TW202309767A - 用於半導體應用以深度生成模型為基礎之對準 - Google Patents
用於半導體應用以深度生成模型為基礎之對準 Download PDFInfo
- Publication number
- TW202309767A TW202309767A TW111100653A TW111100653A TW202309767A TW 202309767 A TW202309767 A TW 202309767A TW 111100653 A TW111100653 A TW 111100653A TW 111100653 A TW111100653 A TW 111100653A TW 202309767 A TW202309767 A TW 202309767A
- Authority
- TW
- Taiwan
- Prior art keywords
- sample
- information
- alignment
- design
- image
- Prior art date
Links
- 239000004065 semiconductor Substances 0.000 title abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 225
- 238000000034 method Methods 0.000 claims abstract description 108
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 55
- 238000010894 electron beam technology Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000001131 transforming effect Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 219
- 239000010410 layer Substances 0.000 description 56
- 230000003287 optical effect Effects 0.000 description 34
- 238000007689 inspection Methods 0.000 description 23
- 230000007547 defect Effects 0.000 description 21
- 238000005286 illumination Methods 0.000 description 20
- 238000001514 detection method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 19
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 15
- 235000012431 wafers Nutrition 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 238000010884 ion-beam technique Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000001433 helium-ion microscopy Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 229920001690 polydopamine Polymers 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
提供用於半導體應用之深度學習對準之方法及系統。一種方法包含藉由將一樣本上之一對準目標之第一實際資訊輸入至一深度生成模型(諸如一GAN)中而將該第一實際資訊自設計資料轉換成一樣本影像抑或將一樣本影像轉換成設計資料。該方法亦包含將該經轉換第一實際資訊與該對準目標之第二實際資訊對準,該第二實際資訊具有相同於該經轉換第一實際資訊之資訊類型。該方法進一步包含基於該對準之結果來判定該經轉換第一實際資訊與該第二實際資訊之間的一偏移及將該經判定偏移儲存為一對準對設計偏移用於對該樣本執行之一程序中。
Description
本發明大體上係關於用於半導體應用之深度學習對準。特定實施例係關於用於判定用於對一樣本執行之一程序中之一偏移之方法及系統。
以下描述及實例不因其包含於此章節中而認為係先前技術。
可使用一方法或系統(諸如電子設計自動化(EDA)、電腦輔助設計(CAD)及其他IC設計軟體)開發一積體電路(IC)設計。此等方法及系統可用以由IC設計產生電路圖案資料庫。該電路圖案資料庫包含表示IC之各種層之複數個佈局之資料。該電路圖案資料庫中之資料可用以判定複數個光罩之佈局。一光罩之一佈局大體上包含於該光罩上以一圖案定義特徵之複數個多邊形。各光罩用以製造IC之各種層之一者。IC之層可包含(例如)一半導體基板中之一接面圖案、一閘極介電質圖案、一閘極電極圖案、一層間介電質中之一接觸件圖案及一金屬層上之一互連件圖案。
製造半導體裝置(諸如邏輯及記憶體裝置)通常包含使用大量半導體製造程序處理一基板(諸如一半導體晶圓)以形成半導體裝置之各種特徵及多個層級。例如,微影技術為涉及將一圖案自一光罩轉印至配置於一半導體晶圓上之一光阻劑之一半導體製造程序。半導體製造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。多個半導體裝置可在一單一半導體晶圓上之一配置中製造且接著被分成個別半導體裝置。
在一半導體製造程序期間,在各種步驟中使用檢驗程序以偵測晶圓上之缺陷以促進該製造程序中之更高良率且因此促進更高利潤。檢驗總是製造半導體裝置(諸如IC)之一重要部分。然而,隨著設計規則之縮小,半導體製造程序之運行可更接近程式效能能力之限制。另外,隨著設計規則之縮小,較小缺陷會對裝置之電氣參數產生一影響,其推動更敏感檢驗。因此,隨著設計規則之縮小,藉由由檢驗偵測之潛在良率相關缺陷之數量急劇增加,且藉由由檢驗偵測之有害缺陷之數量亦急劇增加。
檢驗系統及方法越來越多地經設計成關注缺陷與設計之間的關係,因為其對一樣本設計之影響將判定一缺陷是否重要及重要程度。例如,已開發用於對準檢驗及設計座標之一些方法。此一方法取決於設計之檢驗系統座標配準之準確性。另一此方法涉及對檢驗影像貼片及相關聯設計剪輯進行後處理對準。
當前使用之一些方法基於一設置晶圓上之一設置晶粒執行貼片至設計對準(PDA)訓練,並使用一基於實體之模型來演現影像,如圖10中展示。例如,如圖10之步驟1000中展示,當前使用之方法可掃描一樣本以找到對準目標。如步驟1002中展示,方法可獲取各目標之設計。使用在掃描期間產生之影像及為各目標獲取之設計,當前使用之方法可自實例目標學習影像演現參數,如步驟1004中展示。當前使用之方法接著可在各目標處使用所學習之影像演現參數來演現來自設計之一影像,如步驟1006中展示。如步驟1008中展示,當前使用之方法可在各目標處對準演現影像及樣本影像。當前使用之方法接著可為各目標判定設計至影像偏移,如步驟1010中展示,並將目標及偏移保存至一資料庫用於運行時間檢驗,如步驟1012中展示。接著可依任何合適方式執行運行時間PDA程序。
儘管用於設置及執行PDA之當前使用之方法已經證明在許多應用中係有用的,但此等方法及系統存在許多缺點。例如,需要找到良好目標以便創建一基於實體之模型並演現影像。此等方法及系統亦基於許多假設,包含可用於PDA設置之設計文件包含所有需要之層(即,演現與真實影像充分相似之影像所需之所有層)及可找到良好對準目標。然而,由於許多原因,設計資料可無法用於模擬良好影像所需之所有層。另外,有時發生此等良好對準目標沒有或不夠多。在其中任一或兩種情況下,難以創建基於實體之模型來找到最佳演現參數。
相應地,開發不具有上文所描述之缺點之一或多者之用於判定用於對一樣本執行之一程序中之一偏移之系統及方法將係有利的。
不依任何方式將各種實施例之以下描述視為限制隨附申請專利範圍之標的。
一個實施例係關於一種經組態以判定用於對一樣本執行之一程序中之一偏移之系統。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深度生成模型。該一或多個電腦子系統經組態用於藉由將一樣本上之一對準目標之第一實際資訊輸入至該深度生成模型中,將該第一實際資訊自一第一類型之資訊轉換成一第二類型之資訊。若該第一類型之資訊係設計資料,則該第二類型之資訊係一樣本影像。若該第一類型之資訊係一樣本影像,則該第二類型之資訊係設計資料。該一或多個電腦子系統亦經組態用於將該經轉換第一實際資訊與該對準目標之第二實際資訊對準,且該第二實際資訊係該第二類型之資訊。該一或多個電腦子系統進一步經組態用於基於該對準之結果來判定該經轉換第一實際資訊與該第二實際資訊之間的一偏移及將該經判定偏移儲存為一對準對設計偏移用於用一輸出獲取子系統對該樣本執行之一程序中。該系統可進一步如本文描述組態。
另一實施例係關於一種用於判定用於對一樣本執行之一程序中之一偏移之電腦實施方法。該方法包含由一或多個電腦系統執行之上文所描述之轉換、對準、判定及儲存步驟。該方法之該等步驟之各者可如本文進一步描述執行。另外,上文所描述之該方法可包含本文描述之任何其他方法之任何其他步驟。此外,該方法可由本文描述之該等系統之任何者執行。
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用於執行一種用於判定用於對一樣本執行之一程序中之一偏移之電腦實施方法。該電腦實施方法包含上文所描述之該方法之該等步驟。該電腦可讀媒體可進一步如本文描述組態。該電腦實施方法之該等步驟可進一步如本文描述執行。另外,該電腦實施方法(可針對該方法執行該等程式指令)可包含本文描述之任何其他方法之任何其他步驟。
本文中可互換使用之術語「設計」、「設計資料」及「設計資訊」通常係指一IC或其他半導體裝置之實體設計(佈局)及透過複雜模擬或簡單幾何及布爾運算自該實體設計導出之資料。該設計可包含於2009年8月4日授予Zafar等人之共同擁有之美國專利案第7,570,796號及2010年3月9日授予Kulkarni等人之美國專利案第7,676,077號中所描述之任何其他設計資料或設計資料代理,其等兩者如同完全在本文中提出般,以引用的方式併入。另外,設計資料可為標準單元庫資料、整合式佈局資料、一或多層之設計資料、設計資料之衍生物及全部或部分晶片設計資料。此外,本文描述之「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之資訊及資料,且因此可在將設計列印在任何實體樣本 (諸如光罩及晶圓)上之前在本文描述之實施例中使用。
現轉至圖式,應注意圖不按比例繪製。特定言之,圖式之一些元件之比例非常誇大以強調元件之特性。亦應注意圖未按相同比例繪製。可類似地組態之一個以上圖中展示之元件已使用相同元件符號指示。除非本文中另有規定,否則所描述及展示之元件之任一者可包含任何合適可商業購得元件。
一個實施例係關於一種經組態以判定用於對一樣本執行之一程序中之一偏移之系統。由本文描述之實施例判定之偏移可用於應用(諸如透過深度生成模型之IC設計至光學(或其他)影像對準)。此一系統之一個實施例展示於圖1中。系統包含一或多個電腦子系統(例如電腦子系統36及102)及由一或多個電腦子系統執行之一或多個組件100。一或多個組件包含深度生成模型104,其如本文進一步描述組態。
在一些實施例中,樣本係一晶圓。晶圓可包含半導體技術中已知之任何晶圓。儘管本文中可針對一或多個晶圓描述一些實施例,但係該等實施例不限於其等可用於之樣本。例如,本文描述之實施例可用於樣本(諸如光罩、平板、個人電腦(PC)板及其他半導體樣本)。
在一些實施例中,系統包含至少包含一能源及一偵測器之一輸出獲取子系統。能源經組態以產生經引導至一樣本之能量。偵測器經組態以偵測來自樣本之能量並回應於所偵測之能量而產生輸出。
在一個實施例中,輸出獲取子系統係一基於光之輸出獲取子系統。例如,在圖1中展示之系統之實施例中,輸出獲取子系統10包含經組態以將光引導至樣本14之一照明子系統。照明子系統包含至少一個光源。例如,如圖1中展示,照明子系統包含光源16。在一個實施例中,照明子系統經組態以以一或多個入射角將光引導至樣本,該入射角可包含一或多個傾斜角及/或一或多個法線角。例如,如圖1中展示,來自光源16之光經引導通過光學元件18且接著透鏡20至分束器21,分束器21將光以一法線入射角引導至樣本14。入射角可包含任何合適入射角,其可取決於(例如)樣本之特性、將在樣本上偵測之缺陷、將對樣本執行之量測等等而變化。
照明子系統可經組態以在不同時間以不同入射角將光引導至樣本。例如,輸出獲取子系統可經組態以改變照明子系統之一或多個元件之一或多個特性,使得光可以不同於圖1中展示之入射角之一入射角引導至樣本。在此一實例中,輸出獲取子系統可經組態以移動光源16、光學元件18及透鏡20,使得光以一不同入射角引導至樣本。
在一些例項中,輸出獲取子系統可經組態以同時以一個以上入射角將光引導至樣本。例如,輸出獲取子系統可包含一個以上照明通道,其中該等照明通道之一者可包含如圖1中展示之光源16、光學元件18及透鏡20且該等照明通道之另一者(未展示)可包含可經不同或相同組態之類似元件,或可包含至少一光源及可行地一或多個其他組件(諸如本文進一步描述之彼等組件)。若此光與其他光同時引導至樣本,則以不同入射角引導至樣本之光之一或多個特性(例如,波長、偏振等等)可不同,使得以不同入射角自照明樣本產生之光可在偵測器處彼此區分。
在另一例項中,照明子系統可僅包含一個光源(例如圖1中展示之光源16)且來自光源之光可由照明子系統之一或多個光學元件(未展示)分成不同光學路徑(例如,基於波長、偏振等等)。接著可將不同光學路徑之各者中之光引導至樣本。多個照明通道可經組態以同時或在不同時間(例如,當使用不同照明通道循序照明樣本時)將光引導至樣本。在另一例項中,相同照明通道可經組態以在不同時間將光引導至具有不同特性之樣本。例如,在一些例項中,光學元件18可經組態為一光譜過濾器且光譜過濾器之性質可依各種不同方式(例如藉由更換光譜過濾器)而改變,使得不同波長之光可在不同時間引導至樣本。照明子系統可具有本技術已知之任何其他合適組態用於以不同或相同入射角循序或同時將具有不同或相同特性之光引導至樣本。
在一個實施例中,光源16可包含一寬頻帶電漿(BBP)光源。依此方式,由光源產生並引導至樣本之光可包含寬頻帶光。然而,光源可包含任何其他合適光源,諸如一雷射,其可為本技術已知之任何合適雷射且可經組態以產生本技術已知之任何合適波長之光。另外,雷射可經組態以產生單色或幾乎單色之光。依此方式,雷射可為一窄頻帶雷射。光源亦可包含產生多個離散波長或波頻帶之光之一多色光源。
來自光學元件18之光可由透鏡20聚焦至分束器21。儘管透鏡20在圖1中展示為一單一折射光學元件,但實際上透鏡20可包含進行組合將光自光學元件聚焦至樣本之數個折射及/或反射光學元件。圖1中展示及本文描述之照明子系統可包含任何其他合適光學元件(未展示)。此等光學元件之實例包含(但不限於)偏光組件、光譜過濾器、空間過濾器、反射光學元件、變跡器、分束器、孔隙及其類似者,其可包含本技術已知之任何此等合適光學元件。另外,系統可經組態以基於將用於檢驗、計量等等之照明之類型來更改照明子系統之元件之一或多者。
輸出獲取子系統亦可包含經組態以使光在樣本上方掃描之一掃描子系統。例如,輸出獲取子系統可包含於檢驗、量測等等期間樣本14放置於其上之載物台22。掃描子系統可包含任何合適機械及/或機器人總成(其包含載物台22),其可經組態以移動樣本,使得光可在樣本上方掃描。另外或替代地,輸出獲取子系統可經組態使得輸出獲取子系統之一或多個光學元件在樣本上方執行光之某種掃描。可依任何合適方式在樣本上方掃描光。
輸出獲取子系統進一步包含一或多個偵測通道。一或多個偵測通道之至少一者包含一偵測器,其經組態以歸因於由輸出獲取子系統照明樣本自樣本偵測光且回應於所偵測之光而產生輸出。例如,圖1中展示之輸出獲取子系統包含兩個偵測通道,一個偵測通道由收集器24、元件26及偵測器28形成且另一偵測通道由收集器30、元件32及偵測器34形成。如圖1中展示,兩個偵測通道經組態以以不同收集角度收集且偵測光。在一些例項中,一個偵測通道經組態以偵測鏡面反射光,且另一偵測通道經組態以偵測未自樣本鏡面反射(例如,散射、繞射等等)之光。然而,偵測通道之一或多者可經組態以自樣本偵測相同類型之光(例如鏡面反射光)。儘管圖1展示包含兩個偵測通道之輸出獲取子系統之一實施例,但輸出獲取子系統可包含一不同數目個偵測通道(例如,僅一個偵測通道或兩個或更多個偵測通道)。儘管收集器之各者在圖1中展示為單一折射光學元件,但收集器之各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本技術已知之任何合適偵測器。例如,偵測器可包含光電倍增管(PMT)或本技術已知之任何其他合適非成像偵測器。若偵測器係非成像偵測器,則偵測器之各者可經組態以偵測散射光之特定特性(諸如強度),但可不經組態以偵測作為成像平面內位置之一函數之此等特性。因而,由包含於偵測通道之各者中之偵測器之各者產生的輸出可為信號或資料,但並非影像信號或影像資料。在此等例項中,一電腦子系統(諸如系統之電腦子系統36)可經組態以自偵測器之非成像輸出產生樣本之影像。
應注意,本文中提供圖1以大體上繪示可包含於本文描述之系統實施例中之一輸出獲取子系統之一組態。顯然,如同通常在設計一商用檢驗、計量等等系統時執行,本文描述之輸出獲取子系統組態可經改變以最佳化系統之效能。另外,可使用一現有檢驗或計量系統(例如,藉由添加本文描述之功能性至一現有檢驗或計量系統)(諸如在商業上可購自KLA Corp., Milpitas, Calif之29xx及39xx系列工具、SpectraShape系列工具及Archer系列工具)來實施本文描述之系統。對於一些此等系統,可提供本文描述之實施作為系統之光學功能性(例如,除系統之其他功能性之外)。替代地,本文描述之輸出獲取子系統可「從頭開始」設計以提供一全新系統。
系統之電腦子系統36可依任何合適方式(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)耦合至輸出獲取子系統之偵測器,使得在樣本之掃描期間,電腦子系統可接收由偵測器產生之輸出。電腦子系統36可經組態以使用如本文描述之偵測器之輸出及本文進一步描述之任何其他功能來執行多種功能。此電腦子系統可如本文中描述進一步組態。
此電腦子系統(以及本文描述之其他電腦子系統)在本文中亦可稱為電腦系統。本文描述之該等電腦子系統或系統之各者可採用各種形式,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」可係概括地界定以涵蓋具有一或多個處理器之任何裝置,其執行來自一記憶體媒體之指令。該等電腦子系統或系統亦可包含本技術已知之任何合適處理器(諸如一平行處理器)。另外,該等電腦子系統或系統可包含具有高速處理及軟體之一電腦平臺,作為一分立抑或一網路工具。
若系統包含一個以上電腦子系統,則不同電腦子系統可彼此耦合,使得可在電腦子系統之間發送影像、資料、資訊、指令等等,如本文進一步描述。例如,電腦子系統36可由任何合適傳輸媒體耦合至電腦子系統102 (如由圖1中之虛線展示),該傳輸媒體可包含本技術已知之任何合適有線及/或無線傳輸媒體。此等電腦子系統之兩者或更多者亦可由一共用電腦可讀儲存媒體(未展示)有效地耦合。
儘管上文將輸出獲取子系統描述為一光學或基於光之子系統,但輸出獲取子系統可為一基於電子束之子系統。例如,在一個實施例中,輸出獲取子系統係一電子束輸出獲取子系統。依此方式,能量源可為一電子束源。在圖2中展示之此一實施例中,輸出獲取子系統包含電子柱122,其耦合至電腦子系統124。
亦如圖2中展示,電子柱包含經組態以產生由一或多個元件130聚焦至樣本128之電子之電子束源126。電子束源可包含(例如)一陰極源或發射器尖端,且一或多個元件130可包含(例如)一槍支瞄準鏡、一陽極、一束限制孔徑、一閘閥、一束電流選擇孔徑、一物鏡及一掃描子系統,所有其等可包含本技術已知之任何此等合適元件。
自樣本返回之電子(例如二次電子)可由一或多個元件132聚焦至偵測器134。一或多個元件132可包含(例如)一掃描子系統,該掃描子系統可為包含於元件130中之相同掃描子系統。
電子柱可包含本技術已知之任何其他合適元件。另外,電子柱可如2014年4月4日授予Jiang等人之美國專利案第8,664,594號、2014年4月8日授予Kojima等人之美國專利案第8,692,204號、2014年4月15日授予Gubbens等人之美國專利案第8,698,093號及2014年5月6日授予MacDonald等人之美國專利案第8,716,662號中所描述進一步組態,其等如同完全在本文中提出般,以引用的方式併入。
儘管電子柱在圖2中經展示為經組態使得電子以一傾斜入射角引導至樣本並以另一傾斜角自樣本散射,但應理解,電子束可以任何合適角度引導至樣本並自樣本散射。另外,電子束子系統可經組態以使用多個模式來產生樣本之影像(例如,具有不同照明角度、收集角度等等)。電子束子系統之多個模式可在子系統之任何影像產生參數中不同。
電腦子系統124可耦合至偵測器134,如上文所描述。偵測器可偵測自樣本之表面返回之電子,藉此產生由電腦子系統使用之輸出以形成樣本之電子束影像,該影像可包含任何合適電子束影像。電腦子系統124可經組態以使用偵測器之輸出及/或電子束影像來執行本文描述之功能之任何者。電腦子系統124可經組態以執行本文描述之任何額外步驟。包含圖2中展示之輸出獲取子系統之一系統可如本文描述進一步組態。
應注意,本文中提供圖2以大體上繪示可包含於本文描述之實施例中之一基於電子束之輸出獲取子系統之一組態。如同上文所描述之光學子系統,本文描述之電子束子系統組態可改變以最佳化子系統之效能,如在設計一商業檢驗或計量系統時通常執行般。另外,本文描述之系統可使用一現有檢驗、計量或其他系統(例如,藉由將本文描述之功能性添加至一現有系統)來實施,諸如可自KLA商業購得之工具。對於一些此等系統,本文描述之實施例可作為系統之可選功能性提供(例如,除系統之其他功能性之外)。替代地,本文描述之系統可「從頭開始」設計以提供一全新系統。
儘管上文將輸出獲取子系統描述為一基於光或基於電子束之子系統,但輸出獲取子系統可為一基於離子束之子系統。此一輸出獲取子系統可如圖2中展示組態,除電子束源可用本技術已知之任何合適離子束源替換。因此,在一個實施例中,引導至樣本之能量包含離子。另外,輸出獲取子系統可為任何其他合適之基於離子束之輸出獲取子系統,諸如包含於商業購得之聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜(SIMS)系統中之彼等。
本文描述之輸出獲取子系統可經組態以以多種模式為樣本產生輸出。一般而言,一「模式」由用於產生樣本之影像之輸出獲取子系統之參數值界定。因此,輸出獲取子系統之參數之至少一者之值可不同(除樣本上產生輸出之位置)。例如,在一光學子系統中,不同模式可使用不同波長之光用於照明。如本文進一步描述(例如,藉由使用不同光源、不同光譜過濾器等等),對於不同模式,該等模式在照明波長上可不同。在另一實施例中,不同模式可使用光學子系統之不同照明通道。例如,如上文所提及,光學子系統可包含一個以上照明通道。因而,不同照明通道可用於不同模式。模式在輸出獲取子系統之任何一或多個可變參數(例如,照明偏振、角度、波長等等、偵測偏振、角度、波長等等)上可不同。
依一類似方式,由電子束子系統產生之輸出可包含由電子束子系統產生之具有電子束子系統之一參數之兩個或更多個不同值之輸出。電子束子系統之多種模式可由用於產生一樣本之輸出之電子束子系統之參數之值界定。因此,對於電子束子系統之電子束參數之至少一者,不同模式之值可不同。例如,在一電子束子系統之一個實施例中,不同模式可使用不同入射角用於照明。
本文描述之輸出獲取子系統實施例可經組態用於對樣本執行之檢驗、計量、缺陷審查或其他品質控制相關程序。例如,本文描述並展示於圖1及圖2中之輸出獲取子系統之實施例可在一或多個參數中修改以取決於其等將被使用之應用而提供不同輸出產生能力。在此類之一實例中,若展示於圖1中之輸出獲取子系統用於缺陷審查或計量而非用於檢驗,則其可經組態以具有一更高解析度。換言之,展示於圖1及圖2中之輸出獲取子系統之實施例描述一輸出獲取子系統之一些通用及各種組態,其等可依熟習此項技術者將明白之多種方式訂製以產生具有或多或少適於不同應用之不同輸出產生能力之輸出獲取子系統。
如上文所提及,光學、電子及離子束子系統經組態用於在樣本之一實體版本上方掃描能量(例如,光、電子等等),藉此為樣本之實體版本產生輸出。依此方式,光學、電子及離子束子系統可經組態為「實際」子系統,而非「虛擬」子系統。然而,展示於圖1中之一儲存媒體(未展示)及電腦子系統102可經組態為一「虛擬」系統。特定言之,儲存媒體及電腦子系統可經組態為一「虛擬」檢驗系統,如在2012年2月28日授予Bhaskar等人之共同轉讓之美國專利案第8,126,255號及2015年12月29日授予Duffy等人之美國專利案第9,222,895號中所描述,其等兩者全文以引用的方式併入。本文描述之實施例可進一步如此等專利中描述般組態。
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中展示之深度生成模型104。一般而言,「深度學習」(DL)(亦稱為深度結構化學習、分層學習或深度機器學習)係基於試圖模型化資料中之高級抽象之一組演算法的機器學習(ML)之一分支。在一簡單情況下,可有兩組神經元:一組接收一輸入信號且一組發送一輸出信號。當輸入層接收一輸入時,其將輸入之一修改版本傳遞給下一層。在一基於DL之模型中,輸入與輸出之間有存在很多層(且該等層不由神經元組成,但可幫助如此想),允許演算法使用多個處理層,由多個線性及非線性轉換組成。
DL係基於資料之學習表示之一更廣泛ML方法家族之部分。一觀察(例如一影像)可依多種方式(諸如每一像素之一強度值向量)表示,或依一更抽象方式表示為一組邊緣、特定形狀之區域等等。一些表示比其他表示更佳地簡化學習任務(例如,面部識別或面部表情識別)。DL之承諾之一者係用有效演算法替換手工製作之特徵用於無監督或半監督特徵學習及分層特徵提取。
一「生成」模型通常可界定為本質上係概率之一模型。換言之,一「生成」模型不係執行前向模擬或基於規則之方法之模型,且因而,產生一實際影像所涉及之程序之實體之一模型係不必要的。相反,如本文進一步描述,可基於一合適訓練資料集來學習生成模型(因為可學習其參數)。生成模型可經組態以具有一DL架構,該架構可包含執行多種演算法或轉換之多個層。包含於生成模型中之層數可取決於用例。出於實際目的,一合適層範圍係自2層至幾十層。學習樣本影像(例如實際晶圓之影像)與設計(例如,CAD或預期佈局之一向量表示)之間的聯合概率分佈(均值及方差)之深度生成模型可如本文進一步描述般組態。
在一個實施例中,深度生成模型係一生成對抗網路(GAN)。在另一實施例中,深度生成模型係一條件生成對抗網路(cGAN)。深度生成模型亦可包含本技術已知之任何其他合適類型之GAN。
一般而言,GAN由兩個對抗模型組成,一生成模型
G,捕獲資料分佈,且一判別模型
D,估計一給定樣本來自訓練資料而非
G之概率。
G及
D可為一多層感知,即一非線性映射函數。產生器構建自一先驗雜訊分佈
p
z(z)
至資料空間
G(z; θ
g)
之一映射函數以便在資料
x上學習一產生器分佈
p
g ,其中
G係由具參數
θ g 之一多層感知表示之一可微函數。產生器經訓練以產生不可與真實資料分佈或地面實況資料分佈區分開之模擬輸出。經對抗訓練之鑑別器經訓練以偵測由產生器創建之偽造訊息。產生器及鑑別器兩者進行盡可能好之訓練,使得產生器產生極佳「偽造」輸出。
當將GAN擴展至一條件模型(cGAN)時,鑑別器及產生器兩者以一些額外資訊y為條件,將y作為一額外輸入層餽送至鑑別器及產生器中。
GAN受遊戲理論之啟發,其中一產生器
G及一批評者(即鑑別器
D)彼此競爭以使彼此更強大。目標係使所產生之資料分佈
p
g 與Jensen-Shannon散度評估之真實樣本分佈
p
r 盡可能類似:
其中
D
KL 係Kullback-Leibler散度,如下界定:
及
產生器在給定一隨機雜訊變量輸入
z之情況下輸出合成樣本。隨時間,產生器經訓練以藉由使鑑別器拒絕其認為係不良偽造訊息之影像來捕獲真實資料分佈。
此意謂
G經訓練以增加D為一偽造實例產生一高概率之機會,因此最小化
。吾人亦需要藉由最大化編碼
並給定一偽造樣本
G(z)來確保鑑別器對真實資料之決策係準確的,鑑別器期望藉由最大化
來輸出接近於零之一概率
D(G(z))。
一或多個電腦子系統經組態用於藉由將用於一樣本上之一對準目標之第一實際資訊輸入至深度生成模型中來將該第一實際資訊自一第一類型之資訊轉換成一第二類型之資訊。一或多個電腦子系統可依任何合適方式將第一實際資訊輸入至深度生成模型中。
如本文使用之術語「實際資訊」係指尚未由一DL或ML模型(包含本文描述之彼等模型)模擬之資訊,而係自本文描述之模型之外之一來源獲取之資訊。本文描述之實施例中之實際資訊之可能來源包含一設計資料庫、文件、儲存媒體等等或一樣本成像工具(諸如本文描述之彼等)。
如本文所使用之術語「第一」及「第二」除指示不同事物之外不具有任何含義。如本文進一步描述,第一及第二類型之資訊係不同類型之資訊,其中通常第一抑或第二類型之資訊係設計資料且第一及第二類型之資訊之另一者係樣本影像。依此方式,如本文使用之該術語之不同類型之資訊並不旨在意謂具有不同特性之相同類型之資訊。例如,如本文使用之該術語之不同類型之資訊並不旨在意謂具有不同解析度或其他不同影像特性之相同類型之樣本影像(例如光學影像)。相反,本文描述之不同類型之資訊位於不同域中,諸如設計資料空間與樣本影像空間。
當前在本技術中使用之許多半導體品質控制類型之應用程式藉由使用設計資料來執行特定功能(如缺陷偵測及分類等)來提供改良結果。為了使設計資料對此等功能之任何者有用,其必須與由品質控制工具為一樣本產生之結果正確對準。例如,除非一樣本影像與設計資料正確對準,否則不可準確判定影像之哪些部分對應於設計之哪些部分。執行此對準之一個困難係一樣本影像通常看起來不太像其對應設計,其可歸因於數個因數,包含設計中之結構係如何在樣本上形成以及工具使結構成像之能力。換言之,樣本影像與對應設計資料可具有實質上不同影像特性,其會使對應樣本影像及設計資料之對準變得特別困難。在大多數情況下,不可能更改樣本影像之特性以使影像至設計對準更容易。因此,不斷探索使對準成為可能之創造性及更佳方法。本文描述之實施例有利地為具有一設計至影像失配(諸如上文所描述)之樣本提供更佳對準。
若第一類型之資訊係設計資料,則第二類型之資訊係一樣本影像。圖3展示藉由為產生器網路提供一設計影像而執行之cGAN訓練特定言之,如圖3中展示,條件資訊Y 300 (額外資料,諸如設計影像302或一條件影像)與潛在空間向量z 304一起經輸入至產生器網路306。因此,產生器網路306輸出所產生影像X
fake308,其為一模擬樣本影像,例如模擬樣本影像310。在此情況下,真實影像X
real312係一樣本在樣本上之展示於設計影像302中之設計之部分形成於其處之一位置處之實際光學影像314。依此方式,條件資訊Y 300 (諸如一設計影像)可為一訓練集中之一訓練輸入,且真實影像X
real312可為經指定為訓練集中之一訓練輸出之一樣本之其對應影像。
潛在空間向量可具有本技術已知之任何合適組態。一般而言,潛在空間向量表示僅由雜訊組成之一初始影像,即,具有隨機分配之灰階值之像素。出於計算原因,此影像藉由將影像中之各列彼此相鄰拼接而儲存為一向量,使得一2D影像(例如32像素x32像素)成為一相應大小之向量,例如一1x1024大小之向量。一些資訊(例如色彩)可添加至此隨機性以引導深度生成模型至一特定方向中。
所產生之影像X
fake308及條件資訊Y 300經組合作為鑑別器網路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)經組合作為鑑別器網路320之一第二輸入。條件資訊Y 300及316在此情況下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,該損失函數可產生輸出P(True) 322,其係所產生之拼接影像係一真實或良好「偽造」影像之概率。
圖中所展示之設計、真實及所產生之影像之各者並不意謂繪示可使用本文描述之實施例之任何特定樣本或其特性。依一類似方式,圖中所展示之真實及所產生之影像之各者並不意謂繪示可為樣本產生之任何特定實際或模擬影像。相反,圖中所展示之設計、真實及所產生之影像僅旨在促進對本文描述之實施例之理解。自產生器實際輸入及輸出之影像將取決於樣本及其特性而不同,該等特性與其設計及為樣本產生實際影像之成像系統之組態有關,該等影像用於訓練GAN,藉此影響由GAN產生之模擬影像。
損失函數可為本技術已知之任何合適損失函數,諸如由Isola等人在關於電腦視覺及圖案識別(CVPR)之IEEE會議,2017年,第1125至1134頁之「Image-to-Image Translation with Conditional Adversarial Networks」中所揭示之損失函數,該文獻如同完全在本文中提出般,以引用的方式併入。本文描述之實施例可進一步如此參考文獻中描述般組態。圖3中所展示之產生器及鑑別器網路可進一步如本文描述組態。
若第一類型之資訊係一樣本影像,則第二類型之資訊係設計資料。圖4展示藉由為產生器提供一真實樣本影像而執行之cGAN訓練。特定言之,如圖4中展示,條件資訊Y 400 (例如樣本影像402或一條件影像)連同可如上文組態之潛在空間向量z 404一起經輸入至產生器網路406。因此,產生器網路406輸出所產生之影像X
fake408,在此情況下,其可為偽造設計剪輯410。在此情況下,真實影像X
real412係一樣本之位於在樣本樣本影像402在其處產生之一位置處之實際設計剪輯414,該樣本。依此方式,條件資訊Y 400 (諸如一實際樣本影像)可為一訓練集中之一訓練輸入,且真實影像X
real412可為經指定為訓練集中之一訓練輸出之其對應設計剪輯。所產生之影像X
fake408及條件資訊Y 400經組合作為鑑別器網路420之一第一輸入。真實影像X
real412及條件資訊Y 416 (例如樣本影像418)經組合作為鑑別器網路420之一第二輸入。條件資訊Y 400及416在此情況下係相同樣本影像之不同例項。鑑別器網路可產生輸入至一損失函數(未展示)之輸出,該損失函數可產生輸出P(True) 422,其係所產生之設計剪輯係真實或良好「偽造」設計剪輯之概率。損失函數可如上文描述組態。圖4中所展示之產生器及鑑別器網路可進一步如本文描述組態。
可包含於如本文描述組態之一GAN之實施例中之一產生器之一實例展示於圖5中。一般而言,GAN可包含一編碼器-解碼器網路,該網路逐步向下採樣直至一瓶頸層且接著程序係相反的。如圖5中展示,產生器可包含編碼器500及解碼器502。編碼器500中所展示之方塊506、508及510之各者表示在重複卷積、批量歸一化及整流線性單元(ReLU)啟動並在各區段之末尾應用最大彙整之後之最終輸出層大小之一實例。儘管編碼器500在圖5中展示為包含3個方塊,但編碼器可包含任何合適數目個方塊,其可依本技術已知之任何合適方式判定。另外,方塊、卷積層、批量歸一化層、ReLU層及彙整層之各者可具有本技術已知之任何合適組態。輸入504 (其在本文描述之實施例中係第一實際資訊)可輸入至方塊506,其輸出可輸入至方塊508等等。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方塊。解碼器中之方塊514、516及518之各者表示在重複上採樣(轉置卷積)及ReLU啟動之後之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個方塊,但解碼器可包含任何合適數目個方塊,其可依本技術已知之任何合適方式判定。包含於解碼器中之方塊及上採樣及ReLU層之各者可具有本技術已知之任何合適組態。由編碼器產生之特徵層512可輸入至方塊514,其輸出可輸入至方塊516等等。解碼器之輸出520可為本文描述之經轉換第一實際資訊之任何者。
在一些例項中,GAN可包含在編碼器及解碼器中之對應方塊之間的跳接522,例如在方塊506與518之間、在方塊508與516之間及在方塊510與514之間。可跳接以傳輸在方塊之間學習之低階資訊。跳接可具有依本技術已知之任何合適方式判定之任何合適組態。圖5中輸入及輸出下方之數字分別指示輸入及輸出之大小。編碼器中方塊下方之數字指示方塊之輸出之大小,且解碼器中方塊下方之數字指示方塊之各者之輸入之大小。
可包含於如本文描述組態之一GAN之實施例中之一鑑別器之一實例展示於圖6中。鑑別器之輸入600可包含兩個影像(未展示於圖6中),一者由GAN及原始影像之產生器產生。鑑別器可包含數個層,包含層602、604、606、608及610,其等之各者可包含卷積、ReLU及最大彙整層之一些組合。卷積、ReLU及最大彙整層可具有本技術已知之任何合適組態。鑑別器之輸出612可為P(x),模擬影像(即,經轉換第一實際資訊)與原始影像(即第二實際資訊)匹配程度之概率或模擬影像係一良好「偽造」影像或一壞「偽造」影像之概率。圖6中輸入下方之數字指示輸入之大小。鑑別器中層下方之數字指示層之輸出之大小。儘管鑑別器在圖6中展示為具一特定數目個層,但包含於本文中所描述之實施例之GAN中之鑑別器可具有依本技術已知之任何合適方式判定之任何合適數目個層。
GAN及cGAN之一般架構及組態之額外描述可在「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頁中找到,其等如同完全在本文中提出般,以引用的方式併入。本文描述之實施例可進一步如此等參考文獻中描述般組態。
本文描述之深度生成模型可或可不由一或多個電腦子系統及/或由電腦子系統執行之組件之一者訓練。例如,另一方法或系統可訓練深度生成模型,其接著可經儲存用作由電腦子系統執行之組件。深度生成模型亦可在運行時間之前之任何時間進行訓練或構建。在此一實例中,深度生成模型可在PDA訓練或設置期間構建。本文描述之深度生成模型亦可在設置及/或部署一訓練模型之後之任何時間進行更新、重新訓練或修改。
在此一實例中,圖7展示當本文描述之實施例經組態用於使用一深度生成模型來將設計轉換成樣本影像時可由本文描述之實施例執行之步驟之一流程圖。步驟700、702、704、706、708及710在設置期間執行,且步驟712、714、716及718在運行時間期間執行。相反,圖8展示當本文描述之實施例經組態用於使用一深度生成模型來將樣本影像轉換成設計時可由本文描述之實施例執行之步驟之一流程圖。步驟800、802、804、806、808及810在設置期間執行,且步驟812、814、816及818在運行時間期間執行。
在一個實施例中,電腦子系統經組態用於自用輸出獲取子系統產生之樣本之設置影像選擇對準目標。例如,無論深度生成模型是否經組態用於將樣本影像轉換成設計資料或將設計資料轉換成樣本影像,電腦子系統可選擇用於訓練及運行時間之對準目標。為訓練及運行時間選擇之對準目標可或可不相同。例如,可使用相同對準目標來執行訓練及運行時間,但用於訓練之對準目標之例項相對於運行時間更少。相反情況亦係可行的。由電腦子系統選擇之對準目標亦可包含具有不同特性之不同對準目標,而不僅僅係樣本上或設計中之不同位置。對準目標可如本文進一步描述或依本技術已知之任何其他合適方式來選擇。
基於設計之對準之實例在2017年11月28日授予Bhattacharyya等人之美國專利案第9,830,421號、2020年4月14日授予Brauer之美國專利案第10,620,135號及2020年6月30日授予Brauer之美國專利案第10,698,325號中描述,其等如同完全在本文中提出般,以引用的方式併入。本文描述之實施例可經組態以如此等專利中所描述來選擇對準目標且可進一步如此等專利中所描述組態。
如圖7之步驟700及圖8之步驟800中展示,電腦子系統可掃描一整個晶粒以找到跨晶粒均勻分佈之2D唯一目標。可如本文進一步描述來執行掃描一樣本上之一整個晶粒或一樣本上之另一合適區域。唯一目標可依本技術已知之任何合適方式係唯一的,其使目標適於對準目的。可依任何合適方式(例如,藉由在一預定影像視窗內搜索與視窗中之任何其他圖案不同之圖案)來找到2D唯一目標。例如,唯一目標可為與一預定搜索視窗內之其他圖案(諸如一影像圖框或作業)相比具有一唯一形狀之一圖案,在預定搜索視窗內相對於彼此具有一唯一空間關係之圖案等等。
對準目標較佳係2D,因為其等可用於在x方向及y方向兩者上執行對準,儘管此並非必需。例如,可選擇對準目標,使得一或多者用於僅在x方向上之對準且一或多個其他者用於僅在y方向上之對準。
另外,儘管可較佳找到及使用跨樣本上之一晶粒或其他區域均勻分佈之對準目標,但此並非必需。換言之,儘管可分別如圖7及圖8之步驟700及800中所展示來選擇對準目標,但本文描述之實施例可與依本技術已知之任何合適方式而選擇之本技術已知之任何合適對準目標一起使用。儘管選擇多個唯一目標用於本文描述之實施例中可為實際的,但一般而言,可選擇任何一或多個唯一目標。唯一目標之各者可依任何唯一方式彼此不同。另外,唯一目標可包含相同唯一目標之一個以上例項。
一或多個電腦子系統可接收在樣本影像中找到之唯一目標之各者之設計。一或多個電腦子系統可依任何合適方式接收設計,諸如藉由基於自藉由掃描產生之影像判定之唯一目標之資訊來搜索樣本之一設計,藉由在來自一儲存媒體或包含設計之電腦系統之唯一目標之部分處請求一設計之一部分(例如一設計剪輯)等等。由一或多個電腦子系統接收之設計可包含本文進一步描述之設計、設計資料或設計資訊之任何者。
在另一實施例中,電腦子系統經組態用於產生一訓練集,該訓練集包含用輸出獲取子系統產生之樣本之訓練影像及樣本之對應設計資料,並用訓練集訓練深度生成模型,且訓練影像在與校準目標或樣本上任何其他校準目標之位置無關之位置處產生。例如,本文描述之深度生成模型可自結構學習,即使用於學習之結構對於傳統PDA技術而言並非良好對準位點。換言之,儘管對準目標對於本文描述之其他步驟係必需的,但深度生成模型之訓練不必僅使用對準目標影像及設計或甚至任何對準目標影像及設計來執行。能夠用可與設計資料相關之基本上任何樣本影像來訓練深度生成模型係有利的,特別係在一樣本上沒有很多合適對準目標之情況下。換言之,可存在其中一樣本上可行對準目標之數目使得產生僅訓練集之一對準目標變得困難或甚至不可行之例項。在此等(及任何其他)情況下,訓練集可包含未對準目標影像及設計資料以確保可正確訓練深度生成模型。
在一額外實施例中,電腦子系統經組態用於產生一訓練集,該訓練集包含用輸出獲取子系統產生之樣本之訓練影像及樣本之對應設計資料,並用訓練集訓練深度生成模型,且包含於訓練集中之對應設計資料包含少於樣本上影響訓練影像之所有層之設計資料。例如,本文描述之實施例提供高度準確對準,而無需完全瞭解所有層資訊。能夠自對樣本影像具有一影響之少於所有設計資料產生樣本影像係有利的(或反之亦然),因為在許多例項中,整個設計文件在諸如本文描述之彼等之情況下係不可用的。在其他情況下,可難以先驗地知道哪些設計層對樣本影像具有一影響且因此應用於前向類型模擬。相反,只要用於訓練深度生成模型之設計資料至少在某種程度上對應於用於訓練之樣本影像,本文描述之深度生成模型將能夠自設計資料產生模擬樣本影像(或反之亦然)。換言之,歸因於深度生成模型本身之性質,即使用於訓練之設計資料缺少出現在樣本影像中或對樣本影像具有一影響之一些圖案化特徵,本文描述之實施例亦應能夠成功地產生一經訓練深度生成模型。
在本文描述之實施例之任何者中,產生一訓練集可包含依任何合適方式並以任何合適格式儲存訓練影像及對應設計資料,使得訓練集可用於訓練一深度生成模型。電腦子系統可將用於訓練集之資訊儲存於本文描述之電腦可讀儲存媒體之任何者中。訓練集可由電腦子系統依本技術已知之任何合適方式使用,包含分成用於訓練及驗證之子集,隨時間或當程序改變時經更新、修改或替換等等。
接著可基於包含具有對應設計剪輯之樣本貼片影像之一訓練集來訓練一深度生成模型。樣本影像係訓練輸入且對應設計剪輯係訓練輸出或反之亦然取決於深度生成模型將如何轉換第一實際資訊及第一實際資訊及第二實際資訊之資訊之類型。訓練可包含將訓練輸入輸入至深度生成模型中並改變深度生成模型之一或多個參數,直至由深度生成模型產生之輸出匹配(或實質上匹配)訓練輸出。訓練可包含改變深度生成模型之任何一或多個可訓練參數。例如,由本文描述之實施例訓練之深度生成模型之一或多個參數可包含用於具有可訓練權重之深度生成模型之任何層之一或多個權重。在此一實例中,權重可包含卷積層之權重,但不包含彙整層之權重。
儘管本文相對於一深度生成模型描述一些實施例,但本文描述之實施例可包含或使用多個深度生成模型。在此類之一實例中,可如本文描述分別針對輸出獲取子系統之不同模式來訓練及使用不同深度生成模型。例如,針對一個模式執行之對準並非一定可轉移至另一模式。換言之,藉由針對一個模式執行對準,並非所有模式可與設計對準(或至少不具足夠準確度與設計對準)。在大多數情況下,一檢驗或其他成像工具之不同模式將產生依若干可行方式之一者彼此不同之影像及/或輸出,例如雜訊水準、對比度、解析度、影像類型(例如,DF與BF、光學與電子束等等)及其類似者。因此,若針對一工具之一個模式訓練一深度生成模型,則可能不合適針對該工具之另一模式經訓練以轉換資訊。因而,可單獨且獨立地訓練多個深度生成模型,一者用於各關切模式,且可針對對一樣本執行之一單一程序中使用之不同模式單獨且獨立地執行影像至設計對準。依此方式,當不同模式用於產生一樣本之影像時,以一個以上模式產生之影像可與樣本之設計對準。相同預訓練深度生成網路可用於各模式,但此並非必需。接著各經訓練深度生成模型可用於執行模式特定之轉換。
當第一實際資訊係設計資料時,輸入至各不同經訓練深度生成模型之第一實際資訊可為相同設計剪輯或相同設計之不同部分,因為樣本之設計將不因模式而改變。當第一實際資訊係樣本影像時,則各經不同訓練深度生成模型之輸入將不同。
當第一類型之資訊係設計資料,且第二類型之資訊係樣本影像時,產生器經訓練以產生不可與真實樣本影像區分之樣本影像。當第一類型之資訊係樣本影像且第二類型之資訊係設計資料時,產生器經訓練以產生不可與真實設計剪輯區分之設計剪輯。在其中任一情況下,經對抗訓練之鑑別器經訓練以在訓練期間在偽造元組與真實元組之間分類。
一旦訓練深度生成模型,其可用於將一對準目標之第一實際資訊自一種類型之資訊轉換成另一類型之資訊。例如,如圖7中所展示,圖7係其中第一類型之資訊係設計資料且第二類型之資訊係一樣本影像之一實施例,一或多個電腦子系統可獲取各目標之設計,如步驟702中展示,其可如本文進一步描述執行。如步驟704中展示,一或多個電腦子系統接著可透過一經訓練GAN自各目標處之設計創建一樣本貼片影像。依此方式,一GAN或本文描述之另一深度生成模型可用於為任何給定設計剪輯產生偽造樣本影像,其接著將用於對準樣本影像以計算偏移,如本文進一步描述。換言之,在訓練之後,產生器用於創建模擬樣本影像用於圖案至設計對準(PDA),使得實際樣本影像可與模擬樣本影像對準且藉此與其等對應設計剪輯對準。
依此方式,本文描述之實施例之一個新特徵係其等可經組態用於使用一GAN或本文描述之其他深度生成模型用於學習人工貼片影像基於一設計文件應看起來如何。另外,本文描述之實施例之另一新特徵係其等可經組態用於透過一GAN或本文描述之其他深度生成模型而為PDA產生人工貼片影像。
為了執行相反者,設計剪輯由樣本影像替換且反之亦然。例如,如圖8中展示,圖8係其中第一類型之資訊係樣本影像且第二類型之資訊係設計資料之一實施例,一或多個電腦子系統可獲取各目標之設計,如步驟802中展示,其可如本文進一步描述執行。接著,一或多個電腦子系統可透過一經訓練GAN (或本文描述之其他深度生成模型)自各目標處之光學(或其他)貼片影像創建一設計剪輯,如步驟804中展示。依此方式,GAN (或其他深度生成)模型用於產生任何給定貼片影像之偽造設計剪輯,器接著將用於將偽造設計剪輯與實際設計剪輯對準以計算其等之間的偏移,其可如本文進一步描述執行。
依此方式,本文描述之實施例之一個新特徵係其等可經組態用於透過一GAN或其他基於深度生成模型之影像重建自樣本影像產生設計剪輯。另外,本文描述之實施例之另一新特徵係其等可經組態用於使用設計剪輯而非樣本影像用於對準。
在一個實施例中,樣本影像係一低解析度樣本影像。例如,對於諸如檢驗之程序,在程序期間產生之樣本影像可為「低解析度」,因為其等具有比本文描述之實施例所使用之其他類型之資訊更低之一解析度。換言之,當本文描述之實施例中之一種類型之資訊係設計資訊且另一類型之資訊係樣本影像時,即使通常認為設計資料不具有一解析度,樣本影像亦可具有低於(且甚至遠低於)設計資料之一解析度。例如,與其中樣本之所有特徵經完美解析之設計資料不同,在本文描述之樣本影像中,並非樣本上之所有(或甚至沒有)特徵可經解析。依此方式,本文描述之轉換不僅僅係改變資料或影像之格式(例如自二進制至灰階)或對資料或影像應用一或多個過濾器(例如,如同一低通過濾器或一隅角舍入過濾器),但涉及將一種類型之資料或影像轉換成另一完全不同類型之資料或影像。依此方式,本文描述之實施例可有利地為具有一設計至光學失配(諸如外觀差異)之樣本(諸如晶圓)提供更佳對準,其使得將設計直接對準樣本影像不切實際或甚至不可行。
在另一實施例中,當第二類型之資訊係設計資料時,轉換包含將深度生成模型之輸出二值化,使得經轉換第一實際資訊包含二值化設計資料。例如,深度生成模型之輸出可包含一灰階模擬設計資料影像。在此等實施例中,一或多個電腦子系統可經組態用於自灰階模擬設計資料影像產生二值化設計資料(或一模擬二進制設計資料影像)。因此,轉換步驟可包含將第一實際資訊輸入至深度生成模型中且接著對深度生成模型之輸出二值化。儘管本文進一步描述一種用於產生模擬二進制設計資料影像之特別合適方式,但電腦子系統可依本技術已知之任何其他合適方式產生模擬二進制設計資料影像。
在一個實施例中,產生模擬二進制設計資料影像包含對灰階模擬設計資料影像進行臨限值化以將灰階模擬設計資料影像二值化並將灰階模擬設計資料影像中之圖案化特徵之標稱尺寸與樣本之設計資料中之圖案化特徵之標稱尺寸匹配。例如,通常地面實況設計影像係二進制或三級(取決於設計影像係僅用於樣本上之一個層或樣本上之兩層),且由深度生成模型產生之演現灰階設計影像可具有對應於地面實況影像值之實質上大直方圖峰值。為了使用由深度生成模型產生之演現設計影像來執行對準,電腦子系統可將演現設計影像臨限值化成對應於地面實況之二進制或三級值。在一些此等例項中,電腦子系統可在灰階模擬設計資料影像中產生灰階值之一直方圖且接著將一臨限值應用於直方圖以藉此對影像二值化。臨限值經選擇以匹配設計中特徵之圖案寬度(或其他尺寸)。依此方式,電腦子系統可臨限值化模擬資料庫影像以二值化及匹配標稱真實設計圖案寬度(或其他尺寸),且接著,如本文進一步描述,將其與真實設計圖案對準。換言之,為了使用模擬設計資料影像用於對準,電腦子系統可臨限值化模擬設計剪輯以匹配高解析度影像設計規則(DR)寬度。
一或多個電腦子系統亦經組態用於將經轉換第一實際資訊與對準目標之第二實際資訊對準。第二實際資訊係第二類型之資訊。例如,在其中第一類型之資訊係設計資料且第二類型之資訊係樣本影像之情況下,如圖7中展示,一或多個電腦子系統將演現影像(即經轉換第一實際資訊)及各目標處之樣本影像(即第二實際資訊)對準,如步驟706中展示。相反,在其中第一類型之資訊係樣本影像,且第二類型之資訊係設計資料之情況下,如圖8之步驟806中展示,一或多個電腦子系統將IC設計(即第二實際資訊)與在各目標處產生之設計剪輯(即經轉換第一實際資訊)對準。
在一些實施例中,將經轉換第一實際資訊與第二實際資訊對準基於一歸一化平方差和(NSSD)來執行。例如,圖7之步驟706及圖8之步驟806可使用經轉換第一實際資訊及第二實際資訊之NSSD來執行以計算對準偏移。NSSD可使用本技術已知之任何合適方法、演算法、函數等等來執行。然而,此等對準步驟可使用本技術已知之任何其他合適對準方法或演算法來執行。
一或多個電腦子系統進一步經組態用於基於對準之結果來判定經轉換第一實際資訊與第二實際資訊之間的一偏移。此偏移可依任何合適方式判定且可依任何合適方式表示(例如,作為一笛卡爾偏移、作為一二維函數等等)。此偏移可依本技術已知之任何合適方式判定且可具有本技術已知之任何格式。
在一些實施例中,針對樣本上之額外對準目標執行轉換及對準步驟,且判定偏移包含分別為在該程序期間由輸出獲取子系統為樣本產生之輸出之不同圖框判定不同偏移。例如,如圖7之步驟708及圖8之步驟808中展示,一或多個電腦子系統可判定各檢驗圖框與目標之設計至影像偏移。
一或多個電腦子系統亦經組態用於將經判定偏移儲存為一對準對設計偏移用於用一輸出獲取子系統對樣本執行之一程序中。電腦子系統可將對準對設計偏移儲存於任何合適電腦可讀儲存媒體中。對準對設計偏移可與本文描述之結果之任何者一起儲存且可依本技術已知之任何方式儲存。儲存媒體可包含本文描述之任何儲存媒體或本技術已知之任何其他合適儲存媒體。在對準對設計偏移已經儲存之後,對準對設計偏移可在儲存媒體中存取且由本文描述之方法或系統實施例之任何者使用,經格式化用於顯示給一使用者,由另一軟體模組、方法或系統使用等等。
在一些實施例中,針對樣本上之額外對準目標執行轉換及對準步驟,判定偏移包含分別判定在程序期間由輸出獲取子系統為樣本產生之輸出之不同圖框之不同偏移,且儲存經判定偏移包含儲存不同偏移。在另一實施例中,一或多個電腦子系統經組態用於儲存對準目標之第二實際資訊用於在用輸出獲取子系統對樣本執行之程序中用作一設置對準目標影像。例如,如圖7之步驟710及圖8之步驟810中展示,一或多個電腦子系統可將目標及偏移保存至一資料庫用於運行時間檢驗(或本文描述之另一程序)。此等步驟可如本文進一步描述執行。
在一個實施例中,儲存對準對設計偏移包含儲存對準對設計偏移用於對樣本執行之程序及對與樣本相同類型之至少一個其他樣本執行之程序中。例如,本文描述之實施例可為一程序配方設置一樣本之對準,其可作為設置、創建、校準或更新配方之部分來執行。接著,該配方可由本文描述之實施例(及/或另一系統或方法)儲存及使用以對樣本及/或其他樣本執行程序以藉此為樣本及/或其他樣本產生資訊(例如缺陷資訊)。依此方式,每個樣本層可產生及儲存一次對準對設計偏移,且對準對設計偏移可用於對相同層之多個樣本執行之程序。當然,與任何程序一樣,若對樣本層執行之程序經更新、校準、修改、重新訓練等等,則對準對設計偏移亦可依與任何其他程序參數相同之方式經更新、校準、修改、重新訓練等等。更新、校準、修改、重新訓練等等對準對設計偏移可依相同於本文用於判定用於對一樣本執行之一程序中之一偏移所描述之方式執行。依此方式,本文描述之實施例可經組態用於在不同時間重複本文描述之步驟以修改一先前設置程序。
本文描述之實施例亦可在如上文描述之運行時間對準樣本之後執行該程序。在一個實施例中,該程序係一檢驗程序。然而,該程序可包含本文描述之程序之任何者,諸如檢驗、缺陷審查、計量及其類似者。電腦子系統可經組態用於儲存藉由執行該程序而產生之樣本之資訊,諸如在任何合適電腦可讀儲存媒體中所偵測缺陷之資訊。該資訊可與本文描述之結果之任何者一起儲存且可依本技術已知之任何方式儲存。儲存媒體可包含本文描述之任何儲存媒體或本技術已知之任何其他合適儲存媒體。在資訊已經儲存之後,該資訊可在儲存媒體中存取且由本文描述之方法或系統實施例之任何者使用、經格式化用於顯示給一使用者、由另一軟體模組、方法或系統使用等等。
因此,如本文描述,實施例可用於設置一新程序或配方。實施例亦可用於修改一現有程序或配方,無論其係用於樣本或為一個樣本創建且正經適配用於另一樣本之一程序或配方。另外,本文描述之實施例不限於檢驗程序創建或修改。例如,本文描述之實施例亦可用於依一類似方式設置或修改用於計量、缺陷審查等等之一程序。特定言之,無論正在設置或修改之程序如何,均可執行如本文描述之判定用於一程序中之一偏移並執行樣本至設計對準。因此,本文描述之實施例不僅可用於建立或修改一檢驗程序,而且可用於建立或修改對本文描述之樣本執行之任何品質控制類型程序。
在此一實施例中,一或多個電腦子系統經組態以用輸出獲取子系統對樣本執行該程序,且該程序包含將在該程序中為樣本產生之一運行時間對準目標影像與設置對準目標影像對準,運行時間對準目標影像係第二類型之資訊,基於將運行時間對準目標影像與設置對準目標影像對準之結果來判定一運行時間對設置偏移,且基於運行時間對設置偏移及對準對設計偏移來判定一運行時間對設計偏移。例如,如圖7之步驟712中展示,在程序期間,一或多個電腦子系統可將一設置影像與各目標處之一運行時間影像對準。因此,在此實施例中,設置影像係演現樣本影像且運行時間影像係實際樣本影像。相反,如圖8之步驟812中展示,在程序期間,一或多個電腦子系統可將一設置設計剪輯與各目標處之一運行時間設計剪輯對準。因此,在此實施例中,設置影像係實際設計資料,且運行時間影像係自運行時間樣本影像產生之演現設計資料。如圖7之步驟714及圖8之步驟814進一步展示,一或多個電腦子系統可判定各檢驗圖框之設置與運行時間之間的偏移。另外,如圖7之步驟716及圖8之步驟816中展示,一或多個電腦子系統可判定各檢驗圖框之設計與運行時間之間的偏移。所有此等步驟可如本文進一步描述執行。
基於運行時間對設置偏移及對準對設計偏移來判定一運行時間對設計偏移可包含依任何合適方式藉由或使用運行時間對設置偏移來修改對準對設計偏移。可執行此步驟以針對設置樣本及運行時間樣本與輸出獲取子系統之對準中之任何差及設置樣本與運行時間樣本之間的任何其他差(諸如在不同樣本上之對準目標之放置差)來校正對準對設計偏移。
在一些此等實施例中,電腦子系統經組態用於藉由將程序期間在樣本上之對準目標之一位置處產生之一樣本影像輸入至深度生成模型中,藉由將程序期間在樣本上之對準目標之該位置處產生之該樣本影像轉換成運行時間對準目標設計資料而產生運行時間對準目標影像。例如,在運行時間,本文描述之GAN或其他深度生成模型自樣本影像產生偽造設計剪輯,其接著與PDA設置資料庫影像對準。
在另一此實施例中,該程序包含在基於運行時間對設計偏移而對樣本執行之程序期間判定由輸出獲取子系統產生之輸出中之關注區域。例如,如圖7之步驟718及圖8之步驟818中展示,一或多個電腦子系統可根據偏移校正來放置關注區域。在本技術中通常所指之「關注區域」係一樣本上因檢驗目的而關切之區域。有時,關注區域用於區分樣本上已檢查之區域與樣本上未在一檢驗程序中檢驗之區域。另外,有時使用關注區域來區分樣本上將使用一或多個不同參數檢驗之區域。例如,若一樣本之一第一區域比樣本上之一第二區域更關鍵,則可以比第二區域更高之一靈敏度檢驗第一區域,使得在第一區域中以一更高靈敏度檢驗缺陷。一檢驗程序之其他參數可依一類似方式自關注區域更改為關注區域。
在此等實施例中,一或多個電腦子系統可在x及y方向上使用0關注區域邊界。例如,因為本文描述之實施例可以實質上高準確度將樣本影像與設計對準,所以關注區域可以實質上高準確度定位於樣本影像中。因此,通常用於人為增加一關注區域以解決關注區域放置中之任何錯誤之一邊界可由本文描述之實施例有效地消除。以如此高準確度放置關注區域並消除關注區域邊界因數個原因係有利的,包含可顯著地減少對樣本之滋擾之偵測及可改良對樣本之關切缺陷(DOI)之偵測。
在一個實施例中,電腦子系統經組態用於將經判定偏移儲存為對準對設計偏移用於用輸出獲取子系統對額外樣本執行之程序中,且當第二類型之資訊係設計資料時,若第二類型之資訊係樣本影像,則經轉換第一實際資訊更不受對額外樣本執行之一或多個程序之變化之影響。例如,當深度生成模型經組態用於將樣本影像轉換成設計資料時,自樣本影像產生之設計影像可潛在地比深度生成模型經組態用於自設計資料產生樣本影像更不受程序變化之影響。
在另一實施例中,電腦子系統經組態用於將經判定偏移儲存為對準對設計偏移用於用輸出獲取子系統對額外樣本執行之程序中,且當第二類型之資訊係設計資料時,在使用對準對設計偏移之程序中執行之對準比若第二類型之資訊係樣本影像時更不受對額外樣本執行之一或多個程序中之變化之影響。例如,用真實設計剪輯對一二值化設計演現執行PDA可比若使用樣本影像執行PDA更不受程序變化之影響。
藉由對樣本或相同類型之其他樣本執行本文描述之程序而產生之結果及資訊可由本文描述之實施例及/或其他系統及方法依多種方式使用。此等功能包含(但不限於)依一反饋或前饋方式改變已經或將對樣本或另一樣本執行之一程序,諸如一製造程序或步驟。例如,電腦子系統可經組態以基於經偵測缺陷來判定對已經或將對如本文描述檢驗之一樣本執行之一程序之一或多個改變。對程序之改變可包含對程序之一或多個參數之任何合適改變。電腦子系統較佳地判定彼等改變,使得可減少或防止在對其執行修改程序之其他樣本上之缺陷,可在對樣本執行之另一程序中糾正或消除樣本上之缺陷,可在對樣本執行之另一程序中補償缺陷等等。電腦子系統可依本技術已知之任何合適方式判定此等改變。
接著可將彼等改變發送至電腦子系統及半導體製造系統可存取之一半導體製造系統(未展示)或一儲存媒體(未展示)。半導體製造系統可或可不為本文描述之系統實施例之部分。例如,本文描述之電腦子系統及/或輸出獲取子系統可耦合至半導體製造系統,例如,經由一或多個共同元件,諸如一外殼、一電源、一樣本處理裝置或機構等等。半導體製造系統可包含本技術已知之任何半導體製造系統,諸如一光微影工具、一蝕刻工具、一化學機械拋光(CMP)工具、一沈積工具及其類似者。
上文所描述之系統之各者之實施例之各者可一起組合成一個單一實施例。
另一實施例係關於一種用於判定用於對一樣本執行之一程序中之一偏移之電腦實施方法。該方法包含本文進一步描述之轉換、對準、判定及儲存步驟。此等步驟由一或多個電腦系統執行。一或多個組件由一或多個電腦系統執行,且一或多個組件包含一深度生成模型。
方法之步驟之各者可如本文進一步描述執行。該方法亦可包含可由本文描述之系統、電腦系統及/或深度生成模型執行之任何其他步驟。電腦系統可根據本文描述之實施例之任何者組態,例如電腦子系統102。深度生成模型可根據本文描述之實施例之任何者組態。另外,上文所描述之方法可由本文描述之系統實施例之任何者執行。
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用於執行一種用於判定用於對一樣本執行之一程序中之一偏移之電腦實施方法。此一實施例展示於圖9中。特定言之,如圖9中展示,非暫時性電腦可讀媒體900包含可在電腦系統904上執行之程式指令902。電腦實施方法可包含本文描述之任何方法之任何步驟。
實施方法(諸如本文描述之彼等)之程式指令902可儲存於電腦可讀媒體900上。電腦可讀媒體可為一儲存媒體(諸如一磁碟或一光碟、一磁帶或技術中已知之任何其他合適非暫態電腦可讀媒體)。
可依各種方式之任何者實施該等程式指令,包含(尤其)基於程序之技術、基於組件之技術及/或物件導向技術。例如,可根據需要使用ActiveX控件、C++對象、JavaBeans、Microsoft基礎類(「MFC」)、SSE(流式SIMD擴展)或其他技術或方法來實施程式指令。
電腦系統904可根據本文描述之實施例之任何者組態。
鑑於此描述,熟習技術者應明白本發明之各種態樣之進一步修改及替代實施例。例如,提供用於判定用於對一樣本執行之一程序中之一偏移之方法及系統。據此,此描述僅解釋為闡釋性的且出於教示熟習此項技術者實施本發明之一般方法之目的。應明白,本文中所展示且所述描之本發明之形式應被視作當前較佳實施例。元件及材料可替代本文所繪示及描述之該等元件及材料,可倒轉零件及程序,且可獨立地利用本發明之特定特徵,熟習技術者在獲得本發明之此描述之優點之後應明白上述所有。可在本文描述之元件中進行改變而不會背離如在以下申請專利範圍中所描述之本發明之精神及範疇。
10:輸出獲取子系統
14:樣本
16:光源
18:光學元件
20:透鏡
21:分束器
22:載物台
24:收集器
26:元件
28:偵測器
30:收集器
32:元件
34:偵測器
36:電腦子系統
100:組件
102:電腦子系統
104:深度生成模型
122:電子柱
124:電腦子系統
126:電子束源
128:樣本
130:元件
132:元件
134:偵測器
300:條件資訊Y
302:設計影像
304:空間向量z
306:產生器網路
308:所產生影像X
fake310:模擬樣本影像
312:真實影像X
real314:實際光學影像
316:條件資訊Y
318:設計影像
320:鑑別器網路
322:輸出P(True)
400:條件資訊Y
402:樣本影像
404:潛在空間向量z
406:產生器網路
408:影像X
fake410:偽造設計剪輯
412:真實影像X
real414:實際設計剪輯
416:條件資訊Y
418:樣本影像
420:鑑別器網路
422:輸出P(True)
500:編碼器
502:解碼器
504:輸入
506:方塊
508:方塊
510:方塊
512:特徵層
514:方塊
516:方塊
518:方塊
520:輸出
522:跳接
600:輸入
602:層
604:層
606:層
608:層
610:層
612:輸出
700:步驟
702:步驟
704:步驟
706:步驟
708:步驟
710:步驟
712:步驟
714:步驟
716:步驟
718:步驟
800:步驟
802:步驟
804:步驟
806:步驟
808:步驟
810:步驟
812:步驟
814:步驟
816:步驟
818:步驟
900:非暫時性電腦可讀媒體
902:程式指令
904:電腦系統
1000:步驟
1002:步驟
1004:步驟
1006:步驟
1008:步驟
1010:步驟
1012:步驟
熟習技術者將藉由較佳實施例之以下詳細描述之優點且在參考附圖後明白本發明之進一步優點,其中:
圖1及圖2係繪示如本文描述組態之一系統之實施例之側視圖之示意圖;
圖3至圖4係繪示可由本文描述之實施例執行之步驟之流程圖;
圖5係繪示可包含於一生成對抗網路(GAN)之一實施例中之一產生器之一個實例之一示意圖;
圖6係繪示可包含於一GAN之一實施例中之一鑑別器之一個實例之一示意圖;
圖7至圖8係繪示可由本文描述之實施例執行之步驟之流程圖;
圖9係繪示儲存用於使電腦系統執行本文描述之一電腦實施方法之程式指令之一非暫時性電腦可讀媒體之一個實施例之一方塊圖;及
圖10係繪示可由當前使用之系統及方法執行之步驟之一流程圖。
儘管本發明易受各種修改及替代形式影響,但其特定實施例以實例方式在圖式中展示且在本文中詳細描述。圖式可不按比例繪製。然而,應瞭解圖式及其詳細描述不意欲將本發明限於所揭示之特定形式,但相反地,本發明涵蓋落在如藉由隨附申請專利範圍所界定之本發明之精神及範疇內之所有修改、等效物及替代方式。
10:輸出獲取子系統
14:樣本
16:光源
18:光學元件
20:透鏡
21:分束器
22:載物台
24:收集器
26:元件
28:偵測器
30:收集器
32:元件
34:偵測器
36:電腦子系統
100:組件
102:電腦子系統
104:深度生成模型
Claims (20)
- 一種經組態以判定用於對一樣本執行之一程序中之一偏移之系統,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深度生成模型;及 其中該一或多個電腦子系統經組態用於: 藉由將用於一樣本上之一對準目標之第一實際資訊輸入至該深度生成模型中,將該第一實際資訊自一第一類型之資訊轉換成一第二類型之資訊,其中若該第一類型之資訊係設計資料,則該第二類型之資訊係一樣本影像,且其中若該第一類型之資訊係一樣本影像,則該第二類型之資訊係設計資料; 將該經轉換第一實際資訊與該對準目標之第二實際資訊對準,其中該第二實際資訊係該第二類型之資訊; 基於該對準之結果來判定該經轉換第一實際資訊與該第二實際資訊之間的一偏移;及 將該經判定偏移儲存為一對準對設計偏移用於用一輸出獲取子系統對該樣本執行之一程序中。
- 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用於自用該輸出獲取子系統產生之該樣本之設置影像選擇該對準目標。
- 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用於產生包括用該輸出獲取子系統產生之該樣本之訓練影像及該樣本之對應設計資料之一訓練集並用該訓練集來訓練該深度生成模型,且其中該等訓練影像係在與該對準目標或該樣本上之任何其他對準目標之位置無關之位置處產生。
- 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用於產生包括用該輸出獲取子系統產生之該樣本之訓練影像及該樣本之對應設計資料之一訓練集並用該訓練集來訓練該深度生成模型,且其中包含於該訓練集中之該對應設計資料包括針對少於該樣本上之影響該等訓練影像之所有層之設計資料。
- 如請求項1之系統,其中該樣本影像係一低解析度樣本影像。
- 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用於將該經判定偏移儲存為該對準對設計偏移用於用該輸出獲取子系統對額外樣本執行之該程序中,且其中當該第二類型之資訊係該設計資料時,該經轉換第一實際資訊比若該第二類型之資訊係該樣本影像更不受對該等額外樣本執行之一或多個程序之變化之影響。
- 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用於將該經判定偏移儲存為該對準對設計偏移用於用該輸出獲取子系統對額外樣本執行之該程序中,且其中當該第二類型之資訊係該設計資料時,在使用該對準對設計偏移之該程序中執行之對準比若該第二類型之資訊係該樣本影像更不受對該等額外樣本執行之一或多個程序之變化之影響。
- 如請求項1之系統,其中當該第二類型之資訊係該設計資料時,該轉換進一步包括將該深度生成模型之輸出二值化,使得該經轉換第一實際資訊包括經二值化設計資料。
- 如請求項1之系統,其中該轉換及對準係針對該樣本上之額外對準目標執行,其中該判定該偏移包括分別判定在該程序期間由該輸出獲取子系統為該樣本產生之輸出之不同圖框之不同偏移,且其中儲存該經判定偏移包括儲存該等不同偏移。
- 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用於儲存該對準目標之該第二實際資訊用於在用該輸出獲取子系統對該樣本執行之該程序中用作一設置對準目標影像。
- 如請求項10之系統,其中該一或多個電腦子系統進一步經組態以用該輸出獲取子系統對該樣本執行該程序,且其中該程序包括將在該程序中為該樣本產生之一運行時間對準目標影像與該設置對準目標影像對準,其中該運行時間對準目標影像係該第二類型之資訊,基於將該運行時間對準目標影像與該設置對準目標影像對準之結果來判定一運行時間對設置偏移,及基於該運行時間對設置偏移及該對準對設計偏移來判定一運行時間對設計偏移。
- 如請求項11之系統,其中該一或多個電腦子系統進一步經組態用於藉由將在該程序期間在該樣本上之該對準目標之一位置處產生之一樣本影像輸入至該深度生成模型中而藉由在該程序期間將在該樣本上之該對準目標之該位置處產生之該樣本影像轉換成運行時間對準目標設計資料來產生該運行時間對準目標影像。
- 如請求項11之系統,其中該程序進一步包括在對該樣本執行之該程序期間基於該運行時間對設計偏移來判定由該輸出獲取子系統產生之輸出中之關注區域。
- 如請求項1之系統,其中該深度生成模型係一生成對抗網路。
- 如請求項1之系統,其中該深度生成模型係一條件生成對抗網路。
- 如請求項1之系統,其中該程序係一檢驗程序。
- 如請求項1之系統,其中該輸出獲取子系統係一基於光之輸出獲取子系統。
- 如請求項1之系統,其中該輸出獲取子系統係一電子束輸出獲取子系統。
- 一種非暫時性電腦可讀媒體,其儲存可在一或多個電腦系統上執行之程式指令用於執行用於判定用於對一樣本執行之一程序中之一偏移之一電腦實施方法,其中該電腦實施方法包括: 藉由將一樣本上之一對準目標之第一實際資訊輸入至一深度生成模型中而將該第一實際資訊自一第一類型之資訊轉換成一第二類型之資訊,其中若該第一類型之資訊係設計資料,則該第二類型之資訊係一樣本影像,其中若該第一類型之資訊係一樣本影像,則該第二類型之資訊係設計資料,其中一或多個組件係由該一或多個電腦系統執行,且其中該一或多個組件包括該深度生成模型; 將該經轉換第一實際資訊與該對準目標之第二實際資訊對準,其中該第二實際資訊係該第二類型之資訊; 基於該對準之結果來判定該經轉換第一實際資訊與該第二實際資訊之間的一偏移;及 將該經判定偏移儲存為一對準對設計偏移用於用一輸出獲取子系統對該樣本執行之一程序中,其中該輸入、對準、判定及儲存係由該一或多個電腦系統執行。
- 一種用於判定用於對一樣本執行之一程序中之一偏移之電腦實施方法,其包括: 藉由將一樣本上之一對準目標之第一實際資訊輸入至一深度生成模型中而將該第一實際資訊自一第一類型之資訊轉換成一第二類型之資訊,其中若該第一類型之資訊係設計資料,則該第二類型之資訊係一樣本影像,其中若該第一類型之資訊係一樣本影像,則該第二類型之資訊係設計資料,其中一或多個組件係由一或多個電腦系統執行,且其中該一或多個組件包括該深度生成模型; 將該經轉換第一實際資訊與該對準目標之第二實際資訊對準,其中該第二實際資訊係該第二類型之資訊; 基於該對準之結果來判定該經轉換第一實際資訊與該第二實際資訊之間的一偏移;及 將該經判定偏移儲存為一對準對設計偏移用於用一輸出獲取子系統對該樣本執行之一程序中,其中該輸入、對準、判定及儲存係由該一或多個電腦系統執行。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/308,878 | 2021-05-05 | ||
US17/308,878 US11983865B2 (en) | 2021-05-05 | 2021-05-05 | Deep generative model-based alignment for semiconductor applications |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202309767A true TW202309767A (zh) | 2023-03-01 |
Family
ID=83932239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111100653A TW202309767A (zh) | 2021-05-05 | 2022-01-07 | 用於半導體應用以深度生成模型為基礎之對準 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11983865B2 (zh) |
KR (1) | KR20240004240A (zh) |
CN (1) | CN116982078A (zh) |
TW (1) | TW202309767A (zh) |
WO (1) | WO2022235494A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127340B2 (en) * | 2016-09-30 | 2018-11-13 | Taiwan Semiconductor Manufacturing Company, Ltd. | Standard cell layout, semiconductor device having engineering change order (ECO) cells and method |
US11961221B2 (en) * | 2021-10-07 | 2024-04-16 | Applied Materials Israel Ltd. | Defect examination on a semiconductor specimen |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040267397A1 (en) | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US8126255B2 (en) | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
US8664594B1 (en) | 2011-04-18 | 2014-03-04 | Kla-Tencor Corporation | Electron-optical system for high-speed and high-sensitivity inspections |
US8692204B2 (en) | 2011-04-26 | 2014-04-08 | Kla-Tencor Corporation | Apparatus and methods for electron beam detection |
US8716662B1 (en) | 2012-07-16 | 2014-05-06 | Kla-Tencor Corporation | Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US9401016B2 (en) | 2014-05-12 | 2016-07-26 | Kla-Tencor Corp. | Using high resolution full die image data for inspection |
KR102048918B1 (ko) | 2014-12-18 | 2020-01-08 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의한 피처 검색 |
US9830421B2 (en) | 2014-12-31 | 2017-11-28 | Kla-Tencor Corp. | Alignment of inspection to design using built in targets |
US9875536B2 (en) | 2015-03-31 | 2018-01-23 | Kla-Tencor Corp. | Sub-pixel and sub-resolution localization of defects on patterned wafers |
US9916965B2 (en) * | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
US11580375B2 (en) * | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
US10395362B2 (en) * | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
US10733744B2 (en) | 2017-05-11 | 2020-08-04 | Kla-Tencor Corp. | Learning based approach for aligning images acquired with different modalities |
US10620135B2 (en) | 2017-07-19 | 2020-04-14 | Kla-Tencor Corp. | Identifying a source of nuisance defects on a wafer |
US10698325B2 (en) | 2018-05-23 | 2020-06-30 | Kla-Tencor Corporation | Performance monitoring of design-based alignment |
-
2021
- 2021-05-05 US US17/308,878 patent/US11983865B2/en active Active
-
2022
- 2022-01-07 TW TW111100653A patent/TW202309767A/zh unknown
- 2022-04-29 KR KR1020237030423A patent/KR20240004240A/ko unknown
- 2022-04-29 WO PCT/US2022/026851 patent/WO2022235494A1/en active Application Filing
- 2022-04-29 CN CN202280017137.0A patent/CN116982078A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US11983865B2 (en) | 2024-05-14 |
US20220375051A1 (en) | 2022-11-24 |
CN116982078A (zh) | 2023-10-31 |
KR20240004240A (ko) | 2024-01-11 |
WO2022235494A1 (en) | 2022-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110494894B (zh) | 基于轮廓的缺陷检测 | |
CN110603625B (zh) | 用于对准图像的方法、系统及相关的非暂时性计算机可读媒体 | |
TWI747967B (zh) | 用於經組態用於半導體應用之深度學習模型之診斷系統及方法 | |
CN108475417B (zh) | 针对半导体应用由低分辨率图像产生高分辨率图像的系统及方法 | |
CN109313724B (zh) | 针对半导体应用并入神经网络及前向物理模型的系统及方法 | |
CN108475350B (zh) | 使用基于学习的模型加速半导体缺陷检测的方法和系统 | |
TW201928541A (zh) | 用於大型偏移晶粒對晶粒檢測之多步驟影像對準方法 | |
US11961219B2 (en) | Generative adversarial networks (GANs) for simulating specimen images | |
US11328410B2 (en) | Deep generative models for optical or other mode selection | |
KR102525830B1 (ko) | 테스트 이미지 대 설계물의 정렬을 위한 설계물 파일 선택 | |
TW202309767A (zh) | 用於半導體應用以深度生成模型為基礎之對準 | |
CN115699279B (zh) | 针对含样品内及样品间变异的样品使用无监督学习及适应性数据库产生方法的图像对准设置 | |
TW202206800A (zh) | 深度學習為基礎之缺陷偵測 | |
US20240095935A1 (en) | Deep learning model-based alignment for semiconductor applications | |
CN117015850B (zh) | 以经呈现设计图像进行的设计注意区域的分段 |