TW202127370A - 基於機器學習的取樣缺陷檢測 - Google Patents

基於機器學習的取樣缺陷檢測 Download PDF

Info

Publication number
TW202127370A
TW202127370A TW109134088A TW109134088A TW202127370A TW 202127370 A TW202127370 A TW 202127370A TW 109134088 A TW109134088 A TW 109134088A TW 109134088 A TW109134088 A TW 109134088A TW 202127370 A TW202127370 A TW 202127370A
Authority
TW
Taiwan
Prior art keywords
image
defects
output
runtime
defect
Prior art date
Application number
TW109134088A
Other languages
English (en)
Other versions
TWI834916B (zh
Inventor
瑞 拜登斯
拉恩 斯柯勒言
寶茲 扣漢
依瑞 帕雷
丹尼斯 蘇哈諾夫
歐瑞 史塔利德
Original Assignee
以色列商應用材料以色列公司
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 以色列商應用材料以色列公司 filed Critical 以色列商應用材料以色列公司
Publication of TW202127370A publication Critical patent/TW202127370A/zh
Application granted granted Critical
Publication of TWI834916B publication Critical patent/TWI834916B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N2021/9513—Liquid crystal panels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95676—Masks, reticles, shadow masks
    • G—PHYSICS
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)

Abstract

提供了一種在取樣上進行缺陷檢測的方法及其系統。該方法包括：獲得表示取樣的至少一部分的運行時影像；使用受監督模型處理該運行時影像以獲得指示在該運行時影像上第一缺陷的估計存在的第一輸出；使用無監督模型部件處理該運行時影像以獲得指示在該運行時影像上第二缺陷的估計存在的第二輸出；以及使用一或多個最佳化參數組合該第一輸出和該第二輸出以獲得該取樣的缺陷檢測結果。

Description

基於機器學習的取樣缺陷檢測
當前所揭示的主旨整體關於取樣檢驗領域，並且更具體地，關於用於取樣的缺陷檢測的方法和系統。
當前對與所製造的裝置的超大規模集成相關聯的高密度和效能的需求要求亞微米特徵、增大的電晶體和電路速度以及提高的可靠性。這種需求要求形成具有高精確度和均勻性的裝置特徵，這又必需仔細地監視製造製程，包括在裝置仍然是半導體晶圓的形式時自動地檢驗該等裝置。要注意，製造製程可包括製造前、製造及/或製造後操作。
本說明書中使用的術語「取樣」應廣義地解釋為涵蓋用來製造半導體積體電路、磁頭、平板顯示器和其他半導體製造的製品的任何種類的晶圓、遮罩和其他結構、以上項的組合及/或以上項的部分。
本說明書中使用的術語「檢驗」應廣義地解釋為涵蓋任何種類的計量相關操作以及與在取樣的製造期間該取樣中的缺陷的檢測及/或分類有關的操作。檢驗是藉由在要檢驗的取樣的製造期間或之後使用非破壞性檢驗工具來進行。藉由非限制性實例，檢驗製程可包括使用相同或不同檢驗工具進行運行時掃瞄(以單次掃瞄或以多次掃瞄)、採樣、查驗、測量、分類及/或關於取樣或其部分提供的其他操作。同樣，至少部分檢驗可在製造要檢驗的取樣之前進行，並且可包括例如產生檢驗配方、訓練各自的分類器或其他機器學習相關工具及/或其他設置操作。要注意，除非另外具體地陳述，否則本說明書中使用的術語「檢驗」或其衍生詞在解析度或在檢查區域的大小方面不受限制。藉由非限制性實例，多種非破壞性檢驗工具包括掃瞄電子顯微鏡、原子力顯微鏡、光學檢查工具等。
藉由非限制性實例，運行時檢驗可採用兩階段程序，例如，先是檢查取樣，接著查驗潛在缺陷的採樣位置。在第一階段期間，以高速度和相對低解析度檢查取樣的表面。在第一階段中，產生缺陷圖以示出在取樣上疑似高概率有缺陷的位置。在第二階段期間，以相對高解析度更徹底地分析此類可疑位置中的至少一些。在一些情況下，兩個階段都可由相同檢查工具實施，並且在一些其他情況下，這兩個階段由不同檢查工具實施。
在半導體製造期間的各個步驟處都使用了檢驗製程以檢測取樣上的缺陷並將其分類。檢驗一般涉及藉由將光或電子引導到晶圓並檢測來自晶圓的光或電子來針對晶圓產生某種輸出(例如，影像、信號等)。一旦已經產生輸出，就典型地藉由將缺陷檢測方法及/或演算法應用到輸出來執行缺陷檢測。最通常地，檢驗的目的是提供對感興趣缺陷的高靈敏度，而抑制晶圓上的損害和雜訊的檢測。
根據當前所揭示的主旨的某些態樣，提供了一種在取樣上進行缺陷檢測的方法，該方法藉由處理器和記憶體電路(PMC)執行，該方法包括：獲得表示該取樣的至少一部分的運行時影像；使用受監督模型部件處理該運行時影像以獲得指示在該運行時影像上第一缺陷的估計存在的第一輸出，其中使用第一訓練集訓練該受監督模型部件，該第一訓練集包括至少複數個第一影像和指示在該等第一影像上的第一缺陷分佈的對應標籤資料，每個第一影像表示該取樣的至少一部分；使用無監督模型部件處理該運行時影像以獲得指示在該運行時影像上第二缺陷的估計存在的第二輸出，其中使用第二訓練集訓練該無監督模型，該第二訓練集包括複數個第二影像，每個第二影像表示該取樣的至少一部分，每個第二影像是第一影像的參考影像；及使用一或多個最佳化參數組合該第一輸出和該第二輸出以獲得該取樣的缺陷檢測結果。
除了以上特徵之外，根據當前所揭示的主旨的這一態樣的方法可以技術上可能的任何所期望的組合或置換包括以下列出的特徵(i)至(xiii)中的一或多個： (i).可在使用第三訓練集訓練期間獲得該等最佳化參數。 (ii).該第一輸出可為表示在該運行時影像上該等第一缺陷的估計概率的第一等級圖，並且該第二輸出可為表示在該運行時影像上該等第二缺陷的估計概率的第二等級圖。 可使用可操作地連接到該等受監督模型部件和該等無監督模型部件的分割模型部件執行該組合，以獲得指示在該取樣上該等第一缺陷和該等第二缺陷的估計概率的複合等級圖。可基於該受監督模型和該無監督模型的輸出來使用該第三訓練集訓練該分割模型部件。 (iii).該第一輸出可為表示在該運行時影像上該等第一缺陷的估計概率的第一等級圖，並且該第二輸出可為表示在該運行時影像上該等第二缺陷的估計概率的第二等級圖。 該組合可包括將該第一等級圖和該第二等級圖與各自的全域權重組合以產生指示在該取樣上該等第一缺陷和該等第二缺陷的估計概率的複合等級圖。可在使用該第三訓練集訓練期間最佳化該等各自的全域權重。 (iv).使用受監督模型部件處理該運行時影像可包括：產生表示在該運行時影像上該等第一缺陷的估計概率的第一等級圖；及將第一閾值應用於該第一等級圖以獲得第一缺陷圖。 使用無監督模型部件處理該運行時影像可包括：產生表示在該運行時影像上該等第二缺陷的估計概率的第二等級圖；及將第二閾值應用於該第二等級圖以獲得第二缺陷圖，在使用該第三訓練集訓練期間最佳化該第一閾值和第二閾值。 該組合可包括組合該第一缺陷圖和該第二缺陷圖以產生複合缺陷圖。 (v).可在使用該第三訓練集訓練期間使用非梯度最佳化函數獲得該等全域權重。 (vi).可藉由以下方式訓練該受監督模型部件：處理每個第一影像以產生表示在該第一影像上該等第一缺陷的估計概率的對應第一等級圖；及基於與該第一影像相對應的該標籤資料來最佳化該受監督模型部件。 (vii).可藉由以下方式訓練該無監督模型部件：處理每個第二影像以產生表示在該第二影像上該等第二缺陷的估計概率的對應第二等級圖；及關於該第二影像基於該第二等級圖來最佳化無監督網路。 (viii).對於每個第一影像，該第一訓練集可進一步包括對應設計資料及/或至少一個參考影像，並且該獲得可進一步包括獲得該運行時影像的設計資料及/或至少一個參考影像。 (ix).對於每個第二影像，該第二訓練集可進一步包括對應設計資料，並且該獲得可進一步包括獲得該運行時影像的設計資料。 (x).可分開地訓練該受監督模型部件和該無監督模型部件。 (xi).該方法可進一步包括在運行時期間，獲得一或多個新的第一影像，每個新的第一影像具有指示一或多個新的缺陷類別的存在的標籤資料；及使用該等新的第一影像重新訓練該受監督模型部件。 (xii).該運行時影像可為由查驗工具產生的查驗影像。 (xiii).該方法可進一步包括使用一或多個附加受監督及/或無監督模型部件處理該運行時影像以獲得指示在該運行時影像上附加缺陷的估計存在的一或多個附加輸出。可使用一或多個附加訓練集訓練該一或多個附加受監督及/或無監督模型部件，該一或多個附加訓練集包括來自該取樣的不同層及/或來自不同取樣的訓練影像。
根據當前所揭示的主旨的其他態樣，提供了一種在取樣上進行缺陷檢測的系統，該系統包括被配置為執行以下操作的處理器和記憶體電路(PMC)：獲得表示該取樣的至少一部分的運行時影像；使用受監督模型部件處理該運行時影像以獲得指示在該運行時影像上第一缺陷的估計存在的第一輸出，其中使用第一訓練集訓練該受監督模型部件，該第一訓練集包括至少複數個第一影像和指示在該等第一影像上的第一缺陷分佈的對應標籤資料，每個第一影像表示該取樣的至少一部分；使用無監督模型部件處理該運行時影像以獲得指示在該運行時影像上第二缺陷的估計存在的第二輸出，其中使用第二訓練集訓練該無監督模型，該第二訓練集包括複數個第二影像，每個第二影像表示該取樣的至少一部分，每個第二影像是第一影像的參考影像；及使用一或多個最佳化參數組合該第一輸出和該第二輸出以獲得該取樣的缺陷檢測結果。
所揭示的主旨的這一態樣可以技術上可能的任何所期望的組合或置換包括以上關於方法列出的特徵(i)至(xiii)中的一或多個並加以必要變更。
根據當前所揭示的主旨的其他態樣，提供了一種非暫態電腦可讀取媒體，該非暫態電腦可讀取媒體包括指令，該等指令當由電腦執行時致使該電腦執行在取樣上進行缺陷檢測的方法，該方法包括：獲得表示該取樣的至少一部分的運行時影像；使用受監督模型部件處理該運行時影像以獲得指示在該運行時影像上第一缺陷的估計存在的第一輸出，其中使用第一訓練集訓練該受監督模型部件，該第一訓練集包括至少複數個第一影像和指示在該等第一影像上的第一缺陷分佈的對應標籤資料，每個第一影像表示該取樣的至少一部分；使用無監督模型部件處理該運行時影像以獲得指示在該運行時影像上第二缺陷的估計存在的第二輸出，其中使用第二訓練集訓練該無監督模型，該第二訓練集包括複數個第二影像，每個第二影像表示該取樣的至少一部分，每個第二影像是第一影像的參考影像；及使用一或多個最佳化參數組合該第一輸出和該第二輸出以獲得該取樣的缺陷檢測結果。
所揭示的主旨的這一態樣可以技術上可能的任何所期望的組合或置換包括以上關於方法列出的特徵(i)至(xiii)中的一或多個並加以必要變更。
在以下詳述中，闡述了許多具體細節，以便提供對本發明的透徹理解。然而，本領域的技藝人士將理解，當前所揭示的主旨可在沒有這些具體細節的情況下實踐。在其他情況下，沒有詳細地描述所熟知的方法、程序、部件和電路，以免模糊當前所揭示的主旨。
除非另外具體地陳述，否則如從以下論述中清楚，將瞭解，貫穿本說明書論述，利用術語諸如「獲得」、「處理」、「訓練」、「組合」、「最佳化」、「產生」、「應用」、「重新訓練」等是指電腦的操縱資料及/或將資料變換為其他資料的動作及/或處理，該資料被表示為實體(諸如電子)量並且/或該資料表示實體物件。術語「電腦」應廣義地解釋為涵蓋具有資料處理能力的任何種類的基於硬體的電子裝置，藉由非限制性實例，包括本申請案中揭示的缺陷檢測系統和其各自的部分。
本文中使用的術語「非暫態記憶體」和「非暫態儲存媒體」應廣義地解釋為涵蓋適合當前所揭示的主旨的任何揮發性或非揮發性電腦記憶體。
本說明書中使用的術語「缺陷」應廣義地解釋為涵蓋在取樣上或取樣內形成的任何種類的異常或不期望的特徵。
本說明書中使用的術語「設計資料」應廣義地解釋為涵蓋指示取樣的分層實體設計(佈局)的任何資料。設計資料可由各自的設計者提供及/或可從實體設計匯出(例如，藉由複雜模擬、簡單幾何和布耳運算等)。設計資料可以不同格式提供，藉由非限制性實例，如GDSII格式、OASIS格式等。設計資料可以向量格式、灰階強度影像格式或以其他方式呈現。
將瞭解，除非另外具體地陳述，否則在單獨實施例的上下文中所述的當前所揭示的主旨的某些特徵也可在單一實施例中組合地提供。相反地，在單一實施例的上下文中所述的當前所揭示的主旨的各種特徵也可單獨地提供或以任何合適的子組合提供。在以下詳述中，闡述了許多具體細節，以便提供對方法和設備的透徹理解。
考慮到這一點，將注意力放到圖1，其圖示根據當前所揭示的主旨的某些實施例的缺陷檢測系統的功能方塊圖。
圖1中所示的檢驗系統100可用於作為取樣製造製程的一部分的取樣(例如，晶圓及/或其部分)檢驗。所示的檢驗系統100包括能夠在運行時自動地檢測缺陷的基於電腦的系統101。系統101也被稱為缺陷檢測系統。系統101可操作地連接到一或多個檢驗工具120。檢驗工具可為一或多個低解析度檢驗工具及/或一或多個高解析度檢驗工具及/或其他檢驗工具。檢驗工具被配置為擷取取樣的影像及/或查驗所擷取的影像及/或實現或提供與所擷取的影像有關的測量。系統101可進一步可操作地連接到設計資料伺服器110。
系統101包括處理器和記憶體電路(PMC)102，該PMC102可操作地連接到基於硬體的I/O介面126。PMC 102被配置為提供作業系統101所必需的所有處理，如參考圖2進一步詳述的，並且包括處理器(未單獨地示出)和記憶體(未單獨地示出)。PMC 102的處理器可被配置為根據在包括在PMC中的非暫態電腦可讀記憶體上實施的電腦可讀取指令來執行若干功能模組/部件。此類功能模組在下文被稱為包括在PMC中。包括在PMC 102中的功能模組包括可操作地彼此連接的受監督模型104、無監督模型108和組合模組106。
如將參考圖2進一步詳述的，系統101被配置為經由I/O介面126接收輸入資料。輸入資料可包括由檢驗工具產生的影像資料(及/或其衍生物及/或與其相關聯的中繼資料)及/或儲存在設計資料伺服器110及/或一或多個資料儲存庫中的資料。在一些實施例中，輸入資料可包括一或多個運行時影像。還應注意，運行時影像資料可包括與感興趣層及/或與取樣的一或多個其他層有關的資料。
藉由非限制性實例，可藉由一或多個低解析度檢驗工具(例如，光學檢查系統、低解析度SEM等)檢驗取樣。取樣的低解析度影像的結果資料(在下文被稱為低解析度影像資料)資訊可直接地或經由一或多個中間系統傳輸到系統101。替代地或另外地，可藉由一或多個高解析度工具檢驗取樣(例如，可藉由掃瞄電子顯微鏡(SEM)或原子力顯微鏡(AFM)查驗被選擇用於進行查驗的潛在缺陷位置子集)。取樣的高解析度影像的結果資料(在下文被稱為高解析度影像資料)資訊可直接地或經由一或多個中間系統傳輸到系統101。
要注意，可以不同解析度擷取在取樣上的所期望的位置的影像。在一些實施例中，相同位置(具有相同或不同解析度)的影像可包括在其間配准的若干影像(例如，從給定位置擷取的影像和與給定位置相對應的一或多個參考影像)。
如圖1所示的受監督模型104和無監督模型108可用於分開地處理輸入資料(例如，運行時影像，諸如低解析度影像及/或高解析度影像，任選地與其他資料(例如，如設計資料、參考資料等)一起進行處理)。具體地，受監督模型104可被配置為處理運行時影像以獲得指示在運行時影像上第一缺陷的估計存在的第一輸出。可使用第一訓練集預訓練受監督模型部件，該第一訓練集包括至少複數個第一影像和指示在第一影像上的第一缺陷分佈的對應標籤資料，每個第一影像表示取樣的至少一部分。
無監督模型108可被配置為處理運行時影像以獲得指示在運行時影像上第二缺陷的估計存在的第二輸出。可使用第二訓練集訓練無監督模型，該第二訓練集包括複數個第二影像，每個第二影像表示取樣的至少一部分。每個第二影像可為第一影像的參考影像，如下文將描述。
組合模組106可被配置為使用一或多個最佳化參數組合第一輸出和第二輸出以獲得取樣的缺陷檢測結果。在一些實施例中，可在使用第三訓練集訓練期間獲得最佳化參數。
任選地，系統101可包括一或多個附加受監督模型及/或一或多個附加無監督模型(圖1中未示出)以用來處理輸入資料。藉由實例，可藉由一或多個附加無監督模型處理運行時影像以獲得指示在運行時影像上附加缺陷的估計存在的一或多個附加輸出。使用一或多個附加訓練集訓練一或多個附加無監督模型，該一或多個附加訓練集包括來自取樣的不同層及/或來自不同取樣的影像。
在處理輸入資料後，系統101可將缺陷檢測結果發送到檢驗工具中的任一個，將該等結果(例如，缺陷屬性、缺陷分類等)儲存在儲存單元122中，經由基於電腦的圖形化使用者介面(GUI)124呈現結果，及/或將該結果發送到外部系統(例如，FAB的良率管理系統(YMS))。GUI 124可進一步被配置為實現與作業系統101有關的使用者指定輸入。系統101、PMC 102和在其中的功能模組的操作將參考圖2進一步詳述。
本領域的技藝人士將容易地理解，當前所揭示的主旨的教示不受圖1中所示的系統束縛；等效及/或修改的功能性可以另一種方式合併或劃分並可在軟體與韌體及/或硬體的任何適當的組合實施。
在不以任何方式限制本揭示的範疇的情況下，還應注意，檢驗工具可實施為各種類型的檢查機器，諸如光學成像機器、電子束檢查機器等。在一些情況下，相同檢驗工具可提供低解析度影像資料和高解析度影像資料。在一些情況下，至少一個檢驗工具可具有計量能力。
在一些實施例中，本文中所指的基於機器學習的部件（諸如受監督模型、無監督模型、分割模型等）可使用任何合適的基於機器學習的架構(諸如，例如神經網路等)實施。藉由非限制性實例，可根據迴旋神經網路(CNN)架構、循環神經網路架構、遞迴神經網路架構或其他架構來組織神經網路中的層。神經網路的每個層可包括多個基本計算元素(CE)，在本領域中其通常被稱為維度、神經元或節點。
一般，給定層的計算元素可與前一層及/或後一層的CE連接。在前一層的CE與後一層的CE之間的每個連接與加權值相關聯。給定CE可經由各自的連接從前一層的CE接收輸入，每個給定的連接與加權值相關聯，該加權值可應用於給定連接的輸入。加權值可決定連接的相對強度，並且由此決定各自的輸入對給定CE的輸出的相對影響。給定CE可被配置為計算啟動值(例如，輸入的加權和)並藉由將啟動函數應用於所計算的啟動進一步匯出輸出。啟動函數可為例如身份函數、決定性函數(例如，線性、S形、閾值等)、隨機函數或任何其他合適的函數。來自給定CE的輸出可經由各自的連接傳輸到後一層的CE。同樣地，如前述，在CE的輸出處的每個連接可與加權值相關聯，該加權值可在被接收作為後一層的CE的輸入之前被應用於CE的輸出。除加權值外，還可有與連接和CE相關聯的閾值(包括限制功能)。
可在訓練之前首先選擇神經網路的參數(例如，加權值及/或閾值)，並且可在訓練期間進一步反覆運算地調整或修改神經網路的參數，以在經訓練模型中實現最佳加權值及/或閾值集。在每次反覆運算之後，可決定由模型產生的實際輸出和與各自的訓練資料集相關聯的目標輸出之間的差異。該差異可被稱為誤差值。當指示誤差值的成本函數小於預定值時，或者當實現在反覆運算之間的效能的有限改變時，可決定訓練已被完成。
在下文中，用來調整神經網路的權重/閾值的輸入資料集被稱為訓練集。要注意，當前所揭示的主旨的教示不受網路的數量及/或架構束縛。
要注意，圖1中所示的檢驗系統可在分散式運算環境中實施，其中圖1中所示的前述功能模組可跨若干本端及/或遠端裝置分佈，並且可藉由通訊網路進行連結。還應注意，在其他實施例中，檢驗工具120、儲存單元122及/或GUI 124中的至少一些可在檢驗系統100外部並操作以經由I/O介面126與系統101進行資料通訊。系統101可實施為獨立電腦，以與檢驗工具結合地使用。替代地，系統101的各自的功能可至少部分地與一或多個檢驗工具集成。
現在參考圖2，圖示根據當前所揭示的主旨的某些實施例的在取樣上進行缺陷檢測的概括流程圖。
可獲得(202)包括表示取樣的至少一部分的運行時影像的輸入資料(例如，由系統101經由I/O介面126獲得)。可從不同檢驗模態(例如，從不同檢驗工具，從相同檢驗工具的不同通道(例如，亮場影像和暗場影像)，從使用不同操作參數的相同檢驗工具等)接收運行時影像。
例如，運行時影像可來自在製造製程期間擷取的取樣(例如，晶圓、晶粒或其部分)的影像、所擷取的影像的藉由各種預處理階段獲得的衍生物(例如，晶圓或光遮罩的一部分的藉由SEM或光學檢查系統擷取的影像、大致以將由ADC分類的缺陷為中心的SEM影像、其中缺陷將由ADR定位的較大區域的SEM影像、與相同遮罩位置相對應的不同檢驗模態的配准影像等)。藉由實例，在一些情況下，運行時影像可為典型地具有高解析度並從查驗工具獲得的查驗影像，諸如，例如SEM影像及/或其衍生物。
藉由非限制性實例，檢驗模態可因檢驗工具、相同檢驗工具的不同通道、檢驗工具的操作參數(例如，由某個檢驗工具/通道提供的視角及/或解析度等)及/或與各自的影像相對應的層而彼此不同。替代地或另外地，檢驗模態可因獲得相應影像的性質(即所擷取的影像、由其匯出的影像、預處理影像(例如，均值及/或差值影像)和類比影像(包括基於設計的影像))而彼此不同。替代地或另外地，檢驗模態可因應用於所擷取的影像的匯出技術(例如，藉由分割、缺陷輪廓提取、高度圖計算等匯出的影像)而彼此不同。
可使用受監督模型部件(例如，受監督模型104)處理(204)運行時影像以獲得指示在運行時影像上第一缺陷的估計存在的第一輸出(在本文中也被稱為受監督輸出)。在一些實施例中，第一輸出是表示在運行時影像上第一缺陷的估計概率的第一等級圖(例如，概率圖)。在一些情況下，可將閾值應用於第一等級圖的像元值，從而產生指示缺陷的估計存在的第一缺陷圖(例如，指示是否存在缺陷的二進位圖)。藉由實例，第一等級圖可包括在[0, 1]的範圍內的像元值，並且可將閾值0.6應用於等級圖中之每一個像元值。可將大於閾值0.6的任何像元值標記為在對應缺陷圖中值為1的缺陷。可在設置階段使用第一訓練集訓練受監督模型部件，該第一訓練集包括至少複數個第一影像和指示在第一影像上的第一缺陷分佈的標籤資料，每個第一影像表示取樣的至少一部分。標籤資料可從查驗工具或從手動分類獲得，並且可包括在第一影像上的缺陷位置以及缺陷類別。
單獨地，可使用無監督模型部件(例如，藉由無監督模型108)處理(206)運行時影像以獲得指示在運行時影像上第二缺陷的估計存在的第二輸出(在本文中也被稱為無監督輸出)。在一些實施例中，第二輸出是表示在運行時影像上第二缺陷的估計概率的第二等級圖。在一些情況下，可將閾值應用於第二等級圖的像元值，從而產生指示缺陷的估計存在的第二缺陷圖。使用第二訓練集訓練無監督網路，該第二訓練集包括取樣的複數個第二影像，每個第二影像是第一影像的參考影像。
要注意，根據當前所揭示的主旨的某些實施例，本文中使用的訓練集可包括與來自所有制造階段的所有類型的層/產品有關的整個可用FAB資料(例如，CAD資料、高解析度影像、低解析度影像、中繼資料、一般屬性等)。替代地，可對根據某些標準(例如，經標記的/未標記的/特定層/特定產品/特定類別等)選擇的某些可用FAB資料執行訓練。為了維持模型與不斷地變化的FAB資料的相關性，可進一步不斷地訓練模型(例如，回應於FAB中引入的新的類別或在常規自動程序中)。
根據某些實施例，可分開地訓練和最佳化受監督模型部件和無監督模型部件。例如，可並行地訓練受監督模型部件和無監督模型部件，也可一個接一個地訓練受監督模型部件和無監督模型部件。
現在轉向圖3，圖示根據當前所揭示的主旨的某些實施例的分開地訓練受監督模型和無監督模型的示意圖。
將第一訓練集301饋送到受監督模型303以用於訓練模型。在一些情況下，第一訓練集301可為先驗標記的資料集，其可從感興趣層或已經看到的所有先前層中收集。第一訓練集可包括至少複數個第一影像和指示在第一影像上的第一缺陷分佈的對應標籤資料，每個第一影像表示取樣的至少一部分。類似於運行時影像，第一影像可為在製造製程期間擷取的影像，或為所擷取的影像的藉由各種預處理階段獲得的衍生物(例如，晶圓或光遮罩的一部分的藉由SEM或光學檢查系統擷取的影像等)，其可包含或可不包含缺陷。具體地，可藉由以下方式訓練受監督模型303：處理每個第一影像以產生表示在第一影像上第一缺陷的估計概率的對應第一等級圖305；及基於與第一影像相對應的標籤資料來最佳化受監督模型。
在一些情況下，可將一組閾值應用於第一等級圖以產生對應缺陷圖。可基於預測結果(例如，缺陷圖)來計算誤報率(FAR)及/或擷取率(CR)並將其與從標記的資料或從使用者獲得的初始FAR進行比較，以評估受監督模型的預測效能。可選擇具有最佳FAR及/或CR的閾值以在後續訓練或在運行時使用。
擷取率(在本文中也被稱為查全率)是指所擷取的缺陷占整個缺陷群體的比率。誤報率是指所宣稱的損害與所宣稱的缺陷總數的比率。精確度是指DOI次數與所宣稱的缺陷總數的比率。要注意，術語擷取率、查全率、誤報率、精確度等是本領域中已知的術語，並且應在其最廣泛的解釋中進行理解。本文中的定義是出於舉例目的，並且不應以任何方式解釋為限制本揭示。
藉由實例，可使用SVM、深度神經網路(DNN)等實施受監督模型。例如，可使用迴旋神經網路(CNN)或其任何合適的變體。出於說明目的，本文中使用的CNN典型地可包括一或多個(例如，在一些情況下，三個或更多個)迴旋層，接著可能是一或多個(例如，在一些情況下，兩個或更多個)全連接層。CNN的輸出可為不同解析度的等級圖，例如，像元級等級圖、斑塊級等級圖(在這種情況下，可能執行像元級等級圖的後處理，諸如，例如聚類)等。
將第二訓練集302饋送到無監督模型304以用於訓練模型。第二訓練集302包括取樣的複數個第二影像。在一些情況下，第二訓練集可為參考影像的沒有標記的資料的資料集。可藉由以下方式訓練無監督模型部件：處理每個第二影像以產生表示在第二影像上第二缺陷的估計概率的對應第二等級圖306；及關於第二影像基於第二等級圖來最佳化無監督網路。
參考影像可為取樣(例如，晶粒、單元等)的參考區域的影像，其包含與感興趣影像(例如，第一影像)相同的圖案，其中參考影像的各自的影像資料被驗證為表示無缺陷的參考區域。參考影像可為從參考(例如，金色)晶粒、參考單元或經驗證為無缺陷的其他區域擷取的影像。替代地或另外地，參考影像可使用CAD資料來模擬及/或可在擷取之後被增強以排除參考區域中的缺陷(如果有的話)。
藉由實例，無監督模型可實施為DNN，諸如，例如自動編碼器或其任何合適的變體/衍生物。自動編碼器是一種類型的神經網路，其通常藉由學習有效資料編碼來用於資料再現的目的。自動編碼器始終由兩部分所組成，即編碼器和解碼器。自動編碼器學習將來自輸入層的資料壓縮為短代碼(即，編碼器部分)並然後將該代碼解壓縮為與原始資料密切地匹配的輸出(即，解碼器部分)。自動編碼器通常具有輸入層、輸出層和連接其等的一或多個隱藏層。輸出層具有與輸入層相同的節點數量，這目的是重建其自己的輸入。針對訓練資料集中之每一個輸入影像，自動編碼器可提取表示輸入影像的特徵，並且使用表示特徵重建對應輸出影像，該輸出影像可藉由與輸入影像進行比較來評估。訓練和最佳化該自動編碼器，以便學習訓練影像(其為沒有缺陷的參考影像，在本文中也被稱為無缺陷影像)中的正常圖案分佈。可計算等級圖例如作為自動編碼器的輸入影像與輸出影像之間的差異。因此，在運行時，當有缺陷影像(即，具有缺陷的影像)到達時，經訓練模型可產生其無缺陷版本，因為它是使用無缺陷影像訓練的。等級圖作為在輸入與輸出之間的差異，可指示缺陷的存在。
在一些實施例中，在訓練期間，針對每個第一影像，用於訓練受監督模型的第一訓練集可進一步包括對應設計資料及/或至少一個參考影像。在一些情況下，設計資料可包括基於電腦產生的設計資料的影像。因此，在運行時的輸入資料將對應於特定訓練資料，並且除了運行時影像之外，還可包括運行時影像的設計資料及/或至少一個參考影像。藉由實例，在一些情況下，輸入資料可包括運行時影像和對應參考影像。在一些其他情況下，輸入資料可包括運行時影像和對應設計資料。在另一些情況下，輸入資料可包括運行時影像、對應參考影像和設計資料。
在一些實施例中，對於每個第二影像，用來訓練無監督模型的第二訓練集可進一步包括對應設計資料。因此，在運行時，除了運行時影像之外，還可獲得運行時影像的設計資料。
在一些情況下，第一訓練集和第二訓練集可包括從單一工具收集的影像。在另一些情況下，訓練集可包括來自整個群體(例如，多個工具)的影像，以便增加系統對工具和晶圓差異的抗擾性。
一旦分開地訓練了受監督模型和無監督模型，就需要組合(208)兩個模型的輸出(例如，藉由組合模組106)，以便提供整體缺陷檢測結果。輸出的組合可使用在使用第三訓練集訓練期間獲得的一或多個最佳化參數。可以各種方式執行組合，以便最佳化檢測結果。現在轉向圖4，圖示根據當前所揭示的主旨的某些實施例的組合受監督模型和無監督模型的輸出和其最佳化的示意圖。
出於驗證和最佳化組合目的，可使用第三訓練集401(例如，驗證集)。驗證集可包括複數個驗證影像和對應標籤資料。
根據某些實施例，在處理影像之後，受監督模型303和無監督模型304分別輸出第一等級圖和第二等級圖。可將各自的閾值(表示為要用於受監督模型的Ths ，以及要用於無監督模型的Thus ，如圖4所示)應用於每個等級圖，以便產生缺陷檢測輸出，例如，缺陷圖(對於受監督模型，表示為輸出 s ，對於無監督模型，表示為輸出 us ，如圖4所示)。可初始地在單獨的訓練階段期間選擇閾值，如上文參考圖3所述。根據本揭示的某些實施例，可調諧每個(或至少一個)模型的初始地選擇的閾值，以便最佳化模型的擷取率和誤報率。在這種情況下，如上文所提到的用來組合的最佳化參數是最佳化閾值，其可被應用於對應等級圖以獲得最佳化缺陷圖。可組合兩個模型的最佳化缺陷圖以產生整體缺陷檢測結果405。
具體地，在這種情況下，可使用驗證集來根據使用者定義的擷取率及/或誤報率406調諧一個或兩個模型的閾值。藉由實例，驗證影像可由兩個模型處理。如果使用者預定義了所預期的擷取率(例如，90%)，則只要不損害使用者定義的擷取率，就可增加兩個模型的閾值，以最小化誤報率。另一方面，如果使用者預定義了所預期的誤報率，則只要不損害使用者定義的誤報率，就可降低兩個模型的閾值，從而提高擷取率。圖4中圖示曲線圖408，該曲線圖圖示關於真肯定率(即，擷取率)和假肯定率(即，誤報率)的模型的效能。如圖所示，高效能模型將具有高真肯定率和低假肯定率，這將在左上方目標區域內。這意味著該模型的大多數預測與地面實況是一致的，並且可檢測到所宣稱的缺陷的大多數。
藉由另一個實例，在受監督模型一旦被訓練後就可擷取/檢測驗證集中的缺陷的大多數的假設下，根據本揭示的某些實施例，提出鎖定受監督模型的閾值Ths 並最佳化無監督模型的閾值Thus ，以便能夠檢測出盡可能多的看不見的缺陷，同時仍然滿足使用者的預定義FAR。因此，只要不損害預定義FAR，就可盡可能降低無監督模型的閾值以檢測看不見的缺陷，以便最大化擷取率。
在這種情況下，可調諧模型的閾值，以便最佳化其擷取率和誤報率。在運行時，可將經調諧閾值作為最佳化參數應用於對應模型的輸出(例如，將Ths 應用於受監督模型輸出，以及將Thus 應用於無監督模型輸出)，並且如果任一等級圖中的像元值超過各自的閾值，則可宣稱缺陷。
圖5圖示根據當前所揭示的主旨的某些實施例的使用最佳化閾值的運行時缺陷檢測製程的實例。由經訓練受監督模型303和經訓練無監督模型304接收和處理運行時影像501，從而分別產生第一等級圖和第二等級圖。將受監督模型的通過如前述的最佳化階段獲得的最佳化閾值Ths 應用於第一等級圖(參見502)。類似地，將無監督模型的最佳化閾值Thus 應用於第二等級圖(參見503)。可組合(例如，通過邏輯運算或504)閾值輸出(例如，缺陷圖)以獲得缺陷檢測結果505。藉由實例，組合第一等級圖中超過閾值Ths 的像元值和第二等級圖中超過閾值Thus 的像元值以宣稱為缺陷。不超過閾值中的任一個的像元值將被視為誤報，並且將被濾除。
替代地，根據某些實施例，可使用非梯度最佳化函數組合兩個模型的輸出。對這種最佳化函數的選擇與閾值是非微分函數這一事實有關。通過最佳化，可決定全域權重以指派給每個等級圖。藉由實例，可從包括以下項的群組中選擇非梯度最佳化函數：粒子群最佳化(PSO)、遺傳演算法或以上項的任何合適的組合。在一個實例中，選擇PSO作為最佳化函數。PSO是藉由關於給定品質度量反覆運算地嘗試改進候選解來最佳化問題的計算方法。它藉由具有一組候選解(複製粒子)並根據有關粒子的位置和速度的數學公式使這些粒子在搜索空間中四處移動來解決問題。
在當前情況下，每個粒子可表示指派給每個等級圖的權重(例如，指派給受監督等級圖的α i 和指派給無監督等級圖的1-α i )。對於驗證集中之每一個影像，可嘗試不同α i 值並可基於對應精確度(即，pr )和查全率來計算得分，例如：得分=min{(l–pr )2 β +(1-查全率)2 }，β ≥l，是由使用者決定的預定義參數，以用於指示精確度優於查全率，反之亦然。可最小化得分，以使精確率和查全率最大化。可決定與最小化得分相對應的α i 。因此，與該組驗證影像對應地決定最小化得分的α i 集。為了獲得全域權重α ，可將每個α i 的權重因數計算為：權重因數=
Figure 02_image001
，並且可根據各自的權重因數使用加權平均函數組合α i 集，以便獲得全域權重α 。
一旦決定了全域權重，就可將其用作在運行時的最佳化參數，以用於組合受監督模型和無監督模型的等級圖來產生複合等級圖。例如，複合等級圖=等級無監督 *α +等級受監督 *(1-α )。
替代地，根據另外的實施例，可使用可操作地連接到受監督模型部件和無監督模型部件的分割模型部件(在本文中也被稱為分割模型)組合兩個模型的輸出。類似地，可使用任何合適的基於機器學習的架構(諸如，例如神經網路)來實施分割模型。
現在轉向圖6，圖示根據當前所揭示的主旨的某些實施例的使用分割模型組合受監督模型和無監督模型的輸出的示意方塊圖。
如圖所示，分割模型602可操作地連接到受監督模型303和無監督模型304。可基於受監督模型303和無監督模型304的輸出使用第三訓練集 401(也被稱為驗證集)來訓練分割模型602。如上文所提到，驗證集包括一組驗證影像和對應標籤資料。具體地，可將驗證影像饋送到經訓練受監督模型和經訓練無監督模型中，並且可將兩個模型的輸出作為輸入提供到分割模型602。分割模型學習組合兩個模型的輸出並產生組合/複合等級圖，在設閾值之後，可將其與地面實況資料(例如，與驗證影像相對應的標記的資料)進行比較。可通過最小化預測與地面實況之間的差異最佳化分割模型602中的參數。還可在訓練期間調諧要應用於複合等級圖的閾值，以便獲得最佳化擷取率及/或誤報率。以此方式，可訓練分割模型以學習如何最佳地組合兩個模型的輸出，並且提供最佳化缺陷檢測結果604。
在運行時，經訓練分割模型以類似的方式工作。藉由實例，分割模型的輸入可為第一等級圖和第二等級圖，而模型的輸出可為組合/複合等級圖。可將在訓練期間決定的閾值應用於複合等級圖，以便獲得缺陷檢測結果(例如，缺陷圖)。
在一些實施例中，可根據產生時間的統計資訊選擇驗證集以包括有缺陷影像(包含缺陷的影像)和無缺陷影像(沒有缺陷的影像)。藉由實例，驗證集可包括95%缺陷圖和5%非缺陷圖。為了在訓練期間實現令人滿意的結果，可使用高擷取率。
如上文所提到，運行時影像有可能由藉由使用一或多個附加訓練集訓練的一或多個附加受監督及/或無監督模型來處理，該一或多個附加訓練集包括來自取樣的不同層及/或來自不同取樣的訓練影像。因此，可獲得指示在運行時影像上附加缺陷的估計存在的一或多個附加輸出並將其組合以產生整體缺陷檢測結果。
在一些情況下，可提供即時回饋以提高檢測效能。例如，出於重新訓練和微調模型目的，可選擇無監督模型檢測為包含缺陷而受監督模型無法檢測到缺陷的影像。這種機制可提高模型對少數缺陷類別(即，沒有太多統計資訊的稀少缺陷，應更仔細地進行採樣)的抗擾性。藉由從生產時間連續地收集資料並使用所收集的資料重新訓練系統，可提高受監督機制的效能，並且受監督機制和無監督機制之間的平衡可轉向偏向於受監督機制。
因此，如上所示，所提出的系統(其包括兩個或多個受監督模型和無監督模型，以及以上項的組合和最佳化)能夠檢測在訓練期間可能看見或可能看不見的缺陷(無監督模型可用作檢測看不見的異常的安全網)，從而提供改進的缺陷檢測結果。
當前所揭示的主旨的某些實施例的另外的優點是使得能夠擷取由無監督模型促成的新的類別的缺陷。
當前所揭示的主旨的某些實施例的另外的優點是通過在運行時週期性地重新訓練模型，對多種不同類別的缺陷有高穩健性和擷取率。
將理解，本發明的應用不限於本文中包含的描述中闡述或附圖中示出的細節。本發明能夠具有其他實施例並能夠以各種方式實踐及進行。因此，將理解，本文中所用的措辭和術語是出於描述目的，並且不應視為限制性的。因此，本領域的技藝人士將瞭解，本揭示所基於的概念可容易地用作設計用於進行當前所揭示的主旨的若干目的的其他結構、方法和系統的基礎。
還將理解，根據本發明的系統可至少部分地在合適地程式設計的電腦上實施。同樣地，本發明設想了電腦程式，該電腦程式可由電腦讀取以執行本發明的方法。本發明還設想了非暫態電腦可讀記憶體，該非暫態電腦可讀記憶體有形地體現指令程式，該指令程式可由電腦執行以執行本發明的方法。
本領域的技藝人士將容易地瞭解，在不脫離本發明的在所附申請專利範圍中並由所附申請專利範圍限定的範圍的情況下，可對如前述的本發明的實施例應用各種修改和改變。
100:檢驗系統 101:系統 102:處理器和記憶體電路(PMC) 104:受監督模型 106:組合模組 108:無監督模型 110:設計資料伺服器 120:檢驗工具 122:儲存單元 124:圖形化使用者介面(GUI) 126:I/O介面 301:第一訓練集 302:第二訓練集 303:受監督模型 304:無監督模型 305:第一等級圖 306:第二等級圖 401:第三訓練集 405:缺陷檢測結果 406:擷取率及/或誤報率 408:曲線圖 501:運行時影像 502:第一等級圖 503:第二等級圖 504:邏輯運算或 505:缺陷檢測結果 602:分割模型 604:缺陷檢測結果
為了理解本發明並知曉在實踐中如何實施本發明，現在將參考附圖僅藉由非限制性實例來描述實施例，其中：
圖1圖示根據當前所揭示的主旨的某些實施例的缺陷檢測系統的功能方塊圖；
圖2圖示根據當前所揭示的主旨的某些實施例的在取樣上進行缺陷檢測的概括流程圖；
圖3是根據當前所揭示的主旨的某些實施例的分開地訓練受監督模型和無監督模型的示意圖；
圖4是根據當前所揭示的主旨的某些實施例的組合受監督模型和無監督模型的輸出和其最佳化的示意圖；
圖5圖示根據當前所揭示的主旨的某些實施例的使用最佳化閾值的運行時缺陷檢測製程的實例；並且
圖6圖示根據當前所揭示的主旨的某些實施例的使用分割模型組合受監督模型和無監督模型的輸出的示意方塊圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
100:檢驗系統
101:系統
102:處理器和記憶體電路(PMC)
104:受監督模型
106:組合模組
108:無監督模型
110:設計資料伺服器
120:檢驗工具
122:儲存單元
124:圖形化使用者介面(GUI)
126:I/O介面

Claims (20)

  1. 一種用於在一取樣上進行缺陷檢測的電腦化方法，該方法藉由一處理器和記憶體電路(PMC)執行，該方法包括以下步驟： 獲得表示該取樣的至少一部分的一運行時影像； 使用一受監督模型部件處理該運行時影像以獲得指示在該運行時影像上第一缺陷的估計存在的一第一輸出，其中使用一第一訓練集訓練該受監督模型部件，該第一訓練集包括至少複數個第一影像和指示在該等第一影像上的第一缺陷分佈的對應標籤資料，每個第一影像表示該取樣的至少一部分； 使用一無監督模型部件處理該運行時影像以獲得指示在該運行時影像上第二缺陷的估計存在的一第二輸出，其中使用一第二訓練集訓練該無監督模型，該第二訓練集包括複數個第二影像，每個第二影像表示該取樣的至少一部分，每個第二影像是一第一影像的一參考影像；及 使用一或多個最佳化參數組合該第一輸出和該第二輸出以獲得該取樣的一缺陷檢測結果。
  2. 如請求項1所述之電腦化方法，其中在使用一第三訓練集訓練期間獲得該一或多個最佳化參數。
  3. 如請求項2所述之電腦化方法，其中該第一輸出是表示在該運行時影像上該等第一缺陷的估計概率的一第一等級圖，並且該第二輸出是表示在該運行時影像上該等第二缺陷的估計概率的一第二等級圖；並且 其中使用可操作地連接到該受監督模型部件和該無監督模型部件的一分割模型部件執行該組合，以獲得指示在該取樣上該等第一缺陷和該等第二缺陷的估計概率的一複合等級圖，並且其中基於該受監督模型和該無監督模型的輸出來使用該第三訓練集訓練該分割模型部件。
  4. 如請求項2所述之電腦化方法，其中該第一輸出是表示在該運行時影像上該等第一缺陷的估計概率的一第一等級圖，並且該第二輸出是表示在該運行時影像上該等第二缺陷的估計概率的一第二等級圖；並且 其中該組合包括將該第一等級圖和該第二等級圖與各自的全域權重組合以產生指示在該取樣上該等第一缺陷和該等第二缺陷的估計概率的一複合等級圖，其中在使用該第三訓練集訓練期間最佳化該等各自的全域權重。
  5. 如請求項2所述之電腦化方法，其中使用一受監督模型部件處理該運行時影像包括以下步驟：產生表示在該運行時影像上該等第一缺陷的估計概率的一第一等級圖；及將一第一閾值應用於該第一等級圖以獲得一第一缺陷圖； 其中使用一無監督模型部件處理該運行時影像包括以下步驟：產生表示在該運行時影像上該等第二缺陷的估計概率的一第二等級圖；及將一第二閾值應用於該第二等級圖以獲得一第二缺陷圖，在使用該第三訓練集訓練期間最佳化該第一閾值和第二閾值，並且 其中該組合包括組合該第一缺陷圖和該第二缺陷圖以產生一複合缺陷圖。
  6. 如請求項4所述之電腦化方法，其中在使用該第三訓練集訓練期間使用一非梯度最佳化函數獲得該等全域權重。
  7. 如請求項1所述之電腦化方法，其中藉由以下方式訓練該受監督模型部件：處理每個第一影像以產生表示在該第一影像上該等第一缺陷的估計概率的一對應第一等級圖；及基於與該第一影像相對應的該標籤資料來最佳化該受監督模型部件。
  8. 如請求項1所述之電腦化方法，其中藉由以下方式訓練該無監督模型部件：處理每個第二影像以產生表示在該第二影像上該等第二缺陷的估計概率的一對應第二等級圖；及關於該第二影像基於該第二等級圖來最佳化該無監督網路。
  9. 如請求項1所述之電腦化方法，其中對於每個第一影像，該第一訓練集進一步包括對應設計資料及/或至少一個參考影像，並且該獲得進一步包括獲得該運行時影像的設計資料及/或至少一個參考影像。
  10. 如請求項1所述之電腦化方法，其中對於每個第二影像，該第二訓練集進一步包括對應設計資料，並且該獲得進一步包括獲得該運行時影像的設計資料。
  11. 如請求項1所述之電腦化方法，其中分開地訓練該受監督模型部件和該無監督模型部件。
  12. 如請求項1所述之電腦化方法，進一步包括在運行時期間，獲得一或多個新的第一影像，每個新的第一影像具有指示一或多個新的缺陷類別的存在的標籤資料；及使用該等新的第一影像重新訓練該受監督模型部件。
  13. 如請求項1所述之電腦化方法，其中該運行時影像是由一查驗工具產生的一查驗影像。
  14. 如請求項1所述之電腦化方法，進一步包括以下步驟：使用一或多個附加受監督模型部件及/或無監督模型部件處理該運行時影像以獲得指示在該運行時影像上附加缺陷的估計存在的一或多個附加輸出，其中使用一或多個附加訓練集訓練該一或多個附加受監督模型部件及/或無監督模型部件，該一或多個附加訓練集包括來自該取樣的不同層及/或來自不同取樣的訓練影像。
  15. 一種在一取樣上進行缺陷檢測的電腦化系統，該系統包括一處理器和記憶體電路(PMC)，該處理器和記憶體電路(PMC)被配置為執行以下操作： 獲得表示該取樣的至少一部分的一運行時影像； 使用一受監督模型部件處理該運行時影像以獲得指示在該運行時影像上第一缺陷的估計存在的一第一輸出，其中使用一第一訓練集訓練該受監督模型部件，該第一訓練集包括至少複數個第一影像和指示在該第一影像上的第一缺陷分佈的對應標籤資料，每個第一影像表示該取樣的至少一部分； 使用一無監督模型部件處理該運行時影像以獲得指示在該運行時影像上第二缺陷的估計存在的一第二輸出，其中使用一第二訓練集訓練該無監督模型，該第二訓練集包括複數個第二影像，每個第二影像表示該取樣的至少一部分，每個第二影像是一第一影像的一參考影像；及 使用一或多個最佳化參數組合該第一輸出和該第二輸出以獲得該取樣的一缺陷檢測結果。
  16. 如請求項15所述之電腦化系統，其中在使用一第三訓練集訓練期間獲得該一或多個最佳化參數。
  17. 如請求項16所述之電腦化系統，其中該第一輸出是表示在該運行時影像上該等第一缺陷的估計概率的一第一等級圖，並且該第二輸出是表示在該運行時影像上該等第二缺陷的估計概率的一第二等級圖；並且 其中該PMC被配置為使用可操作地連接到該受監督模型部件和該無監督模型部件的一分割模型部件組合該第一輸出和該第二輸出，以獲得指示在該取樣上該等第一缺陷和該等第二缺陷的估計概率的一複合等級圖，並且其中基於該受監督模型和該無監督模型的輸出使用該第三訓練集訓練該分割模型部件。
  18. 如請求項16所述之電腦化系統，其中該第一輸出是表示在該運行時影像上該等第一缺陷的估計概率的一第一等級圖，並且該第二輸出是表示在該運行時影像上該等第二缺陷的估計概率的一第二等級圖；並且 其中該PMC被配置為藉由將該第一等級圖和該第二等級圖與各自的全域權重組合以產生指示在該取樣上該等第一缺陷和該等第二缺陷的估計概率的一複合等級圖來組合該第一輸出和該第二輸出，其中在使用該第三訓練集訓練期間最佳化該等各自的全域權重。
  19. 如請求項16所述之電腦化系統，其中該PMC被配置為藉由以下方式使用一受監督模型部件處理該運行時影像：產生表示在該運行時影像上該等第一缺陷的估計概率的一第一等級圖；及將一第一閾值應用於該第一等級圖以獲得一第一缺陷圖； 其中該PMC被配置為藉由以下方式使用一無監督模型部件處理該運行時影像：產生表示在該運行時影像上該等第二缺陷的估計概率的一第二等級圖；及將一第二閾值應用於該第二等級圖以獲得一第二缺陷圖，在使用該第三訓練集訓練期間最佳化該第一閾值和該第二閾值，並且 其中該PMC被配置為藉由組合該第一缺陷圖和該第二缺陷圖以產生一複合缺陷圖來組合該第一輸出和該第二輸出。
  20. 一種非暫態電腦可讀取儲存媒體，該非暫態電腦可讀取儲存媒體有形地體現一指令程式，當該指令程式由一電腦執行時致使該電腦執行在一取樣上進行缺陷檢測的一方法，該方法包括： 獲得表示該取樣的至少一部分的一運行時影像； 使用一受監督模型部件處理該運行時影像以獲得指示在該運行時影像上第一缺陷的估計存在的一第一輸出，其中使用一第一訓練集訓練該受監督模型部件，該第一訓練集包括至少複數個第一影像和指示在該等第一影像上的第一缺陷分佈的對應標籤資料，每個第一影像表示該取樣的至少一部分； 使用一無監督模型部件處理該運行時影像以獲得指示在該運行時影像上第二缺陷的估計存在的一第二輸出，其中使用一第二訓練集訓練該無監督模型，該第二訓練集包括複數個第二影像，每個第二影像表示該取樣的至少一部分，每個第二影像是一第一影像的一參考影像；及 使用一或多個最佳化參數組合該第一輸出和該第二輸出以獲得該取樣的一缺陷檢測結果。
TW109134088A 2020-01-02 2020-09-30 基於機器學習的取樣缺陷檢測 TWI834916B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/733,219 US11449711B2 (en) 2020-01-02 2020-01-02 Machine learning-based defect detection of a specimen
US16/733,219 2020-01-02

Publications (2)

Publication Number Publication Date
TW202127370A true TW202127370A (zh) 2021-07-16
TWI834916B TWI834916B (zh) 2024-03-11

Family

ID=76558546

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109134088A TWI834916B (zh) 2020-01-02 2020-09-30 基於機器學習的取樣缺陷檢測

Country Status (4)

Country Link
US (1) US11449711B2 (zh)
KR (1) KR20210087874A (zh)
CN (1) CN113066044B (zh)
TW (1) TWI834916B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11568174B2 (en) * 2020-02-18 2023-01-31 Ping An Technology (Shenzhen) Co., Ltd. Co-heterogeneous and adaptive 3D pathological abdominal organ segmentation using multi-source and multi-phase clinical image datasets
CN113822836B (zh) * 2020-06-05 2024-06-18 英业达科技有限公司 标记图像的方法
KR20220045499A (ko) * 2020-10-05 2022-04-12 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
CN114862740A (zh) * 2021-01-18 2022-08-05 富泰华工业（深圳）有限公司 瑕疵检测方法、装置、电子设备及计算机可读存储介质
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
US20230196732A1 (en) * 2021-12-20 2023-06-22 Kla Corporation Machine learning using a global texture characteristic for semiconductor-based applications
CN114397306B (zh) * 2022-03-25 2022-07-29 南方电网数字电网研究院有限公司 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法
CN115619784B (zh) * 2022-12-16 2023-06-02 福建帝视科技集团有限公司 一种基于深度特征记忆库的无监督缺陷检测方法及终端
CN115965604B (zh) * 2022-12-30 2023-07-07 平湖市凯鑫塑业股份有限公司 一种基于箱包配件的箱包安全监控方法及系统
CN117274180A (zh) * 2023-09-13 2023-12-22 广州诺芯软件科技有限公司 应用于产品质量评估模型的数据处理方法及系统
CN118037719A (zh) * 2024-04-11 2024-05-14 北京阿丘机器人科技有限公司 产品缺陷检测方法、设备及存储介质

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006004411B4 (de) * 2006-01-31 2017-11-09 Globalfoundries Inc. Verfahren und System für die Messdatenbewertung in der Halbleiterbearbeitung durch auf Korrelation basierende Datenfilterung
TWI737659B (zh) 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
US10360477B2 (en) * 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
JP6453805B2 (ja) * 2016-04-25 2019-01-16 ファナック株式会社 製品の異常に関連する変数の判定値を設定する生産システム
JP6542738B2 (ja) * 2016-10-12 2019-07-10 ファナック株式会社 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US11517197B2 (en) * 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
CN108171707A (zh) * 2018-01-23 2018-06-15 武汉精测电子集团股份有限公司 一种基于深度学习的Mura缺陷等级评判方法及装置
CN108416370B (zh) * 2018-02-07 2022-03-22 深圳大学 基于半监督深度学习的图像分类方法、装置和存储介质
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US10672588B1 (en) * 2018-11-15 2020-06-02 Kla-Tencor Corporation Using deep learning based defect detection and classification schemes for pixel level image quantification
US20200166909A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning
WO2020156769A1 (en) * 2019-01-29 2020-08-06 Asml Netherlands B.V. Method for decision making in a semiconductor manufacturing process
EP3918500B1 (en) * 2019-03-05 2024-04-24 Siemens Industry Software Inc. Machine learning-based anomaly detections for embedded software applications
US10956789B2 (en) * 2019-03-28 2021-03-23 Intel Corporation Systems, methods, and apparatus to improve computing system utilization
JP2020182172A (ja) * 2019-04-26 2020-11-05 ソニー株式会社 データ処理システム、データ処理方法、プログラム、センサ装置および受信装置
US11308396B2 (en) * 2019-06-27 2022-04-19 Amazon Technologies, Inc. Neural network layer-by-layer debugging

Also Published As

Publication number Publication date
US11449711B2 (en) 2022-09-20
CN113066044B (zh) 2023-12-26
US20210209418A1 (en) 2021-07-08
TWI834916B (zh) 2024-03-11
KR20210087874A (ko) 2021-07-13
CN113066044A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
TWI834916B (zh) 基於機器學習的取樣缺陷檢測
CN110945528B (zh) 产生可用于检查半导体样品的训练集的方法及其系统
US11568531B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
US12007335B2 (en) Automatic optimization of an examination recipe
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
TW202044067A (zh) 基於機器學習之半導體樣本中的缺陷分類
TWI786570B (zh) 生成可用於檢查半導體樣本的訓練集
KR20240034146A (ko) 반도체 시편에 대한 결함 검사
Lee et al. Multimodal machine learning for display panel defect layer identification
US20230377125A1 (en) Defect detection of a semiconductor specimen
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練
TW202413931A (zh) 用於半導體取樣的檢查配方最佳化