TW202236460A - 基於參考圖像來決定樣本中的缺陷和／或邊緣粗糙度 - Google Patents

基於參考圖像來決定樣本中的缺陷和／或邊緣粗糙度 Download PDF

Info

Publication number
TW202236460A
TW202236460A TW111101506A TW111101506A TW202236460A TW 202236460 A TW202236460 A TW 202236460A TW 111101506 A TW111101506 A TW 111101506A TW 111101506 A TW111101506 A TW 111101506A TW 202236460 A TW202236460 A TW 202236460A
Authority
TW
Taiwan
Prior art keywords
pixels
structural element
data
pair
information
Prior art date
Application number
TW111101506A
Other languages
English (en)
Inventor
薛隆 艾卡彥
薛爾 科恆
諾姆 札克
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 TW202236460A publication Critical patent/TW202236460A/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

提供了系統和方法，包括：獲得半導體樣本的分段圖像，該圖像包括第一結構元素；獲得半導體樣本的參考圖像，該參考圖像是基於設計資料並且包括第二結構元素；對於包括第一結構元素和對應的第二結構元素的至少一對元素，決定提供為了根據匹配標準使該對的元素匹配所需的空間變換的資訊的資料D 空間；以及至少使用D 空間來決定提供第一結構元素中的缺陷的資訊的資料和提供第一結構元素的邊緣粗糙度的資訊的資料中的至少一者。

Description

基於參考圖像來決定樣本中的缺陷和/或邊緣粗糙度
當前公開的主題總體涉及樣本檢驗領域，並且更具體地涉及自動化對樣本的檢驗。
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、提高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高均勻性的元件特徵，這又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化檢驗元件。
在半導體製造期間的各種步驟處使用了檢驗製程來偵測樣本上的缺陷並且對其進行分類。可藉由（多個）製程的自動化(例如，自動化缺陷分類(ADC)、自動化缺陷查驗(ADR)等)來提高檢驗效力。
根據當前公開的主題的某些態樣，提供了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：獲得所述半導體樣本的分段圖像，所述圖像包括第一結構元素；獲得所述半導體樣本的參考圖像，所述參考圖像是基於設計資料並且包括第二結構元素；對於包括第一結構元素和對應的第二結構元素的至少一對元素，決定提供為了根據匹配標準使所述對的元素匹配所需的空間變換的資訊的資料D 空間；以及至少使用D 空間來決定提供所述第一結構元素中的缺陷的資訊的資料和提供所述第一結構元素的邊緣粗糙度的資訊的資料中的至少一者。
根據一些實施例，所述系統被配置為對於所述至少一個對，決定提供在向所述第二結構元素的複數個像素應用相同空間變換之後的對應於所述第二結構元素的經校正的元素的資訊的資料。
根據一些實施例，所述空間變換包括平移和擴張中的至少一者。
根據一些實施例，所述系統被配置為：決定表示所述空間變換的幅值的資料D 幅值，其中相同空間變換適用於所述對的元素的像素；並且至少基於D 幅值來決定提供所述第一結構元素中的缺陷的資訊的資料。
根據一些實施例，所述系統被配置為對於所述至少一個對：獲得提供所述第一結構元素的第一複數個像素的位置的資訊的資料；獲得提供所述第二結構元素的第二複數個像素的位置的資訊的資料；決定表示在所述第一複數個像素與所述第二複數個像素之間的對應關係的資料D 對應；至少基於資料D 對應，決定提供根據匹配標準使所述第一複數個像素的所述位置和所述第二複數個像素的所述位置匹配所需的所述空間變換的資訊的資料D 空間。
根據一些實施例，D 對應是基於以下項中的至少一者：所述第一複數個像素和所述第二複數個像素中的至少一些像素的位置，以及提供所述第一結構元素和所述第二結構元素中的至少一者的局部形狀的資訊的資料。
根據一些實施例，提供所述第一結構元素和所述第二結構元素中的至少一者的局部形狀的資訊的資料包括：與所述第一結構元素和所述第二結構元素中的至少一者的輪廓正交的方向，以及所述第一結構元素和所述第二結構元素中的至少一者的曲率。
根據一些實施例，決定提供空間變換的資訊的資料包括使用歸因於所述第一複數個像素和所述第二複數個像素中的至少一些像素的至少一個權重，所述權重基於資料D 對應來決定。
根據一些實施例，所述系統被配置為對於所述至少一個對：對於所述對的所述第一結構元素的複數個像素中的每個像素，決定在所述像素與所述對的所述經校正的元素的對應像素之間的距離；並且基於對於複數個像素的所述距離的分佈，決定提供所述第一結構元素中的缺陷的資訊的資料。
根據一些實施例，所述系統被配置為對於所述至少一個對：對於所述對的所述第一結構元素的複數個像素中的每個像素，決定在所述像素與所述對的所述經校正的元素的對應像素之間的距離；並且基於對於複數個像素的所述距離的分佈，決定提供所述第一結構元素的邊緣粗糙度的資訊的資料。
根據一些實施例，所述系統被配置為對於複數個對中的每一者：決定提供在向所述第二結構元素的複數個像素應用相同空間變換之後的對應於所述第二結構元素的經校正的元素的資訊的資料；基於以下項中的至少一者來決定所述第一結構元素中存在缺陷的可能性：提供所述空間變換的幅值的資訊的資料，以及在所述第一結構元素的像素與所述對的所述經校正的元素的對應像素之間的距離。
根據一些實施例，所述系統被配置為：在偵測到第一結構元素中的位於第一位置處的缺陷並且偵測到第一結構元素中的位於第二位置處的缺陷時，如果在所述第一位置與所述第二位置之間的距離低於閾值，則輸出指示對於所述第一位置和所述第二位置兩者的單個缺陷的資料。
根據當前公開的主題的某些其他態樣，提供了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)：獲得所述半導體樣本的分段圖像，所述圖像包括第一結構元素；獲得所述半導體樣本的參考圖像，所述參考圖像是基於設計資料並且包括第二結構元素；對於包括第一結構元素和對應的第二結構元素的至少一對元素，決定提供為了根據匹配標準使所述對的元素匹配所需的空間變換的資訊的資料D 空間；以及至少使用D 空間來決定提供所述第一結構元素中的缺陷的資訊的資料和提供所述第一結構元素的邊緣粗糙度的資訊的資料中的至少一者。
根據當前公開的主題的其他態樣，所述方法可包括執行如以上參考所述系統所描述的一個或多個操作。
根據當前公開的主題的其他態樣，提供了非暫時性電腦可讀媒體，所述非暫時性電腦可讀媒體包括指令，所述指令在由電腦執行時使所述電腦執行根據所述方法的操作。
根據一些實施例，對缺陷的偵測可以是基於樣本的單個圖像。根據一些實施例，可偵測各種類型的缺陷。根據一些實施例，提高了缺陷偵測的效率和準確性。根據一些實施例，獲得提供邊緣粗糙度的資訊的資料。
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，並未詳細地描述所熟知的方法、過程、部件和電路，以免模糊當前公開的主題。
除非另外具體地陳述，否則如從以下論述所顯而易見的，將瞭解，貫穿本說明書的論述，利用諸如「獲得」、「決定」、「輸出」、「使用」、「配准」等術語是指處理器的將資料操縱和/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「處理器」涵蓋具有可基於存儲在記憶體(諸如電腦、伺服器、晶圓、硬體處理器等)中的指令來執行任務的資料處理電路系統的任何計算單元或電子單元。它涵蓋了可位於相同地理區中或可至少部分地位於不同區中並且能夠一起進行通信的單個處理器或多個處理器。
本說明書中使用的術語「樣本」應當被廣義地解釋為涵蓋用於製造半導體積體電路、磁頭、平板顯示器和其他半導體製品的任何種類的晶圓、掩模和其他結構、以上項的組合和/或其部分。
本說明書中使用的術語「檢驗」應當被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製造期間對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非破壞性檢驗工具提供。作為非限制性示例，檢驗製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、查驗、測量、分類和/或關於樣本或其部分提供的其他操作。同樣，檢驗可在製造要檢驗的樣本之前提供，並且可包括例如生成（多個）檢驗方案和/或其他設置操作。需注意，除非另外具體地陳述，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，多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式過程，例如，先檢查樣本，再查驗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可疑位置中的至少一些。在一些情況下，兩個階段可由相同檢查工具實現，並且在一些其他情況下，這兩個階段由不同檢查工具實現。
本文中使用的術語「非暫時性記憶體」和「非暫時性介質」應當被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「缺陷」應當被廣義地解釋為涵蓋形成在樣本上或內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」應當被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員提供，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。
未參考任何特定程式設計語言來描述當前公開的主題的實施例。將瞭解，可使用多種程式設計語言來實現如本文所描述的當前公開的主題的教導。
本發明設想了可由電腦讀取來執行本發明的一種或多種方法的電腦程式。本發明進一步設想了有形地體現可由電腦執行來執行本發明的一種或多種方法的指令程式的機器可讀記憶體。
考慮到這一點，轉向圖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。作為樣本製造製程的部分，可使用圖1中示出的檢驗系統100來檢驗樣本(例如，半導體樣本，諸如晶圓和/或其部分)。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能夠使用一個或多個樣本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樣本的圖像和/或查驗（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 (電腦輔助設計)伺服器110和/或資料存儲庫109。
系統103包括處理器和記憶體電路系統(PMC)104。PMC 104被配置為提供作業系統103必需的處理，如在下述各種實施例中進一步描述的，並且包括處理器(未單獨地示出)和記憶體(未單獨地示出)。在圖1中，PMC 104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。
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一個或多個功能模組。此類功能模組在下文中被稱為包括在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輸出應用相關資料的機器學習網路/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）架構或以其他方式來組織DNN 112的層。可選地，層中的至少一些可被組織在複數個DNN子網中。DNN 112的每個層可包括多個基本計算元素(CE)，在本領域中，其典型地被稱為維度、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可被配置為計算啟動值(例如，輸入的加權和)，並且藉由將啟動函數應用於所計算的啟動來進一步匯出輸出。啟動函數可以是例如恆等函數、決定性函數(例如，線性、sigmoid、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的輸入之前應用於CE的輸出的加權值相關聯。除了加權值外，還可存在與連接和CE相關聯的閾值(包括限制函數)。
可在訓練之前初始地選擇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 112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產生的實際輸出和與相應資料訓練集相關聯的目標輸出之間的差值(也被稱為損失函數)。所述差值可被稱為誤差值。當指示誤差值的成本或損失函數小於預定值時，或者當反覆運算之間的效能上的受限改變被實現時，可決定訓練已經完成。可選地，在訓練整個DNN 112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，所述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/或其他相關資料存儲庫中的資料。需注意，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)和相關聯標量資料(例如，中繼資料、人為屬性等)。需進一步注意，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。
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)一起)後，系統103可經由輸出介面106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渲染結果，和/或將結果發送到外部系統(例如，FAB的收率管理系統(YMS))。GUI 108可被進一步配置為實現與系統103有關的使用者指定輸入。
作為非限制性示例，可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)檢驗樣本。提供樣本的低解析度圖像的資訊的所得資料(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，可由高解析度機器102檢驗樣本(例如，可由掃描電子顯微鏡(SEM)或原子力顯微鏡(AFM)查驗被選擇用於查驗的潛在缺陷位置的子集)。提供樣本的高解析度圖像的資訊的所得資料(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，圖像資料可連同與其相關聯的中繼資料(例如，像素大小、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。
本領域技術人員將容易地瞭解，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/或經修改的功能可以另一種方式合併或劃分，並且可實現在軟體與固件和/或硬體的任何適當組合中。
在不以任何方式限制本公開內容的範圍的情況下，還應當注意，檢驗工具可被實現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實現在分散式運算環境中，其中圖1中示出的前述功能模組可跨若干本端和/或遠端裝置分佈，並且可藉由通信網路連結。需進一步注意，在另一個實施例中，檢驗工具101和/或102、資料存儲庫109、存儲系統107和/或GUI 108中的至少一些可在檢驗系統100外部並且以經由輸入介面105和輸出介面106與系統103的資料通信進行操作。系統103可被實現為（多個）獨立電腦，以結合檢驗工具使用。替代地，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。
現在將注意力轉向圖2。一種方法包括獲得(附圖標記200)樣本的分段圖像(例如，從樣本的區域)。圖2A中提供了分段圖像280的非限制性示例。如在圖2A中可見，分段圖像280包括複數個第一結構元素(281)。結構元素包括(所提供的示例不是限制性的)閘極、電晶體、觸點，或者這些元素的部分。結構元素的性質和/或形狀在圖像中可不同。
根據一些實施例，分段圖像已經是可用的，並且例如從資料庫或從任何適當源獲得。根據一些實施例，操作200可包括執行樣本的圖像的分段。這可包括將樣本的圖像分段為屬於同一物件的像素組，由此識別對應於不同結構元素的連續區域。
所述方法包括獲得(附圖標記210)半導體樣本的參考圖像。圖2B中提供了參考圖像285的非限制性示例。參考圖像包括第二結構元素286。參考圖像是樣本(例如，管芯、單元等)的參考區域的圖像，其中相應圖像資料經驗證為表示沒有缺陷和製程變化的參考區域。換句話說，此圖像可被視為模型/參考。有許多方式來生成參考圖像。根據一些實施例，參考圖像基於設計資料來生成。根據一些實施例，可使用CAD資料類比參考圖像。根據一些實施例，參考圖像可對應於被使用者驗證為沒有缺陷和製程變化的分段圖像。這些方法不是限制性的。
分段圖像可與參考圖像相當(例如，管芯到資料庫等)，並且提供半導體樣本的區域的資訊。分段圖像應當提供與區域相關聯的複數個缺陷的資訊。區域被配置為滿足關於參考區域的相似性標準，並且可屬於相同或不同半導體樣本。例如，相似性標準可定義例如區域和參考區域對應於相同物理部件或對應於半導體樣本的類似區(例如，類似管芯、單元等)。
需注意，為了確保在圖像之間的相容性，至少一個分段圖像(或已經從其生成分段圖像的圖像)和參考圖像可經歷配准過程。
假設給定元素對包括分段圖像的第一結構元素和參考圖像的對應的第二結構元素。一般來講，對於給定對，第二結構元素表示第一結構元素的所期望的形狀，或至少表示這種所期望的形狀的良好近似。
給定元素對的識別可包括例如將不同的第一結構元素聚類成包括具有類似形狀的結構元素的群集。相同製程可應用於參考圖像。圖2C中提供了示意性示例，其中已經識別了四個不同集群。
基於這種聚類，以及基於第一結構元素和第二結構元素在它們相應的圖像中的位置，可識別複數個元素對，每個元素對包括分段圖像的第一結構元素和參考圖像的對應的第二結構元素。
返回到圖2的方法，所述方法可包括對於包括第一結構元素和對應的第二結構元素的至少一對元素，決定(操作220)提供為了根據匹配標準使所述對的元素匹配所需的空間變換的資訊的資料D 空間。匹配標準可包括例如元素應當以小於閾值的差異(如果這種情況可能的話)匹配，或者元素應當儘可能匹配。以下提供了用於決定D 空間的各種實施例。
根據一些實施例，所述方法進一步包括對於至少一對元素，使用D 空間決定(操作230)分段圖像的第一結構元素是否包括缺陷。根據一些實施例，所述方法包括(操作230)至少使用D 空間來決定提供第一結構元素的邊緣粗糙度的資訊的資料。以下將提供實施例。
現在將注意力轉向圖3。
假設獲得給定元素對(包括第一結構元素和對應的第二結構元素)(參見操作300)。根據一些實施例，決定D 空間(如參考操作220所解釋)包括決定(操作310)要應用到所述對的元素的複數個像素(特別地，要應用到存在於元素的輪廓上的像素)的相同空間變換。換句話說，被應用空間變換的元素的所有像素都經歷了共同且唯一的空間變換(X軸與Y軸之間的空間變換可不同)。
根據一些實施例，空間變換可包括平移和擴張(其中多邊形可生長或收縮)中的至少一者，或者複數個這些操作的組合。
根據一些實施例，決定要應用到第二結構元素的空間變換，以便使所述對的元素匹配。根據其他實施例，決定要應用到第一結構元素的空間變換，以便使所述對的元素匹配。
圖3A中提供了非限制性示例，描繪了第一結構元素381和對應的第二結構元素386。可決定空間變換，並且將所述空間變換應用到例如第二結構元素386。此空間變換的輸出是經校正的元素387。如在圖3A中可見，將相同空間變換應用到第二結構元素386的輪廓的像素提供經校正的元素387。
經校正的元素387表示第二結構元素386的「理想」形狀(特別是減弱或至少減少存在於輪廓上的擾動，諸如製程變化)，並且可用於各種應用。例如，由於抵消或至少減少了存在於第一結構元素的輪廓中的雜訊，經校正的元素可用於決定在經校正的元素與圖像的其他元素之間的距離，或者更好地決定由第一結構元素覆蓋的總面積。以下描述了其他可能的應用(特別是對缺陷的偵測、對提供邊緣粗糙度的資訊的資料的決定)。
現在將注意力轉向圖3B。根據一些實施例，方法可進一步包括(除了以上已經描述的操作300和310之外)決定(操作320)表示空間變換的幅值的資料D 幅值。例如，在圖3A中，沿X軸的D 幅值可由提供距離390和/或距離391的資訊的資料表示(在一些實施例中，此距離可相對於在空間變換之前的第二結構元素的大小歸一化)。類似地，沿Y軸的D 幅值可由提供距離392和/或距離393的資訊的資料表示(在一些實施例中，此距離可相對於在空間變換之前的第二結構元素的大小歸一化)。根據一些實施例，可基於沿X軸的D 幅值和沿Y軸的D 幅值來決定D 幅值的聚合值。然而，這不是限制性的。
根據一些實施例，假設空間變換可藉由仿射等式進行建模：
Figure 02_image001
Figure 02_image003
在此等式中，X ref(相應地，Y ref)是一對的第二結構元素的像素沿X軸(相應地，Y軸)的位置，並且X 校正(相應地，Y 校正)是經校正的元素的像素沿Y軸的位置。S X(相應地，S Y)是沿X軸(相應地，Y軸)的空間變換的比例因數。T X(相應地，T Y)是沿X軸(相應地，Y軸)的空間變換的平移因數。
所述方法可進一步包括至少基於D 幅值來決定(操作330)提供第一結構元素中的缺陷的資訊的資料。特別地，如果D 幅值不滿足標準(例如，它高於閾值或低於閾值，這取決於D 幅值的定義)，則這可指示缺陷。在一些實施例中，如果沿X軸的D 幅值和沿Y軸的D 幅值中的至少一者不滿足標準，則這可指示缺陷。根據一些實施例，可將S X、S Y、T X和T Y中的至少一者與閾值進行比較，以便決定是否存在缺陷(特別地，高於S X和/或S Y的閾值的值可指示存在缺陷)。根據一些實施例，操作330可包括提供存在缺陷的第一可能性(例如，概率P 1)。可使用D 幅值決定此第一可能性。根據一些實施例，可基於在D 幅值與標準(諸如閾值)之間的比較的結果來生成第一可能性。
圖3B的方法可反覆運算地應用於複數個元素對(參見附圖標記340)，每個元素對包括分段圖像的第一結構元素和參考圖像的對應的第二結構元素。這對於每個元素對提供了第一結構元素中存在缺陷的第一可能性。
根據一些實施例，對於複數個元素對中的每一者，決定使所述對的元素匹配所需的表示空間變換的幅值的資料D 幅值。因此，獲得D 幅值的各種值的分佈。一般來講，獲得的D 幅值的值的大部分都位於同一區間內，只有幾個值位於此區間外。對缺陷的識別可包括識別D 幅值的位於群體的大多數的區間外的不規則值。圖3C中示出了非限制性示例，其中D 幅值的值的大多數位於同一區間360中。兩個值340和350在區間360外，並且被識別為對應於缺陷。
現在將注意力轉向圖4，描繪了決定使一對的兩個結構元素匹配所需的空間變換的方法。所述方法可包括獲得(400)提供第一結構元素的第一複數個像素的位置的資訊的資料。特別地，這可對應於位於第一結構元素的輪廓上的像素。所述方法可包括獲得(410)提供第二結構元素的第二複數個像素的位置的資訊的資料。特別地，這可對應於位於第二結構元素的輪廓上的像素。
所述方法可進一步包括決定(420)表示在第一複數個像素與第二複數個像素之間的對應關係的資料D 對應。換句話說，對於第一結構元素(相應地，第二結構元素)的每個給定像素，嘗試決定它對應於第二結構元素(相應地，第一結構元素)的哪個像素。
根據一些實施例，D 對應是基於以下項中的至少一者：第一複數個像素和第二複數個像素中的至少一些像素的位置，和提供第一結構元素和第二結構元素中的至少一者的局部形狀的資訊的資料。如果第一結構元素的給定像素和第二結構元素的給定像素具有根據標準對應的位置，則存在這兩個像素彼此對應的可能性。為了進一步改善這種對應關係，還可考慮到局部形狀。這可在圖4A的非限制性示例中示出。
在圖4A中，嘗試決定第一結構元素481的對應於第二結構元素486的像素450的像素。如果僅考慮到像素的相對位置，則像素460是第一結構元素481的與像素450最佳地對應的像素。然而，如在圖4A中可見，在這種特定情況下，像素455更好地對應於像素450。藉由還考慮到第一結構元素和第二結構元素的形狀的匹配，可決定像素455與像素450最佳地對應，儘管像素455比像素460距像素450更遠。
根據一些實施例，局部形狀可包括與第一結構元素和第二結構元素中的至少一者的輪廓正交的方向。此方向也稱為輪廓的法線。例如，在圖4A的圖中，在像素450附近的第二結構元素486的輪廓的法線由箭頭490表示，在像素455附近的第一結構元素481的輪廓的法線由箭頭491表示，並且在像素460附近的第一結構元素481的輪廓的法線由箭頭492表示。如在圖4A中可見，法線490與法線491的匹配程度比法線492更高。
根據一些實施例，提供第一結構元素和第二結構元素中的至少一者的局部形狀的資訊的資料包括第一結構元素和第二結構元素中的至少一者的曲率。例如，可決定在被檢查像素周圍的元素的輪廓的局部曲率。這在圖4A中示出，其中針對像素493決定局部曲率492，並且針對像素494決定局部曲率495。可根據需要來決定提供局部形狀的資訊的其他資料。
根據一些實施例，可決定成本函數，以便決定在第一複數個像素與第二複數個像素之間的對應關係。成本函數可例如基於在P 1與P 2之間的歐幾裡得距離和在提供像素P 1的局部形狀的資訊的資料與提供像素P 2的局部形狀的資訊的資料之間的差異來表達在像素P 1(來自第一結構元素)與像素P 2(來自第二結構元素)之間的對應關係的位凖。
返回圖4A的方法，一旦已經決定D 對應，就可使用D 對應決定D 空間。實際上，由於D 對應指示彼此對應的第一結構元素和第二結構元素的像素對，因此可藉由決定確保這些像素對的空間匹配所需的空間變換來決定D 空間。
根據一些實施例，並且如上所述，空間變換被表達為單個變換(例如，仿射函數)，以將相似性應用於第二結構元素的像素，以便獲得與第一結構元素匹配的經校正的元素。以下提供了這種空間變換的非限制性建模：
Figure 02_image005
在此運算式中，X Seg和Y Seg是第一結構元素的第一像素的空間座標，X Ref和Y Ref是第二結構元素的第二像素的空間座標，其中第一像素和第二像素已經根據D 對應被識別為彼此對應。
Figure 02_image007
、
Figure 02_image009
、
Figure 02_image011
和
Figure 02_image013
是要決定的仿射變換的參數。
由於基於D 對應可得到複數個匹配像素對，因此可解決全域優化問題，這可如下表達(不限於此)：
Figure 02_image015
Figure 02_image017
在此運算式中，對於由D 對應提供的像素的每個對「p」，
Figure 02_image019
和
Figure 02_image021
是第一結構元素的第一像素的空間座標，並且
Figure 02_image023
和
Figure 02_image025
是第二結構元素的第二像素(對應於第一像素)的空間座標。
一旦已經決定空間變換的參數，所述方法就可包括輸出經校正的元素。根據一些實施例，空間變換被應用於(參考圖像的)第二結構元素，以便獲得經校正的元素。例如，在圖3A中，第二結構元素386(在空間變換之後)被變換成經校正的元素387。這不是限制性的，並且在其他實施例中，決定空間變換，並且將所述空間變換應用到第一結構元素，以便獲得經校正的元素。
對於包括分段圖像的第一結構元素和參考圖像的對應的第二結構元素的複數個元素對中的每一者，可反覆運算地重複圖4的方法。因此，可生成經校正的圖像(包括所有的經校正的元素)。圖4B中示出了非限制性示例，其中圖像498被轉換成經校正的圖像499。
現在將注意力轉向圖5。假設對於包括分段圖像的第一結構元素和參考圖像的對應的第二結構元素的對，已經將第二結構元素修改成經校正的元素(操作500)，如在以上各種實施例中所解釋。所述方法可包括對於所述對的第一結構元素的複數個像素中的每個像素，決定在像素與所述對的經校正的元素的對應像素之間的距離(例如歐幾裡得距離)(操作510)。對應像素例如從提供在第一結構元素與對應的第二結構元素之間的對應像素的操作420(參見圖4)的輸出中已知。由於經校正的元素包括在幾何變換(例如，平移/擴張)之後的第二結構元素的像素，因此第一結構元素和經校正的元素的對應像素是已知的。然而，這不是限制性的。
根據一些實施例，對於第一結構元素的複數個像素中的每個像素，決定在像素與經校正的元素的對應像素之間的距離。因此，獲得距離的值的分佈(以下稱為「距離分佈」，參見例如圖5B中的非限制性示例)。
此距離分佈可用於各種應用。
根據一些實施例，距離分佈可用於決定提供第一結構元素的邊緣粗糙度的資訊的資料(參見操作514)。實際上，由於經校正的元素的輪廓一般沒有製程變化，因此可被用作決定提供第一結構元素的輪廓中的邊緣粗糙度的資訊的資料的參考。
根據一些實施例，距離分佈可用於決定提供第一結構元素中的缺陷的資訊的資料(操作515)。在一些實施例中，此距離分佈可用於偵測此距離對應於異常(缺陷，參見例如圖5A)的具體像素。
根據一些實施例，距離分佈可用於決定提供第一結構元素的邊緣粗糙度的資訊的資料和決定提供第一結構元素中的缺陷的資訊的資料兩者。
圖5A中示出了非限制性示例。假設第一結構元素表示為元素520，並且假設經校正的元素(與第一結構元素相關聯)表示為元素530。計算在對應像素之間的複數個距離540。如上所述，這可針對複數個對執行，每個對包括第一結構元素和對應的經校正的元素。對於每個對，可獲得距離的分佈560，如圖5B所示。
由於像素的大多數使得在第一結構元素與經校正的元素之間的距離很小，因此分佈一般以接近零的值(主峰)為中心。決定提供邊緣粗糙度的資訊的資料可包括例如決定與距離分佈560的主峰561相關聯的標準差(附圖標記580，或者其他相關統計資料)。
第二峰570在分佈中可見，以距離的給定負值為中心。此第二峰與和像素的大多數相關聯的距離分佈不匹配，因此可識別出屬於此第二峰的所有像素對應於缺陷。在圖5A的特定示例中，峰570對應於像素535(對於像素535，相對於經校正的元素530在第一結構元素520中存在侵入)。
屬於缺陷的像素的識別可包括決定提供屬於群體的「大部分」的像素的距離的資訊的統計資料。例如，此統計資料可包括例如標準差(STD)580，如圖5B所示。可基於統計資料來設置閾值。例如，距離的絕對值高於N*STD(N可例如由操作員選擇，例如，N=3)的任何像素都被認為是屬於缺陷。這在圖5B示出，其中峰570對應於與高於閾值590的距離相關聯的像素。
已經參考圖3B解釋的是，可決定變換，以便使第一結構元素和第二結構元素匹配。提供變換的幅值的資訊的資料(D 幅值)可用於偵測第一結構元素中缺陷的存在。當第一結構元素中存在缺陷(例如，所述缺陷是局部突起)時，D 幅值不一定指示存在缺陷，並且因此，圖5的方法可有助於偵測這種局部缺陷。然而，這不是限制性的。
圖5的方法可提供各種資訊，諸如，對於被識別為屬於缺陷的每個像素，所述像素與經校正的元素的像素的距離、距離的符號(其指示是否存在侵入或擠出)等。在一些實施例中，此資訊可輸出到使用者。
現在將注意力轉向圖6。如參考上述各種實施例所解釋，一旦針對每個第一結構元素(參見例如圖3)獲得經校正的元素(操作600)，就可執行各種處理任務以偵測缺陷。
根據一些實施例，並且如參考圖3B所描述，使經校正的元素與第一結構元素匹配所需的提供變換的資訊的資料(並且特別是變換的幅值D 幅值)可用於偵測缺陷。如以上所解釋，對於複數個第一結構元素中的每個給定第一結構元素，可使用提供變換的資訊的資料來決定給定第一結構元素中存在缺陷的可能性。
根據一些實施例，並且如以上所解釋，可使用圖5的方法來偵測缺陷的存在，其中決定在第一結構元素的和(例如，在第二結構元素的校正之後生成的)經校正的元素的對應像素之間的距離，由此產生距離分佈(參見例如圖5B)。
因此，並且如圖6所示(參見操作610)，對於包括第一結構元素和第二結構元素的給定對，可基於使所述對的元素匹配所需的變換的幅值和/或基於在第一結構元素的和經校正的元素的對應像素之間的距離分佈來計算第一結構元素中存在缺陷的可能性(例如，概率)。基於在可能性與標準之間的比較，可偵測缺陷(例如，如果可能性高於閾值，則這可指示存在缺陷的高可能性)。
根據一些實施例，假設已經在第一位置處識別了第一缺陷並且已經在不同於第一位置的第二位置處識別了第二缺陷。如果在第一位置與第二位置之間的距離低於閾值，則可將第一缺陷和第二缺陷視為單個缺陷(缺陷的「聚類」)，其作為涵蓋第一位置和第二位置兩者的單個位置來輸出給用戶。
要注意，可根據所有可能的技術組合來組合各種實施例中描述的各種特徵。將理解，本發明的應用不限於本文中包含的描述中闡述的或附圖中示出的細節。本發明能夠具有其他實施例並且能夠以各種方式實踐或進行。因此，將理解，本文中採用的措辭和術語是出於描述的目的，並且不應當被視為限制性的。因此，本領域技術人員將瞭解，本公開內容所基於的概念可容易地用作設計用於進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。本領域技術人員將容易地瞭解，在不脫離本發明的在所附請求項中且由所附請求項定義的範圍的情況下，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:基於電腦的系統 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 (電腦輔助設計)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 280:分段圖像 281:第一結構元素 285:參考圖像 286:第二結構元素 300:操作 310:操作 320:操作 330:操作 340:值 350:值 360:區間 381:第一結構元素 386:第二結構元素 387:經校正的元素 390:距離 391:距離 392:距離 393:距離 400:操作 410:操作 420:操作 450:像素 455:像素 460:像素 481:第一結構元素 486:第二結構元素 490:法線 491:法線 492:局部曲率 493:像素 494:像素 495:局部曲率 498:圖像 499:經校正的圖像 500:操作 510:操作 514:操作 515:操作 520:第一結構元素 530:元素 535:像素 540:距離 560:距離分佈 570:第二峰 580:標準差 590:閾值 600:操作 610:操作
為了理解本發明並且瞭解本發明在實踐中可如何進行，將參考附圖借助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示出了基於半導體樣本的分段圖像以及參考圖像來決定缺陷和/或提供邊緣粗糙度的資訊的資料的方法。
圖2A示出了半導體樣本的分段圖像的非限制性示例。
圖2B示出了對半導體樣本的參考圖像進行聚類的非限制性示例。
圖2C示出了半導體樣本的參考圖像的非限制性示例。
圖3示出了決定使分段圖像的第一結構元素和參考圖像的第二結構元素匹配所需的空間變換的方法。
圖3A示出了圖3的方法的非限制性示例。
圖3B示出了圖2的方法的具體的實施例。
圖3C示出了基於圖3B的方法的對缺陷的偵測的非限制性示例。
圖4示出了基於分段圖像的第一結構元素和參考圖像的對應的第二結構元素來決定經校正的元素的方法。
圖4A示出了圖4的方法的非限制性示例。
圖4B示出了在整個圖像上的圖4的方法的非限制性示例。
圖5示出了基於半導體樣本的分段圖像以及參考圖像來決定提供邊緣粗糙度和/或缺陷的資訊的資料的方法。
圖5A和圖5B示出了圖5的方法的非限制性示例。
圖6示出了基於半導體樣本的分段圖像以及參考圖像來偵測缺陷的方法，所述方法將圖3B的方法和圖5的方法兩者組合。
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
200:操作
210:操作
220:操作
230:操作

Claims (20)

  1. 一種檢驗半導體樣本的系統，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分段圖像，該圖像包括第一結構元素， 獲得該半導體樣本的一參考圖像，該參考圖像是基於設計資料並且包括第二結構元素， 對於包括一第一結構元素和一對應的第二結構元素的至少一對元素，決定提供為了根據一匹配標準使該對的元素匹配所需的一空間變換的資訊的資料D 空間；以及 至少使用D 空間來決定提供該第一結構元素中的一缺陷的資訊的資料和提供該第一結構元素的邊緣粗糙度的資訊的資料中的至少一者。
  2. 如請求項1所述的系統，該系統被配置為對於該至少一個對，決定提供在向該第二結構元素的複數個像素應用一相同空間變換之後的對應於該第二結構元素的一經校正的元素的資訊的資料。
  3. 如請求項2所述的系統，其中該空間變換包括一平移和一擴張中的至少一者。
  4. 如請求項1所述的系統，該系統被配置為： 決定表示該空間變換的一幅值的資料D 幅值，其中相同空間變換適用於該對的一元素的像素，並且 至少基於D 幅值來決定提供該第一結構元素中的一缺陷的資訊的資料。
  5. 如請求項1所述的系統，該系統被配置為對於該至少一個對： 獲得提供該第一結構元素的第一複數個像素的一位置的資訊的資料， 獲得提供該第二結構元素的第二複數個像素的一位置的資訊的資料， 決定表示在該第一複數個像素與該第二複數個像素之間的一對應關係的資料D 對應， 至少基於資料D 對應，決定提供根據一匹配標準使該第一複數個像素的該位置和該第二複數個像素的該位置匹配所需的該空間變換的資訊的資料D 空間。
  6. 如請求項5所述的系統，其中D 對應是基於以下項中的至少一者： 該第一複數個像素和該第二複數個像素中的至少一些像素的位置，以及 提供該第一結構元素和該第二結構元素中的至少一者的一局部形狀的資訊的資料。
  7. 如請求項6所述的系統，其中提供該第一結構元素和該第二結構元素中的至少一者的一局部形狀的資訊的資料包括： 與該第一結構元素和該第二結構元素中的至少一者的一輪廓正交的方向，以及 該第一結構元素和該第二結構元素中的至少一者的曲率。
  8. 如請求項5所述的系統，其中決定提供一空間變換的資訊的資料包括使用歸因於該第一複數個像素和該第二複數個像素中的至少一些像素的至少一個權重，該權重基於資料D 對應來決定。
  9. 如請求項2所述的系統，該系統被配置為對於該至少一個對： 對於該對的該第一結構元素的複數個像素中的每個像素，決定在該像素與該對的該經校正的元素的一對應像素之間的一距離，並且 基於對於複數個像素的該距離的一分佈，決定提供該第一結構元素中的一缺陷的資訊的資料。
  10. 如請求項2所述的系統，該系統被配置為對於該至少一個對： 對於該對的該第一結構元素的複數個像素中的每個像素，決定在該像素與該對的該經校正的元素的一對應像素之間的一距離，並且 基於對於複數個像素的該距離的一分佈，決定提供該第一結構元素的邊緣粗糙度的資訊的資料。
  11. 如請求項1所述的系統，該系統被配置為對於複數個對中的每一者： 決定提供在向該第二結構元素的複數個像素應用一相同空間變換之後的對應於該第二結構元素的一經校正的元素的資訊的資料， 基於以下項中的至少一者來決定該第一結構元素中存在一缺陷的一可能性： 提供該空間變換的一幅值的資訊的資料，以及 在該第一結構元素的像素與該對的該經校正的元素的對應像素之間的一距離。
  12. 如請求項1所述的系統，該系統被配置為： 在偵測到一第一結構元素中的位於一第一位置處的一缺陷並且偵測到一第一結構元素中的位於一第二位置處的一缺陷時，如果在該第一位置與該第二位置之間的距離低於一閾值，則輸出指示對於該第一位置和該第二位置兩者的一單個缺陷的資料。
  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)執行以下步驟： 獲得該半導體樣本的一分段圖像，該圖像包括第一結構元素， 獲得該半導體樣本的一參考圖像，該參考圖像是基於設計資料並且包括第二結構元素， 對於包括一第一結構元素和一對應的第二結構元素的至少一對元素，決定提供為了根據一匹配標準使該對的元素匹配所需的一空間變換的資訊的資料D 空間；以及 至少使用D 空間來決定提供該第一結構元素中的一缺陷的資訊的資料和提供該第一結構元素的邊緣粗糙度的資訊的資料中的至少一者。
  14. 如請求項13所述的方法，包括以下步驟：對於該至少一個對，決定提供在向該第二結構元素的複數個像素應用一相同空間變換之後的對應於該第二結構元素的一經校正的元素的資訊的資料。
  15. 如請求項13所述的方法，包括以下步驟： 決定表示該空間變換的一幅值的資料D 幅值，其中相同空間變換適用於該對的一元素的像素， 至少基於D 幅值來決定提供該第一結構元素中的一缺陷的資訊的資料。
  16. 如請求項13所述的方法，包括對於該至少一個對執行以下步驟： 獲得提供該第一結構元素的第一複數個像素的一位置的資訊的資料， 獲得提供該第二結構元素的第二複數個像素的一位置的資訊的資料， 決定表示在該第一複數個像素與該第二複數個像素之間的一對應關係的資料D 對應， 至少基於資料D 對應，決定提供根據一匹配標準使該第一複數個像素的該位置和該第二複數個像素的該位置匹配所需的該空間變換的資訊的資料D 空間。
  17. 如請求項14所述的方法，包括對於該至少一個對執行以下步驟： 對於該對的該第一結構元素的複數個像素中的每個像素，決定在該像素與該對的該經校正的元素的一對應像素之間的一距離， 基於對於複數個像素的該距離的一分佈，決定提供該第一結構元素中的一缺陷的資訊的資料。
  18. 如請求項14所述的方法，包括對於該至少一個對執行以下步驟： 對於該對的該第一結構元素的複數個像素中的每個像素，決定在該像素與該對的該經校正的元素的一對應像素之間的一距離， 基於對於複數個像素的該距離的一分佈，決定提供該第一結構元素的邊緣粗糙度的資訊的資料。
  19. 如請求項13所述的方法，包括被配置為對於複數個對中的每一者執行以下步驟： 決定提供在向該第二結構元素的複數個像素應用一相同空間變換之後的對應於該第二結構元素的一經校正的元素的資訊的資料， 基於以下項中的至少一者來決定該第一結構元素中存在一缺陷的一可能性： 提供該空間變換的一幅值的資訊的資料，以及 在該第一結構元素的像素與該對的該經校正的元素的對應像素之間的一距離。
  20. 一種非暫時性電腦可讀媒體，該非暫時性電腦可讀媒體包括指令，該指令在由一處理器和記憶體電路系統(PMC)執行時使該PMC執行包括以下項的操作： 獲得一半導體樣本的一分段圖像，該圖像包括第一結構元素， 獲得該半導體樣本的一參考圖像，該參考圖像是基於設計資料並且包括第二結構元素， 對於包括一第一結構元素和一對應的第二結構元素的至少一對元素，決定提供為了根據一匹配標準使該對的元素匹配所需的一空間變換的資訊的資料D 空間；以及 至少使用D 空間來決定提供該第一結構元素中的一缺陷的資訊的資料和提供該第一結構元素的邊緣粗糙度的資訊的資料中的至少一者。
TW111101506A 2021-01-14 2022-01-13 基於參考圖像來決定樣本中的缺陷和／或邊緣粗糙度 TW202236460A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/149,614 2021-01-14
US17/149,614 US11854184B2 (en) 2021-01-14 2021-01-14 Determination of defects and/or edge roughness in a specimen based on a reference image

Publications (1)

Publication Number Publication Date
TW202236460A true TW202236460A (zh) 2022-09-16

Family

ID=82322024

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111101506A TW202236460A (zh) 2021-01-14 2022-01-13 基於參考圖像來決定樣本中的缺陷和／或邊緣粗糙度

Country Status (4)

Country Link
US (1) US11854184B2 (zh)
KR (1) KR20220103064A (zh)
CN (1) CN114841912A (zh)
TW (1) TW202236460A (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4038356B2 (ja) * 2001-04-10 2008-01-23 株式会社日立製作所 欠陥データ解析方法及びその装置並びにレビューシステム
US9830705B2 (en) * 2012-02-14 2017-11-28 Hitachi High-Technologies Corporation Image evaluation apparatus and pattern shape evaluation apparatus
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
US10120973B2 (en) * 2017-03-15 2018-11-06 Applied Materials Israel Ltd. Method of performing metrology operations and system thereof
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
WO2020250373A1 (ja) * 2019-06-13 2020-12-17 株式会社日立ハイテク 画像処理プログラム、画像処理装置および画像処理方法

Also Published As

Publication number Publication date
US20220222797A1 (en) 2022-07-14
US11854184B2 (en) 2023-12-26
CN114841912A (zh) 2022-08-02
KR20220103064A (ko) 2022-07-21

Similar Documents

Publication Publication Date Title
US11199506B2 (en) Generating a training set usable for examination of a semiconductor specimen
TWI797699B (zh) 半導體試樣的基於深度學習之檢查的方法及其系統
CN110945528B (zh) 产生可用于检查半导体样品的训练集的方法及其系统
TWI755613B (zh) 基於機器學習之圖案分組方法
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
CN114219749B (zh) 样本的模拟图像的确定
JP7169393B2 (ja) 半導体試料の検査に使用可能な訓練セットの生成
WO2021199018A1 (en) Examination of a semiconductor specimen
US11423529B2 (en) Determination of defect location for examination of a specimen
TW202236460A (zh) 基於參考圖像來決定樣本中的缺陷和／或邊緣粗糙度
US11631179B2 (en) Segmentation of an image of a semiconductor specimen
US11645831B2 (en) Identification of an array in a semiconductor specimen
CN118247248A (zh) 样本的模拟图像的确定
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練