TW202217274A - 在半導體樣本中的陣列的識別 - Google Patents

在半導體樣本中的陣列的識別 Download PDF

Info

Publication number
TW202217274A
TW202217274A TW110120176A TW110120176A TW202217274A TW 202217274 A TW202217274 A TW 202217274A TW 110120176 A TW110120176 A TW 110120176A TW 110120176 A TW110120176 A TW 110120176A TW 202217274 A TW202217274 A TW 202217274A
Authority
TW
Taiwan
Prior art keywords
regions
image
array
repeating structural
structural elements
Prior art date
Application number
TW110120176A
Other languages
English (en)
Inventor
尤達 科漢
拉法爾 比斯翠札
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 TW202217274A publication Critical patent/TW202217274A/zh

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • H01L21/67271—Sorting devices
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Power Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Architecture (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

提供了一種方法和一種系統，所述方法和所述系統被配置為：獲得半導體樣本的圖像，所述半導體樣本包括：一個或多個陣列，每個陣列包括重複結構元素；以及一個或多個區，每個區至少部分地包圍對應陣列並且包括與重複結構元素不同的特徵，其中PMC被配置為在半導體樣本的運行時掃描期間：在圖像的圖元強度與提供重複結構元素中的至少一者的資訊的參考圖像的圖元強度之間執行相關分析，以獲得相關矩陣；使用相關矩陣來區分與一個或多個陣列相對應的圖像的一個或多個第一區域和與一個或多個區相對應的圖像的一個或多個第二區域；以及輸出提供圖像的一個或多個第一區域的資訊的資料。

Description

在半導體樣本中的陣列的識別
當前公開的主題總體涉及樣本檢驗的領域，並且更具體地，涉及使樣本的檢驗自動化。
當前對與所製造的元件的超大規模集成相關聯的高密度和高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。這種需求要求形成具有高精確度和均勻性的元件特徵，這進而使得必需仔細地監測製造製程，包括在元件仍然呈半導體晶圓的形式時自動地檢驗所述元件。
在半導體製造期間的各種步驟處使用檢驗製程來偵測和分類在樣本上的缺陷。可藉由使（多個）製程自動化（例如，自動化缺陷分類（ADC）、自動化缺陷審查（ADR）等）來提高檢驗有效性。
根據當前公開的主題的某些態樣，提供了一種檢驗半導體樣本的系統，所述系統包括處理器和記憶體電路系統（PMC），所述處理器和記憶體電路系統（PMC）被配置為：獲得半導體樣本的圖像，所述半導體樣本包括：一個或多個陣列，每個陣列包括重複結構元素；一個或多個區，每個區至少部分地包圍對應陣列並且包括與重複結構元素不同的特徵，其中PMC被配置為在半導體樣本的運行時掃描期間：在圖像的圖元強度與提供重複結構元素中的至少一者的資訊的參考圖像的圖元強度之間執行相關分析，以獲得相關矩陣；使用相關矩陣來區分與一個或多個陣列相對應的圖像的一個或多個第一區域和與一個或多個區相對應的圖像的一個或多個第二區域；以及輸出提供圖像的一個或多個第一區域的資訊的資料。
根據一些實施例，所述系統被配置為：決定與滿足振幅標準的相關矩陣的值相對應的圖像的子區域，基於提供在陣列中的重複結構元素之間的距離的資訊的資料來將子區域聚類為一個或多個群集，以及至少基於一個或多個群集來決定一個或多個第一區域。
根據一些實施例，一個或多個陣列由一個或多個邊界與一個或多個區分隔，其中系統被配置為估計僅包括直至邊界的至少一個或多個陣列的圖像的一個或多個第一區域。
根據一些實施例，所述系統被配置為對參考圖像應用圖像處理，其中圖像處理衰減參考圖像的重複圖案。
根據一些實施例，所述系統被配置為：基於提供沿著第一軸線在陣列中的重複結構元素之間的距離的資訊的資料來將子區域聚類為一個或多個第一群集，基於提供沿著第二軸線在陣列中的重複結構元素之間的距離的資訊的資料來將子區域聚類為一個或多個第二群集，以及使用第一群集和第二群集來區分與一個或多個陣列相對應的圖像的一個或多個第一區域和與一個或多個區相對應的圖像的一個或多個第二區域。
根據一些實施例，所述系統對於每個群集被配置為：決定包圍一個或多個群集的多邊形，以及將多邊形輸出為圖像的第一區域。
根據一些實施例，所述系統被配置為僅選擇子區域的數量滿足閾值的群集。
根據一些實施例，所述系統被配置為在半導體樣本的運行時檢驗之前的設置階段中獲得提供振幅標準的資訊的資料。
根據一些實施例，所述系統被配置為：在圖像的一個或多個第一區域的圖元強度與提供重複結構元素中的至少一者的資訊的第二參考圖像的圖元強度之間執行相關分析，以得到第二相關矩陣，決定與滿足振幅標準的第二相關矩陣的值相對應的圖像的一個或多個第一區域的子區域，至少基於在圖像的一個或多個第一區域中的子區域的位置和提供在陣列中的重複結構元素的預期位置的資訊的資料來決定在圖像的一個或多個第一區域與陣列之間的形變圖，以及基於形變圖來生成校正圖像。
根據一些實施例，所述系統被配置為生成校正圖像，使得在校正圖像中的子區域的位置和提供在陣列中的重複結構元素的期望位置的資訊的資料滿足接近度標準。
根據一些實施例，所述系統被配置為：決定在圖像的一個或多個第一區域中的子區域的位置與提供陣列中的重複結構元素的預期位置的資訊的資料之間的變形DF 中心，以及基於至少應用到DF 中心的內插方法來決定在圖像的一個或多個第一區域與半導體樣本的陣列之間的形變圖。
根據一些實施例，所述系統被配置為：獲得提供重複結構元素中的至少一者的資訊的參考圖像，以及僅選擇參考圖像的子集作為第二參考圖像。
根據當前公開的主題的其他態樣，提供了一種檢驗半導體樣本的方法，所述方法包括由處理器和記憶體電路系統（PMC）：獲得半導體樣本的圖像，所述半導體樣本包括：一個或多個陣列，每個陣列包括重複結構元素；一個或多個區，每個區至少部分地包圍對應陣列並且包括與重複結構元素不同的特徵；在半導體樣本的運行時掃描期間：在圖像的圖元強度與提供重複結構元素中的至少一者的資訊的參考圖像的圖元強度之間執行相關分析，以獲得相關矩陣；使用相關矩陣來區分與一個或多個陣列相對應的圖像的一個或多個第一區域和與一個或多個區相對應的圖像的一個或多個第二區域；以及輸出提供圖像的一個或多個第一區域的資訊的資料。
根據一些實施例，所述方法包括：決定與滿足振幅標準的相關矩陣的值相對應的圖像的子區域，基於提供在陣列中的重複結構元素之間的距離的資訊的資料來將子區域聚類為一個或多個群集，以及至少基於一個或多個群集來決定一個或多個第一區域。
根據一些實施例，一個或多個陣列由一個或多個邊界與一個或多個區分隔，其中所述方法包括估計僅包括直至邊界的至少一個或多個陣列的圖像的一個或多個第一區域，以及排除對應於一個或多個區的一個或多個第二區域。
根據一些實施例，所述方法包括：基於提供沿著第一軸線在陣列中的重複結構元素之間的距離的資訊的資料來將子區域聚類為一個或多個第一群集，基於提供沿著第二軸線在陣列中的重複結構元素之間的距離的資訊的資料來將子區域聚類為一個或多個第二群集，以及使用第一群集和第二群集來區分與一個或多個陣列相對應的圖像的一個或多個第一區域和與一個或多個區相對應的圖像的一個或多個第二區域。
根據一些實施例，所述方法包括僅選擇子區域的數量滿足閾值的群集。
根據一些實施例，所述方法包括：在圖像的一個或多個第一區域的圖元強度與提供重複結構元素中的至少一者的資訊的第二參考圖像的圖元強度之間執行相關分析，以得到第二相關矩陣，決定與滿足強度標準的第二相關矩陣的值相對應的圖像的一個或多個第一區域的子區域，至少基於在圖像的一個或多個第一區域中的子區域的位置和提供在陣列中的重複結構元素的預期位置的資訊的資料來決定在圖像的一個或多個第一區域與陣列之間的形變圖，以及基於形變圖來生成校正圖像。
根據一些實施例，所述方法包括：決定在圖像的一個或多個第一區域中的子區域的位置與提供陣列中的重複結構元素的預期位置的資訊的資料之間的變形DF 中心，以及基於至少應用到DF 中心的內插方法來決定在圖像的一個或多個第一區域與半導體樣本的陣列之間的形變圖。
根據當前公開的主題的其他態樣，提供了一種包括指令的非暫時性電腦可讀媒體，所述指令在由PMC執行時使PMC執行如上所述的操作。
根據當前公開的主題的其他態樣，提供了一種檢驗半導體樣本的系統，所述系統包括處理器和記憶體電路系統（PMC），所述處理器和記憶體電路系統（PMC）被配置為：獲得半導體樣本的圖像，所述半導體樣本包括：一個或多個陣列，每個陣列包括重複結構元素；一個或多個區，每個區至少部分地包圍對應陣列並且包括與重複結構元素不同的特徵，獲得提供一個或多個陣列和一個或多個區中的至少一者的圖元強度的資訊的資料D 閾 值，其中PMC被配置為在半導體樣本的運行時掃描期間：決定表示沿著圖像中的多個軸線的圖元強度的資料D X、D Y，使用D X、D Y和D 閾 值來區分與一個或多個陣列相對應的圖像的一個或多個第一區域和與一個或多個區相對應的圖像的一個或多個第二區域，以及輸出提供圖像的一個或多個第一區域的資訊的資料。
根據一些實施例，所述系統被配置為：決定表示沿著圖像的多個行中的每一行的圖元強度的資料D X，決定表示沿著圖像的多個列中的每一列的圖元強度的資料D Y，使用D X、D Y和D 閾 值來區分與一個或多個陣列相對應的圖像的一個或多個第一區域和與一個或多個區相對應的圖像的一個或多個第二區域，以及輸出提供圖像的一個或多個第一區域的資訊的資料。
根據一些實施例，一個或多個陣列中的每一者包括藉由對圖像的視覺檢查不可區分的結構元素。
根據一些實施例，所述系統被配置為：決定表示沿著圖像的多個行中的每一行的圖元強度的資料D X，選擇包括D X高於第一閾值的圖像的行的圖像的子集S L，決定表示沿著子集S L的多個列中的每一列的圖元強度的資料D Y, SL，決定D Y, L高於第二閾值的S L的列的子集C SL，至少基於C SL來決定一個或多個第一區域。
根據一些實施例，所述系統被配置為：決定表示沿著圖像的多個列中的每一列的圖元強度的資料D Y，選擇包括D Y高於第一閾值的圖像的列的圖像的子集S C，決定表示沿著子集S C的多個行中的每一行的圖元強度的資料D X, SC，決定D X, SC高於第二閾值的S C的行的子集L SC，以及至少基於L SC來決定一個或多個第一區域。
根據一些實施例，第一閾值比第二閾值更嚴格。根據一些實施例，第一閾值比第三閾值更嚴格。
根據一些實施例，提供了一種對應方法（包括如上文參考所述系統所述的操作）和一種包括指令的非暫時性電腦可讀媒體，所述指令在由PMC執行時使PMC進行對應操作。
根據一些實施例，提出的解決方案使得能夠在半導體樣本的圖像中區分包括重複結構元素的陣列與包括與重複結構元素不同的特徵的周圍區。根據一些實施例，提出的解決方案是高效的並且在半導體樣本的運行時掃描期間是可操作的。根據一些實施例，提供了對陣列的精確識別，使得能夠抽出/提取/萃取直至將陣列與周圍區分隔的陣列的邊界的陣列。根據一些實施例，提出的解決方案使得能夠校正存在於陣列的圖像中的失真。特別地，實現了高效且精確的校正。
在以下詳細描述中，闡述了許多具體細節，以便提供對本公開內容的透徹理解。然而，本領域的技術人員將理解，當前公開的主題可在沒有這些具體細節的情況下實踐。在其他情況下，並未詳細地描述熟知的方法、過程、部件和電路，以免模糊當前公開的主題。
除非另外特別說明，否則如從以下討論中將顯而易見的，應理解，貫穿本說明書討論利用的術語諸如「處理」、「獲取」、「選擇」、「決定」、「生成」、「輸出」、「使用」、「執行」等是指電腦的將資料操縱和/或變換為其他資料的（多個）動作和/或（多個）處理，所述資料被表示為物理（諸如電子）量和/或所述資料表示物理物件。術語「電腦」應廣義地解釋為涵蓋具有資料處理能力的任何種類的基於硬體的電子裝置，作為非限制性示例，包括本申請中公開的系統103及其相應部分。
本文中使用的術語「非暫時性記憶體」和「非暫時性存儲介質」應廣義地解釋為涵蓋適合當前公開的主題的任何易失性或非易失性電腦記憶體。
本說明書中使用的術語「樣本」應廣義地解釋為涵蓋用來製造半導體積體電路、磁頭、平板顯示器和其他半導體製造的物品的任何種類的晶圓、掩模和其他結構、以上各項的組合和/或以上各項的部分。
本說明書中使用的術語「檢驗」應廣義地解釋為涵蓋任何種類的計量相關操作以及與在樣本的製造期間所述樣本中的缺陷的偵測和/或分類有關的操作。檢驗藉由在要檢驗的樣本的製造期間或之後使用例如非破壞性檢驗工具提供。作為非限制性示例，檢驗過程可包括使用相同或不同檢查工具進行運行時掃描（以單次掃描或以多次掃描）、取樣、審查、測量、分類和/或關於樣本或其部分提供的其他操作。同樣地，檢驗可在要檢驗的樣本的製造之前提供並可包括例如生成（多個）檢驗方案和/或其他設置操作。要注意，除非另外特別說明，否則本說明書中使用的術語「檢驗」或其衍生詞在檢查區域的解析度或大小方面不受限制。作為非限制性示例，各種非破壞性檢驗工具包括掃描電子顯微鏡、原子力顯微鏡、光學檢查工具等。
作為非限制性示例，運行時檢驗可採用兩階段過程，例如，先是檢查樣本，接著審查潛在缺陷的取樣位置。在第一階段期間，以高速度和相對低的解析度檢查樣本的表面。在第一階段中，產生缺陷圖，以示出在樣本上高概率有缺陷的可疑位置。在第二階段期間，以相對高的解析度更徹底地分析所述可疑位置中的至少一些。在一些情況下，兩個階段可由同一檢查工具實施，並且在一些其他情況下，這兩個階段由不同檢查工具實施。
本說明書中使用的術語「缺陷」應廣義地解釋為涵蓋在樣本上或樣本內形成的任何種類的異常或不期望的特徵。
本說明書中使用的術語「設計資料」應廣義地解釋為涵蓋指示樣本的分層物理設計（佈局）的任何資料。設計資料可由相應設計者提供和/或可從物理設計匯出（例如，藉由複雜模擬、簡單幾何和布耳運算等）。設計資料可以以不同格式提供，作為非限制性示例，諸如GDSII格式、OASIS格式等。設計資料可以以向量格式、灰度強度圖像格式或以其他方式呈現。
將理解，除非另外特別說明，否則在分開的實施例的上下文中描述的當前公開的主題的某些特徵也可在單個實施例中被組合地提供。相反地，在單個實施例的上下文中所述的當前公開的主題的各種特徵也可分開地提供或以任何合適的子組合提供。在以下詳細描述中，闡述了許多具體細節，以便提供對方法和設備的透徹理解。
考慮到這一點，注意力轉向圖1，圖1示出了根據當前公開的主題的某些實施例的檢驗系統的功能框圖。圖1中示出的檢驗系統100可用於作為樣本製造製程的一部分進行的（例如，晶圓和/或其部分的）樣本的檢驗。所示出的檢驗系統100包括基於電腦的系統103，基於電腦的系統103能夠使用在樣本製造期間獲得的圖像來自動地決定計量相關和/或缺陷相關資訊。系統103可操作地連接到一個或多個低解析度檢驗工具101和/或一個或多個高解析度檢驗工具102和/或其他檢驗工具。檢驗工具被配置為捕獲圖像和/或審查（多個）所捕獲的圖像和/或實現或提供與（多個）所捕獲的圖像有關的測量。系統103可進一步可操作地連接到CAD伺服器110和資料存儲庫109。
系統103包括可操作地連接到基於硬體的輸入介面105和基於硬體的輸出介面106的處理器和記憶體電路系統（PMC）104。PMC 104被配置為作業系統103提供所需的所有處理，如下文進一步詳述（參見例如圖2至圖5、圖6、圖8和圖9中描述的可至少部分地由系統103執行的方法）並且包括處理器（未單獨地示出）和記憶體（未單獨地示出）。PMC 104 的處理器可被配置為根據實現在PMC中包括的非暫時性電腦可讀記憶體上的電腦可讀指令來執行若干功能模組。此類功能模組在下文被稱為包括在PMC中。PMC 104中包括的功能模組包括深度神經網路（DNN）112。DNN 112被配置為使用用於基於樣本的圖像來輸出應用相關資料的機器學習演算法來實現資料處理。
作為非限制性示例，可根據卷積神經網路（CNN）架構、迴圈神經網路架構、遞迴神經網路架構、生成性對抗網路（GAN）架構或其他架構來組織DNN 112的層。可選地，層中的至少一些可被組織在多個DNN子網中。DNN的每個層可包括多個基本計算元素（CE），在本領域中，所述多個基本計算元素（CE）被典型地稱為維度、神經元或節點。
一般來講，給定層的計算元素可與前一層和/或後一層的CE連接。在前一層的CE與後一層的CE之間的每個連接與加權值相關聯。給定CE可經由相應連接從前一層的CE接收輸入，每個給定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由此決定相應輸入對給定CE的輸出的相對影響。給定CE可被配置為計算啟動值（例如，輸入的加權和）並藉由將啟動函數應用於所計算的啟動來進一步匯出輸出。啟動函數可為例如恆等函數、決定性函數（例如，線性、S形、閾值等）、隨機函數或其他合適的函數。來自給定CE的輸出可經由相應連接傳輸到後一層的CE。同樣地，如上所述，在CE的輸出處的每個連接可與可在被接收作為後一層的CE的輸入之前被應用於CE的輸出的加權值相關聯。除加權值外，還可存在與連接和CE相關聯的閾值（包括限制函數）。
可在訓練之前首先選擇DNN 112的加權值和/或閾值，並且可在訓練期間進一步反覆運算地調整或修改所述加權值和/或閾值，以在所訓練的DNN中實現最佳加權值和/或閾值集。在每次反覆運算之後，可決定在由DNN 112產生的實際輸出與和相應資料訓練集相關聯的目標輸出之間的差值（也稱損失函數）。所述差值可稱為誤差值。當指示誤差值的成本或損失函數小於預定值時，或者當實現在反覆運算之間的效能的有限改變時，可決定訓練已經完成。可選地，在訓練整個DNN之前，可單獨地訓練DNN子網（如果有的話）中的至少一些。
系統103被配置為經由輸入介面105接收輸入資料。輸入資料可包括由檢驗工具產生的資料（和/或其衍生物和/或與其相關聯的中繼資料）和/或產生和/或存儲在一個或多個資料存儲庫109和/或CAD伺服器110和/或另一個相關資料存儲庫中的資料。要注意，輸入資料可包括圖像（例如，所捕獲的圖像、從所捕獲的圖像匯出的圖像、類比圖像、合成圖像等）和相關聯的數值資料（例如，中繼資料、手工制定的屬性等）。要進一步注意，圖像資料可包括與感興趣層和/或與樣本的一個或多個其他層有關的資料。
系統103進一步被配置為處理接收到的輸入資料中的至少部分，並且經由輸出介面106將結果（或其部分）發送到存儲系統107、（多個）檢查工具、基於電腦的圖形化使用者介面（GUI）108以用於呈現結果和/或將結果呈現到外部系統（例如，FAB的產量管理系統（YMS））。GUI 108可進一步被配置為實現與作業系統103有關的使用者指定的輸入。
作為非限制性示例，可藉由一個或多個低解析度檢驗機器101（例如，光學檢查系統、低解析度SEM等）來檢驗樣本。提供樣本的低解析度圖像的資訊的結果資料（下文中稱為低解析度圖像資料121）可直接地或經由一個或多個中間系統傳輸到系統103。替代地或附加地，可藉由高解析度機器102來檢驗樣本（例如，可藉由掃描電子顯微鏡（SEM）或原子力顯微鏡（AFM）來審查被選擇用於進行審查的潛在缺陷位置子集）。提供樣本的高解析度圖像的資訊的結果資料（下文中稱為高解析度圖像資料122）可直接地或經由一個或多個中間系統傳輸到系統103。
要注意，可以以不同解析度捕獲在樣本上的期望位置的圖像。藉由非限制性示例，期望位置的所謂的「缺陷圖像」可用於區分缺陷和誤報警，而期望位置的所謂的「類圖像」是以更高的解析度獲得的並可用於缺陷分類。在一些實施例中，相同位置的圖像（具有相同或不同解析度）可包括在其間配准的若干圖像（例如，從給定位置捕獲的圖像和與給定位置相對應的一個或多個參考圖像）。
要注意，圖像資料可以和與圖像資料相關聯的中繼資料（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，可選地連同其他資料，例如設計資料、合成資料等）後，系統103可將結果（例如，指令相關資料123和/或124）發送到（多個）檢驗工具中的任一者，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/或將結果發送到外部系統（例如，發送到YMS）。
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中示出的系統束縛；等同和/或修改的功能可以以另一種方式合併或劃分並且可實施在軟體與固件和/或硬體的任何適當的組合中。
在不以任何方式限制本公開內容的範圍的情況下，還應注意，檢驗工具可被實施為各種類型的檢查機器，諸如光學成像機器、電子束檢查機器等。在一些情況下，同一檢驗工具可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，至少一個檢驗工具可具有計量能力。
要注意，圖1中示出的檢驗系統可在分散式運算環境中實施，其中圖1中示出的前述功能模組可分佈在若干本端和/或遠端裝置之上，並且可藉由通信網路來進行連結。要進一步注意，在其他實施例中，至少一些檢驗工具101和/或102、資料存儲庫109、存儲系統107和/或GUI 108可在檢驗系統100外部並且可以以經由輸入介面105和輸出介面106與系統103進行資料通信的方式操作。系統103可實施為（多個）獨立電腦，以結合檢驗工具進行使用。替代地，所述系統的相應功能可至少部分地與一個或多個檢驗工具集成。
現在將注意轉向圖2。一種方法包括獲得（操作200）樣本的圖像250。根據一些實施例，在樣本的運行時掃描期間藉由檢驗工具（諸如檢驗工具101）獲得圖像250。樣本包括一個或多個陣列260。陣列260包括重複結構元素（表示為在陣列中的一個陣列中的附圖標記261）。重複結構元素包括例如記憶體單元（諸如SRAM、DRAM、FRAM、快閃記憶體記憶體）、可程式設計邏輯單元等。這些示例不是限制性的。一般來講，重複結構元素根據重複圖案或網格佈置在每個陣列中。例如，在各個陣列間，在兩個相鄰重複結構元素之間的距離（根據水平軸線和垂直軸線）是恆定的或至少基本上恆定的。
樣本包括一個或多個區265。每個區265至少部分地包圍對應陣列260。區265不包括存在於陣列260中的重複結構元素。在圖2A的非限制性示例中，樣本包括包圍陣列260的垂直和水平區265。區265可對應於例如拼接塊。每個區265包括與重複結構元素260不同的特徵。在一些實施例中，區265可包括非重複特徵和/或與重複結構元素260不同的重複特徵。非重複特徵的示例包括例如邏輯。然而，這不是限制性的。
方法進一步包括在圖像250的圖元強度與提供重複結構元素中的至少一者的資訊的參考圖像的圖元強度之間執行（操作210）相關分析。參考圖像可包括例如重複結構元素中的一者的圖像。參考圖像也被稱為「黃金單元」。根據一些實施例，參考圖像是基於設計資料生成的。根據一些實施例，參考圖像是從已知（例如，根據先前分析）沒有缺陷的結構元素的圖像獲得的。根據一些實施例，在樣本的運行時檢驗之前的設置階段期間獲得參考圖像。在設置階段中，時間和處理約束不太嚴格，並且因此可獲得將構成參考圖像的重複結構元素中的一者的圖像。
在210處執行的相關分析的輸出可包括相關矩陣，所述相關矩陣包括多個值。每個值與圖像250的子區域相關聯並且指示在子區域中的圖元強度與參考圖像中的圖元強度之間的相關位凖。
方法可進一步包括使用（操作220）相關矩陣來在與一個或多個陣列260相對應的圖像250的一個或多個第一區域和與一個或多個區265相對應的圖像的一個或多個第二區域之間進行區分。圖2A示出了一個或多個第一區域270的示例和一個或多個第二區域275的示例。在一些實施例中，未被識別為屬於一個或多個第一區域270的圖像的所有區域被認為是一個或多個第二區域275的部分。
方法進一步包括輸出230提供圖像250的一個或多個第一區域270的資訊的資料。這可包括例如輸出在圖像250中的一個或多個第一區域270的位置，和/或輸出對包括一個或多個第一區域270的圖像250的選擇。根據一些實施例，方法可包括輸出一個或多個第二區域275的位置，和/或輸出僅包括一個或多個第二區域275的圖像250的選擇。
根據一些實施例，在樣本的運行時掃描期間至少執行操作210、220和230。換句話說，識別圖像中的陣列的方法是高效的，並且因此可在運行時階段期間執行。
根據一些實施例，在樣本的運行時掃描期間例如由被配置為決定表示陣列中的缺陷的資料（例如，缺陷的位置、缺陷的類別等）的PMC使用對圖像中的一個或多個第一區域270的識別。特別地，PMC可實施用於偵測缺陷的演算法，所述演算法被特別地調適為偵測包括重複結構元素的陣列中的缺陷。
如圖2A所示，一個或多個陣列260與一個或多個區265由一個或多個邊界266分隔。邊界266在陣列260與對應周圍區265之間限定物理極限。
根據一些實施例，方法使得能夠估計僅包括直到邊界266的至少一個或多個陣列260的圖像250的一個或多個第一區域270。特別地，根據一些實施例，方法使得能夠識別直到邊界266的陣列260，而排除對應於一個或多個區265的一個或多個第二區域275。
注意圖3，其描繪了操作210至230的非限制性實現方式。
如參考操作210所說明的，獲得相關矩陣。圖3A中描繪了針對圖像250的給定區獲得的相關矩陣365的非限制性示例。
因此，方法可包括決定（操作300）與滿足振幅標準的相關矩陣365的值相對應的圖像250的子區域。振幅標準可例如定義在其中識別出局部最大相關峰（在一些實施例中，可設置絕對閾值）的圖像250的子區域對應於在圖像250中的重複結構元素的位置。根據一些實施例，在樣本的運行時檢驗之前的設置階段期間，獲得針對包括重複結構元素中的一者的子區域獲得的相關峰的振幅的第一估計，所述第一估計可用於決定在運行時檢驗期間使用的振幅標準並對於所述振幅標準認為存在結構元素。
如圖3A所示，相關矩陣365包括位於圖像的子區域375處的相關峰367（最大值）。這些子區域375對應於重複結構元素的位置的估計。實際上，由於相關分析涉及將圖像的圖元強度與提供重複結構元素的資訊的參考圖像的圖元強度相關，因此預期的是，包括重複結構元素的圖像的子區域將相對於不包括重複結構元素的圖像的子區域（區265）提供高相關值。
方法可進一步包括（操作310）基於提供在陣列中的重複結構元素之間的距離的資訊的資料來將子區域375聚類為一個或多個群集。
如上所述，重複結構元素通常根據重複圖案或網格佈置。因此，可能獲得在陣列中的兩個連續結構元素之間的距離。在一些實施例中，可獲得提供沿著第一軸線（例如，水平軸線，對應於圖像的行）在陣列中的重複結構元素361之間的距離的資訊的資料（參見圖3B中的附圖標記368）和提供沿著第二軸線（例如，垂直軸線，對應於圖像中的列）在陣列中的重複結構元素之間的距離的資訊的資料（參見圖3B中的附圖標記369）。如圖所示，可評估在結構元素的中心之間的距離。
根據一些實施例，操作310可包括基於提供沿著第一軸線372在陣列中的重複結構元素之間的距離的資訊的資料來將子區域375聚類為一個或多個第一群集。根據一些實施例，在給定群集中，任何子區域375位於與群集的另一個子區域375相距小於或等於沿著第一軸線在重複結構元素之間的距離的距離處。圖3A中示出了非限制性示例，其中沿著第一軸線372將子區域指派給同一群集370。如圖所示，子區域374未指派給群集370，因為從每個子區域到群集370的距離大於沿著第一軸線372在兩個重複結構元素之間的距離。
根據一些實施例，操作310可包括基於提供沿著第二軸線373在陣列中的重複結構元素之間的距離的資訊的資料來將子區域聚類為一個或多個第二群集。根據一些實施例，在給定群集中，任何子區域位於與群集的另一個子區域相距小於或等於沿著第二軸線373在重複結構元素之間的距離的距離處。圖3A中示出了非限制性示例，其中沿著第二軸線373將子區域指派給相同群集381。如圖所示，子區域383未指派給群集381，因為從子區域383到群集381的距離大於沿著第二軸線373在兩個重複結構元素之間的距離。
方法包括至少基於一個或多個群集來決定（操作320）一個或多個第一區域。特別地，第一群集可用於決定沿著第一軸線372的一個或多個第一區域的大小和位置，並且第二群集可用於決定沿著第二軸線373的一個或多個第一區域的大小和位置。例如，群集370提供沿著軸線372的第一區域的大小和位置，並且與群集370相交的群集381提供沿著軸線373的相同的第一區域的大小和位置。因此，識別出第一區域384。可對所有群集執行此操作，這些群集用於決定不同的第一區域的極限。
根據一些實施例，執行另一個操作以使用群集來識別第一區域。特別地，方法可包括決定包圍一個或多個群集的被識別為定義第一區域的多邊形（例如，矩形或正方形），並且將多邊形輸出為第一區域。例如，在圖3A的示例中，可生成矩形392，矩形392覆蓋基於第一群集370和第二群集381識別的第一區域。
現在將注意轉向圖3C。根據一些實施例，方法可包括僅選擇（操作330）以下群集：在群集中存在的子區域的數量滿足閾值（例如，高於閾值）。這在圖3C中示出。已經沿著軸線372識別出多個群集383 1至383 5。被稱為383 1的群集僅包括一個子區域384。由於已知陣列包括沿著重複圖案（例如，網格）佈置的重複結構元素，因此可假定子區域384不對應於結構元素，因為重複圖案不包括孤立的結構元素。因此，當在操作320處決定一個或多個第一區域時，可忽略或刪除此群集。這同樣可應用於沿著第二軸線373決定的群集（第二群集）：如果給定群集包括低於閾值的數量的子區域，則當在操作320處決定一個或多個第一區域時，忽略給定群集。
現在將注意轉向圖4。根據一些實施例，可使用圖像處理演算法來處理提供重複結構元素中的至少一者的資訊的參考圖像。根據一些實施例，圖像處理演算法衰減參考圖像的重複圖案。例如，可將部分白化應用於參考圖像。部分白化可包括例如在頻域中變換參考圖像（例如，將指示參考圖像的圖元的 X（ i,j）變換為頻域中的 X（ f））、降低高/強頻率（例如，
Figure 02_image001
）和執行反變換以恢復為圖像（例如，將 X'（ f）變換為 X'（ i,j））。
圖4A中描繪了圖4的方法的非限制性示例。如圖所示，陣列460包括重複結構元素410和導線411。導線411延伸直至包圍陣列460的區465。如圖4B所示，已經獲得提供重複結構元素410的資訊的參考圖像470。衰減重複圖案的圖像處理（例如，部分白化）被應用於參考圖像470，以便獲得校正的參考圖像475。如圖所示，導線411（其對應於重複圖案）和結構元素410（其也對應於重複圖案）在校正的參考圖像475中均被衰減。因此，當在校正的參考圖像475與圖像之間執行相關時（如參考操作210所說明的），與結構元素相對應的子區域將提供比與區相對應的子區域更高的相關值，但在此實施例中子區域和區兩者包括共同的重複特徵（導線411），從而便於區分陣列與周圍區。
根據一些實施例，方法可包括獲得（操作500）包括一個或多個陣列和一個或多個周圍區的樣本的圖像。操作500類似於上述操作200。在一些實施例中，圖像由電子束檢驗工具獲取。在一些情況下，圖像可具有低訊雜比，並且因此，涉及與參考圖像的相關的圖2的方法並非始終適用。低訊雜比可能是由於樣本中存在的特徵的大小、電荷效應等所致。在一些實施例中，由於低訊雜比，藉由對圖像的視覺檢查無法在陣列內識別/區分陣列的結構元素。在一些實施例中，圖像中的圖元的大小可大於結構元素的大小，並且因此藉由視覺檢查無法區分結構元素。
方法進一步包括獲得（操作510）提供陣列和周圍區中的至少一者的圖元強度的資訊的資料D 閾 值。D 閾 值可特別地在樣本的運行時檢驗之前的設置階段期間獲得。例如，在設置階段期間，獲得與在運行時期間接受檢驗的樣本類似的樣本的圖像。操作員或自動演算法（例如，K-均值演算法）提供在圖像內的陣列的位置和周圍區的位置的第一估計。計算陣列的圖元強度的平均值P 陣列，並且計算周圍區的圖元強度的平均值P 區。由於陣列和周圍區包含不同的結構特徵，因此這兩個值預期是不同的。D 閾 值可基於例如P 陣列和P 區來計算。D 閾 值可對應於例如這兩個值之間的平均值，但這不是限制性的。
方法進一步包括決定（操作520）表示沿著圖像中的多個軸線的圖元強度的資料。特別地，這可包括決定表示沿著圖像的多個行中的每一行的圖元強度的資料D X，以及表示沿著圖像的多個列中的每一列的圖元強度的資料D Y。資料D X（相應地D Y）可計算為例如沿著圖像的每一行（相應地每一列）的圖元強度的平均值。
方法進一步包括使用（操作530）D X、D Y和D 閾 值來區分與一個或多個陣列相對應的圖像的一個或多個第一區域和與一個或多個區相對應的圖像的一個或多個第二區域。
操作530可包括識別D X高於（或低於，這取決於圖元強度對於陣列還是對於周圍區而言更高）閾值D 閾 值（其在例如設置階段期間獲得）的圖像的行，以及D Y高於閾值D 閾 值（其在例如設置階段期間獲得）的圖像的列。已經識別的行和列的交叉點提供了對陣列的位置的識別。
圖5A中提供了非限制性示例。例如，假設在設置階段期間，已經決定圖元強度（在平均上）對於陣列而言要比對於周圍區而言更高（P 陣列大於P 區），並且已將D 閾 值設置為P 陣列和P 區的平均值。提供沿著行的圖元強度的資訊的資料D X被描繪為曲線545（此曲線僅是說明性的，而非限制性的）。如圖所示，對於陣列562所位於的圖像的行，曲線在閾值D 閾 值（被稱為548）上方。提供沿著列的圖元強度的資訊的資料D Y被描繪為曲線561（此曲線僅是說明性的，而非限制性的）。如圖所示，對於陣列562所位於的圖像的列，曲線在閾值D 閾 值（被稱為548）上方。
方法進一步包括輸出（操作540）提供圖像的一個或多個第一區域的資訊的資料。操作540類似於上述操作230。特別地，根據一些實施例，曲線545高於閾值548的行與曲線561高於閾值549的列之間的交叉點提供與陣列的位置相對應的第一區域的位置的估計。
根據一些實施例，在樣本的運行時掃描期間至少執行操作510、530和540。換句話說，識別圖像中的陣列的方法是高效的，並且因此可在運行時階段期間執行。
現在將注意轉向圖6。在一些情況下，表示沿著陣列所位於的圖像的行和/或列的圖元強度的資料可接近於表示沿著其他行和/或列的圖元強度的資料。圖6A中示出了非限制性示例，其中陣列660位於圖像的左下角並且被大的區665包圍。圖6的方法是使得能夠改善陣列所位於的圖像的行和列與其他行和列之間的區分的解決方案的可能的實施例。
方法包括決定（操作610）表示沿著圖像的多個行中的每一行的圖元強度的資料D X（例如，沿著行的圖元強度的平均值）。D X在圖6A中表示為曲線668。假設已經獲得第一閾值D 閾 值 , 1（例如，在運行時檢驗之前的設置階段期間）。D 閾 值 , 1提供陣列和區中的至少一者的圖元強度的資訊。在一些實施例中，D 閾 值 , 1可選擇為嚴格閾值（高閾值），以最大化區分與陣列相對應的圖像的行和其他行的概率。例如，假設在（對與在運行時期間接受檢驗的樣本類似的樣本的圖像執行的）設置階段期間，已經計算出陣列的圖元強度的平均值P 陣列，並且已經計算出周圍區的圖元強度的平均值P 區（如上文所說明的）。例如假設P 陣列高於P 區。D 閾 值 , 1可選擇為高於P 區的值，以最大化移除與周圍區相對應的行的概率。例如，D 閾 值 , 1可如下選擇：D 閾 值 , 1＝P 區+ N×σ（其中σ是周圍區的圖元強度的標準差，並且N是等於例如2的整數）。
方法包括選擇包括D X高於D 閾 值 , 1的圖像的行的圖像的子集S L（表示為682）。如圖所示，子集S L包括陣列660所位於的圖像的行683，以及不包括陣列660的圖像的附加行684（然而，這些附加行的圖元強度高於D 閾 值 , 1）。方法進一步包括決定（操作630）表示沿著子集S L的多個列中的每一列的圖元強度（例如，沿著列的圖元強度的平均值）的資料D Y, SL（圖6B中的曲線686）。方法包括決定（操作640）D Y, SL高於第二閾值690的S L的列的子集C SL（被稱為689）。可基於在運行時檢驗之前的設置階段期間執行的測量來獲得此第二閾值690。例如，第二閾值可被設置為等於P 陣列（陣列的平均圖元強度）和P 區（周圍區的平均圖元強度）的平均值。然而，這不是限制性的。
列C SL（附圖標記689）指示沿著行軸線的陣列的位置。然後可執行對沿著圖像的列軸線（Y軸）的陣列的位置和大小的決定，從而產生與圖像中的（多個）陣列相對應的一個或多個第一區域（操作650）。可提供圖像中的一個或多個第一區域（對應於（多個）陣列）的位置和/或可提供圖像中的一個或多個第二區域（對應於周圍區）的位置（這對應於未被識別為第一區域的所有區域）。
實際上，一旦已經識別出與陣列相對應的圖像的列689，則更容易區分包括陣列的圖像的行與圖像的其他行，如圖6C可見。考慮了圖像的子集S’ L（在圖6C中被稱為692）。此子集S’ L包括圖像的所有行，並且限於在先前操作中識別的圖像的列689。方法進一步包括決定表示沿著子集S’ L（692）的多個行中的每一行的圖元強度（例如，平均圖元強度）的資料（被稱為693），並且決定資料693高於第三閾值695（在一些實施例中，第三閾值695等於第二閾值690，但這不是強制性的）的圖像的行694。如圖6C可見，現在更容易基於圖元強度來區分包括陣列的圖像的行與其他行。這些行694與列689一起限定與（多個）陣列相對應的圖像的一個或多個第一區域。圖像的其他區域對應於與包圍（多個）陣列的（多個）區相對應的圖像的第二區域。
在圖6至圖6C的示例中，方法開始於選擇圖像的子集S L，圖像的子集S L包括平均圖元強度高於閾值的行。應理解，所述方法可藉由首先選擇列的子集來等效地執行。在這種情況下，所述方法可包括： 決定表示沿著圖像的多個列中的每一列的圖元強度的資料D Y（等同於操作610）； 選擇包括D Y高於第一閾值的圖像的列的圖像的子集S C（等同於操作620）； 決定表示沿著子集S C的多個行中的每一行的圖元強度的資料D X, SC（等同於操作630）； 決定D X, SC高於第二閾值的S C的行的子集L SC（等同於操作640）； 至少基於L SC來決定與（多個）陣列相對應的一個或多個第一區域（等同於操作650，由於已知與陣列相對應的圖像的行，因此識別與陣列相對應的圖像的列變得更容易，這類似於參考圖6C所說明的那樣）。
根據一些實施例，方法還使得能夠估計僅包括直至將（多個）陣列與（多個）周圍區分隔的邊界的至少一個或多個陣列的圖像的一個或多個第一區域。特別地，根據一些實施例，方法使得能夠識別直至邊界的陣列，而排除對應於一個或多個區的一個或多個第二區域。
現在將注意轉向圖7。假設已經獲得樣本的圖像，其中已經識別出與各自包括重複結構元素720的一個或多個陣列710相對應的一個或多個第一區域。此識別可依賴於例如上述各種實施例，或者可依賴於其他識別方法。因此，可提供限於一個或多個第一區域（對應於陣列）的圖像700，而沒有包圍一個或多個陣列的（多個）域。在一些實施例中，圖像700包括一個或多個第一區域（對應於陣列）和一個或多個第二區域（對應於區）兩者。由於已知第一區域的位置，因此可能僅在第一區域上進行操作。在下文中將參考僅包括第一區域（對應於（多個）陣列）的圖像700，但應理解，藉由僅在圖像的第一區域上應用方法，所述方法可類似地應用於包括第一區域和第二區域兩者的圖像。
如圖7可見，在一些實施例中，（多個）陣列的圖像700是失真的。特別地，在圖像700中可見的陣列中的結構元素720的位置與它們在陣列中的預期位置（在樣本中的真實位置）不一致。這可能是由於各種因素引起的，諸如檢驗工具的測量誤差等。
當試圖將圖像700用於諸如缺陷偵測和/或分類之類的各種應用時，失真可能是成問題的。因此，要求校正此失真。圖8示出了校正存在於（多個）陣列的圖像中的失真的方法的實施例。
方法包括在圖像700的圖元強度與提供重複結構元素中的至少一者的資訊的參考圖像的圖元強度之間執行相關分析（操作800）。在操作800處使用的參考圖像可與在操作210處使用的參考圖像不同，以識別與陣列相對應的圖像的第一區域（在這種情況下，在操作800處使用第二參考圖像，而不是像在操作210處那樣使用第一參考圖像）。然而，這不是強制性的。相關分析的輸出是第二相關矩陣（其可與在操作210處獲得的相關矩陣不同）。在一些實施例中，可重複使用在操作210處獲得的相關矩陣（在這種情況下，僅使用對應於一個或多個第一區域的值）。
方法可進一步包括決定（操作810）與滿足振幅標準的第二相關矩陣的值相對應的圖像的子區域。特別地，振幅標準可指示與第二相關矩陣的最大值（例如，局部最大值）相關聯的圖像的子區域被識別。
如圖8A所示，第二相關矩陣860包括位於給定子區域685處的相關峰（最大值）。這些子區域865對應於重複結構元素的位置的估計（特別是對應於每個結構元素的中心區域）。實際上，由於相關分析涉及將圖像的圖元強度與提供重複結構元素的資訊的參考圖像的圖元強度相關，因此預期的是包括重複結構元素的圖像700的子區域將相對於不包括重複結構元素的圖像700的子區域提供高相關值。
方法可進一步包括決定（操作820）圖像700與陣列之間的形變圖。形變圖可基於子區域的位置（如使用第二相關矩陣所決定）和基於提供在陣列中的重複結構元素的預期位置的資訊的資料來決定。
圖8B中描繪了非限制性示例，其示出了與第二相關矩陣的最大值相對應的子區域865的位置以及在陣列中的結構元素的預期位置866。對於每個子區域，可決定變形向量867，變形向量867指示在圖像中的結構元素的位置（使用第二相關矩陣的最大值估計）與對應結構元素的預期位置866之間的差異。
根據一些實施例，可決定整個圖像的形變圖。實際上，如上所述，決定在圖像中的子區域865的位置與提供在陣列中的重複結構元素的預期位置的資訊的資料之間的變形（參見867，下文中稱為「DF 中心」）。這對應於結構元素中的每一者的中心部分相對於其預期位置的變形。為了決定圖像的其他圖元（其不一定對應於結構元素的中心部分）的變形，方法可包括對整個圖像的DF 中心的值應用內插方法。這提供了對位於不同子區域865之間的所有其他圖元的變形的估計。根據一些實施例，內插方法被分別地應用於沿著X軸（圖像的行）的變形和沿著Y軸（圖像的列）的變形。
方法可進一步包括基於形變圖來生成（操作830）校正圖像880（參見圖8C）。這可包括基於形變圖來移動圖像的圖元，使得在校正圖像880中的子區域865的位置（對應於第二相關矩陣的峰）和提供在陣列中的重複結構元素的預期位置的資訊的資料滿足接近度標準（例如，位置的差異低於閾值）。
現在注意圖9。根據一些實施例，一種方法可包括獲得（900）提供重複結構元素中的至少一者的資訊的參考圖像，以及僅選擇（910）參考圖像的子集作為第二參考圖像。根據一些實施例，子集的大小基於折衷。一方面，子集的大小必須足夠大以能夠識別在圖像上的結構元素的位置，另一方面，子集的大小必須足夠小以獲得足夠數量的相關值。
圖9A中示出了非限制性示例。
已經獲得參考圖像920。選擇參考圖像920的子集930。此子集可用作圖8的方法中的第二參考圖像。
根據一些實施例，子集930可例如在設置階段期間使用反覆運算方法來選擇。方法從第一子集（此子集的最大大小可例如由用戶設置）開始。使用此第一子集執行圖8的方法。然後，增大解析度，這意味著減小第一子集的大小。使用此新子集再次執行圖8的方法，並且將輸出的效能與先前反覆運算進行比較。如果效能得到改善，則以較小大小的新子集重複所述方法。如果效能沒有改善，則停止所述方法，並且選擇在先前反覆運算中獲得的子集。
將理解，本發明的應用不限於在本文中包含的描述中闡述或在附圖中示出的細節。
還將理解，根據本發明的系統可至少部分地實現在合適地程式設計的電腦上。同樣地，本發明設想了可由電腦讀取以執行本發明的方法的電腦程式。本發明進一步設想了有形地體現可由電腦執行以執行本發明的方法的指令程式的非暫時性電腦可讀記憶體。
本發明能夠具有其他實施例並能夠以各種方式實踐或實行。因此，將理解，本文中採用的措辭和術語是出於描述目的並且不應被視為限制性的。因此，本領域的技術人員將理解，本公開內容所基於的概念可容易地用作設計用於實行當前公開的主題的若干目的的其他結構、方法和系統的基礎。
本領域的技術人員將容易地理解，在不脫離在所附申請專利範圍中並由所附申請專利範圍限定的本發明的範圍的情況下，可對如上所述的本發明的實施例應用各種修改和改變。
100:檢驗系統 101:低解析度檢驗工具 102:高解析度檢驗工具 103:系統 104:處理器和記憶體電路系統 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:資料存儲庫 110:CAD伺服器 112:深度神經網路 121:低解析度圖像資料 122:高解析度圖像資料 123:指令相關資料 124:指令相關資料 200:操作 210:操作 220:操作 230:操作 260:陣列 261:重複結構元素 265:區 270:第一區域 275:第二區域 300:操作 310:操作 320:操作 330:操作 361:重複結構元素 365:相關矩陣 367:相關峰 368:資料 369:資料 370:群集 372:第一軸線 373:第二軸線 374:子區域 375:子區域 381:群集 383:子區域 384:第一區域 392:矩形 400:操作 410:操作 411:導線 460:陣列 465:區 470:參考圖像 475:參考圖像 500:操作 510:操作 520:操作 530:操作 540:操作 545:曲線 548:閾值 561:曲線 562:陣列 610:操作 620:操作 630:操作 640:操作 650:操作 660:陣列 665:區 668:曲線 683:行 684:行 686:曲線 689:子集 690:第二閾值 692:子集 693:資料 694:行 695:第三閾值 700:圖像 710:陣列 720:重複結構元素 800:操作 810:操作 820:操作 830:操作 860:第二相關矩陣 865:子區域 866:預期位置 867:變形向量 880:校正圖像 900:操作 910:操作 920:參考圖像 930:子集
為了理解本公開內容並知曉在實踐中如何進行本公開內容，現在將參考附圖僅藉由非限制性示例來描述實施例，在附圖中：
圖1示出了根據當前公開的主題的某些實施例的檢驗系統的一般化框圖。
圖2示出了識別在樣本的圖像中包括重複結構元素的陣列的方法的一般化流程圖。
圖2A示出了包括具有重複結構元素的陣列以及周圍區的圖像的非限制性示例。
圖3示出了圖2的方法的操作的可能的實現方式的一般化流程圖。
圖3A示出了使用圖2的方法獲得的相關矩陣的非限制性示例。
圖3B示出了包括重複結構元素的陣列的非限制性示例。
圖3C示出了使用圖2的方法獲得的相關矩陣的另一個非限制性示例。
圖4示出了處理在圖2的方法中使用的參考圖像的方法的一般化流程圖。
圖4A和圖4B示出了使用圖4的方法的非限制性示例。
圖5示出了在樣本的圖像中識別包括重複結構元素的陣列的另一種方法的一般化流程圖。
圖5A示出了圖5的方法的應用的非限制性示例。
圖6示出了在樣本的圖像中識別包括重複結構元素的陣列的方法的另一個實施例的一般化流程圖。
圖6A至圖6C示出了圖6的方法的應用的非限制性示例。
圖7示出了包括重複結構元素的陣列的失真圖像的非限制性示例。
圖8示出了校正圖7的圖像中的失真的方法的一般化流程圖。
圖8A至圖8C示出了圖8的方法的應用的非限制性示例。
圖9示出了處理在圖8的方法中使用的參考圖像的方法的一般化流程圖。
圖9A示出了圖9的方法的應用的非限制性示例。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
100:檢驗系統
101:低解析度檢驗工具
102:高解析度檢驗工具
103:系統
104:處理器和記憶體電路系統
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:資料存儲庫
110:CAD伺服器
112:深度神經網路
121:低解析度圖像資料
122:高解析度圖像資料
123:指令相關資料
124:指令相關資料

Claims (20)

  1. 一種用於檢驗一半導體樣本的系統，該系統包括一處理器和記憶體電路系統（PMC），該處理器和記憶體電路系統（PMC）被配置為： 獲得該半導體樣本的一圖像，該半導體樣本包括： 一個或多個陣列，每個陣列包括重複結構元素； 一個或多個區，每個區至少部分地包圍一對應陣列並且包括與該重複結構元素不同的特徵； 其中該PMC被配置為在該半導體樣本的運行時掃描期間： 在該圖像的圖元強度與提供該重複結構元素中的至少一者的資訊的一參考圖像的圖元強度之間執行一相關分析，以得到一相關矩陣， 使用該相關矩陣來區分與該一個或多個陣列相對應的該圖像的一個或多個第一區域和與該一個或多個區相對應的該圖像的一個或多個第二區域，以及 輸出提供該圖像的該一個或多個第一區域的資訊的資料。
  2. 如請求項1所述的系統，該系統被配置為： 決定與滿足一振幅標準的該相關矩陣的值相對應的該圖像的子區域， 基於提供在該陣列中的該重複結構元素之間的一距離的資訊的資料來將該子區域聚類為一個或多個群集，以及 至少基於該一個或多個群集來決定該一個或多個第一區域。
  3. 如請求項1所述的系統，其中該一個或多個陣列由一個或多個邊界與該一個或多個區分隔，其中該系統被配置為估計僅包括直至該邊界的該至少一個或多個陣列的該圖像的該一個或多個第一區域。
  4. 如請求項1所述的系統，該系統被配置為對該參考圖像應用圖像處理，其中該圖像處理衰減該參考圖像的重複圖案。
  5. 如請求項1所述的系統，該系統被配置為： 基於提供沿著一第一軸線在該陣列中的該重複結構元素之間的一距離的資訊的資料來將該子區域聚類為一個或多個第一群集， 基於提供沿著一第二軸線在該陣列中的該重複結構元素之間的一距離的資訊的資料來將該子區域聚類為一個或多個第二群集，以及 使用該第一群集和該第二群集來區分與該一個或多個陣列相對應的該圖像的一個或多個第一區域和與該一個或多個區相對應的該圖像的一個或多個第二區域。
  6. 如請求項2所述的系統，該系統對於每個群集被配置為： 決定包圍一個或多個群集的一多邊形，以及 將該多邊形輸出為該圖像的一第一區域。
  7. 如請求項2所述的系統，該系統被配置為僅選擇子區域的一數量滿足一閾值的群集。
  8. 如請求項2所述的系統，該系統被配置為在該半導體樣本的運行時檢驗之前的一設置階段中獲得提供該振幅標準的資訊的資料。
  9. 如請求項1所述的系統，該系統被配置為： 在該圖像的該一個或多個第一區域的圖元強度與提供該重複結構元素中的至少一者的資訊的一第二參考圖像的圖元強度之間執行一相關分析，以得到一第二相關矩陣， 決定與滿足一振幅標準的該第二相關矩陣的值相對應的該圖像的該一個或多個第一區域的子區域， 至少基於在該圖像的該一個或多個第一區域中的該子區域的一位置和提供在該陣列中的該重複結構元素的一預期位置的資訊的資料來決定在該圖像的該一個或多個第一區域與該陣列之間的一形變圖，以及 基於該形變圖來生成一校正圖像。
  10. 如請求項9所述的系統，該系統被配置為生成該校正圖像，使得在該校正圖像中的該子區域的一位置和提供在該陣列中的該重複結構元素的一期望位置的資訊的資料滿足一接近度標準。
  11. 如請求項9所述的系統，該系統被配置為： 決定在該圖像的該一個或多個第一區域中的該子區域的一位置與提供該陣列中的該重複結構元素的一預期位置的資訊的資料之間的變形DF 中心，以及 基於至少應用到DF 中心的一內插方法來決定在該圖像的該一個或多個第一區域與該半導體樣本的該陣列之間的一形變圖。
  12. 如請求項9所述的系統，該系統被配置為：獲得提供該重複結構元素中的至少一者的資訊的一參考圖像，以及僅選擇該參考圖像的一子集作為該第二參考圖像。
  13. 一種檢驗一半導體樣本的方法，該方法包括由一處理器和記憶體電路系統（PMC）： 獲得該半導體樣本的一圖像，該半導體樣本包括： 一個或多個陣列，每個陣列包括重複結構元素； 一個或多個區，每個區至少部分地包圍一對應陣列並且包括與該重複結構元素不同的特徵； 在該半導體樣本的運行時掃描期間： 在該圖像的圖元強度與提供該重複結構元素中的至少一者的資訊的一參考圖像的圖元強度之間執行一相關分析，以得到一相關矩陣， 使用該相關矩陣來區分與該一個或多個陣列相對應的該圖像的一個或多個第一區域和與該一個或多個區相對應的該圖像的一個或多個第二區域，以及 輸出提供該圖像的該一個或多個第一區域的資訊的資料。
  14. 如請求項13所述的方法，該方法包括以下步驟： 決定與滿足一振幅標準的該相關矩陣的值相對應的該圖像的子區域， 基於提供在該陣列中的該重複結構元素之間的一距離的資訊的資料來將該子區域聚類為一個或多個群集，以及 至少基於該一個或多個群集來決定該一個或多個第一區域。
  15. 如請求項13所述的方法，其中該一個或多個陣列由一個或多個邊界與該一個或多個區分隔，其中該方法包括以下步驟：估計僅包括直至該邊界的該至少一個或多個陣列的該圖像的該一個或多個第一區域，以及排除對應於該一個或多個區的該一個或多個第二區域。
  16. 如請求項13所述的方法，該方法包括以下步驟： 基於提供沿著一第一軸線在該陣列中的該重複結構元素之間的一距離的資訊的資料來將該子區域聚類為一個或多個第一群集， 基於提供沿著一第二軸線在該陣列中的該重複結構元素之間的一距離的資訊的資料來將該子區域聚類為一個或多個第二群集，以及 使用該第一群集和該第二群集來區分與該一個或多個陣列相對應的該圖像的一個或多個第一區域和與該一個或多個區相對應的該圖像的一個或多個第二區域。
  17. 如請求項13所述的方法，該方法包括以下步驟：僅選擇子區域的一數量滿足一閾值的群集。
  18. 如請求項13所述的方法，該方法包括以下步驟： 在該圖像的該一個或多個第一區域的圖元強度與提供該重複結構元素中的至少一者的資訊的一第二參考圖像的圖元強度之間執行一相關分析，以得到一第二相關矩陣， 決定與滿足一振幅標準的該第二相關矩陣的值相對應的該圖像的該一個或多個第一區域的子區域， 至少基於在該圖像的該一個或多個第一區域中的該子區域的一位置和提供在該陣列中的該重複結構元素的一預期位置的資訊的資料來決定在該圖像的該一個或多個第一區域與該陣列之間的一形變圖，以及 基於該形變圖來生成一校正圖像。
  19. 如請求項18所述的方法，該方法包括以下步驟： 決定在該圖像的該一個或多個第一區域中的該子區域的一位置與提供該陣列中的該重複結構元素的一預期位置的資訊的資料之間的變形DF 中心，以及 基於至少應用到DF 中心的一內插方法來決定在該圖像的該一個或多個第一區域與該半導體樣本的該陣列之間的一形變圖。
  20. 一種包括指令的非暫時性電腦可讀媒體，該指令在由一PMC執行時使該PMC執行包括以下各項的操作： 獲得該半導體樣本的一圖像，該半導體樣本包括： 一個或多個陣列，每個陣列包括重複結構元素； 一個或多個區，每個區至少部分地包圍一對應陣列並且包括與該重複結構元素不同的特徵； 在該半導體樣本的運行時掃描期間： 在該圖像的圖元強度與提供該重複結構元素中的至少一者的資訊的一參考圖像的圖元強度之間執行一相關分析，以得到一相關矩陣， 使用該相關矩陣來區分與該一個或多個陣列相對應的該圖像的一個或多個第一區域和與該一個或多個區相對應的該圖像的一個或多個第二區域，以及 輸出提供該圖像的該一個或多個第一區域的資訊的資料。
TW110120176A 2020-07-07 2021-06-03 在半導體樣本中的陣列的識別 TW202217274A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/922,977 US11645831B2 (en) 2020-07-07 2020-07-07 Identification of an array in a semiconductor specimen
US16/922,977 2020-07-07

Publications (1)

Publication Number Publication Date
TW202217274A true TW202217274A (zh) 2022-05-01

Family

ID=79172736

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110120176A TW202217274A (zh) 2020-07-07 2021-06-03 在半導體樣本中的陣列的識別

Country Status (4)

Country Link
US (2) US11645831B2 (zh)
JP (1) JP2022014880A (zh)
KR (1) KR20220005988A (zh)
TW (1) TW202217274A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117890371A (zh) * 2024-01-18 2024-04-16 马鞍山芯乔科技有限公司 一种晶圆外观检测功能影像迭合的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL99823A0 (en) * 1990-11-16 1992-08-18 Orbot Instr Ltd Optical inspection method and apparatus
JP3927353B2 (ja) * 2000-06-15 2007-06-06 株式会社日立製作所 比較検査における画像の位置合せ方法、比較検査方法及び比較検査装置
US8249331B2 (en) 2008-04-09 2012-08-21 Applied Materials Israel, Ltd. Method and system for evaluating an object
US11049745B2 (en) * 2018-10-19 2021-06-29 Kla Corporation Defect-location determination using correction loop for pixel alignment

Also Published As

Publication number Publication date
JP2022014880A (ja) 2022-01-20
CN113919276A (zh) 2022-01-11
KR20220005988A (ko) 2022-01-14
US20230230349A1 (en) 2023-07-20
US11645831B2 (en) 2023-05-09
US20220012861A1 (en) 2022-01-13

Similar Documents

Publication Publication Date Title
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
JP2020115131A (ja) 試験片の調査の方法およびそのシステム
CN114219749B (zh) 样本的模拟图像的确定
US11423529B2 (en) Determination of defect location for examination of a specimen
US20230230349A1 (en) Identification of an array in a semiconductor specimen
WO2022137224A1 (en) Prediction of electrical properties of a semiconductor specimen
US11636587B2 (en) Inspection of a semiconductor specimen
CN113919276B (zh) 检验半导体样本的系统、方法及非暂时性计算机可读介质
US20230306580A1 (en) Machine learning based examination of a semiconductor specimen and training thereof
CN113947561B (zh) 半导体样本的图像分割
US11443420B2 (en) Generating a metrology recipe usable for examination of a semiconductor specimen
US20240153043A1 (en) Image denoising for examination of a semiconductor specimen
US20220222797A1 (en) Determination of defects and/or edge roughness in a specimen based on a reference image
IL299017B1 (en) Automatic segmentation of an image of a semiconductor sample and use of measurements