TW202129262A - 用於多模式檢測之基於統計學習模式選擇 - Google Patents

用於多模式檢測之基於統計學習模式選擇 Download PDF

Info

Publication number
TW202129262A
TW202129262A TW109134686A TW109134686A TW202129262A TW 202129262 A TW202129262 A TW 202129262A TW 109134686 A TW109134686 A TW 109134686A TW 109134686 A TW109134686 A TW 109134686A TW 202129262 A TW202129262 A TW 202129262A
Authority
TW
Taiwan
Prior art keywords
sample
detection
modes
different combinations
mode
Prior art date
Application number
TW109134686A
Other languages
English (en)
Other versions
TWI843901B (zh
Inventor
佛艾哈福 捷安得
伯裘恩 布拉爾
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 TW202129262A publication Critical patent/TW202129262A/zh
Application granted granted Critical
Publication of TWI843901B publication Critical patent/TWI843901B/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
    • 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
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • 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
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/05—Investigating materials by wave or particle radiation by diffraction, scatter or reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Signal Processing (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明提供用於選擇用於檢測樣品之(若干)模式之方法及系統。一個方法包含統計預測一集合中之資料點是否對應於一樣品上之缺陷或擾亂點。該等資料點包含針對該樣品上之離散位置自藉由一檢測系統之兩個或更多個模式產生之輸出判定之(若干)屬性。已在該等離散位置處使用該等模式之至少一者偵測事件。該方法亦包含判定該等模式之兩個或更多個不同組合之各者之一定量量測，藉此判定不同定量量測。該等不同組合之各者之該定量量測係回應於該等組合之一者偵測該等缺陷且最小化該等擾亂點之偵測之良好程度。該方法進一步包含基於該等經判定定量量測選擇用於檢測與該樣品之類型相同之樣品之該等模式之一或多者。

Description

用於多模式檢測之基於統計學習模式選擇
本發明大體上係關於在半導體技術中用於樣品之多模式檢測之基於統計學習模式選擇之方法及系統。
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。
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。
許多檢測工具具有關於工具之許多輸出(例如，影像)產生元件之可調整參數。關於一或多個元件(諸如(若干)能量源、(若干)偏光器、(若干)透鏡、(若干)偵測器及類似者)之參數可取決於所檢測樣品之類型及樣品上之所關注缺陷(DOI)之特性更改。例如，不同類型之樣品可具有顯著不同特性，此可引起具有相同參數之相同工具以顯著不同方式使樣品成像。另外，由於不同類型之DOI可具有顯著不同特性，故適用於偵測一個類型之DOI之檢測系統參數可不適用於偵測另一類型之DOI。此外，不同類型之樣品可具有不同雜訊源，此可以不同方式干擾樣品上之DOI之偵測。
具有可調整參數之檢測工具之開發亦已導致檢測程序之增加使用，其涉及使用參數值(另外稱為「模式」)之一個以上組合掃描樣品使得可使用不同模式偵測不同缺陷類型。例如，一個模式可具有用於偵測一個類型之缺陷之一更大靈敏度而另一模式可具有用於偵測另一類型之缺陷之一更大靈敏度。因此，使用兩個模式，一檢測系統可能夠以可接受靈敏度偵測兩個類型之缺陷。
若干當前使用之方法可用於光學模式選擇(OMS)以尋找用於檢測之最佳模式。當一檢測程序僅使用檢測工具之一個模式時，模式選擇可相對直觀。例如，可針對各模式比較一效能度量(諸如DOI擷取對擾亂點抑制)以識別具有最佳效能之模式。然而，當使用一個以上模式用於檢測時，此程序變得以指數方式更複雜且困難。例如，一人可簡單地比較不同模式之效能度量且接著選擇前兩者或更多者用於檢測，但此將不一定導致比僅使用頂級模式之情況下更佳之一檢測程序。
代替性地，使用一個以上模式用於一檢測之動力通常係檢測相對難以開始，例如，DOI相對難以與雜訊分開及/或擾亂點相對難以抑制。針對此等檢測，理想地，兩個或更多個模式將以某一方式互補，例如，使得由一個模式產生之結果將增強由另一模式產生之結果。在一個此實例中，即使由一個模式產生之結果自身並不特別「良好」，然在正確情況中，該等結果可用於分離在由另一模式產生之其他結果中之DOI與擾亂點，藉此增強由另一模式產生之結果。
通常，因為數個原因，此等互補模式難以識別。一個此原因可係一檢測工具上之可變設定之數目實質上大，從而導致可評估之大量模式及甚至更大數目個模式組合。一些檢測模式選擇程序之目的為藉由在甚至開始評估之前消除一些模式或模式組合而簡化此程序。即使如此，模式及模式組合之數目可大至抑制全部模式及模式組合被評估。例如，不僅使用各模式掃描一測試樣品可係不可取的，而且針對各模式及模式組合評估資料可係耗時且昂貴的，使得無法針對每一樣品及每一檢測程序執行此模式評估。另外，模式及模式組合之評估不可能手動執行。例如，在模式選擇程序中產生之資料之量僅太大而無法以一及時方式手動評估。
因此，開發用於選擇用於檢測樣品之一或多個模式而無上文描述之一或多個缺點之系統及方法將係有利的。
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用於選擇用於檢測樣品之一或多個模式之系統。該系統包含經組態用於統計預測一集合中之資料點是否對應於一樣品上之缺陷或擾亂點之一或多個電腦系統。該等資料點包含針對該樣品上之離散位置自藉由一檢測系統之兩個或更多個模式產生之輸出判定之一或多個屬性。已在該等離散位置處使用該兩個或更多個模式之至少一者偵測事件。該一或多個電腦系統亦經組態用於判定該兩個或更多個模式之兩個或更多個不同組合之各者之一定量量測，藉此判定不同定量量測。該兩個或更多個不同組合之各者之該定量量測係回應於該兩個或更多個不同組合之一者偵測該等缺陷且最小化該等擾亂點之偵測之良好程度。另外，該一或多個電腦系統經組態用於基於該等經判定定量量測選擇用於檢測與該樣品之類型相同之樣品之該檢測系統之該兩個或更多個模式之一或多者。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選擇用於檢測樣品之一或多個模式之方法。該方法包含藉由一或多個電腦系統執行之上文描述之統計預測、判定及選擇步驟。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，上文描述之方法之實施例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任何系統執行。
另一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執行以執行用於選擇用於檢測樣品之一或多個模式之一電腦實施方法。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電腦可讀媒體。可如本文中進一步描述般執行電腦實施方法之步驟。另外，程式指令可執行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。
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)通常被定義為一使用者不關心之缺陷及/或在一樣品上偵測但實際上並非樣品上之實際缺陷之事件。並非實際缺陷之擾亂點可歸因於一樣品上之非缺陷雜訊源(例如，樣品上之金屬線中之增益、來自樣品上之底層或材料之信號、線邊緣粗糙度(LER)、圖案化屬性之相對小臨界尺寸(CD)變動、厚度變動等)及/或歸因於檢測系統自身或用於檢測之其組態中之邊緣性而被偵測為事件。
如本文中使用之術語「所關注缺陷(DOI)」被定義為在一樣品上偵測且實際上係樣品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樣品上之實際缺陷之數量及種類。在一些背景內容中，術語「DOI」用於指代樣品上之全部實際缺陷之一子集，其僅包含一使用者關注之實際缺陷。例如，在任何給定樣品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」用於指代一樣品上之任何及全部真實缺陷。
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。
一般言之，本文中描述之實施例經組態用於多模式檢測之基於統計學習模式選擇。例如，本文中描述之系統及方法使用本文中描述之基於統計學習之方法之一者以選擇用於多模式檢測中之擾亂點減少(例如，以最小化在多模式檢測中偵測之擾亂點，此亦通常稱為擾亂點抑制)之最佳模式組合。
在一些實施例中，樣品係一晶圓。晶圓可包含半導體技術中已知之任何晶圓。雖然本文中關於一晶圓或若干晶圓描述一些實施例，但實施例不限於可使用其等之樣品。例如，本文中描述之實施例可用於諸如倍縮光罩、平板、個人電腦(PC)板及其他半導體樣品之樣品。
一項實施例係關於一種經組態以選擇用於檢測樣品之一或多個模式之系統。在圖1中展示此一系統之一項實施例。系統包含一或多個電腦系統102。在一些實施例中，系統包含耦合至一或多個電腦系統之一檢測系統。例如，在圖1中，系統包含耦合至(若干)電腦系統102之檢測系統100。在圖1中展示之實施例中，檢測系統經組態為一基於光之檢測系統。然而，在本文中描述之其他實施例中，檢測系統經組態為一電子束或帶電粒子束檢測系統。
一般言之，本文中描述之檢測系統包含至少一能量源、一偵測器及一掃描子系統。該能量源經組態以產生藉由檢測系統經引導至一樣品之能量。該偵測器經組態以偵測來自該樣品之能量且回應於該經偵測能量而產生輸出。掃描子系統經組態以改變樣品上能量經引導至其且自其偵測能量之一位置。
在一基於光之檢測系統中，經引導至樣品之能量包含光，且自樣品偵測之能量包含光。例如，在圖1中展示之系統之實施例中，檢測系統包含經組態以將光引導至樣品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樣品。例如，如圖1中展示，按一傾斜入射角引導來自光源16之光穿過光學元件18且接著穿過透鏡20至樣品14。傾斜入射角可包含任何適合傾斜入射角，其可取決於(例如)樣品及欲在樣品上偵測之缺陷之特性而變動。
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樣品。例如，檢測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中展示之入射角之一入射角將光引導至樣品。在一個此實例中，檢測系統可經組組態以移動光源16、光學元件18及透鏡20使得按一不同傾斜入射角或一法向(或近法向)入射角將光引導至樣品。
在一些例項中，檢測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樣品。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樣品，則按不同入射角引導至樣品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樣品之光彼此區分。
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)將來自該光源之光區分成不同光學路徑(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樣品。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樣品時)將光引導至樣品。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樣品。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，藉由將一個光譜濾波器調換成另一光譜濾波器)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樣品。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樣品之任何其他適合組態。
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樣品之光可包含寬頻光。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聚焦至樣品14上。雖然透鏡20在圖1中展示為一單折射光學元件，但實務上，透鏡20可包含將來自光學元件之光組合地聚焦至樣品之數個折射及/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)孔徑及類似者，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。
檢測系統亦包含經組態以改變樣品上光經引導至其且自其偵測光之位置且可能引起光經掃描遍及樣品之一掃描子系統。例如，檢測系統可包含樣品14在檢測期間安置於其上之載物台22。掃描子系統可包含可經組態以移動樣品使得光可經引導至樣品上之不同位置且自樣品上之不同位置經偵測之任何適合機械及/或機器人總成(其包含載物台22)。另外或替代地，檢測系統可經組態使得檢測系統之一或多個光學元件執行光遍及樣品之某一掃描使得光可經引導至樣品上之不同位置且自樣品上之不同位置經偵測。在其中使光掃描遍及樣品之例項中，可以任何適合方式(諸如以一蛇形路徑或以一螺旋路徑)使光掃描遍及樣品。
檢測系統進一步包含一或多個偵測通道。(若干)偵測通道之至少一者包含一偵測器，該偵測器經組態以偵測歸因於藉由系統照明樣品而來自樣品之光且回應於經偵測光產生輸出。例如，圖1中展示之檢測系統包含兩個偵測通道，一個偵測通道由集光器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，兩個偵測通道經組態以偵測散射光，且偵測通道經組態以偵測按不同角度自樣品散射之光。然而，一或多個偵測通道可經組態以自樣品偵測另一類型之光(例如，反射光)。
如圖1中進一步展示，兩個偵測通道經展示定位於紙平面中且照明子系統亦經展示定位於紙平面中。因此，在此實施例中，兩個偵測通道定位(例如，居中)於入射平面中。然而，一或多個偵測通道可定位於入射平面外。例如，由集光器30、元件32及偵測器34形成之偵測通道可經組態以收集且偵測自入射平面散射之光。因此，此一偵測通道可通常稱為一「側」通道，且此一側通道可在實質上垂直於入射平面之一平面中居中。
雖然圖1展示包含兩個偵測通道之檢測系統之一實施例，但檢測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更多個偵測通道)。在一個此例項中，由集光器30、元件32及偵測器34形成之偵測通道可如上文描述般形成一個側通道，且檢測系統可包含形成為定位於入射平面之相對側上之另一側通道之一額外偵測通道(未展示)。因此，檢測系統可包含偵測通道，該偵測通道包含集光器24、元件26及偵測器28且在入射平面中居中且經組態以按法向於或接近法向於樣品表面之(若干)散射角收集且偵測光。因此，此偵測通道可通常稱為一「頂部」通道，且檢測系統亦可包含如上文描述般組態之兩個或更多個側通道。因而，檢測系統可包含至少三個通道(即，一個頂部通道及兩個側通道)，且至少三個通道之各者具有其自身之集光器，各集光器經組態以按與各其他集光器不同之散射角收集光。
如上文進一步描述，包含於檢測系統中之各偵測通道可經組態以偵測散射光。因此，圖1中展示之檢測系統可經組態用於樣品之暗場(DF)檢測。然而，檢測系統亦可或替代地包含經組態用於樣品之明場(BF)檢測之(若干)偵測通道。換言之，檢測系統可包含經組態以偵測自樣品鏡面反射之光之至少一個偵測通道。因此，本文中描述之檢測系統可經組態用於僅DF檢測、僅BF檢測或DF檢測及BF檢測兩者。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。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(諸如檢測系統之電腦子系統36)可經組態以自偵測器之非成像輸出產生樣品之影像。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，檢測系統可經組態以依數個方式產生影像。
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系統之一組態。顯然，可更改本文中描述之檢測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檢測系統之效能。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(Milpitas)，KLA之29xx/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檢測系統之選用功能性(例如，除了檢測系統之其他功能性之外)。替代地，可「從頭開始」設計本文中描述之檢測系統以提供一全新檢測系統。
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)耦合至檢測系統之偵測器使得電腦子系統可接收由偵測器產生之輸出。電腦子系統36可經組態以使用偵測器之輸出執行數個功能。例如，電腦子系統可經組態以使用偵測器之輸出偵測樣品上之事件。偵測樣品上之事件可藉由將某一缺陷偵測演算法及/或方法應用至由偵測器產生之輸出而執行。缺陷偵測演算法及/或方法可包含此項技術中已知之任何適合演算法及/或方法。例如，電腦子系統可比較偵測器之輸出與一臨限值。可將具有高於臨限值之值之任何輸出識別為一事件(例如，一潛在缺陷)，而可不將具有低於臨限值之值之任何輸出識別為一事件。
可如本文中描述般進一步組態檢測系統之電腦子系統。例如，電腦子系統36可係本文中描述之一或多個電腦系統之部分或可經組態為本文中描述之一或多個電腦系統。特定言之，電腦子系統36可經組態以執行本文中描述之統計預測、判定及選擇步驟。因而，本文中描述之步驟可藉由一電腦系統或係一檢測系統之部分之子系統「在工具上」執行。
檢測系統之電腦子系統(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執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連結工具)。
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如由圖1中之虛線展示般耦合至(若干)電腦系統102。兩個或更多個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)有效地耦合。
雖然上文將檢測系統描述為一光學或光檢測系統，但在另一實施例中，檢測系統經組態為一電子束檢測系統。在一電子束檢測系統中，經引導至樣品之能量包含電子，且自樣品偵測之能量包含電子。在圖1a中展示之一項此實施例中，檢測系統包含電子柱122，且系統包含耦合至檢測系統之電腦子系統124。電腦子系統124可如上文描述般經組態。另外，此一檢測系統可以上文描述且在圖1中展示之相同方式耦合至另一或多個電腦系統。
亦如圖1a中展示，電子柱包含經組態以產生由一或多個元件130聚焦至樣品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。
自樣品返回之電子(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1a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樣品且按另一傾斜角自樣品散射，但電子束可按任何適合角度引導至樣品且自樣品散射。另外，電子束檢測系統可經組態以使用多個模式(例如，使用不同照明角、收集角等)來產生關於樣品之輸出，如本文中進一步描述。電子束檢測系統之多個模式在檢測系統之任何輸出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。偵測器可偵測自樣品之表面返回之電子，藉此形成樣品之電子束影像(或關於樣品之其他輸出)。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可經組態以使用藉由偵測器134產生之輸出偵測樣品上之事件，此可如上文描述般或以任何其他適合方式執行。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1a中展示之檢測系統之一系統。
應注意，在本文中提供圖1a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系統之一組態。如同上文描述之光學檢測系統，可更改本文中描述之電子束檢測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檢測系統之效能。另外，可使用諸如商業上可購自KLA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。
雖然上文將檢測系統描述為一光或電子束檢測系統，但檢測系統可係一離子束檢測系統。可如圖1a中展示般組態此一檢測系統，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，檢測系統可包含任何其他適合離子束成像系統，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)系統中之離子束成像系統。
如上文進一步提及，檢測系統經組態以具有多個模式。一般言之，一「模式」可由用於產生關於樣品之輸出之檢測系統之參數之值定義。因此，(除樣品上產生輸出之位置之外)不同模式可在檢測系統之光學或電子束參數之至少一者之值方面不同。例如，針對一基於光之檢測系統，不同模式可使用光之不同波長。模式可在經引導至樣品之光之波長方面不同，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，不同模式可使用不同照明通道。例如，如上文提及，檢測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。
多個模式亦可在照明及/或集光/偵測方面不同。例如，如上文進一步描述，檢測系統可包含多個偵測器。因此，一個偵測器可用於一個模式且另一偵測器可用於另一模式。另外，模式可以本文中描述之一個以上方式彼此不同(例如，不同模式可具有一或多個不同照明參數及一或多個不同偵測參數)。例如，取決於使用多個模式同時掃描樣品之能力，檢測系統可經組態以在相同掃描或不同掃描中使用不同模式掃描樣品。
若在不同掃描中使用不同模式來產生關於樣品之輸出，則在不同掃描中產生之輸出可以某一方式對準。例如，若在不同掃描中產生影像，則可將影像彼此對準使得在樣品上之相同位置處產生之影像可被共同用於檢測。在其他例項中，在不同掃描中針對相同位置產生之輸出可彼此對準，使得使用在不同掃描中產生之輸出執行之任何缺陷偵測之結果可彼此對準。例如，若在不同掃描中使用不同模式產生輸出，則輸出可彼此對準，使得使用不同模式偵測之缺陷偵測之結果(例如，缺陷候選者)彼此對準。以此方式，對準結果可易於用於判定哪些結果跨不同模式具有樣品上之彼此空間重合。
上文描述之對準可以數個不同方式執行。在一些例項中，對準可使用某一圖案匹配或另一適合技術以一影像間對準執行。對準亦可以一對準設計方式執行，其之一些實例在2010年3月9日頒予Kulkarni之美國專利第7,676,077號中描述，該專利以宛如全文陳述引用的方式併入本文中。亦可使用一深度學習技術執行對準，諸如在2018年11月15日由Ha等人發表之美國專利申請公開案第2018/0330511號中描述之深度學習技術，該案以宛如全文陳述引用的方式併入本文中。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。
系統包含一或多個電腦系統，該一或多個電腦系統可包含上文描述之任何(若干)電腦子系統或(若干)系統之任何組態。一或多個電腦系統經組態用於統計預測一集合中之資料點是否對應於一樣品上之缺陷或擾亂點，如圖3之步驟300中展示。資料點包含針對樣品上之離散位置自藉由一檢測系統之兩個或更多個模式產生之輸出判定之一或多個屬性。已在離散位置處使用兩個或更多個模式之至少一者偵測事件。換言之，離散位置不包含樣品上使用兩個或更多個模式之至少一者未偵測一事件之位置。仍換言之，離散位置僅包含樣品上已使用兩個或更多個模式之至少一者偵測一事件之位置。例如，雖然一檢測系統可在包含至少部分重疊照明點之跨樣品之掃描帶或路徑中掃描樣品，藉此在樣品上經掃描之每一位置處產生輸出，但將不會在每一位置處偵測事件。因此，針對偵測一事件之任何離散位置，可針對該位置自在該位置處產生之輸出判定一或多個屬性(例如，針對離散位置x之屬性a及/或b、針對離散位置y之屬性a及/或b等)。因而，將針對少於全部經掃描位置且在不使用在掃描期間藉由檢測系統產生之全部輸出之情況下判定(若干)屬性。另外，雖然在離散位置處判定屬性，但檢測系統不如一移動擷取量測儀器般僅在離散位置處產生輸出。可如本文中進一步描述般執行統計判定步驟。
(若干)電腦系統亦經組態用於判定兩個或更多個模式之兩個或更多個不同組合之各者之一定量量測，藉此判定不同定量量測，如圖3之步驟302中展示。兩個或更多個不同組合之各者之定量量測係回應於兩個或更多個不同組合之一者偵測缺陷且最小化擾亂點之偵測之良好程度。可以各種不同方式識別及/或選擇兩個或更多個模式之兩個或更多個不同組合。例如，兩個或更多個不同模式組合可包含檢測系統上之全部可用模式組合。然而，歸因於此等評估中涉及之時間及成本，甚至針對本文中描述之實施例，評估此數個模式組合可係非所要的。因此，兩個或更多個不同組合可包含檢測系統上之少於全部可用模式組合。模式組合之此一子集可由一使用者或以某一其他方式(例如，基於至少標稱上成功檢測樣品(其等類似於針對其等選擇模式之樣品)之模式組合)選擇。因此，在本文中描述之實施例中評估之模式組合可由一使用者手動或由本文中描述之實施例自動選擇。可如本文中進一步描述般執行上文描述之判定步驟。
(若干)電腦系統進一步經組態用於基於經判定定量量測選擇用於檢測與該樣品之類型相同之樣品之檢測系統之兩個或更多個模式之一或多者，如圖3之步驟304中展示。樣品及相同類型之樣品可包含已使用(若干)相同製造步驟處理之不同樣品。例如，用於選擇用於檢測之一或多個模式之樣品可係與為其選擇模式之晶圓同一層之一晶圓。所選擇之一或多個模式可包含至少兩個模式，例如，兩個模式、三個模式等。然而，雖然本文中描述之實施例尤其適用於選擇用於一檢測程序中之模式之一組合，但本文中描述之實施例亦可用於單一模式檢測設定。可如本文中進一步描述般執行選擇步驟。
本文中進一步描述用於執行用於多模式檢測之模式選擇之上述步驟之兩個方式。第一方式係非監督式，且第二方式係監督式。由發明者執行之試驗已展示其等在結果方面大多一致。
上文描述之步驟可使用用於尋找最佳模式組合之一基於異常偵測之方法執行。例如，存在與各缺陷候選者(包含經判定為DOI或擾亂點之缺陷候選者)相關聯之多個屬性。各屬性「量測」一缺陷候選者之不同態樣(例如，信雜比)。因此，多模式選擇問題基本上變為一組合搜尋問題，其中目標係通過模式及屬性空間搜尋其中DOI與擾亂點之間之分離最大之一組合。換言之，由於檢測程序基於針對缺陷候選者判定之(若干)任何屬性(或屬性之某一子集)將缺陷候選者分離成DOI及擾亂點，故識別產生針對DOI及擾亂點充分不同(或在屬性空間中分離)且因此可用於分離DOI及擾亂點(無論其係藉由一缺陷偵測演算法、一擾亂點過濾器或一缺陷分類器完成)之(若干)屬性之模式對於產生一成功檢測程序至關重要。
由於以此一方式產生之資料集偏向於擾亂點嚴重不平衡(例如，僅歸因於將在將使用本文中描述之實施例之任何給定樣品上偵測之擾亂點之數目，該數目相較於將存在於此一樣品上之DOI之數目顯著更大)，此方法係基於離群點偵測(一非監督式方法)。因此，在一項此實施例中，統計預測、判定定量量測及選擇一或多個模式之步驟係非監督式的。相較於一監督式方法，非監督式方法之一益處係存在一典型擾亂點之外觀之許多可用實例，而DOI之數目實質上較少(例如，每一樣品約5至10個)。
在一項實施例中，如圖4之步驟300中展示，統計預測包含：將一密度函數擬合至整個資料點，如圖4之步驟400中展示；判定兩個或更多個資料點之各者之一密度值，藉此判定資料點之密度值，如圖4之步驟402中展示，密度值估計資料點對應於擾亂點之一概率；及判定量測在基於一臨限值將資料點分為二之情況下熵之一改變之一資訊增益分數，如圖4之步驟404中展示。例如，可假定，針對一樣品(諸如一晶圓)產生之檢測系統輸出之大多數像素係擾亂點，且DOI係擾亂點分佈中之離群點。因此，針對各模式組合ijk 及對應模式之屬性m 、 n 、 q (例如，針對模式i 之屬性m 、針對模式j 之屬性n 、針對模式k 之屬性q 等)，假定每一資料點(無論隨後經判定為一DOI或擾亂點)為一擾亂點，(若干)電腦系統可將一密度函數(例如，一高斯(Gaussian))擬合至整個資料集。以此方式，可基於等於組合中之模式之數目之屬性(例如，針對一模式三重態，3個屬性)判定每一模式組合(例如，一模式三重態)之密度函數。
屬性可包含可由(若干)電腦系統或檢測系統基於由檢測系統產生之輸出判定之任何適合缺陷屬性，且(若干)電腦系統或檢測系統可以此項技術中已知之任何適合方式判定缺陷屬性。因此，針對任一樣品上之任一缺陷判定之屬性可取決於檢測系統之組態以及一使用者所關注之屬性(例如，並非可使用輸出判定之全部屬性可用於檢測程序及/或對一使用者有用)變動。可針對各資料點(各經偵測事件、缺陷候選者等)及各給定模式判定一屬性。
接著，針對各資料點計算一密度值，且此密度估計資料點為一擾亂點之概率。例如，想像一給定模式及屬性組合之缺陷候選者之一實質上大資料集。針對全部此等缺陷候選者，可在屬性空間中產生一直方圖。若直方圖經正規化使得全部條形相加達1，則各條形表示一密度(亦稱為機率或機率密度)，此係因為其告訴你你觀察到此特定屬性值組合之可能性。
在此之後，(若干)電腦系統計算一資訊增益 (IG) 分數 ，該IG 分數 量測在基於一臨限值T將缺陷候選者集合分為二之情況下熵之改變。IG 分數 係針對各模式/屬性組合單獨判定。例如，當設定分離DOI及擾亂點之一臨限值時，集合中之熵將可能減小(此係因為較不可能將DOI及擾亂點混淆)。接著比較此熵與原始分佈之熵。若熵之差異相對大，則已使用臨限值相對良好地分離DOI及擾亂點。此係所謂的資訊增益。此增益愈高，分離愈佳。
針對本文中描述之實施例使用一IG 分數 尤其有利，此係因為為其選擇模式組合之檢測之目標係將資料成功地分離成(至少)兩個不同類別，即，DOI及擾亂點。因此，如本文中描述般判定之IG 分數 用作不同組合將執行之良好程度之一相對良好估計。具有較高IG 分數 之模式組合展示相對良好地在一資料集中分離DOI及擾亂點之一能力，而具有較低IG 分數 之模式組合將最有可能無法在其等產生之資料集中充分地分離DOI與擾亂點。
在非監督式方法之一項此實施例中，針對第i 、第j 、第k 模式組合，產生一資料集
Figure 02_image001
，其中
Figure 02_image003
係表示第i 模式之第m 屬性之行向量。各行向量含有缺陷候選者資訊及因此DOI及擾亂點資訊兩者。針對各
Figure 02_image005
，尋找估計各缺陷候選者(DOI及擾亂點兩者)之機率密度之一函數F (使用一密度估計演算法)：
Figure 02_image007
Figure 02_image009
。使用
Figure 02_image011
，當基於一臨限值
Figure 02_image013
將DOI及擾亂點劃分為兩個類別時，計算資訊增益。
Figure 02_image015
Figure 02_image017
，其中H 係熵
Figure 02_image019
。接著尋找最大化IG 之T 。
在另一此實施例中，如圖4之步驟302中展示，判定定量量測包含：藉由比較針對兩個或更多個不同組合之各者判定之資訊增益分數而將一排名指派至兩個或更多個不同組合之各者，如圖4之步驟406中展示，且排名經指派使得較高排名對應於較高資訊增益分數。例如，若將缺陷候選者集合完美地分成DOI及擾亂點(完全分離)，則IG 最大。另外，如上文進一步描述，一較高IG分數將指示用於分離DOI與擾亂點之一較佳能力，而較低IG分數將指示用於分離DOI與擾亂點之一較小能力。接著根據IG 分數對模式及屬性組合進行排名。因此，所得排名提供不同模式相對於所評估之其他模式執行之良好程度之一量測。在此步驟中，在一模式組合ijk 中，(若干)電腦系統可將屬性組合自最高資訊增益排序至最低。此經排序清單可稱為
Figure 02_image021
。
在一些此等實施例中，如圖4中之步驟302中展示，判定定量量測亦包含判定經指派最高排名之兩個或更多個不同組合之預定數目者之一或多個效能特性，如圖4中之步驟408中展示，且選擇所基於之經判定定量量測包含一或多個經判定效能特性。例如，可針對前x (例如，10)個模式組合候選者運算一或多個效能特性。以此方式，在對模式組合進行排名之後，可自進一步評估消除一些模式組合。雖然自進一步評估消除一些模式組合對於使額外步驟更快且更便宜係有利的，但此並非必要的且可視需要進一步考量全部模式組合。判定一或多個效能特性且基於此等效能特性選擇一或多個模式可如本文中進一步描述般以其他方式執行。
在一額外此實施例中，如圖4之步驟408中展示，判定一或多個效能特性包含：針對兩個或更多個不同組合之預定數目者之各者產生一接收器操作特性曲線，如圖4之步驟410中展示；及自針對兩個或更多個不同組合之預定數目者之各者之接收器操作特性曲線判定擾亂點減少百分比之一範圍內之一平均所關注缺陷保留，如圖4之步驟412中展示，且圖4之步驟304中展示之選擇所基於之一或多個經判定效能特性包含經判定平均所關注缺陷保留。例如，可針對前x (例如，10)個候選者運算接收器操作特性曲線(ROC曲線)。可以此項技術中已知之任何適合方式產生ROC曲線。選擇步驟可接著包含選擇具有最高平均DOI保留(例如，平均5%至35%之擾亂點減少)之模式組合候選者作為用於多模式檢測之模式組合。例如，(若干)電腦系統可選取在ROC曲線下具有最大面積(即，在5%至35%之間之擾亂點減少)之模式及屬性組合Mi 、Mj 、Mk 。換言之，(若干)電腦系統可計算在0.05與0.35之間之誤報(或擾亂點)之面積，其中一誤報率1意謂全部擾亂點實例在樣本內。接著比較此曲線下面積與全部其他模式屬性組合以藉此判定用於檢測之最佳模式組合。
現將描述用於尋找最佳模式組合之一基於隨機森林決策樹之方法。例如，在另一實施例中，如圖5中之步驟300中展示，統計預測包含將資料點輸入至一隨機森林決策樹中，如圖5中之步驟500中展示，該隨機森林決策樹經組態用於將資料點分離成兩個或更多個區域且基於被分離成兩個或更多個區域之訓練樣本之最常出現類別而將類別指派至資料點。在一項此實施例中，統計預測、判定定量量測及選擇一或多個模式係監督式的。在另一此實施例中，兩個或更多個區域係由針對離散位置判定之一或多個屬性之值之不同非重疊範圍界定之非重疊區域。
在上述實施例中，可在兩個步驟中建立一決策樹。第一，將由針對一給定缺陷候選者計算之全部屬性界定之預測器空間劃分為相異非重疊區域Rm ，其中m在自1至n之範圍中。第二，針對落至區域Rm 中之每一缺陷候選者，吾人預測各缺陷候選者屬於其所屬之區域中之訓練觀察之最常出現類別。決策樹可由本文中描述之實施例或由另一系統或方法建立。
在一額外此實施例中，一或多個電腦系統經組態用於：使用自舉(bootstrapped)訓練樣本產生初始隨機森林決策樹，如圖5之步驟502中展示；藉由每次考量一分離時選取針對自舉訓練樣本判定之屬性之一隨機子集而使初始隨機森林決策樹解相關，如圖5之步驟504中展示；及選擇隨機子集中之屬性之最佳分離類別之一屬性以供使用，藉此判定隨機森林決策樹，如圖5之步驟506中展示。例如，為了減小統計變異數(對測試資料之預測誤差)，可使用自舉訓練樣本(亦稱為引導總計法(bagging))產生許多樹。為了使樹解相關，執行以下步驟：每次考量一分離時，選取屬性之一隨機子集(通常為屬性之總數之平方根)且接著使用最佳分離類別之屬性(一隨機森林之概念)。可接著將在一特定訓練資料集上導出之此隨機森林模型應用至一測試資料集，例如，如圖5之步驟500中展示，且可計算每一缺陷候選者為一DOI之機率。
在一進一步此實施例中，隨機森林決策樹經組態以使用一基於集成學習之技術。若測試資料集之大小實質上小，則可使用一基於集成學習之技術。使用此一基於集成學習之技術之一個可能方式係產生兩個或更多個(例如，n = 5)個等效資料集。可將資料集之各者隨機地分成訓練(例如，事件之70%)及測試集合(剩餘事件)。針對各含有特定數目個屬性之模式組合之各者，可將所得(例如，n = 50) DOI擷取對擾亂點擷取分佈相加並正規化。
在另一此實施例中，如圖5之步驟302中展示，判定定量量測包含：針對兩個或更多個不同組合之各者產生一ROC曲線，如圖5之步驟508中展示；及自針對兩個或更多個不同組合之各者之ROC曲線判定擾亂點減少百分比之一範圍內之一平均DOI保留，如圖5之步驟510中展示，且圖5中之步驟304中展示之選擇所基於之經判定定量量測包含經判定平均DOI保留。以此方式，ROC類型曲線下面積可用於判定最佳模式組合，此可如本文中進一步描述般執行。
在一額外此實施例中，隨機森林決策樹經組態用於在自舉期間僅使用資料點之一第一部分，且如圖6之步驟300中展示，統計預測亦包含：將資料點之一第二部分輸入至隨機森林決策樹中，如圖6之步驟600中展示；針對由隨機森林決策樹針對資料點之第二部分產生之結果判定一袋外誤差，如圖6之步驟602中展示；及使用袋外誤差判定資料點之各者為DOI之一機率值，如圖6之步驟604中展示。例如，隨著在一模式選擇器作業階段中使用之屬性數目及缺陷候選者計數變得更大且調查更多模式，所提出集成學習涉及之時間增加且可考量用於平均化隨機森林模型之一更有效方式。應注意，在自舉期間，隨機森林僅使用樣本之1 - 1/e = 63%。剩餘37%被稱為袋外(OOB)樣本且可用於計算OOB誤差，此係對於測試誤差之一相對良好近似值。又，在此情況中，吾人獲得各事件為一DOI之一機率值且因此，吾人可使用ROC類型曲線下面積以判定最佳模式組合。
在一進一步此實施例中，如圖6之步驟302中展示，判定定量量測包含：針對兩個或更多個不同組合之各者產生一ROC曲線，如圖6之步驟606中展示；及自針對兩個或更多個不同組合之各者之ROC曲線判定擾亂點減少百分比之一範圍內之DOI之一平均保留，如圖6之步驟608中展示，且圖6之步驟304中展示之選擇所基於之經判定定量量測包含經判定平均DOI保留。以此方式，ROC類型曲線下面積可用於判定最佳模式組合，此可如本文中進一步描述般執行。
在一些實施例中，(若干)電腦系統經組態用於儲存一或多個選定模式之資訊以用於藉由檢測系統對樣品執行之一檢測程序中。(若干)電腦系統可經組態以將資訊儲存於一配方中或藉由產生其中將使用選定模式之檢測程序之一配方。如本文中使用之術語一「配方」可通常被定義為可由一工具使用以對一樣品執行一程序之一組指令。以此方式，產生一配方可包含產生關於待如何執行一程序之資訊，該資訊可接著用於產生用於執行該程序之指令。由(若干)電腦系統儲存之一或多個選定模式之資訊可包含可用於識別及/或使用(若干)選定模式之任何資訊(例如，諸如一檔案名稱及儲存其之位置，且檔案可包含關於模式之資訊，諸如模式名稱、模式參數值等)。
如上文提及，使用一個以上模式用於一檢測之動力通常係檢測相對難以開始，例如，DOI相對難以與雜訊分開及/或擾亂點相對難以抑制。針對此等檢測，理想地，兩個或更多個模式將以某一方式互補，例如，使得由一個模式產生之結果將增強由另一模式產生之結果。在一個此實例中，即使由一個模式產生之結果自身並不特別「良好」，然在正確情況中，該等結果可用於分離在由另一模式產生之其他結果中之DOI與擾亂點，藉此增強由另一模式產生之結果。
藉由本文中描述之實施例選擇之模式可以此一方式互補。例如，可選擇用於偵測樣品上之事件(即，缺陷候選者)之一主要模式。然而，該主要模式可導致包含擾亂點之一顯著數量、比例、百分比等之缺陷候選者群體。檢測系統可能無法透過處理分離該等擾亂點與缺陷，例如，來自使用主要模式獲得之缺陷及擾亂點之信號、該等缺陷及擾亂點之影像及/或針對該等缺陷及擾亂點判定之屬性可能無法僅以任何方式分離。可接著使用一輔助模式以自缺陷濾出擾亂點。例如，即使輔助模式比主要模式更不靈敏(例如，輔助模式將自身不偵測相較於主要模式相同多之缺陷)，然藉由輔助模式在藉由主要模式偵測之缺陷及擾亂點之位置處產生之輸出可具有充分不同以用於缺陷/擾亂點分離目的之特性。以此方式，可以不同於兩個模式偵測之一方式使用模式。換言之，主要模式可用於偵測，且輔助模式可用於將由主要模式偵測之事件分離成缺陷(或DOI)及擾亂點。
在一些此等例項中，當僅使用輔助模式用於分離目的時，檢測系統可僅在一逐位置基礎上將其視場定位於已在主要模式中偵測之缺陷候選者之經報告位置處以使用輔助模式收集其等之新輸出(例如，影像資訊等)。以此方式，檢測系統可經組態以僅在樣品上使用主要模式在樣品上偵測事件之離散位置處執行輸出產生，而非執行使用主要模式掃描之樣品之整個區域之一重新掃描。因而，檢測系統可使用輔助模式以一移動擷取量測方式執行輸出產生。接著，在此等檢測程序中，可依序使用主要模式及輔助模式，首先用於樣品上之整個經檢測區域之一掃描且接著用於經偵測事件之位置處之標定輸出產生。另外，檢測程序可不一定包含使用輔助模式在使用主要模式偵測之每一事件之位置處產生輸出。例如，使用輔助模式在使用主要模式偵測之一些事件之位置處產生之結果可用於濾出使用主要模式偵測之其他事件。在另一實例中，可執行使用主要模式偵測之事件之一初步過濾以分離顯然係缺陷或顯然係擾亂點之任何事件，且接著可使用輔助模式以在無法明顯地分離之剩餘事件處產生輸出。
然而，本文中描述之實施例明顯不限於可針對其執行模式選擇之檢測程序。換言之，本文中描述之實施例可用於任何檢測程序(包含單一模式檢測程序)之模式選擇。另外，可使用本文中描述之實施例為其選擇模式之檢測程序可包含其中多個模式執行偵測且共同結果用於執行分離(「多模式偵測」)之檢測程序、其中多個模式用於同時或單獨掃描樣品之一整個區域之檢測程序、使用兩個以上模式之檢測程序等。
(若干)電腦系統可經組態用於將(若干)選定模式之資訊儲存於任何適合電腦可讀儲存媒體中。資訊可與本文中描述之任何結果一起儲存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。在已儲存資訊之後，資訊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。例如，本文中描述之實施例可產生如上文描述之一檢測配方。該檢測配方可接著由系統或方法(或另一系統或方法)儲存並使用以檢測樣品或其他樣品以藉此產生樣品或其他樣品之資訊(例如，缺陷資訊)。
一或多個電腦系統及/或檢測系統可經組態以使用選擇步驟之結果以對樣品執行檢測程序。此一檢測程序可產生在樣品上偵測之任何缺陷之結果，諸如經偵測缺陷之定界框之資訊(例如，位置等)、偵測分數、關於缺陷分類之資訊(諸如類別標記或ID等)或此項技術中已知之任何此適合資訊。缺陷之結果可藉由(若干)電腦系統及/或檢測系統以任何適合方式產生。缺陷之結果可具有任何適合形式或格式，諸如一標準檔案類型。(若干)電腦系統及/或檢測系統可產生結果且儲存結果使得結果可由(若干)電腦系統及/或另一系統或方法使用以執行樣品或相同類型之另一樣品之一或多個功能。此等功能包含(但不限於)：以一回饋方式更改對樣品執行之一程序，諸如一製造程序或步驟；以一前餽方式更改將對樣品執行之一程序，諸如一製造程序或步驟等。
本文中描述之實施例具有優於用於選擇用於檢測之模式之其他方法及系統之數個優點。例如，本文中描述之技術可用於選擇用於多模式檢測之最佳輔助模式。另外，僅需要少量DOI以識別用於多模式檢測之最佳模式。此外，本文中描述之實施例容許可增加檢測對某些DOI之靈敏度之檢測組態(例如，模式選擇)之發現。因此，此等檢測之結果可實現作出關於程序控制之更佳決策(例如，改變用於製造樣品之程序之一或多個參數以減少且甚至最小化相同類型之其他樣品上之DOI)。
本文中描述之實施例之優點由實施例與用於選擇用於檢測之模式之其他方法及系統之間之數個重要差異提供。例如，本文中描述之實施例可使用異常偵測以尋找用於多模式檢測之最佳模式。另外，本文中描述之實施例可使用一多模式、多屬性空間中之擾亂點分佈以產生一異常偵測器。此外，本文中描述之實施例可使用一隨機森林技術以尋找用於多模式檢測之最佳模式。再者，本文中描述之實施例可使用OOB誤差以尋找用於多模式檢測之最佳模式。
本文中描述之實施例亦可在其等主使用者介面(UI)中整合至當前使用之光學器件選擇器產品中，其中可將曲線下面積(AUC)呈現給使用者以找出執行最佳之模式組合。換言之，例如，可經由任何適合顯示裝置及UI將ROC曲線及自其判定之任何效能特性(例如，在擾亂點減少百分比之一範圍內之平均DOI保留)呈現給一使用者，其具有自使用者接收對於待選擇用於檢測之模式組合之一偏好之功能性。當可存在一個以上適合模式組合時，當似乎不存在任何適合模式組合時及/或當效能特性指示可存在對於使用者輸入之某一需要時，容許使用者提供關於選擇哪一模式組合之輸入可係有利的。此顯示及UI功能性亦可用於將選定模式組合及本文中描述之任何其他步驟之任何其他結果呈現給使用者以供同意或拒絕。
本文中描述之實施例亦可如在2018年10月30日由Brauer頒布之共同擁有之美國專利第10,115,040號及2019年5月8日由Brauer等人申請之美國專利申請案第16/406,374號中描述般經組態，該等案以宛如全文陳述引用之方式併入本文中。
可將上文描述之系統之各實施例一起組合為一項單一實施例。換言之，除非本文中另外提及，否則無系統實施例與任何其他系統實施例相互排斥。
另一實施例係關於一種用於選擇用於檢測樣品之一或多個模式之方法。方法包含上文描述之統計預測、判定一定量量測及選擇兩個或更多個模式之一或多者之步驟。步驟由一或多個電腦系統執行，該一或多個電腦系統可根據本文中描述之任何實施例組態。
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系統及/或(若干)電腦系統執行之(若干)任何其他步驟。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執行以執行用於選擇用於檢測樣品之一或多個模式之一電腦實施方法。在圖2中展示一項此實施例。特定言之，如圖2中展示，非暫時性電腦可讀媒體200包含可在電腦系統204上執行之程式指令202。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方法之程式指令202可儲存於電腦可讀媒體200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204。
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，提供用於選擇用於檢測樣品之一或多個模式之方法及系統。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屬性。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。
14:樣品 16:光源 18:光學元件 20:透鏡 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:檢測系統 102:電腦系統 122:電子柱 124:電腦子系統 126:電子束源 128:樣品 130:元件 132:元件 134:偵測器 200:非暫時性電腦可讀媒體 202:程式指令 204:電腦系統 300:步驟 302:步驟 304:步驟 400:步驟 402:步驟 404:步驟 406:步驟 408:步驟 410:步驟 412:步驟 500:步驟 502:步驟 504:步驟 506:步驟 508:步驟 510:步驟 600:步驟 602:步驟 604:步驟 606:步驟 608:步驟
在受益於較佳實施例之以下詳細描述的情況下且在參考隨附圖式之後，熟習此項技術者將明白本發明之進一步優點，其中：
圖1及圖1a係繪示如本文中描述般組態之一系統之實施例之側視圖之示意圖；
圖2係繪示儲存用於引起一電腦系統執行本文中描述之一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；及
圖3至圖6係繪示可經執行用於選擇用於檢測樣品之一或多個模式之步驟之實施例之流程圖。
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在本文中經詳細描述。圖式可不按比例繪製。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，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。
300:步驟
302:步驟
304:步驟

Claims (20)

  1. 一種經組態用於選擇用於檢測樣品之一或多個模式之系統，其包括： 一或多個電腦系統，其等經組態用於： 統計預測一集合中之資料點是否對應於一樣品上之缺陷或擾亂點，其中該等資料點包括針對該樣品上之離散位置自藉由一檢測系統之兩個或更多個模式產生之輸出判定之一或多個屬性，且其中已在該等離散位置處使用該兩個或更多個模式之至少一者偵測事件； 判定該兩個或更多個模式之兩個或更多個不同組合之各者之一定量量測，藉此判定不同定量量測，其中該兩個或更多個不同組合之各者之該定量量測係回應於該兩個或更多個不同組合之一者偵測該等缺陷且最小化該等擾亂點之偵測之良好程度；及 基於該等經判定定量量測選擇用於檢測與該樣品之類型相同之樣品之該檢測系統之該兩個或更多個模式之一或多者。
  2. 如請求項1之系統，其中該統計預測包括將一密度函數擬合至整個該等資料點，判定兩個或更多個該等資料點之各者之一密度值，藉此判定該等資料點之密度值，其中該等密度值估計該等資料點對應於該等擾亂點之一概率，及判定量測在基於一臨限值將該等資料點分為二之情況下熵之一改變之一資訊增益分數。
  3. 如請求項2之系統，其中該等統計預測、判定該定量量測及選擇該一或多個模式係非監督式的。
  4. 如請求項2之系統，其中判定該定量量測包括藉由比較針對該兩個或更多個不同組合之各者判定之該等資訊增益分數而將一排名指派至該兩個或更多個不同組合之各者，且其中該等排名經指派使得較高排名對應於較高資訊增益分數。
  5. 如請求項4之系統，其中判定該定量量測進一步包括判定經指派最高排名之該兩個或更多個不同組合之預定數目者之一或多個效能特性，且其中該選擇所基於之該等經判定定量量測包括該經判定一或多個效能特性。
  6. 如請求項5之系統，其中判定該一或多個效能特性包括針對該兩個或更多個不同組合之該預定數目者之各者產生一接收器操作特性曲線，及自針對該兩個或更多個不同組合之該預定數目者之各者之該接收器操作特性曲線判定擾亂點減少百分比之一範圍內之一平均所關注缺陷保留，且其中該選擇所基於之該經判定一或多個效能特性包括該等經判定平均所關注缺陷保留。
  7. 如請求項1之系統，其中該統計預測包括將該等資料點輸入至一隨機森林決策樹中，該隨機森林決策樹經組態用於將該等資料點分離成兩個或更多個區域且基於被分離成該兩個或更多個區域之訓練樣本之最常出現類別而將類別指派至該等資料點。
  8. 如請求項7之系統，其中該等統計預測、判定該定量量測及選擇該一或多個模式係監督式的。
  9. 如請求項7之系統，其中該兩個或更多個區域係由針對該等離散位置判定之該一或多個屬性之值之不同非重疊範圍界定之非重疊區域。
  10. 如請求項7之系統，其中該一或多個電腦系統進一步經組態用於使用自舉訓練樣本產生初始隨機森林決策樹，藉由每次考量一分離時選取針對該等自舉訓練樣本判定之屬性之一隨機子集而使該等初始隨機森林決策樹解相關，及選擇該隨機子集中之該等屬性之最佳分離該等類別之一屬性以供使用，藉此判定該隨機森林決策樹。
  11. 如請求項7之系統，其中該隨機森林決策樹進一步經組態以使用一基於集成學習之技術。
  12. 如請求項7之系統，其中判定該定量量測包括針對該兩個或更多個不同組合之各者產生一接收器操作特性曲線，及自針對該兩個或更多個不同組合之各者之該接收器操作特性曲線判定擾亂點減少百分比之一範圍內之一平均所關注缺陷保留，且其中該選擇所基於之該等經判定定量量測包括該等經判定平均所關注缺陷保留。
  13. 如請求項7之系統，其中該隨機森林決策樹進一步經組態用於在自舉期間僅使用該等資料點之一第一部分，且其中該統計預測進一步包括：將該等資料點之一第二部分輸入至該隨機森林決策樹中；針對由該隨機森林決策樹針對該等資料點之該第二部分產生之結果判定一袋外誤差；及使用該袋外誤差判定該等資料點之各者為所關注缺陷之一機率值。
  14. 如請求項13之系統，其中判定該定量量測包括針對該兩個或更多個不同組合之各者產生一接收器操作特性曲線，及自針對該兩個或更多個不同組合之各者之該接收器操作特性曲線判定擾亂點減少百分比之一範圍內之該等所關注缺陷之一平均保留，且其中該選擇所基於之該等經判定定量量測包括該等經判定平均所關注缺陷保留。
  15. 如請求項1之系統，其中該一或多個電腦系統進一步經組態用於儲存該經選定一或多個模式之資訊以用於藉由該檢測系統對該樣品執行之一檢測程序中。
  16. 如請求項1之系統，其進一步包括耦合至該一或多個電腦系統之該檢測系統。
  17. 如請求項1之系統，其中該檢測系統經組態為一基於光之檢測系統。
  18. 如請求項1之系統，其中該檢測系統經組態為一基於電子束之檢測系統。
  19. 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執行以執行用於選擇用於檢測樣品之一或多個模式之一電腦實施方法，其中該電腦實施方法包括： 統計預測一集合中之資料點是否對應於一樣品上之缺陷或擾亂點，其中該等資料點包括針對該樣品上之離散位置自藉由一檢測系統之兩個或更多個模式產生之輸出判定之一或多個屬性，且其中已在該等離散位置處使用該兩個或更多個模式之至少一者偵測事件； 判定該兩個或更多個模式之兩個或更多個不同組合之各者之一定量量測，藉此判定不同定量量測，其中該兩個或更多個不同組合之各者之該定量量測係回應於該兩個或更多個不同組合之一者偵測該等缺陷且最小化該等擾亂點之偵測之良好程度；及 基於該等經判定定量量測選擇用於檢測與該樣品之類型相同之樣品之該檢測系統之該兩個或更多個模式之一或多者，其中該等統計預測、判定及選擇係藉由該電腦系統執行。
  20. 一種用於選擇用於檢測樣品之一或多個模式之方法，其包括： 統計預測一集合中之資料點是否對應於一樣品上之缺陷或擾亂點，其中該等資料點包括針對該樣品上之離散位置自藉由一檢測系統之兩個或更多個模式產生之輸出判定之一或多個屬性，且其中已在該等離散位置處使用該兩個或更多個模式之至少一者偵測事件； 判定該兩個或更多個模式之兩個或更多個不同組合之各者之一定量量測，藉此判定不同定量量測，其中該兩個或更多個不同組合之各者之該定量量測係回應於該兩個或更多個不同組合之一者偵測該等缺陷且最小化該等擾亂點之偵測之良好程度；及 基於該等經判定定量量測選擇用於檢測與該樣品之類型相同之樣品之該檢測系統之該兩個或更多個模式之一或多者，其中該等統計預測、判定及選擇係藉由一或多個電腦系統執行。
TW109134686A 2019-10-11 2020-10-07 用於選擇用於檢測樣品之一或多個模式之系統及方法以及非暫時性電腦可讀媒體 TWI843901B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962914358P 2019-10-11 2019-10-11
US62/914,358 2019-10-11
US16/883,794 US11415531B2 (en) 2019-10-11 2020-05-26 Statistical learning-based mode selection for multi-mode inspection
US16/883,794 2020-05-26

Publications (2)

Publication Number Publication Date
TW202129262A true TW202129262A (zh) 2021-08-01
TWI843901B TWI843901B (zh) 2024-06-01

Family

ID=

Also Published As

Publication number Publication date
CN114503245B (zh) 2023-06-06
KR20220077146A (ko) 2022-06-08
CN114503245A (zh) 2022-05-13
US11415531B2 (en) 2022-08-16
KR102629852B1 (ko) 2024-01-26
US20210109041A1 (en) 2021-04-15
WO2021071996A1 (en) 2021-04-15

Similar Documents

Publication Publication Date Title
US10416088B2 (en) Virtual inspection systems with multiple modes
US9518934B2 (en) Wafer defect discovery
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
TWI673489B (zh) 以使用一適應性滋擾過濾器產生針對一樣本之檢驗結果之系統及方法，以及非暫時性電腦可讀媒體
US10670536B2 (en) Mode selection for inspection
CN114503245B (zh) 用于多模式检验的基于统计学习模式选择的方法及系统
KR102153158B1 (ko) 광학적 검사 및 광학적 리뷰로부터의 결함 속성에 기초한 전자 빔 리뷰를 위한 결함 샘플링
US9711327B2 (en) Method and system for optimizing configurable parameters of inspection tools
TW201725381A (zh) 於樣品上判定所關注圖案之一或多個特性
KR102550474B1 (ko) 자율 결함 세그먼트화
US9702827B1 (en) Optical mode analysis with design-based care areas
JP5450161B2 (ja) 欠陥検査装置および欠陥検査方法
TWI843901B (zh) 用於選擇用於檢測樣品之一或多個模式之系統及方法以及非暫時性電腦可讀媒體
TWI818170B (zh) 用於檢測之缺陷候選的產生
TW202316105A (zh) 設置用於檢查樣品之關注區域