TW202226027A - 用於光學或其他模式選擇之深度生成模型 - Google Patents

Abstract

本發明提供用於選擇用於對一樣品執行之一程序的一工具之一模式的方法及系統。一個系統包含一或多個電腦子系統及由該一或多個電腦子系統執行之一或多個組件。該一或多個組件包含一生成對抗網路(GAN)，例如，一條件GAN (cGAN)。該(等)電腦子系統經組態以用於修改一樣品之設計資料之一部分以便產生該設計資料之一人為缺陷部分且藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至該GAN中而產生該樣品之所模擬影像。該(等)電腦子系統亦經組態以用於判定該等所模擬影像之一或多個特性且基於該一或多個所判定特性而選擇用於對該樣品執行之一程序的一工具之一模式。

Description

用於光學或其他模式選擇之深度生成模型

本發明一般而言係關於用於選擇用於對一樣品執行之一程序的一工具之一模式的方法及系統。

以下說明及實例並不由於其包含於此章節中而被認為係先前技術。

製作諸如邏輯及記憶體裝置之半導體裝置通常包含使用大量半導體製作程序來處理諸如一半導體晶圓之一基板以形成該等半導體裝置之各種特徵及多個層級。舉例而言，微影係涉及將一圖案自一倍縮光罩轉印至配置於一半導體晶圓上之一光阻劑的一半導體製作程序。半導體製作程序之額外實例包含但不限於化學機械拋光(CMP)、蝕刻、沈積及離子植入。可將多個半導體裝置製作於一單個半導體晶圓上之一配置中，且然後將其分離成個別半導體裝置。

在一半導體製造程序期間在各個步驟處使用檢驗程序來偵測晶圓上之缺陷以推動在該製造程序中之良率變高且因此利潤變高。檢驗始終係製作半導體裝置之一重要部分。然而，隨著半導體裝置之尺寸減小，檢驗對於成功製造出可接受半導體裝置變得更加重要，此乃因較小缺陷可能會導致裝置出故障。

設置大多數檢驗程序之一個重大障礙係識別充足數目個所關注缺陷(DOI)，該充足數目個所關注缺陷然後可用來設定該等檢驗程序之各種參數。舉例而言，舊方法依賴於DOI之可用性；然而，在諸多情形中，DOI實例之數目實質上受限制，而且例如在基於印刷校驗之缺陷應用之情形中可透過資料收集程序容易地損壞該等DOI實例。通常需要此等DOI來設定硬體參數(諸如光學或其他成像參數)及軟體類型參數(諸如缺陷分類設定、滋擾濾波器參數及諸如此類)兩者。當光學或其他檢驗工具更改缺陷及/或晶圓時或當缺陷係不可用的時，不可能進行恰當光學模式選擇。以此方式，若可能未在一或若干設置樣品上找到足夠DOI實例，則所得檢驗方案對於偵測及識別其他樣品上之彼等DOI可係次佳的。

雖然滋擾實例對於設置此等硬體及軟體參數亦可係有用的，但滋擾實例往往係極其容易地可用的。舉例而言，當設置一新檢驗程序時，可對一設置樣品執行一熱掃描，其中用於缺陷偵測之臨限值設定在檢驗系統輸出之雜訊基底處、該雜訊基底附近或甚至該雜訊基底中。因此，此一掃描可產生比所需要的多得多之滋擾實例，且彼等滋擾可使識別DOI實例特別困難，此乃因該等DOI實例需要與所有所偵測事件分離，大部分該等所偵測事件係滋擾。

因此，開發用於選擇用於對一樣品執行之一程序的一工具之一模式的系統及方法將係有利的，該等方法及系統不具有上文所闡述之缺點中之一或多者。

對各種實施例之以下說明不應以任何方式解釋為限制所附申請專利範圍之標的物。

一項實施例係關於一種經組態以選擇用於對一樣品執行之一程序的一工具之一模式的系統。該系統包含一或多個電腦子系統及由該一或多個電腦子系統執行之一或多個組件。該一或多個組件包含一生成對抗網路(GAN)。該一或多個電腦子系統經組態以用於修改一樣品之設計資料之一部分以便產生該設計資料之一人為缺陷部分。該一或多個電腦子系統亦經組態以用於藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至該GAN中而產生該樣品之所模擬影像。另外，該一或多個電腦子系統經組態以用於判定該等所模擬影像之一或多個特性且基於該一或多個所判定特性而選擇用於對該樣品執行之一程序的一工具之一模式。該系統可按照本文中之闡述來進一步組態。

另一實施例係關於一種用於選擇用於對一樣品執行之一程序的一工具之一模式的電腦實施之方法。該方法包含上文所闡述之修改、產生、判定及選擇步驟，該等步驟由一或多個電腦系統執行。可按照本文中之詳盡闡述來進一步執行該方法之該等步驟中之每一者。該方法可包含本文中所闡述之任何其他方法之任何其他步驟。該方法可由本文中所闡述之該等系統中之任一者執行。

另一實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一或多個電腦系統上執行以執行用於選擇用於對一樣品執行之一程序的一工具之一模式的一電腦實施之方法。該電腦實施之方法包含上文所闡述之方法之步驟。該電腦可讀媒體可按照本文中之闡述來進一步組態。可按照本文中之詳盡闡述來執行該電腦實施之方法之該等步驟。另外，其中可執行該等程式指令之該電腦實施之方法可包含本文中所闡述之任何其他方法之任何其他步驟。

如本文中互換地使用之術語「設計」、「設計資料」及「設計資訊」一般係指一IC或其他半導體裝置之實體設計(佈局)以及透過複雜模擬或簡單幾何及布林運算自實體設計導出之資料。該設計可包含在共同擁有之Zafar等人在2009年8月4日頒佈之第7,570,796號美國專利及Kulkarni等人在2010年3月9日頒佈之第7,676,077號美國專利中所闡述之任何其他設計資料或設計資料代理，該兩個美國專利如同完整陳述一般以引用方式併入本文中。另外，該設計資料可係標準單元庫資料、整合佈局資料、一或多個層之設計資料、設計資料之導出物及全部或部分晶片設計資料。此外，本文中所闡述之「設計」、「設計資料」及「設計資訊」係指由半導體裝置設計者在一設計程序中產生且因此在將設計印刷於任何實體樣品(諸如倍縮光罩及晶圓)上之前可良好地用於本文中所闡述之實施例中之資訊及資料。

如在本文中使用彼術語，「滋擾」(其有時與「滋擾缺陷」或「滋擾事件」互換地使用)一般定義為一使用者不關心之缺陷及/或在一樣品上偵測到但並非該樣品上之真正實際缺陷之事件。由於一樣品上之非缺陷雜訊源(例如，該樣品上之金屬線中之粒度、來自下墊層或該樣品上之材料之信號、線邊緣粗糙度(LER)、經圖案化特徵之相對小臨界尺寸(CD)變化、厚度變化等)及/或由於檢驗系統自身中之邊緣性或其用於檢驗之組態，可將實際上並非缺陷之滋擾偵測為事件。

如本文中所使用之術語「所關注缺陷(DOI)」經定義為在一樣品上偵測到且並非該樣品上之實際缺陷的缺陷。因此，該等DOI受一使用者關注，此乃因使用者一般關心經檢驗之樣品上有多少實際缺陷及何種實際缺陷。在某些情況下，術語「DOI」用來係指樣品上之所有實際缺陷之一子集，該自己僅包含一使用者關心之實際缺陷。舉例而言，任一給定樣品上可存在多個類型之DOI，且該等DOI中之一或多者可能比一或多個其他類型受到一使用者更大關注。然而，在本文中所闡述之實施例之內容脈絡中，術語「DOI」用來係指一樣品上之任何及所有真實缺陷。

現在轉向圖式，應注意，各圖並未按比例繪製。特定而言，各圖之元件中之某些元件之比例經極大地放大以強調該等元件之特性。亦應注意，各圖並未按相同比例繪製。已使用相同元件符號指示可具有類似組態之在不只一個圖中展示之元件。除非本文中另外提及，否則所闡述及所展示之元件中之任何元件可包含任何適合可商業購得元件。

一般而言，本文中所闡述之實施例包含用於經改良光學或其他模式選擇之諸如一生成對抗網路(GAN)之一深度生成模型或諸如一條件GAN (cGAN)的一類型之GAN。如本文中詳盡闡述，某些實施例形成出於模式選擇目的而使用一GAN或cGAN來執行缺陷擴增的一新方式。該等實施例形成藉由利用一GAN網路結構執行諸如亮場檢驗工具之工具之光學及其他模式選擇的若干新方式。

在某些實施例中，該樣品係一晶圓。該晶圓可包含半導體技術中已知之任何晶圓。儘管可在本文中關於一或若干晶圓闡述某些實施例，但該等實施例不限於可使用該等實施例之樣品。舉例而言，本文中所闡述之實施例可用於諸如倍縮光罩、平板、個人電腦(PC)板及其他半導體樣品之樣品。

一項實施例係關於一種經組態以選擇用於對一樣品執行之一程序的一工具之一模式的系統。在圖1中展示此一系統之一項實施例。該系統包含一或多個電腦子系統102及由該一或多個電腦子系統執行之一或多個組件104。在某些實施例中，該系統包含耦合至該一或多個電腦子系統之一工具，諸如一檢驗工具。舉例而言，在圖1中，該系統包含耦合至電腦子系統102之檢驗工具100。在圖1中所展示之實施例中，該工具組態為一基於光之檢驗工具。然而，在本文中所闡述之其他實施例中，該工具組態為一電子束或帶電粒子束檢驗工具。

一般而言，本文中所闡述之檢驗工具至少包含一能量源、一偵測器及一掃描子系統。該能量源經組態以產生由檢驗工具引導至一樣品之能量。該偵測器經組態以偵測來自樣品之能量且回應於該所偵測能量而產生輸出。該掃描子系統經組態以改變在樣品上之一位置，該能量經引導至該位置且自該位置偵測該能量。

在一基於光之檢驗工具中，經引導至樣品之能量包含光，且自樣品偵測之能量包含光。在圖1中所展示之系統之實施例中，該檢驗工具包含經組態以將光引導至樣品14之一照射子系統。該照射子系統包含至少一個光源，例如，光源16，如圖1中所展示。該照射子系統可經組態以將光依一或多個入射角(其可包含一或多個傾斜角及/或一或多個法向角)引導至樣品。舉例而言，如圖1中所展示，來自光源16之光穿過光學元件18及然後透鏡20依一傾斜入射角經引導至樣品14。該傾斜入射角可包含任何適合傾斜入射角，其可取決於(例如)樣品以及樣品上之待偵測缺陷之特性而變化。

該照射子系統可經組態以在不同時間將光依不同入射角引導至樣品。舉例而言，該檢驗工具可經組態以更改該照射子系統之一或多個元件之一或多個特性，使得可將光依與圖1中展示的不同之一入射角引導至樣品。在一項此類實例中，該檢驗工具可經組態以移動光源16、光學元件18及透鏡20，使得將光依一不同傾斜入射角或一法向(或幾乎法向)入射角引導至樣品。

在某些例項中，該檢驗工具可經組態以同時將光依不只一個入射角引導至樣品。舉例而言，該照射子系統可包含不只一個照射通道，該等照射通道中之一者可包含如圖1中所展示之光源16、光學元件18及透鏡20，且該等照射通道中之另一者(未展示)可包含可具有不同或相同組態之類似元件，或可至少包含一光源且可能包含一或多個其他組件(諸如本文中詳盡闡述之組件)。若此類光與其他光同時經引導至樣品，則依不同入射角經引導至樣品之光之一或多個特性(例如，波長、偏光等)可係不同的，使得由依不同入射角照射樣品引起之光可在偵測器處彼此區別開。

在另一例項中，該照射子系統可僅包含一個光源(例如，圖1中所展示之源16)，且可藉由該照射子系統之一或多個光學元件(未展示)將來自該光源之光分離至不同光學路徑中(例如，基於波長、偏振等)。該等不同光學路徑中之每一者中之光然後可經引導至樣品。多個照射通道可經組態以同時或在不同時間(例如，當不同照射通道用來依序照射樣品時)將光引導至樣品。在另一例項中，相同照射通道可經組態以在不同時間將具有不同特性之光引導至樣品。舉例而言，在某些例項中，光學元件18可經組態為一光譜濾波器，且該光譜濾波器之性質可以各種不同方式(例如，藉由將一個光譜濾波器換成另一光譜濾波器)來改變，使得可在不同時間將不同光波長引導至樣品。該照射子系統可具有此項技術中已知之用於依序或同時將具有不同或相同特性之光依不同或相同入射角引導至樣品之任何其他適合組態。

光源16可包含一寬頻電漿(BBP)光源。以此方式，由該光源產生且經引導至樣品之光可包含寬頻光。然而，該光源可包含任何其他適合光源，諸如一雷射。該雷射可包含此項技術中已知之任何適合雷射，且可經組態以產生此項技術中已知之任一(任何)適合波長下之光。該雷射可經組態以產生單色或接近單色之光。以此方式，該雷射可係一窄頻雷射。該光源亦可包含產生多個離散波長或波段下之光之一多色光源。

可藉由透鏡20將來自光學元件18之光聚焦至樣品14上。儘管在圖1中將透鏡20展示為一單個折射光學元件，但實際上，透鏡20可包含組合地將來自光學元件之光聚焦至樣品之若干個折射及/或反射光學元件。在圖1中所展示且在本文中所闡述之照射子系統可包含任何其他適合光學元件(未展示)。此類光學元件之實例包含但不限於偏光組件、光譜濾波器、空間濾波器、反射光學元件、切趾器、分束器、光闌以諸如此類，其等可包含此項技術中已知之任何此類適合光學元件。另外，該系統可經組態以基於待用於程序之照射類型而更改照射子系統之元件中之一或多者。

該檢驗工具亦包含經組態以改變在樣品上之位置(將光引導至其且自其偵測光)且可能致使光在樣品上方進行掃描之一掃描子系統。舉例而言，該檢驗工具可包含載台22，在檢驗期間樣品14安置於載台22上。該掃描子系統可包含任何適合機械及/或機器人總成(其包含載台22)，該機械及/或機器人總成可經組態以移動樣品使得可將光引導至在樣品上之不同位置及自該等不同位置偵測光。另外或另一選擇係，該檢驗工具可經組態使得該檢驗工具之一或多個光學元件執行光在樣品上方進行某一掃描，使得可將光引導至在樣品上之不同位置且自該等不同位置偵測光。在其中使光在樣品上方進行掃描之例項中，可使光在樣品上方以任一適合方式(諸如以一蛇形樣路徑或以一螺旋形路徑)掃描。

該檢驗工具進一步包含一或多個偵測通道。該(等)偵測通道中之至少一者包含一偵測器，該偵測器經組態以藉由工具偵測由於照射樣品而產生的來自樣品之光且回應於該所偵測光而產生輸出。舉例而言，圖1中所展示之檢驗工具包含兩個偵測通道，一個由集光器24、元件26及偵測器28形成且另一個由集光器30、元件32及偵測器34形成。如圖1中所展示，該兩個偵測通道經組態以依不同收集角度收集光且偵測光。在某些例項中，兩個偵測通道皆經組態以偵測所散射光，且該等偵測通道經組態以偵測依不同角度自樣品散射之光。然而，該等偵測通道中之一或多者可經組態以偵測來自樣品之另一類型之光(例如，經反射光)。

如圖1中詳盡展示，兩個偵測通道皆經展示定位於紙張之平面中且照射子系統亦經展示定位於紙張之平面中。因此，在此實施例中，兩個偵測通道皆定位於(例如，定中心於)入射平面中。然而，該等偵測通道中之一或多者可定位於入射平面以外。舉例而言，由集光器30、元件32及偵測器34形成之偵測通道可經組態以收集並偵測散射至入射平面以外之光。因此，此一偵測通道可通常稱為一「側」通道，且此一側通道可定中心於實質上垂直於入射平面之一平面中。

儘管圖1展示包含兩個偵測通道之檢驗工具之一實施例，但檢驗工具可包含不同數目個偵測通道(例如，僅一個偵測通道或者兩個或多於兩個偵測通道)。在一項此類實例中，由集光器30、元件32及偵測器34形成之偵測通道可形成如上文所闡述之一個側通道，且該檢驗工具可包含形成為定位於入射平面之相對側上之另一側通道的一額外偵測通道(未展示)。因此，該檢驗工具可包含偵測通道，該偵測通道包含集光器24、元件26及偵測器28且定中心於入射平面中且經組態以依處於或接近於樣品表面之法線之(若干)散射角收集光且偵測光。此偵測通道因此可通常稱為一「頂部」通道，且該檢驗工具亦可包含按照上文之闡述來組態之兩個或多於兩個側通道。照此，該檢驗工具可包含至少三個通道(亦即，一個頂部通道及兩個側通道)，且該至少三個通道中之每一者具有其自身之集光器，該等集光器中之每一者經組態以依與其他集光器中之每一者不同之散射角收集光。

如上文詳盡闡述，包含於檢驗工具中之偵測通道中之每一者可經組態以偵測所散射光。因此，圖1中所展示之檢驗工具可經組態以用於樣品之暗場(DF)檢驗。然而，而且或另一選擇係，該檢驗工具可包含經組態以用於樣品之亮場(BF)檢驗之(若干)偵測通道。換言之，檢驗工具可包含經組態以偵測自樣品鏡面反射之光之至少一個偵測通道。因此，本文中所闡述之檢驗工具可經組態以用於僅DF、僅BF或DF與BF兩者之檢驗。儘管在圖1中將集光器中之每一者展示為單個折射光學元件，但應理解，集光器中之每一者可包含一或多個折射光學元件及/或一或多個反射光學元件。

一或多個偵測通道可包含此項技術中已知之任何適合偵測器，諸如光電倍增管(PMT)、電荷耦合裝置(CCD)及時間延遲積分(TDI)相機。該等偵測器亦可包含非成像偵測器或成像偵測器。若該等偵測器係非成像偵測器，則該等偵測器中之每一者可經組態以偵測光之特定特性(諸如強度)，但不可經組態以依據在成像平面內之位置而偵測此等特性。如此，由包含於偵測通道中之每一者中之偵測器中之每一者產生之輸出可係信號或資料，而非影像信號或影像資料。在此等例項中，一電腦子系統(諸如檢驗工具之電腦子系統36)可經組態以依據偵測器之非成像輸出產生樣品之影像。然而，在其他例項中，該等偵測器可經組態為成像偵測器，該等成像偵測器經組態以產生成像信號或影像資料。因此，該檢驗工具可經組態以依若干種方式產生影像。

應注意，本文中提供圖1以大體上圖解說明可包含於本文中所闡述之系統實施例中之一檢驗工具之一組態。顯然，本文中所闡述之檢驗工具組態可經變更以最佳化檢驗工具之效能，如在設計一商業檢驗系統時通常所執行。另外，可使用諸如可自加利福尼亞州苗必達市之KLA商業購得之29xx/39xx系列工具之一現有檢驗工具(例如，藉由將本文中所闡述之功能性添加至一現有檢驗工具)來實施本文中所闡述之系統。針對某些此等系統，可提供本文中所闡述之方法作為檢驗工具之選用功能性(例如，除檢驗工具之其他功能性之外)。另一選擇係，本文中所闡述之檢驗工具可「從頭開始」設計以提供一全新檢驗工具。

電腦子系統36可以任何適合方式(例如，經由一或多個傳輸媒體，其可包含「有線」及/或「無線」傳輸媒體)耦合至檢驗工具之偵測器，使得電腦子系統可接收由偵測器產生之輸出。電腦子系統36可經組態以使用偵測器之輸出執行若干個功能。例如，該電腦子系統可經組態以使用偵測器之輸出偵測樣品上之事件。可藉由將某一缺陷偵測演算法及/或方法(其可包含此項技術中已知之任何適合演算法及/或方法)施加至由偵測器產生之輸出而執行偵測樣品上之事件。舉例而言，該電腦子系統可比較偵測器之輸出與一臨限值。具有高於臨限值之值之任何輸出可經識別為一事件(例如，一可能缺陷)，而具有低於臨限值之值之任何輸出可未經識別為一事件。

檢驗工具之電腦子系統可按照本文中之闡述來進一步組態。舉例而言，電腦子系統36可係本文中所闡述之一或多個電腦子系統之一部分或可組態為本文中所闡述之一或多個電腦子系統。特定而言，電腦子系統36可經組態以執行本文中所闡述之步驟。照此，可由係一檢驗工具之一部分之一電腦系統或子系統「在工具上」執行本文中所闡述之步驟。

檢驗工具之電腦子系統(以及本文中所闡述之其他電腦子系統)亦可在本文中稱為(若干)電腦系統。本文中所闡述之電腦子系統或系統中之每一者可呈各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路器具、網際網路器具或其他裝置。一般而言，術語「電腦系統」可廣義地定義為囊括具有一或多個處理器之執行來自一記憶體媒體之指令之任何裝置。該(等)電腦子系統或系統亦可包含此項技術中已知之任何適合處理器，諸如一並行處理器。另外，該(等)電腦子系統或系統可包含具有高速度處理及軟體之一電腦平臺作為一獨立或一網路連接工具。

若該系統包含不只一個電腦子系統，則不同電腦子系統可彼此耦合，使得影像、資料、資訊、指令等可在電腦子系統之間發送。舉例而言，電腦子系統36可藉由任何適合傳輸媒體耦合至電腦子系統102，如在圖1中由虛線所展示，該等傳輸媒體可包含此項技術中已知之任何適合有線及/或無線傳輸媒體。此等電腦子系統中之兩者或多於兩者亦可藉由一共用電腦可讀儲存媒體(未展示)而有效地耦合。

儘管檢驗工具在上文經闡述為係一光學或基於光之檢驗工具，但在另一實施例中，該工具組態為一電子束檢驗工具。在一電子束檢驗工具中，經引導至樣品之能量包含電子，且自樣品偵測到之能量包含電子。在圖1a中所展示之一項此類實施例中，檢驗工具包含電子柱122，且系統包含耦合至檢驗工具之電腦子系統124。電腦子系統124可按照上文之闡述來組態。另外，此一檢驗工具可以上文所闡述且圖1中所展示之相同方式耦合至另外一或多個電腦子系統。

亦如圖1a中所展示，電子柱包含電子束源126，電子束源126經組態以產生藉由一或多個元件130而聚焦至樣品128之電子。該電子束源可包含(舉例而言)一陰極源或發射體尖端，且一或多個元件130可包含(舉例而言)一槍透鏡、一陽極、一限束孔徑、一閘閥、一束電流選擇孔徑、一物鏡以及一掃描子系統，所有該等元件皆可包含此項技術中已知之任何此類適合元件。

自樣品返回之電子(例如，次級電子)可藉由一或多個元件132而聚焦至偵測器134。一或多個元件132可包含(舉例而言)一掃描子系統，該掃描子系統可係包含於元件130中之相同掃描子系統。

電子柱可包含此項技術中已知之任何其他適合元件。另外，電子柱可按照以下各項中之闡述來進一步組態：Jiang等人在2014年4月4日頒佈之第8,664,594號美國專利、Kojima等人在2014年4月8日頒佈之第8,692,204號美國專利、Gubbens等人在2014年4月15日頒佈之第8,698,093號美國專利以及MacDonald等人在2014年5月6日頒佈之第8,716,662號美國專利，該等美國專利如同完整陳述一般以引用方式併入本文中。

儘管電子柱在圖1a中展示為經組態使得電子以一傾斜入射角經引導至樣品且以另一傾斜角自樣品散射，但電子束可以任何適合角度經引導至樣品及自樣品散射。另外，如本文中詳盡闡述，電子束檢驗工具可經組態以使用多個模式來產生樣品之輸出(例如，以不同照射角度、收集角度等)。電子束檢驗工具之多個模式可在檢驗工具之任何輸出產生參數方面不同。

電腦子系統124可耦合至偵測器134，如上文所闡述。該偵測器可偵測自樣品之表面返回之電子，藉此形成樣品之電子束影像(或其它輸出)。該等電子束影像可包含任何適合電子束影像。電腦子系統124可經組態以使用由偵測器134產生之輸出偵測樣品上之事件，此操作可按照上文之闡述或以任何其他適合方式來執行。電腦子系統124可經組態以執行本文中所闡述之任何額外步驟。包含圖1a中所展示之檢驗工具之一系統可按照本文中之闡述來進一步組態。

應注意，在本文中提供圖1a以大體上圖解說明可包含於本文中所闡述之實施例中之一電子束檢驗工具之一組態。正如上文所闡述之光學檢驗工具，可更改本文中所闡述之電子束檢驗工具以最佳化檢驗工具之效能，如在設計一商業檢驗系統時通常所執行。另外，本文中所闡述之系統可使用一現有檢驗工具來實施(例如，藉由將本文中所闡述之功能性添加至一現有檢驗工具)，諸如可自KLA商業購得之工具。針對某些此等系統，可提供本文中所闡述之方法作為系統之選用功能性(例如，除系統之其他功能性之外)。另一選擇係，本文中所闡述之系統可「從頭開始」設計以提供一全新系統。

儘管檢驗工具在上文經闡述為係一光或電子束檢驗工具，但該工具可係一離子束檢驗工具。此一檢驗工具可如圖1a中所展示而組態，除了電子束源可替換為此項技術中已知之任何適合離子束源。另外，檢驗工具可包含任何其他適合離子束成像工具，諸如包含於可商業購得之聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及次級離子質譜(SIMS)系統中之離子束成像工具。

如上文詳盡所述，該工具可經組態以具有多個模式。一般而言，一「模式」由用來產生樣品之輸出之工具之參數值定義。因此，不同之模式在工具之光學或電子束參數中之至少一者之值方面可係不同的(除產生輸出的樣品上之位置以外)。舉例而言，對於一基於光之檢驗工具，不同模式可使用不同波長之光。該等模式可在經引導至樣品之光波長方面有所不同，如本文中針對不同模式詳盡闡述(例如，藉由使用不同光源、不同光譜濾波器等)。在另一實施例中，不同模式可使用不同照射通道。舉例而言，如上文所述，檢驗工具可包含不只一個照射通道。如此，不同照射通道可用於不同模式。

多個模式亦可在照射及/或收集/偵測方面有所不同。舉例而言，如上文詳盡闡述，工具可包含多個偵測器。該等偵測器中之一者可用於一個模式，且該等偵測器中之另一者可用於另一模式。此外，該等模式可以本文中所闡述之不只一個方式彼此不同(例如，不同模式可具有一或多個不同照射參數及一或多個不同偵測參數)。工具可經組態以在同一掃描或不同掃描中以不同模式掃描樣品，例如，取決於使用多個模式來同時掃描樣品之能力。

本文中所闡述之工具可組態為另一類型之半導體相關程序/品質控制類型工具，諸如一缺陷複檢工具及一計量工具。舉例而言，本文中所闡述以及圖1及圖1a中所展示之工具之實施例可取決於將使用該等工具之應用而在一或多個參數方面經修改以提供不同成像能力。在一項實施例中，本文中所闡述之電子束檢驗工具組態可經修改以組態為一電子束缺陷複檢工具。舉例而言，圖1a中所展示之工具可經組態以在其將用於缺陷複檢或計量而非用於檢驗之情況下具有一較高解析度。換言之，圖1及圖1a中所展示之工具之實施例闡述一工具之某些一般性及各種組態，該等組態可以熟習此項技術者將熟知之若干種方式來調整以產生具有或多或少適合於不同應用之不同成像能力之工具。

如上文所述，該等工具可經組態以將能量(例如，光、電子)引導至樣品之一實體版本及/或使能量在樣品之一實體版本上方進行掃描，藉此產生樣品之該實體版本之實際影像。以此方式，該等工具可組態為「實際」成像工具，而非「虛擬」工具。圖1中所展示之一儲存媒體(未展示)及電腦子系統102可組態為一「虛擬」工具。共同受讓之Bhaskar等人在2012年2月28日頒佈之第8,126,255號美國專利及Duffy等人在2015年12月29日頒佈之第9,222,895號美國專利中闡述了組態為「虛擬」檢驗工具之系統及方法，該兩個美國專利如同完整陳述一般以引用方式併入本文中。本文中所闡述之實施例可按照此等專利中之闡述來進一步組態。

由一或多個電腦子系統執行之一或多個組件包含圖1中所展示之生成對抗網路(GAN) 106。在一項實施例中，藉助由工具產生的樣品或與樣品相同類型之另一樣品之影像以及樣品或另一樣品之設計資料來訓練該GAN。可能或可能不由一或多個電腦子系統及/或該(等)電腦子系統所執行之該(等)組件中之一者訓練該GAN。舉例而言，另一方法或系統可訓練該GAN，其然後可經儲存以用作由該(等)電腦子系統執行之該(等)組件。

圖2展示使用一GAN或一cGAN以使用各種不同光學或其他模式產生光學或其他影像之光學或其他模式選擇之一個可能流程。在圖2中展示可由一或多個電腦子系統執行以訓練該GAN之某些步驟。儘管圖2展示可在將一GAN用於資料擴增之一方法中執行之步驟，但亦可針對其他應用執行圖2中所展示之步驟中之某些步驟。舉例而言，可執行步驟200、202及204以訓練一GAN，而不管該GAN將用於本文中所闡述之應用中之哪一者。

如步驟200中所展示，該(等)電腦子系統可針對工具之各種模式將光學影像對準至設計。可使用像素與設計對準(PDA)或另一適合對準方法執行此對準。若正在針對一不同種類之影像訓練GAN，則可在圖2中所展示之步驟中將光學影像替換為另一類型之(例如，電子束)影像。可以此項技術中已知之任何適合方式執行PDA，在Kulkarni等人之上文所引用專利中闡述PDA之某些實例。可針對樣品上之任何一或多個對準目標執行PDA以藉此判定影像與設計偏移，該等影像與設計偏移然後可由該(等)電腦子系統用來識別樣品之一設計之哪一部分對應於針對樣品所產生之一影像。

如步驟202中所闡述，該(等)電腦子系統可針對工具之不同光學模式執行影像資料收集。儘管在圖2中關於「光學模式」闡述某些步驟，但而且或另一選擇係，可針對本文中所闡述之任何其他模式選擇(例如，電子或離子束模式選擇)執行此圖中所展示之步驟。影像資料收集可包含針對不同模式中之所有(或至少某些)模式運行一熱掃描或一目標位置掃描以獲得若干對光學影像及設計剪輯。如在本文中使用彼術語，一「設計剪輯」一般定義為一樣品之一整個設計之一相對小部分。該術語「設計剪輯」在本文中與片語「設計資料之部分」互換地使用。

可以此項技術中已知之任何適合方式執行熱掃描。一般而言，一「熱」掃描涉及掃描一樣品且使用一「熱」臨限值(例如，在藉由掃描而產生之輸出之雜訊基底處、在該雜訊基底附近或甚至在該雜訊基底中之一臨限值)偵測該樣品上之事件。當使用一熱掃描執行資料收集時，工具可掃描樣品上之一(相對大)預選定區，甚至高達樣品之一全部。相比之下，對於目標位置掃描，可掃描樣品上之僅預選定數目個離散區。可以任一方式來選擇該等預選定離散區，諸如基於樣品上之所關注區、可能定位有DOI之區、不預期DOI之區等。

當資料收集包含一目標位置掃描時，可在將一臨限值或缺陷偵測方法或演算法施加至影像之情況下或在不將一臨限值或缺陷偵測方法或演算法施加至影像之情況下使目標位置成像。該臨限值或缺陷偵測方法或演算法可與在一熱掃描中所使用的相同或可係一不同臨限值或缺陷偵測方法或演算法。出於本文中所闡述之目的，針對資料收集執行之任何熱掃描亦可能未必包含將一臨限值施加至藉由掃描而產生之影像。另外，在步驟202中執行之資料收集可包含一熱掃描與一目標位置掃描之某一組合。

對於在資料收集中偵測到之任何事件，該(等)電腦子系統可形成若干對光學影像及其對應設計剪輯。可針對在資料收集中偵測到之事件中之僅某些或所有事件形成該等對。一般而言，可針對並非所有該等事件形成該等對，此乃因熱掃描一般將偵測比任何一個應用所需要的多得多之事件。該(等)電腦子系統可對哪些事件用來以任何適合方式形成影像與設計剪輯對進行取樣或選擇。亦可針對未偵測到事件之位置形成該等影像與設計剪輯對。以此方式，該等影像與設計剪輯對可係針對樣品上之「良好」位置。在某些此等實施例中，資料收集可能根本未偵測到樣品上之事件，而是可能僅僅收集然後可與對應設計剪輯成對之影像。無論是否用於事件，可使用上文所闡述之影像與設計偏移識別對應影像與設計剪輯並將其配對。

在其中使用設計及光學影像來訓練GAN (亦即，生成器-鑑別器網路(NW))之步驟204中，然後可使用由步驟202產生之影像與設計剪輯對作為一訓練集，其中設計剪輯經指定為訓練輸入且對應影像經指定為訓練輸出。可按照本文中之詳盡闡述來執行GAN之訓練。在某些實施例中，該(等)電腦子系統可經組態以執行步驟200、202及204。另一選擇係，不同電腦子系統或系統可經組態以執行步驟200、202及204。舉例而言，一第一電腦子系統可經組態以藉由執行步驟200及202而產生訓練集，一第二電腦子系統可經組態以在步驟204中訓練GAN，且第一及第二電腦子系統可能包含於或可能不包含於本文中所闡述之實施例之該(等)電腦子系統中。

訓練可包含將訓練輸入輸入至GAN中且更改GAN之一或多個參數直至由GAN產生之輸出匹配(或實質上匹配)訓練輸出為止。訓練可包含更改GAN之任何一或多個可訓練參數。經訓練的GAN之一或多個參數可針對具有可訓練權重的GAN之任一層包含一或多個權重。在一項此類實例中，該等權重可包含針對卷積層而非池化層之權重。

如上文所提及，由一或多個電腦子系統執行之一或多個組件包含一深度生成模型，例如，圖1中所展示之GAN 106。一般而言，「深度學習」(DL) (亦稱為深度結構化學習、階層式學習或深度機器學習)係基於嘗試將資料中之高階抽象模型化之一組演算法的機器學習(ML)之一分支。在一簡單情形中，可存在兩組神經元：一組神經元接收一輸入信號且一組神經元發送一輸出信號。當輸入層接收一輸入時，其將該輸入之一經修改版本傳遞至下一層。在一基於DL之模型中，在輸入與輸出之間通常存在諸多層(且該等層並非由神經元構成但其可有助於像神經元一樣思考)，從而允許演算法使用由多個線性及非線性變換組成之多個處理層。

DL係基於資料之學習表示之較寬廣系列ML方法之一部分。一觀測(例如，一影像)可以諸多方式(諸如每像素之強度值之一向量)或以一更抽象方式(如一組邊緣、特定形狀之區等)來表示。在簡化學習任務(例如，面部辨識或面部表情辨識)時，某些表示優於其他表示。DL之前景之一係用高效演算法替換手繪特徵以用於無人監控或半監控式特徵學習及階層式特徵提取。

一「生成」模型一般可定義為本質上係概率性之一模型。換言之，一「生成」模型並非執行正向模擬或基於規則之方法之模型，且照此，在產生一實際影像時涉及之程序之物理學之一模型係不必要的。相反，如本文中詳盡闡述，可基於一適合訓練資料集來學習該生成模型(原因在於可學習其參數)。該生成模型可經組態以具有一DL架構，該DL架構可包含執行若干個演算法或變換之多個層。包含於該生成模型中之層數可係用例相依的。出於實際目的，一適合層範圍係自2個層至幾十個層。學習樣品影像(例如，實際晶圓之影像與設計(例如，CAD或預定佈局之一向量表示)之間的聯合概率分佈(平均數及變異數)之深度生成模型可按照本文中之詳盡闡述來組態。

在一項實施例中，該深度生成模型係一GAN。在另一實施例中，該深度生成模型係一cGAN。該深度生成模型亦可包含此項技術中已知之任何其他適合類型之GAN。

一般而言，GAN由兩個對抗模型(擷取資料分佈之一生成模型 G及估計一給定樣本來自訓練資料而非 G之概率的一鑑別模型 D)組成。 G及 D可係一多層感知器，亦即，一非線性映射函數。生成器構建自一先前雜訊分佈 p _z(z) 至資料空間 G(z ；θ _g) 之一映射函數以便學習關於資料 x之一生成器分佈 p _g ，其中 G係由具有參數 θ _g 之一多層感知器表示之一可微函數。訓練生成器以產生無法與真實資料分佈或實況資料分佈區分開之所模擬輸出。訓練經對抗訓練之鑑別器以偵測由生成器形成之偽值。儘可能好地訓練生成器及鑑別器兩者，使得生成器產生極其良好「偽」輸出。

當將GAN擴展至一條件模型(cGAN)時，藉由以下方式關於某些額外資訊 y對鑑別器及生成器兩者進行調節：將 y作為一額外輸入層饋送至鑑別器及生成器中。

GAN之靈感來自博弈論，其中一生成器 G及一評論家(亦即，鑑別器 D)彼此競爭以使彼此更強大。目標係使所產生資料分佈 p _g 與由Jensen-Shannon散度評估之真實樣本分佈 p _r 儘可能地類似：

其中 D _KL 係如下定義之Kullback-Leibler散度：

且

給定一隨機雜訊變數輸入 z，生成器輸出合成樣本。隨著時間推移，生成器受到訓練以藉由使鑑別器拒斥被其視為不良偽值之影像而擷取真實資料分佈。

對於條件GAN，關於某些額外資訊 y(其在本文中所闡述之實施例中將係設計剪輯)對生成器及鑑別器進行調節。目標為 L(D ，G)之以下最小最大遊戲闡述該設定：

此意味 G經訓練以增加 D產生一偽實例之一高概率之機會，因此最小化

。吾等亦需要藉由最大化編碼

而確保關於真實資料之鑑別器決策係準確的，且給定一偽樣本 G(z)，藉由最大化

而預期鑑別器輸出接近於零之一概率 D( G(z))。

圖3展示藉由向生成器網路提供一設計影像而執行之cGAN訓練。特定而言，如圖3中所展示，將條件資訊Y 300 (諸如設計影像302或一條件影像之額外資料)與潛在空間向量z 304一起輸入至生成器網路306。因此，生成器網路306輸出所產生影像X _fake308，其係一所模擬樣品影像，例如，所模擬樣品影像310。在此情形中，真實影像X _real312係一樣品在形成設計影像302中所展示之設計之部分的樣品上之一位置處之實際光學影像314。以此方式，諸如一設計影像之條件資訊Y 300可係一訓練集中之一訓練輸入，且真實影像X _real312可係經指定為訓練集中之一訓練輸出的一樣品之其對應影像。

潛在空間向量可具有此項技術中已知之任何適合組態。一般而言，潛在空間向量表示僅僅由雜訊組成之一初始影像，亦即，具有隨機指派之灰度值之像素。出於計算原因，藉由將影像中之每一列緊挨著彼此縫合而將此影像儲存為一向量，使得一2D影像(例如，32個像素乘32個像素)成為一對應大小之向量，例如，一1 × 1024大小之向量。可將某些資訊(例如，色彩)添加至此隨機性以將深度生成模型導引至一特定方向中。

所產生影像X _fake308及條件資訊Y 300經組合為至鑑別器網路320之一第一輸入。真實影像X _real312及條件資訊Y 316 (例如，設計影像318)經組合為至鑑別器網路320之一第二輸入。在此情形中，條件資訊Y 300及316係相同設計之相同部分之不同例項。鑑別器網路可產生輸入至一損失函數(未展示)之輸出，此可產生係所產生片塊影像係一真正或良好「偽」影像之概率的輸出P (真) 322。

各圖中所展示之設計、真實及所產生影像中之每一者不意欲圖解說明可使用本文中所闡述之實施例的其任何特定樣品或特性。以一類似方式，各圖中所展示之真實及所產生影像中之每一者不意欲圖解說明可為樣品產生之任何特定實際或所模擬影像。替代地，各圖中所展示之設計、真實及所產生影像僅僅意欲促進對本文中所闡述之實施例之理解。實際上自生成器輸入及輸出之影像將取決於樣品及與其設計有關之其特性以及產生樣品之實際影像(其用來訓練GAN，藉此影響由GAN產生之所模擬影像)的工具之組態而變化。

損失函數可係此項技術中已知之任何適合損失函數，諸如Isola等人在如同完整陳述一般以引用方式併入本文中之「Image-to-Image Translation with Conditional Adversarial Networks」(IEEE電腦視覺及模式辨識會議(CVPR)，2017年，第1125頁至第1134頁)中所揭示之損失函數。本文中所闡述之實施例可按照此參考文獻中之闡述來進一步組態。圖3中所展示之生成器及鑑別器網路可按照本文中之闡述來進一步組態。

在圖5中展示可包含於按照本文中之闡述來組態之一GAN之實施例中之一生成器之一實例。一般而言，該GAN可包含經逐漸減少取樣直至一瓶頸層且然後顛倒程序為止之一編碼器-解碼器網路。如圖5中所展示，生成器可包含編碼器500及解碼器502。編碼器500中所展示之區塊506、508及510中之每一者表示在重複卷積、批次正規化及修正線性單元(ReLU)啟動以及在每一區段之末尾施加最大池化之後最終輸出層大小之一實例。儘管編碼器500在圖5中經展示為包含3個區塊，但編碼器可包含可以此項技術中已知之任何適合方式來判定之任何適合數目個區塊。另外，區塊、卷積層、批次正規化層、ReLU層及池化層中之每一者可具有此項技術中已知之任何適合組態。在本文中所闡述之實施例中係設計資料之一部分之輸入504可輸入至區塊506中，區塊506之輸出可輸入至區塊508，以此類推。編碼器可產生特徵層512。

解碼器亦可包含對輸入至解碼器之特徵層512執行不同功能之多個區塊。解碼器中之區塊514、516及518中之每一者表示在重複增加取樣(轉置卷積)及ReLU啟動之後最終輸出層大小之一實例。儘管解碼器502在圖5中經展示為包含3個區塊，但解碼器可包含可以此項技術中已知之任何適合方式來判定之任何適合數目個區塊。包含於解碼器中之該等區塊以及增加取樣及ReLU層中之每一者可具有此項技術中已知之任何適合組態。由編碼器產生之特徵層512可輸入至區塊514，區塊514之輸出可輸入至區塊516，以此類推。解碼器之輸出520可係本文中所闡述之所模擬影像中之任一者。

在某些例項中，GAN可包含編碼器及解碼器中之對應區塊之間(例如，區塊506與518之間、區塊508與516之間及區塊510與514之間)的跳躍連接522。可跳躍該等連接以在該等區塊之間轉移已經學習之低位準資訊。跳躍連接可具有以此項技術中已知之任何適合方式來判定之任何適合組態。圖5中在輸入及輸出下面之數字分別指示輸入及輸出之大小。編碼器中之區塊下面之數字指示區塊之輸出之大小，且解碼器中之區塊下面之數字指示區塊中之每一者之輸入之大小。

在圖6中展示可包含於按照本文中之闡述來組態之一GAN之實施例中之一鑑別器之一實例。至鑑別器之輸入600可包含兩個影像(圖6中未展示)，由GAN之生成器產生之影像及原始影像。鑑別器可包含若干個層，包含層602、604、606、608及610，其中之每一者可包含卷積、ReLU及最大池化層之某一組合。卷積、ReLU及最大池化層可具有此項技術中已知之任何適合組態。鑑別器之輸出612可係P(x)，所模擬影像與原始影像匹配得有多好之概率或所模擬影像係一良好「偽」影像或一不良「偽」影像之概率。圖6中在輸入下面之數字指示輸入之大小。鑑別器中之層下面之數字指示層之輸出之大小。儘管在圖6中展示具有特定數目個層之鑑別器，但包含於本文中所闡述之實施例之GAN中之鑑別器可具有以此項技術中已知之任何適合方式來判定之任何適合數目個層。

深度生成模型可係一GAN、一cGAN或此項技術中已知之任何其他適合類型之GAN。對GAN及cGAN之大體架構及組態之額外說明可存在於以下各項中：Brauer在2021年1月8日提出申請之第17/170,688號美國專利申請案；及Brauer等人在2021年5月5日提出申請之第17/308,878號美國專利申請案，且存在於以下各項中：「Generative Adversarial Nets」，Goodfellow等人，arXiv:1406.2661，2014年6月10日，9頁；「Semi-supervised Learning with Deep Generative Models」，Kingma等人，NIPS 2014，2014年10月31日，第1至9頁；「Conditional Generative Adversarial Nets」，Mirza等人，arXiv:1411.1784，2014年11月6日，7頁；「Adversarial Autoencoders」，Makhzani等人，arXiv:1511.05644v2，2016年5月25日，16頁；及「Image-to-Image Translation with Conditional Adversarial Networks」，Isola 等人，arXiv:1611.07004v2，2017年11月22日，17頁，該等各項如同完整陳述一般以引用方式併入本文中。本文中所闡述之實施例可按照此等參考文獻中之闡述來進一步組態。

儘管某些實施例在本文中經闡述(僅為了清晰及簡單)為產生一樣品之「所模擬影像」，但本文中所闡述之GAN可用來產生僅受輸入至GAN之設計資料之部分限制之任一數目個所模擬影像。另外，儘管某些實施例在本文中經闡述(又僅為了清晰及簡單)為產生「一樣品」之所模擬影像，但本文中所闡述之實施例不限於產生僅一個樣品之所模擬影像。在某些實施例中，當所模擬影像係用來選擇模式之增強缺陷影像時，可能需要產生僅一個樣品之所模擬影像。

在一項實施例中，所模擬影像係所模擬光學影像。以此方式，所模擬影像圖解說明樣品如何出現在由諸如一光學檢驗工具之一光學成像工具產生之實際影像中。如此，所模擬影像可表示(例如，對應、模擬或約計)可由一光學成像工具產生的樣品之影像。可以本文中詳盡闡述之各種方式來使用此等所模擬光學影像。因此，本文中所闡述之實施例之一個新穎特徵係其提供一種用於改良針對光學片塊影像之人為產生使用一GAN或cGAN之光學模式選擇的方法。

在另一實施例中，產生所模擬影像所針對之樣品未包含於用於訓練GAN之一或多個樣品中。舉例而言，用來產生訓練資料(其然後用來訓練一GAN)之一或多個樣品可不同於使用GAN來產生所模擬影像所針對之樣品。以此方式，可使用一或多個訓練樣品來產生訓練資料，且可為一「模式設置」樣品產生所模擬影像。該(等)訓練樣品及模式設置樣品可係同一類型之樣品，例如，其可具有相同設計且可已使用相同製作程序步驟來處理，儘管如本文中詳盡闡述，情況未必始終如此。另外，經訓練GAN可用於產生不只一個模式設置樣品之所模擬影像。

在一額外實施例中，產生所模擬影像所針對之樣品之一設計不同於用來訓練GAN之一或多個樣品之一或多個設計。舉例而言，如上文所闡述，產生所模擬影像所針對之樣品可不相同於用來訓練GAN之一或多個樣品(或包含於該一或多個樣品中)。一般而言，用來訓練GAN之一或多個樣品及模擬影像所針對之樣品可具有相同設計且可已在相同程序中經處理(且因此係為同一「層」)。以此一方式訓練GAN將確保所模擬影像最緊密地類似實際影像。

但在某些情形中，一第一樣品可具有與一第二樣品類似之足夠特性(例如，經圖案化特徵、材料等)，使得在第一樣品上訓練之一GAN可用來產生第二樣品之所模擬影像，即使第一樣品及第二樣品不具有相同設計。在此等情形中，由經訓練GAN產生之所模擬影像可係用於同一光學模式，使得針對該統一光學模式訓練GAN。換言之，如本文中詳盡闡述，經訓練以用於產生藉由一個成像模式產生之所模擬影像的一GAN可能未必適合用於產生藉由另一成像模式產生之所模擬影像。因此，若在其設計之至少一部分方面具有至少某些相似性之兩個樣品係或將係以相同方式成像的，則樣品中之一者可用來訓練GAN且該經訓練GAN可用來產生樣品中之另一者之所模擬影像。

以此方式，一經訓練GAN可經更改意圖以產生其未必經訓練所針對之樣品之所模擬影像。在一項此類實例中，若具有兩個不同設計之兩個不同樣品在由類似材料形成且具有相同或類似尺寸的設計之一部分(例如，類似記憶體陣列區)中共同具有至少某些經圖案化特徵，則針對樣品中之一者而訓練之一GAN可能夠產生在設計之彼部分中針對樣品中之另一者之所模擬影像。即使針對一個樣品而訓練之一GAN不能夠產生具有一不同設計之另一樣品之所模擬影像，若該等樣品之間存在某些相似性，則經訓練GAN可用作針對另一樣品而重新訓練以形成一不同GAN之一開始組態。可按照本文中之闡述來執行此重新訓練。

由於該(等)電腦子系統將設計之一人為缺陷部分輸入至GAN中，因此在一項實施例中所模擬影像包含一合成缺陷之一增強缺陷影像。以此方式，所模擬影像圖解說明一合成缺陷如何出現在由諸如一檢驗工具之一工具產生之一或多個實際影像中。照此，該(等)所模擬影像可表示(例如，對應、模擬或約計)可由檢驗或其他工具產生的合成缺陷之影像。如在本文中使用彼術語，一「合成」缺陷一般定義為以本文中所闡述之數個方式中之一者在一樣品之一設計中人為形成之一缺陷。因此，一「合成」缺陷並非已在一樣品上偵測到之一缺陷，儘管可基於此一所偵測缺陷而判定其特性。替代地，此一「合成」缺陷在一樣品之一設計中透過對該設計之一其他無缺陷部分之有意操縱來形成。當將設計之此一經操縱部分輸入至本文中所闡述之一經訓練GAN時，所得所模擬影像稱為一「增強」缺陷影像，此乃因已藉助未實際上存在於樣品上之一缺陷增強所模擬樣品影像。

圖4圖解說明可使用一GAN針對人為影像產生執行之步驟之一項實施例。特定而言，如圖4中所展示，一或多個電腦子系統可將具有經添加缺陷402之設計影像400 (條件影像)輸入至經訓練生成器網路404中。可按照本文中之詳盡闡述藉由一或多個電腦子系統在設計影像400中所展示之設計資料部分中形成該經添加或合成缺陷。該經訓練生成器網路可輸出展示缺陷408之所產生片塊影像406。以此方式，合成缺陷係設計影像400中所展示之設計資料之部分中之經添加缺陷402，設計影像400由一或多個電腦子系統輸入至GAN以藉此產生所模擬影像406。

因此，如圖4中所展示，一旦GAN經訓練，GAN便可用來產生所模擬光學或其他影像。在此實施例中，經訓練生成器網路用來形成一設計剪輯中之一人為引入之缺陷之一片塊真實面貌影像。然後可按照本文中之詳盡闡述來使用該等所產生片塊影像。

在一項此類實施例中，可在樣品上偵測到之若干個實際缺陷不足以選擇程序之模式。舉例而言，本文中所闡述之實施例可用來產生係然後可用於模式選擇之合成缺陷之增強缺陷影像的所模擬影像，此在DOI事件數目係有限的(此情形係常見的)時特別有利。因此，本文中所闡述之實施例之另一優點係其甚至在DOI實例之原始數目實質上較低時達成模式選擇。本文中所闡述之實施例亦在不存在可用之DOI實例時有利地達成模式選擇；例如，如本文中詳盡闡述，當根本不存在一DOI之光學影像時，可藉由本文中所闡述之實施例基於對DOI在設計剪輯內之設計空間中應該看起來如何之瞭解而產生所模擬影像，且彼等所模擬影像然後可用於模式選擇。

一或多個電腦子系統經組態以用於修改一樣品之設計資料之一部分以便產生該設計資料之一人為缺陷部分。儘管某些實施例在本文中經闡述(僅為了清晰及簡單)為修改一樣品之設計資料之「一部分」，但本文中所闡述之電腦子系統可修改任一數目個DOI之任一數目個設計資料部分。舉例而言，一或多個電腦子系統可經組態以用於藉由藉助一合成缺陷修改樣品之原始設計資料而產生設計資料之人為缺陷部分。在某些例項中，一或多個電腦子系統可自一掃描電子顯微鏡(SEM)複檢之熱掃描選擇DOI候選者且按設計對其進行定位。在一項此類實例中，若針對GAN訓練執行一熱掃描，則由該熱掃描偵測之事件可經取樣且然後經發送以用於(例如)由一SEM或另一適合缺陷複檢工具進行缺陷複檢。執行該缺陷複檢以判定經取樣事件中之哪些係實際缺陷及哪些係滋擾且判定實際缺陷之一缺陷類型或分類。以此方式，缺陷複檢可判定所偵測事件中之哪些係DOI且識別DOI之類型或分類(當有可能不同類型之DOI可存在於一樣品上時)。此DOI發現及識別係一選用步驟，此乃因在某些情形中，一使用者將知曉其對什麼類型之DOI感興趣。舉例而言，一晶片製造商通常將知曉其在尋找什麼缺陷。

如圖2之步驟206中所展示，一或多個電腦子系統可將圖案缺陷引入於設計空間中以產生不具有及不具有缺陷之若干對設計(設計部分或設計影像)。若產生增強缺陷影像所針對之樣品具有與用於訓練GAN之一或多個樣品相同之設計，則用於步驟200、202及204之設計剪輯亦可用於步驟206。若產生增強缺陷影像所針對之樣品具有與用於訓練GAN之一或多個樣品不同之一設計，則用於步驟200、202及204之設計剪輯可不同於用於步驟206之設計剪輯。

然而，在任一情形中，在一樣品上偵測到之DOI之任何資訊可在步驟206中用來形成經修改以包含DOI之設計剪輯。舉例而言，若在一樣品上偵測到一橋類型DOI，則樣品之原始設計資料可由電腦子系統修改以在偵測到橋類型DOI之位置以及不同於偵測到橋類型DOI之位置的設計中之位置處包含橋類型結構。可基於位於所偵測DOI處或附近之經圖案化特徵之類型而選擇在一設計中形成DOI之位置，例如，使得一所偵測DOI之位置處之經修改設計剪輯及原始設計剪輯含有相同或至少類似經圖案化結構(在形狀、尺寸、相對於彼此之間隔、定向等方面類似)。在一項實例中，若在具有一特定定向及相對於彼此之間隔之兩個經圖案化特徵之間偵測到一橋類型DOI，則可在含有具有相同相對定向及間隔之兩個相同經圖案化特徵的任何設計中之一或多個其他位置處形成一橋類型經圖案化特徵。可基於所偵測DOI之影像或所偵測DOI之位置處之原始無缺陷設計剪輯以任何適合方式(例如，藉由對原始設計進行圖案搜索)識別此等位置。

可使用一電子設計自動化(EDA)工具按照本文中之闡述來執行修改樣品之原始設計資料。EDA工具可包含任何適合之可商業購得之EDA工具。另外，可藉助可包含任何適合EDA軟體、硬體、系統或方法之一可程式化/圖形EDA編輯器使修改如本文中所闡述之原始設計資料自動化。在某些此類實施例中，本文中所闡述之電腦子系統中之一或多者(例如，電腦子系統102)可經組態為一EDA工具或可係包含於一EDA工具中之一電腦子系統。

若樣品之原始設計資料(例如，電腦輔助設計(CAD))係可用的，則注入「合法」合成缺陷實例係簡單的。舉例而言，可呈現(繪製)具有各種大小之諸如開口、短路、「鼠噬」、突出部等之DOI，使基於對DOI之說明而經自動化。使用一EDA工具，此等所呈現DOI可位於幾何結構中之「合法」位置中而非隨機位置中。在一項實例中，一短路係兩個銅線之間的一金屬連接。對於此一DOI，某人可僅僅在設計中之戰略夾點處添加一小短線。當諸如一晶片製造商之一使用者知曉其在尋找什麼缺陷時，其亦可在設計檔案中手動地繪製該等缺陷。

亦可使用經組態以用於更改設計從而在設計中形成合成缺陷之一inception模組來執行藉助如本文中所闡述之合成缺陷修改樣品之原始設計資料。舉例而言，可藉由一缺陷幻覺系統(諸如由GoogLeNet inception建議用於自然場景影像之彼等)訓練一神經網路。在缺陷上經預訓練之一傳統神經網路然後可回放此等自然場景影像以在其他幾何結構上形成新缺陷類型。用於執行GoogLeNet inception之系統及方法之實例可存在於Szegedy等人之如同完整陳述一般以引用方式併入本文中之「Going Deeper with Convolutions」(2015 IEEE電腦視覺與模式辨識會議(CVPR)，2015年6月，9頁)中。本文中所闡述之實施例可按照此參考文獻中之闡述來進一步組態。

在某些此類實施例中，一或多個電腦子系統經組態以用於基於在一或多個樣品上偵測到之一或多個缺陷而判定合成缺陷之一或多個特性。舉例而言，如上文所闡述，在某些例項中，可在用於產生用來訓練GAN之訓練集之一或多個樣品上偵測事件，且可自彼等事件當中識別並選擇(若干) DOI。該(等)DOI之資訊然後可用來判定合成缺陷之一或多個特性。此資訊可包含係或可係針對該(等) DOI判定之任何資訊，諸如位置、大小、形狀、定向、紋理或粗糙度、上面定位有該(等) DOI之(若干)經圖案化特徵、其中定位有該(等) DOI之(若干)經圖案化特徵、位於該(等) DOI附近之(若干)經圖案化特徵等。此資訊可由偵測到該等事件之檢查工具、重新偵測到該等事件且將其中之一或多者識別為(若干) DOI之一複檢工具、量測該(等)經識別DOI之一或多個特性之一計量工具或其某一組合來判定或產生。舉例而言，如上文所闡述，可基於一缺陷影像或其對應設計剪輯而執行圖案搜索以找到一設計中之一圖案之其他類似例項，且然後可按照本文中之闡述來修改彼等其他例項之設計以在彼等其他例項處形成該(等) DOI。其他DOI特性(諸如上文所闡述之DOI特性)亦可用來形成經修改設計(例如，在一橋類型DOI之情形中，橋類型結構之尺度、定向、粗糙度等)。因此，可基於用來產生訓練集的在樣品上偵測到之一或多個DOI之一或多個特性而修改樣品之原始設計。

在另一實施例中，一或多個電腦子系統經組態以用於在不具有在樣品上偵測到之一或多個實際缺陷之資訊之情況下判定設計資料之人為缺陷部分之一或多個特性。在一額外實施例中，基於樣品上之一DOI之資訊而執行修改樣品之設計資料之部分，且在修改設計資料之部分之前在由工具執行之一設置掃描中未在樣品上偵測到DOI之實際例項。舉例而言，即使根本不存在DOI實例，一或多個電腦子系統亦可藉由將一缺陷引入於樣品中且將經修改設計剪輯輸入至GAN中而修改樣品之一設計剪輯以形成然後可用於模式選擇之對應片塊影像。在依賴於DOI實例之諸多方法中，在一樣品上存在很少或甚至不存在DOI時嘗試找到DOI之實例可能形成一顯著瓶頸。找到DOI實例以用於模式選擇之困難亦可係特別困難的，此乃因用於嘗試找到DOI實例之模式可能完全不適合用於缺陷偵測，此乃因未必知曉「良好」模式直至已執行模式選擇為止。此情形呈現模式選擇之一種因果難定問題--你怎麼在不知曉哪些模式對於缺陷偵測係良好之情況下找到DOI實例以及你怎麼在未弄清楚DOI實例之情況下知曉哪些模式係良好的?  因此，本文中所闡述之實施例與用於模式選擇之先前所使用方法及系統之間的一基本差異係：本文中所闡述之實施例可用於在根本不具有任何DOI實例之情況下進行模式選擇。因此，本文中所闡述之實施例之一個新穎特徵係其藉由以下方式提供經改良模式選擇：藉由將一缺陷引入於設計檔案中來修改該設計檔案且甚至在根本不存在缺陷實例時使用一GAN或cGAN來產生一對應光學片塊影像。

當根本不存在缺陷實例時，可以各種可能方式判定合成缺陷之一或多個特性。舉例而言，如上文所闡述，在可使用本文中所闡述之實施例之諸多例項中，一使用者可能知曉哪些類型之DOI係其感興趣的。此知曉可基於在與產生所模擬影像所針對之樣品相同或類似之程序中產生的通常在樣品上看到之DOI類型。可用實驗、啟發、理論等方法獲取此先前知曉。舉例而言，甚至當樣品設計係實質上不同時，可在設計中之每一者中之特定經圖案化結構可易於出現特定類型之DOI。在一項特定實例中，其中線及空間之寬度相對小之交替線/空間圖案可易於出現形成於該等線之間的橋接類型缺陷。因此，當一使用者在一新設計中看到此一圖案群組時，其可推測橋接類型缺陷可存在於此等圖案中且因此可在樣品之設計中形成此等缺陷。針對此等缺陷人為形成之設計剪輯然後可藉由本文中所闡述之電腦子系統輸入至GAN以藉此產生缺陷之所模擬影像。

在某些實施例中，基於已知由工具藉由重複成像來更改的樣品上之一DOI之資訊而執行修改樣品之設計資料之部分。舉例而言，在某些印刷檢查應用中，其中一晶圓印刷有一圖案且然後經檢查以找到用來識別一倍縮光罩或遮罩(其用來將圖案印刷在晶圓上)上之缺陷之缺陷，可在僅使用工具之一個模式收集資料之後燒毀晶圓上之缺陷實例。本文中所闡述之實施例因此對於選擇用於印刷檢查應用檢驗之模式可係特別有用的。因此，本文中所闡述之實施例之一個優點係：即使根本不存在DOI實例或工具更改該等DOI實例，仍可使用如本文中所闡述而產生之所模擬影像執行模式選擇。

一或多個電腦子系統經組態以用於藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至該GAN中而產生該樣品之所模擬影像。該(等)電腦子系統可經組態而以此項技術中已知之任何適合方式將樣品之設計資料之原始及人為缺陷部分輸入至GAN中。在一項此類實例中，如步驟208中所展示，一或多個電腦子系統可透過先前經訓練GAN處理藉由步驟206產生之設計剪輯。經訓練GAN然後可輸出人為產生之影像，如步驟210中所展示。在步驟210中由GAN輸出之影像可用作用於使用所模擬影像選擇最佳光學模式之輸入資料，如步驟212中所展示，此可按照本文中之詳盡闡述來執行。

在一額外實施例中，一或多個電腦子系統經組態以用於修改設計資料之一額外部分以便產生設計資料之一額外人為缺陷部分，基於關於樣品上之一第一DOI之資訊而判定設計資料之人為缺陷部分之一或多個特性，且基於關於樣品上之一第二DOI之資訊而判定設計資料之額外人為缺陷部分之一或多個特性。在一項此類實施例中，產生所模擬影像包含將設計資料之額外部分及設計資料之額外人為缺陷部分輸入至GAN或一額外GAN中。舉例而言，本文中所闡述之實施例可有利地用來容易產生不同DOI類型實例之所模擬影像。換言之，本文中所闡述之GAN可在相同樣品之相同設計中產生不同類型之DOI之所模擬影像。

本文中所闡述之樣品中之諸多樣品可具有存在於其上之多個類型之DOI，且使用者可對彼多個類型之DOI中之不只一者(或甚至全部)感興趣。不同DOI可具有實質上不同特性。舉例而言，橋類型缺陷可具有實質上不同於針孔類型缺陷之特性，但兩個類型之缺陷可存在於一樣品上且可能受一使用者關注。不同類型之DOI可位於設計之不同部分中或位於設計之相同部分中。因此，如本文中所闡述而修改以包含一合成缺陷之一設計剪輯可包含一單個合成缺陷或多個合成缺陷。不管一經修改設計剪輯中之合成缺陷數目及/或經修改設計剪輯(其可係用於同一DOI類型及/或不同DOI類型之多個例項)之數目如何，如本文中所闡述而經訓練之一GAN將能夠針對DOI類型中之每一者且針對每一DOI例項產生實質上高品質所模擬影像。

在另一實施例中，該一或多個電腦子系統經組態以用於修改設計資料之一額外部分以便產生該設計資料之一人為滋擾部分且基於關於樣品上之一滋擾之資訊而判定該設計資料之該人為滋擾部分之一或多個特性，且產生該等所模擬影像包含將該設計資料之該額外部分及該設計資料之該人為滋擾部分輸入至該GAN或一額外GAN中。舉例而言，用來產生設計資料之人為缺陷部分之所模擬影像之相同GAN亦可用來預測不同模式中之已知滋擾實例之信號以不僅找到具有最強信號之模式而且找到具有最佳DOI-滋擾分離之模式。

可以各種方式判定對一滋擾之設計資料之額外部分之修改。舉例而言，對於一給定程序或工具，一使用者可知曉樣品之什麼特性往往引起滋擾偵測。已知在檢驗程序中引起滋擾之樣品特性之某些常見實例包含線邊緣粗糙度(LER)、線端縮短(LES)、CD之相對小變化、膜厚度變化及諸如此類。因此，基於此知曉，使用者或一電腦子系統可判定對設計之一或多個部分之修改，該等修改會導致樣品上之此等改變，然後會致使在樣品上偵測到滋擾。以此方式，在程序中可或往往致使在樣品上偵測到滋擾的設計之部分可經修改以包含對設計圖案之此等改變，設計之經修改部分可由該(等)電腦子系統輸入至如本文中所闡述之GAN，且針對設計之此等經修改部分產生之所模擬影像之特性可經判定並用於模式選擇，如本文中詳盡闡述。

在某些例項中，設計之人為滋擾部分可僅僅包含已知往往引起滋擾偵測的設計之原始部分(未經修改)。舉例而言，樣品之一設計中之某些圖案可與比其他者高之滋擾偵測相關聯(透過對圖案、樣品或程序之先前知曉、透過模型化等)。設計中之彼等圖案因此可(在不具有修改之情況下)用來模擬表示引起滋擾偵測之實際影像之影像。以此方式，此等所模擬影像之特性可按照本文中之闡述來判定且用作可在程序期間偵測到之滋擾特性之實例。彼等特性亦可按照本文中之詳盡闡述來用於模式選擇。

除針對設計資料之人為滋擾部分及/或針對往往引起滋擾偵測的設計資料之部分產生所模擬影像之外，一或多個電腦子系統亦可針對設計之已知良好部分(其可能或可能並非在修改之前設計資料之部分或未以某種方式修改的設計資料之其他部分)產生所模擬影像。舉例而言，具有包含及不包含一DOI之所模擬影像以查看兩個影像之特性是否使得可將具有DOI與不具有DOI之影像區分開對於模式選擇可係有用的。以此方式，影像之特性可用來在一DOI存在於一樣品上時偵測到該DOI且在一DOI未存在於一樣品上未偵測到該DOI。照此，該等所模擬影像可用來判定程序是否可區別一DOI在一樣品上之存在與不存在。在檢驗程序中，僅僅偵測到所有DOI係不足夠的，而不在DOI不存在時錯誤地偵測DOI亦係重要的。以此方式，針對含有設計之部分的DOI及非DOI兩者產生所模擬影像對於本文中所闡述之某些應用可係有利的。

在一項實施例中，GAN經訓練以針對工具之一第一模式產生所模擬影像，且產生樣品之所模擬影像包含將設計資料之部分及設計資料之人為缺陷部分輸入至經訓練以針對工具之一第二模式產生所模擬影像之一額外GAN中。因此，在此等實施例中，可訓練不同GAN以針對不同模式產生影像或其他輸出。特定而言，在大多數情形中，一檢驗或其他成像工具之不同模式將以數個可能方式中之一者產生彼此不同之影像及/或輸出，例如，雜訊位準、對比度、解析度、影像類型(例如，DF對BF、光學對電子束等)及諸如此類。因此，若訓練一GAN以針對一工具之一個模式產生輸出或影像，則有可能其將受到不適合訓練以針對工具之另一模式產生輸出或所模擬影像。照此，可對多個GAN進行單獨地且獨立地訓練，一個GAN用於每一所關注模式。然而，相同經預訓練GAN網路可用於每一模式，儘管係不必要的。可按照本文中之闡述來訓練多個GAN中之每一者。舉例而言，為了收集影像以在印刷檢查晶圓上進行訓練，本文中所闡述之實施例可跨越不同倍縮光罩但針對不同光學模式收集相同影像。對於每一模式，然後可使用藉助彼模式收集之影像來訓練一獨立神經網路。每一經訓練GAN然後可用來產生一模式特定資料集。以此方式，每一模型然後可用來針對光學模式中之每一者形成缺陷之影像。然而，至每一以不同方式經訓練之GAN之輸入可係相同設計剪輯或同一設計之不同部分及設計之相同經修改部分，此乃因樣品之設計及DOI將不因模式不同而改變。

在另一實施例中，GAN經訓練以針對工具之不同模式產生所模擬影像。就是現在，可存在GAN之一個條件輸入(吾等稱之為Y1)，此係設計。但此可經修改使得亦存在讓GAN知曉吾等對什麼光學模式感興趣之一第二條件輸入(吾等稱之為Y2)。當然，在訓練及干擾時間兩者期間可將此額外條件輸入輸入至GAN。一單個GAN可經組態以用於為多個模式產生影像之另一方式可係設計能夠在一較高維度輸入中讀取之一網路。當前，至GAN之輸入可係針對不具有多邊形之像素僅具有一0且在像素具有一多邊形之情況下具有一1的設計。替代彼情況，模式資訊可藉由以下方式經編碼以用於如下輸入：在模式1之情形中將一多邊形之值標記為(1, 1)，在模式2之情形中標記為(1, 2)，在模式3之情形中標記為(1, 3)，以此類推。這樣，吾等具有一個條件輸入Y，但其具有係模式之一個額外維度。現在，吾等亦將要把另一維度添加至影像矩陣，使得吾等可在一個矩陣中儲存一給定影像之數個模式。此一GAN組態/實施方案可在計算上比針對多個模式使用多個GAN更昂貴。此GAN實施方案亦假定所有光學影像彼此對準。此多模式影像對準之工作量亦可係巨大的，但其係可行的，舉例而言，如Brauer等人在2021年4月1日公開之第2021/0097704號美國專利申請公開案中所闡述，該美國專利申請公開案如同完整陳述一般以引用方式併入本文中。本文中所闡述之實施例可按照此公開案中之闡述來進一步組態。

一或多個電腦子系統經組態以用於判定所模擬影像之一或多個特性。可針對其中曾產生所模擬影像之任何或所有模式判定所模擬影像之一或多個特性。一或多個特性可取決於其中正在選擇模式之程序而變化。舉例而言，若正在為一檢驗程序選擇一模式，則針對所模擬影像判定之一或多個特性可係將影響可偵測DOI之效果及/或可抑制滋擾之效果的影像之一或多個特性(亦即，根本未偵測到或無法藉由篩選、分類或另一程序步驟與DOI分離)。下文詳盡闡述某些此類特性。若正在為一計量程序選擇一模式，則針對所模擬影像判定之一或多個特性可係將影響計量程序可依據該(等)特性判定關於影像中之經圖案化特徵之資訊之效果的影像之一或多個特性。此等特性可包含影像特性，諸如解析度、對比度、亮度及諸如此類。若正在為一缺陷複檢程序選擇一模式，則針對所模擬影像判定之一或多個特性可類似於用於檢驗程序之彼等特性但亦可能類似於用於計量程序之彼等特性(例如，此乃因執行缺陷複檢以不僅用於重新偵測缺陷而且通常用於判定關於無法藉由檢驗判定之缺陷之資訊)。

因此可使用將在程序中使用之一方法或演算法(如一缺陷偵測演算法或方法、一計量演算法或方法或一缺陷複檢演算法或方法)判定一或多個特性。而且或另一選擇係，可使用量化或限定影像之特性(如解析度、對比度、亮度等)之任何其他適合影像表徵演算法或方法來判定一或多個特性。因此，一般而言，藉由本文中所闡述之實施例判定之所模擬影像之一或多個特性可係提供關於模式使樣品成像之效果及/或藉由模式產生之影像對於程序之有用性之資訊且可使用此項技術中已知之任何適合方法或演算法判定的任何特性。

在一項實施例中，判定一或多個特性包含自針對設計資料之人為缺陷部分產生之所模擬影像中之一者減去針對設計資料之部分產生之所模擬影像中之一者藉此產生一差影像且判定該差影像之一或多個特性。舉例而言，由GAN在圖2之步驟210中輸出之影像包含人為產生之測試及參考影像。該等測試影像將係自人為缺陷設計部分產生之影像，且該等影像將係自原始設計部分產生之影像。以此方式，人為產生之影像包含有包含缺陷之影像及不包含缺陷之影像兩者。然後可如可能通常在缺陷偵測中那樣將彼等影像相減，且可判定所得差影像之一或多個特性。彼等所得差影像可能特別適合用於判定按照本文中之詳盡闡述用於模式選擇之一或多個特性，此乃因該等特性可表示可在由工具產生該等特性之情況下依據此影像偵測人為引入之缺陷的良好程度及不良程度。

在一項此類實施例中，差影像之一或多個所判定特性包含差影像之信雜比值。因此，可基於GAN所產生影像而執行本文中所闡述之實施例之一個優點係缺陷信雜比計算。由於正在針對設計資料之一人為缺陷部分產生所模擬影像，因此其中定位有合成缺陷之差影像之部分將係先驗已知的。因此，差影像之彼部分之信號可用來判定信雜比值之信號部分，且環繞(部分地或完全地環繞)差影像之合成缺陷部分的差影像之部分可用來判定信雜比值之雜訊部分。以此方式，當差影像之一或多個所判定特性係信雜比值時，其回應於對應於合成缺陷的差影像之部分與未對應於合成缺陷的差影像之部分之間的差且因此回應於差影像可用來偵測實際樣品上之缺陷之效果。

一或多個電腦子系統經組態以用於基於該一或多個所判定特性而選擇用於對該樣品執行之一程序的一工具之一模式。舉例而言，當一或多個所判定特性包含信雜比值時，選擇步驟可包含找到具有影像之最高信雜比值之模式且為程序選擇彼模式。在一項此類實例中，可按照本文中之闡述來計算GAN所產生差影像之信雜比值，且可基於信雜比值而將最佳模式排位，藉此使得能夠容易地識別供在程序中使用之該或該等最佳模式。可以此項技術中已知之任何適合方式執行基於信雜比值而將該等模式排位。舉例而言，在一項實施例中，為工具之不同模式產生所模擬影像，針對為工具之不同模式產生之所模擬影像判定一或多個特性，且基於一或多個所判定特性而選擇工具之模式包含比較針對為工具之不同模式產生之所模擬影像判定之一或多個特性。以此方式，藉由比較用於工具之不同模式之一或多個所判定特性，可將該等模式自最佳模式(例如，具有最佳信雜比值之模式)至最糟模式(例如，具有最糟信雜比值之模式)排位。針對所模擬影像判定之其他特性可用來以一類似方式將該等模式排位(自特性之最佳值至特性之最糟值)。

當針對該等模式中之每一者判定不只一個特性時，基於該多個特性而將該等模式排位可變得比使用一單個特性更複雜。然而，在某些例項中，考量用於模式選擇之多個特性可係重要的(例如，當如信雜比值及對比度兩者之多個特性有助於程序之成功時)。在此等例項中，不是基於個別特性而將模式排位(且針對每一模式產生多個排位)，而是可使用多個特性產生一評分，藉此產生用來將模式自最佳至最糟排位之一單個值。產生此一評分可係有利的，此乃因該評分可使用基於慮及不同特性之相對重要性之特性之一關係來產生，可將一個特性正規劃至另一或其他特性，可變換特性之某些值，使得該等特徵趨向於在與其他特性相同之方向上(例如，使得多個特性之較高值指示一模式之較佳效能且反之亦然，並非某些特性在較高時指示較佳效能而其他特性在較低時指示較佳效能)等。舉例而言，在某些例項中，甚至當解析度及信雜比值兩者皆影響檢驗時，信雜比值可比解析度更重要。在此情形中，可基於信雜比值及解析度但在信雜比值之權重比解析度值更重之情況下針對模式中之每一者判定評分。在其他情形中，解析度可比信雜比值更重要，即使兩者皆影響程序且因此可顛倒上文所闡述之權重。

針對模式選擇步驟使用信雜比值在程序係檢驗時可係有利的。舉例而言，對應於設計資料之人為缺陷部分的所模擬影像之部分之信雜比值可恰好與考量中模式中之每一者可偵測樣品上之缺陷之效果相關。因此，藉由識別並選擇針對所模擬影像之彼等部分具有最高或實質上高信雜比值之一模式，可識別並選擇可偵測樣品上之DOI之一模式。另外，如本文中詳盡闡述，亦可針對設計資料之人為滋擾部分或已知引起滋擾偵測的設計資料之部分產生所模擬影像。以此方式，所模擬影像可用來判定哪一或哪些模式提供DOI及滋擾之特性之間的最大分離。換言之，產生DOI之影像(其具有與針對為設計或樣品之滋擾或非缺陷部分產生之影像判定之一或多個特性最不同之一或多個所判定特性)之一模式將提供DOI與滋擾之間的最大分離。此一模式因此將具有最佳DOI擷取速率及最佳滋擾抑制。抑制滋擾偵測同時成功地擷取DOI係重要的，使得基於檢驗之結果而做出之任何程序決策係基於DOI而非錯誤地偵測為缺陷之任何滋擾來做出的。以此方式，本文中所闡述之實施例之一個優點係所提出方法或源自其允許減少在對樣品執行之程序中偵測到之滋擾(其繼而允許半導體製造商做出更可靠程序決策)。

本文中所闡述之實施例之另一優點源自如下事實：可使用自工具之不同模式產生之實際樣品影像來訓練本文中所闡述之GAN。特定而言，如本文中詳盡闡述，實施例可針對各種模式收集影像及設計剪輯。藉由直接自樣品或同一類型之另一樣品收集資料且使用彼資料進行GAN訓練，依據此資料訓練之GAN將產生回應於並不理想之樣品條件(例如，由於諸如厚度變化、線邊緣粗糙度及諸如此類之樣品變化而引起的跨越樣品之光學回應變化)的所模擬影像。因此，基於所模擬影像而為對樣品執行之程序選擇之模式亦將回應於可能不太理想之真實樣品條件。慮及真實樣品條件之此能力係本文中所闡述之深度生成模型特有的且將本文中所闡述之實施例與用以產生所模擬樣品影像之其他方式(諸如工具硬體之電磁模型化)區別開來。舉例而言，電磁模型僅能夠在不慮及任何真實樣品條件及任何真實程序可變性之情況下使用理論模型。

由於本文中所闡述之實施例可有利地考量任何真實樣品條件及任何真實程序可變性，因此本文中所闡述之實施例亦可用作一種直列光學器件選擇器，其係一種全新且可特別有用之東西，此乃因藉由本文中所闡述之工具執行之程序可在一使用者甚至不知曉之情況下不利地受程序/樣品可變性(例如，失去對DOI之缺陷偵測敏感性)影響。在一項此類實施例中，該一或多個電腦子系統經組態以用於藉助由工具產生的一額外樣品之影像對GAN進行重新訓練，藉此產生一經重新訓練GAN，該樣品及該額外樣品係同一類型，且該一或多個電腦子系統進一步經組態以用於藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至該經重新訓練GAN中而產生該額外樣品之額外所模擬影像，判定該等額外所模擬影像之一或多個特性，且基於該等額外所模擬影像之該一或多個所判定特性而選擇用於對該額外樣品執行之該程序之該工具之一模式。該樣品及該額外樣品可係為同一類型，此乃因其具有同一設計。可以與本文中關於訓練所闡述相同之方式執行對GAN進行重新訓練，除了起點係已經訓練之GAN且用於重新訓練之影像不同於用於訓練之影像。可按照本文中之詳盡闡述執行產生該等額外所模擬影像、判定該等額外所模擬影像之一或多個特性且選擇在此實施例中執行之工具之模式。

以此方式，針對額外樣品產生之額外影像可藉助工具之一相對受限制掃描(例如，一對掃描帶)及有限或預定數目個光學模式(例如，5)來產生。彼等影像可用來重新訓練GAN (或分別不同模式之不同GAN)，使得其產生(或其等產生)係額外樣品上之實際缺陷影像在不同模式中看起來將會係什麼樣子之良好約計的人為缺陷影像。該(等)電腦子系統然後可基於GAN所產生影像針對每一個別模式執行信雜比分析(或本文中所闡述之其他影像分析)以判定用於檢驗(或以其他方式處理)額外樣品(或任何其他額外樣品)之最佳光學模式是否已由於更改處理條件(其可按照下文之闡述被有意地更改或無意地更改)而改變。因此，此直列光學器件選擇器(或在已釋放一程序以供使用之後執行之光學器件選擇)因如下事實而成為可能：本文中所闡述之實施例使得甚至在不存在任何缺陷實例時僅僅藉由掃描一樣品上之一區且訓練或重新訓練GAN以產生彼樣品之人為缺陷影像而實質上容易地判定最佳光學模式。

在一項此類實施例中，一或多個電腦子系統經組態以用於在已有意地改變對樣品及額外樣品執行之一製作程序之後執行重新訓練。在另一此類實施例中，一或多個電腦子系統進一步經組態以用於在已對預定數目個樣品執行對樣品執行之一製作程序之後執行重新訓練。舉例而言，一或多個電腦子系統可在一使用者故意改變對與最初選擇模式所針對之樣品相同類型之樣品執行之一製作程序時及/或在已在製作程序中處理預定數目個樣品之後(例如，在每25個晶圓(係在一個批次或一個前開式統一端口(FOUP)中之晶圓數目)之後)執行GAN重新訓練(及上文所闡述之其他步驟)。

在另一實施例中，選擇工具之模式包含基於一或多個所判定特性而選擇用於程序之工具之不只一個模式。舉例而言，可使用可選擇之模式之一組合執行使用本文中所闡述之工具對本文中所闡述之樣品執行之某些程序，此乃因該等模式以某種方式互補。以此方式，除最佳初級模式之外，本文中所闡述之實施例亦可用來為多模式檢驗及其他多模式程序找到最佳次級、三級等模式。

對於多模式檢驗程序，多個模式可以幾個不同方式互補。一種此類方式係使用每一選定模式執行之缺陷偵測之結果可係加性的。在一項此類實例中，一個模式對一個類型之DOI可係特別敏感的且另一模式對另一類型之DOI可係特別敏感的，且由每一模式偵測之DOI可經組合以為樣品提供檢驗結果。在另一此類實例中，一個模式對位於設計中之一個模式中之一DOI可係特別敏感的，且另一模式對位於設計中之一不同模式中之DOI可係特別敏感的。在兩種模式中偵測到之DOI亦可組合成一個檢驗結果。另一此類方式係使用每一選定模式執行之缺陷偵測之結果可能未必係加性的而可能係互補的。舉例而言，一個模式在偵測一DOI時可係特別良好的，但在抑制滋擾時亦可並非如此良好的。然而，若另一模式在偵測滋擾時係良好的但在偵測DOI時係真正不良的，則彼模式對於檢驗可能並非傳統上良好的，但在識別由另一模式偵測之滋擾時可係特別有用的，此在DOI偵測時更佳。以此方式，由一個模式偵測之滋擾可用來抑制在另一模式中偵測之滋擾。可使用多個模式執行缺陷偵測之結果之一額外方式係缺陷偵測演算法或方法使用藉助多個模式產生之影像之特性來做出關於是否存在一缺陷之一決定。實際上，因此，一種多維臨限值可施加至由工具之多個模式產生之輸出，其中工具之單個模式可能不單獨用於缺陷偵測。

如上所述，針對一檢驗使用不只一個模式之動力一般係：以檢驗開始係相對困難的，例如，DOI與雜訊分離係相對困難的及/或抑制滋擾係相對困難的。對於此等檢驗，理想地，兩個或多於兩個模式將以某種方式互補，例如，使得由一個模式產生之結果可增強由另一模式產生之結果。在一項此類實例中，即使由一個模式產生之結果本身並非特別「良好」，但在合適情況下，彼等結果可用來將DOI與由另一模式產生之其他結果中之滋擾分離，藉此增強由另一模式產生之結果。

以此方式，該等模式可以不同於雙模式偵測之一方式來使用。換言之，初級模式可用於偵測，且次級模式可用於將由初級模式偵測到之事件分離成缺陷(或DOI)及滋擾。在某些此等例項中，當次級模式模式僅用於分離目的時，檢驗工具可僅僅在一逐位置基礎上將其視野定位在已在初級模式中偵測到之缺陷候選者之所報告位置處以藉助次要模式收集該等缺陷候選者之新輸出(例如，影像資訊等)。以此方式，檢驗工具可經組態以僅在樣品上之離散位置(在該等離散位置處藉助初級模式偵測樣品上之事件)處執行輸出產生而非執行藉助初級模式掃描的樣品之整個區之一重新掃描。照此，檢驗工具可藉助次級模式以一移動-獲取-量測方式執行輸出產生。在此等檢驗程序中，然後可依序使用初級模式及次級模式，首先用於樣品上之整個經檢驗區之一掃描且然後用於所偵測事件之位置處之目標輸出產生。另外，檢驗程序可能未必包含藉助次級模式在藉助初級模式偵測到之每個事件之位置處產生輸出。舉例而言，藉助次級模式在藉助初級模式偵測到之事件中之某些事件之位置處產生之結果可用來篩選出藉助初級模式偵測到之其他事件。在另一實例中，可執行藉助初級模式偵測到之事件之一初步篩選以將顯然係缺陷或顯然係滋擾之任何事件分離，且次級模式然後可用來在無法顯然分離之剩餘事件處產生輸出。

然而，本文中所闡述之實施例顯然不在可執行模式選擇之檢驗程序中受限制。換言之，本文中所闡述之實施例可用於包含單一模式檢驗程序之任何檢驗程序之模式選擇。另外，使用本文中所闡述實施例來選擇模式之檢驗程序可包含其中多個模式執行偵測且集合結果用來執行分離(「多模式偵測」) (其中多個模式用來同時或單獨地掃描樣品之一整個區)之檢驗程序、使用多於兩個模式之檢驗程序等。

對於多模式計量程序，多個模式亦可係互補的，此乃因一個模式對於判定樣品之一個特性可係特別有用的，而另一模式對於使用藉助彼模式產生之影像及使用另一模式判定之特性兩者來判定樣品之另一特性可係特別有用的。舉例而言，一個模式可對膜厚度特別敏感。使用另一模式產生之膜厚度及影像然後可用來判定樣品之另一特性，諸如CD。以此方式，按照本文中之闡述來判定之所模擬影像之特性可用來判定哪一或哪些模式對於計量係最佳的。

對於多模式缺陷複檢程序，多個模式可以上文針對檢驗所闡述之相同方式互補。以此方式，可使用本文中所闡述之所模擬影像評估不同模式，且針對多模式所模擬影像判定之一或多個特性可用來選擇一個模式或多個模式來進行缺陷複檢。

可基於按照本文中之闡述來產生之所模擬影像而判定在本文中所闡述之模式選擇步驟中選擇一個模式還是多個模式。舉例而言，當發現一檢驗工具之一單個模式產生可既以實質上高擷取速率偵測DOI又以實質上高速率抑制滋擾之影像時，一或多個電腦子系統可判定單個模式對於程序係充足的。相比之下，當無法藉由一或多個電腦子系統找到此一單一模式時，該(等)電腦子系統可消除單一模式選項且開始評估可按照本文中之詳盡闡述而執行之不同模式組合。以此方式，基於是否可找到可滿足由一使用者設定之效能目標(例如，一指定DOI擷取速率及/或一指定滋擾抑制速率)之一單一模式，該(等)電腦子系統可選擇一單個模式或嘗試找到可滿足彼等效能目標之多個模式。以此方式，該(等)電腦子系統可提供模式選擇步驟之靈活性同時亦嘗試找到對於程序可能之最簡單模式選擇。

按照本文中之闡述而產生之所模擬影像亦不特定於本文中或別處所闡述之任何特定模式選擇。舉例而言，本文中所闡述之實施例之另一優點係所模擬影像可在任何模式選擇程序中使用且可與任何其他實際影像或可輔助模式選擇程序之其他資訊組合。可使用本文中所闡述之所模擬影像執行之模式選擇之某些實例可存在於共同受讓之Brauer等人在2017年7月11日頒佈之第9,702,827號美國專利、Brauer在2018年10月30日頒佈之第10,115,040號美國專利、Brauer 在2021年3月30日頒佈之第10,964,016號美國專利及Brauer 等人在2021年5月18日頒佈之第11,010,885號美國專利中，所有該等美國專利如同完整陳述一般以引用方式併入本文中。本文中所闡述之實施例可按照此等專利中之闡述來進一步組態。

在某些實施例中，該(等)電腦子系統經組態以儲存關於一或多個選定模式之資訊以供在諸如由工具對樣品執行之一檢驗程序之一程序中使用。該(等)電腦子系統可經組態而以一方案或藉由針對將使用該(等)選定模式之程序產生一方案來儲存資訊。如本文中使用彼術語，一「方案」一般可定義為可由一工具用來對一樣品執行一程序之一指令集。以此方式，產生一方案可包含產生關於將如何執行一程序之資訊，該資訊然後可用來產生用於執行彼程序之指令。由該(等)電腦子系統儲存的關於一或多個選定模式之資訊可包含可用來識別及/或使用該(等)選定模式之任何資訊(例如，諸如一檔案名稱及儲存該檔案名稱之位置，且檔案可包含關於該等模式之資訊，諸如模式名稱、模式參數值等)。

該(等)電腦子系統可經組態以用於將關於該(等)選定模式之資訊儲存於任何適合電腦可讀儲存媒體中。該資訊可與本文中所闡述之結果中之任一者一起經儲存且可以此項技術中已知之任何方式來儲存。儲存媒體可包含本文中所闡述之任何儲存媒體或此項技術中已知之任何其他適合儲存媒體。在已儲存該資訊之後，該資訊可在儲存媒體中經存取且由本文中所闡述之方法或系統實施例中之任一者使用、經格式化以顯示給一使用者、由另一軟體模組、方法或系統使用等等。彼檢驗方案然後可經儲存且由檢驗樣品或其他樣品之系統或方法(或另一系統或方法)使用以藉此產生關於樣品或其他樣品之資訊(例如，缺陷資訊)。

一或多個電腦子系統及/或檢驗工具可經組態以使用選擇步驟之結果來對樣品及/或同一類型之其他樣品執行檢驗程序。此一檢驗程序可產生關於在樣品上偵測到之任何缺陷之結果，諸如所偵測缺陷之定界框之資訊(例如，位置)、偵測評分、關於缺陷分類之資訊(諸如類別標籤或ID等)或此項技術中已知之任何此類適合資訊。該(等)電腦子系統及/或檢驗工具可以任何適合方式產生關於該等缺陷之該等結果。關於該等缺陷之該等結果可具有任何適合形式或格式，諸如一標準檔案類型。該(等)電腦子系統及/或檢驗工具可產生該等結果且儲存該等結果，使得該等結果可由該(等)電腦子系統及/或另一系統或方法用來針對該(等)樣品或同一類型之另一樣品執行一或多個功能。

藉由對樣品及/或同一類型之其他樣品執行程序而產生之結果及資訊可由本文中所闡述之實施例及/或其他系統及方法以各種方式來使用。此等功能包含但不限於以一回饋或前饋方式更改曾經或將對經檢驗樣品或另一樣品執行之一程序，諸如一製作程序或步驟。舉例而言，本文中所闡述之該(等)電腦子系統可經組態以基於該(等)所偵測缺陷而判定曾經對按照本文中之闡述來檢驗之一樣品執行之一程序及/或將對該樣品執行之一程序的一或多個改變。該程序之該等改變可包含該程序之一或多個參數之任何適合改變。本文中所闡述之該(等)電腦子系統較佳地判定彼等改變，使得可減少或阻止在被執行經修正程序之其他樣品上之缺陷，可在對樣品執行之另一程序中校正或消除樣品上之缺陷，可在對樣品執行之另一程序中補償缺陷等。本文中所闡述之該(等)電腦子系統可以此項技術中已知之任何適合方式判定此等改變。亦可使用本文中所闡述之其他程序之結果判定此等改變。

彼等改變然後可發送至一半導體製作系統(未展示)或者該(等)電腦子系統及該半導體製作系統可存取之一儲存媒體(未展示)。該半導體製作系統可能係或可能並非本文中所闡述之系統實施例之一部分。舉例而言，本文中所闡述之該(等)電腦子系統及/或工具可耦合至該半導體製作系統，例如，經由諸如一殼體、一電源供應器、一樣品處置裝置或機構等之一或多個共同元件。該半導體製作系統可包含此項技術中已知之任何半導體製作系統，諸如一微影工具、一蝕刻工具、一化學機械拋光(CMP)工具、一沈積工具及諸如此類。

因此，如本文中所闡述，該等實施例可用來設置一新程序或方案。該等實施例亦可用來修改一現有程序或方案，無論該現有程序或方案係曾用於樣品還是曾針對一個樣品創建且現在適用於另一樣品的一程序或方案。

上文所闡述之系統中之每一者之實施例中之每一者可一起組合成一單個實施例。

另一實施例係關於一種用於選擇用於對一樣品執行之一程序的一工具之一模式的電腦實施之方法。該方法包含修改一樣品之設計資料之一部分以便產生該設計資料之一人為缺陷部分。該方法亦包含藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至包含於由一或多個電腦系統執行之一或多個組件中之一GAN中而產生該樣品之所模擬影像。另外，該方法包含判定該等所模擬影像之一或多個特性且基於該一或多個所判定特性而選擇用於對該樣品執行之一程序的一工具之一模式。由該一或多個電腦系統執行該等修改、產生、判定及選擇步驟。

可按照本文中之詳盡闡述執行該方法之步驟中之每一者。該方法亦可包含可由本文中所闡述之系統、(若干)電腦系統、(若干)組件及/或GAN執行之任何其他步驟。該(等)電腦系統可根據本文中所闡述之實施例中之任一者來組態，例如，電腦子系統102。該一或多個組件及該GAN亦可根據本文中所闡述之實施例中之任一者來組態。可由本文中所闡述之系統實施例中之任一者執行該方法。

一額外實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一或多個電腦系統上執行以用於執行用於選擇用於對一樣品執行之一程序的一工具之一模式的一電腦實施之方法。在圖7中展示一項此類實施例。特定而言，如圖7中所展示，非暫時性電腦可讀媒體700包含可在電腦系統704上執行之程式指令702。電腦實施之方法可包含本文中所闡述之任何方法之任何步驟。

實施諸如本文中所闡述之方法之方法之程式指令702可儲存於電腦可讀媒體700上。電腦可讀媒體可係諸如一磁碟或光碟、一磁帶之一儲存媒體，或此項技術中已知之任何其他適合之非暫時性電腦可讀媒體。

可以各種方式中之任一者來實施程式指令，該等方式包含基於程序之技術、基於組件之技術及/或物件導向之技術以及其他技術。舉例而言，可使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE (串流化SIMD擴展)或其他技術或方法按需實施該等程式指令。

電腦系統704可根據本文中所闡述之實施例中之任一者來組態。

鑒於此說明，熟習此項技術者將明瞭本發明之各種態樣之其他修改及替代實施例。舉例而言，提供用於選擇用於對一樣品執行之一程序的一工具之一模式的方法及系統。因此，此說明應被視為僅具說明性，且係出於教示熟習此項技術者實施本發明之一般方式之目的。應理解，本文中所展示及所闡述之本發明之形式應被視為目前較佳實施例。如熟習此項技術者在受益於對本發明之此說明之後將全部明瞭，元件及材料可替代本文中所圖解說明及闡述之那些元件及材料，零件及過程可顛倒，且本發明之某些特徵可獨立地利用。可在不背離如以下申請專利範圍中所闡述的本發明之精神及範疇之情況下對本文中所闡述之元件做出改變。

14:樣品 16:光源/源 18:光學元件 20:透鏡 22:載台 24:集光器 26:元件 28:偵測器 30:集光器 32:元件 34:偵測器 36:電腦子系統 100:檢驗工具 102:電腦子系統 104:組件 106:生成對抗網路 122:電子柱 124:電腦子系統 126:電子束源 128:樣品 130:元件 132:元件 134:偵測器 200:步驟 202:步驟 204:步驟 206:步驟 208:步驟 210:步驟 212:步驟 300:條件資訊 302:設計影像 304:潛在空間向量 306:生成器網路 308:所產生影像 310:所模擬樣品影像 312:真實影像 314:實際光學影像 316:條件資訊 318:設計影像 320:鑑別器網路 322:輸出 400:設計影像 402:經添加缺陷 404:經訓練生成器網路 406:所產生片塊影像/所模擬影像 408:缺陷 500:編碼器 502:解碼器 504:輸入 506:區塊 508:區塊 510:區塊 512:特徵層 514:區塊 516:區塊 518:區塊 520:輸出 522:跳躍連接 600:輸入 602:層 604:層 606:層 608:層 610:層 612:輸出 700:非暫時性電腦可讀媒體/電腦可讀媒體 702:程式指令 704:電腦系統

在受益於對較佳實施例之以下詳細說明之情況下且在參考隨附圖式之後，熟習此項技術者將明瞭本發明之其他優點，其中： 圖1及圖1a係圖解說明按照本文中之闡述來組態之一系統之實施例之側視圖的示意圖； 圖2至圖4係圖解說明可由本文中所闡述之實施例執行之步驟的流程圖； 圖5係圖解說明可包含於一生成對抗網路(GAN)之一實施例中之一生成器之一項實例的一示意圖； 圖6係圖解說明可包含於一GAN之一實施例中之一鑑別器之一項實例的一示意圖；且 圖7係圖解說明儲存程式指令之一非暫時性電腦可讀媒體之一項實施例之一方塊圖，該等程式指令用於致使(若干)電腦系統執行本文中所闡述之一電腦實施之方法。 雖然易於對本發明做出各種修改及替代形式，但其特定實施例係以實例方式展示於圖式中且在本文中詳細地闡述。該等圖式可未按比例繪製。然而，應理解，圖式及對圖式之詳細說明並不意欲將本發明限制於所揭示之特定形式，而是相反，本發明意欲涵蓋在由隨附申請專利範圍所界定的本發明之精神及範疇內之所有修改、等效形式及替代形式。

14:樣品

16:光源/源

18:光學元件

20:透鏡

22:載台

24:集光器

26:元件

28:偵測器

30:集光器

32:元件

34:偵測器

36:電腦子系統

100:檢驗工具

102:電腦子系統

104:組件

106:生成對抗網路

Claims (23)

1. 一種經組態以選擇用於對一樣品執行之一程序的一工具之一模式的系統，其包括： 一或多個電腦子系統；及 一或多個組件，其由該一或多個電腦子系統執行，其中該一或多個組件包括一生成對抗網路；且 其中該一或多個電腦子系統經組態以用於： 修改一樣品之設計資料之一部分以便產生該設計資料之一人為缺陷部分； 藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至該生成對抗網路中而產生該樣品之所模擬影像； 判定該等所模擬影像之一或多個特性；及 基於該一或多個所判定特性而選擇用於對該樣品執行之一程序的一工具之一模式。
2. 如請求項1之系統，其中該生成對抗網路係組態為一條件生成對抗網路。
3. 如請求項1之系統，其中用由該工具所產生的該樣品或與該樣品相同類型之另一樣品之影像以及該樣品或該另一樣品之該設計資料訓練該生成對抗網路。
4. 如請求項1之系統，其中該生成對抗網路經訓練以針對該工具之一第一模式產生該等所模擬影像，且其中針對該樣品產生該等所模擬影像包括將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至一額外生成對抗網路中，該額外生成對抗網路經訓練以針對該工具之一第二模式產生該等所模擬影像。
5. 如請求項1之系統，其中該生成對抗網路經訓練以針對該工具之不同模式產生該等所模擬影像。
6. 如請求項1之系統，其中針對該工具之不同模式產生該等所模擬影像，其中針對為該工具之該等不同模式產生之該等所模擬影像判定該一或多個特性，且其中基於該一或多個所判定特性而選擇該工具之該模式包括比較針對為該工具之該等不同模式產生之該等所模擬影像判定之該一或多個特性。
7. 如請求項1之系統，其中選擇該工具之該模式包括基於該一或多個所判定特性而為該程序選擇該工具之不只一個模式。
8. 如請求項1之系統，其中判定該一或多個特性包括：自針對該設計資料之該人為缺陷部分產生之該等所模擬影像中之一者減去針對該設計資料之該部分產生之該等所模擬影像中之一者，藉此產生一差影像；及判定該差影像之一或多個特性。
9. 如請求項8之系統，其中該差影像之該一或多個所判定特性包括該差影像之信雜比值。
10. 如請求項1之系統，其中可在該樣品上偵測到之實際缺陷之數目對於為該程序選擇該模式係不充足的。
11. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以用於在不具有在該樣品上偵測到之一或多個實際缺陷之資訊之情況下判定該設計資料之該人為缺陷部分之一或多個特性。
12. 如請求項1之系統，其中基於該樣品上之一所關注缺陷之資訊而執行修改該樣品之該設計資料之該部分，且其中在修改該設計資料之該部分之前在由該工具執行之一設置掃描中未能在該樣品上偵測到該所關注缺陷之實際例項。
13. 如請求項1之系統，其中基於已知由該工具藉由重複成像而更改的該樣品上之一所關注缺陷之資訊而執行修改該樣品之該設計資料之該部分。
14. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以用於修改該設計資料之一額外部分以便產生該設計資料之一額外人為缺陷部分，基於該樣品上之一第一所關注缺陷之資訊而判定該設計資料之該人為缺陷部分之一或多個特性，且基於該樣品上之一第二所關注缺陷之資訊而判定該設計資料之該額外人為缺陷部分之一或多個特性，且其中產生該等所模擬影像包括將該設計資料之該額外部分及該設計資料之該額外人為缺陷部分輸入至該生成對抗網路或一額外生成對抗網路中。
15. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以用於修改該設計資料之一額外部分以便產生該設計資料之一人為滋擾部分且基於該樣品上之一滋擾之資訊而判定該設計資料之該人為滋擾部分之一或多個特性，且其中產生該等所模擬影像包括將該設計資料之該額外部分及該設計資料之該人為滋擾部分輸入至該生成對抗網路或一額外生成對抗網路中。
16. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以用於用由該工具產生的一額外樣品之影像重新訓練該生成對抗網路藉此產生一經重新訓練之生成對抗網路，其中該樣品及該額外樣品係同一類型，且其中該一或多個電腦子系統進一步經組態以用於藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至該經重新訓練之生成對抗網路中而產生該額外樣品之額外所模擬影像，判定該等額外所模擬影像之一或多個特性，且基於該等額外所模擬影像之該一或多個所判定特性而選擇用於對該額外樣品執行之該程序的該工具之一模式。
17. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以用於在已有意地改變對該樣品及該額外樣品執行之一製作程序之後執行該重新訓練。
18. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以用於在已對預定數目個樣品執行對該樣品執行之一製作程序之後執行該重新訓練。
19. 如請求項1之系統，其中該工具係一基於光之檢驗工具。
20. 如請求項1之系統，其中該工具係一基於電子之檢驗工具。
21. 如請求項1之系統，其中該樣品係一晶圓。
22. 一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一或多個電腦系統上執行以用於執行用於選擇用於對一樣品執行之一程序的一工具之一模式的一電腦實施之方法，其中該電腦實施之方法包括： 修改一樣品之設計資料之一部分以便產生該設計資料之一人為缺陷部分； 藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至包含於由該一或多個電腦系統執行之一或多個組件中之一生成對抗網路中而產生該樣品之所模擬影像； 判定該等所模擬影像之一或多個特性；及 基於該一或多個所判定特性而選擇用於對該樣品執行之一程序的一工具之一模式。
23. 一種用於選擇用於對一樣品執行之一程序的一工具之一模式的電腦實施之方法，其包括： 修改一樣品之設計資料之一部分以便產生該設計資料之一人為缺陷部分； 藉由將該設計資料之該部分及該設計資料之該人為缺陷部分輸入至包含於由一或多個電腦系統執行之一或多個組件中之一生成對抗網路中而產生該樣品之所模擬影像； 判定該等所模擬影像之一或多個特性；及 基於該一或多個所判定特性而選擇用於對該樣品執行之一程序的一工具之一模式，其中由該一或多個電腦系統執行該修改、該產生、該判定及該選擇。

Images