例而言，如圖3A中所展示，控制器204可經組態以自光學表徵子系統202a接收樣品220之一或多個特徵之一或多個光學產品影像235。藉由另一實例之方式，如圖3B中所展示，控制器204可經組態以自SEM表徵子系統202b接收樣品220之一或多個特徵之一或多個SEM產品影像235。
在一步驟810中，利用深度學習預測模型基於一或多個產品影像而產生樣品之一或多個特徵之一或多個經模擬3D設計影像。舉例而言，控制器204可經組態以接收一可能缺陷之一或多個產品影像235，且利用深度學習預測模型402產生該可能缺陷(例如，特徵)之一或多個經模擬3D設計影像410。
在一步驟812中，基於一或多個經模擬3D設計影像而判定樣品之一或多個特性。舉例而言，繼續同一實例，控制器204可經組態以基於所產生經模擬SEM影像408及/或所產生經模擬光學影像408而判定未來樣品220之可能缺陷(例如，特徵)之一或多個特性。可基於經模擬影像408而判定的樣品220之特性及/或樣品220之特徵可包含此項技術中已知之一樣品之任一特性，包含但不限於樣品220內之一缺陷之一位置、樣品220內之缺陷之一類型、樣品220之一材料及樣品220之一表面及/或圖案之一形貌量測及諸如此類。
熟習此項技術者將認識到，本文中所揭示之組件(例如，操作)、裝置、物件及伴隨其等之論述為了概念清晰而用作實例且預期各種組態修改。因此，如本文中所使用，所陳述之具體垯本及伴隨論述意欲表示其更一般類別。一般而言，所使用之任一具體範例意欲表示其類別，且未包含之具體組件(例如，操作)、裝置及物件不應被視為限制性的。
熟習此項技術者將瞭解，存在本文中所闡述之程序及/或系統及/或其他技術可受其影響的各種載具(例如，硬體、軟體及/或韌體)，且較佳載具將隨其中部署程序及/或系統及/或其他技術之內容脈絡而變化。舉例而言，若一實施者判定速度及準確度係最重要的，則該實施者可選擇一主要硬體及/或韌體載具；替代地，若靈活性係最重要的，則該實施者可選擇一主要軟體實施方案；或者，再替代地，該實施者可選擇硬體、軟體及/或韌體之某一組合。因此，存在本文中闡述之程序及/或裝置及/或其他技術可受其影響之數個可能載具，該等載具中無一者固有地優於另一者，此乃因待利用之任一載具係取決於其中將部署該載具之內容脈絡及實施者之特定關注問題(例如，速度、靈活性或可預測性) (其中任一者可變化)的一選擇。
提供先前說明以使得熟習此項技術者能夠製成並使用如在一特定申請案及其要求之內容脈絡中提供之本發明。如本文中所使用，諸如「頂部」、「底部」、「上方」、「下方」、「上部」、「向上」、「下部」、「沿…向下」及「向下」等方向性術語意欲出於闡述目的提供相對位置，而非意欲指定一絕對參考系。熟習此項技術者將明瞭對所闡述實施例之各種修改，且本文中所定義之一般原理可應用於其他實施例。因此，本發明不意欲受限於所展示及所闡述之特定實施例，而是將給予其與本文中所揭示之原理及新穎特徵一致之最寬範疇。
關於本文中實質上任何複數及/或單數術語之使用，熟習此項技術者可在適於內容脈絡及/或應用時自複數轉變成單數及/或自單數轉變成複數。為清晰起見，在本文中明確地陳述各種單數/複數排列。
本文中所闡述之所有方法可包含將方法實施例之一或多個步驟之結果儲存於記憶體中。該等結果可包含本文中所闡述之結果中之任一者且可以此項技術中已知之任何方式儲存。該記憶體可包含本文中所闡述之任何記憶體或此項技術中已知之任何其他適合儲存媒體。在已儲存該等結果之後，該等結果可在記憶體中經存取及由本文中所闡述之方法或系統實施例中之任一者使用、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，及諸如此類。此外，可「永久地」、「半永久地」、「暫時地」或在某一段時間內儲存該等結果。舉例而言，該記憶體可係隨機存取記憶體(RAM)，且該等結果可未必無限期地存留於該記憶體中。
進一步預期，上文所闡述之方法之實施例中之每一者可包含本文中所闡述之任一(任何)其他方法之任一(任何)其他步驟。另外，上文所闡述之方法之實施例中之每一者可由本文中所闡述之系統中之任一者執行。
本文中所闡述之標的物有時圖解說明含於其他組件內或與其他組件連接之不同組件。應理解，此等所繪示架構僅係例示性的，且事實上可實施達成相同功能性之諸多其他架構。在一概念意義上，達成相同功能性之任一組件配置係有效地「相關聯」使得達成所要功能性。因此，可將本文中經組合以達成一特定功能性之任何兩個組件視為彼此「相關聯」使得達成所要功能性，而無論架構或中間組件如何。同樣地，如此相關聯之任何兩個組件亦可被視為彼此「連接」或「耦合」以達成所要功能性，且能夠如此相關聯之任何兩個組件亦可被視為彼此「可耦合」以達成所要功能性。可耦合之特定實例包括但不限於可實體配合及/或實體相互作用之組件及/或可以無線方式相互作用及/或以無線方式相互作用之組件及/或以邏輯方式相互作用及/或可以邏輯方式相互作用之組件。
此外，應理解，本發明由隨附申請專利範圍界定。熟習此項技術者將理解，一般而言，本文中所使用及尤其在隨附申請專利範圍(例如，隨附申請專利範圍之主體)中所使用之術語一般意欲為「開放式」術語(例如，術語「包含(including)」應解釋為「包含但不限於」，術語「具有(having)」應解釋為「至少具有」，術語「包含(includes)」應解釋為「包含但不限於」，及諸如此類)。熟習此項技術者將進一步理解，若意圖一所引入請求項敘述有一特定數目，則將在請求項中明確地敘述此一意圖，且在無此敘述之情況下，不存在此意圖。舉例而言，為了幫助理解，以下隨附申請專利範圍可含有引導片語「至少一個(at least one)」及「一或多個(one或more)」之使用以引入請求項敘述。然而，此等片語之使用不應解釋為暗指藉由不定冠詞「一(a或an)」引入之一請求項敘述限制含有此所引入請求項敘述之任一特定請求項為僅含有一個此敘述之發明，甚至當相同請求項包含引導片語「一或多個」或「至少一個」且諸如「一(a或an)」之不定冠詞(例如，「一(a及/或an)」應通常解釋為意指「至少一個」或「一或多個」)；對於用於引入請求項敘述之定冠詞之使用亦如此。另外，即使明確地敘述一所引入請求項敘述之一特定數目，熟習此項技術者亦將認識到，此敘述通常應解釋為意指至少所敘述之數目(例如，「兩個敘述」之明瞭敘述，而無其他修飾語，通常意指至少兩個敘述，或兩個或兩個以上敘述)。此外，在其中使用類似於「A、B及C中之至少一者及諸如此類」之一慣例之彼等例項中，一般而言，此一構造意欲指熟習此項技術者將理解該慣例之含義(例如，「具有A、B及C中之至少一者之一系統」將包含但不限於僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C等等之系統)。在其中使用類似於「A、B或C中之至少一者及諸如此類」之一慣例之彼等例項中，一般而言，此一構造意欲指熟習此項技術者將理解該慣例之含義(例如，「具有A、B或C中之至少一者之一系統」將包含但不限於僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C等等之系統)。熟習此項技術者將進一步理解，呈現兩個或兩個以上替代術語之實際上任一轉折字及/或片語(無論是在說明書中、申請專利範圍還是圖式中)皆應被理解為涵蓋包含該等術語中之一者、該等術語中之任一者或兩個術語之可能性。舉例而言，片語「A或B」將被理解為包含「A」或「B」或「A及B」之可能性。
據信，藉由前述說明將理解本發明及其諸多伴隨優點，且將明瞭，可在組件之形式、構造及配置方面作出各種改變，此並不背離所揭示標的物或不會犧牲所有其實質優點。所闡述之形式僅係解釋性的，且隨附申請專利範圍之意圖係囊括並包含此類改變。此外，應理解，本發明由隨附申請專利範圍界定。
100:流程圖 102:三維設計影像/三維設計檔案 104:蒙地卡羅模擬 106:經模擬掃描電子顯微鏡法影像 200:系統 201:照明 202:表徵子系統/光學表徵子系統/掃描電子顯微鏡法表徵子系統 202a:光學表徵子系統/表徵子系統 202b:掃描電子顯微鏡法表徵子系統 204:控制器 206:處理器 208:記憶體 210:使用者介面 211:照明臂 212:照明源 213:收集臂 214:光學元件 216:分束器 218:物鏡 220:樣品/未來樣品 222:載台總成 224:光學元件 225:訓練影像/光學訓練影像/掃描電子顯微鏡法訓練影像 226:偵測器總成 228:電子束源 229:電子束 230:電子-光學元件 231:二次電子/背向散射電子 232:電子-光學元件 234:電子偵測器總成/偵測器總成 235:產品影像/光學產品影像/掃描電子顯微鏡法產品影像 236:電子感測器/感測器 400:流程圖 401:流程圖 402:深度學習預測模型 403:流程圖 404:訓練三維設計影像 406:產品三維設計影像/三維設計影像 408:經模擬影像/經模擬掃描電子顯微鏡法影像/經模擬光學影像 412:產生器 414:鑑別器 416:經模擬訓練影像 600:流程圖 602:步驟 604:步驟 606:步驟 700:方法 702:步驟 704:步驟 706:步驟 708:步驟 710:步驟 712:步驟 802:步驟 804:步驟 806:步驟 808:步驟 810:步驟 812:步驟
熟習此項技術者可藉由參考附圖更好地理解本發明之眾多優點，在附圖中：
圖1圖解說明用於使用蒙地卡羅模擬產生一樣品之經模擬SEM影像之一流程圖。
圖2圖解說明根據本發明之一或多個實施例之用於利用機器學習技術表徵一樣品以產生該樣品之經模擬影像之一系統。
圖3A圖解說明根據本發明之一或多個實施例之用於利用機器學習技術表徵一樣品以產生該樣品之經模擬影像之一系統。
圖3B圖解說明根據本發明之一或多個實施例之用於利用機器學習技術表徵一樣品以產生該樣品之經模擬影像之一系統。
圖4A圖解說明根據本發明之一或多個實施例之用於訓練一深度學習預測模型之一流程圖。
圖4B圖解說明根據本發明之一或多個實施例之經組態以基於一樣品之產品三維設計影像而產生該樣品之經模擬影像之一經訓練深度學習預測模型之一流程圖。
圖4C圖解說明根據本發明之一或多個實施例之經組態以基於一樣品之產品影像而產生該樣品之經模擬三維設計影像之一經訓練深度學習預測模型之一流程圖。
圖5圖解說明根據本發明之一或多個實施例之用於訓練包含一條件生成對抗網路(CGAN)之一深度學習預測模型之一流程圖。
圖6圖解說明根據本發明之一或多個實施例之用於自適應地修改用以利用一深度學習預測模型藉助一製作程序製作一樣品的三維設計影像之一流程圖。
圖7圖解說明根據本發明之一或多個實施例之用於利用一深度學習預測模型基於三維設計影像而產生經模擬影像之一方法之一流程圖。
圖8圖解說明根據本發明之一或多個實施例之用於利用一深度學習預測模型基於掃描電子顯微鏡法(SEM)影像而產生經模擬三維設計影像之一方法之一流程圖。
200:系統
201:照明
202:表徵子系統/光學表徵子系統/掃描電子顯微鏡法表徵子系統
204:控制器
206:處理器
208:記憶體
210:使用者介面

Claims (20)

  1. 一種用於表徵一樣品之系統，其包括： 一表徵子系統，其經組態以獲取一樣品之一或多個影像；及 一控制器，其通信地耦合至該表徵子系統，該控制器包含經組態以執行儲存於記憶體中之一組程式指令之一或多個處理器，該組程式指令經組態以致使該一或多個處理器： 自該表徵子系統接收一樣品之一或多個特徵之一或多個訓練影像； 接收與該樣品之該一或多個特徵對應之一或多個訓練三維(3D)設計影像； 基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型； 接收一樣品之一或多個特徵之一或多個產品3D設計影像； 利用該深度學習預測模型基於該一或多個產品3D設計影像而產生該樣品之該一或多個特徵之一或多個經模擬影像；且 基於該一或多個經模擬影像而判定該樣品之一或多個特性。
  2. 如請求項1之系統，其中該樣品之該一或多個特徵之該一或多個訓練影像或該樣品之該一或多個特徵之該一或多個經模擬影像中之至少一者包括該樣品之一光學影像。
  3. 如請求項1之系統，其中該樣品之該一或多個特徵之該一或多個訓練影像或該樣品之該一或多個特徵之該一或多個經模擬影像中之至少一者包括該樣品之一掃描電子顯微鏡法(SEM)影像。
  4. 如請求項1之系統，其中該深度學習預測模型包括一條件生成對抗網路(CGAN)。
  5. 如請求項4之系統，其中該一或多個處理器進一步經組態以： 利用該CGAN之一產生器基於該一或多個訓練3D設計影像而產生一或多個經模擬訓練影像；且 基於該一或多個訓練影像、該一或多個訓練3D設計影像及該一或多個經模擬訓練影像而訓練該CGAN之一鑑別器。
  6. 如請求項5之系統，其中該一或多個處理器進一步經組態以基於該鑑別器之一或多個鑑別器輸出而訓練該CGAN之該產生器。
  7. 如請求項5之系統，其中利用該深度學習預測模型基於該一或多個產品三維設計影像而產生該樣品之該一或多個特徵之該一或多個經模擬影像包括： 利用該CGAN之產生器模型基於該一或多個產品3D設計影像而產生該樣品之該一或多個特徵之該一或多個經模擬影像。
  8. 如請求項1之系統，其中該樣品之該一或多個特性包括以下各項中之至少一者：該樣品內之一缺陷之一位置、該樣品內之缺陷之一類型、該樣品之一材料及該樣品之一表面之一形貌量測。
  9. 如請求項1之系統，其中該一或多個處理器進一步經組態以： 自適應地修改該樣品之該一或多個產品3D設計影像之一或多個特性以產生一或多個經修改產品3D設計影像。
  10. 如請求項9之系統，其進一步包括通信地耦合至該控制器之一或多個製作工具，其中該控制器之該一或多個處理器進一步經組態以： 產生經組態以致使該一或多個製作工具基於該一或多個經修改產品3D設計影像而製作一產品樣品的一或多個控制信號。
  11. 如請求項1之系統，其中該一或多個處理器進一步經組態以： 對與該樣品之該一或多個特徵對應之該一或多個產品3D設計影像執行一或多個蒙地卡羅模擬以產生一或多個比較影像；且 藉由比較由該深度學習預測模型產生之該一或多個經模擬影像與該一或多個比較影像而判定該深度學習預測模型之一準確度度量。
  12. 一種用於表徵一樣品之系統，其包括： 一控制器，其包含經組態以執行儲存於記憶體中之一組程式指令之一或多個處理器，該組程式指令經組態以致使該一或多個處理器： 接收一樣品之一或多個特徵之一或多個訓練影像； 接收與該樣品之該一或多個特徵對應之一或多個訓練三維(3D)設計影像； 至少基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型； 接收一樣品之一或多個特徵之一或多個產品3D設計影像； 利用該深度學習預測模型基於該一或多個產品3D設計影像而產生該樣品之該一或多個特徵之一或多個經模擬影像；且 基於該一或多個經模擬影像而判定該樣品之一或多個特性。
  13. 如請求項12之系統，其中該一或多個訓練影像係自經組態以獲取一樣品之一或多個影像之一表徵子系統接收的。
  14. 如請求項12之系統，其中該一或多個處理器進一步經組態以： 自適應地修改該樣品之該一或多個產品3D設計影像之一或多個特性以產生一或多個經修改產品3D設計影像。
  15. 如請求項14之系統，其進一步包括通信地耦合至該控制器之一或多個製作工具，其中該控制器之該一或多個處理器進一步經組態以： 產生經組態以致使該一或多個製作工具基於該一或多個經修改產品3D設計影像而製作一產品樣品的一或多個控制信號。
  16. 如請求項12之系統，其中該深度學習預測模型包括一條件生成對抗網路(CGAN)。
  17. 一種用於表徵一樣品之系統，其包括： 一表徵子系統，其經組態以獲取一樣品之一或多個影像；及 一控制器，其通信地耦合至該表徵子系統，該控制器包含經組態以執行儲存於記憶體中之一組程式指令之一或多個處理器，該組程式指令經組態以致使該一或多個處理器： 自該表徵子系統接收一樣品之一或多個特徵之一或多個訓練影像； 接收與該樣品之該一或多個特徵對應之一或多個訓練三維(3D)設計影像； 基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型； 接收一樣品之一或多個特徵之一或多個產品影像； 利用該深度學習預測模型基於該一或多個產品影像而產生該樣品之該一或多個特徵之一或多個經模擬3D設計影像；且 基於該一或多個經模擬3D設計影像而判定該樣品之一或多個特性。
  18. 一種用於表徵一樣品之系統，其包括： 一控制器，其包含經組態以執行儲存於記憶體中之一組程式指令之一或多個處理器，該組程式指令經組態以致使該一或多個處理器： 接收一樣品之一或多個特徵之一或多個訓練影像； 接收與該樣品之該一或多個特徵對應之一或多個訓練3D設計影像； 至少基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型； 接收一樣品之一或多個特徵之一或多個產品影像； 利用該深度學習預測模型基於該一或多個產品影像而產生該樣品之該一或多個特徵之一或多個經模擬3D設計影像；且 基於該一或多個經模擬3D設計影像而判定該樣品之一或多個特性。
  19. 一種用於表徵一樣品之方法，其包括： 利用一表徵子系統獲取一樣品之一或多個特徵之一或多個訓練影像； 接收該樣品之該一或多個特徵之一或多個訓練三維(3D)設計影像； 基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型； 接收一樣品之一或多個特徵之一或多個產品3D設計影像； 利用該深度學習預測模型基於該一或多個產品3D設計影像而產生該樣品之該一或多個特徵之一或多個經模擬影像；及 基於該一或多個經模擬影像而判定該樣品之一或多個特性。
  20. 一種用於表徵一樣品之方法，其包括： 利用一表徵子系統獲取一樣品之一或多個特徵之一或多個訓練影像； 接收該樣品之該一或多個特徵之一或多個訓練三維(3D)設計影像； 基於該一或多個訓練影像及該一或多個訓練3D設計影像而產生一深度學習預測模型； 接收一樣品之該一或多個特徵之一或多個產品影像； 利用該深度學習預測模型基於該一或多個產品影像而產生該樣品之該一或多個特徵之一或多個經模擬設計影像；及 基於該一或多個經模擬設計影像而判定該樣品之一或多個特性。
TW109122824A 2019-07-26 2020-07-06 使用三維設計用於呈現掃描電子顯微鏡法之影像及預測基板之缺陷成像條件之系統及方法 TW202119455A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
IN201941030221 2019-07-26
IN201941030221 2019-07-26
US16/564,981 US11880193B2 (en) 2019-07-26 2019-09-09 System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
US16/564,981 2019-09-09

Publications (1)

Publication Number Publication Date
TW202119455A true TW202119455A (zh) 2021-05-16

Family

ID=74187472

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109122824A TW202119455A (zh) 2019-07-26 2020-07-06 使用三維設計用於呈現掃描電子顯微鏡法之影像及預測基板之缺陷成像條件之系統及方法

Country Status (6)

Country Link
US (1) US11880193B2 (zh)
JP (1) JP2022542900A (zh)
KR (1) KR20220043139A (zh)
CN (1) CN114341929A (zh)
TW (1) TW202119455A (zh)
WO (1) WO2021021533A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11638938B2 (en) 2019-06-10 2023-05-02 Kla Corporation In situ process chamber chuck cleaning by cleaning substrate
JP2021026926A (ja) * 2019-08-07 2021-02-22 株式会社日立ハイテク 画像生成方法、非一時的コンピューター可読媒体、及びシステム
US11961219B2 (en) * 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
KR20220045499A (ko) * 2020-10-05 2022-04-12 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
US20220189806A1 (en) * 2020-12-16 2022-06-16 Samsung Electronics Co., Ltd. Estimating heights of defects in a wafer
EP4079272A1 (en) * 2021-04-23 2022-10-26 Ontex BV Systems and methods for detecting and processing absorbent article data in a production line
US20230143991A1 (en) * 2021-11-05 2023-05-11 Canon Medical Systems Corporation Pseudo-data generation apparatus, pseudo-data generation method, learning apparatus and learning method

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6782337B2 (en) * 2000-09-20 2004-08-24 Kla-Tencor Technologies Corp. Methods and systems for determining a critical dimension an a presence of defects on a specimen
US7027635B1 (en) 2001-12-10 2006-04-11 Kla-Tencor Technologies Corporation Multiple design database layer inspection
EP1563381A4 (en) * 2002-11-12 2009-10-28 Fei Co DEFECT ANALYZER
US8283071B2 (en) * 2003-11-21 2012-10-09 Eveready Battery Company, Inc. High discharge capacity lithium battery
US8041103B2 (en) 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
US20090116696A1 (en) * 2007-05-29 2009-05-07 Mckernan Steffen System, method and machine-readable medium for characterizing nanotube materials
US20090091566A1 (en) * 2007-10-05 2009-04-09 Turney Stephen G System and methods for thick specimen imaging using a microscope based tissue sectioning device
SG164292A1 (en) * 2009-01-13 2010-09-29 Semiconductor Technologies & Instruments Pte System and method for inspecting a wafer
US8175373B2 (en) 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
US8818072B2 (en) 2010-08-25 2014-08-26 Taiwan Semiconductor Manufacturing Company, Ltd. Rendered database image-to-inspection image optimization for inspection
US9528915B2 (en) * 2012-11-13 2016-12-27 Ues, Inc. Automated high speed metallographic system
CN106662439B (zh) * 2014-06-05 2019-04-09 联邦科学和工业研究组织 增材制造中变形的预测及最小化
DE102014212682A1 (de) * 2014-07-01 2016-01-07 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren und Vorrichtung zum Bestimmen einer Werkstoffart und/oder einer Oberflächenbeschaffenheit eines Werkstücks
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US9915625B2 (en) 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10192302B2 (en) 2016-05-25 2019-01-29 Kla-Tencor Corporation Combined patch and design-based defect detection
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
WO2018125220A1 (en) 2016-12-30 2018-07-05 Intel Corporation Systems, methods, and apparatuses for implementing opc modeling via machine learning on simulated 2d optical images for sed and post sed processes
US10235760B2 (en) * 2017-03-06 2019-03-19 Vektore Exploration Consulting Corporation Device, system and method for digitally modeling rock specimens
WO2018208791A1 (en) 2017-05-08 2018-11-15 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
US20180330233A1 (en) * 2017-05-11 2018-11-15 General Electric Company Machine learning based scatter correction
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
JP2019004115A (ja) 2017-06-19 2019-01-10 株式会社 Ｎｇｒ 設計データを用いた欠陥可視化方法及び欠陥検出方法
US10430937B2 (en) * 2017-09-25 2019-10-01 United Technologies Corporation Automated material characterization system including conditional generative adversarial networks
CN108257166B (zh) 2018-01-11 2022-03-04 上海华虹宏力半导体制造有限公司 版图的仿真图像和硅片sem图像自动匹配的方法
JP7002949B2 (ja) * 2018-01-22 2022-01-20 株式会社日立ハイテク 画像評価方法及び画像評価装置
US10810759B2 (en) * 2018-11-20 2020-10-20 International Business Machines Corporation Creating a three-dimensional model from a sequence of images

Also Published As

Publication number Publication date
US20210026338A1 (en) 2021-01-28
WO2021021533A1 (en) 2021-02-04
KR20220043139A (ko) 2022-04-05
WO2021021533A9 (en) 2022-02-03
CN114341929A (zh) 2022-04-12
JP2022542900A (ja) 2022-10-07
US11880193B2 (en) 2024-01-23

Similar Documents

Publication Publication Date Title
TW202119455A (zh) 使用三維設計用於呈現掃描電子顯微鏡法之影像及預測基板之缺陷成像條件之系統及方法
CN108291878B (zh) 单一图像检测
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
TWI734724B (zh) 針對半導體應用由低解析度影像產生高解析度影像之系統、方法及非暫時性電腦可讀媒體
TWI805857B (zh) 用於特性化一樣品之系統及方法
TWI713672B (zh) 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法
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
JP2020118696A (ja) 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング
TWI797382B (zh) 在極端紫外光光罩上所檢測到之缺陷處理
KR20200039808A (ko) 결함 검출 및 분류를 위한 통합된 뉴럴 네트워크
CN111164646A (zh) 用于大型偏移裸片对裸片检验的多步骤图像对准方法
US9711327B2 (en) Method and system for optimizing configurable parameters of inspection tools
TWI819229B (zh) 用於判定缺陷之系統和方法
TWI808265B (zh) 用於半導體基板之臨界尺寸量測的以深度學習為基礎之自適應關注區域
KR20210094022A (ko) E-빔 이미지 향상을 위한 완전 자동화 sem 샘플링 시스템
Yang et al. Surface defects evaluation system based on electromagnetic model simulation and inverse-recognition calibration method
TW202037910A (zh) 使用淺層深度學習的差值濾波器及孔徑選擇之系統與方法
US20220270212A1 (en) Methods for improving optical inspection and metrology image quality using chip design data
TW202407331A (zh) 多模式光學檢測
TW202212802A (zh) 針對具有樣品內及樣品間變異之樣品使用無監督學習及適應性資料庫產生方法之影像對準設定