TW202217997A - 半導體樣本的圖像分割 - Google Patents

半導體樣本的圖像分割 Download PDF

Info

Publication number
TW202217997A
TW202217997A TW110118064A TW110118064A TW202217997A TW 202217997 A TW202217997 A TW 202217997A TW 110118064 A TW110118064 A TW 110118064A TW 110118064 A TW110118064 A TW 110118064A TW 202217997 A TW202217997 A TW 202217997A
Authority
TW
Taiwan
Prior art keywords
map
label
image
probability
probability map
Prior art date
Application number
TW110118064A
Other languages
English (en)
Inventor
艾德 班布蘭奇
薛隆 艾卡彥
薛爾 科恆
塔 班胥羅摩
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 TW202217997A publication Critical patent/TW202217997A/zh

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

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

Abstract

提供了一種對所製造的半導體樣本的圖像進行分割的系統和方法。該方法包括：獲得對應於該圖像的第一概率圖，該第一概率圖表示所製造的半導體樣本的至少一部分並且指示該圖像中的圖元對應於該圖像中呈現的一個或多個第一結構元素的預測概率；獲得第一標籤圖，該第一標籤圖提供表示第二結構元素的一個或多個區段以及與該區段相關聯的標籤的資訊；對第一標籤圖執行模擬以獲得第二概率圖，該第二概率圖指示第一標籤圖中的圖元對應於一個或多個區段的模擬概率；以及基於第一概率圖和第二概率圖生成第二標籤圖，該第二標籤圖可用於以增強的可重複性對圖像進行分割。

Description

半導體樣本的圖像分割
本文公開的主題總的來說涉及樣本檢查領域，且更具體地涉及樣本的圖像分割。
當前對與所製造裝置的超大規模集成相關聯的高密度和效能的需求需要亞微粒特徵、增加電晶體和電路速度、以及改善可靠性。這類需求需要形成具有高精度和均勻性的裝置特徵，這繼而有必要小心監控製造過程，包括在裝置仍處於半導體晶圓的形式時自動檢查所述裝置。
在本說明書中使用的術語「樣本」應當被廣泛地解釋為涵蓋用於製造半導體積體電路、磁頭、平板顯示器、和其它半導體製造的物品的任何種類的晶圓、掩膜、和其它結構、其組合和/或部分。
在本說明書中使用的術語「檢查」應當被廣泛地解釋為涵蓋任何種類的計量有關操作以及關於在樣本製造期間對樣本中的缺陷進行偵測和/或分類的操作。檢查藉由在要檢查的樣本的製造期間或之後使用無損檢查工具來提供。作為非限制性示例，檢查過程可以包括執行時間掃描（單次或多次掃描）、取樣、複查、測量、分類和/或使用相同或不同的檢驗工具的關於樣本或其部分提供的其它操作。同樣，檢查可以在待檢查的樣本的製造之前提供，並且可以包括例如產生檢查配方和/或其它設置操作。注意到，除非另作具體聲明，否則本說明書中使用的術語「檢查」或其衍生詞不限於關於檢驗區域的解析度或大小。作為非限制性示例，各種無損檢查工具包括掃描電子顯微鏡、原子力顯微鏡、光學檢驗工具等。
作為非限制性示例，執行時間檢查可以採用兩階段工序，例如，檢驗樣本，接著對潛在缺陷的取樣位置進行複查。在第一階段期間，以高速和相對低的解析度檢驗樣本的表面。在第一階段中，產生缺陷圖來示出在樣本上被懷疑具有高缺陷概率的位置。在第二階段期間，以相對高的解析度更透徹地分析被懷疑位置中的至少一些位置。在一些情況下，兩個階段皆可以由相同檢驗工具來實現，並且在一些其它情況下，這兩個階段由不同的檢驗工具來實現。
檢查過程在半導體製造期間的各個步驟被用來偵測和分類樣本上的缺陷、以及執行計量有關的操作。檢查的有效性可以藉由過程的自動化來提高，這些過程例如，自動缺陷分類(ADC)、自動缺陷複查(ADR)、圖像分割等。
根據本文公開的主題的某些態樣，提供了一種對所製造的半導體樣本的圖像進行分割的方法，所述方法由處理器和記憶體電路（PMC）執行，所述方法包含：獲得對應於所述圖像的第一概率圖，所述第一概率圖表示所製造的半導體樣本的至少一部分並且指示所述圖像中的圖元對應於所述圖像中呈現的一個或多個第一結構元素的預測概率，其中藉由使用深度學習模型處理所述圖像來生成所述第一概率圖；獲得第一標籤圖，所述第一標籤圖提供表示第二結構元素的一個或多個區段以及與所述區段相關聯的標籤的資訊，其中所述第二結構元素在表徵所述至少部分的設計資料中呈現，並且其中等效的第二結構元素與相同標籤相關聯；對所述第一標籤圖執行模擬以獲得第二概率圖，所述第二概率圖指示所述第一標籤圖中的圖元對應於所述一個或多個區段的模擬概率；以及基於所述第一概率圖和所述第二概率圖生成第二標籤圖，其中所述第二標籤圖提供表示所述第一結構元素的一個或多個區段以及與其相關聯的標籤的資訊，並且其中等效的第一結構元素與相同標籤相關聯，所述第二標籤圖可用於以增強的可重複性對圖像進行分割。
除了以上特徵之外，根據本文公開的主題的這個態樣的方法可以包含以技術上可能的任何期望組合或排列的下文列出的特徵（i）至(xii)中的一個或多個： (i).執行模擬可以包含：基於第一標籤圖中的每個給定圖元與離其最近的邊緣之間的相對距離，對第一標籤圖執行距離轉換以獲得距離圖；以及將距離圖轉換成第二概率圖，所述第二概率圖提供第一標籤圖中的圖元對應於相對於最近邊緣的一個或多個區段的類比概率的資訊。 (ii).對於第一標籤圖中的每個給定圖元來說，所述相對距離可以包括：i）給定圖元與離其最近的邊緣之間的距離，以及ii）給定圖元相對於最近邊緣的相對位置。 (iii).所述相對位置可以指示給定圖元是位於輪廓包含最近邊緣的給定第二結構元素之內還是所述給定第二結構元素之外。 (iv).第一標籤圖可以基於以下各項中的至少一項生成：設計資料、圖像、和第一概率圖。 (v).所述生成可以包含：將第一概率圖和第二概率圖組合以獲得組合的概率圖；以及使用解析器處理組合的概率圖，從而產生第二標籤圖。 (vi).所述組合可以使用預定的權重因數執行，所述預定的權重因數指示圖像分割的靈敏度和可重複性之間的期望折衷位凖。 (vii).所述解析器可以選自包含以下各項的群組：DCRF、圖割（Graph-cut）和隱瑪律可夫模型（Hidden Markov Model；HMM）。 (viii).所述解析器可以是DCRF解析器，並且所述組合的概率圖可以基於一元項和成對項處理。 (ix).所述成對項可以基於外觀核和平滑核來構造。 (x).所述外觀核可以是保邊降噪器，所述保邊降噪器基於給定圖元的類似相鄰圖元來決定給定圖元的標籤，且所述平滑核基於給定圖元的相鄰圖元來決定給定圖元的標籤。 (xi).所述圖像可以是從複查工具獲得的樣本的高解析度複查圖像。 (xii).與從第一概率圖生成的標籤圖相比，第二標籤圖可以具有增強的可重複性。
根據本文公開的主題的其它態樣，提供了一種對所製造的半導體樣本的圖像進行分割的系統，所述系統包含處理器和記憶體電路（PMC），所述處理器和記憶體電路配置為：獲得對應於所述圖像的第一概率圖，所述第一概率圖表示所製造的半導體樣本的至少一部分並且指示所述圖像中的圖元對應於所述圖像中呈現的一個或多個第一結構元素的預測概率，其中藉由使用深度學習模型處理所述圖像來生成所述第一概率圖；獲得第一標籤圖，所述第一標籤圖提供表示第二結構元素的一個或多個區段以及與所述區段相關聯的標籤的資訊，其中所述第二結構元素在表徵所述至少部分的設計資料中呈現，並且其中等效的第二結構元素與相同標籤相關聯；對所述第一標籤圖執行模擬以獲得第二概率圖，所述第二概率圖指示所述第一標籤圖中的圖元對應於所述一個或多個區段的模擬概率；以及基於所述第一概率圖和所述第二概率圖生成第二標籤圖，其中所述第二標籤圖提供表示所述第一結構元素的一個或多個區段以及與其相關聯的標籤的資訊，並且其中等效的第一結構元素與相同標籤相關聯，所述第二標籤圖可用於以增強的可重複性對圖像進行分割。
所公開的主題的這個態樣可以包含以技術上可能的任何期望組合或排列的上文關於所述方法列出的已作必要改動的特徵(i)至(xii)中的一個或多個。
根據本文公開的主題的其它態樣，提供了一種包含指令的非暫時性電腦可讀媒體，所述指令在由電腦執行時使所述電腦執行對所製造的半導體樣本的圖像進行分割的方法，所述方法包含：獲得對應於所述圖像的第一概率圖，所述第一概率圖表示所製造的半導體樣本的至少一部分並且指示所述圖像中的圖元對應於所述圖像中呈現的一個或多個第一結構元素的預測概率，其中藉由使用深度學習模型處理所述圖像來生成所述第一概率圖；獲得第一標籤圖，所述第一標籤圖提供表示第二結構元素的一個或多個區段以及與所述區段相關聯的標籤的資訊，其中所述第二結構元素在表徵所述至少部分的設計資料中呈現，並且其中等效的第二結構元素與相同標籤相關聯；對所述第一標籤圖執行模擬以獲得第二概率圖，所述第二概率圖指示所述第一標籤圖中的圖元對應於所述一個或多個區段的模擬概率；以及基於所述第一概率圖和所述第二概率圖生成第二標籤圖，其中所述第二標籤圖提供表示所述第一結構元素的一個或多個區段以及與其相關聯的標籤的資訊，並且其中等效的第一結構元素與相同標籤相關聯，所述第二標籤圖可用於以增強的可重複性對圖像進行分割。
所公開的主題的這個態樣可以包含以技術上可能的任何期望組合或排列的上文關於所述方法列出的已作必要改動的特徵(i)至(xii)中的一個或多個。
在以下詳細描述中，闡述許多具體細節來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，本文公開的主題可以在沒有這些具體細節的情況下實踐。在其它情況中，未詳細描述熟知方法、程式、部件和電路，以免混淆本文公開的主題。
除非另外具體聲明，如從以下討論中明顯的，應理解，在說明書全文中利用術語諸如「生成」、「執行」、「獲得」、「類比」、「轉換」、「組合」、「使用」、「處理」、「決定」等等的討論，指的是將資料操縱和/或轉換為其它資料的電腦的動作和/或過程，所述資料表示為物理的，諸如電子的、量值和/或表示物理物件的所述資料。術語「電腦」應當被廣泛地解釋為涵蓋任何種類的具有資料處理能力的基於硬體的電子裝置，包括作為非限制性示例的在本申請中公開的檢查系統、分割系統和其相應部分。
本文使用的術語「非暫時性記憶體」和「非暫時性存儲媒體」應當被廣泛地解釋為涵蓋適用於本文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「缺陷」應當被廣泛地解釋為涵蓋任何種類的異常或在樣本上或樣本內形成的不理想的特徵。
本說明書中使用的術語「設計資料」應當被廣泛地解釋為涵蓋指示樣本的分層物理設計（佈局）的任何資料。設計資料可以由相應設計者提供和/或可以從物理設計（例如，藉由複雜模擬、簡單幾何和布耳運算等）匯出。設計資料可以不同格式提供，作為非限制性示例，如GDSII格式、OASIS格式等。設計資料可以向量格式、灰度強度圖像格式或其它格式呈現。
可以理解，除非另外具體聲明，否則在分開的實施例的上下文中描述的本文公開的主題的某些特徵也可以在單個實施例中組合提供。反過來，在單個實施例的上下文中描述的本文公開的主題的各個特徵也可以分開提供或以任何合適的子組合提供。在以下詳細描述中，闡述許多具體細節以提供對方法和設備的透徹理解。
牢記這一點，關注圖1，其中示出根據本文公開的主題的某些實施例的檢查系統的功能框圖。
圖1中示出的檢查系統100可以用於檢查（例如，晶圓和/或其部分的）半導體樣本以作為樣本製造過程的部分。所示出的檢查系統100包含基於電腦的系統101，所述系統101能夠使用在樣本製造期間獲得的圖像（後文稱為製造過程(FP)圖像或圖像）來自動地決定與計量有關和/或與缺陷有關的資訊。系統101可以通常被稱為FPEI（製造過程檢查資訊）系統。根據本文公開的主題的某些實施例，如下文將參考圖2進一步詳細描述地，系統101可以配置為執行表示樣本的至少一部分的FP圖像的分割。系統101因此在本公開內容中也被稱為分割系統。系統101可以操作地連接到一個或多個檢查工具120。檢查工具120配置為捕獲FP圖像和/或複查所捕獲的FP圖像和/或實現或提供關於所捕獲圖像的測量。系統101可以進一步操作地連接到設計資料伺服器110和存儲單元122。
例如，FP圖像（在本文中也稱為圖像）可以選自在製造過程期間捕獲的樣本（例如，晶圓或其部分）的圖像、藉由各種預處理階段獲得的所捕獲圖像的衍生物（例如，由SEM或光學檢驗系統捕獲的晶圓或光罩的一部分的圖像、大致以將由ADC分類的缺陷為中心的SEM圖像、其中將由ADR當地語系化缺陷的較大區域的SEM圖像、對應於相同掩模位置的不同檢查形態的配准圖像、分割的圖像、高度映射圖像等）。將注意到，在一些情況下，圖像可以包括圖像資料（例如，捕獲的圖像、處理的圖像等）和相關聯的數位資料（例如，中繼資料、手工屬性等）。進一步注意到，圖像資料可以包括關於所關注層和/或樣本的一個或多個其它層的資料。
本文使用的術語「檢查工具」應當被廣泛地解釋為涵蓋可以在檢查相關過程中使用的任何工具，包括作為非限制性示例的成像、掃描（單次或多次掃描）、取樣、複查、測量、分類和/或關於樣本或其部分提供的其它過程。所述一個或多個檢查工具120可以包括一個或多個檢驗工具和/或一個或多個複查工具。在一些情況下，至少一個檢查工具120可以為檢驗工具，所述檢驗工具配置為掃描樣本（例如，整個晶圓、整個晶粒、或其部分）以捕獲檢驗圖像（通常，以相對高速度和/或低解析度）用於偵測潛在缺陷。在一些情況下，至少一個檢查工具120可以為複查工具，所述複查工具配置為捕獲由檢驗工具偵測的至少一些缺陷的複查圖像，用於確認潛在缺陷是否真的為缺陷。這種複查工具通常配置為一次一個地檢驗晶粒的片段（通常，以相對低速度和/或高解析度）。檢驗工具和複查工具可以是位於相同或不同位置的不同工具或在兩種不同模式下操作的單個工具。在一些情況下，至少一個檢查工具可以具有計量能力。
在不以任何方式限制本公開內容的範圍的情況下，也應注意到，檢查工具120可以被實現為各種類型的檢驗機器，諸如光學成像機器、電子束檢驗機器等等。在一些情況下，相同的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。
系統101包括處理器和記憶體電路(PMC) 102，PMC 102可操作地連接到基於硬體的I/O介面126。PMC 102配置為提供如參考圖2進一步詳述地操作所述系統101所必需的所有處理，並且包含處理器（未單獨圖示）和記憶體（未單獨圖示）。PMC 102的處理器可以配置為根據電腦可讀指令執行若干功能模組，所述電腦可讀指令在PMC中包含的非暫時性電腦可讀記憶體上實現。這種功能模組在後文被稱為包含在PMC中。
PMC 102中包含的功能模組包括類比模組104和標籤圖生成模組106。在某些實施例中，標籤圖生成模組106可以包含解析器模組108。PMC 102可以配置為藉由I/O介面126獲得第一概率圖，所述第一概率圖對應於表示所製造的半導體樣本的至少一部分的圖像並且指示該圖像中的圖元對應於該圖像中呈現的一個或多個第一結構元素的預測概率。第一概率圖可以藉由使用深度學習模型（例如，分割網路112）處理所述圖像來生成。PMC 102可以進一步配置為獲得第一標籤圖，所述第一標籤圖提供表示第二結構元素的一個或多個區段以及與所述區段相關聯的標籤的資訊。第二結構元素在表徵所述至少部分的設計資料中呈現。等效的第二結構元素與相同標籤相關聯。類比模組104可以配置為對第一標籤圖執行模擬以獲得第二概率圖，所述第二概率圖指示第一標籤圖中的圖元對應於一個或多個區段的模擬概率。標籤圖生成模組106可以配置為基於第一概率圖和第二概率圖生成第二標籤圖。第二標籤圖提供表示第一結構元素的一個或多個區段以及與其相關聯的標籤的資訊。等效的第一結構元素與相同標籤相關聯。第二標籤圖可以用於以增強的可重複性對圖像進行分割。將參考圖2進一步詳述系統101、PMC 102及其中的功能模組的操作。
根據某些實施例，系統101可以可操作地與深度學習模型連接，諸如，例如，如圖所示的分割網路112。分割網路112可以是深度神經網路(DNN)，所述DNN包括根據相應DNN架構組織的多層。作為非限制性示例，DNN的層可以根據卷積神經網路（CNN）架構、迴圈神經網路架構、遞迴神經網路架構、生成對抗網路（GAN）架構或其它來組織。可選地，至少一些層可以被組織成多個DNN子網路。DNN的每一層可以包括多個基本計算元件（CE），在本領域中通常稱為維度、神經元、或節點。
通常，給定層的計算元件可以與前一層和/或後一層的CE連接。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可以藉由相應連接從前一層的CE接收輸入，每個給定連接與可以應用於該給定連接的輸入的加權值相關聯。加權值可以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CE可以配置為計算啟動值（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。注意到，本文公開的主題的教示不受DNN的具體架構限制。
在一些實施例中，系統101可以進一步包含分割網路112或其部分。換句話說，分割網路112的相應功能可以至少部分地集成在系統101內。
除了分割系統101之外，檢查系統100還可以包含一個或多個檢查模組，諸如，例如，缺陷偵測模組和/或自動缺陷複查模組（ADR）和/或自動缺陷分類別模組（ADC）和/或計量相關模組和/或其它檢查模組。這樣的檢查模組可以利用分割系統101的輸出來檢查半導體樣本。在一些情況下，所述一個或多個檢查模組可以至少部分地與一個或多個檢查工具120集成。
根據某些實施例，系統101可以可操作地藉由基於硬體的I/O介面126與設計資料伺服器110（例如，CAD伺服器）連接。設計資料伺服器110配置為存儲並提供表徵樣本的設計資料。樣本的設計資料可以為任何以下格式：樣本的物理設計佈局（例如，CAD剪輯）、點陣影像、和從設計佈局匯出的類比圖像。根據某些實施例，提供表示第二結構元素（即，設計資料中呈現的結構元素）的一個或多個區段以及與其相關聯的標籤的資訊的第一標籤圖可以例如從設計資料匯出，並且存儲在設計資料伺服器110或存儲單元122中，並且I/O介面126可以配置為從其接收第一標籤圖。或者，I/O介面126可以從設計資料伺服器110接收表徵樣本的至少給定部分的設計資料，並且提供給PMC 102以處理設計資料從而匯出第一標籤圖。
根據某些實施例，系統101可以包含存儲單元122。存儲單元122可以配置為存儲作業系統101所必需的任何資料，例如，關於系統101的輸入和輸出的資料，以及由系統101生成的中間處理結果。作為示例，存儲單元122可以配置為存儲由檢查工具120產生的圖像和/或其衍生物。因此，所述一個或多個圖像可以從存儲單元122檢索到並且被提供給PMC 102用於進一步處理。存儲單元122還可以配置為存儲表徵樣本和/或其衍生物的設計資料。
在一些實施例中，系統101可以可選地包含基於電腦的圖形化使用者介面(GUI) 124，所述圖形化使用者介面配置為實現關於系統101的使用者指定的輸入。例如，可以為使用者呈現樣本的直觀表示（例如，藉由形成GUI 124的部分的顯示器），包括樣本的圖像資料和/或設計資料。可以藉由GUI為使用者提供定義某些指令引數的選項。用戶也可以觀察GUI上的操作結果，諸如，例如，分割輸出。
如先前提及地，系統101配置為藉由I/O介面126接收包括第一概率圖和第一標籤圖的輸入資料，所述第一概率圖對應於表示樣本的至少一部分的圖像，所述第一標籤圖提供表示在設計資料中呈現的第二結構元素的一個或多個區段以及與其相關聯的標籤的資訊。系統101進一步配置為處理所接收的輸入資料的至少部分，並且藉由I/O介面126將結果（或其部分）發送到存儲單元122、和/或檢查工具120、和/或GUI 124（用於呈現結果）和/或外部系統（例如，FAB的產出管理系統(YMS)）。
本領域的熟練技術人員將容易理解，本文公開的主題的教示不受圖1所示的系統的限制；等效和/或修改的功能可以另一方式合併或分開，並且可以軟體與固件和/或硬體的任何適當組合來實現。
注意到，圖1所示的檢查系統可以在分散式運算環境中實現，其中先前提及的圖1所示的功能模組可以分佈在若干本端和/或遠端裝置上，並且可以藉由通信網路連接起來。進一步注意到，在另一實施例中，檢查工具120、存儲單元122和/或GUI 124中的至少部分可以在檢查系統100外部並且藉由I/O介面126與系統101資料通信地操作。系統101可以實現為與檢查工具配合使用的獨立式電腦。或者，系統101的相應功能可以至少部分與一個或多個檢查工具120集成，從而在檢查相關過程中促進並增強檢查工具120的功能。
參看圖2，其中示出根據本文公開的主題的某些實施例的用於對所製造的半導體樣本的圖像進行分割的一般化流程圖。
可以獲得第一概率圖(202)（例如，經由I/O介面126藉由PMC 102獲得）。第一概率圖對應於表示所製造的半導體樣本的至少一部分的圖像，並且指示所述圖像中的圖元對應於所述圖像中呈現的一個或多個第一結構元素的預測概率。
所述圖像可以是在樣本製造過程中獲得的樣本的FP圖像。作為非限制性示例，可以藉由使用一個或多個檢驗工具（例如，低解析度檢查機器，諸如，光學檢驗系統、低解析度SEM等）檢查樣本來獲得所述圖像。可替換地或附加地，可以藉由使用一個或多個複查工具（例如，用於對被選擇進行複查的潛在缺陷位置的子集進行複查的高解析度檢查機器，諸如掃描電子顯微鏡（SEM）、原子力顯微鏡（AFM）等）檢查樣本來獲得所述圖像。
第一概率圖可以藉由使用深度學習模型（例如，如圖所示的DNN，諸如分割網路112）處理圖像來生成。一般來說，分割可以指將圖像劃分成有意義的部分/區段（例如，背景和前景、有雜訊和無雜訊區域、結構元素、缺陷和無缺陷等）同時提供指示這些區段的每圖元或每區域值的任何過程。根據本文公開的主題的某些實施例，分割網路112可以配置為根據在所述圖像中呈現的一個或多個結構元素（本文也稱為第一結構元素、或基於圖像的結構元素）來分割所述圖像。分割網路的輸出（即，第一概率圖）可以是分割概率圖，在該分割概率圖中每個圖元/元素的值指示圖像中的對應圖元對應於/屬於圖像中的結構元素、或者說屬於表示圖像中的結構元素的一個或多個區段的預測概率。在一些情況下，待饋送到DNN中的圖像可以提供樣本的多個層的資訊，並且可以針對每一層生成第一概率圖。
本文使用的結構元素可以指圖像資料或設計資料上的任何原始物件，所述原始物件具有幾何形狀或具有輪廓的幾何結構，或者具有與其它物件組合的幾何形狀。位於/呈現在圖像資料上的結構元素可以被稱為基於圖像的結構元素（在本文中也稱為第一結構元素）。位於/呈現在設計資料上的結構元素可以被稱為基於設計的結構元素（在本文中也稱為第二結構元素）。例如，結構元素可以多邊形的形式呈現。結構元素可以由使用者定義，或者可以自動定義，例如使用基於規則的或機器學習技術。
第一概率圖可用於生成分割標籤圖，所述分割標籤圖包含指示圖像上的不同區段的每圖元或每區域分割標籤（在本文中也稱為標籤）。在一些實施例中，每個分割的結構元素（和/或其圖元）可以被分配有分割標籤，並且圖像上的等效結構元素可以與相同標籤相關聯。等效的結構元素可以指對應於相同設計圖案的結構元素，而不管其定向如何。作為示例，一層上的結構元素（例如，多邊形）可以具有一個分割標籤，且另一層上的多邊形可以具有不同的分割標籤，而背景可以具有單獨的分割標籤。
出於說明的目的，還參考圖3，舉例說明根據本文公開的主題的某些實施例的對樣本的圖像進行分割的示意圖。如圖所示，如上所述地，由檢查工具120捕獲的樣本的圖像302被接收並饋送到分割網路112中用於處理，從而產生第一概率圖306。將注意到，在一些情況下，圖像302可以提供樣本的多個層的資訊，其中每個層含有不同類型的結構元素。在這種情況下，可以生成對應於樣本的相應層的多個第一概率圖306。
根據本文公開的主題的某些實施例，藉由處理樣本的圖像而使用分割網路生成的分割概率圖可以產生相對靈敏的分割輸出。作為示例，出於增強分割靈敏度的目的，分割網路可以被設計成具有特定的架構和/或以特定的方式訓練。在這種情況下，分割概率圖和/或從其匯出的分割標籤圖可以導致高靈敏度。作為示例，分割輸出可以嚴格遵循可能受物理過程（諸如成像條件、工具/過程變化等）影響的某些圖像特性。例如，在分割標籤圖中指示的區段相對於圖像中呈現的結構元素可以具有高準確度和一致性（例如，區段的輪廓緊密地匹配圖像中的多邊形，因此邊緣可以是粗糙的/模糊的，並且多邊形內的某些圖元/區域可以被分配有與相鄰圖元不一致的分割標籤等）。在這種情況下，針對相同樣本的相同位置捕獲的不同圖像可能由於圖像中呈現的變化而導致不同的分割結果。這種分割結果是比較不理想的，因為客戶需要對相同樣本的可重複分割（也稱為精確分割），而不管在不同圖像中引起的變化如何。根據本文公開的主題的某些實施例，如下文進一步詳細描述的，提出了一種使用基於設計的資料（即，使用設計標籤圖生成模擬概率圖）來影響圖像分割、從而改善分割的可重複性/精度的方法和系統。
除了第一概率圖之外，還可以獲得第一標籤圖（204）（例如，經由I/O介面126藉由PMC 102獲得）。第一標籤圖可以是分割標籤圖，所述分割標籤圖提供表示第二結構元素的一個或多個區段以及與所述區段相關聯的標籤的資訊。如上文提及地，第二結構元素是在表徵樣本的至少部分的設計資料中呈現的基於設計的結構元素。類似地，等效的第二結構元素與相同標籤相關聯。換句話說，第一標籤圖可以被稱為設計標籤圖，因為其區段對應於基於設計的結構元素。第一標籤圖的示例在圖3中示出為304。如本示例所示，第一標籤圖304呈現兩個區段（以不同的灰度級區分）：一個區段對應於包含在其中的結構元素（例如，所示出的柱），而另一個區段對應於背景。
注意到，儘管第一標籤圖提供對應於基於設計的結構元素的區段的資訊，但是不必基於設計資料來生成第一標籤圖。根據某些實施例，第一標籤圖可以基於以下各項中的至少一項來生成：設計資料、圖像、和第一概率圖。作為示例，第一標籤圖可以基於設計資料（例如，藉由對設計資料執行類比，使得其基於設計的結構元素與相應的分割標籤相關聯）生成。在一些情況下，這種類比還考慮了基於設計的結構元素和對應的基於圖像的結構元素之間的差異。例如，在一些情況下，由於設計工具和/或成像工具的條件，諸如多邊形的基於設計的結構元素實際上可以以圓形的形狀出現在圖像中。模擬可以將其考慮在內並生成模擬標籤圖，所述模擬標籤圖包括具有原本應該在圖像中出現的類比形狀的結構元素。
作為另一示例，第一標籤圖可以基於圖像生成。例如，標籤圖可以根據SEM圖像中的結構元素的外觀手動地創建。作為另一個示例，第一標籤圖可以基於第一概率圖生成。例如，第一標籤圖可以藉由下列步驟來生成：識別第一概率圖中的重複的結構元素/圖案，對重複的圖案取平均以獲得具有更平滑形狀而沒有變化的共有圖案，並且將共有圖案放置在相應重複圖案的位置中。
在一些情況下，第一標籤圖可以根據上文描述的各種生成方法預生成並存儲在存儲單元122或設計資料伺服器110中以提供給PMC 102用於進一步處理。或者，在一些其它情況下，所述生成過程可以由PMC 102執行（即，可以將標籤圖生成的功能集成到PMC 102中）作為預處理步驟。
一旦獲得第一標籤圖，就可以對第一標籤圖執行（206）（例如，由類比模組104）類比，以獲得指示第一標籤圖中的圖元對應於一個或多個區段的模擬概率的第二概率圖。第二概率圖在本文中也稱為模擬概率圖。如圖3中示出，對第一標籤圖304執行概率模擬，從而產生模擬概率圖308。
根據某些實施例，從第一標籤圖到第二概率圖的模擬可以包括距離轉換和概率轉換。具體來說，可以對第一標籤圖執行距離轉換以獲得距離圖。距離轉換可以基於第一標籤圖中的每個給定圖元與離其最近的邊緣之間的相對距離。距離圖隨後可以轉換成第二概率圖，所述第二概率圖提供第一標籤圖中的圖元對應於相對於所述最近邊緣的一個或多個區段的類比概率的資訊。
現轉向圖4，其中示出根據本文公開的主題的某些實施例的從第一標籤圖到第二概率圖的模擬過程的示例。
如圖所示，第一標籤圖402根據如上文描述的生成方法生成，以表示對應於基於設計的結構元素404的區段。儘管不一定如此，但可以根據設計將第一標籤圖402分成一個或多個層（例如，在本示例中為兩個層，背景層406和前景層408，即，具有結構元素404的層）。分別對兩個層406和408執行距離轉換，從而產生兩個對應的距離圖410和412。為了更好地說明距離轉換，現注意轉到圖5。
現參考圖5，其中示出根據本文公開的主題的某些實施例的從第一標籤圖到對應距離圖的距離轉換的示例。
如圖所示，第一標籤圖502（或從其分離的一層）可以二進位圖504的形式呈現，其中值「1」表示對應於結構元素501的區段的標籤，而值「0」表示背景的標籤。因此，在二進位圖中，緊挨圖元「0」的圖元「1」（諸如，例如，圖元510）可以指示結構元素的邊緣。可以對二進位圖504執行距離轉換以基於二進位圖504中的每個給定圖元與離其最近的邊緣之間的相對距離來獲得距離圖506。作為示例，對於第一標籤圖中的每個給定圖元，所述相對距離包括：i）給定圖元與離其最近的邊緣之間的距離，以及ii）給定圖元相對於最近邊緣的相對位置。所述相對位置可以指示給定圖元是位於輪廓包含所述最近邊緣的給定第二結構元素之內（即，在所述輪廓之內），還是在給定第二結構元素之外（即，在所述輪廓之外）。例如，對於給定圖元508，最近邊緣由值為「1」的對角線圖元510指示。由此，可以計算圖元508和510之間的距離（例如，在本示例中為1.4）。考慮到圖元508在結構元素501之外，可以在距離圖506中的對應位置509中分配正值1.4。否則，在給定圖元位於給定結構元素（諸如，例如，圖元512）之內的情況下，可以在距離圖中分配負值以指示此相對位置。類似地，可以對二進位圖504中的所有圖元執行這種距離轉換，並且可以生成對應的距離圖506（以及對應的代表性圖像503）。將注意到，具體數字（正值和負值）以及距離的計算方法僅出於例證和說明的目的，且不應被解釋為以任何方式限制本公開內容。
從圖5的示例可以看出，從距離轉換生成的距離圖提供每個圖元與其附近邊緣之間的相對距離的資訊（例如，關於它們之間的距離和相對於附近邊緣的相對位置）。返回參考圖4，隨後分別對如參考圖5所描述生成的兩個距離圖410和412執行概率轉換，從而產生兩個概率圖414和416。作為示例，概率轉換可以包括將距離圖中的值歸一化為[0，1]的範圍。例如，一種標準化方式是將對應的概率值（表示為p）計算為相對距離的指數函數（表示為d），諸如，例如，p=e -d ，或者
Figure 02_image001
（在本文中也稱為歸一化函數）。
在以這種方式生成的概率圖中，諸如，例如，在概率圖416中，位元於結構元素的中心區域中的圖元通常具有高概率值，諸如1或接近1。隨著從結構元素的中心向邊緣移動，圖元的概率值逐漸減小。當到達邊緣外某一點時，概率值最終降至0。概率圖416圖示了概率值的這種逐漸改變（示出為圖元值從1變為0的漸變418）。將注意到，上文舉例說明的歸一化函數僅出於說明的目的而列出，並且不應被視為以任何方式限制本公開內容。可以使用任何其它合適的函數來代替上述函數。在一些情況下，歸一化中使用的指數函數可能組合一個或多個附加參數，所述附加參數可以指示距離圖的某些特性且可以用於調整概率歸一化。這樣的附加參數的一個示例可以是指示例如距離圖的平滑度的參數，並且可以用於調整概率圖中從1到0的轉變的陡度。可選地，例如，藉由對兩個概率圖應用argmax函數，對應於兩個層的概率圖414和416可以被求和/組合成一個概率圖用於進一步處理。
繼續圖2的框206的描述，根據上文圖5的描述生成的第二概率圖可以指示第一標籤圖中的圖元對應於第一標籤圖中表示的一個或多個區段的模擬概率。概率類比考慮到由物理過程（諸如，例如，過程變化）引起的可能的影響。類比概率反映了第一標籤圖中的圖元屬於對應於第一標籤圖中表示的區段的「真實生活」區段（即，這些區段將如何在例如過程變化之後實際出現）的可能性。作為示例，模擬概率圖指示以下基本原理：與結構元素的輪廓周圍的圖元（例如，更遠離中心的圖元和位元於結構元素的輪廓之外的圖元）相比，結構元素的中心中的圖元理論上將具有更高的概率屬於對應於結構元素的區段。
第二標籤圖可以基於第一概率圖和第二概率圖生成（208）（例如，由標籤圖生成模組106生成）。第二標籤圖提供表示第一結構元素（即，基於圖像的結構元素）的一個或多個區段以及與其相關聯的標籤的資訊。等效的第一結構元素與相同標籤相關聯。第二標籤圖是與僅從第一概率圖生成的分割標籤圖相比改善的分割標籤圖，並且可以用於具有增強的可重複性/精度的圖像分割。
根據某些實施例，第二標籤圖的生成可以包含：組合第一概率圖和第二概率圖以獲得組合的概率圖，以及使用解析器處理組合的概率圖以產生第二標籤圖。解析器通常指以通用形式進行問題描述並計算所述問題的解的演算法。在本主題中，解析器是指一種演算法，所述演算法基於概率圖（在一些情況下也是圖像）的輸入資訊來決定將區段的分離邊界放置在哪裡。在一些情況下，可以使用指示圖像分割的靈敏度和可重複性之間的期望折衷位凖的預定權重因數來執行第一概率圖和第二概率圖的組合。作為示例，在一些情況下，這樣的權重因數可以例如由客戶根據某些規範要求來決定。在一些情況下，這種權重因數可以選自一組候選因數。藉由應用使用權重因數的加權組合，可以控制基於設計的資料對基於圖像的資料的影響的量，並且可以實現分割的靈敏度和可重複性之間的期望的平衡。
根據某些實施例，解析器可以從包含下列的群組中選擇：密集條件隨機場（DCRF）、圖割和隱瑪律可夫模型（HMM）。在一個實施例中，解析器可以是DCRF解析器。DCRF解析器可以接受概率形狀的單個資料項目（例如，組合的概率圖），並且生成用於決定將哪個標籤分配給每個圖元的標籤圖。在一些其它實施例中，除了組合的概率圖之外，DCRF可以接受圖像作為附加輸入，並且基於這兩個輸入生成標籤圖。
在本公開內容的一些實施例中，DCRF可以用於基於一元項和成對項來處理組合的概率圖。DCRF應用在N次反覆運算（N可以是預定義的）之後收斂到局部最小值的反覆運算演算法。局部最小值意味著生成分割標籤圖，其中給定標籤使與一元項和成對項相關的誤差函數E（x）最小化。
作為示例，一元項可以基於圖元與具體區段相關的概率。例如，一元項可以是argmax()的函數，其輸出對於這個圖元具有最高概率的區段。成對項可以由兩個對手項構成。例如，成對項可以基於外觀核和平滑核構造。外觀核可以是保邊降噪器（也稱為雙邊濾波器），所述保邊降噪器基於給定圖元的類似相鄰圖元來決定給定圖元的標籤（即，它藉由查看圖元附近看上去類似（例如，共用類似概率）的鄰居來決定所述圖元的標籤）。結果是外觀核使概率圖平滑，但保留了區段之間的銳邊。作為示例，外觀核可以實現為與相鄰圖元之間的相對位置和類似性相關的指數函數。平滑核基於給定圖元的相鄰圖元決定給定圖元的標籤。它在不保留邊緣的情況下使概率圖平滑。作為示例，平滑核可以實現為與圖元之間的相對位置相關的指數函數。
藉由應用兩個核，可以從至少以下兩個態樣對組合的概率圖進行平滑處理：i）可以使每個結構元素的輪廓內的概率平滑，這基於多邊形內的圖元通常應屬於相同區段的假設；以及ii）可以在保留邊緣的同時使沿著每個結構元素的輪廓的概率平滑，這基於多邊形通常具有平滑而非粗糙的輪廓的假設。
將注意到，DCRF在本文中被描述為可用於處理組合的概率圖以獲得平滑的分割標籤圖的模型的一個示例，並且不應被視為以任何方式限制本公開內容。可用於圖像平滑和圖像分割的其它合適的模型和/或工具和/或方法（諸如，例如，圖割（Graph-cut）和隱瑪律可夫模型（HMM））可以用於補充或代替上述模型。
如本文描述的分割過程的某些實施例的優點中，有使用以特定方式匯出的基於設計的資料（例如，從設計標籤圖匯出的模擬概率圖）來影響所製造的半導體樣本的圖像的分割，從而改善分割結果的可重複性和精度。所述影響可以藉由以下實現：將類比概率圖與由處理圖像獲得的概率圖組合，並且藉由處理組合的概率圖得到增強的分割標籤圖。增強的分割可以用於不同應用，諸如，例如，ADC、ADR、缺陷偵測、匹配、計量和其它檢查任務。
如圖3中示出，使用權重因數θ（示出為310）組合兩個概率圖306和308，並且將組合的概率圖作為輸入提供給DCRF 312以進行處理。結果，得到具有增強的可重複性的第二標籤圖314。與僅從第一概率圖306生成的標籤圖相比，第二標籤圖314具有增強的可重複性。
將理解，本公開內容不限於將其應用到在本文含有的描述中闡述或在附圖中示出的細節。
還將理解，根據本公開內容的系統可以至少部分地在合適程式設計的電腦上實現。同樣，本公開內容預期可由電腦讀取的電腦程式用於執行本公開內容的方法。本公開內容進一步預期一種有形地體現指令程式的非暫時性電腦可讀記憶體，所述指令可由電腦執行用於執行本公開內容的方法。
本公開內容能夠具有其它實施例並且以各種方式實踐和執行。因此，將理解，本文採用的措辭和術語是出於描述的目的並且不應當被認為是限制性的。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它結構、方法、和系統的基礎。
本領域的技術人員將容易理解，在不脫離在隨附申請專利範圍中並由隨附申請專利範圍限定的本公開內容的範圍的情況下，各種修改和改變可以應用到如上文描述的本公開內容的實施例。
100:檢查系統 101:系統 102:處理器和記憶體電路 104:類比模組 106:標籤圖生成模組 108:解析器模組 110:設計資料伺服器 112:分割網路 120:檢查工具 122:存儲單元 124:圖形化使用者介面 126:I/O介面 202:操作 204:操作 206:操作 208:操作 302:圖像 304:第一標籤圖 306:第一概率圖 308:模擬概率圖 310:權重因數 312:DCRF 314:第二標籤圖 402:第一標籤圖 404:結構元素 406:背景層 408:前景層 410:距離圖 412:距離圖 414:概率圖 416:概率圖 418:漸變 501:結構元素 502:第一標籤圖 503:圖像 504:二進位圖 506:距離圖 508:圖元 509:位置 510:圖元 512:圖元
為了理解本公開內容並且瞭解本公開內容如何在實踐中執行，現將參考附圖來描述僅作為非限制性示例的實施例，在附圖中：
圖1示出根據本文公開的主題的某些實施例的檢查系統的功能框圖。
圖2示出根據本文公開的主題的某些實施例的對所製造的半導體樣本的圖像進行分割的一般化流程圖。
圖3舉例說明根據本文公開的主題的某些實施例的對樣本的圖像進行分割的示意圖。
圖4示出根據本文公開的主題的某些實施例的從第一標籤圖到第二概率圖的模擬過程的示例。
圖5示出根據本文公開的主題的某些實施例的從第一標籤圖到對應的距離圖的距離轉換的示例。
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
202:操作
204:操作
206:操作
208:操作

Claims (20)

  1. 一種對一所製造的半導體樣本的一圖像進行分割的電腦化方法，該方法由一處理器和記憶體電路(PMC)執行，該方法包含以下步驟： 獲得對應於該圖像的一第一概率圖，該第一概率圖表示該所製造的半導體樣本的至少一部分並且指示該圖像中的圖元對應於該圖像中呈現的一個或多個第一結構元素的預測概率，其中藉由使用一深度學習模型處理該圖像來生成該第一概率圖； 獲得一第一標籤圖，該第一標籤圖提供表示第二結構元素的一個或多個區段以及與該區段相關聯的標籤的資訊，其中該第二結構元素在表徵該至少部分的設計資料中呈現，並且其中等效的第二結構元素與該相同標籤相關聯； 對該第一標籤圖執行模擬以獲得一第二概率圖，該第二概率圖指示該第一標籤圖中的圖元對應於該一個或多個區段的模擬概率；以及 基於該第一概率圖和該第二概率圖生成一第二標籤圖，其中該第二標籤圖提供表示該第一結構元素的一個或多個區段以及與其相關聯的標籤的資訊，並且其中等效的第一結構元素與相同標籤相關聯，該第二標籤圖可用於以增強的可重複性對該圖像進行分割。
  2. 如請求項1所述的電腦化方法，其中該執行模擬之步驟包含以下步驟： 基於該第一標籤圖中的每個給定圖元與離其一最近的邊緣之間的一相對距離來對該第一標籤圖執行一距離轉換以獲得一距離圖；以及 將該距離圖轉換成該第二概率圖，該第二概率圖提供該第一標籤圖中的該圖元對應於相對於該最近的邊緣的該一個或多個區段的類比概率的資訊。
  3. 如請求項1所述的電腦化方法，其中對於該第一標籤圖中的每個給定圖元，該相對距離包括：i）該給定圖元與離其一最近的邊緣之間的一距離，以及ii）該給定圖元相對於該最近的邊緣的一相對位置。
  4. 如請求項3所述的電腦化方法，其中該相對位置指示該給定圖元是位於輪廓包含該最近的邊緣的一給定第二結構元素之內，還是位於該給定第二結構元素之外。
  5. 如請求項1所述的電腦化方法，其中該第一標籤圖基於以下各項中的至少一項來生成：該設計資料、該圖像、和該第一概率圖。
  6. 如請求項1所述的電腦化方法，其中該生成之步驟包含以下步驟：組合該第一概率圖和該第二概率圖以獲得一組合的概率圖；以及使用一解析器處理該組合的概率圖，從而產生該第二標籤圖。
  7. 如請求項6所述的電腦化方法，其中該組合使用一預定權重因數來執行，該預定權重因數指示該圖像的分割的靈敏度和可重複性之間的一期望折衷位凖。
  8. 如請求項6所述的電腦化方法，其中該解析器從包含下列的一群組中選擇：密集條件隨機場（DCRF）、圖割和隱瑪律可夫模型（HMM）。
  9. 如請求項6所述的電腦化方法，其中該解析器是一DCRF解析器，並且其中該組合的概率圖基於一一元項和一成對項處理。
  10. 如請求項9所述的電腦化方法，其中該成對項基於一外觀核和一平滑核構造。
  11. 如請求項10所述的電腦化方法，其中該外觀核是一保邊降噪器，該保邊降噪器基於一給定圖元的類似相鄰圖元來決定該給定圖元的一標籤，並且該平滑核基於一給定圖元的相鄰圖元來決定該給定圖元的一標籤。
  12. 如請求項1所述的電腦化方法，其中該圖像是從一複查工具獲得的該樣本的一高解析度複查圖像。
  13. 如請求項1所述的電腦化方法，其中與由該第一概率圖生成的一標籤圖相比，該第二標籤圖具有增強的可重複性。
  14. 一種對一所製造的半導體樣本的一圖像進行分割的電腦化系統，該系統包含一處理器和記憶體電路(PMC)，該處理器和記憶體電路配置為： 獲得對應於該圖像的一第一概率圖，該第一概率圖表示該所製造的半導體樣本的至少一部分並且指示該圖像中的圖元對應於該圖像中呈現的一個或多個第一結構元素的預測概率，其中藉由使用一深度學習模型處理該圖像來生成該第一概率圖； 獲得一第一標籤圖，該第一標籤圖提供表示第二結構元素的一個或多個區段以及與該區段相關聯的標籤的資訊，其中該第二結構元素在表徵該至少部分的設計資料中呈現，並且其中等效的第二結構元素與相同標籤相關聯； 對該第一標籤圖執行模擬以獲得一第二概率圖，該第二概率圖指示該第一標籤圖中的圖元對應於該一個或多個區段的模擬概率；以及 基於該第一概率圖和該第二概率圖生成一第二標籤圖，其中該第二標籤圖提供表示該第一結構元素的一個或多個區段以及與其相關聯的標籤的資訊，並且其中等效的第一結構元素與相同標籤相關聯，該第二標籤圖可用於以增強的可重複性對該圖像進行分割。
  15. 如請求項14所述的電腦化系統，其中該PMC配置為藉由下列步驟執行該類比： 基於該第一標籤圖中的每個給定圖元與離其一最近的邊緣之間的一相對距離來對該第一標籤圖執行一距離轉換以獲得一距離圖；以及 將該距離圖轉換成該第二概率圖，該第二概率圖提供該第一標籤圖中的該圖元對應於相對於該最近的邊緣的該一個或多個區段的類比概率的資訊。
  16. 如請求項14所述的電腦化系統，其中對於該第一標籤圖中的每個給定圖元，該相對距離包括：i）該給定圖元與離其一最近的邊緣之間的一距離，以及ii）該給定圖元相對於該最近的邊緣的一相對位置。
  17. 如請求項16所述的電腦化系統，其中該相對位置指示該給定圖元是位於輪廓包含該最近的邊緣的一給定第二結構元素之內，還是位於該給定第二結構元素之外。
  18. 如請求項14所述的電腦化系統，其中該PMC配置為藉由下列生成一第二標籤圖：組合該第一概率圖和該第二概率圖以獲得一組合的概率圖；以及使用一解析器處理該組合的概率圖，從而產生該第二標籤圖。
  19. 如請求項18所述的電腦化系統，其中該組合使用一預定權重因數來執行，該預定權重因數指示該圖像的分割的靈敏度和可重複性之間的一期望折衷位凖。
  20. 一種有形地體現一指令程式的非暫時性電腦可讀存儲媒體，該指令當由一電腦執行時使該電腦執行對一所製造的半導體樣本的一圖像進行分割的方法，該方法包含以下步驟： 獲得對應於該圖像的一第一概率圖，該第一概率圖表示該所製造的半導體樣本的至少一部分並且指示該圖像中的圖元對應於該圖像中呈現的一個或多個第一結構元素的預測概率，其中藉由使用深度學習模型處理該圖像來生成該第一概率圖； 獲得一第一標籤圖，該第一標籤圖提供表示第二結構元素的一個或多個區段以及與該區段相關聯的標籤的資訊，其中該第二結構元素在表徵該至少部分的設計資料中呈現，並且其中等效的第二結構元素與相同標籤相關聯； 對該第一標籤圖執行模擬以獲得一第二概率圖，該第二概率圖指示該第一標籤圖中的圖元對應於該一個或多個區段的模擬概率；以及 基於該第一概率圖和該第二概率圖生成一第二標籤圖，其中該第二標籤圖提供表示該第一結構元素的一個或多個區段以及與其相關聯的標籤的資訊，並且其中等效的第一結構元素與相同標籤相關聯，該第二標籤圖可用於以增強的可重複性對該圖像進行分割。
TW110118064A 2020-06-30 2021-05-19 半導體樣本的圖像分割 TW202217997A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/917,692 US11631179B2 (en) 2020-06-30 2020-06-30 Segmentation of an image of a semiconductor specimen
US16/917,692 2020-06-30

Publications (1)

Publication Number Publication Date
TW202217997A true TW202217997A (zh) 2022-05-01

Family

ID=79031273

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110118064A TW202217997A (zh) 2020-06-30 2021-05-19 半導體樣本的圖像分割

Country Status (5)

Country Link
US (1) US11631179B2 (zh)
JP (1) JP7530330B2 (zh)
KR (1) KR20220002084A (zh)
CN (1) CN113947561B (zh)
TW (1) TW202217997A (zh)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8170330B2 (en) * 2007-10-30 2012-05-01 Siemens Aktiengesellschaft Machine learning for tissue labeling segmentation
EP2463821A1 (en) * 2010-12-08 2012-06-13 Alcatel Lucent Method and system for segmenting an image
US9070047B2 (en) * 2011-12-27 2015-06-30 Microsoft Technology Licensing, Llc Decision tree fields to map dataset content to a set of parameters
JP6357108B2 (ja) * 2012-02-01 2018-07-11 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 被写体画像ラベリング装置、方法及びプログラム
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US10223615B2 (en) * 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
CN107274428B (zh) * 2017-08-03 2020-06-30 汕头市超声仪器研究所有限公司 基于仿真和实测数据的多目标三维超声图像分割方法
US10290087B2 (en) 2017-09-11 2019-05-14 Applied Materials Israel Ltd. Method of generating an examination recipe and system thereof
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
CN109272507B (zh) * 2018-07-11 2021-07-13 武汉科技大学 基于结构随机森林模型的相干光断层图像的层分割方法
CN109872374A (zh) * 2019-02-19 2019-06-11 江苏通佑视觉科技有限公司 一种图像语义分割的优化方法、装置、存储介质及终端
CA3074064A1 (en) * 2019-03-01 2020-09-01 The Regents Of The University Of California Systems, methods, and media for automatically segmenting and diagnosing prostate lesions using multi-parametric magnetic resonance imaging data
CN110378438A (zh) * 2019-08-07 2019-10-25 清华大学 标签容错下的图像分割模型的训练方法、装置及相关设备

Also Published As

Publication number Publication date
CN113947561A (zh) 2022-01-18
KR20220002084A (ko) 2022-01-06
JP7530330B2 (ja) 2024-08-07
JP2022013667A (ja) 2022-01-18
US20210407093A1 (en) 2021-12-30
US11631179B2 (en) 2023-04-18
CN113947561B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
TWI767108B (zh) 用於檢查半導體試樣的方法與系統及在其上紀錄相關指令的電腦可讀取媒體
US11205119B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
US11915406B2 (en) Generating training data usable for examination of a semiconductor specimen
TW201941112A (zh) 產生可用於檢查半導體樣品的訓練集之方法及其系統
US12007335B2 (en) Automatic optimization of an examination recipe
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
TWI786570B (zh) 生成可用於檢查半導體樣本的訓練集
US20230230349A1 (en) Identification of an array in a semiconductor specimen
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練
JP7530330B2 (ja) 半導体試料の画像のセグメンテーション
TWI857227B (zh) 生成可用於檢查半導體樣本的訓練資料
CN114841912B (zh) 基于参考图像来确定样本中的缺陷和/或边缘粗糙度
US11854184B2 (en) Determination of defects and/or edge roughness in a specimen based on a reference image