TW202307421A - 帶電粒子檢測中之影像失真校正 - Google Patents
帶電粒子檢測中之影像失真校正 Download PDFInfo
- Publication number
- TW202307421A TW202307421A TW111122571A TW111122571A TW202307421A TW 202307421 A TW202307421 A TW 202307421A TW 111122571 A TW111122571 A TW 111122571A TW 111122571 A TW111122571 A TW 111122571A TW 202307421 A TW202307421 A TW 202307421A
- Authority
- TW
- Taiwan
- Prior art keywords
- alignment
- image
- model
- training
- reference image
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title abstract description 46
- 239000002245 particle Substances 0.000 title description 74
- 238000012937 correction Methods 0.000 title description 22
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000010801 machine learning Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims description 204
- 238000012549 training Methods 0.000 claims description 159
- 230000015654 memory Effects 0.000 claims description 28
- 235000012431 wafers Nutrition 0.000 description 67
- 238000001878 scanning electron micrograph Methods 0.000 description 63
- 238000012360 testing method Methods 0.000 description 44
- 241000237858 Gastropoda Species 0.000 description 35
- 238000013210 evaluation model Methods 0.000 description 30
- 238000011156 evaluation Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 20
- 230000007547 defect Effects 0.000 description 19
- 239000000523 sample Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 230000003287 optical effect Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 238000010894 electron beam technology Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- GPXJNWSHGFTCBW-UHFFFAOYSA-N Indium phosphide Chemical compound [In]#P GPXJNWSHGFTCBW-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 229910000577 Silicon-germanium Inorganic materials 0.000 description 1
- LEVVHYCKPQWKOP-UHFFFAOYSA-N [Si].[Ge] Chemical compound [Si].[Ge] LEVVHYCKPQWKOP-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本發明揭示一種用於校正一檢測影像之失真的改良系統及方法。一種用於校正一檢測影像之失真的改良方法包含:獲取一檢測影像;基於對應於該檢測影像之一參考影像而對準該檢測影像之複數個嵌塊;藉由一機器學習模型評估該複數個嵌塊中之各嵌塊與該參考影像之一對應嵌塊之間的對準;基於對應於該檢測影像之一參考影像而判定該檢測影像之該複數個嵌塊的局部對準結果;基於該等局部對準結果判定一對準模型;及基於該對準模型校正該檢測影像之一失真。
Description
本文中所提供之實施例係關於一種影像增強技術,且更特定而言,係關於一種用於帶電粒子束檢測影像之失真校正機制。
在積體電路(IC)之製造製程中,檢測未完成或已完成電路組件以確保其係根據設計而製造且無缺陷。可採用利用光學顯微鏡或帶電粒子(例如電子)束顯微鏡,諸如掃描電子顯微鏡(SEM)之檢測系統。隨著IC組件之實體大小繼續縮小,缺陷偵測中之準確度及良率變得愈來愈重要。諸如SEM影像之檢測影像可用於識別或分類所製造IC之缺陷。為了改良缺陷偵測效能,需要在無失真或未對準之情況下獲得準確SEM影像。
本文中所提供之實施例揭示一種粒子束檢測設備,且更特定而言,揭示一種使用複數個帶電粒子束之檢測設備。
在一些實施例中,提供一種用於校正一檢測影像之失真的方法。該方法包含:獲取一檢測影像;基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;針對該等局部對準結果之複數個子集中之各子集:基於該等局部對準結果之該子集而判定一對準模型,及基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;基於該等評估而在該複數個對準模型當中選擇一個對準模型;及基於該選定對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種用於校正一檢測影像之失真的設備。該設備包含:一記憶體,其儲存一指令集;及至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作:獲取一檢測影像;基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;針對該等局部對準結果之複數個子集中之各子集:基於該等局部對準結果之該子集而判定一對準模型,及基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;基於該等評估而在該複數個對準模型當中選擇一個對準模型;及基於該選定對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行用於校正一檢測影像之失真的一方法。該方法包含:獲取一檢測影像;基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;針對該等局部對準結果之複數個子集中之各子集:基於該等局部對準結果之該子集而判定一對準模型,及基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;基於該等評估而在該複數個對準模型當中選擇一個對準模型;及基於該選定對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種用於校正一檢測影像之失真的方法。該方法包含:獲取一檢測影像;基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;基於該等局部對準結果之一第一子集評估一第一對準模型,且基於該等局部對準結果之一第二子集評估一第二對準模型;基於該第一對準模型與該等局部對準結果之一第一剩餘集合之一擬合而評估該第一對準模型,且基於該第二對準模型與該等局部對準結果之一第二剩餘集合之一擬合而評估該第二對準模型;基於該等評估選擇該第一對準模型及該第二對準模型中之一者;及基於該選定對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種用於校正一檢測影像之失真的設備。該設備包含:一記憶體,其儲存一指令集;及至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作:獲取一檢測影像;基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;基於該等局部對準結果之一第一子集評估一第一對準模型,且基於該等局部對準結果之一第二子集評估一第二對準模型;基於該第一對準模型與該等局部對準結果之一第一剩餘集合之一擬合而評估該第一對準模型,且基於該第二對準模型與該等局部對準結果之一第二剩餘集合之一擬合而評估該第二對準模型;基於該等評估選擇該第一對準模型及該第二對準模型中之一者;及基於該選定對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行用於校正一檢測影像之失真的一方法。該方法包含:獲取一檢測影像;基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;基於該等局部對準結果之一第一子集評估一第一對準模型,且基於該等局部對準結果之一第二子集評估一第二對準模型;基於該第一對準模型與該等局部對準結果之一第一剩餘集合之一擬合而評估該第一對準模型,且基於該第二對準模型與該等局部對準結果之一第二剩餘集合之一擬合而評估該第二對準模型;基於該等評估選擇該第一對準模型及該第二對準模型中之一者;及基於該選定對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種用於校正一檢測影像之失真的方法。該方法包含:獲取一檢測影像;基於對應於該檢測影像之一參考影像而對準該檢測影像之複數個嵌塊;藉由一機器學習模型評估該複數個嵌塊中之各嵌塊與該參考影像之一對應嵌塊之間的對準;基於對應於該檢測影像之一參考影像而判定該檢測影像之該複數個嵌塊的局部對準結果;基於該等局部對準結果判定一對準模型;及基於該對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種用於校正一檢測影像之失真的設備。該設備包含:一記憶體,其儲存一指令集;及至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作:獲取一檢測影像;基於對應於該檢測影像之一參考影像而對準該檢測影像之複數個嵌塊;藉由一機器學習模型評估該複數個嵌塊中之各嵌塊與該參考影像之一對應嵌塊之間的對準;基於對應於該檢測影像之一參考影像而判定該檢測影像之該複數個嵌塊的局部對準結果;基於該等局部對準結果判定一對準模型;及基於該對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行用於校正一檢測影像之失真的一方法。該方法包含:獲取一檢測影像;基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;基於該等局部對準結果之一第一子集評估一第一對準模型,且基於該等局部對準結果之一第二子集評估一第二對準模型;基於該第一對準模型與該等局部對準結果之一第一剩餘集合之一擬合而評估該第一對準模型,且基於該第二對準模型與該等局部對準結果之一第二剩餘集合之一擬合而評估該第二對準模型;基於該等評估選擇該第一對準模型及該第二對準模型中之一者;及基於該選定對準模型校正該檢測影像之一失真。
在一些實施例中,提供一種評估一檢測影像與一參考影像之對準的方法。該方法包含:獲取該檢測影像之複數個嵌塊及該參考影像之複數個參考嵌塊,該複數個嵌塊對應於該複數個參考嵌塊;及藉由一機器學習模型評估該複數個嵌塊與該複數個參考嵌塊之一對準。
在一些實施例中,提供一種評估一檢測影像與一參考影像之對準的設備。該設備包含:一記憶體,其儲存一指令集;及至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作:獲取該檢測影像之複數個嵌塊及該參考影像之複數個參考嵌塊,該複數個嵌塊對應於該複數個參考嵌塊;及藉由一機器學習模型評估該複數個嵌塊與該複數個參考嵌塊之一對準。
在一些實施例中,一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行評估一檢測影像與一參考影像之對準的一方法。該方法包含:獲取該檢測影像之複數個嵌塊及該參考影像之複數個參考嵌塊,該複數個嵌塊對應於該複數個參考嵌塊;及藉由一機器學習模型評估該複數個嵌塊與該複數個參考嵌塊之一對準。
本發明之實施例之其他優勢將自結合隨附圖式進行的以下描述變得顯而易見,在隨附圖式中藉助於說明及實例闡述本發明之某些實施例。
現將詳細參考例示性實施例,其實例說明於隨附圖式中。以下描述參考隨附圖式,其中除非另外表示,否則不同圖式中之相同編號表示相同或類似元件。例示性實施例之以下描述中所闡述之實施並不表示所有實施。實情為,其僅為符合與如在隨附申請專利範圍中所敍述之所揭示實施例相關之態樣的設備及方法之實例。舉例而言,儘管一些實施例係在利用電子束之上下文中進行描述,但本發明不限於此。可類似地應用其他類型之帶電粒子束。此外,可使用其他成像系統,諸如光學成像、光偵測、x射線偵測等。
電子裝置係由形成於稱為基板之半導體材料塊上的電路構成。半導體材料可包括例如矽、砷化鎵、磷化銦或矽鍺或類似者。許多電路可一起形成於同一矽塊上且稱為積體電路或IC。此等電路之大小已顯著地減小,使得電路中之許多電路可安裝於基板上。舉例而言,智慧型手機中之IC晶片可與拇指甲一樣小且仍可包括超過20億個電晶體,各電晶體之大小小於人類毛髮之大小的1/1000。
製造具有極小結構或組件之此等IC為常常涉及數百個個別步驟之複雜、耗時且昂貴之程序。甚至一個步驟中之錯誤有可能導致成品IC之缺陷,從而使得成品IC為無用的。因此,製造程序之一個目標為避免此類缺陷以最大化程序中所製得之功能性IC的數目,亦即改良程序之總良率。
改良良率之一個組成部分為監測晶片製造程序,以確保其正生產足夠數目個功能性積體電路。監測程序之一種方式為在晶片電路結構形成之各個階段處檢測該等晶片電路結構。可使用掃描帶電粒子顯微鏡(SCPM)進行檢測。舉例而言,SCPM可為掃描電子顯微鏡(SEM)。SCPM可用於實際上使此等極小結構成像,從而獲取晶圓之結構之「圖像」。影像可用於判定結構是否適當地形成於適當位置中。若結構為有缺陷的,則可調整程序,使得缺陷不大可能再現。
隨著IC組件之實體大小繼續縮小,缺陷偵測中之準確度及良率變得愈來愈重要。諸如SEM影像之檢測影像可用於識別或分類所製造IC之缺陷。為了改良缺陷偵測效能,需要在無失真或未對準之情況下獲得準確SEM影像。雖然已引入用於SEM影像之各種失真校正技術,但其中之許多技術依賴於SEM影像之較小嵌塊之局部對準。儘管各嵌塊中之失真量小於整個SEM影像中之失真量,但歸因於各種原因,包含但不限於稀疏或重複圖案、不令人滿意之成像條件、不存在圖案資訊、殘餘失真等,局部對準可具有挑戰性。由於在當前途徑中SEM影像之失真校正高度取決於SEM影像之較小嵌塊之局部對準的效能,因此錯誤的或不完善的局部對準可能劣化SEM影像之失真校正效能。
本發明之實施例可提供用於SEM影像之失真校正技術。根據本發明之一些實施例,可確認局部對準結果中之潛在有缺陷的或受污染的資料,且可在校正SEM影像之失真時最小化其影響。本發明之實施例可提供基於機器學習之對準評估演算法,其可以可靠地評估SEM影像是否良好地對準至參考影像。根據本發明之一些實施例,可運用一對SEM影像剪輯及參考影像剪輯來訓練基於機器學習之對準評估演算法。
出於清楚起見,可放大圖式中之組件之相對尺寸。在以下圖式描述內,相同或類似附圖標號係指相同或類似組件或實體,且僅描述關於個別實施例之差異。如本文中所使用,除非另外具體陳述,否則術語「或」涵蓋所有可能組合,除非不可行。舉例而言,若陳述組件可包括A或B,則除非另外具體陳述或不可行,否則組件可包括A,或B,或A及B。作為第二實例,若陳述組件可包括A、B或C,則除非另外具體陳述或不可行,否則組件可包括A,或B,或C,或A及B,或A及C,或B及C,或A及B及C。
圖1說明符合本發明之實施例的實例電子束檢測(EBI)系統100。EBI系統100可用於成像。如圖1中所展示,EBI系統100包括主腔室101、裝載/鎖定腔室102、光束工具104及裝備前端模組(EFEM) 106。光束工具104位於主腔室101內。EFEM 106包括第一裝載埠106a及第二裝載埠106b。EFEM 106可包括額外裝載埠。第一裝載埠106a及第二裝載埠106b收納含有待檢測之晶圓(例如,半導體晶圓或由其他材料製成之晶圓)或樣本的晶圓前開式單元匣(FOUP) (晶圓及樣本可互換使用)。一「批次」為可裝載以作為批量進行處理之複數個晶圓。
EFEM 106中之一或多個機械手臂(未展示)可將晶圓輸送至裝載/鎖定腔室102。裝載/鎖定腔室102連接至裝載/鎖定真空泵系統(未展示),該裝載/鎖定真空泵系統移除裝載/鎖定腔室102中之氣體分子以達至低於大氣壓力之第一壓力。在達至第一壓力後,一或多個機器手臂(未展示)可將晶圓自裝載/鎖定腔室102輸送至主腔室101。主腔室101連接至主腔室真空泵系統(未展示),該主腔室真空泵系統移除主腔室101中之氣體分子以達到低於第一壓力之第二壓力。在達至第二壓力之後,晶圓經受光束工具104之檢測。光束工具104可為單射束系統或多射束系統。
控制器109以電子方式連接至光束工具104。控制器109可為經組態以對EBI系統100執行各種控制之電腦。雖然控制器109在圖1中展示為在包括主腔室101、裝載/鎖定腔室102及EFEM 106之結構外部,但應瞭解,控制器109可為結構之一部分。
在一些實施例中,控制器109可包括一或多個處理器(未展示)。處理器可為能夠操縱或處理資訊之通用或特定電子裝置。舉例而言,處理器可包括任何數目個中央處理單元(或「CPU」)、圖形處理單元(或「GPU」)、光學處理器、可程式化邏輯控制器、微控制器、微處理器、數位信號處理器、智慧財產權(IP)核心、可程式化邏輯陣列(PLA)、可程式化陣列邏輯(PAL)、通用陣列邏輯(GAL)、複合可程式化邏輯裝置(CPLD)、場可程式化閘陣列(FPGA)、系統單晶片(SoC)、特殊應用積體電路(ASIC)及能夠進行資料處理之任何類型電路的任何組合。處理器亦可為虛擬處理器,該虛擬處理器包括分佈在經由網路耦接之多個機器或裝置上的一或多個處理器。
在一些實施例中,控制器109可進一步包括一或多個記憶體(未展示)。記憶體可為能夠儲存可由處理器(例如,經由匯流排)存取之程式碼及資料的通用或特定電子裝置。舉例而言,記憶體可包括任何數目個隨機存取記憶體(RAM)、唯讀記憶體(ROM)、光碟、磁碟、硬碟機、固態驅動器、快閃驅動器、安全數位(SD)卡、記憶棒、緊湊型快閃(CF)卡或任何類型之儲存裝置的任何組合。程式碼及資料可包括作業系統(OS)及用於特定任務之一或多個應用程式(或「app」)。記憶體亦可為虛擬記憶體,其包括分佈在經由網路耦接之多個機器或裝置上的一或多個記憶體。
圖2說明符合本發明之實施例的實例多光束工具104 (在本文中亦稱為設備104)及可經組態用於EBI系統100 (圖1)中之影像處理系統290的示意圖。
光束工具104包含帶電粒子源202、槍孔徑204、聚光透鏡206、自帶電粒子源202發射之初級帶電粒子束210、源轉換單元212、初級帶電粒子束210之複數個細光束214、216及218、初級投影光學系統220、機動晶圓載物台280、晶圓固持器282、多個二次帶電粒子束236、238及240、二次光學系統242及帶電粒子偵測裝置244。初級投影光學系統220可包含光束分離器222、偏轉掃描單元226及物鏡228。帶電粒子偵測裝置244可包含偵測子區246、248及250。
帶電粒子源202、槍孔徑204、聚光透鏡206、源轉換單元212、光束分離器222、偏轉掃描單元226及物鏡228可與設備104之主光軸260對準。二次光學系統242及帶電粒子偵測裝置244可與設備104之副光軸252對準。
帶電粒子源202可發射一或多個帶電粒子,諸如電子、質子、離子、牟子或攜載電荷之任何其他粒子。在一些實施例中,帶電粒子源202可為電子源。舉例而言,帶電粒子源202可包括陰極、提取器或陽極,其中初級電子可自陰極發射且經提取或加速以形成具有交越(虛擬或真實) 208之初級帶電粒子束210 (在此情況下,為初級電子束)。為易於解釋而不引起分歧,在本文中之一些描述中將電子用作實例。然而,應注意,在本發明之任何實施例中可使用任何帶電粒子,而不限於電子。初級帶電粒子束210可被視覺化為自交越208發射。槍孔徑204可阻擋初級帶電粒子束210之外圍帶電粒子以減小庫侖效應。庫侖效應可引起探測光點之大小的增大。
源轉換單元212可包含影像形成元件陣列及光束限制孔徑陣列。影像形成元件陣列可包含微偏轉器或微透鏡之陣列。影像形成元件陣列可與初級帶電粒子束210之複數個細光束214、216及218形成交越208之複數個平行影像(虛擬或真實)。光束限制孔隙陣列可限制複數個細光束214、216及218。雖然三個細光束214、216及218展示於圖2中,但本發明之實施例不限於此。舉例而言,在一些實施例中,設備104可經組態以產生第一數目個細光束。在一些實施例中,細光束之第一數目可在1至1000之範圍內。在一些實施例中,細光束之第一數目可在200至500之範圍內。在例示性實施例中,設備104可產生400個細光束。
聚光透鏡206可聚焦初級帶電粒子束210。可藉由調整聚光透鏡206之聚焦倍率或藉由改變光束限制孔徑陣列內之對應光束限制孔徑的徑向大小來使源轉換單元212下游之細光束214、216及218的電流變化。物鏡228可將細光束214、216及218聚焦至晶圓230上以用於成像,且可在晶圓230之表面上形成複數個探測光點270、272及274。
光束分離器222可為產生靜電偶極子場及磁偶極子場之韋恩濾光器型(Wien filter type)的光束分離器。在一些實施例中,若應用靜電偶極子場及磁偶極子場,則由靜電偶極子場施加於細光束214、216及218之帶電粒子(例如,電子)上的力可實質上與由磁偶極子場施加於帶電粒子上的力量值相等且方向相反。細光束214、216及218可因此以零偏轉角直接通過光束分離器222。然而,由光束分離器222產生之細光束214、216及218的總分散亦可為非零。光束分離器222可將二次帶電粒子束236、238及240與細光束214、216及218分離,且將二次帶電粒子束236、238及240導向二次光學系統242。
偏轉掃描單元226可使細光束214、216及218偏轉以遍及晶圓230之表面區域掃描探測光點270、272及274。回應於細光束214、216及218入射於探測光點270、272及274處,可自晶圓230發射二次帶電粒子束236、238及240。二次帶電粒子束236、238及240可包含具有能量分佈之帶電粒子(例如,電子)。舉例而言,二次帶電粒子束236、238及240可為包括二次電子(能量≤ 50 eV)及反向散射電子(能量在50 eV與細光束214、216及218之著陸能量之間)的二次電子束。二次光學系統242可將二次帶電粒子束236、238及240聚焦至帶電粒子偵測裝置244之偵測子區246、248及250上。偵測子區246、248及250可經組態以偵測對應二次帶電粒子束236、238及240且產生用於重建構在晶圓230之表面區域上或下方的結構之SCPM影像的對應信號(例如,電壓、電流或類似者)。
所產生信號可表示二次帶電粒子束236、238及240之強度,且可將所產生信號提供至與帶電粒子偵測裝置244、初級投影光學系統220及機動晶圓載物台280通信之影像處理系統290。機動晶圓載物台280之移動速度可與受偏轉掃描單元226控制之光束偏轉同步及協調,使得掃描探測光點(例如,掃描探測光點270、272及274)之移動可有序地覆蓋晶圓230上之所關注區。此同步及協調之參數可經調整以適應於晶圓230之不同材料。舉例而言,晶圓230之不同材料可具有不同電阻-電容特性,其可引起對掃描探測光點之移動的不同信號靈敏度。
二次帶電粒子束236、238及240之強度可根據晶圓230之外部或內部結構變化,且因此可指示晶圓230是否包括缺陷。此外,如上文所論述,可將細光束214、216及218投影至晶圓230之頂部表面的不同位置上或晶圓230之局部結構的不同側上,以產生可具有不同強度之二次帶電粒子束236、238及240。因此,藉由運用晶圓230之區域映射二次帶電粒子束236、238及240之強度,影像處理系統290可重建構反映晶圓230之內部或外部結構之特性的影像。
在一些實施例中,影像處理系統290可包括影像獲取器292、儲存器294及控制器296。影像獲取器292可包含一或多個處理器。舉例而言,影像獲取器292可包含電腦、伺服器、大型電腦主機、終端機、個人電腦、任何種類之行動運算裝置或類似者,或其組合。影像獲取器292可經由諸如電導體、光纖纜線、攜帶型儲存媒體、IR、藍芽、網際網路、無線網路、無線電或其組合之媒體以通信方式耦接至光束工具104之帶電粒子偵測裝置244。在一些實施例中,影像獲取器292可自帶電粒子偵測裝置244接收信號,且可建構影像。影像獲取器292可因此獲取晶圓230之SCPM影像。影像獲取器292亦可執行各種後處理功能,諸如產生輪廓、疊加指示符於所獲取影像上,或類似者。影像獲取器292可經組態以執行對所獲取影像之亮度及對比度的調整。在一些實施例中,儲存器294可為儲存媒體,諸如硬碟、快閃驅動器、雲端儲存器、隨機存取記憶體(RAM)、其他類型之電腦可讀記憶體或類似者。儲存器294可與影像獲取器292耦接,且可用於保存經掃描原始影像資料作為原始影像及後處理影像。影像獲取器292及儲存器294可連接至控制器296。在一些實施例中,影像獲取器292、儲存器294及控制器296可一起整合為一個控制單元。
在一些實施例中,影像獲取器292可基於自帶電粒子偵測裝置244接收到之成像信號而獲取晶圓之一或多個SCPM影像。影像信號可對應於用於進行帶電粒子成像之掃描操作。所獲取影像可為包含複數個成像區域之單個影像。單個影像可儲存於儲存器294中。單個影像可為可劃分成複數個區之原始影像。該等區中之各者可包含含有晶圓230之特徵的一個成像區域。所獲取影像可包含在時間順序內經取樣多次的晶圓230之單個成像區域的多個影像。多個影像可儲存於儲存器294中。在一些實施例中,影像處理系統290可經組態以運用晶圓230之相同位置的多個影像執行影像處理步驟。
在一些實施例中,影像處理系統290可包括量測電路(例如,類比至數位轉換器)以獲得所偵測之二次帶電粒子(例如,二次電子)之分佈。在偵測時間窗期間所收集之帶電粒子分佈資料結合入射於晶圓表面上之細光束214、216及218之對應掃描路徑資料可用於重建構受檢測晶圓結構之影像。經重建構影像可用於顯露晶圓230之內部或外部結構的各種特徵,且藉此可用於顯露可能存在於晶圓中之任何缺陷。
在一些實施例中,帶電粒子可為電子。在初級帶電粒子束210之電子投影至晶圓230之表面(例如,探測光點270、272及274)上時,初級帶電粒子束210之電子可穿透晶圓230之表面一定深度,從而與晶圓230之粒子相互作用。初級帶電粒子束210之一些電子可與晶圓230之材料彈性地相互作用(例如,以彈性散射或碰撞之形式),且可反射或回跳出晶圓230之表面。彈性相互作用保存相互作用之主體(例如,初級帶電粒子束210之電子)之總動能,其中相互作用主體之動能並不轉換為其他能源形式(例如,熱能、電磁能或類似者)。自彈性相互作用產生之此類反射電子可稱為反向散射電子(BSE)。初級帶電粒子束210中之一些電子可與晶圓230之材料非彈性地相互作用(例如,以非彈性散射或碰撞之形式)。非彈性相互作用並不保存相互作用之主體之總動能,其中相互作用主體之動能中之一些或所有轉換為其他形式之能量。舉例而言,經由非彈性相互作用,初級帶電粒子束210中之一些電子之動能可引起材料之原子的電子激勵及躍遷。此類非彈性相互作用亦可產生射出晶圓230之表面之電子,該電子可稱為二次電子(SE)。BSE及SE之良率或發射速率取決於例如受檢測材料及初級帶電粒子束210之電子著陸在材料的表面上之著陸能量等。初級帶電粒子束210之電子之能量可部分地藉由加其速電壓(例如,在圖2中之帶電粒子源202之陽極與陰極之間的加速電壓)賦予。BSE及SE之數量可比初級帶電粒子束210之注入電子更多或更少(或甚至相同)。
由SEM產生之影像可用於缺陷檢測。舉例而言,可將捕獲晶圓之測試裝置區之所產生影像與捕獲相同測試裝置區之參考影像進行比較。參考影像可(例如,藉由模擬)預定且不包括已知缺陷。若所產生影像與參考影像之間的差異超過容許度位準,則可識別潛在缺陷。對於另一實例,SEM可掃描晶圓之多個區,各區包括經設計為相同的測試裝置區,且產生捕獲如所製造之彼等測試裝置區之多個影像。多個影像可相互比較。若多個影像之間的差異超過容許度位準,則可識別潛在缺陷。
圖3說明具有可造成局部未對準之實例圖案之SEM影像300。如圖3中所展示,在SEM影像300中指示三個實例部分301至303用於具有可造成局部未對準之圖案。在圖3中,在底部說明第一部分301至第三部分303的放大圖。第一部分301說明稀疏圖案,第二部分302說明碎片圖案,且第三部分303說明裁剪碎片圖案。雖然將三個圖案說明為造成局部未對準之特徵,但應瞭解,各種特徵可造成SEM影像之局部未對準。
現參考圖4,其為符合本發明之實施例的實例失真校正系統之方塊圖。在一些實施例中,失真校正系統400包含一或多個處理器及記憶體。應瞭解,在各種實施例中,失真校正系統400可為帶電粒子束檢測系統(例如,圖1之EBI系統100)或運算微影系統或其他光微影系統之部分,或可與該等系統分離。在一些實施例中,失真校正系統400可包括可實施於如本文中所論述之控制器109或系統290中的一或多個組件(例如,軟體模組)。如圖4中所展示,失真校正系統400可包含檢測影像獲取器410、參考影像獲取器420、影像對準器430、對準模型產生器440及失真校正器450。
根據本發明之一些實施例,檢測影像獲取器410可獲取檢測影像作為輸入影像。在一些實施例中,檢測影像為樣本或晶圓之SEM影像。在一些實施例中,檢測影像可為由例如圖1之EBI系統100或圖2之電子束工具104產生的檢測影像。在一些實施例中,檢測影像獲取器410可自儲存檢測影像之儲存裝置或系統獲得檢測影像。圖5A說明實例檢測影像510,其將關於本發明中之一些實施例而詳細解釋。
返回參考圖4,根據一些實施例,參考影像獲取器420可獲取對應於藉由檢測影像獲取器410獲取之檢測影像的參考影像。在一些實施例中,參考影像可為用於對應於檢測影像之晶圓設計的佈局檔案。佈局檔案可呈圖形資料庫系統(GDS)格式、圖形資料庫系統II (GDS II)格式、開放原圖系統互換標準(OASIS)格式、加州理工學院中間格式(CIF)等。晶圓設計可包括用於包括於晶圓上之圖案或結構。圖案或結構可為用於將特徵自光微影遮罩或倍縮光罩轉印至晶圓之遮罩圖案。在一些實施例中,呈GDS或OASIS等格式之佈局可包含以二進位檔案格式儲存的特徵資訊,該二進位檔案格式表示平面幾何形狀、文字及與晶圓設計相關之其他資訊。在一些實施例中,參考影像可為自佈局檔案演現之影像。
根據本發明之一些實施例,影像對準器430可將檢測影像分段成複數個較小嵌塊。在圖5A中說明檢測影像510經分段成複數個嵌塊511_1至511_n。雖然在圖5A中說明檢測影像510在兩個維度上經分段,但應瞭解,檢測影像510可在任何維度上分段。在圖5A中,展示檢測影像510之第一列經分段成n數目個嵌塊511_1至511_n。雖然一些實施例將參考在一個維度上(例如,在圖5A中之水平方向上)配置之嵌塊進行解釋,但應瞭解,本發明可應用於各種維度上之嵌塊。
在將檢測影像510分段成複數個嵌塊511_1至511_n之後,影像對準器430經組態以將複數個嵌塊511_1至511_n對準至對應於檢測影像510之參考影像。在一些實施例中,可基於嵌塊511_1至511_n與參考影像之間的特徵匹配而執行將複數個嵌塊511_1至511_n對準至參考影像。在一些實施例中,影像對準器430可針對複數個嵌塊511_1至511_n中之各者判定參考影像中之對應部分或嵌塊。在本發明之一些實施例中,在對準複數個嵌塊511_1至511_n期間,可針對檢測影像之各嵌塊判定參考影像之對應嵌塊。
根據本發明之一些實施例,失真校正系統400可進一步包含對準評估器460。符合本發明之一些實施例,對準評估器460可經組態以評估檢測影像之複數個嵌塊是否良好地對準至參考影像之對應嵌塊。在一些實施例中,對準評估器460可藉由評估檢測影像之嵌塊是否良好地對準至參考影像之對應嵌塊而針對檢測影像之各嵌塊產生對準索引。在一些實施例中,對準索引可表示檢測影像之嵌塊對準至參考影像之對應嵌塊的信賴度。在一些實施例中,對準評估可基於在藉由影像對準器430執行對準時所使用的嵌塊(例如,嵌塊511_1至511_n)而執行。在一些實施例中,可基於不同於由影像對準器430使用之嵌塊511_1至511_n的嵌塊而執行對準評估。舉例而言,嵌塊511_1至511_n可基於對準置放在一起,且對準評估器460可將經整合嵌塊重新分段成待用於對準評估之不同嵌塊集合。重新分段之嵌塊可具有與嵌塊511_1至511_n之大小或形狀不同的大小或不同的形狀。在一些實施例中,對準評估器460可基於檢測影像之複數個嵌塊的對準評估結果而評估檢測影像是否良好地對準至參考影像。在一些實施例中,影像對準器430可自對準評估器460接收對準評估結果,且可根據對準評估結果將檢測影像之複數個嵌塊重新對準至參考影像。在一些實施例中,對準評估器460可為基於機器學習之對準演算法。將參考圖7A至圖8B解釋用於基於機器學習之對準評估演算法的訓練技術。
在一些實施例中,基於將複數個嵌塊511_1至511_n對準至參考影像,可產生複數個嵌塊511_1至511_n之局部對準結果。圖5B為說明符合本發明之實施例的複數個嵌塊之局部對準結果之實例曲線。在圖5B中,在二維座標系統中指示十個局部對準結果LA,其中x軸表示參考影像(例如GDS檔案)中之位置,且y軸表示檢測影像510 (例如SEM影像)中之位置。在圖5A中,局部對準結果LA可與複數個嵌塊511_1至511_n中之一個嵌塊相關聯。在一些實施例中,各嵌塊之局部對準結果LA可為距檢測影像中之參考點(例如,圖5A之檢測影像510中之參考點RP)至各嵌塊之中心的經量測距離。
在圖5B中,與第一嵌塊511_1相關聯之第一局部對準結果LA1指示檢測影像510中之第一嵌塊511_1的位置與參考點RP相距約0.4,而參考影像中之對應嵌塊的位置與參考影像中之對應參考點相距1。與第二嵌塊511_2相關聯之第二局部對準結果LA2指示檢測影像510中之第二嵌塊511_2的位置與參考點RP相距約1.45,而參考影像中之對應嵌塊的位置與參考影像中之對應參考點相距1.5。類似地,與第十嵌塊相關聯之第十局部對準結果LA10指示檢測影像510中之第十嵌塊的位置為約5.6,而參考影像中之對應嵌塊的位置與參考影像中之對應參考點相距5。請注意,在本發明中,將省略圖5A中指示右方向之正符號(+),且負符號(-)將用於指示與右方向相反之方向。
返回參考圖4,根據本發明之一些實施例,對準模型產生器440經組態以產生可用於校正檢測影像(例如,檢測影像510)之失真的對準模型。根據本發明之一些實施例,對準模型產生器440可基於局部對準結果產生對準模型。根據本發明之一些實施例,對準模型產生器440可產生擬合儘可能多的局部對準結果之對準模型,例如,如圖5C中所展示。如圖5C中所繪示,對準模型531擬合10個局部對準結果(亦即,LA1至LA10)中之8個局部對準結果亦即,LA2至LA9)。在本發明中,擬合對準模型之局部對準結果可稱為正常值,且不擬合對準模型之局部對準結果可稱為離群值。在圖5C中,8個局部對準結果(亦即,LA2至LA9)為正常值,且2個局部對準結果(亦即,LA1及LA10)為相對於對準模型531之離群值。在一些實施例中,可假定離群值為有缺陷或受污染之資料,例如由捕捉、半間距移位等引起。在一些實施例中,在評估對準模型時排除此等離群值。
根據一些實施例,可使對局部對準結果與對準模型之間的非零距離之總數進行計數的L0範數最小化之對準模型可經判定為對應檢測影像之對準模型。在圖5C中,擬合對準模型531之8個局部對準結果LA2至LA9與對準模型531具有零距離,且2個局部對準結果LA1及LA0與對準模型531具有非零距離。根據一些實施例,在產生對準模型時可辨識且忽略潛在有缺陷的資料,且藉此可在校正檢測影像510之失真時最小化有缺陷的資料之效應。
根據本發明之一些實施例,評估對準模型可基於如下表示之隨機取樣一致性(RANSAC)而執行:
FOR epoch in N: LA
S= Sample (O, epoch, LA)
F=擬合(
LA
S )
F* = 評估(F,
P
t, LA
)
END FOR. 演算法1
此處,N表示迭代之總數目,epoch表示當前迭代數目,O表示回歸階數,且LA表示局部對準結果,例如圖5C中之LA1至LA10。
在第一步驟中,根據回歸階數O自局部對準結果之集合隨機地選擇局部對準結果之樣本子集。回歸階數O可表示根據實施例之任何回歸階數。可基於回歸階數O判定樣本子集之局部對準結果之數目以唯一地定義對準模型,例如對準曲線。舉例而言,當回歸階數O識別亦稱為線性回歸之第一回歸階數時,可隨機地選擇兩個局部對準結果之樣本子集。在本發明中,將出於說明之目的解釋其中針對樣本子集選擇兩個局部對準結果之實施例。包括選定對準結果之子集指示為LA
S。
在第二步驟中,符合本發明之一些實施例,可判定擬合包括於子集LA
S中之選定對準結果的第一對準模型F。在一些實施例中,第一對準模型F可為根據回歸階數O之線性或非線性模型。在一些實施例中,可運算第一對準模型F之參數,該第一對準模型F擬合包括於子集LA
S中之選定對準結果且滿足所定義回歸階數O。舉例而言,當在第一步驟中選擇第二局部對準結果LA2及第九局部對準結果LA9且一階回歸由回歸階數O定義時,可唯一地識別作為線性方程之對準模型531。
在第三步驟中,可藉由檢查整個資料集合中之多少局部對準結果擬合第一對準模型F而評估在第二步驟中獲得之第一對準模型F。根據一些實施例,可基於擬合第一對準模型F之局部對準結果的數目而判定第一對準模型F之效能P
t。在一些實施例中,擬合第一對準模型F之局部對準結果被視為正常值,且不擬合第一對準模型F之局部對準結果被視為離群值。在一些實施例中,當局部對準結果不擬合第一對準模型F但足夠接近時,局部對準結果可被視為正常值。舉例而言,與第一對準模型F之距離在臨限值內的局部對準結果可被認為擬合第一對準模型F。在一些實施例中,可基於與第一對準模型F之偏差是否可歸因於雜訊之效應來判定臨限值。在一些實施例中,第一對準模型F之效能P
t可基於整個資料集合當中正常值之百分比來判定。舉例而言,在圖5C中,在10個局部對準結果當中,8個局部對準結果LA2至LA9擬合擬合曲線531作為第一對準模型F,且因此第一對準模型F之效能P
t可判定為80%。在一些實施例中,第一對準模型F之效能P
t可基於剩餘集合當中正常值之百分比來判定。舉例而言,當樣本子集包括第二局部對準結果LA2及第九局部對準結果LA9時,剩餘集合中之8個局部對準結果中的6個局部對準結果為正常值,且因此第一對準模型F之效能P
t可判定為75%。在此步驟中,第一對準模型F被認為潛在對準模型F
*。
如上文所論述,可針對N次迭代重複第一步驟至第三步驟。在第一迭代完成之後,執行第二迭代。在第一步驟中,可在整個資料集合當中隨機地選擇構成第二迭代之子集。在第二迭代中選擇之局部對準結果可不同於在第一迭代中選擇之局部對準結果。在第二步驟中,基於選定局部對準結果評估第二對準模型F,且在第三步驟中,以第一迭代之類似方式評估第二對準模型F之效能P
t。在第三步驟中,當第二對準模型F之效能P
t在第一迭代中比第一對準模型F之效能P
t更佳時,第二對準模型F更新為潛在對準模型F
*。否則,第一對準模型F維持為潛在對準模型F
*。因此,當完成N次迭代時,可選擇在N數目個對準模型F當中具有最高效能P
t之對準模型F作為用於檢測影像510之對準模型F
*。
返回參考圖4,符合本發明之一些實施例,失真校正器450可經組態以基於選定對準模型F
*校正檢測影像之失真。在一些實施例中,可基於選定對準模型F
*校正對應於包括檢測影像之正常值及離群值之所有局部對準結果的檢測影像之所有嵌塊。舉例而言,在圖5C中,根據對準模型531校正對應於作為相對於對準模型531之正常值的第二局部對準結果LA2之第二嵌塊。為了校正檢測影像510之失真,對應於第二局部對準結果LA2之第二嵌塊511_1可根據圖5C中之對準模型531移動0.05。類似地,在圖5C中,亦根據對準模型531而非經量測局部對準結果LA1校正對應於作為相對於對準模型531之離群值的第一局部對準結果LA1之第一嵌塊。為了校正檢測影像510,對應於第一局部對準結果LA1之第一嵌塊511_1可根據擬合模型531移動(-) 0.05,而非根據圖5C中之經量測局部對準結果LA1移動0.6。雖然在本發明之一些實施例中說明線性對準模型,但應瞭解,本發明可應用於任何類型之對準模型,包含但不限於縮放、旋轉、平移等。
圖6A說明根據局部對準資料校正SEM影像之失真之實例程序。在圖6A中,SEM影像610為經程式化以在1000個像素當中包括1%失真之SEM影像。在圖6A中,第一箭頭映圖611說明針對SEM影像610中之各像素之經量測局部對準結果。在第一箭頭映圖611中,各箭頭表示對應像素應根據對應經量測局部對準結果移動多少且在哪一方向上移動以匹配對應參考影像。在圖6A中,第一經校正影像612為根據第一箭頭映圖611之SEM影像610的經校正影像。如在經校正SEM影像612中所展示,根據經量測局部對準結果校正檢測影像可導致另一類型之未對準或失真,諸如捕捉。
圖6B說明符合本發明之實施例的根據對準模型校正SEM影像之失真之實例程序。此處,圖6A之SEM影像610亦用作輸入檢測影像。在圖6B中,第二箭頭映圖621表示相對於符合本發明之一些實施例的選定對準模型之第一箭頭映圖611中的在箭頭當中對應於正常值之箭頭632及對應於離群值之箭頭631。第三箭頭映圖622說明根據選定對準模型之SEM影像610之擬合結果。如圖6B中之第三箭頭映圖622中所展示,在校正SEM影像610之失真時,不考慮對應於離群值之箭頭631,但考慮根據選定對準模型之擬合結果。在第三箭頭映圖622中,各箭頭表示對應像素應根據選定對準模型移動多少且在哪一方向上移動以匹配對應參考影像。在圖6B中,第二經校正影像630為根據第三箭頭映圖622之SEM影像610的經校正影像。如作為第二經校正SEM影像630所展示,可根據符合本發明之一些實施例的對準模型而有效地校正檢測影像之失真。舉例而言,在一些情況下,經程式化至SEM影像610中之高達99.98%之失真已在SEM影像630中經校正。
圖6C說明符合本發明之實施例的在失真校正之後的輸入檢測影像與輸出經校正影像之間的實例比較。在圖6C中,SEM影像610及經校正SEM影像630分別為符合本發明之一些實施例的失真校正之前及之後的SEM影像。SEM影像610包括未良好地對準至對應參考影像之部分613、614及615。在部分613、614及615之放大影像中,SEM影像610之圖案W指示為白色中空圓。出於說明之目的,亦在部分613、614及615之放大影像中指示對應GDS影像之圖案B。應注意,SEM影像610並不與對應GDS影像良好地對準,如部分613、614及615之放大影像中所展示。經校正SEM影像630亦包括對應於輸入SEM影像610之部分613、614及615的部分631、632及633。應注意,在部分631、632及633之放大影像中,SEM影像630之圖案W與對應GDS影像之圖案B良好地對準。如圖6C中所展示,可根據本發明之一些實施例有效地校正輸入SEM影像之失真。
為了改良關於SEM影像之失真校正效能,在開始時將SEM影像準確地對準至設計佈局係重要的。如參考圖4之對準評估器460所說明,可在基於局部對準結果產生對準模型之前執行SEM影像是否良好地對準至參考影像。存在提供對準置信度分數之許多機制。然而,通常藉由基於交叉相關或均方誤差(MSE)之匹配演算法計算對準置信度分數,當視場包括重複圖案之相對較大部分且缺乏唯一特徵或來自缺陷之充分潛在資訊時,該等演算法並不提供魯棒匹配分數。在此等演算法下,即使在具有重複圖案之SEM影像未對準時,對準置信度分數仍可較高。
圖7A說明具有經移位重複圖案之實例檢測影像。在圖7A中,說明SEM影像未與參考影像對準,亦即,SEM影像自參考影像移位距離T。舉例而言,SEM影像711之圖案712自其參考影像之對應圖案713移位。然而,對於SEM影像711,藉由基於交叉相關或均方誤差(MSE)之匹配演算法的對準置信度分數仍可較高,因為SEM影像711之圖案如圖7A中所展示係重複的。應注意,基於交叉相關或MSE之置信度分數可在包括重複圖案之SEM影像的對準上產生假陽性結果。根據本發明之一些實施例,對準評估器460可為基於機器學習之對準演算法,且對準評估模型可由訓練系統訓練。
圖7B為符合本發明之實施例的用於對準評估模型之訓練系統700 (亦稱為「設備700」)之方塊圖。在一些實施例中,訓練系統700可包含一或多個處理器及記憶體。應瞭解,在各種實施例中,訓練系統700可為帶電粒子束檢測系統(例如,圖1之EBI系統100)之部分或可與該帶電粒子束檢測系統分離。亦應瞭解,訓練系統700可包括與帶電粒子束檢測系統分離且以通信方式耦接至該帶電粒子束檢測系統之一或多個組件或模組。在一些實施例中,訓練系統700可包括可在如本文中所論述之控制器109或系統290中實施的一或多個組件(例如,軟體模組)。在一些實施例中,訓練系統700及失真校正系統400實施於單獨運算裝置上或同一運算裝置上。在一些實施例中,訓練系統700可為圖4之失真校正系統400之部分或失真校正系統400之對準評估器460。
如圖7B中所展示,訓練系統700可包含訓練檢測影像獲取器710、訓練參考影像獲取器720及模型訓練器730。根據本發明之一些實施例,訓練檢測影像獲取器710可獲取檢測影像嵌塊。在一些實施例中,檢測影像嵌塊為樣本或晶圓之SEM影像之嵌塊。在一些實施例中,訓練檢測影像可為SEM影像之複數個嵌塊中之一者。舉例而言,訓練檢測影像可為圖5A中所說明之嵌塊511_1至511_n中之一者。
根據一些實施例,訓練參考影像獲取器720可獲取待與藉由訓練檢測影像獲取器710獲取之訓練檢測影像進行比較之參考影像。在一些實施例中,參考影像可為用於晶圓設計之佈局檔案。在一些實施例中,訓練參考影像可或可不出於訓練目的而良好地對準至訓練檢測影像。
圖8A說明符合本發明之實施例的用於圖7B之訓練系統之實例訓練資料集合。圖8A說明分別藉由訓練檢測影像獲取器710及訓練參考影像獲取器720獲取之訓練檢測影像及訓練參考影像之實例對。在圖8A中,訓練檢測影像獲取器710可獲取訓練檢測影像嵌塊811_1至811_n,且訓練參考影像獲取器720可獲取訓練參考影像嵌塊821_1至821_n。在一些實施例中,各訓練檢測影像811與訓練參考影像821配對。舉例而言,第一訓練檢測影像811_1與第一訓練參考影像821_1配對,其構成第一對PA1。類似地,獲取第二對PA2至第n對PAn。
返回參考圖7B,根據本發明之一些實施例,模型訓練器730經組態以訓練對準評估模型731以預測作為輸入提供之各對PA1至PAn之兩個影像的對準索引。根據本發明之一些實施例,模型訓練器730經組態以在監督式學習下訓練對準評估模型731。在一些實施例中,亦向模型訓練器730提供訓練檢測影像811與訓練參考影像812是否對準之資訊。
圖8B說明符合本發明之實施例的對準評估模型731之實例組態。如圖8B中所展示,對準評估模型731可接收訓練檢測影像811及訓練參考影像821且處理兩個影像以預測兩個影像對準之良好程度。在一些實施例中,對準評估模型731可經組態以提供表示兩個影像之間的對準程度之對準索引。在一些實施例中,對準評估模型731可為機器學習系統或神經網路,諸如二重連接神經網路。應瞭解,可利用其他類型之機器學習系統。
如圖8B中所展示,對準評估模型731可經組態以包括符合本發明之一些實施例的第一網路732及第二網路733。在一些實施例中,將訓練檢測影像811提供至經組態以提取訓練檢測影像811之特徵的第一網路732,且將訓練參考影像821提供至經組態以提取參考影像821之特徵的第二網路733。在一些實施例中,第一網路732及第二網路733可經組態以具有相同組態。舉例而言,第一網路732及第二網路733可經組態以具有共用權重,使得兩個網路732及733可以串聯方式對兩個不同輸入起作用以計算可比較輸出,例如作為輸出向量。在一些實施例中,第一網路732及第二網路733可經組態以具有獨立組態。在此情況下,第一網路732及第二網路733可不共用權重。在一些實施例中,第一網路732及第二網路733可由各種網路架構實施,該等網路架構包含但不限於視覺幾何群組(VGG)神經網路、殘餘神經網路(ResNet)、密集卷積網路(DenseNet)等。
如圖8B中所展示,對準評估模型731可進一步包括符合本發明之一些實施例的處理層734。在一些實施例中,來自第一網路732之特徵及來自第二網路733之特徵可提供至處理層734。如圖8B中所展示,處理層734可包括處理來自兩個網路732及733之輸入特徵以輸出兩個影像811與821之間的對準索引之多個處理層。在一些實施例中,處理層734可計算關於輸入特徵之卷積運算。在一些實施例中,來自第一網路732之特徵及來自第二網路733之特徵可在處理層734之輸入層處組合且接著進一步經處理以輸出對準索引。
當對準索引不與訓練檢測影像811與訓練參考影像812是否對準之資訊一致時,模型訓練器730可調整對準評估模型731之參數、權重等。由於運用訓練檢測影像811及訓練參考影像812之額外對PA1至PAn訓練對準評估模型731,因此由對準評估模型731產生之對準索引的準確度可改良。
在模型訓練器730在監督式學習下訓練對準評估模型731之後,對準評估模型731可用作符合本發明之一些實施例的對準評估器460。在一些實施例中,經訓練對準評估模型731可用於預測輸入影像與參考影像之間的對準索引。在一些實施例中,經訓練對準評估模型731可獨立於或結合於校正檢測影像之失真而使用。在一些實施例中,經訓練對準評估模型731可用於列印檢查程序中。在列印檢查程序中,可藉由用遮罩曝光晶圓且檢測晶圓以檢查是否重複任何缺陷來檢測遮罩或倍縮光罩,此可指示遮罩上之缺陷。在本申請案中,經訓練對準評估模型731可用於評估晶圓之檢測影像與晶圓之對應佈局影像之間的對準。
圖9為符合本發明之實施例的表示用於校正檢測影像之失真的例示性方法之程序流程圖。方法900之步驟可由系統(例如,圖4之系統400)執行,在運算裝置之特徵(例如,圖1之控制器109)上執行或以其他方式使用該等特徵執行。應理解,所說明方法900可經變更以修改步驟次序且包括額外步驟。
在步驟S910中,獲取檢測影像及參考影像。步驟S910可尤其由例如檢測影像獲取器410或參考影像獲取器420執行。在一些實施例中,檢測影像為樣本或晶圓之SEM影像。在一些實施例中,參考影像可為用於對應於檢測影像之晶圓設計的佈局檔案。在一些實施例中,參考影像可為自佈局檔案演現之影像。
在步驟S920中,將檢測影像對準至參考影像。步驟S920可尤其由例如影像對準器430執行。根據本發明之一些實施例,檢測影像可分段成複數個較小嵌塊。在圖5A中說明檢測影像510經分段成複數個嵌塊511_1至511_n。在將檢測影像510分段成複數個嵌塊511_1至511_n之後,將複數個嵌塊511_1至511_n對準至對應於檢測影像510之參考影像。在一些實施例中,可基於嵌塊511_1至511_n與參考影像之間的特徵匹配而執行將複數個嵌塊511_1至511_n對準至參考影像。在本發明之一些實施例中,在對準複數個嵌塊511_1至511_n期間,可針對檢測影像之各嵌塊判定參考影像之對應嵌塊。
根據本發明之一些實施例,方法900可進一步執行步驟S921。在步驟S921中,可評估在步驟S920中執行之檢測影像的對準。步驟S921可尤其由例如對準評估器460執行。在步驟S921中,可評估檢測影像之複數個嵌塊是否良好地對準至參考影像之對應嵌塊。可藉由評估檢測影像之嵌塊是否良好地對準至參考影像之對應嵌塊而針對檢測影像之各嵌塊產生對準索引。在一些實施例中,對準索引可表示檢測影像之嵌塊對準至參考影像之對應嵌塊的信賴度。在一些實施例中,可評估檢測影像是否基於檢測影像之複數個嵌塊的對準評估結果而良好地對準至參考影像。在一些實施例中,可重複步驟S920以根據對準評估結果將檢測影像之複數個嵌塊重新對準至參考影像。在一些實施例中,步驟S921可為基於機器學習之對準演算法。
在步驟S930中,產生對準模型。步驟S930可尤其由例如對準模型產生器440執行。在一些實施例中,基於將複數個嵌塊511_1至511_n對準至參考影像,可產生複數個嵌塊511_1至511_n之局部對準結果。根據本發明之一些實施例,可基於局部對準結果產生可用於校正檢測影像之失真的對準模型。根據本發明之一些實施例,可產生擬合儘可能多的局部對準結果之對準模型。根據一些實施例,可使對局部對準結果與對準模型之間的非零距離之總數進行計數的L0範數最小化之對準模型可經判定為對應檢測影像之對準模型。在一些實施例中,可假定離群值為有缺陷或受污染之資料,例如由捕捉、半間距移位等引起。在一些實施例中,在評估對準模型時排除此等離群值。
根據本發明之一些實施例,評估對準模型可基於隨機取樣一致性(RANSAC)而執行。根據本發明之一些實施例,可針對局部對準結果之複數個隨機選定子集產生複數個對準演算法。在一些實施例中,可將展示複數個對準演算法當中最高效能之一個對準演算法選擇為對準演算法以校正檢測影像。在一些實施例中,可基於擬合對準演算法之數個局部對準結果而判定對準演算法之效能。已在本發明中參考演算法1描述產生對準模型之程序,且因此將在此處出於簡單目的而省略詳細解釋。
在步驟S940中,基於選定對準模型校正檢測影像之失真。步驟S940可尤其由例如失真校正器450執行。在一些實施例中,可基於選定對準模型F校正對應於包括檢測影像之正常值及離群值之所有局部對準結果的檢測影像之所有嵌塊。
圖10為符合本發明之實施例的表示用於訓練對準評估模型之例示性方法之程序流程圖。方法1000之步驟可由系統(例如,圖7B之系統700)執行,在運算裝置之特徵(例如,出於說明之目的,圖1之控制器109)上執行或以其他方式使用該等特徵執行。應理解,所說明方法1000可經變更以修改步驟次序且包括額外步驟。
在步驟S1010中,獲取一對訓練檢測影像及訓練參考影像。步驟S1010可尤其由例如訓練檢測影像獲取器710或訓練參考影像獲取器720執行。訓練檢測影像可為檢測影像嵌塊。在一些實施例中,檢測影像嵌塊為樣本或晶圓之SEM影像之嵌塊。根據一些實施例,訓練參考影像可為待與訓練檢測影像進行比較之參考影像嵌塊。在一些實施例中,參考影像可為用於晶圓設計之佈局檔案。在一些實施例中,訓練參考影像可或可不出於訓練目的而對應於訓練檢測影像。
在步驟S1020中,訓練對準評估模型。步驟S1020可尤其由例如模型訓練器730執行。根據本發明之一些實施例,訓練對準評估模型以預測作為輸入提供之兩個影像的對準索引。根據本發明之一些實施例,在監督式學習下訓練對準評估模型。在一些實施例中,可提供訓練檢測影像與訓練參考影像是否對準之資訊。在一些實施例中,對準評估模型可經組態以提供表示兩個影像之間的對準程度之對準索引。當對準索引不與訓練檢測影像及訓練參考影像是否對準之資訊一致時,可調整對準評估模型之參數、權重等。由於運用訓練檢測影像及訓練參考影像之額外對訓練對準評估模型,因此由對準評估模型731產生之對準索引的準確度可改良。已參考圖8B描述對準評估模型之實例組態,且因此將在此出於簡單目的而省略其詳細解釋。
可提供儲存供控制器(例如,圖1之控制器109)之處理器進行以下操作之指令的非暫時性電腦可讀媒體:影像檢測、影像獲取、載物台定位、光束聚焦、電場調整、光束彎曲、聚光透鏡調整、激活帶電粒子源、光束偏轉及方法900及1000以及其他。非暫時性媒體之常見形式包括例如軟碟、可撓性磁碟、硬碟、固態驅動器、磁帶或任何其他磁性資料儲存媒體、緊密光碟唯讀記憶體(CD-ROM)、任何其他光學資料儲存媒體、任何具有孔圖案之實體媒體、隨機存取記憶體(RAM)、可程式化唯讀記憶體(PROM)及可抹除可程式化唯讀記憶體(EPROM)、FLASH-EPROM或任何其他快閃記憶體、非揮發性隨機存取記憶體(NVRAM)、快取記憶體、暫存器、任何其他記憶體晶片或卡匣及其網路化版本。
可使用以下條項來進一步描述實施例:
1. 一種用於校正一檢測影像之失真的方法,其包含:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;
針對該等局部對準結果之複數個子集中之各子集:
基於該等局部對準結果之該子集而判定一對準模型,及
基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;
基於該等評估而在該複數個對準模型當中選擇一個對準模型;及
基於該選定對準模型校正該檢測影像之一失真。
2. 如條項1之方法,其中評估該對準模型包含:
在該等局部對準結果之該剩餘集合中判定擬合該對準模型之局部對準結果的一百分比。
3. 如條項1或2之方法,其中隨機地選擇該複數個子集。
4. 如條項1至3中任一項之方法,其進一步包含:
基於該參考影像對準該檢測影像之該複數個嵌塊;及
藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
5. 如條項4之方法,其進一步包含:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
6. 一種用於校正一檢測影像之失真的設備,該設備包含:
一記憶體,其儲存一指令集;及
至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;
針對該等局部對準結果之複數個子集中之各子集:
基於該等局部對準結果之該子集而判定一對準模型,及
基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;
基於該等評估而在該複數個對準模型當中選擇一個對準模型;及
基於該選定對準模型校正該檢測影像之一失真。
7. 如條項6之設備,其中在評估該對準模型時,該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
在該等局部對準結果之該剩餘集合中判定擬合該對準模型之局部對準結果的一百分比。
8. 如條項6或7之設備,其中隨機地選擇該複數個子集。
9. 如條項6至8中任一項之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
基於該參考影像對準該檢測影像之該複數個嵌塊;及
藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
10. 如條項9之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
11. 一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行用於校正一檢測影像之失真的一方法,該方法包含:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;
針對該等局部對準結果之複數個子集中之各子集:
基於該等局部對準結果之該子集而判定一對準模型,及
基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;
基於該等評估而在該複數個對準模型當中選擇一個對準模型;及
基於該選定對準模型校正該檢測影像之一失真。
12. 如條項11之電腦可讀媒體,其中在評估該對準模型時,可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
在該等局部對準結果之該剩餘集合中判定擬合該對準模型之局部對準結果的一百分比。
13. 如條項11或12之電腦可讀媒體,其中隨機地選擇該複數個子集。
14. 如條項11至13中任一項之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
基於該參考影像對準該檢測影像之該複數個嵌塊;及
藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
15. 如條項14之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
16. 一種用於校正一檢測影像之失真的方法,其包含:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;
基於該等局部對準結果之一第一子集評估一第一對準模型,且基於該等局部對準結果之一第二子集評估一第二對準模型;
基於該第一對準模型與該等局部對準結果之一第一剩餘集合之一擬合而評估該第一對準模型,且基於該第二對準模型與該等局部對準結果之一第二剩餘集合之一擬合而評估該第二對準模型;
基於該等評估選擇該第一對準模型及該第二對準模型中之一者;及
基於該選定對準模型校正該檢測影像之一失真。
17. 如條項16之方法,其中評估該第一對準模型包含:
在該等局部對準結果之該第一剩餘集合中判定擬合該第一對準模型之局部對準結果的一百分比。
18. 如條項16或17之方法,其中隨機地選擇該第一子集及該第二子集。
19. 如條項16至18中任一項之方法,其進一步包含:
基於該參考影像對準該檢測影像之該複數個嵌塊;
藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
20. 如條項19之方法,其進一步包含:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
21. 一種用於校正一檢測影像之失真的設備,其包含:
一記憶體,其儲存一指令集;及
至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;
基於該等局部對準結果之一第一子集評估一第一對準模型,且基於該等局部對準結果之一第二子集評估一第二對準模型;
基於該第一對準模型與該等局部對準結果之一第一剩餘集合之一擬合而評估該第一對準模型,且基於該第二對準模型與該等局部對準結果之一第二剩餘集合之一擬合而評估該第二對準模型;
基於該等評估選擇該第一對準模型及該第二對準模型中之一者;及
基於該選定對準模型校正該檢測影像之一失真。
22. 如條項21之設備,其中在評估該第一對準模型時,該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
在該等局部對準結果之該第一剩餘集合中判定擬合該第一對準模型之局部對準結果的一百分比。
23. 如條項21或22之設備,其中隨機地選擇該第一子集及該第二子集。
24. 如條項21至23中任一項之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
基於該參考影像對準該檢測影像之該複數個嵌塊;及
藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
25. 如條項24之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
26. 一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行用於校正一檢測影像之失真的一方法,該方法包含:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果;
基於該等局部對準結果之一第一子集評估一第一對準模型,且基於該等局部對準結果之一第二子集評估一第二對準模型;
基於該第一對準模型與該等局部對準結果之一第一剩餘集合之一擬合而評估該第一對準模型,且基於該第二對準模型與該等局部對準結果之一第二剩餘集合之一擬合而評估該第二對準模型;
基於該等評估選擇該第一對準模型及該第二對準模型中之一者;及
基於該選定對準模型校正該檢測影像之一失真。
27. 如條項26之電腦可讀媒體,其中在評估該第一對準模型時,可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
在該等局部對準結果之該第一剩餘集合中判定擬合該第一對準模型之局部對準結果的一百分比。
28. 如條項26或27之電腦可讀媒體,其中隨機地選擇該第一子集及該第二子集。
29. 如條項26至28中任一項之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
基於該參考影像對準該檢測影像之該複數個嵌塊;及
藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
30. 如條項29之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
31. 一種用於校正一檢測影像之失真的方法,其包含:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而對準該檢測影像之複數個嵌塊;
藉由一機器學習模型評估該複數個嵌塊中之各嵌塊與該參考影像之一對應嵌塊之間的對準;
基於對應於該檢測影像之一參考影像而判定該檢測影像之該複數個嵌塊的局部對準結果;
基於該等局部對準結果判定一對準模型;及
基於該對準模型校正該檢測影像之一失真。
32. 如條項31之方法,其進一步包含:
基於該等對準之評估而重新對準該檢測影像之該複數個嵌塊。
33. 如條項31或32之方法,其中隨機地選擇該複數個子集。
34. 如條項31至33中任一項之方法,其進一步包含:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
35. 如條項31至34中任一項之方法,其中判定該對準模型包含:
針對該等局部對準結果之該複數個子集中之各子集:
基於該等局部對準結果之該子集而判定一對準模型,及
基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;及
基於該等對準模型之該等評估而在該複數個對準模型當中選擇一個對準模型。
36. 一種用於校正一檢測影像之失真的設備,其包含:
一記憶體,其儲存一指令集;及
至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而對準該檢測影像之複數個嵌塊;
藉由一機器學習模型評估該複數個嵌塊中之各嵌塊與該參考影像之一對應嵌塊之間的對準;
基於對應於該檢測影像之一參考影像而判定該檢測影像之該複數個嵌塊的局部對準結果;
基於該等局部對準結果判定一對準模型;及
基於該對準模型校正該檢測影像之一失真。
37. 如條項36之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
基於該等對準之評估而重新對準該檢測影像之該複數個嵌塊。
38. 如條項36或37之設備,其中隨機地選擇該複數個子集。
39. 如條項36至38中任一項之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
40. 如條項36至39中任一項之設備,其中在判定該對準模型時,該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
針對該等局部對準結果之該複數個子集中之各子集:
基於該等局部對準結果之該子集而判定一對準模型,及
基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;及
基於該等對準模型之該等評估而在該複數個對準模型當中選擇一個對準模型。
41. 一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行用於校正一檢測影像之失真的一方法,該方法包含:
獲取一檢測影像;
基於對應於該檢測影像之一參考影像而對準該檢測影像之複數個嵌塊;
藉由一機器學習模型評估該複數個嵌塊中之各嵌塊與該參考影像之一對應嵌塊之間的對準;
基於對應於該檢測影像之一參考影像而判定該檢測影像之該複數個嵌塊的局部對準結果;
基於該等局部對準結果判定一對準模型;及
基於該對準模型校正該檢測影像之一失真。
42. 如條項41之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
基於該等對準之評估而重新對準該檢測影像之該複數個嵌塊。
43. 如條項41或42之電腦可讀媒體,其中隨機地選擇該複數個子集。
44. 如條項41至43中任一項之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
45. 如條項41至44中任一項之電腦可讀媒體,其中在判定該對準模型時,可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
針對該等局部對準結果之該複數個子集中之各子集:
基於該等局部對準結果之該子集而判定一對準模型,及
基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型;及
基於該等對準模型之該等評估而在該複數個對準模型當中選擇一個對準模型。
46. 一種評估一檢測影像與一參考影像之對準的方法,其包含:
獲取該檢測影像之複數個嵌塊及該參考影像之複數個參考嵌塊,該複數個嵌塊對應於該複數個參考嵌塊;及
藉由一機器學習模型評估該複數個嵌塊與該複數個參考嵌塊之一對準。
47. 如條項46之方法,其中藉由該機器學習模型評估該對準包含:
評估該複數個嵌塊中之一第一嵌塊與該複數個參考嵌塊中之一第一參考嵌塊的一對準;及
產生表示該第一嵌塊對準至該第一參考嵌塊之一信賴度的一對準索引。
48. 如條項46之方法,其中藉由該機器學習模型評估該對準包含:
評估該複數個嵌塊及該複數個參考嵌塊之各對的一對準;及
針對該各對產生表示該各對對準之一信賴度的一對準索引。
49. 如條項46至48中任一項之方法,其進一步包含:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
50. 如條項49之方法,其中獲取該訓練檢測影像嵌塊及該訓練參考影像嵌塊之該對包含:
獲取該訓練檢測影像嵌塊與該訓練參考影像嵌塊是否對準之資訊。
51. 一種評估一檢測影像與一參考影像之對準的設備,該設備包含:
一記憶體,其儲存一指令集;及
至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作:
獲取該檢測影像之複數個嵌塊及該參考影像之複數個參考嵌塊,該複數個嵌塊對應於該複數個參考嵌塊;及
藉由一機器學習模型評估該複數個嵌塊與該複數個參考嵌塊之一對準。
52. 如條項51之設備,其中在藉由該機器學習模型評估該對準時,該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
評估該複數個嵌塊中之一第一嵌塊與該複數個參考嵌塊中之一第一參考嵌塊的一對準;及
產生表示該第一嵌塊對準至該第一參考嵌塊之一信賴度的一對準索引。
53. 如條項51之設備,其中在藉由該機器學習模型評估該對準時,該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
評估該複數個嵌塊及該複數個參考嵌塊之各對的一對準;及
針對該各對產生表示該各對對準之一信賴度的一對準索引。
54. 如條項51至53中任一項之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
55. 如條項54之設備,其中在獲取該訓練檢測影像嵌塊及該訓練參考影像嵌塊之各對時,該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作:
獲取該訓練檢測影像嵌塊與該訓練參考影像嵌塊是否對準之資訊。
56. 一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行評估一檢測影像與一參考影像之對準的一方法,該方法包含:
獲取該檢測影像之複數個嵌塊及該參考影像之複數個參考嵌塊,該複數個嵌塊對應於該複數個參考嵌塊;及
藉由一機器學習模型評估該複數個嵌塊與該複數個參考嵌塊之一對準。
57. 如條項56之電腦可讀媒體,其中在藉由該機器學習模型評估該對準時,可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
評估該複數個嵌塊中之一第一嵌塊與該複數個參考嵌塊中之一第一參考嵌塊的一對準;及
產生表示該第一嵌塊對準至該第一參考嵌塊之一信賴度的一對準索引。
58. 如條項56之電腦可讀媒體,其中在藉由該機器學習模型評估該對準時,可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
評估該複數個嵌塊及該複數個參考嵌塊之各對的一對準;及
針對該各對產生表示該各對對準之一信賴度的一對準索引。
59. 如條項56至58中任一項之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及
訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
60. 如條項59之電腦可讀媒體,其中在獲取該訓練檢測影像嵌塊及該訓練參考影像嵌塊之各對時,可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作:
獲取該訓練檢測影像嵌塊與該訓練參考影像嵌塊是否對準之資訊。
諸圖中之方塊圖可說明根據本發明之各種例示性實施例的系統、方法及電腦硬體或軟體產品之可能實施的架構、功能性及操作。就此而言,示意圖中之各方塊可表示可使用硬體(諸如電子電路)實施之某一算術或邏輯運算處理。區塊亦可表示包含用於實施指定邏輯功能之一或多個可執行指令的程式碼之模組、區段或部分。應理解,在一些替代實施中,方塊中所指示之功能可不按圖中所提及之次序出現。舉例而言,取決於所涉及之功能性,連續展示之兩個方塊可實質上同時執行或實施,或兩個方塊有時可以相反次序執行。亦可省略一些方塊。亦應理解,方塊圖之各區塊及區塊之組合可由進行指定功能或動作的基於專用硬體之系統,或由專用硬體及電腦指令之組合來實施。
應瞭解,本發明之實施例不限於已在上文描述及在隨附圖式中說明之確切構造,且可在不脫離本發明之範疇的情況下作出各種修改及改變。本發明已結合各種實施例進行描述,藉由考慮本文中所揭示之本發明之說明書及實踐,本發明之其他實施例對於熟習此項技術者將為顯而易見的。意欲將本說明書及實例視為僅為例示性的,其中本發明之真實範疇及精神由以下申請專利範圍指示。
100:電子束檢測系統
101:主腔室
102:裝載/鎖定腔室
104:光束工具
106:裝備前端模組
106a:第一裝載埠
106b:第二裝載埠
109:控制器
202:帶電粒子源
204:槍孔徑
206:聚光透鏡
208:交越
210:初級帶電粒子束
212:源轉換單元
214:細光束
216:細光束
218:細光束
220:初級投影光學系統
222:光束分離器
226:偏轉掃描單元
228:物鏡
230:晶圓
236:二次帶電粒子束
238:二次帶電粒子束
240:二次帶電粒子束
242:二次光學系統
244:帶電粒子偵測裝置
246:偵測子區
248:偵測子區
250:偵測子區
252:副光軸
260:主光軸
270:探測光點
272:探測光點
274:探測光點
280:機動晶圓載物台
282:晶圓固持器
290:影像處理系統
292:影像獲取器
294:儲存器
296:控制器
300:SEM影像
301:第一部分
302:第二部分
303:第三部分
400:失真校正系統
410:檢測影像獲取器
420:參考影像獲取器
430:影像對準器
440:對準模型產生器
450:失真校正器
460:對準評估器
510:檢測影像
511_1:第一嵌塊
511_2:第二嵌塊
511_3:嵌塊
511_n:嵌塊
531:對準模型
610:SEM影像
611:第一箭頭映圖
612:第一經校正影像
613:部分
614:部分
615:部分
621:第二箭頭映圖
622:第三箭頭映圖
630:第二經校正影像
631:箭頭/部分
632:箭頭/部分
633:部分
700:訓練系統/設備
710:訓練檢測影像獲取器
711:SEM影像
712:圖案
713:圖案
720:訓練參考影像獲取器
730:模型訓練器
731:對準評估模型
732:第一網路
733:第二網路
734:處理層
811:訓練檢測影像
811_1:訓練檢測影像嵌塊
811_2:訓練檢測影像嵌塊
811_n:訓練檢測影像嵌塊
821:訓練參考影像
821_1:訓練參考影像嵌塊
821_2:訓練參考影像嵌塊
821_n:訓練參考影像嵌塊
900:方法
1000:方法
B:圖案
LA:局部對準結果
LA1:第一局部對準結果
LA2:第二局部對準結果
LA9:第九局部對準結果
LA10:第十局部對準結果
PA1:第一對
PA2:第二對
PAn:第n對
RP:參考點
S910:步驟
S920:步驟
S921:步驟
S930:步驟
S940:步驟
S1010:步驟
S1020:步驟
T:距離
W:圖案
本發明之上述及其他態樣將自結合隨附圖式進行之例示性實施例之描述變得更顯而易見。
圖1為說明符合本發明之實施例的實例帶電粒子束檢測系統之示意圖。
圖2為說明符合本發明之實施例的可為圖1之實例帶電粒子束檢測系統之一部分的實例多光束工具之示意圖。
圖3說明具有可造成局部未對準之實例圖案之SEM影像。
圖4為符合本發明之實施例的實例失真校正系統之方塊圖。
圖5A說明符合本發明之實施例的分段成複數個嵌塊之實例檢測影像。
圖5B為說明符合本發明之實施例的局部對準結果之實例曲線。
圖5C為說明符合本發明之實施例的對準模型之實例曲線。
圖6A說明根據局部對準結果校正SEM影像之失真之實例程序。
圖6B說明符合本發明之實施例的根據對準模型校正SEM影像之失真之實例程序。
圖6C說明符合本發明之實施例的在失真校正之後的輸入影像與輸出影像之間的實例比較。
圖7A說明具有經移位重複圖案之實例檢測影像。
圖7B為符合本發明之實施例的用於對準評估模型之訓練系統之方塊圖。
圖8A說明符合本發明之實施例的用於圖7B之訓練系統之實例訓練資料集合。
圖8B說明符合本發明之實施例的對準評估模型之實例組態。
圖9為符合本發明之實施例的表示用於校正檢測影像之失真的例示性方法之程序流程圖。
圖10為符合本發明之實施例的表示用於訓練對準評估模型之例示性方法之程序流程圖。
400:失真校正系統
410:檢測影像獲取器
420:參考影像獲取器
430:影像對準器
440:對準模型產生器
450:失真校正器
460:對準評估器
Claims (15)
- 一種用於校正一檢測影像之失真的方法,其包含: 獲取一檢測影像; 基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果; 針對該等局部對準結果之複數個子集中之各子集: 基於該等局部對準結果之該子集而判定一對準模型,及 基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型; 基於該等評估而在該複數個對準模型當中選擇一個對準模型;及 基於該選定對準模型校正該檢測影像之一失真。
- 如請求項1之方法,其中評估該對準模型包含: 在該等局部對準結果之該剩餘集合中判定擬合該對準模型之局部對準結果的一百分比。
- 如請求項1之方法,其中隨機地選擇該複數個子集。
- 如請求項1之方法,其進一步包含: 基於該參考影像對準該檢測影像之該複數個嵌塊;及 藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
- 如請求項4之方法,其進一步包含: 獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及 訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
- 一種用於校正一檢測影像之失真的設備,該設備包含: 一記憶體,其儲存一指令集;及 至少一個處理器,其經組態以執行該指令集以使得該設備進行以下操作: 獲取一檢測影像; 基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果; 針對該等局部對準結果之複數個子集中之各子集: 基於該等局部對準結果之該子集而判定一對準模型,及 基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型; 基於該等評估而在該複數個對準模型當中選擇一個對準模型;及 基於該選定對準模型校正該檢測影像之一失真。
- 如請求項6之設備,其中在評估該對準模型時,該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作: 在該等局部對準結果之該剩餘集合中判定擬合該對準模型之局部對準結果的一百分比。
- 如請求項6之設備,其中隨機地選擇該複數個子集。
- 如請求項6之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作: 基於該參考影像對準該檢測影像之該複數個嵌塊;及 藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
- 如請求項9之設備,其中該至少一個處理器經組態以執行該指令集以使得該設備進一步進行以下操作: 獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及 訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
- 一種非暫時性電腦可讀媒體,其儲存一指令集,該指令集可由一運算裝置之至少一個處理器執行以使得該運算裝置執行用於校正一檢測影像之失真的一方法,該方法包含: 獲取一檢測影像; 基於對應於該檢測影像之一參考影像而判定該檢測影像之複數個嵌塊的局部對準結果; 針對該等局部對準結果之複數個子集中之各子集: 基於該等局部對準結果之該子集而判定一對準模型,及 基於該對準模型與該等局部對準結果之一剩餘集合之一擬合而評估該對準模型; 基於該等評估而在該複數個對準模型當中選擇一個對準模型;及 基於該選定對準模型校正該檢測影像之一失真。
- 如請求項11之電腦可讀媒體,其中在評估該對準模型時,可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作: 在該等局部對準結果之該剩餘集合中判定擬合該對準模型之局部對準結果的一百分比。
- 如請求項11之電腦可讀媒體,其中隨機地選擇該複數個子集。
- 如請求項11之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作: 基於該參考影像對準該檢測影像之該複數個嵌塊;及 藉由一機器學習模型評估該複數個嵌塊中之一第一嵌塊與該參考影像之一對應嵌塊之間的一對準。
- 如請求項14之電腦可讀媒體,其中可由該運算裝置之至少一個處理器執行之該指令集使得該運算裝置進一步進行以下操作: 獲取一訓練檢測影像嵌塊及一訓練參考影像嵌塊;及 訓練該機器學習模型以預測該訓練檢測影像嵌塊與該訓練參考影像嵌塊之間的一對準索引。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163220370P | 2021-07-09 | 2021-07-09 | |
US63/220,370 | 2021-07-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202307421A true TW202307421A (zh) | 2023-02-16 |
Family
ID=82270612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111122571A TW202307421A (zh) | 2021-07-09 | 2022-06-17 | 帶電粒子檢測中之影像失真校正 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP4367627A1 (zh) |
KR (1) | KR20240032830A (zh) |
CN (1) | CN117751379A (zh) |
IL (1) | IL309498A (zh) |
TW (1) | TW202307421A (zh) |
WO (1) | WO2023280487A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023232382A1 (en) * | 2022-06-01 | 2023-12-07 | Asml Netherlands B.V. | System and method for distortion adjustment during inspection |
-
2022
- 2022-06-02 IL IL309498A patent/IL309498A/en unknown
- 2022-06-02 CN CN202280048219.1A patent/CN117751379A/zh active Pending
- 2022-06-02 KR KR1020247000813A patent/KR20240032830A/ko unknown
- 2022-06-02 WO PCT/EP2022/065032 patent/WO2023280487A1/en active Application Filing
- 2022-06-02 EP EP22734500.6A patent/EP4367627A1/en active Pending
- 2022-06-17 TW TW111122571A patent/TW202307421A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
IL309498A (en) | 2024-02-01 |
EP4367627A1 (en) | 2024-05-15 |
KR20240032830A (ko) | 2024-03-12 |
CN117751379A (zh) | 2024-03-22 |
WO2023280487A1 (en) | 2023-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108352063B (zh) | 用于区域自适应缺陷检测的系统及方法 | |
TW202117590A (zh) | 使用機器學習產生用於晶圓檢測之預測影像之系統與方法 | |
EP4367632A1 (en) | Method and system for anomaly-based defect inspection | |
TW202307421A (zh) | 帶電粒子檢測中之影像失真校正 | |
TW202340868A (zh) | 基於機器學習模型之用於檢測樣品之缺陷偵測方法及系統 | |
US20230117237A1 (en) | Contour extraction method from inspection image in multiple charged-particle beam inspection | |
TWI807537B (zh) | 影像對準方法及系統 | |
US20230139085A1 (en) | Processing reference data for wafer inspection | |
WO2024068280A1 (en) | Parameterized inspection image simulation | |
TWI833297B (zh) | 光罩缺陷偵測 | |
US20240062362A1 (en) | Machine learning-based systems and methods for generating synthetic defect images for wafer inspection | |
TW202407568A (zh) | 用於帶電粒子系統中缺陷位置分級之系統及方法 | |
TW202240640A (zh) | 用於在帶電粒子系統中之檢查期間判定局部焦點之系統及方法 | |
WO2022207181A1 (en) | Improved charged particle image inspection | |
WO2024099710A1 (en) | Creating a dense defect probability map for use in a computational guided inspection machine learning model | |
TW202324291A (zh) | 掃描式電子顯微鏡影像強化 | |
KR20240056520A (ko) | 하전 입자 시스템의 실패 메커니즘 분류 및 식별에 의한 검사 시스템 및 방법 | |
CN117280380A (zh) | 带电粒子检测中的图像增强 | |
TW202407741A (zh) | 於檢測期間改善影像品質之系統及方法 | |
TW202335019A (zh) | 在帶電粒子系統中用於缺陷偵測及缺陷位置識別之系統及方法 | |
EP4128313A1 (en) | Image enhancement based on charge accumulation reduction in charged-particle beam inspection | |
TW202335020A (zh) | 對準失真影像 | |
TW202409751A (zh) | 使用帶電粒子檢測設備的疊對量測方法及系統 |