TW202208840A - 模式選擇和缺陷偵測訓練 - Google Patents

模式選擇和缺陷偵測訓練 Download PDF

Info

Publication number
TW202208840A
TW202208840A TW110112673A TW110112673A TW202208840A TW 202208840 A TW202208840 A TW 202208840A TW 110112673 A TW110112673 A TW 110112673A TW 110112673 A TW110112673 A TW 110112673A TW 202208840 A TW202208840 A TW 202208840A
Authority
TW
Taiwan
Prior art keywords
defect
model
mode selection
optical
image
Prior art date
Application number
TW110112673A
Other languages
English (en)
Inventor
張晶
董宇杰
維珊克 巴哈提亞
派崔克 麥克布萊德
克里斯 畢海斯卡
布萊恩 杜菲
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 TW202208840A publication Critical patent/TW202208840A/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
    • G01N21/8851—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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G01N2021/8883—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
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Interface Circuits In Exchanges (AREA)

Abstract

一種系統可經組態用於聯合缺陷發現及光學模式選擇。在一缺陷發現步驟期間偵測缺陷。將該等所發現缺陷累積至一模式選擇資料集中。使用該模式選擇資料集來執行模式選擇以判定一模式組合。接著，可使用該模式組合來訓練該缺陷偵測模型。接著，可藉由該缺陷偵測模型偵測額外缺陷。接著，可將該等額外缺陷提供至該模式選擇資料集以進一步執行模式選擇且訓練該缺陷偵測模型。接著，可判定一或多個運行時間模式。該系統可經組態用於一影像像素級之模式選擇及缺陷偵測。

Description

模式選擇和缺陷偵測訓練
本發明大體上係關於半導體檢測，且更明確言之係關於對藉由半導體檢測偵測之缺陷進行分類。
半導體生產環境通常受高度控制以抑制晶圓被可能干擾製程或降低製造裝置之效能之異物污染。檢測系統常用於將諸如(但不限於)外來粒子之缺陷定位於一基板上以進行篩選及避免措施。缺陷檢測之靈敏度可基於諸如(但不限於)一缺陷類型、量測參數或一缺陷偵測模型之因素而變化。因此，適合量測參數及缺陷偵測模型之識別可提出挑戰。
因此，提供一種解決上文描述之缺點之系統及方法將為有利的。
揭示一種根據本發明之一或多項闡釋性實施例之系統。在一項闡釋性實施例中，該系統包含一控制器。在另一闡釋性實施例中，該控制器通信耦合至一檢測子系統。在另一闡釋性實施例中，該檢測子系統經組態以在組態成具有複數個候選光學模式之任一者時使至少一個樣本成像。在另一闡釋性實施例中，該控制器包含經組態以執行程式指令的一或多個處理器，該等程式指令引起該一或多個處理器聯合執行光學模式選擇及缺陷偵測訓練。在另一闡釋性實施例中，該等處理器接收該至少一個樣本之至少一部分上之至少一個缺陷之缺陷資料。在另一闡釋性實施例中，該等處理器從該檢測子系統接收至少一個影像且將該至少一個影像儲存於一資料集中。在另一闡釋性實施例中，該等處理器藉由執行一模式選擇模型從該複數個候選模式選擇一或多個光學模式。在另一闡釋性實施例中，該等處理器運用與藉由該模式選擇模型選擇之該一或多個光學模式相關聯之該等影像訓練一缺陷偵測模型。在另一闡釋性實施例中，該等處理器進一步經組態以從該複數個候選光學模式判定至少一個運行時間光學模式。
揭示一種根據本發明之一或多項闡釋性實施例之方法。該方法可包含執行光學模式選擇及缺陷偵測訓練。在一項闡釋性實施例中，該方法包含接收至少一個樣本之至少一部分上之至少一個缺陷之缺陷資料。在另一闡釋性實施例中，該方法包含從一檢測子系統接收至少一個影像及將該至少一個影像儲存於一資料集中。在另一闡釋性實施例中，該方法包含藉由執行一模式選擇模型從該複數個候選光學模式選擇一或多個光學模式。在另一闡釋性實施例中，該方法包含運用與藉由該模式選擇模型選擇之該一或多個光學模式相關聯之該等影像訓練一缺陷偵測模型。在另一闡釋性實施例中，該方法包含執行一缺陷檢測測試。
揭示一種根據本發明之一或多項闡釋性實施例之系統。在一項闡釋性實施例中，該系統包含經組態以在組態成具有複數個候選光學模式時使至少一個樣本成像的一檢測子系統。在另一闡釋性實施例中，該系統包含通信耦合至該檢測子系統的一控制器。在另一闡釋性實施例中，該控制器包含經組態以執行程式指令的一或多個處理器，該等程式指令引起該一或多個處理器聯合執行光學模式選擇及缺陷偵測訓練。在另一闡釋性實施例中，該等處理器接收該至少一個樣本之至少一部分上之至少一個缺陷之缺陷資料。在另一闡釋性實施例中，該等處理器從該檢測子系統接收至少一個影像且將該至少一個影像儲存於一資料集中。在另一闡釋性實施例中，該等處理器藉由執行一模式選擇模型從該複數個候選模式選擇一或多個光學模式。在另一闡釋性實施例中，該等處理器運用與藉由該模式選擇模型選擇之該一或多個光學模式相關聯之該等影像訓練一缺陷偵測模型。在另一闡釋性實施例中，該等處理器進一步經組態以從該複數個候選光學模式判定至少一個運行時間光學模式。
相關申請案之交叉參考
本申請案依據35 U.S.C. § 119(e)規定主張2020年5月21日申請之美國臨時申請案序號63/027,975之權利，該案之全部內容以引用之方式併入本文中。
現將詳細參考在隨附圖式中繪示之所揭示標的。
可使用包含光學檢測工具或電子束工具之廣範圍之工具對一樣本執行缺陷檢測。通常，光學檢測工具可提供一較高處理能力而電子束工具可提供一較高解析度。光學檢測工具可包含一或多個可調整光學特性。檢測工具之光學特性之一組合可被稱為一配方或光學模式，此等光學特性包含(但不限於)一波長、一焦距、一孔徑或一頻寬。光學檢測工具可包含數百或數千個光學模式，其中光學檢測工具之一些光學模式可產生或多或少適於缺陷偵測之影像。
可執行缺陷檢測以藉由將一缺陷偵測模型應用於藉由光學檢測工具獲取之樣本之影像而偵測該等影像上之缺陷。缺陷檢測可包含比較影像與一或多個參考影像(例如，藉由另一工具獲取之參考影像、藉由光學檢測工具在組態成具有一不同光學模式時獲取之參考影像、從樣本上之另一晶粒獲取之參考影像、從一或多個參考晶粒獲取之參考影像、前述參考影像之一或多者之一組合等)。一些缺陷偵測模型可或多或少適於偵測按一給定光學模式獲取之一影像上之缺陷。因此，可期望具有可在一生產步驟或其他運行時間環境期間合作地偵測一樣本上之缺陷之一光學模式及一缺陷偵測模型。在一般意義上，可在運行時間期間利用任何數目個光學模式來檢測一樣本。然而，在運行時間期間運用不同光學模式進行檢測通常負面地影響生產產量。因此，在運行時間期間利用之光學模式之數目通常係有限的(例如，限於1至3個模式)。然而，可難以先驗地判定光學模式及缺陷偵測模型之一適合組合。
本發明之實施例係關於聯合缺陷發現及光學模式選擇。可藉由執行聯合缺陷發現及光學模式選擇而解決缺陷訓練期間之光學模式選擇之資料充分性。此外，可能夠針對所要數目個候選光學模式調整光學模式選擇。
聯合缺陷發現及光學模式選擇可包含判定一樣本上之一或多個缺陷(例如，所關注缺陷(DOI))。此外，一檢測子系統可產生與缺陷相關聯之一或多個影像，其中此檢測子系統經組態成具有一光學模式。影像及相關聯缺陷可累積至一模式選擇資料集中。可藉由一模式選擇演算法使用模式選擇資料集以判定一或多個光學模式。接著，可使用一或多個光學模式來訓練一缺陷偵測模型。可視需要藉由光學檢測工具使用一或多個光學模式以在一晶粒、一晶粒列或一晶圓級之一或多者處進行效能評估。在效能評估期間發現之缺陷可進一步累積於模式選擇資料集中以進行一後續反覆循環。
在實施例中，可以一反覆方式執行缺陷發現及光學模式選擇。藉由反覆地執行缺陷發現及光學模式選擇，可訓練一缺陷偵測模型且可選擇至少一個光學模式。在一運行時間環境期間，可藉由檢測子系統使用至少一個光學模式來獲取樣本之至少一個影像，且可藉由缺陷偵測模型在至少一個影像中偵測一或多個缺陷。此外，可以所要靈敏度及穩定性位準執行使用缺陷偵測模型之缺陷偵測。
在Brian Duffy之美國專利7,877,722中描述用於產生檢測配方之系統及方法，該專利之全部內容以引用之方式併入本文中。
在Vaibhav Gaind發表為US 2020/0025689之美國專利申請案第16/272,528號中描述半導體檢測中之多模缺陷分類，該案之全部內容以引用之方式併入本文中。
大致參考圖1A至圖5，揭示根據本發明之一或多項實施例之一系統100及一方法200。
圖1A係繪示根據本發明之一或多項實施例之一基於影像之光學檢測系統100之一概念圖。
系統100可包含(但不限於)一檢測子系統102。可在複數個候選光學模式中組態檢測子系統102。舉例而言，在複數個候選光學模式之一光學模式中，個別疊對目標元件可在樣本上之照明光點內解析(例如，作為一明場影像、一暗場影像、一相位對比影像或類似者之部分)。光學模式可包含檢測子系統之光學特性之一組合。檢測子系統102之光學模式可包含(但不限於)一照明波長、從樣本發出之輻射之一偵測波長、樣本上之照明之一光點大小、入射照明之一角度、入射照明之一偏光、一焦距、入射照明之一光束在一疊對目標上之一位置、或一收集孔徑中之一透射分佈。在此方面，光學模式可與檢測子系統102之一配方相關聯。舉例而言，一光學模式包含一孔徑、一波長及一偏光。若考量十個不同孔徑、十個不同波長及三個偏光，則存在三百個可能光學模式(例如，候選光學模式)。
在實施例中，控制器101通信耦合至檢測子系統102。在另一實施例中，控制器101經組態以產生且提供一或多個控制信號，該一或多個控制信號經組態以對檢測子系統102之一或多個部分執行一或多個調整(例如，調整檢測子系統102之一波長)。
在實施例中，控制器101亦可經組態以從檢測子系統102接收影像資料。控制器101亦可經組態以執行本文中進一步論述之各種步驟之任一者。舉例而言，控制器可包含一模式選擇模型103及一缺陷偵測模型104。藉由模式選擇模型103及缺陷偵測模型104，控制器101可聯合執行光學模式選擇及缺陷發現。聯合光學模式選擇及缺陷發現可解決與光學模式選擇相關聯之資料不足(例如，在並非全部光學模式具有一相關聯影像時)。此外，缺陷偵測模型104可能夠足夠調整以藉由一深度學習技術進行訓練且可在可獲得很少缺陷時達成足夠偵測。藉由聯合執行光學模式選擇及缺陷發現，可判定一或多個運行時間光學模式以及一受訓缺陷偵測模型，其可接著在一運行時間環境期間提供至檢測子系統102。
圖1B係繪示根據本發明之一或多項實施例之系統之一概念圖。
控制器101可包含一或多個處理器105、一記憶體107且可包含或耦合至一使用者介面110。控制器101之一或多個處理器105可執行在本發明各處描述之各種處理步驟之任一者，諸如(但不限於)聯合執行模式選擇及缺陷發現。
控制器101之一或多個處理器105可包含此項技術中已知之任何處理器或處理元件。出於本發明之目的，術語「處理器」或「處理元件」可廣泛定義為涵蓋具有一或多個處理或邏輯元件之任何裝置(例如，一或多個微處理器裝置、一或多個特定應用積體電路(ASIC)裝置、一或多個場可程式化閘陣列(FPGA)或一或多個數位信號處理器(DSP))。在此意義上，一或多個處理器105可包含經組態以執行演算法及/或指令(例如，儲存於記憶體中之程式指令)的任何裝置。在實施例中，一或多個處理器105可具體實施為一桌上型電腦、主機電腦系統、工作站、影像電腦、平行處理器、網路電腦、或經組態以執行經組態以如在本發明各處描述般操作系統100或結合系統100操作之一程式之任何其他電腦系統。此外，系統100之不同子系統可包含適於實行在本發明中描述之步驟之至少一部分的一處理器或邏輯元件。因此，上文描述不應解釋為對本發明之實施例之一限制而是僅為一圖解。此外，在本發明各處描述之步驟可由一單個控制器或替代地多個控制器實行。此外，控制器101可包含容置於一共同外殼中或容置於多個外殼內之一或多個控制器。以此方式，可將任何控制器或控制器組合單獨封裝為適於整合至系統100中之一模組。此外，控制器101可分析從檢測子系統102接收之資料且將資料饋送至系統100內或系統100外部之額外組件。
記憶體媒體107可包含此項技術中已知之適於儲存可由相關聯之一或多個處理器105執行之程式指令的任何儲存媒體。舉例而言，記憶體媒體107可包含一非暫時性記憶體媒體。藉由另一實例，記憶體媒體107可包含(但不限於)一唯讀記憶體(ROM)、一隨機存取記憶體(RAM)、一磁性或光學記憶體裝置(例如，磁碟)、一磁帶、一固態硬碟及類似者。應進一步注意，記憶體媒體107可與一或多個處理器105容置於一共同控制器外殼中。在實施例中，記憶體媒體107可相對於一或多個處理器105及控制器101之實體位置遠端地定位。例如，控制器101之一或多個處理器105可存取可透過一網路(例如，網際網路、內部網路及類似者)存取之一遠端記憶體(例如，伺服器)。
在實施例中，一使用者介面通信耦合至控制器101。在實施例中，使用者介面110可包含(但不限於)一或多個桌上型電腦、膝上型電腦、平板電腦及類似者。在另一實施例中，使用者介面110包含用於向一使用者顯示系統100之資料的一顯示器。使用者介面110之顯示器可包含此項技術中已知之任何顯示器。舉例而言，顯示器可包含(但不限於)一液晶顯示器(LCD)、一基於有機發光二極體(OLED)之顯示器或一CRT顯示器。熟習此項技術者應認知，能夠與一使用者介面110整合之任何顯示裝置適於在本發明中實施。在另一實施例中，一使用者可回應於經由使用者介面110之一使用者輸入裝置向使用者顯示之資料而輸入選擇及/或指令。
圖1C繪示根據本發明之一或多項實施例之基於影像之光學成像系統100之一簡化示意圖。
在Ramaprasad Kulkarni發表為US 2020/0143528之美國專利申請案16/572,971中進一步描述檢測子系統，該案之全部內容併入本文中。
檢測子系統102可包含此項技術中已知之任何檢測子系統，包含(但不限於)一基於成像之光學檢測子系統。出於本發明之目的，術語「度量衡工具」可與「檢測子系統」互換。在此意義上，一度量衡工具及控制器101可形成系統100。此外，檢測子系統102可包含此項技術中已知之適於產生度量衡資料之任何類型之光學度量衡工具。
在實施例中，檢測子系統102包含經組態以產生一照明光束108的一照明源106。照明光束108可包含一或多個選定波長之光，包含(但不限於)真空紫外輻射(VUV)、深紫外輻射(DUV)、紫外(UV)輻射、可見輻射、或紅外(IR)輻射。照明源106可進一步產生包含任何範圍之選定波長之一照明光束108。在另一實施例中，照明源106可包含一光譜可調諧照明源以產生具有一可調諧光譜之一照明光束108。
照明源106可進一步產生具有任何時間輪廓之一照明光束108。舉例而言，照明源106可產生一連續照明光束108、一脈動照明光束108或一調變照明光束108。此外，可經由自由空間傳播或導引光(例如，一光纖、一光導管或類似者)從照明源106遞送照明光束108。
在另一實施例中，照明源106經由一照明路徑109將照明光束108引導至一樣本111。照明路徑109可包含適於修改及/或調節照明光束108的照明光學組件114。舉例而言，一或多個照明光學組件114可包含(但不限於)一或多個透鏡、一或多個偏光器、一或多個濾光片、一或多個漫射體、一或多個均質器、一或多個變跡器、一或多個光束整形器、或一或多個快門(例如，機械快門、電光快門、聲光快門或類似者)。藉由另一實例，一或多個照明光學組件114可包含用以控制樣本111上之照明角度的孔徑光闌及/或用以控制樣本111上之照明之空間範圍的視場光闌。在另一實施例中，系統100包含一光束分離器120。在另一實施例中，系統100包含用以將照明光束108聚焦至樣本111上的一物鏡116。
在另一實施例中，將樣本111安置於一樣本載物台118上。樣本載物台118可包含適於將樣本111定位於系統100內之任何裝置。舉例而言，樣本載物台118可包含線性平移載物台、旋轉載物台、翻轉/傾斜載物台或類似者之任何組合。
在另一實施例中，一偵測器112經組態以透過一收集路徑122擷取從樣本111發出之輻射。舉例而言，收集路徑122可包含(但無需包含)一集光透鏡(例如，如圖1B中繪示之物鏡116)。在此方面，一偵測器112可接收從樣本111反射或散射(例如，經由鏡面反射、漫反射及類似者)或藉由樣本111產生之輻射(例如，與照明光束108之吸收相關聯之發光或類似者)。
收集路徑122可進一步包含用以引導及/或修改由物鏡116收集之照明之任何數目個收集光學元件124，包含(但不限於)一或多個收集路徑透鏡、一或多個濾光片、一或多個偏光器或一或多個光束擋塊。此外，收集路徑122可包含用以控制成像至偵測器112上之樣本之空間範圍的視場光闌或用以控制來自用於在偵測器112上產生一影像之樣本之照明之角度範圍的孔徑光闌。在另一實施例中，收集路徑122包含定位於與物鏡116之一光學元件之後焦平面共軛之一平面中之一孔徑光闌以提供樣本之遠心成像。在實施例中，檢測子系統102包含光束分離器120，其經定向使得物鏡116可同時將照明光束108引導至樣本111且收集從樣本111發出之輻射。
偵測器112可包含此項技術中已知之適於量測從樣本111接收之照明之任何類型之光學偵測器。舉例而言，偵測器112可包含(但不限於)一電荷耦合裝置(CCD)偵測器、一延時積分(TDI)偵測器、一光電倍增管(PMT)、一雪崩光二極體(APD)、一互補金屬氧化物半導體(CMOS)感測器或類似者。在另一實施例中，偵測器112可包含適於識別從樣本111發出之光之波長之一光譜偵測器。
在實施例中，控制器101通信耦合至偵測器112。因此，控制器101可從偵測器112接收一資料集126。資料集126可包含按檢測子系統102之一光學模式獲取之一或多個影像128。可藉由從樣本111之至少一部分及/或從多個樣本(例如，一樣本之一晶粒或一晶粒列)接收複數個影像而產生資料集126。舉例而言，可在一缺陷檢測測試期間獲取複數個影像。當檢測子系統102經組態成具有一光學模式(例如，使得光學模式可與資料集126中之影像128相關聯)時可執行此缺陷檢測測試。
在實施例中，資料集可進一步包含與一或多個影像128相關聯之缺陷資料。此缺陷資料可包含在樣本上偵測到之一或多個缺陷(例如，來自一電子束工具或其他工具之樣本之像素級資訊)。在實施例中，控制器101可從另一檢測工具接收資料集126之至少一部分(例如，從一電子束檢測(EBI)工具或其他工具接收缺陷資料)。接著，此缺陷資料可與一或多個影像128相關聯，使得可使用缺陷資料運用影像上之一缺陷之一位置來訓練一缺陷偵測模型。
在實施例中，可將資料集126儲存於記憶體107中且從記憶體107接收資料集126。如可理解，可將任何數目個光學模式、影像及缺陷資料累積於資料集126中且隨後累積於記憶體107中。
在實施例中，在運用一或多個光學模式之一組合進行訓練時，可將缺陷偵測模型104判定為具有所要品質(例如，靈敏度或穩定性)。可藉由模式選擇模型103判定一或多個光學模式之組合。模式選擇模型103可藉由選擇訓練缺陷偵測模型104所運用之資料集126之一部分而判定一或多個光學模式之組合。用於訓練缺陷偵測模型104之資料集126之部分可包含從先前已成像(例如，按一不同光學模式)之一樣本之一區域或從先前尚未成像之一樣本之一區域獲取之影像。在從先前已用於訓練缺陷偵測模型104之一樣本之一區域獲取用於訓練缺陷偵測模型104之影像之情況下，可評估缺陷偵測模型104之一靈敏度。在從先前尚未使用之一樣本之一區域獲取影像之情況下，可評估缺陷偵測模型104之一穩定性。如可理解，應針對穩定性及靈敏度兩者訓練缺陷偵測模型104。
在實施例中，控制器101可判定資料集126不包含足夠數量之缺陷資料。接著，控制器101可從與電子束檢測(EBI)或其他此工具之耦合接收額外缺陷資料。
在實施例中，控制器101亦可判定資料集126不包含足夠數目之影像(例如，用於一所要光學模式之資料)，控制器可向檢測子系統102提供所要光學模式(例如，一配方)。接著，可根據所要光學模式組態檢測子系統102且可按所要光學模式獲取一或多個影像。類似地，控制器101可判定在其上方成像之樣本111之一部分或在其上方成像之一不同樣本且將此資訊提供至檢測子系統102。部分之此判定可至少部分基於關於藉由額外工具(例如，EBI工具)偵測之缺陷之缺陷資料且可視需要包含關照區域分析。在訓練模式選擇模型103及缺陷偵測模型104時，提供樣本之額外所要光學模式或部分的能力可確保資料充分性。
圖2A至圖2B描繪繪示根據本發明之一或多項實施例之用於執行聯合缺陷發現及光學模式選擇之一方法200中執行之步驟之流程圖。本文中先前在系統100之內容背景中描述之實施例及啟用技術應解釋為擴展至方法200。然而，應進一步認知，方法200不限於系統100。
使用方法200，複數個候選光學模式(例如，檢測子系統或來自複數個實體工具之數百或更多個模式)可縮小至一或多個運行時間模式。運行時間模式可包含機器設定之一組合，諸如(但不限於)一波長、偏光、焦距、頻寬、孔徑、一照明孔徑中之透射分佈、一收集孔徑中之透射分佈、及收集孔徑中之相移分佈，其等適於使一或多個缺陷成像。此外，藉由方法200，可針對運行時間模式訓練一缺陷偵測模型。
在實施例中，方法200包含一缺陷發現步驟202。缺陷發現步驟202可包含接收至少一個樣本之至少一部分上之至少一個缺陷之缺陷資料。可在藉由包含(但不限於)一光學檢測工具(例如，檢測子系統102)、一電子束檢測工具、一透射電子顯微鏡工具(TEM)或一寬頻電漿(BBP)檢測工具之任何來源產生之一或多個影像上偵測到缺陷。此等影像可適於尋找樣本上之一或多個缺陷，諸如(但不限於)空隙、突出部或橋。可藉由一習知偵測及影像處理演算法、一預訓練缺陷發現模型(例如，一神經網路、一深度學習模型等)在一或多個影像上偵測到缺陷，或可藉由在方法200期間訓練之一缺陷發現模型偵測該等缺陷。舉例而言，可在運用缺陷偵測模型(例如，藉由步驟210之缺陷檢測測試之一晶粒/晶粒列)檢測一樣本之一或多個晶粒或晶粒列中識別與缺陷發現步驟202相關聯之缺陷。可對一樣本(例如，樣本111)之一或多個部分執行缺陷發現，直至發現足夠數目個缺陷，諸如(但不限於)至多30個缺陷或更多。此外，可對多個樣本(例如，晶粒、晶粒列或晶圓)執行缺陷發現。
在實施例中，方法200包含一缺陷擷取及累積步驟204。缺陷擷取及累積步驟204可包含接收藉由檢測子系統102在根據一候選光學模式組態時獲取之至少一個影像，及將此影像儲存於一資料集中。資料集可包含四維(4D)張量資料(或其他此維陣列)。張量資料可包含對應於一批中之影像之一數目、一影像之一寬度、一影像之一高度及一影像中之通道(例如，用於灰階之一通道、用於紅綠藍(RGB)之三個通道等)之一數目之任何適合格式(諸如一(N、W、H、C)格式)。資料集可額外地與在缺陷發現步驟202中偵測到之缺陷相關聯(例如，基於樣本上之缺陷之一位置)。在此方面，至少一個影像可來自針對其接收到至少一個缺陷之至少一個樣本之至少一部分。
在實施例中，方法200包含一或多個光學模式之模式選擇之一步驟206。步驟206之一或多個光學模式之模式選擇可包含執行一模式選擇模型(例如，模式選擇模型103)以選擇複數個候選光學模式之一或多個光學模式。可從一候選模式清單選擇一或多個模式。候選模式清單可僅包含與資料集126中之缺陷資料相關聯之模式。替代地，候選模式清單可包含除包含於資料集中之模式以外的模式(例如，其中模式選擇模型經組態以藉由內插選擇模式)。在候選模式清單包含除包含於資料集中之模式以外的模式之情況下，可需要額外影像收集(例如，藉由步驟205)。
在實施例中，方法200可視需要包含將檢測子系統組態成具有一選定光學模式且接收按該選定光學模式獲取之一影像的一步驟205。可在步驟206之後(例如，在一模式選擇模型選擇一或多個模式之後)執行步驟205。在此方面，模式選擇模型可經組態以選擇在資料集中不具有一相關聯影像之一或多個光學模式(例如，歸因於資料不足，資料集不包含全部候選模式之一影像；其中此模式選擇模型可經組態以藉由內插選擇不具有一影像之一模式)。為解決資料不足，檢測子系統可經組態成具有選定光學模式且可獲取一或多個影像。
步驟206中使用之模式選擇模型可包含一隨機通道丟棄向量、一稀疏向量、一模型不可知後設學習演算法、一前向選擇演算法或一後向選擇演算法之至少一者。本文中進一步論述此等模式選擇模型。
在實施例中，方法200包含在給定選定模式之情況下訓練一缺陷偵測模型之一步驟208。訓練缺陷偵測模型步驟208可包含將與選定模式相關聯之資料集(例如，按所要光學模式獲取之影像及缺陷資料)提供至缺陷偵測模型。可根據任何適合方法(諸如(但不限於)一神經網路)運用資料集來訓練缺陷偵測模型。神經網路可包含一深度生成模型、一迴旋神經網路(CNN)、一生成對抗網路(GAN)、一條件生成對抗網路(cGAN)、一變分自編碼器(VAE)、一表示學習網路或一變壓器模型(例如，來自變壓器之雙向編碼器表示(BERT)；生成預訓練變壓器(GPT)等)之至少一者。
在實施例中，方法200包含執行一缺陷檢測測試之一步驟210。缺陷檢測測試可包含檢測一或多個樣本之一或多個區域。在此方面，可藉由一檢測工具(諸如(但不限於)檢測子系統(例如，檢測子系統102)、一電子束檢測(EBI)工具、一寬頻電漿(BBP)檢測工具或一透射電子顯微鏡(TEM)工具)獲取一或多個樣本之影像。可從先前已成像(例如，以評估缺陷偵測模型之一穩定性)之一樣本(例如，樣本111)之一區域或先前尚未成像(例如，以評估缺陷偵測模型之一靈敏度)之一樣本之一區域獲取影像。在從先前尚未成像之一樣本之一區域獲取樣本之情況下，區域可來自相同樣本或來自一新樣本(例如，一晶粒、一晶粒列或一晶圓)。
在實施例中，方法200可包含一步驟211：使用缺陷偵測模型對一晶粒、一晶粒列或一晶圓之至少一者執行推理以評估缺陷偵測模型之穩定性或靈敏度之至少一者。可藉由在一晶粒、一晶粒列或晶圓級之一或多者執行推理而評定缺陷偵測模型。可比較推理結果與(例如，經由一EBI工具、一TEM工具、一EBR工具等判定之)一或多個已知缺陷位置。基於推理，可評定缺陷偵測模型之靈敏度及穩定性。缺陷偵測模型可需要進一步訓練以運用一給定穩定性及靈敏度偵測(例如，候選模式之)任何給定光學模式之缺陷。可藉由透過方法200之一或多個步驟反覆直至滿足一穩定性或靈敏度準則來進行此訓練。類似地，可反覆方法200之一或多個步驟直至滿足若干反覆準則。
在Stilian Ivanov Pandev之美國專利10,354,929中描述基於光譜靈敏度及程序變動之量測配方最佳化，該專利之全部內容以引用之方式併入本文中。
藉由聯合缺陷偵測及光學模式選擇，缺陷偵測模型可經組態以基於用於訓練缺陷偵測模型之一或多個光學模式而偵測一樣本之一影像中之缺陷。因此，可在不考慮記錄程序(POR)之情況下訓練缺陷偵測模型訓練。在此方面，缺陷偵測模型(例如，缺陷偵測模型104)可偵測與不取決於一特徵品質之一或多個缺陷相關聯之額外像素。
在實施例中，方法200包含判定至少一個運行時間光學模式之一步驟212。如可理解，最少數目個運行時間光學模式係所要的。在一個實例中，選擇一光學模式作為運行時間光學模式。在另一實例中，選擇至多三個光學模式作為運行時間光學模式。在此方面，選擇為運行時間光學模式之光學模式之數目不意欲限制。實情係，可選擇任何適合數目個光學模式作為運行時間光學模式。為判定(若干)運行時間光學模式，可產生一排名表。排名表可包含一或多個指示符。缺陷偵測模型可應用於資料集中之影像以判定影像之缺陷。至少部分基於所判定缺陷，可產生指示符。此等指示符可與從資料集中之光學模式選擇運行時間光學模式相關。舉例而言，指示符可包含一信雜比(SNR)、一接收器操作特性(ROC)曲線、一擷取率、一妨害率、或一運算成本。在此方面，可基於與一使用者更相關之一所要應用及/或指示符來選擇一光學模式。在Bjorn Brauer發表為US 2020/0132610之美國專利申請案第16/389,422號中描述基於影像圖框之演算法選擇器，該案之全部內容以引用之方式併入本文中。接著，可在一運行時間環境期間將至少一個運行時間光學模式及缺陷偵測模型提供至檢測子系統。
現參考圖3及圖4，根據本發明之一或多項實施例更詳細地描述模式選擇模型103 (或(例如)步驟206中使用之模式選擇)之各種實施方案。模式選擇模型103可包含一隨機通道丟棄向量、一稀疏向量、一模型不可知後設學習演算法、一前向選擇演算法或一後向選擇演算法之一或多者。
圖3描繪根據本發明之一或多項實施例之模式選擇模型103。
在實施例中，模式選擇模型103包含用於隨機模式輸入之一大模型，基於資料集126學習該模型。一模式集可包含一模式1、模式2、模式3、模式4、至多一模式n (例如，候選模式1至n)。此等模式之一子集可具有缺陷資料(例如，一缺陷位置)及藉由檢測子系統102在組態成具有光學模式時獲取之相關聯影像128。可將此等缺陷資料及相關聯影像128儲存於資料集126中。
如圖3中描繪，模式選擇模型103可包含一隨機通道丟棄向量302。隨機通道丟棄向量302可具有等於索引304a至304d之數目之一長度。此等索引304a至304d可與在資料集126中具有至少一個影像之光學模式相關聯或可與全部候選光學模式相關聯(例如，其中候選模式之一或多者在藉由檢測子系統在組態成具有一或多個候選模式時獲取之資料集中不具有一相關聯影像)。隨機通道丟棄索引304a至304d可包含以一零值或一非零(例如，一)值隨機產生之一模式選擇值。在產生隨機通道丟棄向量302後，隨機通道丟棄向量302可應用於資料集126 (例如，4D張量之一灰階通道、4D張量之一或多個RGB通道等)以判定資料集126之一子集306。在此方面，子集306可包含具有一相關聯非零隨機通道丟棄索引之光學模式。接著，根據一或多項實施例，可將此子集306提供至缺陷偵測模型104以用於訓練缺陷偵測模型104。因此，模式選擇模型103可處置全部關注模式組合(例如，一候選模式清單)。
圖4描繪根據本發明之一或多項實施例之模式選擇模型103。
在實施例中，模式選擇模型103包含基於一稀疏約束之學習。舉例而言，一稀疏向量402可具有一範圍(例如，在0與1之間)中之索引值。稀疏向量402之一長度(例如，索引404之數目)可等於索引404a至404d。此等索引404a至404d可與在資料集126中具有至少一個影像之光學模式相關聯或可與全部候選光學模式相關聯。稀疏向量402可應用於資料集126以判定資料集126之子集406，其中子集406藉由充當二進制模式選擇指示符或充當一加權向量而用於訓練缺陷偵測模型104。
在實施例中，稀疏向量402可被認為等效於二進制模式選擇指示符。最初(例如，在定限之前)，可藉由一或多個稀疏最佳化技術(諸如(但不限於) L1 最佳化或Lα 最佳化(例如，其中0 ＜ α ＜1))判定稀疏向量402。接著，可藉由比較稀疏向量索引404a至404d與一臨限值(例如，等於7之一臨限值)而判定子集406。在此方面，具有大於或等於臨限值之一相關聯稀疏向量索引404a至404d之光學模式之任一者可包含於子集406 (例如，資料集之一4D張量通道)中。接著，可將子集406提供至缺陷偵測模型104以進行訓練。如可理解，本文中描述之臨限值不意欲限制。在此方面，任何數目(例如，介於0與1之間)可為一適合臨限值。此外，除非另有所述，否則臨限值不應限於大於或等於值。在此方面，臨限值可包含任何適合不等式，諸如(但不限於)大於、大於或等於、小於、或小於或等於。
儘管稀疏向量索引404a至404d已藉由與一臨限值進行比較以判定子集406而被描述為等效於二進制模式選擇指示符，然此不意欲限制。在實施例中，稀疏向量索引404a至404d可充當一加權向量，在訓練時將該加權向量提供至缺陷偵測模型104。在此方面，缺陷偵測模型104可在缺陷偵測模型104訓練期間使用影像128a至128d時考量稀疏向量索引404a至404d之一權重，使得可運用資料集126中之全部模式來訓練缺陷偵測模型104。舉例而言，可在訓練缺陷偵測模型104時基於稀疏向量索引404a至404d對一4D張量通道進行加權。
接著，可基於一缺陷檢測測試(例如，執行一缺陷檢測測試之步驟210)來更新稀疏向量索引404a至404d。若一缺陷偵測模型104a與缺陷偵測模型104b或104c相比具有一經改良穩定性或靈敏度，則可增加用於訓練缺陷偵測模型104a之稀疏向量索引。在缺陷偵測模型104a具有偵測缺陷之一降低能力之情況下，可類似地減少稀疏向量索引。因此，可更新稀疏向量索引404a至404d以根據選定稀疏最佳化技術(例如，L1 或Lα 最佳化約束)來最佳化缺陷偵測模型104之靈敏度及/或穩定性。
在模式選擇模型103包含稀疏向量402之情況下，可視需要藉由首先將一臨限值應用於資料集而選擇運行時間模式。在此方面，稀疏向量402之超過臨限值之索引404a至404d可被認為係最相關模式。在一些實施例中，臨限值可直接判定(若干)運行時間模式(例如，而不會進一步應用缺陷偵測模型以產生一排名表)。此可在稀疏向量402之一索引為高(例如，接近1)，從而指示相關聯光學模式係一最佳光學模式的情況下；或在僅少數(例如，一或兩個)稀疏向量索引為低(例如，接近0)的情況下發生。在其他實施例中，臨限值可判定複數個最相關模式(例如，十個或更多個)，指示該複數個最相關模式之任一者可為一最佳光學模式，此時可產生一排名表，從而允許一使用者從該複數個最相關模式選擇一運行時間模式。
圖5描繪根據本發明之一或多項實施例之訓練缺陷偵測模型104之步驟208。
在實施例中，藉由一神經網路訓練缺陷偵測模型104。神經網路可包含一深度生成模型、一迴旋神經網路(CNN)、一生成對抗網路(GAN)、一條件生成對抗網路(cGAN)、一變分自編碼器(VAE)、一表示學習網路或一變壓器模型(例如，來自變壓器之雙向編碼器表示(BERT)；生成預訓練變壓器(GPT)等)之至少一者。
神經網路可包含在與選定光學模式相關聯之影像502a至502c之一子集上訓練的複數個子網路。可藉由模式選擇模型基於隨機通道丟棄向量302、稀疏向量402或模型不可知後設學習演算法之至少一者而選擇影像502a至502c之此等子集。影像502a至502c之各子集可包含四維(4D)張量資料(或其他此維陣列)。張量資料可包含對應於一批中之影像之一數目、一影像之一寬度、一影像之一高度及一影像中之通道(例如，用於灰階之一通道、用於紅綠藍(RGB)之三個通道等)之一數目之任何適合格式(諸如一(N、W、H、C)格式)。在給定4D張量資料之情況下，神經網路可訓練缺陷偵測模型104以偵測缺陷。
在Jing Zhang之美國專利第10,346,740號中描述併入用於半導體應用之一神經網路及一前向實體模型之系統及方法，該專利之全部內容以引用之方式併入本文中。在Jing Zhang發表為US 2018/0107928之美國專利申請案第15/694,719號中描述經組態用於半導體應用之深度學習模型之診斷系統及方法，該案之全部內容以引用之方式併入本文中。
在實施例中，可針對若干反覆訓練缺陷偵測模型104。反覆數目可對應於運用光學模式之一組合訓練缺陷偵測模型104之次數。在此方面，可將資料集126中之各模式提供至缺陷偵測模型以針對給定數目個反覆進行學習。
大致參考圖1A至圖5，進一步詳細描述系統100及方法200。
在實施例中，系統100經組態以運用隨機通道丟棄向量302及稀疏向量402兩者來執行模式選擇模型103。舉例而言，系統100可使用稀疏向量402來判定相關之模式之一第一子集。接著，系統100可經組態以應用隨機通道丟棄向量302以進一步限制相關模式之數目。
儘管模式選擇模型103已被描述為包含一稀疏向量302或一隨機通道丟棄向量402，然此不意欲限制。在此方面，模式選擇模型103可經組態以藉由模型不可知後設學習(MAML)選擇訓練資料之一子集。在Chelsea Finn之「Model-Agnostic Meta-Learning for Fast Adaption of Deep Networks」中描述MAML，該案之全部內容以引用之方式併入本文中。
模式選擇模型103亦可包含一逐步回歸技術。舉例而言，模式選擇模型103可包含前向選擇。藉由前向選擇，可選擇一第一光學模式，其中此第一光學模式具有一所要品質(例如，缺陷偵測模型104在運用光學模式訓練時具有一所要穩定性及/或靈敏度)。可選擇一額外光學模式，此額外光學模式進一步引起缺陷偵測模型之穩定性或靈敏度增加。藉由另一實例，模式選擇模型103可包含後向選擇。後向選擇可開始運用全部光學模式訓練缺陷偵測模型。可移除一第一光學模式，此第一光學模式之移除引起缺陷偵測模型之穩定性或靈敏度之最少量降低。可重複前向選擇或後向選擇或直至判定所要數目個光學模式。
儘管模式選擇模型103可經組態以從檢測子系統102之每一可能模式組合判定一運行時間光學模式，然此通常在時間約束下不可行。因此，將模式選擇模型103限於組態檢測子系統102之若干候選模式係所要的。在實施例中，(例如，藉由使用者或控制器101之一或多者)判定一候選模式清單。候選光學模式清單可部分藉由一降維分析進行判定。在此方面，可移除一或多個冗餘模式。舉例而言，可藉由相關性分析或主成分分析而判定候選模式。可藉由計算模式對之間之一互相關性(諸如皮爾遜校正係數)而執行相關性分析。移除具有一高係數之任何模式對(冗餘模式)。可藉由保留高變體主成分而執行主成分分析(PCA)。本文中描述之模式之數目及組態不意欲限制。
在實施例中，方法200包含關照區域最佳化。藉由關照區域最佳化，可選擇樣本之一區域作為一關照區域，其具有用於聯合光學選擇及缺陷偵測之一或多個適合缺陷。可從關照區域獲取一或多個額外影像以用於訓練缺陷偵測模型。在Brian Duffy發表為US 2020/0126212之美國專利申請案16/364,161中描述基於設計及雜訊之關照區域，該案之全部內容以引用之方式併入本文中。
本文中描述之全部方法可包含將方法實施例之一或多個步驟之結果儲存於記憶體中。結果可包含本文中描述之結果之任一者且可以此項技術中已知之任何方式儲存。記憶體可包含本文中描述之任何記憶體或此項技術中已知之任何其他適合儲存媒體。在已儲存結果之後，結果可在記憶體中存取且由本文中所描述之方法或系統實施例之任一者使用、經格式化以對一使用者顯示、由另一軟體模組、方法或系統使用及類似者。此外，結果可「永久」、「半永久」、「暫時」或在某一時段內儲存。舉例而言，記憶體可為隨機存取記憶體(RAM)，且結果可能不一定無限期地保留於記憶體中。
應進一步預期，上文描述之方法之實施例之各者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。另外，上文描述之方法之實施例之各者可由本文中描述之系統之任一者執行。
如在本發明各處所使用，術語「樣本」大體上係指由一半導體或非半導體材料(例如，一晶圓或類似者)形成之一基板。舉例而言，一半導體或非半導體材料可包含(但不限於)單晶矽、砷化鎵及磷化銦。一樣本可包含一或多個層。舉例而言，此等層可包含(但不限於)一光阻(包含一光阻劑)、一介電材料、一導電材料及一半導體材料。此項技術中已知許多不同類型之此等層，且如本文中使用之術語樣本意欲涵蓋其上可形成全部類型之此等層之一樣本。形成於一樣本上之一或多個層可經圖案化或未經圖案化。舉例而言，一樣本可包含複數個晶粒，各晶粒具有可重複圖案化特徵。此等材料層之形成及處理最終可導致完成裝置。許多不同類型之裝置可形成於一樣本上，且如本文中使用之術語樣本意欲涵蓋正在其上製造此項技術中已知之任何類型之裝置的一樣本。此外，出於本發明之目的，術語樣本及晶圓應解釋為可互換的。另外，出於本發明之目的，術語圖案化裝置、遮罩及倍縮光罩應解釋為可互換的。
熟習此項技術者將認知，為了概念清楚使用本文中描述之組件操作、裝置、物件及伴隨其等之論述作為實例且預期各種組態修改。因此，如本文中使用，闡述之特定範例及隨附論述意欲表示其等更一般的類別。一般而言，任何特定範例之使用意欲表示其類別，且不包含特定組件、操作、裝置及物件不應被視為限制性的。
關於本文中使用實質上任何複數及/或單數術語，熟習此項技術者可視上下文及/或應用從複數轉化為單數及/或從單數轉化為複數。為清楚起見，本文中未明確闡述各種單數/複數排列。
本文中描述之標的有時繪示含於其他組件內或與其他組件連接之不同組件。應瞭解，此等所描繪架構僅為例示性的，且事實上可實施達成相同功能性之許多其他架構。在一概念意義上，用以達成相同功能性之任何組件配置經有效「相關聯」，使得達成所要功能性。因此，在本文中組合以達成一特定功能性之任何兩個組件可被視為彼此「相關聯」，使得達成所要功能性，而與架構或中間組件無關。同樣地，如此相關聯之任何兩個組件亦可被視為彼此「連接」或「耦合」以達成所要功能性，且能夠如此相關聯之任何兩個組件亦可被視為彼此「可耦合」以達成所要功能性。可耦合之特定實例包含(但不限於)可實體上配接及/或實體上相互作用之組件及/或可無線相互作用及/或無線相互作用之組件及/或邏輯相互作用及/或可邏輯相互作用之組件。
此外，應理解，本發明係藉由隨附發明申請專利範圍定義。此項技術者將理解，一般而言，本文中且尤其是隨附發明申請專利範圍(例如，隨附發明申請專利範圍之主體)中所使用之術語一般意欲為「開放式」術語(例如，術語「包含(including)」應被解釋為「包含(但不限於)」，術語「具有」應被解釋為「至少具有」，術語「包含(includes)」應被解釋為「包含(但不限於)」及類似者)。此項技術者將進一步理解，若想要一引入請求項敘述之一特定數目，則此一意向將明確敘述於請求項中，且若缺乏此敘述，則不存在此意向。舉例而言，作為理解之一輔助，以下隨附發明申請專利範圍可含有使用引導性片語「至少一」及「一或多個」來引入請求項敘述。然而，此等片語之使用不應被解釋為隱含：由不定冠詞「一(a)」或「一個(an)」引入之一請求項敘述將含有此引入請求項敘述之任何特定請求項限制為僅含有此一敘述之發明，即使相同請求項包含引導性片語「一或多個」或「至少一」及諸如「一(a)」或「一個(an)」之不定冠詞(例如，「一(a)」及/或「一個(an)」通常應被解釋為意指「至少一」或「一或多個」)；上述內容對用於引入請求項敘述之定冠詞之使用同樣適用。另外，即使明確敘述一引入請求項敘述之一特定數目，但熟習此項技術者亦將辨識，此敘述通常應被解釋為意指至少該敘述數目(例如，「兩條敘述」之基本敘述(無其他修飾語)通常意指至少兩條敘述或兩條或兩條以上敘述)。此外，在其中使用類似於「A、B及C之至少一者，及類似者」之一慣用表述的例項中，此一構造一般意指熟習此項技術者將理解之慣用表述意義(例如，「具有A、B及C之至少一者之一系統」將包含(但不限於)僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C之系統，及類似者)。在其中使用類似於「A、B或C之至少一者，及類似者」之一慣用表述的例項中，此一構造一般意指熟習此項技術者將理解之慣用表述意義(例如，「具有A、B或C之至少一者之一系統」將包含(但不限於)僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C之系統，及類似者)。此項技術者將進一步理解，無論在描述、發明申請專利範圍或圖式中，呈現兩個或兩個以上替代項之幾乎任何轉折連詞及/或片語應被理解為預期以下可能性：包含該等項之一者、該等項之任一者或兩項。舉例而言，片語「A或B」將被理解為包含「A」或「B」或「A及B」之可能性。
據信，將藉由前文描述來理解本發明及其諸多伴隨優點，且將明白，可在不脫離所揭示標的或不犧牲其全部材料優點之情況下對組件之形式、構造及配置作出各種改變。所描述之形式僅供說明，且以下發明申請專利範圍意欲涵蓋及包含此等改變。此外，應理解，本發明係藉由隨附發明申請專利範圍定義。
100:基於影像之光學檢測系統 101:控制器 102:檢測子系統 103:模式選擇模型 104:缺陷偵測模型 105:處理器 106:照明源 107:記憶體/記憶體媒體 108:照明光束 109:照明路徑 110:使用者介面 111:樣本 112:偵測器 114:照明光學組件 116:物鏡 118:樣本載物台 120:光束分離器 122:收集路徑 124:收集光學元件 126:資料集 128:影像 128a:影像 128b:影像 128d:影像 202:缺陷發現步驟 204:缺陷擷取及累積步驟 205:步驟 206:步驟 208:步驟 210:步驟 211:步驟 212:步驟 302:隨機通道丟棄向量 304a:隨機通道丟棄索引 304b:隨機通道丟棄索引 304d:隨機通道丟棄索引 306:子集 402:稀疏向量 404a:稀疏向量索引 404b:稀疏向量索引 404d:稀疏向量索引 406:子集 502a:影像子集 502b:影像子集 502c:影像子集
藉由參考附圖，熟習此項技術者可更佳理解本發明之許多優點，其中： 圖1A係根據本發明之一或多項實施例之一基於影像之光學檢測系統之一概念圖； 圖1B係根據本發明之一或多項實施例之一基於影像之光學檢測系統之一概念圖； 圖1C係根據本發明之一或多項實施例之一基於影像之光學檢測系統之一簡化示意圖； 圖2A至圖2B描繪根據本發明之一或多項實施例之聯合缺陷發現及光學模式選擇之一方法之一流程圖； 圖3描繪根據本發明之一或多項實施例之一模式選擇模型； 圖4描繪根據本發明之一或多項實施例之一模式選擇模型；及 圖5描繪根據本發明之一或多項實施例之訓練一缺陷偵測模型。
100:基於影像之光學檢測系統
101:控制器
102:檢測子系統
103:模式選擇模型
104:缺陷偵測模型
302:隨機通道丟棄向量
402:稀疏向量

Claims (20)

  1. 一種系統，其包括： 一控制器，其通信耦合至一檢測子系統，該檢測子系統經組態以在組態成具有複數個候選光學模式之任一者時使至少一個樣本成像，該控制器包含經組態以執行程式指令的一或多個處理器，該等程式指令引起該一或多個處理器反覆地聯合執行光學模式選擇及缺陷偵測訓練： 接收該至少一個樣本之至少一部分上之至少一個缺陷之缺陷資料； 從該檢測子系統接收至少一個影像且將該至少一個影像儲存於一資料集中，其中該至少一個影像與藉由組態成具有該複數個候選光學模式之一候選光學模式之該檢測子系統在該至少一個樣本之該至少該部分上偵測到之該至少一個缺陷相關聯； 藉由執行一模式選擇模型從該複數個候選光學模式選擇一或多個光學模式；及 運用與該一或多個選定光學模式相關聯之影像來訓練一缺陷偵測模型； 其中該一或多個處理器進一步經組態以從該複數個候選光學模式判定至少一個運行時間光學模式。
  2. 如請求項1之系統，其中該模式選擇模型包括： 一稀疏向量，該稀疏向量包含複數個索引，該複數個索引之各者包含介於零與一第一值之間之一模式選擇權重。
  3. 如請求項2之系統，其中藉由將一臨限值應用於該稀疏向量而選擇藉由該模式選擇模型選擇之該一或多個光學模式。
  4. 如請求項2之系統，其中藉由將該複數個索引作為一加權向量提供至該缺陷偵測模型而選擇藉由該模式選擇模型選擇之該一或多個光學模式。
  5. 如請求項1之系統，其中該模式選擇模型包括： 一隨機通道丟棄向量，該隨機通道丟棄向量包含複數個索引，該複數個索引之各者包含零或非零之一模式選擇權重。
  6. 如請求項5之系統，其中在各反覆期間將該複數個索引隨機設定為一零值或一非零值。
  7. 如請求項6之系統，其中藉由具有該非零值之該複數個索引判定用以訓練該缺陷偵測模型之該資料集之該一或多個光學模式。
  8. 如請求項1之系統，其中該模式選擇模型包含一模型不可知後設學習演算法。
  9. 如請求項1之系統，其中該模式選擇模型包括前向選擇或後向選擇演算法之至少一者。
  10. 如請求項1之系統，其中判定該至少一個運行時間模式包含產生一排名表，該排名表包含一信雜比、一接收器操作特性曲線、一擷取率、一妨害率或一運算成本之至少一者。
  11. 如請求項1之系統，其中藉由降維判定該複數個候選光學模式，該降維包含相關性分析或主成分分析之至少一者。
  12. 如請求項1之系統，其中該複數個候選光學模式之各者包含一波長、一焦距、一孔徑及一頻寬。
  13. 如請求項1之系統，其中該缺陷偵測模型包含一深度生成模型、一迴旋神經網路、一生成對抗網路、一條件生成對抗網路、一變分自編碼器、一表示學習網路或一變壓器模型之至少一者。
  14. 如請求項1之系統，其中該檢測子系統包含一寬頻電漿檢測工具。
  15. 如請求項1之系統，其進一步包括執行一缺陷檢測測試。
  16. 如請求項15之系統，其進一步包括使用該缺陷偵測模型執行一推理以評估該缺陷偵測模型之一穩定性或一靈敏度之至少一者。
  17. 如請求項1之系統，其中在該一或多個光學模式不包含該資料集中之一相關聯影像時，該檢測子系統經組態以在組態成具有藉由該模式選擇模型從該複數個候選模式選擇之該一或多個光學模式時使該至少一個樣本成像。
  18. 一種用於執行光學模式選擇及缺陷偵測訓練之方法，其包括： 接收至少一個樣本之至少一部分上之至少一個缺陷之缺陷資料； 從一檢測子系統接收至少一個影像且將該至少一個影像儲存於一資料集中，其中該至少一個影像與藉由組態成具有複數個候選光學模式之一候選光學模式之該檢測子系統在該至少一個樣本之該至少該部分上偵測到之該至少一個缺陷相關聯； 藉由執行一模式選擇模型從該複數個候選光學模式選擇一或多個光學模式； 運用與藉由該模式選擇模型選擇之該一或多個光學模式相關聯之該等影像訓練一缺陷偵測模型；及 執行一缺陷檢測測試。
  19. 如請求項18之方法，其中該模式選擇模型包含一隨機通道丟棄向量、一稀疏向量、一模型不可知後設學習演算法、一前向選擇演算法或一後向選擇演算法之一或多者。
  20. 一種系統，其包括： 一檢測子系統，其經組態以在組態成具有複數個候選光學模式時使至少一個樣本成像； 一控制器，其通信耦合至該檢測子系統，該控制器包含經組態以執行程式指令的一或多個處理器，該等程式指令引起該一或多個處理器反覆地聯合執行光學模式選擇及缺陷偵測訓練： 接收該至少一個樣本之至少一部分上之至少一個缺陷之缺陷資料； 從該檢測子系統接收至少一個影像且將該至少一個影像儲存於一資料集中，其中該至少一個影像與藉由組態成具有該複數個候選光學模式之一候選光學模式之該檢測子系統在該至少一個樣本之該至少該部分上偵測到之該至少一個缺陷相關聯； 藉由執行一模式選擇模型從該複數個候選光學模式選擇一或多個光學模式；及 運用與該一或多個選定光學模式相關聯之影像來訓練一缺陷偵測模型； 其中該一或多個處理器進一步經組態以從該複數個候選光學模式判定至少一個運行時間光學模式。
TW110112673A 2020-05-21 2021-04-08 模式選擇和缺陷偵測訓練 TW202208840A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063027975P 2020-05-21 2020-05-21
US63/027,975 2020-05-21
US17/128,502 2020-12-21
US17/128,502 US11769242B2 (en) 2020-05-21 2020-12-21 Mode selection and defect detection training

Publications (1)

Publication Number Publication Date
TW202208840A true TW202208840A (zh) 2022-03-01

Family

ID=78608155

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110112673A TW202208840A (zh) 2020-05-21 2021-04-08 模式選擇和缺陷偵測訓練

Country Status (6)

Country Link
US (1) US11769242B2 (zh)
KR (1) KR20230011375A (zh)
CN (1) CN115516293A (zh)
IL (1) IL297618A (zh)
TW (1) TW202208840A (zh)
WO (1) WO2021236473A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022083487A (ja) * 2020-11-25 2022-06-06 キヤノン株式会社 検査システム、管理装置、検査方法、プログラム、記録媒体および物品の製造方法
TWI801038B (zh) * 2021-12-16 2023-05-01 新加坡商鴻運科股份有限公司 瑕疵檢測方法、系統、電子設備及介質
US11921052B2 (en) * 2022-03-31 2024-03-05 Kla Corporation Inspection with previous step subtraction
US11922619B2 (en) 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection
CN117408931A (zh) * 2022-07-06 2024-01-16 纬创资通(昆山)有限公司 影像缺陷检测系统、其产生方法及计算机可读取记录媒体
US20240062361A1 (en) * 2022-08-18 2024-02-22 Onto Innovation Inc. Substrate defect-detection and comparison

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7877722B2 (en) 2006-12-19 2011-01-25 Kla-Tencor Corp. Systems and methods for creating inspection recipes
US10354929B2 (en) 2012-05-08 2019-07-16 Kla-Tencor Corporation Measurement recipe optimization based on spectral sensitivity and process variation
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US10223615B2 (en) 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
US10115040B2 (en) 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10510633B1 (en) 2018-07-16 2019-12-17 Taiwan Semiconductor Manufacturing Co., Ltd. Package and printed circuit board attachment
US11668655B2 (en) 2018-07-20 2023-06-06 Kla Corporation Multimode defect classification in semiconductor inspection
US10832396B2 (en) 2018-10-19 2020-11-10 Kla-Tencor Corp. And noise based care areas
US10801968B2 (en) 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
US11037289B2 (en) 2018-10-26 2021-06-15 Taiwan Semiconductor Manufacturing Company Ltd. Method and system for scanning wafer
US11468553B2 (en) 2018-11-02 2022-10-11 Kla Corporation System and method for determining type and size of defects on blank reticles
EP3705962A1 (de) * 2019-03-07 2020-09-09 Siemens Aktiengesellschaft Verfahren und system zur qualitätskontrolle in der industriellen fertigung

Also Published As

Publication number Publication date
US11769242B2 (en) 2023-09-26
KR20230011375A (ko) 2023-01-20
IL297618A (en) 2022-12-01
WO2021236473A1 (en) 2021-11-25
US20210366103A1 (en) 2021-11-25
CN115516293A (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
TW202208840A (zh) 模式選擇和缺陷偵測訓練
JP7026719B2 (ja) 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング
JP6719462B2 (ja) プロセスウィンドウキャラクタライゼーションのための仮想検査システム
TWI679710B (zh) 用於判定樣品上缺陷之系統、非暫時性電腦可讀媒體及方法
TWI621849B (zh) 用於偵測晶圓上之缺陷之電腦實施方法、非暫時性電腦可讀媒體及系統
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
TWI744540B (zh) 用於高效處理窗口探索之混合檢測系統
TWI785216B (zh) 結合模擬及光學顯微鏡以判定檢查模式
US9711327B2 (en) Method and system for optimizing configurable parameters of inspection tools
TW202024612A (zh) 透過生成對抗網路之超解析度缺陷視察影像生成
JP7236473B2 (ja) 多重散乱信号に基づく埋設粒子深度値域分類
TWI734761B (zh) 用於全表面薄膜度量之系統及方法
TW202209391A (zh) 用以在電漿處理期間調整表面反應之動力模型之系統及方法
KR20200141524A (ko) 반도체 웨이퍼의 리피터 결함 포착
KR20180123173A (ko) 노이즈 경계 임계값에 의한 웨이퍼 검사 시스템 및 방법
JPWO2020092856A5 (zh)
KR20220104776A (ko) 노이즈 특성에 기초한 서브케어 영역의 클러스터링
KR20240082266A (ko) 반도체 기반 애플리케이션을 위한 비지도형 또는 자기 지도형 딥 러닝
CN114341630B (zh) 等概率缺陷检测
KR20220041126A (ko) 광학 검사를 이용한 프로세스 모니터링 방법
US20230351553A1 (en) Shot noise reduction using frame averaging
US20230332954A1 (en) Apparatus and method for inspecting and measuring semiconductor device
TW202407331A (zh) 多模式光學檢測
KR20230148710A (ko) 반도체 소자 검사 계측 장치 및 방법