TW202318468A - 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體 - Google Patents

用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體 Download PDF

Info

Publication number
TW202318468A
TW202318468A TW111150317A TW111150317A TW202318468A TW 202318468 A TW202318468 A TW 202318468A TW 111150317 A TW111150317 A TW 111150317A TW 111150317 A TW111150317 A TW 111150317A TW 202318468 A TW202318468 A TW 202318468A
Authority
TW
Taiwan
Prior art keywords
pattern
image
detection
separated
patch
Prior art date
Application number
TW111150317A
Other languages
English (en)
Inventor
浦凌凌
方偉
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
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 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202318468A publication Critical patent/TW202318468A/zh

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Image Analysis (AREA)

Abstract

本發明揭示一種用於自一多重帶電粒子束檢測系統中之一檢測影像提取圖案輪廓資訊之改良設備及方法。用於自一檢測影像提取圖案輪廓資訊之一改良方法包含自由一帶電粒子束檢測系統獲得之一檢測影像識別在該檢測影像中部分重疊之一第一圖案及一第二圖案。該方法亦包含藉由自該檢測影像移除對應於該第二圖案之一影像區域而產生一第一分離影像。該第一分離影像包括其一第一部分在移除對應於該第二圖案之該影像區域時經移除的該第一圖案。該方法亦包含基於對應於該第一圖案之一第一參考影像更新該第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。

Description

用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體
本文中所提供之實施例係關於一種輪廓提取技術，且更特定言之，係關於自多重帶電粒子束檢測中之檢測影像的圖案之輪廓提取。
在積體電路(IC)之製造製程中，未完成或已完成電路組件經檢測以確保其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。
自SEM影像量測之圖案/結構的臨界尺寸可用於偵測所製造IC之缺陷。舉例而言，圖案或邊緣置放變化之間的移位在控制製造製程以及判定缺陷中可為有用的。
本文中所提供之實施例揭示一種粒子束檢測設備，且更特定言之，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，一種用於自一檢測影像提取圖案輪廓資訊之方法包含自由一帶電粒子束檢測系統獲得之一檢測影像識別在該檢測影像中部分重疊之一第一圖案及一第二圖案。該方法亦包含藉由自該檢測影像移除對應於該第二圖案之一影像區域而產生一第一分離影像。該第一分離影像包括其一第一部分在移除對應於該第二圖案之該影像區域時經移除的該第一圖案。該方法亦包含基於對應於該第一圖案之一第一參考影像更新該第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。
在一些實施例中，一種輪廓提取設備包含儲存一指令集之一記憶體及至少一個處理器，該至少一個處理器經組態以執行該指令集以使得該設備執行自由一帶電粒子束檢測系統獲得之一檢測影像識別在該檢測影像中部分重疊之一第一圖案及一第二圖案。該至少一個處理器亦經組態以執行該指令集以使得該設備進一步執行藉由自該檢測影像移除對應於該第二圖案之一影像區域而產生一第一分離影像。該第一分離影像包括其一第一部分在移除對應於該第二圖案之該影像區域時經移除的該第一圖案。該至少一個處理器亦經組態以執行該指令集以使得該設備進一步執行基於對應於該第一圖案之一第一參考影像更新該第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。
在一些實施例中，提供一種儲存一指令集之非暫時性電腦可讀媒體，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自一檢測影像提取圖案輪廓資訊之一方法。該方法包含自由一帶電粒子束檢測系統獲得之一檢測影像識別在該檢測影像中部分重疊之一第一圖案及一第二圖案。該方法亦包含藉由自該檢測影像移除對應於該第二圖案之一影像區域而產生一第一分離影像。該第一分離影像包括其一第一部分在移除對應於該第二圖案之該影像區域時經移除的該第一圖案。該方法進一步包括基於對應於該第一圖案之一第一參考影像更新該第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。
在一些實施例中，一種用於自一檢測影像量測一疊對誤差之方法包含自由一帶電粒子束檢測系統獲得之一檢測影像識別在該檢測影像中部分重疊之一第一圖案及一第二圖案。該第一圖案在一內埋層中。該方法亦包含自該檢測影像產生包括該第一圖案之一第一分離影像及包括該第二圖案之一第二分離影像。該方法進一步包含基於該第一分離影像及該第二分離影像提取該第一圖案及該第二圖案之輪廓資訊。該方法進一步包含基於該第一圖案及該第二圖案之經提取輪廓資訊判定該第一圖案與該第二圖案之間的一疊對誤差。
在一些實施例中，提供一種儲存一指令集之非暫時性電腦可讀媒體，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自一檢測影像量測一疊對誤差之一方法。該方法包含自由一帶電粒子束檢測系統獲得之一檢測影像識別在該檢測影像中部分重疊之一第一圖案及一第二圖案，該第一圖案在一內埋層中。該方法亦包含自該檢測影像產生包括該第一圖案之一第一分離影像及包括該第二圖案之一第二分離影像。該方法亦包含基於該第一分離影像及該第二分離影像提取該第一圖案及該第二圖案之輪廓資訊。該方法進一步包含基於該第一圖案及該第二圖案之經提取輪廓資訊判定該第一圖案與該第二圖案之間的一疊對誤差。
本發明之實施例之其他優勢將自結合附圖進行之以下描述為顯而易見，在附圖中藉助於說明及實例闡述本發明的某些實施例。
現將詳細參考例示性實施例，在隨附圖式中說明該等例示性實施例之實例。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，其僅為符合如所附申請專利範圍中所敍述之本發明實施例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予以描述，但本發明不限於此。可類似地施加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。
電子裝置由在稱為基板之矽片上形成的電路構成。許多電路可一起形成於同一矽片上且被稱作積體電路或IC。此等電路之大小已顯著減小，以使得更多該等電路可安裝於基板上。舉例而言，智慧型手機中之IC晶片可與縮略圖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。
製造此等極小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亦有可能導致成品IC中之缺陷，該等缺陷使得成品IC為無用的。因此，製造程序之一個目標為避免此類缺陷以使在程序中製造之功能性IC的數目最大化，亦即改良程序之總體良率。
改良良率之一個組分為監測晶片製作製程，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。可使用掃描電子顯微鏡(SEM)進行檢測。SEM可用以實際上將此等極小結構成像，從而獲取該等結構之「圖像」。影像可用以判定結構是否適當地形成，且亦判定該結構是否形成於適當位置中。若結構為有缺陷的，則程序可經調整，使得缺陷不大可能再現。
在識別缺陷時，可使用自SEM影像量測之圖案/結構的臨界尺寸。舉例而言，自經量測臨界尺寸判定之圖案或邊緣置放變化之間的移位可用於識別所製造晶片之缺陷及控制其製造製程。可自SEM影像上之圖案的輪廓資訊獲得圖案之此等臨界尺寸。
疊對圖案/結構常見於當今的晶片設計(例如，如圖3中所示)中。然而，在自經疊對圖案拍攝SEM影像時，來自內埋層中之圖案的信號通常不夠強，其使自SEM影像提取經疊對圖案之可靠輪廓資訊具挑戰性。為了自SEM影像獲得經疊對圖案之可靠輪廓資訊，本發明之實施例可提供用於基於修復演算法恢復SEM影像上之每一圖案的技術。在本發明中，可憑藉對應於即時圖案之GDS檔案，諸如藉由使用機器學習，獲得每一經疊對圖案之恢復影像。在本發明中，可自恢復影像提取每一經疊對圖案之輪廓資訊。
出於清楚起見，可將圖式中之組件的相對尺寸放大。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，且僅描述相對於個別實施例之差異。如本文中所使用，除非另外特定陳述，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，則除非另外特定陳述或不可行，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。
現參考圖1，其說明符合本發明之實施例的實例電子束檢測(EBI)系統100。如圖1中所展示，帶電粒子束檢測系統100包括主腔室10、負載鎖室20、電子束工具40，及裝備前端模組(EFEM) 30。電子束工具40定位於主腔室10內。雖然描述及圖式係針對電子束，但應瞭解，實施例並非用以將本發明限制為特定帶電粒子。
EFEM 30包括第一裝載埠30a及第二裝載埠30b。EFEM 30可包括額外裝載埠。第一裝載埠30a及第二裝載埠30b接收含有待檢測之晶圓(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) (晶圓及樣本在下文中統稱為「晶圓」)。EFEM 30中之一或多個機器人臂(未展示)將晶圓輸送至負載鎖室20。
負載鎖室20可連接至裝載/鎖定真空泵系統(未展示)，其移除負載鎖室20中之氣體分子以達至低於大氣壓力之第一壓力。在達至第一壓力之後，一或多個機器人臂(未展示)將晶圓自負載鎖室20輸送至主腔室10。主腔室10連接至主腔室真空泵系統(圖中未示)，其移除主腔室10中之氣體分子以達至低於第一壓力之第二壓力。在達至第二壓力之後，晶圓經受電子束工具40之檢測。在一些實施例中，電子束工具40可包含單射束檢測工具。在其他實施例中，電子束工具40可包含多射束檢測工具。
控制器50可以電子方式連接至電子束工具40，且亦可以電子方式連接至其他組件。控制器50可為經組態以執行帶電粒子束檢測系統100之各種控制的電腦。控制器50亦可包括經組態以執行各種信號及影像處理功能之處理電路。雖然控制器50在圖1中經展示為在包括主腔室10、負載鎖室20及EFEM 30之結構之外部，但應瞭解，控制器50可為該結構之部分。
雖然本發明提供容納電子束檢測系統之主腔室10的實例，但應注意，本發明之態樣在其最廣泛意義上而言不限於容納電子束檢測系統之腔室。實際上，應瞭解，前述原理亦可應用於其他腔室。
現參考圖2，其說明符合本發明之實施例的說明可為圖1之實例帶電粒子束檢測系統100之部分的實例電子束工具40之示意圖。電子束工具40 (在本文中亦被稱作設備40)包含電子源101、具有槍孔徑103之槍孔徑板171、前細光束形成機構172、聚光透鏡110、源轉換單元120、初級投影光學系統130、樣本載物台(圖2中未展示)、二次成像系統150及電子偵測裝置140。初級投影光學系統130可包含物鏡131。電子偵測裝置140可包含複數個偵測元件140_1、140_2及140_3。光束分離器160及偏轉掃描單元132可置放於初級投影光學系統130內部。可瞭解，適當時，可添加/省略設備40之其他通常已知的組件。
電子源101、槍孔徑板171、聚光透鏡110、源轉換單元120、光束分離器160、偏轉掃描單元132及初級投影光學系統130可與設備100之主光軸100_1對準。二次成像系統150及電子偵測裝置140可與設備40之副光軸150_1對準。
電子源101可包含陰極、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初級電子束102，該初級電子束102形成交越(虛擬或真實) 101s。初級電子束102可經視覺化為自交越101s發射。
源轉換單元120可包含影像形成元件陣列(圖2中未展示)、像差補償器陣列(未展示)、光束限制孔徑陣列(未展示)及預彎曲微偏轉器陣列(未展示)。影像形成元件陣列可包含複數個微偏轉器或微透鏡以用初級電子束102之複數個細光束形成交越101s之複數個平行影像(虛擬或真實)。圖2展示作為實例的三個細光束102_1、102_2及102_3，且應瞭解，源轉換單元120可處置任何數目個細光束。
在一些實施例中，源轉換單元120可設置有光束限制孔徑陣列及影像形成元件陣列(兩者均未展示)。光束限制孔徑陣列可包含光束限制孔徑。應瞭解，適當時，可使用任何數目個孔徑。射束限制孔徑可經組態以限制初級電子束102之細光束102_1、102_2及102_3之大小。影像形成元件陣列可包含影像形成偏轉器(未展示)，該等影像形成偏轉器經組態以藉由改變朝向主光軸100_1之角度而偏轉細光束102_1、102_2及102_3。在一些實施例中，更遠離主光軸100_1之偏轉器可更大程度地偏轉細光束。此外，影像形成元件陣列可包含多個層(未說明)，且偏轉器可經提供於單獨的層中。偏轉器可經組態為獨立於彼此而單獨控制。在一些實施例中，偏轉器可經控制以調整形成於樣本1之表面上之探測光點(例如，102_1S、102_2S及102_3S)的間距。如本文中所提及，探測光點之間距可定義為樣本1之表面上之兩個緊鄰探測光點之間的距離。
影像形成元件陣列之居中定位的偏轉器可與電子束工具40之主光軸100_1對準。因此，在一些實施例中，中心偏轉器可經組態以保持細光束102_1之軌跡為筆直的。在一些實施例中，可省略中心偏轉器。然而，在一些實施例中，初級電子源101可能未必與源轉換單元120之中心對準。此外，應瞭解，雖然圖2展示設備40之側視圖，其中細光束102_1在主光軸100_1上，但當自不同側檢視時，細光束102_1可偏離主光軸100_1。亦即，在一些實施例中，所有細光束102_1、102_2及102_3可為離軸。離軸組件可相對於主光軸100_1偏移。
經偏轉之細光束之偏轉角可基於一或多個準則而設定。在一些實施例中，偏轉器可使離軸細光束自主光軸100_1徑向地向外或遠離(未說明)主光軸100_1偏轉。在一些實施例中，偏轉器可經組態以使離軸細光束自主光軸100_1徑向向內或朝向主光軸100_1偏轉。細光束之偏轉角可經設定使得細光束102_1、102_2及102_3垂直導降於樣本1上。由諸如物鏡131之透鏡所致之影像的離軸像差可藉由調節穿過透鏡之細光束之路徑來減小。因此，離軸細光束102_2及102_3之偏轉角可經設定使得探測光點102_2S及102_3S具有較小像差。細光束可經偏轉從而穿過或靠近物鏡131之前焦點以減小離軸探測光點102_2S及102_3S之像差。在一些實施例中，偏轉器可經設定以使細光束102_1、102_2及102_3垂直導降於樣本1上，同時探測光點102_1S、102_2S及102_3S具有小像差。
聚光器透鏡110經組態以聚焦初級電子束102。可藉由調整聚光透鏡110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改變源轉換單元120下游之細光束102_1、102_2及102_3的電流。可藉由更改光束限制孔徑之徑向大小及聚光透鏡110之聚焦倍率兩者來改變電流。聚光透鏡110可為可經組態以使得其第一主面之位置可移動的可調整聚光透鏡。可調整聚光透鏡可經組態為磁性的，該磁性可使得離軸細光束102_2及102_3以旋轉角照明源轉換單元120。旋轉角可隨著可調整聚光透鏡之聚焦倍率或第一主面之位置而改變。因此，聚光透鏡110可為反旋轉聚光透鏡，其可經組態以在改變聚光透鏡110之聚焦倍率時保持旋轉角不變。在一些實施例中，聚光透鏡110可為可調整反旋轉聚光透鏡，其中當聚光透鏡110之聚焦倍率以及第一主面之位置變化時，旋轉角並不改變。
電子束工具40可包含前細光束形成機構172。在一些實施例中，電子源101可經組態以發射初級電子且形成初級電子束102。在一些實施例中，槍孔徑板171可經組態以阻擋初級電子束102之周邊電子從而減小庫侖效應。在一些實施例中，前細光束形成機構172進一步切割初級電子束102之周邊電子以進一步減小庫侖效應。初級電子束102可在穿過前細光束形成機構172之後經修整成三個初級電子細光束102_1、102_2及102_3 (或任何其他數目個細光束)。電子源101、槍孔徑板171、前細光束形成機構172及聚光透鏡110可與電子束工具40之主光軸100_1對準。
前細光束形成機構172可包含庫侖孔徑陣列。前細光束形成機構172之中心孔徑(在本文中亦被稱作軸上孔徑)及源轉換單元120之中心偏轉器可與電子束工具40的主光軸100_1對準。前細光束形成機構172可具有複數個前修整孔徑(例如庫侖孔徑陣列)。在圖2中，當初級電子束102穿過三個預修整孔徑時產生三個細光束102_1、102_2及102_3且切斷初級電子束102之許多剩餘部分。亦即，前細光束形成機構172可修整許多或大部分來自不會形成三個細光束102_1、102_2及102_3之初級電子束102的電子。在初級電子束102進入源轉換單元120之前，前細光束形成機構172可切斷電子，該電子將最終不用於形成探測光點102_1S、102_2S及102_3S。在一些實施例中，可接近電子源101提供槍孔徑板171以在初期切斷電子，同時亦可提供前細光束形成機構172以進一步切斷圍繞複數個細光束之電子。儘管圖2展現前細光束形成機構172之三個孔徑，但應瞭解，適當時可存在任何數目個孔徑。
在一些實施例中，前細光束形成機構172可置放於聚光透鏡110下方。更接近電子源101置放前細光束形成機構172可更有效地減小庫侖效應。在一些實施例中，當前細光束形成機構172能夠充分接近源101定位同時仍為可製造的時，可省略槍孔徑板171。
物鏡131可經組態以將細光束102_1、102_2及102_3聚焦至樣本1上以供檢測，且在樣本1之表面上形成三個探測光點102_1s、102_2s及102_3s。槍孔徑板171可阻擋不在使用中之初級電子束102之周邊電子以減小庫侖交互作用效應。庫侖交互作用效應可放大探測光點102_1s、102_2s及102_3s中之每一者的大小，且因此降低檢測解析度。
光束分離器160可為韋恩濾光器類型之光束分離器，其包含產生靜電偶極子場E1及磁偶極子場B1 (兩者皆未在圖2中展示)之靜電偏轉器。若應用該等光束分離器，則由靜電偶極子場E1對細光束102_1、102_2及102_3之電子施加的力與由磁偶極子場B1對電子施加之力量值相等且方向相反。細光束102_1、102_2及102_3因此可以零偏轉角直接通過光束分離器160。
偏轉掃描單元132可使細光束102_1、102_2及102_3偏轉以遍及樣本1之表面區段中之三個較小經掃描區域掃描探測光點102_1s、102_2s及102_3s。回應於細光束102_1、102_2及102_3入射於探測光點102_1s、102_2s及102_3s處，可自樣本1發射三個二次電子束102_1se、102_2se及102_3se。二次電子束102_1se、102_2se及102_3se中之每一者可包含具有能量分佈的電子，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102_1、102_2及102_3之著陸能量之間)。光束分離器160可將二次電子束102_1se、102_2se及102_3se導向二次成像系統150。二次成像系統150可將二次電子束102_1se、102_2se及102_3se聚焦至電子偵測裝置140之偵測元件140_1、140_2及140_3上。偵測元件140_1、140_2及140_3可偵測對應的二次電子束102_1se、102_2se及102_3se且產生用以建構樣本1之對應經掃描區域之影像的對應信號。
在圖2中，分別由三個探測光點102_1S、102_2S及102_3S產生之三個二次電子束102_1se、102_2se及102_3se沿著主光軸100_1向上朝向電子源101行進，依次地穿過物鏡131及偏轉掃描單元132。三個二次電子束102_1se、102_2se及102_3se由光束分離器160 (諸如韋恩濾光器)轉向以沿著其副光軸150_1進入二次成像系統150。二次成像系統150將三個二次電子束102_1se至102_3se聚焦至包含三個偵測元件140_1、140_2及140_3之電子偵測裝置140上。因此，電子偵測裝置140可同步產生由三個探測光點102_1S、102_2S及102_3S分別掃描之三個經掃描區的影像。在一些實施例中，電子偵測裝置140及二次成像系統150形成一個偵測單元(未展示)。在一些實施例中，二次電子束之路徑上之電子光學元件(諸如但不限於，物鏡131、偏轉掃描單元132、光束分離器160、二次成像系統150及電子偵測裝置140)可形成一個偵測系統。
在一些實施例中，控制器50可包含影像處理系統，該影像處理系統包括影像獲取器(未展示)及儲存器(未展示)。影像獲取器可包含一或多個處理器。舉例而言，影像獲取器可包含電腦、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及其類似者，或其組合。影像獲取器可經由諸如以下各者之媒體通信耦接至設備40之電子偵測裝置140：電導體、光纖纜線、攜帶型儲存媒體、IR、藍牙、網際網路、無線網路、無線電等，或其組合。在一些實施例中，影像獲取器可自電子偵測裝置140接收信號，且可建構影像。影像獲取器可因此獲取樣本1之影像。影像獲取器亦可執行各種後處理功能，諸如在所獲取影像上產生輪廓、疊加指示符及類似者。影像獲取器可經組態以執行對所獲取影像之亮度及對比度等的調整。在一些實施例中，儲存器可為諸如以下各者之儲存媒體：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及其類似者。儲存器可與影像獲取器耦接，且可用於保存作為原始影像之經掃描原始影像資料以及後處理影像。
在一些實施例中，影像獲取器可基於自電子偵測裝置140接收之一或多個成像信號獲取樣本之一或多個影像。成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，或可涉及多個影像。可將單個影像儲存於儲存器中。單個影像可為可劃分成複數個區之原始影像。區中之每一者可包含一個成像區域，其含有樣本1之特徵。所獲取影像可包含在一時間序列內多次取樣的樣本1之單個成像區域之多個影像，或可包含樣本1之不同成像區域之多個影像。可將多個影像儲存於儲存器中。在一些實施例中，控制器50可經組態以用樣本1之同一位置之多個影像執行影像處理步驟。
在一些實施例中，控制器50可包括量測電路(例如類比至數位轉換器)以獲得偵測到之二次電子之分佈。在偵測時間窗期間所收集之電子分佈資料與入射於晶圓表面上之初級細光束102_1、102_2及102_3中的每一者之對應掃描路徑資料組合可用以重建構受檢測晶圓結構之影像。經重建構影像可用以顯露樣本1之內部或外部結構的各種特徵，且藉此可用以顯露可能存在於晶圓中的任何缺陷。
在一些實施例中，控制器50可控制機動載物台(未展示)以在檢測期間移動樣本1。在一些實施例中，控制器50可使得機動載物台在一方向上以一恆定速度連續地移動樣本1。在其他實施例中，控制器50可使得機動載物台能夠取決於掃描程序之步驟而隨時間改變樣本1之移動速度。在一些實施例中，控制器50可基於二次電子束102_1se、102_2se及102_3se之影像調整初級投影光學系統130或二次成像系統150的組態。
儘管圖2展示電子束工具40使用三個初級電子束，但應瞭解，電子束工具40可使用兩個或更多個數目之初級電子束。本發明並不限制用於設備40中之初級電子束之數目。
現參考圖3，其為具有第一圖案A及第二圖案B之檢測影像300的實例，該第一圖案A具有矩形形狀，該第二圖案B具有圓形形狀。根據本發明之實施例，檢測影像300可由帶電粒子束檢測系統(例如，圖1之電子束檢測系統100)獲得。舉例而言，檢測影像300可為基於來自電子偵測元件140之電子偵測信號產生的電子束影像。圖3中說明第一圖案A及第二圖案B經疊對。舉例而言，檢測影像300中之第一圖案A可基於來自樣本之結構之第一層的電子偵測信號而產生，且第二圖案B可基於來自定位於該第一層之頂部上的結構之第二層的電子信號而產生。在此實例中，第一圖案A在內埋層中。因此，用於第一圖案A之電子束信號可能弱於用於第二圖案B之電子束信號。亦有可能的係，第一圖案A之由第二圖案B覆蓋的一部分在檢測影像300中可能不可見或不可區分。即使對於第二圖案B，具有第一圖案A之重疊區域可歸因於各種原因(諸如相較於非重迭區域之不同信雜比)而不明顯。因此，當多個圖案經疊對於檢測影像中時，自檢測影像提取圖案之輪廓資訊具有挑戰性。
圖4為符合本發明之實施例的實例輪廓提取設備之方塊圖。應理解，在各種實施例中，輪廓提取設備400可為帶電粒子束檢測系統(例如，圖1之電子束檢測系統100)之部分或可與帶電粒子束檢測系統分離。在一些實施例中，輪廓提取設備400可為控制器50之部分且可包括影像獲取器、量測電路系統或儲存器或其類似者。在一些實施例中，輪廓提取設備400可包含影像處理系統且可包括影像獲取器、儲存器或其類似者。
在一些實施例中，如圖4中所說明，輪廓提取設備400可包括檢測影像獲取器410、圖案識別器420、分離影像產生器430、圖案補償器440及圖案量測器450。
根據本發明之實施例，檢測影像獲取器410可獲取待檢測之樣本的檢測影像。出於說明目的及簡單起見，圖3中所說明的檢測影像300將用作藉由檢測影像獲取器410獲取之檢測影像的實例。在一些實施例中，檢測影像獲取器410可基於來自電子束工具40之電子偵測裝置140的偵測信號產生檢測影像300。在一些實施例中，檢測影像獲取器410可為包括於控制器50中之影像獲取器的部分或可與該影像獲取器分離。在一些實施例中，檢測影像獲取器410可獲得由包括於控制器50中之影像獲取器產生的檢測影像300。在一些實施例中，檢測影像獲取器410可自儲存檢測影像300之儲存裝置或系統獲得檢測影像300。
根據本發明之實施例，圖案識別器420經組態以識別檢測影像300上之圖案。根據本發明之實施例，圖案識別器420可自檢測影像300提取影像嵌塊(其為影像之部分)且可識別對應於經提取影像嵌塊之圖案，該等圖案為晶粒上或佈局資料庫(例如，GDS-圖形資料系統)中之特徵。在一些實施例中，每一影像嵌塊可包括一個圖案的不與其他圖案重疊之至少一部分。圖5A說明作為實例自檢測影像300提取之四個影像嵌塊P 1至P 4。如圖5A中所示，第一影像嵌塊P 1及第二影像嵌塊P 2中之每一者覆蓋第一圖案A之不與第二圖案B重疊的一部分。類似地，第三影像嵌塊P 3及第四影像嵌塊P 4中之每一者覆蓋第二圖案B之不與第一圖案A重疊的一部分。根據本發明之一些實施例，可選擇儘可能大的影像嵌塊以提高圖案辨識比率。舉例而言，在圖5A中，對於由第一影像嵌塊P 1覆蓋之區域，針對同一區域僅提取一個影像嵌塊而非兩個或多於兩個影像嵌塊。在本發明之一些實施例中，因為邊界線可用於辨識圖案，所以影像嵌塊可經選擇以使得每一影像嵌塊包括對應圖案之邊界線。在一些實施例中，圖案之邊界線可為用於判定圖案之外部形狀的圖案，用於判定圖案之內部形狀的線，圖案中之不同紋理之間的界線，或可用於辨識圖案之其他類型的線。舉例而言，圖5A說明第一影像嵌塊P 1及第二影像嵌塊P 2包括用於判定第一圖案A之外部形狀(例如，矩形)的部分線，且第三影像嵌塊P 3及第四影像嵌塊P 4包括用於判定第二圖案B之外部形狀(例如，圓形)的部分線。
返回參考圖4，圖案識別器420可經組態以基於根據本發明之一些實施例的機器學習模型使每一影像嵌塊與對應圖案相關聯。舉例而言，圖案識別器420可藉由使用經提取影像嵌塊P 1至P 4作為至機器學習模型之輸入來判定第一影像嵌塊P 1及第二影像嵌塊P 2中之每一者為第一圖案A的部分且第三影像嵌塊P 3及第四影像嵌塊P 4中之每一者為第二圖案B的部分。在一些實施例中，圖案識別器420可運用對應圖案標識自動地標記每一影像嵌塊。舉例而言，如圖5B中所示，第一影像嵌塊P 1及第二影像嵌塊P 2經標記為A 1及A 2以表示第一圖案A，且第三影像嵌塊P 3及第四影像嵌塊P 4經標記為B 1及B 2以表示第二圖案B。
根據本發明之實施例，圖案識別器420可自機器學習模型提供器460獲取機器學習模型。在一些實施例中，機器學習模型可藉由機器學習模型提供器460訓練以識別影像嵌塊之圖案。根據本發明之實施例，機器學習模型提供器460可預先訓練機器學習模型且按需求將經訓練機器學習模型提供至圖案識別器420。在一些實施例中，自機器學習模型提供器460獲得之機器學習模型可儲存於儲存媒體(未展示)中且可由圖案識別器420存取。在一些實施例中，機器學習模型提供器460可在獲取新檢測影像時更新機器學習模型。
現參考圖6，其說明符合本發明之實施例的實例神經網路模型提供器之方塊圖。如圖6中所說明，機器學習模型提供器460可包括影像嵌塊提取器461、機器學習模型訓練器462及資訊檔案463。
影像嵌塊提取器461可接收自諸如但不限於工具40或系統100之檢測系統獲取之訓練檢測影像IM。在一些實施例中，訓練檢測影像IM可包括兩個或多於兩個圖案，如圖3中所示。當訓練檢測影像IM包括多個圖案時，影像嵌塊提取器461可提取影像嵌塊，如圖5A中所說明。出於說明目的且為簡單起見，將藉由使用圖3之檢測影像300作為訓練檢測影像IM且藉由使用圖5A之影像嵌塊P 1至P 4作為訓練影像嵌塊來解釋訓練機器學習模型之程序。
根據本發明之實施例，機器學習模型訓練器462可經組態以藉由使用自訓練檢測影像IM提取之影像嵌塊P 1至P 4作為用於機器學習模型之輸入來訓練待供應至圖案識別器420之機器學習模型。根據本發明之實施例，機器學習模型訓練器462可訓練機器學習模型以藉由參考資訊檔案463中所含有之參考影像來預測與每一影像嵌塊相關聯之圖案。
根據本發明之實施例，資訊檔案463可含有對應於包括於訓練檢測影像IM中之圖案的參考影像。舉例而言，資訊檔案463可包括對應於第一圖案A之第一參考影像及對應於第二圖案B之第二參考影像。在一些實施例中，資訊檔案463中所含有之參考影像可為對應圖案之地面實況影像。地面實況影像可包括含有對應圖案之晶圓或晶粒的原始影像，或可包括自含有對應圖案之晶圓或晶粒量測的地面實況晶圓映圖，以及其他影像。在一些實施例中，資訊檔案463中所含有之參考影像可呈圖形資料庫系統(Graphic Database System，GDS)格式、圖形資料庫系統II (Graphic Database System II，GDSII)格式、開放原圖系統互換標準(Open Artwork System Interchange Standard，OASIS)格式、加州理工學院中間格式(Caltech Intermediate Format，CIF)等。在一些實施例中，資訊檔案463中所含有之參考影像可包含對應圖案之晶圓設計佈局。晶圓設計佈局可係基於用於建構晶圓之圖案佈局。晶圓設計佈局可對應於用於將來自微影光罩或倍縮光罩之特徵轉移至晶圓之一或多個微影光罩或倍縮光罩。在一些實施例中，呈GDS或OASIS等形式之參考影像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、文字及與晶圓設計佈局有關之其他資訊。
在一些實施例中，機器學習模型訓練器462可經組態以經由監督式學習訓練機器學習模型。在監督式學習中，饋入至機器學習模型之訓練資料包括所要解決方案。舉例而言，可在影像嵌塊P 1至P 4之對應圖案為機器學習模型訓練器462已知的條件下運用諸如影像嵌塊P 1至P 4之輸入訓練資料來訓練機器學習模型。在訓練期間，可更新或修正機器學習模型之權重，使得機器學習模型可供應對應於已知解決方案之推斷結果。出於訓練目的，影像嵌塊提取器461亦可在自訓練檢測影像IM提取影像嵌塊時參考含有資訊檔案463之參考影像。舉例而言，影像嵌塊提取器461可藉由參考特定圖案之參考影像來提取對應於特定圖案之影像嵌塊。
雖然已關於包括兩個圖案之一個訓練檢測影像IM解釋訓練程序，但應瞭解，本發明之實施例可應用於涉及兩個或多於兩個訓練檢測影像之情境且每一影像可包括一或多個圖案。在此等情境下，包括於兩個或更多個訓練檢測影像中之每一圖案的參考影像可包括於資訊檔案463中。應注意，當參考影像及數個圖案較大時，搜尋特定影像嵌塊之對應圖案的程序為耗時且耗費資源的。因此，預先訓練機器學習模型允許即時識別檢測影像之圖案。
返回參考圖4，根據本發明之實施例，分離影像產生器430經組態以分離檢測影像300之圖案且產生檢測影像300之每一圖案的分離影像。根據一些實施例，分離影像產生器430可基於來自圖案識別器420之圖案識別且基於對應於圖案之參考影像而產生分離影像。用於使檢測影像之圖案分離的參考影像可為關於資訊檔案463解釋之參考影像。在一些實施例中，分離影像產生器430可能夠存取包括於機器學習模型提供器460中之資訊檔案463或具有含有參考影像之分離資料庫(未展示)。
將藉由參考圖7A、圖7B及圖7C解釋用於分離檢測影像300上之圖案的程序。圖7A為符合本發明之實施例的其上疊加有每一圖案之參考影像之檢測影像的實例。基於藉由圖案識別器420之圖案識別，如圖5B中所示，參考影像可疊加於對應圖案A及B上。參考影像可經對準以在將參考影像疊加於檢測影像300上時儘可能緊密地匹配於對應圖案。在一些實施例中，參考影像可經對準以在角位置、外邊界等處匹配於對應圖案。舉例而言，第一參考影像A R疊加於第一圖案A上，如圖7A中所示。類似地，第二參考影像B R疊加於第二圖案B上，圖7A。
根據本發明之實施例，在將參考影像疊加於檢測影像300上時，分離影像產生器430可將參考影像與經判定為對應於該參考影像之影像嵌塊匹配。舉例而言，可藉由關於位置、形狀、紋理等將經判定為對應於第一圖案A之第一影像嵌塊P 1及第二影像嵌塊P 2與第一參考影像A R進行比較而將第一參考影像A R疊加於檢測影像300上。類似地，可藉由關於位置、形狀、紋理等將經判定為對應於第二圖案B之第三影像嵌塊P 3及第四影像嵌塊P 4與第二參考影像B R進行比較而將第二參考影像B R疊加於檢測影像300上。
根據本發明之實施例，分離影像產生器430可藉由自檢測影像300移除由第二圖案B覆蓋之影像區域而產生第一分離影像。圖7B說明第一分離影像310之實例。在圖7B中，經移除影像區域指示為I B。在一些實施例中，移除由第二圖案B覆蓋之影像區域可根據如圖7A中所說明疊加於檢測影像300上之第二參考影像B R執行。在一些實施例中，當移除由第二圖案B覆蓋之影像區域時，經移除影像區域I B可大於第二參考影像B R以確保自第一分離影像310移除第二圖案B。舉例而言，經移除影像區域I B之外邊界可定位於第二參考影像B R外部。如圖7B中所示，應注意，亦自檢測影像300移除第一圖案A之與第二圖案B重疊的一部分。
類似地，分離影像產生器430可藉由自檢測影像300移除由第一圖案A覆蓋之影像區域而產生第二分離影像。圖7C說明第二分離影像320之實例。在圖7C中，經移除影像區域指示為I A。根據本發明之一些實施例，移除由第一圖案A覆蓋之影像區域可根據如圖7A中所說明疊加於檢測影像300上之第一參考影像A R執行。在一些實施例中，當移除由第一圖案A覆蓋之影像區域時，經移除影像區域I A可大於第一參考影像A R以確保自第二分離影像320移除第一圖案A。舉例而言，經移除影像區域I A之外邊界可定位於第一參考影像A R外部。如圖7C中所示，應注意，亦自檢測影像300移除第二圖案B之與第一圖案A重疊的一部分。
雖然藉由使用包括兩個圖案之檢測影像說明圖案分離之程序且因此產生兩個分離影像，但應注意，當檢測影像包括三個或多於三個圖案時，本發明亦適用。舉例而言，當檢測影像包括三個圖案(例如第一圖案至第三圖案)時，可產生三個分離影像。第一分離影像可藉由移除由第二圖案及第三圖案覆蓋之影像區域而產生，第二分離影像可藉由移除由第一圖案及第三圖案覆蓋之影像區域而產生，且第三分離影像可藉由移除由第一圖案及第二圖案覆蓋之影像區域產生。
如上文所論述，當自檢測影像300移除第二圖案B時，亦在第一分離影像310中移除第一圖案A之一部分，如圖7B中所說明，且當自檢測影像300移除第一圖案A時，亦在第二分離影像320中移除第二圖案B之一部分，如圖7C中所說明。因此，分離影像可包括不完整圖案。返回參考圖4，根據本發明之實施例，圖案補償器440可經組態以更新或恢復分離影像中之不完整圖案。根據本發明之一些實施例，圖案補償器440可基於修復演算法更新或恢復圖案。修復演算法可用於重建構影像之丟失/遺失或退化之部分。在一些實施例中，圖案補償器440在恢復不完整圖案時可利用分離影像及參考影像之結構資訊、文字資訊或情境資訊。
圖8A為符合本發明之實施例的在恢復第一分離影像中之第一圖案A之後的第一恢復影像之實例。如圖8A中所示，可藉由恢復或填充第一分離影像310中之第一圖案A之經移除部分而產生第一恢復影像311。第一圖案A之經移除部分可為第一圖案A之部分，其在移除第二圖案B時在產生第一分離影像310 (例如，圖7B中所展示)時經移除。根據一些實施例，圖案補償器440可基於第一參考影像A R(圖7A中所展示)恢復或填充第一分離影像310中之第一圖案A之經移除部分。舉例而言，圖案補償器440可藉由比較第一圖案A之未經移除部分與第一參考影像A R來判定第一參考影像A R中的哪一部分對應於第一分離影像310中之第一圖案A之經移除部分。舉例而言，圖案補償器440可關於位置、形狀、紋理等比較第一分離影像310中之第一圖案A的未經移除部分與第一參考影像A R中所含有之第一圖案A。基於對第一分離影像310中的第一圖案A之經移除部分的第一參考影像A R中之對應部分的判定，第一恢復部分Ac可被填充在第一圖案A之經移除部分中，且因此可產生包括恢復第一圖案A之第一恢復影像311，如圖8A中所示。
類似地，圖8B為符合本發明之實施例的在恢復第二分離影像中之第二圖案之後的第二恢復影像之實例。如圖8B中所示，可藉由恢復或填充第二分離影像320中之第二圖案B之經移除部分而產生第二恢復影像321。第二圖案B之經移除部分可為第二圖案B之部分，其在移除第一圖案A時在產生第二分離影像320 (例如，圖7C中所展示)時經移除。類似地，圖案補償器440可藉由比較第二圖案B之未經移除部分與第二參考影像B R來判定第二參考影像B R中的哪一部分對應於第二分離影像320中之第二圖案B的經移除部分。基於對第二分離影像320中之第二圖案B之經移除部分的第二參考影像B R中之對應部分的判定，第二恢復部分Bc可用以填充第二圖案B之經移除部分，且因此可產生包括恢復第二圖案B之第二恢復影像321，如圖8B中所示。
如圖8A及圖8B中所示，藉由圖案補償器440產生包括第一圖案A之整個輪廓的第一恢復影像311及包括第二圖案B之整個輪廓的第二恢復影像321。返回參考圖4，圖案量測器450可經組態以分別自第一恢復影像311及第二恢復影像321獲取第一圖案A及第二圖案B之量測。舉例而言，圖案量測器450可自第一恢復影像311提取第一圖案A之輪廓資訊，且可自第二恢復影像321提取第二圖案B之輪廓資訊。
根據本發明之一些實施例，圖案之輪廓資訊可用於獲取圖案之臨界尺寸以判定圖案移位、邊緣置放變化等。在一些實施例中，可基於圖案之輪廓資訊量測疊對誤差。舉例而言，在以上實例中，可自第一圖案A及第二圖案B之經提取輪廓資訊判定第一圖案A之質心及第二圖案B之質心。藉由比較第一圖案A及第二圖案B之兩個質心之間的距離與預期距離，可判定檢測影像中之兩個圖案之間的疊對誤差。在一些實施例中，可例如自晶圓設計佈局獲得兩個圖案之間的預期距離。
圖9為表示符合本發明之實施例的用於自檢測影像提取輪廓資訊之實例方法的程序流程圖。出於說明性目的，將參考圖4之輪廓提取設備400描述用於自檢測影像提取輪廓資訊的方法。
在步驟S910中，可獲得樣本之檢測影像。步驟S910可尤其藉由例如檢測影像獲取器410來執行。出於說明目的及簡單起見，圖3中所說明之檢測影像300將用作實例檢測影像。在一些實施例中，可基於來自電子束工具40之電子偵測裝置140的偵測信號產生檢測影像300。在一些實施例中，藉由包括於控制器50中之影像獲取器產生檢測影像300。在一些實施例中，可自儲存檢測影像300之儲存器獲得檢測影像300。
在步驟S920中，識別檢測影像300上之圖案。步驟S920可尤其藉由例如圖案識別器420來執行。根據本發明之實施例，可提取來自檢測影像300之影像嵌塊且可識別對應於經提取影像嵌塊之圖案。在一些實施例中，每一影像嵌塊可包括一個圖案的不與其他圖案重疊之至少一部分。圖5A說明作為實例自檢測影像300提取之四個影像嵌塊P 1至P 4。如圖5A中所示，第一影像嵌塊P 1及第二影像嵌塊P 2中之每一者覆蓋第一圖案A之不與第二圖案B重疊的一部分。類似地，第三影像嵌塊P 3及第四影像嵌塊P 4中之每一者覆蓋第二圖案B之不與第一圖案A重疊的一部分。根據本發明之一些實施例，可選擇儘可能大的影像嵌塊以提高圖案辨識比率。舉例而言，在圖5A中，對於由第一影像嵌塊P 1覆蓋之區域，針對同一區域僅提取一個影像嵌塊而非兩個或多於兩個影像嵌塊。在本發明之一些實施例中，因為邊界線可用於辨識圖案，所以影像嵌塊可經選擇以使得每一影像嵌塊包括對應圖案之邊界線。在一些實施例中，圖案之邊界線可為用於判定圖案之外部形狀的圖案，用於判定圖案之內部形狀的線，圖案中之不同紋理之間的界線，或可用於辨識圖案之其他類型的線。舉例而言，圖5A說明第一影像嵌塊P 1及第二影像嵌塊P 2包括用於判定第一圖案A之外部形狀(例如，矩形)的部分線，且第三影像嵌塊P 3及第四影像嵌塊P 4包括用於判定第二圖案B之外部形狀(例如，圓形)的部分線。
在步驟S920中，每一影像嵌塊可基於根據本發明之一些實施例的機器學習模型與對應圖案相關聯。舉例而言，藉由使用經提取影像嵌塊P 1至P 4作為至機器學習模型之輸入，可判定第一影像嵌塊P 1及第二影像嵌塊P 2中之每一者為第一圖案A的部分，且可判定第三影像嵌塊P 3及第四影像嵌塊P 4中之每一者為第二圖案B的部分。在一些實施例中，每一影像嵌塊可自動地標記有對應圖案標識。舉例而言，如圖5B中所示，第一影像嵌塊P 1及第二影像嵌塊P 2經標記為A 1及A 2以表示第一圖案A，且第三影像嵌塊P 3及第四影像嵌塊P 4經標記為B 1及B 2以表示第二圖案B。
根據本發明之實施例，可提供經預先訓練之機器學習模型。可尤其藉由例如機器學習模型提供器460提供機器學習模型。在一些實施例中，可訓練機器學習模型以識別影像嵌塊之圖案。根據本發明之實施例，機器學習模型可經預先訓練且可按需求提供以識別圖案。在一些實施例中，機器學習模型可儲存於儲存媒體(未展示)處且可經存取以識別圖案。在一些實施例中，可在獲取新檢測影像時更新機器學習模型。
現參考圖10，其為表示符合本發明之實施例的用於訓練機器學習模型之實例方法的程序流程圖。出於說明的目的，將關於圖6解釋訓練機器學習模型之程序。
在步驟S1100中，自諸如但不限於工具40或系統100之檢測系統獲取訓練檢測影像。在一些實施例中，訓練檢測影像IM可包括兩個或多於兩個圖案，如圖3中所示。在一些實施例中，訓練檢測影像IM可包括多個圖案。
在步驟S1200中，提取訓練影像嵌塊。步驟S1200可尤其藉由例如影像嵌塊提取器461來執行。在一些實施例中，可提取訓練影像嵌塊作為影像嵌塊，如圖5A中所說明。出於說明目的且為簡單起見，將藉由使用圖3之檢測影像300作為訓練檢測影像IM且藉由使用圖5A之影像嵌塊P 1至P 4作為訓練影像嵌塊來解釋訓練機器學習模型之程序。
在步驟S1300中，根據本發明之實施例，藉由使用自訓練檢測影像IM提取之訓練影像嵌塊P 1至P 4作為用於機器學習模型之輸入來訓練機器學習模型。步驟S1300可尤其藉由例如機器學習模型訓練器462執行。根據本發明之實施例，可訓練機器學習模型以藉由參考資訊檔案(例如，資訊檔案463)中所含有之參考影像來預測與每一影像嵌塊相關聯之圖案。
根據本發明之實施例，資訊檔案463可含有對應於包括於訓練檢測影像IM中之圖案的參考影像。舉例而言，資訊檔案463可包括對應於第一圖案A之第一參考影像及對應於第二圖案B之第二參考影像。在一些實施例中，資訊檔案463中所含有之參考影像可為對應圖案之地面實況影像。在一些實施例中，資訊檔案463中所含有之參考影像可呈圖形資料庫系統(GDS)格式、圖形資料庫系統II (GDSII)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。在一些實施例中，資訊檔案463中所含有之參考影像可包含對應圖案之晶圓設計佈局。晶圓設計佈局可係基於用於建構晶圓之圖案佈局。晶圓設計佈局可對應於用於將來自微影光罩或倍縮光罩之特徵轉移至晶圓之一或多個微影光罩或倍縮光罩。在一些實施例中，呈GDS或OASIS等形式之參考影像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、文字及與晶圓設計佈局有關之其他資訊。
在一些實施例中，可經由監督式學習來訓練機器學習模型。在監督式學習中，饋入至機器學習模型之訓練資料包括所要解決方案。舉例而言，可在已知影像嵌塊P 1至P 4之對應圖案的條件下運用諸如影像嵌塊P 1至P 4之輸入訓練資料來訓練機器學習模型。在訓練期間，可更新或修正機器學習模型之權重，使得機器學習模型可供應對應於已知解決方案之推斷結果。出於訓練目的，可在自訓練檢測影像IM提取影像嵌塊時參考含有資訊檔案463之參考影像。舉例而言，可藉由參考特定圖案之參考影像來提取對應於特定圖案之影像嵌塊。
雖然已關於包括兩個圖案之一個訓練檢測影像IM解釋訓練程序，但應瞭解，本發明之實施例可應用於涉及兩個或多於兩個訓練檢測影像之情境且每一影像可包括一或多個圖案。在此等情境下，包括於兩個或更多個訓練檢測影像中之每一圖案的參考影像可包括於資訊檔案463中。應注意，當參考影像及數個圖案較大時，搜尋以定位特定影像嵌塊之對應圖案的程序為耗時且耗費資源的。因此，預先訓練機器學習模型允許即時識別檢測影像之圖案。
返回參考圖9，在步驟S930中，根據本發明之實施例，可分離檢測影像300之圖案，且可產生檢測影像300之每一圖案的分離影像。步驟S930可尤其藉由例如分離影像產生器430來執行。根據一些實施例，可基於步驟S920中之圖案識別且基於對應於該圖案之參考影像來產生分離影像。用於使檢測影像上之圖案分離的參考影像可為關於資訊檔案463解釋之參考影像。
圖7A為符合本發明之實施例的其上疊加有每一圖案之參考影像之檢測影像的實例。基於如圖5B中所示之圖案識別，參考影像可疊加於對應圖案A及B上。參考影像可經對準以在將參考影像疊加於檢測影像300上時儘可能緊密地匹配於對應圖案。在一些實施例中，參考影像可經對準以在角位置、外邊界等處匹配於對應圖案。舉例而言，第一參考影像A R疊加於第一圖案A上，如圖7A中所示。類似地，第二參考影像B R疊加於第二圖案B上，圖7A。
根據本發明之實施例，在將參考影像疊加於檢測影像300上時，可將參考影像與經判定為對應於該參考影像之影像嵌塊匹配。舉例而言，可藉由關於位置、形狀、紋理等將經判定為對應於第一圖案A之第一影像嵌塊P 1及第二影像嵌塊P 2與第一參考影像A R進行比較而將第一參考影像A R疊加於檢測影像300上。類似地，可藉由關於位置、形狀、紋理等將經判定為對應於第二圖案B之第三影像嵌塊P 3及第四影像嵌塊P 4與第二參考影像B R進行比較而將第二參考影像B R疊加於檢測影像300上。
根據本發明之實施例，可藉由自檢測影像300移除由第二圖案B覆蓋之影像區域而產生第一分離影像。圖7B說明第一分離影像310之實例。在圖7B中，經移除影像區域指示為I B。在一些實施例中，移除由第二圖案B覆蓋之影像區域可根據如圖7A中所說明疊加於檢測影像300上之第二參考影像B R執行。在一些實施例中，當移除由第二圖案B覆蓋之影像區域時，經移除影像區域I B可大於第二參考影像B R以確保自第一分離影像310移除第二圖案B。舉例而言，經移除影像區域I B之外邊界可定位於第二參考影像B R外部。如圖7B中所示，應注意，亦自檢測影像300移除第一圖案A之與第二圖案B重疊的一部分。
類似地，可藉由自檢測影像300移除由第一圖案A覆蓋之影像區域而產生第二分離影像。圖7C說明第二分離影像320之實例。在圖7C中，經移除影像區域指示為I A。根據本發明之一些實施例，移除由第一圖案A覆蓋之影像區域可根據如圖7A中所說明疊加於檢測影像300上之第一參考影像A R執行。在一些實施例中，當移除由第一圖案A覆蓋之影像區域時，經移除影像區域I A可大於第一參考影像A R以確保自第二分離影像320移除第一圖案A。舉例而言，經移除影像區域I A之外邊界可定位於第一參考影像A R外部。如圖7C中所示，應注意，亦自檢測影像300移除第二圖案B之與第一圖案A重疊的一部分。
雖然藉由使用包括兩個圖案之檢測影像說明圖案分離之程序且因此產生兩個分離影像，但應注意，當檢測影像包括三個或多於三個圖案時，本發明亦適用。舉例而言，當檢測影像包括三個圖案(例如第一圖案至第三圖案)時，可產生三個分離影像。第一分離影像可藉由移除由第二圖案及第三圖案覆蓋之影像區域而產生，第二分離影像可藉由移除由第一圖案及第三圖案覆蓋之影像區域而產生，且第三分離影像可藉由移除由第一圖案及第二圖案覆蓋之影像區域產生。
如上文所論述，當自檢測影像300移除第二圖案B時，亦在第一分離影像310中移除第一圖案A之一部分，如圖7B中所說明，且當自檢測影像300移除第一圖案A時，亦在第二分離影像320中移除第二圖案B之一部分，如圖7C中所說明。因此，分離影像可包括不完整圖案。返回參考圖4，根據本發明之實施例，在步驟S940中，可恢復分離影像中之不完整圖案。步驟S940可尤其藉由例如圖案補償器440來執行。根據本發明之一些實施例，可基於修復演算法來恢復圖案。在一些實施例中，在恢復不完整圖案時可利用分離影像及參考影像之結構資訊、文字資訊或情境資訊。
圖8A為符合本發明之實施例的在恢復第一分離影像中之第一圖案A之後的第一恢復影像之實例。如圖8A中所示，可藉由恢復或填充第一分離影像310中之第一圖案A之經移除部分而產生第一恢復影像311。第一圖案A之經移除部分可為第一圖案A之部分，其在移除第二圖案B時在產生第一分離影像310 (例如，圖7B中所展示)時經移除。根據一些實施例，可基於第一參考影像A R恢復或填充第一分離影像310中之第一圖案A的經移除部分。舉例而言，可藉由比較第一圖案A之未經移除部分與第一參考影像A R(如圖7A中所示)來判定第一參考影像A R中的哪一部分對應於第一分離影像310中之第一圖案A之經移除部分。舉例而言，可關於位置、形狀、紋理等比較第一分離影像310中之第一圖案A的未經移除部分與第一參考影像A R中所含有之第一圖案A。基於對第一分離影像310中的第一圖案A之經移除部分的第一參考影像A R中之對應部分的判定，第一恢復部分Ac可被填充在第一圖案A之經移除部分中，且因此可產生包括恢復第一圖案A之第一恢復影像311，如圖8A中所示。
類似地，圖8B為符合本發明之實施例的在恢復第二分離影像中之第二圖案之後的第二恢復影像之實例。如圖8B中所示，可藉由恢復或填充第二分離影像320中之第二圖案B之經移除部分而產生第二恢復影像321。第二圖案B之經移除部分可為第二圖案B之部分，其在移除第一圖案A時在產生第二分離影像320 (例如，圖7C中所展示)時經移除。類似地，圖案補償器440可藉由比較第二圖案B之未經移除部分與第二參考影像B R來判定第二參考影像B R中的哪一部分對應於第二分離影像320中之第二圖案B的經移除部分。基於對第二分離影像320中之第二圖案B之經移除部分的第二參考影像B R中之對應部分的判定，第二恢復部分Bc可用以填充第二圖案B之經移除部分，且因此可產生包括恢復第二圖案B之第二恢復影像321，如圖8B中所示。如圖8A及圖8B中所示，產生包括第一圖案A之整個輪廓的第一恢復影像311及包括第二圖案B之整個輪廓的第二恢復影像321。
返回參考圖9，在步驟S950中，可自在步驟S940中經補償之恢復分離影像獲取圖案之量測。步驟S950可尤其藉由例如圖案量測器450來執行。在一些實施例中，可分別自第一恢復影像311及第二恢復影像321獲取第一圖案A及第二圖案B之量測。舉例而言，可自第一恢復影像311提取第一圖案A之輪廓資訊，且可自第二恢復影像321提取第二圖案B之輪廓資訊。根據本發明之一些實施例，圖案之輪廓資訊可用於獲取圖案之臨界尺寸以判定圖案移位、邊緣置放變化等。
可使用以下條項進一步描述實施例： 1.     一種用於自檢測影像提取圖案輪廓資訊之方法，該方法包含： 自由帶電粒子束檢測系統獲得之檢測影像識別在該檢測影像中部分重疊之第一圖案及第二圖案； 藉由自檢測影像移除對應於第二圖案之影像區域而產生第一分離影像，其中該第一分離影像包括其第一部分在移除對應於第二圖案之影像區域時經移除的第一圖案；及 基於對應於第一圖案之第一參考影像更新第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。 2.     如條項1之方法，其進一步包含： 自經更新之第一分離影像提取第一圖案的輪廓資訊。 3.     如條項1或2之方法，其中更新第一分離影像係藉由使用修復演算法填充第一分離影像中之第一部分來執行。 4.     如條項1至3中任一項之方法，其中識別第一圖案及第二圖案包含： 自檢測影像提取覆蓋第一圖案之一部分的第一影像嵌塊，其中第一圖案之該部分與第二圖案不重疊； 自檢測影像提取覆蓋第二圖案之一部分的第二影像嵌塊，其中第二圖案之該部分與第一圖案不重疊；及 使具有第一參考影像之第一影像嵌塊與具有對應於第二圖案之第二參考影像的第二影像嵌塊相關聯。 5.     如條項4之方法，其中藉由使用第一影像嵌塊及第二影像嵌塊作為至機器學習模型之輸入來執行使具有第一參考影像之第一影像嵌塊與具有第二參考影像之第二影像嵌塊相關聯。 6.     如條項1至5中任一項之方法，其中即時執行識別第一圖案及第二圖案。 7.     如條項1至3中任一項之方法，其中產生第一分離影像包含： 在檢測影像上將第一參考影像疊加在第一圖案上且將第二參考影像疊加在第二圖案上，其中該第二參考影像對應於第二圖案；且 基於疊加在第二圖案上之第二參考影像移除對應於第二圖案的影像區域。 8.     如條項1至7中任一項之方法，其中第一參考影像係呈圖形資料庫系統(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)格式或加州理工學院中間格式(CIF)。 9.     如條項2至8中任一項之方法，其進一步包含： 提取第二圖案之輪廓資訊；及 基於第一圖案及第二圖案之經提取輪廓資訊判定第一圖案與第二圖案之間的疊對誤差。 10.   如條項9之方法，其中該疊對誤差係基於第一圖案之質心及第二圖案之質心判定，且 其中第一圖案及第二圖案之質心係基於第一圖案及第二圖案之經提取輪廓資訊判定。 11.    如條項1至10中任一項之方法，其中該第一圖案在內埋層中。 12.   一種輪廓提取設備，其包含： 記憶體，其儲存指令集；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執行以下操作： 自由帶電粒子束檢測系統獲得之檢測影像識別在該檢測影像中部分重疊之第一圖案及第二圖案； 藉由自檢測影像移除對應於第二圖案之影像區域而產生第一分離影像，其中該第一分離影像包括其第一部分在移除對應於第二圖案之影像區域時經移除的第一圖案；及 基於對應於第一圖案之第一參考影像更新第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。 13.   如條項12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執行以下操作： 自經更新之第一分離影像提取第一圖案的輪廓資訊。 14.   如條項12或13之設備，其中更新第一分離影像係藉由使用修復演算法填充第一分離影像中之第一部分來執行。 15.   如條項12至14中任一項之設備，其中識別第一圖案及第二圖案包含： 自檢測影像提取覆蓋第一圖案之一部分的第一影像嵌塊，其中第一圖案之該部分與第二圖案不重疊； 自檢測影像提取覆蓋第二圖案之一部分的第二影像嵌塊，其中第二圖案之該部分與第一圖案不重疊；及 使具有第一參考影像之第一影像嵌塊與具有對應於第二圖案之第二參考影像的第二影像嵌塊相關聯。 16.   如條項15之設備，其中藉由使用第一影像嵌塊及第二影像嵌塊作為至機器學習模型之輸入來執行使具有第一參考影像之第一影像嵌塊與具有第二參考影像之第二影像嵌塊相關聯。 17.   如條項12至16中任一項之設備，其中即時執行識別第一圖案及第二圖案。 18.   如條項12至14中任一項之設備，其中產生第一分離影像包含： 在檢測影像上將第一參考影像疊加在第一圖案上且將第二參考影像疊加在第二圖案上，其中該第二參考影像對應於第二圖案；且 基於疊加在第二圖案上之第二參考影像移除對應於第二圖案的影像區域。 19.   如條項12至18中任一項之設備，其中第一參考影像係呈圖形資料庫系統(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)格式或加州理工學院中間格式(CIF)。 20.   一種儲存指令集之非暫時性電腦可讀媒體，該指令集可由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自檢測影像提取圖案輪廓資訊之方法，該方法包含： 自由帶電粒子束檢測系統獲得之檢測影像識別在該檢測影像中部分重疊之第一圖案及第二圖案； 藉由自檢測影像移除對應於第二圖案之影像區域而產生第一分離影像，其中該第一分離影像包括其第一部分在移除對應於第二圖案之影像區域時經移除的第一圖案； 基於對應於第一圖案之第一參考影像更新第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。 21.   如條項20之電腦可讀媒體，該指令集可藉由該運算裝置之至少一個處理器執行以使得該運算裝置進一步執行以下操作： 自經更新之第一分離影像提取第一圖案的輪廓資訊。 22.   如條項20或21之電腦可讀媒體，其中更新第一分離影像中之第一圖案係藉由使用修復演算法填充第一分離影像中之第一部分來執行。 23.   如條項20至22中任一項之電腦可讀媒體，其中識別第一圖案及第二圖案包含： 自檢測影像提取覆蓋第一圖案之一部分的第一影像嵌塊，其中第一圖案之該部分與第二圖案不重疊； 自檢測影像提取覆蓋第二圖案之一部分的第二影像嵌塊，其中第二圖案之該部分與第一圖案不重疊；及 使具有第一參考影像之第一影像嵌塊與具有對應於第二圖案之第二參考影像的第二影像嵌塊相關聯。 24.   如條項23之電腦可讀媒體，其中藉由使用第一影像嵌塊及第二影像嵌塊作為至機器學習模型之輸入來執行使具有第一參考影像之第一影像嵌塊與具有第二參考影像之第二影像嵌塊相關聯。 25.   如條項20至24中任一項之電腦可讀媒體，其中即時執行識別第一圖案及第二圖案。 26.   如條項20至22中任一項之電腦可讀媒體，其中產生第一分離影像包含： 在檢測影像上將第一參考影像疊加在第一圖案上且將第二參考影像疊加在第二圖案上，其中該第二參考影像對應於第二圖案；且 基於疊加在第二圖案上之第二參考影像移除對應於第二圖案的影像區域。 27.   如條項20至26中任一項之電腦可讀媒體，其中第一參考影像係呈圖形資料庫系統(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)格式或加州理工學院中間格式(CIF)。 28.   一種用於自檢測影像量測疊對誤差之方法，該方法包含： 自由帶電粒子束檢測系統獲得之檢測影像識別在該檢測影像中部分重疊之第一圖案及第二圖案，該第一圖案在內埋層中； 自該檢測影像產生包括該第一圖案之第一分離影像及包括該第二圖案之第二分離影像； 基於該第一分離影像及該第二分離影像提取該第一圖案及該第二圖案之輪廓資訊；及 基於第一圖案及第二圖案之經提取輪廓資訊判定第一圖案與第二圖案之間的疊對誤差。 29.   如條項28之方法，其中該疊對誤差係基於第一圖案之質心及第二圖案之質心判定，且 其中第一圖案及第二圖案之質心係基於第一圖案及第二圖案之經提取輪廓資訊判定。 30.   如條項28或29之方法，其中產生第一分離影像包含： 藉由自檢測影像移除對應於第二圖案之影像區域而產生第一分離影像，其中該第一分離影像包括其第一部分在移除對應於第二圖案之影像區域時經移除的第一圖案；及 基於對應於第一圖案之第一參考影像更新第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。 31.   如條項28至30中任一項之方法，其中識別第一圖案及第二圖案包含： 自檢測影像提取覆蓋第一圖案之一部分的第一影像嵌塊，其中第一圖案之該部分與第二圖案不重疊； 自檢測影像提取覆蓋第二圖案之一部分的第二影像嵌塊，其中第二圖案之該部分與第一圖案不重疊；及 使具有第一參考影像之第一影像嵌塊與具有對應於第二圖案之第二參考影像的第二影像嵌塊相關聯。 32.   如條項31之方法，其中藉由使用第一影像嵌塊及第二影像嵌塊作為至機器學習模型之輸入來執行使具有第一參考影像之第一影像嵌塊與具有第二參考影像之第二影像嵌塊相關聯。 33.   一種儲存指令集之非暫時性電腦可讀媒體，該指令集可由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自檢測影像量測疊對誤差之方法，該方法包含： 自由帶電粒子束檢測系統獲得之檢測影像識別在該檢測影像中部分重疊之第一圖案及第二圖案，該第一圖案在內埋層中； 自該檢測影像產生包括該第一圖案之第一分離影像及包括該第二圖案之第二分離影像； 基於該第一分離影像及該第二分離影像提取該第一圖案及該第二圖案之輪廓資訊；及 基於第一圖案及第二圖案之經提取輪廓資訊判定第一圖案與第二圖案之間的疊對誤差。 34.   如條項33之電腦可讀媒體，其中該疊對誤差係基於第一圖案之質心及第二圖案之質心判定，且 其中第一圖案及第二圖案之質心係基於第一圖案及第二圖案之經提取輪廓資訊判定。 35.   如條項33或34之電腦可讀媒體，其中產生第一分離影像包含： 藉由自檢測影像移除對應於第二圖案之影像區域而產生第一分離影像，其中該第一分離影像包括其第一部分在移除對應於第二圖案之影像區域時經移除的第一圖案；及 基於對應於第一圖案之第一參考影像更新第一分離影像以包括表示該第一圖案之經移除第一部分的影像資料。 36.   如條項33至35中任一項之電腦可讀媒體，其中識別第一圖案及第二圖案包含： 自檢測影像提取覆蓋第一圖案之一部分的第一影像嵌塊，其中第一圖案之該部分與第二圖案不重疊； 自檢測影像提取覆蓋第二圖案之一部分的第二影像嵌塊，其中第二圖案之該部分與第一圖案不重疊；及 使具有第一參考影像之第一影像嵌塊與具有對應於第二圖案之第二參考影像的第二影像嵌塊相關聯。 37.   如條項36之電腦可讀媒體，其中藉由使用第一影像嵌塊及第二影像嵌塊作為至機器學習模型之輸入來執行使具有第一參考影像之第一影像嵌塊與具有第二參考影像之第二影像嵌塊相關聯。
可提供儲存供控制器(例如，圖1之控制器50)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、影像採集、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性磁碟、可撓性磁碟、硬碟、固態磁碟機、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、具有孔圖案之任何實體媒體、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。
應瞭解，本發明之實施例不限於已在上文所描述及在隨附圖式中所說明之確切構造，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了描述，藉由考慮本文中所揭示之本發明之規格及實踐，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。
以上描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述一般進行修改。
1:樣本 10:主腔室 20:負載鎖室 30:EFEM 30a:第一裝載埠 30b:第二裝載埠 40:電子束工具 50:控制器 100:電子束檢測系統 100_1:主光軸 101:電子源 101s:交越 102:初級電子束 102_1:細光束 102_2:細光束 102_3:細光束 102_1S:探測光點 102_2S:探測光點 102_3S:探測光點 102_1se:二次電子束 102_2se:二次電子束 102_3se:二次電子束 103:槍孔徑 110:聚光透鏡 120:源轉換單元 130:初級投影光學系統 131:物鏡 132:偏轉掃描單元 140:電子偵測裝置 140_1:偵測元件 140_2:偵測元件 140_3:偵測元件 150:二次成像系統 150_1:副光軸 160:光束分離器 171:槍孔徑板 172:前細光束形成機構 300:檢測影像 310:第一分離影像 311:第一恢復影像 320:第二分離影像 321:第二恢復影像 400:輪廓提取設備 410:檢測影像獲取器 420:圖案識別器 430:分離影像產生器 440:圖案補償器 450:圖案量測器 460:機器學習模型提供器 461:影像嵌塊提取器 462:機器學習模型訓練器 463:資訊檔案 A:第一圖案 Ac:第一恢復部分 A R:第一參考影像 B:第二圖案 B1:磁偶極子場 Bc:第二恢復部分 B R:第二參考影像 E1:靜電偶極子場 I A:經移除影像區域 I B:經移除影像區域 IM:訓練檢測影像 P 1:影像嵌塊 P 2:影像嵌塊 P 3:影像嵌塊 P 4:影像嵌塊 S910:步驟 S920:步驟 S930:步驟 S940:步驟 S950:步驟 S1100:步驟 S1200:步驟 S1300:步驟
圖1為說明符合本發明之實施例的實例電子束檢測(EBI)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之實例電子束檢測系統之一部分的實例電子束工具之示意圖。
圖3為具有第一圖案及第二圖案之檢測影像的實例。
圖4為符合本發明之實施例的實例輪廓提取設備之方塊圖。
圖5A為符合本發明之實施例的用於自檢測影像提取影像嵌塊之實例。
圖5B為符合本發明之實施例的用於標記檢測影像之影像嵌塊嵌塊之實例。
圖6為符合本發明之實施例的圖4的之輪廓提取設備的實例神經網路模型提供器之方塊圖。
圖7A為符合本發明之實施例的其上疊加有每一圖案之參考影像之檢測影像的實例。
圖7B為符合本發明之實施例的在自檢測影像移除第二圖案之後的第一分離影像之實例。
圖7C為符合本發明之實施例的在自檢測影像移除第一圖案之後的第二分離影像之實例。
圖8A為符合本發明之實施例的在恢復第一分離影像中之第一圖案之後的第一恢復影像之實例。
圖8B為符合本發明之實施例的在恢復第二分離影像中之第二圖案之後的第二恢復影像之實例。
圖9為表示符合本發明之實施例的用於自電子束影像提取輪廓資訊之實例方法的程序流程圖。
圖10為表示符合本發明之實施例的用於訓練機器學習模型之實例方法的程序流程圖。
400:輪廓提取設備
410:檢測影像獲取器
420:圖案識別器
430:分離影像產生器
440:圖案補償器
450:圖案量測器
460:機器學習模型提供器

Claims (10)

  1. 一種用於自一檢測影像量測一疊對誤差(overlay error)之系統，該系統包含： 一圖案識別器(pattern identifier)，其經組態以自由一帶電粒子束檢測系統獲得之一檢測影像識別在該檢測影像中部分重疊之一第一圖案及一第二圖案，該第一圖案在一內埋層(buried layer)中； 一分離影像產生器(separation image generator)，其經組態以自該檢測影像產生包括該第一圖案之一第一分離影像及包括該第二圖案之一第二分離影像； 一圖案量測器(pattern measurer)，其經組態以基於該第一分離影像及該第二分離影像提取(extract)該第一圖案及該第二圖案之輪廓資訊(contour infomration)，及基於該第一圖案及該第二圖案之經提取之該輪廓資訊判定該第一圖案與該第二圖案之間的一疊對誤差。
  2. 如請求項1之系統，其中該疊對誤差係基於該第一圖案之一質心(center of mass)及該第二圖案之一質心判定，且 其中該第一圖案之該質心及該第二圖案之該質心係基於該第一圖案及該第二圖案之經提取之該輪廓資訊判定。
  3. 如請求項1或2之系統，其中產生該第一分離影像包含： 藉由自該檢測影像移除對應於該第二圖案之一影像區域而產生該第一分離影像，其中該第一分離影像包括其一第一部分在移除對應於該第二圖案之該影像區域時經移除的該第一圖案；及 基於對應於該第一圖案之一第一參考影像更新該第一分離影像以包括表示該第一圖案之經移除之該第一部分的影像資料。
  4. 如請求項1或2之系統，其中識別該第一圖案及該第二圖案包含： 自該檢測影像提取覆蓋該第一圖案之一部分的一第一影像嵌塊(image patch)，其中該第一圖案之該部分與該第二圖案不重疊； 自該檢測影像提取覆蓋該第二圖案之一部分的一第二影像嵌塊，其中該第二圖案之該部分與該第一圖案不重疊；及 使具有該第一參考影像之該第一影像嵌塊與具有對應於該第二圖案之一第二參考影像的該第二影像嵌塊相關聯。
  5. 如請求項4之系統，其中該圖案識別器進一步經組態以藉由使用該第一影像嵌塊及該第二影像嵌塊作為至一機器學習模型之輸入而使具有該第一參考影像之該第一影像嵌塊與具有該第二參考影像之該第二影像嵌塊相關聯。
  6. 一種儲存指令集之非暫時性電腦可讀媒體，該指令集可由一運算裝置(computing device)之至少一個處理器執行以使得該運算裝置執行用於自一檢測影像量測一疊對誤差之方法，該方法包含： 自由一帶電粒子束檢測系統獲得之一檢測影像識別在該檢測影像中部分重疊之一第一圖案及一第二圖案，該第一圖案在一內埋層中； 自該檢測影像產生包括該第一圖案之一第一分離影像及包括該第二圖案之一第二分離影像； 基於該第一分離影像及該第二分離影像提取該第一圖案及該第二圖案之輪廓資訊；及 基於該第一圖案及該第二圖案之經提取之該輪廓資訊判定該第一圖案與該第二圖案之間的一疊對誤差。
  7. 如請求項6之電腦可讀媒體，其中該疊對誤差係基於該第一圖案之一質心及該第二圖案之一質心判定，且 其中該第一圖案之該質心及該第二圖案之該質心係基於該第一圖案及該第二圖案之經提取之該輪廓資訊判定。
  8. 如請求項6或7之電腦可讀媒體，其中產生該第一分離影像包含： 藉由自該檢測影像移除對應於該第二圖案之一影像區域而產生該第一分離影像，其中該第一分離影像包括其一第一部分在移除對應於該第二圖案之該影像區域時經移除的該第一圖案；及 基於對應於該第一圖案之一第一參考影像更新該第一分離影像以包括表示該第一圖案之經移除之該第一部分的影像資料。
  9. 如請求項6或7之電腦可讀媒體，其中識別該第一圖案及該第二圖案包含： 自該檢測影像提取覆蓋該第一圖案之一部分的一第一影像嵌塊，其中該第一圖案之該部分與該第二圖案不重疊； 自該檢測影像提取覆蓋該第二圖案之一部分的一第二影像嵌塊，其中該第二圖案之該部分與該第一圖案不重疊；及 使具有該第一參考影像之該第一影像嵌塊與具有對應於該第二圖案之一第二參考影像的該第二影像嵌塊相關聯。
  10. 如請求項9之電腦可讀媒體，其中藉由使用該第一影像嵌塊及該第二影像嵌塊作為至一機器學習模型之輸入來執行使具有該第一參考影像之該第一影像嵌塊與具有該第二參考影像之該第二影像嵌塊相關聯。
TW111150317A 2020-02-13 2021-02-08 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體 TW202318468A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202062976216P 2020-02-13 2020-02-13
US62/976,216 2020-02-13

Publications (1)

Publication Number Publication Date
TW202318468A true TW202318468A (zh) 2023-05-01

Family

ID=74494887

Family Applications (2)

Application Number Title Priority Date Filing Date
TW111150317A TW202318468A (zh) 2020-02-13 2021-02-08 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體
TW110104637A TWI791191B (zh) 2020-02-13 2021-02-08 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW110104637A TWI791191B (zh) 2020-02-13 2021-02-08 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體

Country Status (4)

Country Link
US (1) US20230117237A1 (zh)
CN (1) CN115104122A (zh)
TW (2) TW202318468A (zh)
WO (1) WO2021160436A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220245773A1 (en) * 2021-01-29 2022-08-04 Bae Systems Information And Electronic Systems Integration Inc. Burn-in removal from full motion video imagery for video exploitation

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012101717A1 (ja) * 2011-01-26 2012-08-02 株式会社 日立ハイテクノロジーズ パターンマッチング装置、及びコンピュータープログラム
JP2016058637A (ja) * 2014-09-11 2016-04-21 株式会社日立ハイテクノロジーズ オーバーレイ計測方法、装置、および表示装置
US9530199B1 (en) * 2015-07-13 2016-12-27 Applied Materials Israel Ltd Technique for measuring overlay between layers of a multilayer structure
NL2017171A (en) * 2015-07-30 2017-02-02 Asml Netherlands Bv Inspection apparatus, inspection method and manufacturing method
US10529534B2 (en) * 2018-01-05 2020-01-07 Kla-Tencor Corporation Compensating for scanning electron microscope beam distortion-induced metrology error using design
WO2020011648A1 (en) * 2018-07-13 2020-01-16 Asml Netherlands B.V. Pattern grouping method based on machine learning

Also Published As

Publication number Publication date
CN115104122A (zh) 2022-09-23
US20230117237A1 (en) 2023-04-20
TWI791191B (zh) 2023-02-01
WO2021160436A1 (en) 2021-08-19
TW202145285A (zh) 2021-12-01

Similar Documents

Publication Publication Date Title
TWI723291B (zh) 度量衡系統及方法與相關之非暫時性電腦可讀媒體
US11694312B2 (en) Image enhancement for multi-layered structure in charged-particle beam inspection
TWI823174B (zh) 非暫時性電腦可讀媒體及使用機器學習模型識別位置之設備
TWI791191B (zh) 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體
US20230139085A1 (en) Processing reference data for wafer inspection
TW202307421A (zh) 帶電粒子檢測中之影像失真校正
US20230162944A1 (en) Image enhancement based on charge accumulation reduction in charged-particle beam inspection
TWI807537B (zh) 影像對準方法及系統
US20240212131A1 (en) Improved charged particle image inspection
TWI859624B (zh) 用於影像分析之系統及相關之非暫時性電腦可讀媒體
CN118451450A (zh) 用于带电粒子系统中的缺陷检测和缺陷位置标识的系统和方法
TW201516398A (zh) 帶電粒子束裝置及程式記憶媒體