TW202147163A - 使用弱標記偵測半導體試樣中的缺陷 - Google Patents

使用弱標記偵測半導體試樣中的缺陷 Download PDF

Info

Publication number
TW202147163A
TW202147163A TW110114852A TW110114852A TW202147163A TW 202147163 A TW202147163 A TW 202147163A TW 110114852 A TW110114852 A TW 110114852A TW 110114852 A TW110114852 A TW 110114852A TW 202147163 A TW202147163 A TW 202147163A
Authority
TW
Taiwan
Prior art keywords
poi
training
neural network
block
per
Prior art date
Application number
TW110114852A
Other languages
English (en)
Inventor
依瑞 帕雷
拉恩 斯柯勒言
寶茲 扣漢
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 TW202147163A publication Critical patent/TW202147163A/zh

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Neurology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

公開了一種對半導體試樣上的感興趣圖案(POI)進行分類的系統，該系統包括處理器和記憶體電路，該處理器和記憶體電路被配置為：獲得該POI的高解析度圖像，並且根據缺陷相關分類生成可用於對該POI進行分類的資料，其中該生成利用已經根據訓練樣本訓練的機器學習模型，該訓練樣本包括：高解析度訓練圖像，該高解析度訓練圖像是藉由掃描試樣上的相應訓練圖案捕獲的，該相應訓練圖案與該POI相似；以及標籤，該標籤與該圖像相關聯，該標籤是該相應訓練圖案的低解析度檢視的衍生物。

Description

使用弱標記偵測半導體試樣中的缺陷
當前公開的主題總體上涉及晶圓試樣檢查領域，並且更具體地涉及偵測試樣中的缺陷。
當前對與製造元件的超大規模集成相關的高密度和效能的需求要求亞微米特徵、增加的電晶體和電路速度以及提高的可靠性。這些需求要求形成具有高精度和均勻性的元件特徵，所述具有高精度和均勻性的元件特徵繼而需要對製造過程進行仔細監視，包括在元件仍為半導體晶圓形式時自動檢查元件。
作為非限制性示例，運行時檢查可以採用兩階段程式，例如檢視試樣，然後審查潛在缺陷的取樣位置。在第一階段期間，以高速和相對較低解析度檢視試樣的表面。在第一階段中，產生缺陷圖以顯示試樣上具有高缺陷概率的可疑位置。在第二階段期間，以相對較高的解析度更徹底地分析可疑位置中的至少一些可疑位置。在一些情況下，兩個階段可以藉由相同的檢視工具來實現，而在一些其他情況中，藉由不同的檢視工具來實現這兩個階段。
在半導體製造期間的各個步驟處使用檢查過程來對試樣上的缺陷進行偵測和分類。可以藉由一個或多個過程的自動化（例如自動缺陷分類(ADC)、自動缺陷審查(ADR)等）來提高檢查的有效性。
根據當前公開的主題的一個態樣，提供了一種對半導體試樣上的感興趣圖案(POI)進行分類的系統，所述系統包括處理器和記憶體電路(PMC)，所述處理器和記憶體電路被配置為： 獲得提供所述試樣上的POI的高解析度圖像的資訊的資料； 生成可用於根據缺陷相關分類對所述POI進行分類的資料， 其中所述生成利用已經根據至少多個訓練樣本訓練的機器學習模型，每個訓練樣本包括： 高解析度訓練圖像，所述高解析度訓練圖像是藉由掃描試樣上的相應訓練圖案捕獲的，所述相應訓練圖案與所述POI相似， 其中所述相應訓練圖案與所述相應訓練圖案的低解析度檢視的標籤衍生物相關聯。
除了上述特徵以外，根據當前公開的主題的該態樣的系統可以以技術上可能的任何期望的組合或排列包括下面列出的特徵(i)至(xiii)中的一者或多者： (i)所述多個訓練樣本中的每個訓練樣本的所述高解析度訓練圖像是掃描電子顯微鏡(SEM)圖像 (ii)所述多個訓練樣本中的每個訓練樣本的標籤是所述相應訓練圖案的光學檢視的衍生物 (iii)所述機器學習模型包括神經網路，所述神經網路包括： 第一系列的一個或多個神經網路層，所述第一系列的一個或多個神經網路層被配置為在給定提供POI的高解析度圖像的資訊的輸入資料的情況下輸出特徵圖，和 第二系列的神經網路層，所述第二系列的神經網路層被配置為在給定輸入特徵圖的情況下輸出指示至少一個每區塊分類得分的資料，其中每個每區塊分類得分屬於所述POI的由所述高解析度圖像的相應區塊的圖元表示的區域，所述每區塊分類得分指示所述相應區域的缺陷可能性，從而產生可用於根據缺陷相關分類對所述POI進行分類的資料； 並且其中所述機器學習模型已經根據以下項進行了訓練： a)將所述第一系列的神經網路層應用於所述多個訓練樣本中的第一訓練樣本的第一POI的第一高解析度圖像，所述第一POI與指示缺陷的標籤相關聯，從而根據所述神經網路的當前訓練狀態產生可疑特徵圖； b)將所述第二系列神經網路層應用於所述可疑特徵圖，從而根據所述神經網路的所述當前訓練狀態產生指示至少一個可疑每區塊得分的資料， 其中每個可疑每區塊得分屬於由所述第一高解析度圖像的相應區塊的圖元表示的所述第一POI的區域，所述可疑每區塊得分指示相應區域的缺陷可能性； c)將所述第一系列的神經網路層應用於所述多個訓練樣本中的第二訓練樣本的第二POI的第二高解析度圖像，所述第二POI與指示無缺陷的標籤相關聯，從而根據所述神經網路的所述當前訓練狀態產生參考特徵圖； d)將所述第二系列的神經網路層應用於所述參考特徵圖，從而根據所述神經網路的所述當前訓練狀態產生指示至少一個參考每區塊得分的資料， 其中每個參考每區塊得分屬於由所述第二高解析度圖像的相應區塊的圖元表示的所述第二POI的區域，所述參考每區塊得分指示相應區域的缺陷可能性； e)根據損失函數調整第一系列的神經網路層和第二系列的神經網路層中的至少一個層的至少一個權重，所述損失函數利用至少以下項： 所述可疑特徵圖和所述參考特徵圖的距離度量衍生物、所述至少一個可疑每區塊得分，以及所述至少一個參考每區塊得分；以及 f)對所述多個訓練樣本中的一個或多個附加第一和第二訓練樣本重複a)-e)。 (iv)所述神經網路層是卷積層 (v)所述距離度量根據所述可疑特徵圖與所述參考特徵圖之間的歐幾裡德差 (vi)所述距離度量根據所述可疑特徵圖與所述參考特徵圖之間的余弦相似度 (vii)所述附加的第二訓練樣本是相同的訓練樣本 (viii)所述損失函數進一步利用： 與所述第一高解析度圖像的一組圖元相關聯的注釋資料，所述注釋資料指示由所述一組圖元表示的所述第一POI的區域的缺陷。 (ix)所述注釋資料是所述高解析度圖像的人類注釋的衍生物 (x)由所述處理器將所述至少一個每區塊分類得分中的每個得分與缺陷閾值進行比較，從而產生所述POI是否有缺陷的指示。 (xi)由所述處理器根據所述POI是否有缺陷的所述指示來警告操作員。 (xii)由所述處理器根據至少一個每區塊分類得分來決定缺陷邊界框。 (xiii)所述系統還包括： 低解析度檢查工具，所述低解析度檢查工具被配置為捕獲POI的低解析度圖像並利用所述低解析度圖像的光學檢視來根據缺陷相關分類對所述POI進行分類；和 高解析度檢查工具，所述高解析度檢查工具被配置為回應於所述低解析度工具將所述POI分類為有缺陷而捕獲所述POI的高解析度圖像。
根據當前公開的主題的另一態樣，提供了一種根據半導體試樣上的感興趣圖案(POI)的高解析度圖像對所述圖案進行分類的方法，所述方法包括： 由處理器接收提供所述試樣上的POI的高解析度圖像的資訊的資料；以及由所述處理器生成可用於根據缺陷相關分類對所述POI進行分類的資料，其中所述生成利用已經根據至少多個訓練樣本訓練的機器學習模型，每個訓練樣本包括： 高解析度訓練圖像，所述高解析度訓練圖像是藉由掃描試樣上的相應訓練圖案捕獲的，所述訓練圖案類似於所述POI， 其中所述相應訓練圖案與所述相應訓練圖案的低解析度檢視的標籤衍生物相關聯。
所公開的主題的該態樣可任選地以在細節上經必要修改後的在技術上可能的任何期望組合或排列包括以上列出的關於所述系統的特徵(i)至(xii)中的一者或多者。
根據當前公開的主題的另一態樣，提供了一種可由處理和記憶體電路讀取的非瞬態程式存放裝置，所述非瞬態程式存放裝置有形地體現可由所述處理和記憶體電路執行以執行根據半導體試樣上的感興趣圖案(POI)的高解析度圖像對所述圖案進行分類的方法的電腦可讀指令，所述方法包括： 接收提供所述試樣上的POI的高解析度圖像的資訊的資料；以及生成可用於根據缺陷相關分類對所述POI進行分類的資料， 其中所述生成利用已經根據至少多個訓練樣本訓練的機器學習模型，每個訓練樣本包括： 高解析度訓練圖像，所述高解析度訓練圖像是藉由掃描試樣上的相應訓練圖案捕獲的，所述訓練圖案與所述POI相似， 其中所述相應訓練圖案與所述相應訓練圖案的低解析度檢視的標籤衍生物相關聯。
所公開的主題的該態樣可任選地以在細節上經必要修改後的在技術上可能的任何期望組合或排列包括以上列出的關於所述系統的特徵(i)至(xii)中的一者或多者。
根據當前公開的主題的另一態樣，提供了一種可由處理和記憶體電路讀取的非瞬態程式存放裝置，所述非瞬態程式存放裝置有形地體現了可由所述處理和記憶體電路執行以執行訓練神經網路以在給定提供POI的高解析度圖像的資訊的輸入資料的情況下生成指示至少一個每區塊分類得分的資料的方法的電腦可讀指令，其中每個每區塊分類得分屬於由所述高解析度圖像的相應區塊的圖元表示的所述POI的區域，所述每區塊分類得分指示相應區域的缺陷可能性，從而產生可用於根據缺陷相關分類對所述POI進行分類的資料，其中所述訓練利用至少多個訓練樣本，每個訓練樣本包括： 高解析度訓練圖像，所述高解析度訓練圖像是藉由掃描試樣上的相應訓練圖案捕獲的，所述訓練圖案與所述POI相似， 其中所述相應訓練圖案與所述相應訓練圖案的低解析度檢視的標籤衍生物相關聯， 所述方法包括： a)將第一系列的神經網路層應用於所述多個訓練樣本中的第一訓練樣本的第一POI的第一高解析度圖像，所述第一POI與指示缺陷的標籤相關聯，從而根據所述神經網路的當前訓練狀態產生可疑特徵圖； b)將所述第二系列神經網路層應用於所述可疑特徵圖，從而根據所述神經網路的所述當前訓練狀態產生指示至少一個可疑每區塊得分的資料， 其中每個可疑每區塊得分屬於由所述第一高解析度圖像的相應區塊的圖元表示的所述第一POI的區域，所述可疑每區塊得分指示所述相應區域的缺陷可能性； c)將所述第一系列的神經網路層應用於所述多個訓練樣本中的第二訓練樣本的第二POI的第二高解析度圖像，所述第二POI與指示無缺陷的標籤相關聯，從而根據所述神經網路的所述當前訓練狀態產生參考特徵圖； d)將所述第二系列的神經網路層應用於所述參考特徵圖，從而根據所述神經網路的所述當前訓練狀態產生指示至少一個參考每區塊得分的資料， 其中每個參考每區塊得分屬於由所述第二高解析度圖像的相應區塊的圖元表示的所述第二POI的區域，所述參考每區塊得分指示所述相應區域的缺陷可能性； e)根據損失函數調整第一系列的神經網路層和第二系列的神經網路層中的至少一個層的至少一個權重，所述損失函數利用至少以下項： 所述可疑特徵圖和所述參考特徵圖的距離度量衍生物、所述至少一個可疑每區塊得分以及所述至少一個參考每區塊得分；以及 f)對所述多個訓練樣本中的一個或多個附加第一和第二訓練樣本重複a)-e)。
所公開的主題的該態樣可任選地以在細節上經必要修改後的在技術上可能的任何期望組合或排列包括以上列出的關於所述系統的特徵(i)至(ix)中的一者或多者。
在以下詳細描述中，闡述了許多具體細節以便提供對本公開的透徹理解。然而，本領域技術人員應理解，可以在沒有這些具體細節的情況下實踐當前公開的主題。在其他情況下，未詳細描述眾所周知的的方法、過程、部件和電路，以免模糊當前公開的主題。
除非另有明確說明，否則如從以下論述顯而易見的，應當理解，在整個說明書論述中，利用諸如「訓練」、「獲得」、「生成」、「計算」、「利用」、「饋送」、「提供」、「註冊」、「應用」、「調整」等術語是指處理器將資料操縱和/或轉換成其他資料的動作和/或過程，所述資料表示為物理的，諸如電子的、數量和/或所述資料表示物理物件。術語「處理器」涵蓋具有資料處理電路的任何計算單元或電子單元，所述資料處理電路可基於存儲在記憶體（諸如電腦、伺服器、晶圓、硬體處理器等）中的指令來執行任務。它涵蓋單個處理器或多個處理器，所述處理器可以位於同一地理區域中，或者可以至少部分地位於不同的區域中並且可以能夠一起通信。
本文使用的術語「非瞬態記憶體」和「非瞬態介質」應被廣義地解釋為覆蓋適用於當前公開的主題的任何易失性或非易失性電腦記憶體。
在本說明書中使用的術語「缺陷」應被廣義地解釋為涵蓋在試樣上或試樣內形成的任何種類的異常或不期望的特徵。
在本說明書中使用的術語「試樣」應被廣義地解釋為涵蓋用於製造半導體積體電路、磁頭、平板顯示器和其他半導體製品的任何種類的晶圓、掩模以及其他結構、它們的組合和/或部件。
本說明書中所使用的術語「檢查」應被廣義地解釋為涵蓋任何類型的計量相關操作，以及與試樣製造期間所述試樣中的缺陷的偵測和/或分類有關的操作。在製造待檢查試樣期間或之後，藉由使用非破壞性檢查工具來提供檢查。作為非限制性示例，檢查過程可以包括使用相同或不同的檢視工具提供的關於試樣或其部分的運行時掃描（以單次或多次掃描）、取樣、審查、測量、分類和/或其他操作。同樣，檢查可以在製造待檢查試樣之前提供，並且可以包括例如生成檢查配方和/或其他設置操作。應注意的是，除非另外特別說明，否則本說明書中所使用的術語「檢查」或其派生詞在檢視區域的解析度或大小方面不受限。作為非限制性示例，各種非破壞性檢查工具包括掃描電子顯微鏡、原子力顯微鏡、光學檢視工具等。
當前公開的主題的實施例不是參考任何特定程式設計語言描述的。應當理解，可以使用多種程式設計語言來實現如本文所述的當前公開的主題的教導。
本發明構想了一種電腦程式，所述電腦程式可由電腦讀取以執行本發明的一種或多種方法。本發明還構想了一種機器可讀記憶體，所述機器可讀記憶體有形地體現了可由電腦執行以用於執行本發明的一種或多種的方法的指令的程式。
需要牢記，注意圖1，圖1示出了根據當前公開的主題的某些實施例的檢查系統的功能框圖。圖1中所示的檢查系統100可用於檢查試樣（例如，半導體試樣，諸如晶圓和/或其部分），所述檢查試樣是試樣製造過程的一部分。所示的檢查系統100包括基於電腦的系統103，所述基於電腦的系統103能夠使用一個或多個試樣的圖像自動決定計量相關和/或缺陷相關的資訊。系統103可以可操作地連接至一個或多個低解析度檢查工具101和/或一個或多個高解析度檢查工具102和/或其他檢查工具。檢查工具被配置為捕獲試樣的圖像和/或審查所捕獲的圖像和/或實現或提供與所捕獲的圖像有關的測量。系統103可進一步可操作地連接至資料倉109。資料倉109可以可操作地連接至手動注釋輸入裝置110，並且可以從所述手動注釋輸入裝置110接收手動注釋資料。
系統103包括處理器和記憶體電路(PMC) 104。PMC 104被配置為提供作業系統103所需的處理，如在下文描述的各種實施例中進一步詳細描述的；並且包括處理器（未單獨示出）和記憶體（未單獨示出）。在圖1中，PMC 104可操作地連接至基於硬體的輸入介面105和基於硬體的輸出介面106。
PMC 104的處理器可被配置為根據在PMC中所包括的非瞬態電腦可讀記憶體上實現的電腦可讀指令來執行若干個功能模組。此類功能模組在下文中被稱為包含在PMC中。PMC 104中所包含的功能模組可包括機器學習單元（ML單元）112。ML單元112可被配置為使用機器學習模型/機器學習演算法來實現資料處理，以便基於試樣的圖像輸出與應用有關的資料。
ML單元112可包括有監督或無監督的機器學習模型（用於例如深度神經網路(DNN)）。ML單元112的機器學習模型可包括根據相應的DNN架構組織的層。作為非限制性示例，DNN層可以根據卷積神經網路(CNN)架構、遞迴神經網路架構、遞回神經網路架構、生成對抗網路(GAN)架構等來組織。任選地，所述層中的至少一些層可以被組織在多個DNN子網路中。機器學習模型的每個層可以包括多個基本計算元素(CE)，所述基本計算元素(CE)在本領域中通常被稱為維度、神經元或節點。在一些實施例中，機器學習模型可以是神經網路，其中每個層都是神經網路層。在一些實施例中，機器學習模型可以是卷積神經網路，其中每個層都是卷積層。
通常，給定層的計算元素可以與前一層和/或後一層的CE相連接。前一層的CE與後一層的CE之間的每個連接都與加權值相關聯。給定的CE可以經由相應連接從前一層的CE接收輸入，每個給定的連接與可應用於給定連接的輸入的加權值相關聯。加權值可決定連接的相對強度，並且由此決定相應輸入對給定CE的輸出的相對影響。給定的CE可被配置為計算啟動值（例如，輸入的加權和），並且藉由將啟動函數應用於所計算的啟動來進一步匯出輸出。啟動函數可以是例如恆等函數、決定性函數（例如，線性函數、S型函數、閾值函數等）、隨機函數，或其他合適的函數。
來自給定CE的輸出可以經由相應連接傳輸至下一層的CE。類似地，如上所述，在被接受作為下一層的CE的輸入之前，CE的輸出處的每個連接可以與可應用於CE的輸出的加權值相關聯。除了加權值之外，還可以有與所述連接和CE相關聯的閾值（包括限制函數）。
機器學習模型的加權值和/或閾值可以在訓練之前初始選擇，並且可以在訓練期間進一步反覆運算地調整或修改，以在經訓練的ML網路中實現最佳的一組加權值和/或閾值。在每次反覆運算之後，可以決定由機器學習模型產生的實際輸出和與資料的相應訓練集相關聯的目標輸出之間的差（也稱為損失函數）。該差可被稱為誤差值。當指示誤差值的成本或損失函數小於預定值時，或者當附加反覆運算僅導致有限的效能改善時，可以決定訓練完成。任選地，在訓練整個機器學習模型網路之前，可以單獨地訓練機器學習模型子網路（如果有的話）中的至少一些訓練機器學習模型子網路。
用於調整神經網路的權重/閾值的機器學習模型輸入資料的集合在此被稱為訓練集。
系統103可被配置為經由輸入介面105接收輸入資料，所述輸入資料可包括由檢查工具產生的資料（和/或所述資料的衍生物和/或與所述資料相關聯的中繼資料）和/或在一個或多個資料倉109和/或另一個相關資料倉中產生和/或存儲的資料。應注意的是，輸入資料可包括圖像（例如，捕獲的圖像、從捕獲的圖像匯出的圖像、類比圖像、合成圖像等）和相關聯的標量資料（例如中繼資料、手工的/手動圖像注釋、自動屬性等）。還應注意的是，圖像資料可包括與試樣的感興趣層和/或試樣的一個或多個其他層有關的資料。
在處理輸入資料（例如，低解析度圖像資料和/或高解析度圖像資料，任選地連同其他資料，諸如例如設計資料、合成資料、檢視資料等）時，系統103可以經由輸出介面106將結果（例如與指令有關的資料）發送至檢查工具中的任何檢查工具，將結果（例如缺陷屬性、缺陷分類等）存儲在存儲系統107中，經由GUI 108呈現結果和/或將所述結果發送至外部系統（例如，至FAB的產量管理系統(YMS)）。GUI 108可進一步被配置為實現與系統103有關的使用者指定輸入。
作為非限制性示例，一個或多個低解析度檢查工具101（例如，光學檢視系統、低解析度SEM等）可檢查試樣。低解析度檢查工具101可以將所得低解析度圖像資料（其可提供試樣的低解析度圖像的資訊）（直接地或經由一個或多個中間系統）傳輸至系統103。替代地或另外，高解析度工具102可以檢查試樣（例如，基於低解析度圖像而選擇用於檢查的潛在缺陷位置的子集可隨後藉由掃描電子顯微鏡(SEM)或原子力顯微鏡(AFM)進行審查）。高解析度工具102可將所得高解析度圖像資料（其可提供試樣的高解析度圖像的資訊）（直接地或經由一個或多個中間系統）傳輸至系統103。
應注意的是，圖像資料可以和與其相關的中繼資料（例如，圖元大小、缺陷類型的文本描述、圖像捕獲過程的參數等）一起被接收和處理。
在一些實施例中，圖像資料可以與注釋資料一起被接收和處理。作為非限制性示例，人類審查者可選擇一區域（例如：手標記的橢圓形區域）並將其標記為有缺陷或將其用指示缺陷的標籤進行標記。如下所述，在訓練期間可以利用手動或其他注釋資料。
本領域的技術人員將容易理解，當前公開的主題的教導不受圖1所示系統的約束；等效和/或修改的功能可以以另一種方式合併或劃分，並且可以以軟體與固件和/或硬體的任何適當組合來實現。
在不以任何方式限制本公開的範圍的情況下，還應注意的是，檢查工具可實現為各種類型的檢視機器，諸如光學成像機器、電子束檢查機器等。在一些情況下，同一檢查工具可以提供低解析度圖像資料和高解析度圖像資料。在一些情況下，至少一個檢查工具可具有計量能力。
應注意的是，圖1所示的檢查系統可以在分散式運算環境中實現，其中圖1所示的上述功能模組可以分佈在若干個本端和/或遠端設備上，並且可以藉由通信網路連結。還應注意的是，在另一實施例中，檢查工具101和/或102、資料倉109、手動注釋輸入110、存儲系統107和/或GUI 108中的至少一些可以在檢查系統100的外部，並且以經由輸入介面105和輸出介面106與系統103進行資料通信操作。系統103可以被實現為與檢查工具結合使用的獨立電腦。替代地，系統的相應功能可以至少部分地與一個或多個檢查工具集成。
現在關注圖2，其示出了根據當前公開的主題的某些實施例的流程圖，所述流程圖描述了根據圖案的高解析度圖像對半導體試樣上的感興趣圖案(POI)進行分類的示例性基於處理器的方法。
在半導體製造過程的監視中，可以期望決定與製造的試樣有關的各種資料和度量，更具體地，與試樣上的圖案有關的資料和度量。這些資料/度量可包括：圖案的缺陷狀態（例如有缺陷/無缺陷）、缺陷區域（例如高解析度圖像的表示缺陷圖案的一組圖元的識別），以及關於缺陷決定的準確性的確定性程度。
這些資料可以藉由例如高解析度圖像的人類注釋來決定。然而，此類注釋是昂貴和耗時的。
在當前公開的主題的一些實施例中，使用機器學習模型決定高解析度圖像的區域的缺陷，所述機器學習模型是使用包括「弱標記的」訓練樣本的訓練集訓練的，所述「弱標記的」訓練樣本即具有作為整體應用於（例如）圖像的相關聯標籤的圖像，並且所述具有相關聯標籤的圖像例如源自低解析度分類方法（諸如光學檢視）。在本公開的上下文中，「訓練」可包括任何合適的配置機器學習模型的方法，所述方法包括：訓練方法，諸如下面參考圖4描述的方法、基於使用利用弱標記的樣本的訓練集訓練的另一個模型的設置來設置模型的參數等。
這些方法中的一些方法的優點有，它們可以基於可容易獲得的樣本提供圖元區域缺陷的準確評定，而不需要注釋資料。
系統103（例如：PMC 104）可接收（200）提供試樣上的POI的高解析度圖像（諸如掃描電子顯微鏡(SEM)圖像）的資訊的資料。
檢查系統100可被配置為使系統103（例如：PMC 104）能夠接收圖像。在一些實施例中：低解析度檢查工具101可被配置為捕獲一組一個或多個試樣（例如晶圓或管芯）或試樣的各部分的低解析度圖像，並且在如此做時捕獲試樣上的感興趣圖案的低解析度圖像。低解析度檢查工具101可進一步被配置為利用低解析度圖像的光學檢視（例如，如本領域中已知的）來根據缺陷相關分類（例如，有缺陷/無缺陷）對試樣的圖案進行分類。高解析度工具102可被配置為響應於由一個或多個低解析度檢查工具101將POI分類為有缺陷而（例如，使用SEM）捕獲感興趣圖案(POI)的高解析度圖像。高解析度工具102可進一步被配置為向系統103提供POI的所捕獲的高解析度圖像。
基於電腦的系統103（例如：PMC 104）可隨後生成（210）資料，所述資料指示高解析度圖像的至少一個區塊中的每個區塊的得分，所述得分可用於根據缺陷相關分類（諸如POI的某一區域或整個POI有缺陷/無缺陷）對POI進行分類。
更具體地，在一些實施例中，例如使用下文參考圖3至圖5描述的方法，基於電腦的系統103（例如：PMC 104）可生成可用於根據缺陷相關分類對POI進行分類的資料。在一些實施例中，所生成的資料提供一個或多個得分（例如得分矩陣）的資訊，其中每個得分是從高解析度圖像的區塊匯出的，並且所生成的資料指示所述POI的由區塊的圖元表示的區域的缺陷可能性（例如缺陷可能性的估計）。此類矩陣在後文被稱為「等級圖」。
在一些實施例中，由系統103生成的等級圖（例如：ML模型112）具有與POI的輸入高解析度圖像相同的維度，並且矩陣的項是標量值（例如介於0與1之間），所述標量值指示POI的輸入圖像的相應圖元對應於POI的缺陷區域的可能性。在一些其他實施例中，所生成的等級圖小於POI的圖像（例如：可以從1024×1024圖像生成512×512矩陣，其中每個矩陣項包含相應的2×2區塊的得分），並且在這種情況下，矩陣的標量值指示POI圖像的相應區塊（例如2×2或4×4塊或另一維度的區塊）對應於POI的缺陷區域的可能性。應注意，本說明書中的術語「區塊」可包括單個圖元以及各種維度的水平和/或豎直圖元組。
在一些實施例中，系統103（例如：ML單元112）藉由利用機器學習模型來生成等級圖，所述機器學習模型已經根據「弱標記的」的訓練示例（例如，具有作為整體應用於圖像的相關聯標籤的圖像）的集合進行了訓練。更具體地，在一些此類實施例中，每個訓練示例是藉由掃描與POI相似的訓練圖案而捕獲的高解析度圖像（或提供高解析度圖像的資訊的資料）。在一些實施例中，與訓練圖案相關聯的標籤是從相應訓練圖案的光學檢視（或其他低解析度檢查工具）中匯出的。例如，光學檢視工具可以檢視圖案，將被檢視的圖案與參考圖案進行比較，並將所述被檢視的圖案標記為「有缺陷」或「無缺陷」。下面參考圖4描述了對機器學習模型進行訓練的示例性方法。
晶圓或管芯可以以這樣的方式製造，其中在晶圓或管芯上重複圖案的多個實例，然後將所述晶圓或管芯分成許多元件實例。在本公開中，在一個POI與另一個POI相似的上下文中的術語「相似」應被廣義地解釋為包括單個晶圓管芯上的圖案的多個實例，以及包括同一晶圓或管芯的多個實例上的圖案的多個實例等。
在一些實施例中，系統103（例如：ML單元112）可生成除等級圖之外的資料結構，所述資料結構仍然指示可用於根據缺陷相關分類對POI進行分類的每圖元（或每區塊）得分。
任選地：系統103（例如：PMC 104）可接下來將等級圖（或對應的替代資料表示）中的值中的每一個值與缺陷閾值（例如：在0至1的標度上為.5）進行比較（220），從而產生所述POI是否有缺陷的指示，並且還根據缺陷相關分類（例如有缺陷/無缺陷）對所述POI進行分類。
任選地，如果等級圖中存在滿足缺陷閾值的得分，則系統103（例如：PMC 104）可採取動作。任選地，該動作可包括根據所述POI是否有缺陷（或者一系列或多個POI是否有缺陷等）的指示來警告（230）操作員。
在一些實施例中，等級圖可用於根據其他缺陷相關分類來對POI進行分類。例如，系統103（例如：PMC 104）可根據輸出的每區塊得分來決定缺陷的邊界框。
應注意的是，當前公開的主題的教導不受圖2所示的流程圖的約束。還應注意的是，雖然參照圖1或圖3的系統的元件描述了流程圖，但是這絕不是約束，並且操作可以由除了本文所述的元件之外的元件執行。
現在注意圖3，圖3示出了根據當前公開的主題的某些實施例的機器學習模型的示例性層，所述示例性層可例如由PMC 104（更具體地，例如：由ML單元112）用來接收提供POI的SEM圖像（或其他高解析度圖像）的資訊的資料，並生成指示所述圖像的至少一個區塊中的每個區塊的得分的資料，所述得分可用於利用缺陷相關分類來對所述POI進行分類。
機器學習模型可以包括第一系列的機器學習網路層320（例如：神經網路層或卷積神經網路層），所述第一系列的機器學習網路層被配置為接收POI的SEM圖像（或另一種類型的高解析度圖像）310作為輸入。然後，第一系列的機器學習網路層320可以基於SEM圖像310生成特徵圖330。
特徵圖330可以是機器學習網路的中間輸出。具體地，如上所述，機器學習網路可包括多個層L1 至LN ，並且特徵圖330可以作為層Lj 的輸出獲得，其中1＜j＜N（在一些實施例中，來自層L1 至層Lj 的中間層可構成卷積神經網路，其中j＜N）。如上所述，在機器學習模型中，每個層Lj 提供中間輸出，所述中間輸出被饋送至下一層Lj+1 ，直至最後一層LN 提供最終輸出。假設例如SEM圖像310具有維度X1 、Y1 、Z1 ，其中： -X1 對應於根據第一軸X的SEM圖像310的維度； -Y1 對應於根據第二軸Y的SEM圖像310的維度；並且 -Z1 對應於與每個圖元相關聯的值的數量，其中Z1≥1。例如，如果使用利用三種顏色（紅色、綠色和藍色）的表示，則Z1 =3。這不是限制性的，並且可以使用其他表示（例如，在SEM顯微鏡中，藉由多個不同的收集器收集每個圖元的電子，每個收集器具有不同的位置，並且每個通道對應於一維度，因此Z1 是通道的總數）。
在一些實施例中，特徵圖330具有維度X2 、Y2 、Z2 ，其中X2 ＜X1 ，Y2 ＜Y1 ，並且Z2 ＞Z1 。Z2 可取決於層Lj 中存在的篩檢程式的數量。
機器學習模型可包括第二系列的ML網路層340（例如：神經網路層，或卷積神經網路層），所述第二系列的ML網路層被配置為接收特徵圖330作為輸入。然後，第二系列的ML網路層340可以基於特徵圖330生成例如符合上面出現的參考圖2描述的等級圖350。
應注意的是，當前公開的主題的教導不受參考圖3描述的機器學習模型層的約束。等效和/或修改的功能可以以另一種方式合併或劃分，並且可以以軟體與固件和/或硬體的任何適當組合來實現並在合適的設備上執行。
現在注意圖4，圖4示出了對機器學習模型（例如：包括具有上面參考圖3描述的結構的神經網路）進行訓練，使得機器學習模型可以接收POI的輸入高解析度（例如，SEM）圖像，然後生成指示圖像的至少一個區塊中的每個區塊的每區塊分類得分的資料的示例性方法，所述每區塊分類得分指示由所述區塊的圖元表示的所述POI的區域的缺陷可能性。根據當前公開的主題的一些實施例，每區塊分類得分可用於根據缺陷相關分類對POI進行分類。對圖4所示的方法的描述參考了圖5所示的訓練資料流程。
在一些實施例中，PMC 104（例如：ML單元112）使用來自訓練集的成對的弱標記的（例如圖像級標記的）訓練樣本來訓練機器學習模型，其中一個訓練樣本（被稱為可疑訓練樣本）包括先前被標記為有缺陷（或被懷疑有缺陷）的POI的高解析度圖像（例如SEM掃描），並且第二樣本（被稱為參考訓練樣本）包括參考POI（即先前（例如藉由早前分類）被標記為無缺陷的POI）的高解析度圖像（例如SEM掃描）。
高解析度圖像的標記可以從例如相應POI的低解析度（例如光學）檢視中匯出。替代地，高解析度圖像的標記可以從人類檢視或另一合適的方法匯出。
在一些實施例中，訓練集完全由訓練樣本組成，其中圖像級標籤是從光學檢視或其他低解析度檢查工具匯出的。在一些實施例中，訓練集由此類訓練樣本以及其他訓練樣本組成。
在一些實施例中，圖像級標記的訓練樣本中的一些或所有圖像級標記的訓練樣本可與注釋資料相關聯。注釋資料可以是例如人類注釋（例如，人類在高解析度圖像的一區域周圍標記橢圓）的衍生物。
注釋資料可包括指示由高解析度圖像的注釋圖元組表示的試樣圖案的部分的缺陷性（以及，在一些實施例中，缺陷的類型）的資料。在本上下文中，術語「圖元組」可以指單個圖元，或者整個圖像。在本上下文中，如果例如圖案的試樣的一部分基本上或完全由特定圖元組描繪，則所述試樣的所述部分可以被視為由所述圖元組表示。
如下文將描述的，在一些實施例中，圖4所示的訓練方法根據從可疑特徵圖（即，從標記為有缺陷或可疑的POI的圖像匯出的特徵圖）和參考特徵圖（即，從標記為無缺陷的POI的圖像匯出的特徵圖）的距離度量衍生物計算的損失函數來調整機器學習模型層的權重。
在一些實施例中，損失函數可尋求使從表示POI的缺陷部分的圖元匯出的特徵圖區域的兩個特徵圖之間的差最大化，並且尋求使從表示POI的無缺陷部分的圖元匯出的特徵圖區域的兩個特徵圖之間的差最小化。
在一些實施例中，損失函數由此構成了注意機制。第一系列的機器學習模型層可生成能夠標識語義區域的特徵圖，並且第二系列的機器學習模型層可對區域的缺陷可能性進行評分。
PMC 104（例如：ML單元112）可以將第一系列的神經網路層320應用於（400）POI的高解析度圖像510，所述高解析度圖像與指示缺陷性（例如，決定的或懷疑的缺陷性）的標籤相關聯。在一些實施例中，指示缺陷性的標籤與圖像相關聯，因為光學檢視指示POI的缺陷性。然後，第一系列的神經網路層320可以從高解析度圖像生成特徵圖530。特徵圖是根據神經網路的當前訓練狀態生成的，因此，隨著訓練的進展，所得的特徵圖將根據機器學習模型訓練的進展而改變。從與指示缺陷的標籤相關聯的圖像生成的特徵圖在本文中被稱為「可疑特徵圖」。
PMC 104（例如：ML單元112）可隨後將第二系列的神經網路層340應用於（410）可疑特徵圖530。第二系列的神經網路層340隨後可生成等級圖560（例如，高解析度圖像510的一個或多個區塊中的每一個區塊的得分，其中每個得分指示由區塊的圖元表示的第一POI的區域的缺陷可能性）。圖像的區塊的得分輸出可以被稱為每區塊得分，並且等級圖因此可以被稱為一組每區塊得分。等級圖是根據神經網路的當前訓練狀態生成的，因此，隨著訓練的進展，所得的等級圖將根據機器學習模型訓練的進展而改變。從可疑特徵圖生成的等級圖在本文中被稱為「可疑等級圖」。
PMC 104（例如：ML單元112）可接下來將第一系列的神經網路層320應用於（420）與指示無缺陷的標籤相關聯的POI的高解析度圖像520。在一些實施例中，標籤與圖像相關聯，因為圖像（例如藉由光學檢視）被決定為無缺陷的，或者以其他方式被決定或假定為無缺陷的。然後，第一系列的神經網路層320可以從高解析度圖像520生成特徵圖540（如根據機器學習模型的當前訓練狀態計算的）。從與指示無缺陷的標籤相關聯的圖像生成的特徵圖在本文中被稱為「參考特徵圖」。
PMC 104（例如：ML單元112）可隨後將第二系列的神經網路層340應用於（430）參考特徵圖540。第二系列的神經網路層340隨後可生成參考等級圖570（例如，參考圖像520的一個或多個區塊中的每一個區塊的得分，其中每個得分指示由區塊的圖元表示的參考POI的區域的缺陷可能性），如根據機器學習模型的當前訓練狀態計算的。
PMC 104（例如：ML單元112）可隨後根據損失函數來調整第一系列的神經網路層320和第二系列的神經網路層340的權重（例如，至少一個層的至少一個權重，或者例如，所有層的所有權重）。例如，PMC 104（例如：ML單元112）可以計算（440）損失函數590，並採用例如反向傳播來調整第一系列的神經網路層320和第二系列的神經網路層340的權重。
在一些實施例中，損失函數590至少利用距離度量（例如，表示參考特徵圖540與可疑特徵圖530之間的差的一個值或一組值）、可疑等級圖560和參考等級圖570。在一些實施例中，如下所述，距離度量可以是基於例如歐幾裡德距離或余弦相似度的差分特徵圖。
在一些實施例中，差分特徵圖550可以根據參考特徵圖540與可疑特徵圖530之間的歐幾裡德距離。例如：差分特徵圖550可以藉由計算參考特徵圖540與可疑特徵圖530之間的歐幾裡德距離來計算（即，在這種情況下，差分特徵圖550是矩陣，其中每個項是兩個特徵圖中的對應項之間的算術差）。
在其他實施例中，差分特徵圖550可以根據參考特徵圖540中的某一值與可疑特徵圖530中的對應值之間的余弦相似度。例如：差分特徵圖550可以是矩陣，其中每個項是藉由計算參考特徵圖540中的一值與可疑特徵圖530中的相應值之間的余弦相似度計算的。
在其他實施例中，差分特徵圖550可以是可疑特徵圖530與參考特徵圖540之間的差的不同表示。在其他實施例中，損失函數590可以使用表示可疑特徵圖530與參考特徵圖540之間的差的不同的距離度量。
任選地，如上所述，在一些實施例中，注釋資料580可以是可用的。注釋資料可包括指示對應於相應POI的缺陷區域的可疑圖像510中的特定圖元組的資料。在此類實施例中，損失函數590可以利用注釋資料580以及差分特徵圖550、參考等級圖570和可疑等級圖560。
PMC 104（例如：ML單元112）可以重複（450）將兩個系列的神經網路層320、340應用於多個訓練樣本中的附加成對訓練樣本，並且可以針對每對樣本而根據利用距離度量的損失函數來調整神經網路層的權重，所述距離度量為諸如差分特徵圖550、可疑等級圖560和參考等級圖570。例如，PMC 104（例如：ML單元112）可以使用所有可用的可疑訓練樣本進行訓練，並且結合每個可疑訓練樣本，PMC 104（例如：ML單元112）可以利用來自訓練樣本集的參考訓練樣本。在一些實施例中，PMC 104（例如：ML單元112）在每次訓練重複中使用相同的參考訓練樣本。
應注意的是，當前公開的主題的教導不受圖4中所示的流程圖的約束，並且所示的操作可以不按所示的順序發生。例如，連續示出的操作400和420可以基本上同時執行，或者以相反的循序執行。還應注意的是，雖然該流程圖是參考圖1的系統的元素、圖3的神經網路層和圖5的資料流程描述的，但是這不意味著約束，並且操作可以由除了本文所述的元件之外的元件來執行。
應注意的是，當前公開的主題的教導不受參考圖5描述的資料流程的約束。等效和/或修改的功能可以以另一種方式合併或劃分，並且可以以軟體與固件和/或硬體的任何適當組合來實現並在合適的設備上執行。
如上所述，以這種方式（例如，使用可疑圖像以及參考圖像，並利用基於差分特徵圖的注意機制）訓練機器學習模型，可以實現快速訓練並提供高分類準確度。
權重的更新可以使用諸如前饋/反向傳播方法的技術，並且可以依賴於任何優化器（例如隨機梯度下降—SGD、ADAM等）。
應注意的是，參考圖像520是試樣（例如，管芯、單元等）的參考區域的圖像，其中相應圖像資料代表沒有缺陷的參考區域。參考圖像可以是從參考（金色）管芯、參考單元或被驗證為沒有缺陷的其他區域捕獲的圖像。替代地或另外，參考圖像可以使用CAD資料來類比和/或可以在捕獲後被增強以排除參考區域中的缺陷（如果有的話）。
還應當注意的是，在一些實施例中，可疑圖像510是與參考圖像520可比較的（例如，管芯與管芯、單元與單元、管芯與資料倉等），並且提供半導體試樣的第一區域的資訊。第一圖像被假定為提供與第一區域相關聯的多個缺陷的資訊。第一圖像可以是從第一區域捕獲的圖像。任選地，第一圖像可以被進一步增強和/或可包括在捕獲後引入的合成缺陷。第一區域被配置為滿足關於參考區域的相似性標準，並且可以屬於相同或不同的半導體試樣。相似性標準可以定義為例如第一區域和參考區域對應於相同的物理部件或對應於半導體試樣的相似區域（例如，相似的管芯、單元等）。
應注意的是，在一些實施例中，為了確保圖像之間的相容性，訓練樣本中的至少一個參考圖像520和第一圖像510必須經歷配准程式。還應當注意的是，不同訓練樣本的至少部分可包括相同的參考圖像。
應當注意，在各種實施例中描述的各種特徵可以根據所有可能的技術組合進行組合。應當理解，本發明的應用不限於在本文包含的描述中闡述或在附圖中示出的細節。本發明能夠具有其他實施例並且能夠以各種方式實踐和執行。因此，應當理解，本文採用的措詞和術語是出於描述的目的，而不應被認為是限制性的。因此，本領域技術人員應認識到，本公開所基於的概念可以容易地用作設計用於實現本文公開的主題的若干目的的其他結構、方法和系統的基礎。本領域技術人員將容易意識到，可以在不脫離在所附申請專利範圍中和由所附申請專利範圍限定的本發明範圍的情況下，對如前所述的本發明的實施例應用各種修改和改變。
100:檢查系統 101:低解析度檢查工具 102:高解析度檢查工具 103:基於電腦的系統 104:PMC 105:基於硬體的輸入介面 106:基於硬體的輸出介面 107:存儲系統 108:GUI 109:資料倉 110:手動注釋輸入裝置 112:ML單元 200:步驟 210:步驟 220:步驟 230:步驟 310:SEM圖像 320:第一系列的機器學習網路層 330:特徵圖 340:第二系列的ML網路層 350:等級圖 400:步驟 410:步驟 420:步驟 430:步驟 440:步驟 450:步驟 510:高解析度圖像 520:高解析度圖像 530:特徵圖 540:特徵圖 550:差分特徵圖 560:等級圖 570:參考等級圖 580:注釋資料 590:損失函數
為了理解本發明並瞭解其可如何在實踐中實行，將藉由非限制性示例的方式，參考附圖來描述實施例，其中：
圖1示出了根據本文公開主題的某些實施例的檢查系統的通用框圖；
圖2示出了描述根據當前公開的主題的某些實施例，根據光學檢視的弱標籤衍生物對半導體試樣上的感興趣圖案(POI)進行分類的示例方法的流程圖。
圖3示出了根據當前公開的主題的某些實施例的機器學習模型的示例性層，所述示例性層可用於接收提供POI的SEM圖像（或其他高解析度圖像）的資訊的資料，並生成指示可用於使用缺陷相關分類對POI進行分類的每區塊得分的資料。
圖4示出了根據當前公開的主題的一些實施例，訓練機器學習模型，使得所述模型可接收POI的輸入SEM圖像，然後生成指示可用於對POI進行分類的每區塊得分的資料的示例性方法。
圖5示出了根據當前公開的主題的一些實施例的示例性機器學習模型和訓練資料流程。
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:檢查系統
101:低解析度檢查工具
102:高解析度檢查工具
103:基於電腦的系統
104:PMC
105:基於硬體的輸入介面
106:基於硬體的輸出介面
107:存儲系統
108:GUI
109:資料倉
110:手動注釋輸入裝置
112:ML單元

Claims (20)

  1. 一種對一半導體試樣上的一感興趣圖案(POI)進行分類的系統，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： 獲得提供該試樣上的該POI的一高解析度圖像的資訊的資料；以及 生成可用於根據一缺陷相關分類對該POI進行分類的資料， 其中該生成利用已經根據至少複數個訓練樣本訓練的一機器學習模型，每個訓練樣本包括： 一高解析度訓練圖像，該高解析度訓練圖像是藉由掃描一試樣上的一相應訓練圖案捕獲的，該相應訓練圖案與該POI相似，和 一標籤，該標籤與該圖像相關聯，該標籤是該相應訓練圖案的低解析度檢視的衍生物。
  2. 如請求項1所述的系統，其中該複數個訓練樣本中的每個訓練樣本的該高解析度訓練圖像是一掃描電子顯微鏡(SEM)圖像。
  3. 如請求項1所述的系統，其中與該複數個訓練樣本中的每個訓練樣本相關聯的相應標籤是該相應訓練圖案的光學檢視的衍生物。
  4. 如請求項1所述的系統，該系統還包括： 低解析度檢查工具，該低解析度檢查工具被配置為捕獲一POI的一低解析度圖像並利用該低解析度圖像的光學檢視來根據一缺陷相關分類對該POI進行分類；和 高解析度檢查工具，該高解析度檢查工具被配置為回應於該低解析度工具將該POI分類為有缺陷而捕獲該POI的高解析度圖像。
  5. 如請求項1所述的系統，其中該機器學習模型包括一神經網路，該神經網路包括： 一第一系列的一個或多個神經網路層，該第一系列的一個或多個神經網路層被配置為在給定提供一POI的一高解析度圖像的資訊的輸入資料的情況下輸出一特徵圖，和 一第二系列的神經網路層，該第二系列的神經網路層被配置為在給定一輸入特徵圖的情況下生成指示至少一個每區塊分類得分的資料， 其中每個每區塊分類得分屬於由該高解析度圖像的一相應區塊的圖元表示的該POI的一區域，該每區塊分類得分指示該相應區域的一缺陷可能性，從而產生可用於根據一缺陷相關分類對該POI進行分類的資料； 並且其中該機器學習模型已經根據以下項進行了訓練： a)   將該第一系列的神經網路層應用於該複數個訓練樣本中的一第一訓練樣本的一第一POI的一第一高解析度圖像，該第一POI與指示缺陷的一標籤相關聯，從而根據該神經網路的一當前訓練狀態產生一可疑特徵圖； b)   將該第二系列的神經網路層應用於該可疑特徵圖，從而根據該神經網路的該當前訓練狀態產生指示至少一個可疑每區塊得分的資料， 其中每個可疑每區塊得分屬於由該第一高解析度圖像的一相應區塊的圖元表示的該第一POI的一區域，該可疑每區塊得分指示該相應區域的一缺陷可能性； c)   將該第一系列的神經網路層應用於該複數個訓練樣本中的一第二訓練樣本的一第二POI的一第二高解析度圖像，該第二POI與指示無缺陷的一標籤相關聯，從而根據該神經網路的該當前訓練狀態產生一參考特徵圖； d)   將該第二系列的神經網路層應用於該參考特徵圖，從而根據該神經網路的該當前訓練狀態產生指示至少一個參考每區塊得分的資料， 其中每個參考每區塊得分屬於由該第二高解析度圖像的一相應區塊的圖元表示的該第二POI的一區域，該參考每區塊得分指示該相應區域的一缺陷可能性； e)   根據一損失函數調整該第一系列的神經網路層和該第二系列的神經網路層中的至少一個層的至少一個權重，該損失函數根據至少以下項： 該可疑特徵圖和該參考特徵圖的一距離度量衍生物、 該至少一個可疑每區塊得分、和 該至少一個參考每區塊得分；以及 f)    對該複數個訓練樣本中的一個或多個附加第一訓練樣本和附加第二訓練樣本重複a)-e)。
  6. 如請求項5所述的系統，其中該神經網路層是卷積層。
  7. 如請求項5所述的系統，其中該PMC進一步被配置為：將該至少一個每區塊分類得分中的每一個每區塊分類得分與一缺陷閾值進行比較，從而產生該POI是否有缺陷的一指示。
  8. 如請求項5所述的系統，其中該PMC進一步被配置為：根據該POI是否有缺陷的該指示來警告一操作員。
  9. 一種根據一半導體試樣上的一感興趣圖案(POI)的一高解析度圖像對該圖案進行分類的方法，該方法包括以下步驟： 由一處理器接收提供該試樣上的一POI的一高解析度圖像的資訊的資料；以及 由該處理器生成可用於根據一缺陷相關分類對該POI進行分類的資料， 其中該生成利用已經根據至少複數個訓練樣本訓練的一機器學習模型，每個訓練樣本包括： 一高解析度訓練圖像，該高解析度訓練圖像是藉由掃描一試樣上的一相應訓練圖案捕獲的，該訓練圖案與該POI相似， 其中該相應訓練圖案與該相應訓練圖案的低解析度檢視的一標籤衍生物相關聯。
  10. 如請求項9所述的方法，其中該機器學習模型包括一神經網路，該神經網路包括： 一第一系列的一個或多個神經網路層，該第一系列的一個或多個神經網路層被配置為在給定提供一POI的一高解析度圖像的資訊的輸入資料的情況下輸出一特徵圖，和 一第二系列的神經網路層，該第二系列的神經網路層被配置為在給定一輸入特徵圖的情況下生成指示至少一個第一每區塊分類得分的資料， 其中每一個每區塊分類得分屬於由該高解析度圖像的一相應區塊的圖元表示的該POI的一區域，該每區塊分類得分指示該相應區域的一缺陷可能性，從而產生可用於根據一缺陷相關分類對該POI進行分類的資料； 並且其中該機器學習模型已經根據包括以下項的一方法進行了訓練： a)   由一處理器將該第一系列的神經網路層應用於該複數個訓練樣本中的一第一訓練樣本的一第一POI的一第一高解析度圖像，該第一POI與指示缺陷的一標籤相關聯，從而根據該神經網路的一當前訓練狀態產生一可疑特徵圖； b)   由該處理器將該第二系列的神經網路層應用於該可疑特徵圖，從而根據該神經網路的該當前訓練狀態產生指示至少一個可疑每區塊得分的資料， 其中每一個可疑每區塊得分屬於由該第一高解析度圖像的一相應區塊的圖元表示的該第一POI的一區域，該可疑每區塊得分指示該相應區域的一缺陷可能性； c)   由該處理器將該第一系列的神經網路層應用於該複數個訓練樣本中的一第二訓練樣本的一第二POI的一第二高解析度圖像，該第二POI與指示無缺陷的一標籤相關聯，從而根據該神經網路的該當前訓練狀態產生一參考特徵圖； d)   由該處理器將該第二系列的神經網路層應用於該參考特徵圖，從而根據該神經網路的該當前訓練狀態產生指示至少一個參考每區塊得分的資料，其中每一個參考每區塊得分屬於由該第二高解析度圖像的一相應區塊的圖元表示的該第二POI的一區域，該參考每區塊得分指示該相應區域的一缺陷可能性； e)   由該處理器根據一損失函數調整該第一系列的神經網路層和第二系列的神經網路層中的至少一個層的至少一個權重，該損失函數利用至少以下項： 該可疑特徵圖和該參考特徵圖的一距離度量衍生物、 該至少一個可疑每區塊得分、和 該至少一個參考每區塊得分；以及 f)    對該複數個訓練樣本中的一個或多個附加第一訓練樣本和附加第二訓練樣本重複a)-e)。
  11. 如請求項10所述的方法，該方法進一步包括以下步驟：由該處理器將該至少一個每區塊分類得分中的每一個得分與一缺陷閾值進行比較，從而產生該POI是否有缺陷的一指示。
  12. 如請求項11所述的方法，該方法進一步包括以下步驟：由該處理器根據該POI是否有缺陷的該指示來警告一操作員。
  13. 如請求項10所述的進行分類的方法，該方法進一步包括以下步驟：由該處理器根據至少一個每區塊分類得分來決定一缺陷邊界框。
  14. 一種電腦程式產品，該電腦程式產品包括一電腦可讀存儲介質，該電腦程式產品包含程式指令，該程式指令當由一處理器讀取時使得該處理器執行訓練一機器學習模型的一方法，以在給定提供一POI的一高解析度圖像的資訊的輸入資料的情況下生成可用於根據一缺陷相關分類對該POI進行分類的資料，該方法包括以下步驟： a)   獲得複數個訓練樣本，每個訓練樣本包括： 一高解析度訓練圖像，該高解析度訓練圖像是藉由掃描一試樣上的一相應訓練圖案捕獲的，該訓練圖案與該POI相似， 其中該相應訓練圖案與該相應訓練圖案的低解析度檢視的一標籤衍生物相關聯；以及 b)   根據至少該複數個訓練樣本來訓練該機器學習模型。
  15. 如請求項14所述的電腦程式產品，其中該機器學習模型包括一神經網路，該神經網路包括： 一第一系列的一個或多個神經網路層，該第一系列的一個或多個神經網路層被配置為在給定提供一POI的一高解析度圖像的資訊的輸入資料的情況下輸出一特徵圖，和 一第二系列的神經網路層，該第二系列的神經網路層被配置為在給定一輸入特徵圖的情況下生成指示至少一個第一每區塊分類得分的資料， 其中每一個每區塊分類得分屬於由該高解析度圖像的一相應區塊的圖元表示的該POI的一區域，該每區塊分類得分指示該相應區域的一缺陷可能性， 從而產生可用於根據一缺陷相關分類對該POI進行分類的資料； 並且其中該訓練機器學習模型包括： a)   將該第一系列的神經網路層應用於該複數個訓練樣本中的一第一訓練樣本的一第一POI的一第一高解析度圖像，該第一POI與指示缺陷的一標籤相關聯，從而根據該神經網路的一當前訓練狀態產生一可疑特徵圖； b)   將該第二系列的神經網路層應用於該可疑特徵圖，從而根據該神經網路的該當前訓練狀態產生指示至少一個可疑每區塊得分的資料， 其中每一個可疑每區塊得分屬於由該第一高解析度圖像的一相應區塊的圖元表示的該第一POI的一區域，該可疑每區塊得分指示該相應區域的一缺陷可能性； c)   將該第一系列的神經網路層應用於該複數個訓練樣本中的一第二訓練樣本的一第二POI的一第二高解析度圖像，該第二POI與指示無缺陷的一標籤相關聯，從而根據該神經網路的該當前訓練狀態產生一參考特徵圖； d)   將該第二系列的神經網路層應用於該參考特徵圖，從而根據該神經網路的該當前訓練狀態產生指示至少一個參考每區塊得分的資料， 其中每一個參考每區塊得分屬於由該第二高解析度圖像的一相應區塊的圖元表示的該第二POI的一區域，該參考每區塊得分指示該相應區域的一缺陷可能性； e)   根據一損失函數調整該第一系列的神經網路層和該第二系列的神經網路層中的至少一個層的至少一個權重，該損失函數利用至少以下項： 該可疑特徵圖和該參考特徵圖的一距離度量衍生物、 該至少一個可疑每區塊得分、和 該至少一個參考每區塊得分；以及 f)    對該複數個訓練樣本中的一個或多個附加第一訓練樣本和附加第二訓練樣本重複a)-e)。
  16. 如請求項15所述的電腦程式產品，其中該距離度量是根據該可疑特徵圖與該參考特徵圖之間的一歐幾裡德差計算的一差分圖。
  17. 如請求項15所述的電腦程式產品，其中該距離度量是根據該可疑特徵圖與該參考特徵圖之間的一余弦相似度計算的一差分圖。
  18. 如請求項15所述的電腦程式產品，其中該附加第二訓練樣本是相同的第二訓練樣本。
  19. 如請求項15所述的電腦程式產品，其中該損失函數進一步利用： 與該第一高解析度圖像的一組圖元相關聯的注釋資料，該注釋資料指示由該一組圖元表示的該第一POI的一區域的缺陷。
  20. 如請求項19所述的電腦程式產品，其中該注釋資料是該第一高解析度圖像的人類注釋的衍生物。
TW110114852A 2020-06-03 2021-04-26 使用弱標記偵測半導體試樣中的缺陷 TW202147163A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/892,139 US11379972B2 (en) 2020-06-03 2020-06-03 Detecting defects in semiconductor specimens using weak labeling
US16/892,139 2020-06-03

Publications (1)

Publication Number Publication Date
TW202147163A true TW202147163A (zh) 2021-12-16

Family

ID=78786923

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110114852A TW202147163A (zh) 2020-06-03 2021-04-26 使用弱標記偵測半導體試樣中的缺陷

Country Status (5)

Country Link
US (2) US11379972B2 (zh)
JP (1) JP2021190716A (zh)
KR (1) KR20210150970A (zh)
CN (1) CN113763312B (zh)
TW (1) TW202147163A (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US11493901B2 (en) * 2020-09-24 2022-11-08 International Business Machines Corporation Detection of defect in edge device manufacturing by artificial intelligence
US20220101114A1 (en) * 2020-09-27 2022-03-31 Kla Corporation Interpretable deep learning-based defect detection and classification
CN115706819A (zh) * 2021-08-17 2023-02-17 鸿富锦精密工业（深圳）有限公司 网页视频播放方法、装置、电子设备及存储介质
US11789069B2 (en) * 2021-12-03 2023-10-17 International Business Machines Corporation Mixed high-resolution and low-resolution inspection for tamper detection
CN115061427B (zh) * 2022-06-28 2023-04-14 浙江同发塑机有限公司 吹塑机的料层均匀性控制系统及其控制方法
CN116046810B (zh) * 2023-04-03 2023-06-23 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3534582B2 (ja) * 1997-10-02 2004-06-07 株式会社日立製作所 パターン欠陥検査方法および検査装置
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP4928862B2 (ja) * 2006-08-04 2012-05-09 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP5065943B2 (ja) * 2008-02-29 2012-11-07 株式会社日立ハイテクノロジーズ 製造プロセスモニタリングシステム
US8150140B2 (en) * 2008-12-22 2012-04-03 Ngr Inc. System and method for a semiconductor lithographic process control using statistical information in defect identification
JP5429869B2 (ja) * 2008-12-22 2014-02-26 株式会社 Ｎｇｒ パターン検査装置および方法
WO2011083540A1 (ja) * 2010-01-05 2011-07-14 株式会社日立ハイテクノロジーズ Ｓｅｍを用いた欠陥検査方法及び装置
US8669523B2 (en) * 2011-05-25 2014-03-11 Kla-Tencor Corporation Contour-based defect detection using an inspection apparatus
WO2014149197A1 (en) * 2013-02-01 2014-09-25 Kla-Tencor Corporation Detecting defects on a wafer using defect-specific and multi-channel information
US9171364B2 (en) * 2013-06-21 2015-10-27 Kla-Tencor Corp. Wafer inspection using free-form care areas
US9714905B1 (en) * 2013-06-23 2017-07-25 Kla-Tencor Corp. Wafer inspection recipe setup
US9355208B2 (en) * 2013-07-08 2016-05-31 Kla-Tencor Corp. Detecting defects on a wafer
US9518935B2 (en) * 2013-07-29 2016-12-13 Kla-Tencor Corporation Monitoring changes in photomask defectivity
US10410338B2 (en) * 2013-11-04 2019-09-10 Kla-Tencor Corporation Method and system for correlating optical images with scanning electron microscopy images
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US9846934B2 (en) * 2015-04-13 2017-12-19 Anchor Semiconductor Inc. Pattern weakness and strength detection and tracking during a semiconductor device fabrication process
US9767548B2 (en) * 2015-04-24 2017-09-19 Kla-Tencor Corp. Outlier detection on pattern of interest image populations
US10359371B2 (en) * 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US11010886B2 (en) * 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10706522B2 (en) * 2016-11-08 2020-07-07 Kla-Tencor Corporation System and method for generation of wafer inspection critical areas
US10451563B2 (en) * 2017-02-21 2019-10-22 Kla-Tencor Corporation Inspection of photomasks by comparing two photomasks
US10620135B2 (en) * 2017-07-19 2020-04-14 Kla-Tencor Corp. Identifying a source of nuisance defects on a wafer
US9964607B1 (en) * 2017-08-28 2018-05-08 Seagate Technology Llc Recognizing and identifying defect patterns on magnetic media
US11138507B2 (en) * 2017-09-28 2021-10-05 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
WO2019070600A1 (en) * 2017-10-02 2019-04-11 Applied Materials Israel Ltd. DETERMINING A CRITICAL DIMENSION VARIATION OF A PATTERN
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
KR102549196B1 (ko) * 2018-02-07 2023-06-30 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
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
KR20210036962A (ko) * 2018-08-28 2021-04-05 에이에스엠엘 네델란즈 비.브이. 최적의 계측 안내 시스템들 및 방법들
KR102649132B1 (ko) * 2018-12-31 2024-03-20 에이에스엠엘 네델란즈 비.브이. E-빔 이미지 향상을 위한 완전 자동화 sem 샘플링 시스템
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
US11151710B1 (en) * 2020-05-04 2021-10-19 Applied Materials Israel Ltd. Automatic selection of algorithmic modules for examination of a specimen
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US20220044949A1 (en) * 2020-08-06 2022-02-10 Carl Zeiss Smt Gmbh Interactive and iterative training of a classification algorithm for classifying anomalies in imaging datasets

Also Published As

Publication number Publication date
US11379972B2 (en) 2022-07-05
CN113763312B (zh) 2024-04-19
US20220301151A1 (en) 2022-09-22
US11790515B2 (en) 2023-10-17
KR20210150970A (ko) 2021-12-13
JP2021190716A (ja) 2021-12-13
US20210383530A1 (en) 2021-12-09
CN113763312A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
TW202147163A (zh) 使用弱標記偵測半導體試樣中的缺陷
US11199506B2 (en) Generating a training set usable for examination of a semiconductor specimen
US11568531B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
CN103748670A (zh) 区域决定装置、观察装置或检查装置、区域决定方法以及使用了区域决定方法的观察方法或检查方法
TWI798627B (zh) 探測半導體晶片中缺陷的方法及半導體晶片缺陷探測系統
TW202209153A (zh) 檢查方案的自動最佳化
TWI786570B (zh) 生成可用於檢查半導體樣本的訓練集
TW202221536A (zh) 生成可用於檢查半導體樣本的訓練資料
KR20220162121A (ko) 반도체 시편의 검사
TWI763451B (zh) 利用自動地選擇演算法模組來檢驗樣本的系統、方法、和非暫時性電腦可讀媒體
US20230408423A1 (en) Inspection recipe optimization for semiconductor specimens
TWI834916B (zh) 基於機器學習的取樣缺陷檢測
US11854184B2 (en) Determination of defects and/or edge roughness in a specimen based on a reference image
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練
TW202127370A (zh) 基於機器學習的取樣缺陷檢測
TW202413931A (zh) 用於半導體取樣的檢查配方最佳化
KR20240039600A (ko) 기계 학습 기반 결함 검사를 위한 이미지 증강