TW202349288A - 缺陷檢查裝置 - Google Patents
缺陷檢查裝置 Download PDFInfo
- Publication number
- TW202349288A TW202349288A TW112118519A TW112118519A TW202349288A TW 202349288 A TW202349288 A TW 202349288A TW 112118519 A TW112118519 A TW 112118519A TW 112118519 A TW112118519 A TW 112118519A TW 202349288 A TW202349288 A TW 202349288A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- learning
- aforementioned
- feature
- defect inspection
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 100
- 230000007547 defect Effects 0.000 title claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 41
- 239000013598 vector Substances 0.000 description 36
- 238000000034 method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 17
- 238000013461 design Methods 0.000 description 10
- 239000004065 semiconductor Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000001878 scanning electron micrograph Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003860 storage 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/418—Imaging electron microscope
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
- G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
- G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/652—Specific applications or type of materials impurities, foreign matter, trace amounts
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/22—Treatment of data
- H01J2237/221—Image processing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2813—Scanning microscopes characterised by the application
- H01J2237/2817—Pattern inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本發明的課題係提供在檢查時不需使用設計資料,可應對雜訊及製造誤差的缺陷檢查裝置。
解決手段是一種缺陷檢查裝置,係具備:依據試料的攝像圖像,計算出特徵量的特徵量計算部、藉由削減前述特徵量的資訊量,生成潛在變數的圖像資訊削減部、依據前述潛在變數,推估正常的圖像可取得的圖像統計量的統計量推估部、依據前述圖像統計量與試料的檢查圖像,檢測出前述檢查圖像中的缺陷的缺陷檢測部。
Description
本發明係關於缺陷檢查裝置,例如針對缺陷或異物混入,使用圖像進行檢查的裝置。
半導體檢查使用透過掃描式電子顯微鏡(SEM:Scanning Electron Microscope)攝影的SEM圖像。作為先前的檢查方法,存在藉由半導體電路的設計資料與SEM圖像的比較,檢測出缺陷的Die-to-Database檢查。然而,伴隨半導體電路圖案的細微化,將依照設計的電路圖案形成於晶圓上一事逐漸變得困難,會發生電路的製造誤差。因此,因為像素比較所致之Die-to-Database檢查的雜訊及製造誤差而發生錯誤檢測,檢查性能的提升有其限度。
相對於此,專利文獻1中,揭示根據設計資料預測可從設計資料等之基準圖像,正常的電路圖案可取得之亮度值的機率分布,將具有從該亮度值的機率分布偏離之亮度值的檢查圖像的區域判定為缺陷的技術。
[先前技術文獻]
[專利文獻]
[專利文獻1]國際公開2020/250373號
[發明所欲解決之課題]
藉由分布比較,可進行應對微小之製造誤差及雜訊的檢查,在專利文獻1中該分布的推估需要設計資料。因此,檢查時無法使用設計資料的狀況中無法適用專利文獻1的手法。
作為不使用設計資料的檢查方法,存在比較與檢查圖像相同形狀且不同地點的圖像即參照圖像與檢查圖像,檢測出缺陷的Die-to-Die檢查。然而,Die-to-Die檢查也與Die-to-Database檢查相同,為像素比較,難應對雜訊,檢查性能的提升有其限度。包含未檢測的缺陷的半導體裝置在最終試驗等中實施的其他檢查而成為不良品,有良率降低的可能性。
本發明的目的係提供在檢查時不需使用設計資料,可應對雜訊及製造誤差的缺陷檢查裝置。
[用以解決課題之手段]
本發明的缺陷檢查裝置之一例,係具備:
特徵量計算部,係依據試料的攝像圖像,計算出特徵量;
圖像資訊削減部,係藉由削減前述特徵量的資訊量,生成潛在變數;
統計量推估部,係依據前述潛在變數,推估正常的圖像可取得的圖像統計量;及
缺陷檢測部,係依據前述圖像統計量與試料的檢查圖像,檢測出前述檢查圖像中的缺陷。
[發明的效果]
本發明的缺陷檢查裝置係在檢查時不需使用設計資料,可進行應對雜訊及製造誤差的檢查。
以下,依據添附圖式來說明本發明的實施方式。
[實施例1]
以下,針對本發明的實施例1的缺陷檢查裝置,使用圖1來進行說明。圖1係實施例1的缺陷檢查裝置的構造圖。缺陷檢查裝置例如可使用公知的電腦構成,具備運算手段及記憶手段。運算手段例如包含處理器,記憶手段例如包含半導體記憶體裝置及磁碟裝置等的記憶媒體。記憶媒體的一部分或全部作為非暫態(non-transitory)記憶媒體亦可。
又,缺陷檢查裝置具備輸出入手段亦可。輸出入手段例如包含鍵盤及滑鼠等的輸入裝置、顯示器及印表機等的輸出裝置、網路介面等的通訊裝置。
記憶手段記憶程式亦可。藉由處理器執行該程式,電腦執行本實施例中所說明的功能亦可。亦即,該程式讓電腦具有作為缺陷檢查裝置的功能亦可。
缺陷檢查裝置的記憶手段記憶參照圖像1及檢查圖像2、檢測結果15。參照圖像1及檢查圖像2分別為拍攝試料的特定地點的攝像圖像。在本實施例中,參照圖像1及檢查圖像2作為拍攝具有相同形狀或類似形狀之不同地點者為佳。
藉由缺陷檢查裝置的運算手段及記憶手段協力動作,構成特徵量計算部11、圖像資訊削減部12、統計量推估部13、缺陷檢測部14。特徵量計算部11、圖像資訊削減部12、統計量推估部13係藉由機器學習而學習了參數的學習模型。參數作為模型參數10而被記憶於缺陷檢查裝置的記憶手段。
特徵量計算部11係依據參照圖像1,計算出特徵量。特徵量計算部11例如可使用Convolutional Neural Network(CNN)之編碼器。特徵量是包含複數成分的量,具體形式可任意設計,但是,在本實施例中,特徵量設為具有a×b×c之大小的3層的張量。特徵量的各成分例如0以上1以下的實數。
圖像資訊削減部12係削減利用特徵量計算部11計算之特徵量的資訊量。於圖2揭示圖像資訊削減部12的構造。圖像資訊削減部12具備離散表示計算部21及潛在表示計算部22,記憶複數特徵向量23。對於特徵向量23,賦予用以識別各別的指標。指標藉由離散表示(例如整數)揭示。
特徵向量23為包含複數成分的量(但是,特徵向量的成分的個數不超過特徵量的成分的個數)。在本實施例中,特徵向量為a維的向量,亦即具有a個成分。特徵向量的各成分例如0以上1以下的實數。
離散表示計算部21係針對所輸入之特徵量的至少一部分,從特徵向量23中檢索出值類似者,以其特徵向量的指標之值置換特徵量。
在本實施例中,將具有a×b×c之大小的特徵量,分割成b×c個之a維的向量部分。針對各向量部分,依據其向量部分的成分之值,從成為候補的複數特徵向量23中,選擇1個特徵向量23(例如最類似的特徵向量)。然後,將其向量部分,以所選擇之特徵向量23的指標置換。
如此,針對特徵量以指標之值被置換者,在本說明書中以下稱為「離散化圖像」。離散化圖像可表示為由b×c個指標所成的量。
潛在表示計算部22係針對離散化圖像,嵌入對應各指標的特徵向量23。將對該離散化圖像嵌入特徵向量23者,在本說明書中以下稱為「潛在變數」。潛在變數為具有與原來的特徵量相同大小的張量。
如此,圖像資訊削減部12係藉由削減特徵量的資訊量,生成潛在變數。尤其,圖像資訊削減部12係藉由將特徵量的至少一部分以複數特徵向量23至少1個相關的指標(離散表示)進行置換,削減特徵量的資訊量。如此,可具體實現用以削減資訊量的處理。再者,用以削減資訊量的具體處理並不限於前述的範例,該發明所屬技術領域中具有通常知識者可適當設計。
統計量推估部13係依據潛在變數,推估正常的圖像可取得的圖像統計量。統計量推估部13例如可使用CNN之解碼器來構成。在本實施例中,圖像統計量藉由關於各像素之亮度值的機率分布來表示。亮度值的機率分布例如可藉由高斯分布表示,對應各個像素界定1個高斯分布。高斯分布例如可藉由其高斯分布的平均值及標準差來特定。以下,在本說明書中,有將該亮度值的機率分布稱為「亮度值分布」的情況。
在此,在特徵量計算部11、圖像資訊削減部12、統計量推估部13中,分別使用模型參數10執行前述的處理。特徵量計算部11及統計量推估部13分別為CNN的編碼器及解碼器時,被輸入至特徵量計算部11及統計量推估部13的模型參數10包含神經網路的加權。被輸入至圖像資訊削減部12的模型參數10包含特徵向量23的指標及值。
缺陷檢測部14係依據藉由統計量推估部13所推估之圖像統計量與檢查圖像2,檢測出檢查圖像2中的缺陷。例如針對檢查圖像2的各像素,判定其像素的亮度值是否在統計量推估部13所推估之亮度值分布的所定正常範圍內。然後,檢查圖像2中,作為缺陷而檢測出亮度值偏離正常範圍的像素所成的區域,將檢測結果15輸出給使用者。
針對上述的模型參數10的計算方法,一併使用圖3的構造圖與圖4的學習流程進行說明。
在圖3中,學習圖像3為拍攝晶圓上的任意場所的攝像圖像(例如SEM圖像),在本實施例中圖像中有試料的缺陷亦可,沒有亦可。針對該學習圖像3,關聯圖1如上述般,利用特徵量計算部11實施特徵量的計算(S101),利用圖像資訊削減部12實施特徵向量23的指標的置換(S102)及特徵向量的嵌入(S103),利用統計量推估部13實施亮度值分布的推估(S104)。
利用模型評鑑部31計算所推估之亮度值分布與學習圖像3的誤差(S105)。亦即,模型評鑑部31基於依據學習圖像3所推估之圖像統計量與原來的學習圖像3,評鑑誤差。例如,針對各像素,根據所推估之圖像統計量計算出所定比較對象值(例如高斯分布的平均值),可作為各個像素的誤差,計算出該比較對象值與學習圖像3之對應的像素的亮度值的差。然後,可將總和各像素的誤差的絕對值之值,或總和各像素的誤差的平方之值,設為所推估之亮度值分布與學習圖像3的誤差。
利用模型參數更新量計算部32計算如減低所得之誤差的模型參數的更新量(S106)。亦即,模型參數更新量計算部32係依據所得的誤差,計算出特徵量計算部11、圖像資訊削減部12、統計量推估部13之模型參數的更新量。該更新量的計算例如可使用隨機梯度下降法(stochastic gradient descent)。到達預先設定的規定次數為止重複進行該等S101至S106的處理(S107)。
圖5揭示該學習處理的之各步驟中生成的圖像的概略表現。於學習圖像301中以白色揭示半導體的電路部分。學習圖像301係在圖像中包含製造誤差所致之電路的畸變、雜訊,其會成為缺陷檢測的性能降低的原因。
針對該學習圖像301,藉由特徵量的計算(S101),特徵向量23的指標的置換(S102)生成削減了資訊量的離散化圖像302(概念性圖示)。針對該離散化圖像302,藉由特徵向量的嵌入(S103)、圖像統計量的推估(S104),推估圖像統計量303。再者,在圖5的圖像統計量303中,揭示所推估之各像素的亮度值分布的平均之值。
針對各學習圖像301,藉由以縮小圖像統計量303與學習圖像301的差之方式進行學習,可搜尋讓誤差最小化的模型參數10,可推估因應包含於學習圖像的電路圖案之貌似正確的亮度值分布。
針對本實施例的效果進行說明。本實施例係說明了以特徵向量置換圖像中的特徵量,根據被置換的潛在變數推估亮度值分布的手法。在該置換中,準備複數個特徵向量的候補,藉由從其候補中選擇的1個特徵向量置換特徵量的一部分(在本實施例中,該置換處理重複進行b×c次)。透過調整準備之特徵向量的候補數,可控制亮度值分布的推估所用之潛在變數的資訊量。
例如,透過將該特徵向量的候補數設定為較少,圖像資訊削減部12可刪除特徵量中如圖5所示般圖像中的雜訊及製造誤差相關的資訊,僅復原學習圖像中共通的電路圖案的特徵。藉此,可對應各個像素推估從參照圖像排除了製造誤差及雜訊的資訊之正常的電路圖像可取得之亮度值的機率分布。透過將具有從該機率分布偏離之亮度值的檢查圖像的區域判定為缺陷,可進行應對雜訊及製造誤差的缺陷檢查。特徵向量的數量從外部指定亦可,為了讓檢查性能最大化,藉由最佳化計算,自動搜尋亦可。
如此,本實施例的缺陷檢查裝置係在檢查時不需使用設計資料,可進行應對雜訊及製造誤差的檢查。
[實施例2]
以下,針對本發明的實施例2的缺陷檢查裝置,使用圖6來進行說明。以下內容中,關於與實施例1共通的部分,有省略說明的狀況。
作為實施例2與實施例1的不同,在實施例1中使用參照圖像1,但是,在實施例2中不使用參照圖像1,藉由與從檢查圖像2本身透過特徵量計算部11、圖像資訊削減部12、統計量推估部13所推估的亮度值分布的比較,偵測原來的檢查圖像2的缺陷。亦即,在實施例2中,成為計算特徵量的對象的攝像圖像為檢查圖像2。
於實施例2中,統計量推估部13係使用透過圖像資訊削減部12計算出的潛在變數,推估出讓檢查圖像2中有試料的缺陷的區域如正常的區域般復原的亮度值分布。藉由如此生成的亮度值分布與檢查圖像的比較,僅對檢查圖像作為輸入而檢查缺陷。
以下說明統計量推估部13針對推估出讓有缺陷的區域如正常的區域般復原的亮度值分布之方法進行學習的方法的範例。特徵量計算部11及統計量推估部13分別為CNN的編碼器及解碼器時,透過將CNN的層數設計為較多而擴大感受區,能實現亮度值分布的推估可使用周邊的特徵。此種構造對於重複並排相同圖案的電路圖案等有效。
針對本實施例的效果進行說明。在本實施例中,因為檢查圖像2的自身參照所致之檢查而不需要參照圖像,故可削減參照圖像的攝像所需的時間,提升檢查的處理量。
又,在檢查圖像2的自身參照中,可不受先前的Die-to-Die檢查、Die-to-Database檢查中成為性能降低的原因之影像品質相關的資訊(圖像中的畸變、亮度不均、散焦等)之變動的影響而檢查缺陷。亦即,圖像資訊削減部12係不刪除特徵量中之圖像中的畸變、亮度不均或散焦相關的資訊。
圖7揭示該檢查圖像與圖像統計量即亮度值分布的概略表現。檢查圖像401的右上在圖像中有亮度不均(以單點鏈線表示的區域)時,從檢查圖像401透過特徵量計算部11、圖像資訊削減部12、統計量推估部13推估的亮度值分布(作為圖像統計量402揭示平均值的範例)中,可一邊排除雜訊及製造誤差的資訊,一邊留下影響影像品質變動相關的特徵。藉由比較該亮度值分布與檢查圖像的檢查,可不受檢查圖像中的影像品質變動的影響而檢查缺陷。
[實施例3]
使用圖8說明本發明的實施例3的缺陷檢查裝置。以下內容中,關於與實施例1共通的部分,有省略說明的狀況。
作為實施例3與實施例1的不同,實施例1(圖3)中學習所使用的SEM圖像(學習圖像3)並不限於正常圖像,但是,實施例3中限定於不包含試料的缺陷的正常圖像4。又,在實施例3中,模型參數學習處理之圖像資訊削減部12(圖2)置換成擬似缺陷作成用圖像資訊削減部41。
圖9揭示擬似缺陷作成用圖像資訊削減部41的構造。擬似缺陷作成用圖像資訊削減部41除了圖像資訊削減部12的內部構造之外,再具備圖像資訊操作部42。
一併使用該圖8、圖9的構造圖與圖10的學習流程,說明模型參數的計算方法。
將正常圖像4作為學習圖像,利用特徵量計算部11計算特徵量(S101)。然後,依據正常圖像4的特徵量,利用離散表示計算部21,從複數特徵向量23的指標(離散表示)中,選擇1個特徵向量23的指標(第1離散表示),藉此生成離散化圖像(S102)。
利用圖像資訊操作部42變更該離散化圖像的指標之值(S201)。作為該變更方法,有將某指標之值隨機分配至離散化圖像中的方法、利用特定的指標嵌入隨機的區域的方法、將某區域複製至其他區域的方法等。
如此,擬似缺陷作成用圖像資訊削減部41係藉由將正常圖像4的特徵量的至少一部分以不同於所選擇的指標(第1離散表示)的指標(第2離散表示)進行置換,削減正常圖像4之特徵量的資訊量。
因應指標之值而嵌入特徵向量(S103),使用操作該指標之值的離散化圖像,與圖3、圖4同樣地推估亮度值分布(S104),並利用模型評鑑部31計算所推估之亮度值分布與正常圖像4的誤差(S105)。利用模型參數更新量計算部32計算如減低所得之誤差的模型參數的更新量(S106)。
圖11揭示該學習處理的之各步驟中生成的圖像的概略表現。藉由根據正常圖像501計算特徵量(S101),特徵向量23的指標的置換(S102),生成削減了資訊量的離散化圖像502(概念性圖示)。利用圖像資訊操作部42操作該離散化圖像502。
圖11的操作後離散化圖像503(概念性圖示)係使用將某指標之值隨機分配至離散化圖像中的方法的範例。該分配的指標是關於半導體的電路圖案的特徵時,從該操作後離散化圖像503推估的亮度值分布則為如圖像統計量504般放大電路圖案的特徵的擬似缺陷圖像。藉由以縮小該擬似缺陷圖像與正常圖像501的差之方式進行學習,可搜尋讓誤差最小化的模型參數10。
針對本實施例的效果進行說明。利用圖像資訊操作部42操作離散化圖像,生成再現某些缺陷的擬似缺陷圖像。透過搜尋讓該擬似缺陷圖像與正常圖像的差最小化的模型參數10,將該模型參數10使用於如圖1或圖6的檢查構造,可根據包含缺陷的檢查圖像,利用統計量推估部13更高精度地推估正常電路的攝像圖像可取得的亮度值分布。透過藉由該亮度值分布與檢查圖像2的比較而偵測出缺陷,可不需要參照圖像,可削減參照圖像的攝像所需的時間而提升檢查的處理量。
[實施例4]
使用圖12說明本發明的實施例4的缺陷檢查裝置。以下內容中,關於與實施例1共通的部分,有省略說明的狀況。
作為實施例4與實施例1的不同,實施例1中如圖3所示,統計量的推估及模型的評鑑使用相同學習圖像3,但是,實施例4中如圖12所示,根據包含試料的缺陷的缺陷圖像5來推估統計量,比較該統計量與不包含試料的缺陷的正常圖像4。
亦即,於實施例1及實施例4的任一中,模型評鑑部31都可依據基於試料的攝像圖像即第1學習圖像所推估的圖像統計量,與試料的攝像圖像即第2學習圖像,評鑑誤差。但是,在實施例1中,第1學習圖像及第2學習圖像為相互相同的圖像(亦即學習圖像3),但是,在實施例4中,第1學習圖像為包含試料的缺陷的缺陷圖像5,第2學習圖像為正常的試料的正常圖像4。
藉由以縮小從缺陷圖像5透過特徵量計算部11、圖像資訊削減部12、統計量推估部13所推估之亮度值分布與正常圖像4的差之方式進行學習,透過搜尋讓誤差最小化的模型參數10,將該模型參數10使用於如圖1或圖6的檢查構造,可根據包含缺陷的檢查圖像,利用統計量推估部13推估並檢查正常電路的攝像圖像可取得的亮度值分布。
尤其,在可取得缺陷圖像與拍攝具有相同圖案之其他地點的正常圖像的組合時,本實施例(圖12)的構造所致之模型參數10的搜尋為佳。再者,此種組合難以取得時,也有實施例1(圖3)的構造所致之模型參數10的搜尋為佳的情況。
[實施例5]
使用圖13說明本發明的實施例5的缺陷檢查裝置。以下內容中,關於與實施例1共通的部分,有省略說明的狀況。
作為實施例5與實施例1的不同,實施例5中,缺陷檢查裝置再具備圖案位置適合部51。圖案位置適合部51係藉由針對參照圖像1的圖像統計量,對於參照圖像1進行對位,將從統計量推估部13推估的亮度值分布中的電路位置對合於檢查圖像來進行修正。作為該修正方法使用一般之圖像處理的圖案匹配的手法亦可,使用深度學習,事前學習因應電路圖案的偏離量亦可。透過比較修正了位置後的亮度值分布與檢查圖像2而檢查缺陷。
針對本實施例的效果進行說明。透過圖像資訊削減部12中讓參照圖像1的特徵量離散化以削減資訊時,有半導體電路的位置相關的資訊也會失去一部分的情況。透過利用圖案位置適合部51修正該位置資訊的消失所致之亮度值分布的位置偏離,可提升檢查性能。
[其他實施例]
在前述各實施例中,已以半導體的缺陷檢查為例進行說明,但是,其他產業機器之使用圖像的缺陷檢查及異物偵測也可適用各實施例的缺陷檢查裝置。
1:參照圖像(攝像圖像)
2:檢查圖像(攝像圖像)
3:學習圖像(第1學習圖像,第2學習圖像)
4:正常圖像(第1學習圖像,第2學習圖像)
5:缺陷圖像(第1學習圖像)
10:模型參數
11:特徵量計算部
12:圖像資訊削減部
13:統計量推估部
14:缺陷檢測部
15:檢測結果
21:離散表示計算部
22:潛在表示計算部
23:特徵向量
31:模型評鑑部
32:模型參數更新量計算部
41:擬似缺陷作成用圖像資訊削減部
42:圖像資訊操作部
51:圖案位置適合部
301:學習圖像
302:離散化圖像
303:圖像統計量
401:檢查圖像
402:圖像統計量
501:正常圖像
502:離散化圖像
503:操作後離散化圖像
504:圖像統計量
[圖1]本發明的實施例1的缺陷檢查裝置的構造圖。
[圖2]實施例1的圖像資訊削減部的構造圖。
[圖3]實施例1的模型參數學習的構造圖。
[圖4]揭示實施例1的模型參數學習之處理流程的圖。
[圖5]揭示實施例1的模型參數學習之各步驟中生成的圖像的示意圖。
[圖6]本發明的實施例2的缺陷檢查的構造圖。
[圖7]揭示實施例2之被推估的亮度值分布的示意圖。
[圖8]本發明的實施例3的模型參數學習的構造圖。
[圖9]實施例3的擬似缺陷作成用圖像資訊削減部的構造圖。
[圖10]揭示實施例3的模型參數學習之處理流程的圖。
[圖11]揭示實施例3的模型參數學習之各步驟中生成的圖像的示意圖。
[圖12]本發明的實施例4的模型參數學習的構造圖。
[圖13]本發明的實施例5的缺陷檢查裝置的構造圖。
1:參照圖像
2:檢查圖像
10:模型參數
11:特徵量計算部
12:圖像資訊削減部
13:統計量推估部
14:缺陷檢測部
15:檢測結果
Claims (10)
- 一種缺陷檢查裝置,其特徵為具備: 特徵量計算部,係依據試料的攝像圖像,計算出特徵量; 圖像資訊削減部,係藉由削減前述特徵量的資訊量,生成潛在變數; 統計量推估部,係依據前述潛在變數,推估正常的圖像可取得的圖像統計量;及 缺陷檢測部,係依據前述圖像統計量與試料的檢查圖像,檢測出前述檢查圖像中的缺陷。
- 如請求項1所記載之缺陷檢查裝置,其中, 前述攝像圖像為前述檢查圖像。
- 如請求項1所記載之缺陷檢查裝置,其中, 前述圖像資訊削減部,係藉由將前述特徵量的至少一部分以複數離散表示中至少1個離散表示進行置換,削減前述特徵量的資訊量。
- 如請求項1所記載之缺陷檢查裝置,其中, 前述特徵量計算部、前述圖像資訊削減部、及前述統計量推估部,係藉由機器學習而學習了參數的學習模型; 前述缺陷檢查裝置,係具備: 模型評鑑部,係依據基於試料的攝像圖像即第1學習圖像所推估的前述圖像統計量,與試料的攝像圖像即第2學習圖像,評鑑誤差;及 模型參數更新量計算部,係依據前述誤差,計算出前述特徵量計算部、前述圖像資訊削減部、前述統計量推估部之模型參數的更新量。
- 如請求項4所記載之缺陷檢查裝置,其中, 前述圖像資訊削減部,係依據前述第1學習圖像的特徵量,從複數離散表示中選擇第1離散表示, 藉由將前述第1學習圖像的前述特徵量的至少一部分以不同於前述第1離散表示的第2離散表示進行置換,削減前述第1學習圖像之特徵量的資訊量。
- 如請求項1所記載之缺陷檢查裝置,其中,具備: 圖案位置適合部,係針對前述攝像圖像的前述圖像統計量,對於前述攝像圖像進行對位。
- 如請求項1所記載之缺陷檢查裝置,其中, 前述圖像資訊削減部,係刪除前述特徵量中之圖像中的雜訊及製造誤差相關的資訊。
- 如請求項1所記載之缺陷檢查裝置,其中, 前述圖像資訊削減部,係不刪除前述特徵量中之圖像中的畸變、亮度不均或散焦相關的資訊。
- 如請求項4所記載之缺陷檢查裝置,其中, 前述第1學習圖像及前述第2學習圖像,係相互相同的圖像。
- 如請求項4所記載之缺陷檢查裝置,其中, 前述第1學習圖像為包含試料的缺陷的圖像,前述第2學習圖像為正常的試料的圖像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-094797 | 2022-06-13 | ||
JP2022094797A JP2023181587A (ja) | 2022-06-13 | 2022-06-13 | 欠陥検査装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202349288A true TW202349288A (zh) | 2023-12-16 |
Family
ID=89076677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112118519A TW202349288A (zh) | 2022-06-13 | 2023-05-18 | 缺陷檢查裝置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230402249A1 (zh) |
JP (1) | JP2023181587A (zh) |
KR (1) | KR20230171378A (zh) |
CN (1) | CN117233192A (zh) |
TW (1) | TW202349288A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021199227A1 (ja) * | 2020-03-31 | 2021-10-07 | 株式会社日立ハイテク | エラー要因の推定装置及び推定方法 |
WO2022059135A1 (ja) * | 2020-09-17 | 2022-03-24 | 株式会社日立ハイテク | エラー要因の推定装置及び推定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113994368A (zh) | 2019-06-13 | 2022-01-28 | 株式会社日立高新技术 | 图像处理程序、图像处理装置以及图像处理方法 |
-
2022
- 2022-06-13 JP JP2022094797A patent/JP2023181587A/ja active Pending
-
2023
- 2023-05-16 US US18/318,300 patent/US20230402249A1/en active Pending
- 2023-05-17 CN CN202310557221.8A patent/CN117233192A/zh active Pending
- 2023-05-18 TW TW112118519A patent/TW202349288A/zh unknown
- 2023-05-18 KR KR1020230064151A patent/KR20230171378A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
JP2023181587A (ja) | 2023-12-25 |
CN117233192A (zh) | 2023-12-15 |
KR20230171378A (ko) | 2023-12-20 |
US20230402249A1 (en) | 2023-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10754309B2 (en) | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow | |
KR102513717B1 (ko) | 픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용 | |
TW202349288A (zh) | 缺陷檢查裝置 | |
US11275361B2 (en) | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process | |
US8175737B2 (en) | Method and apparatus for designing and integrated circuit | |
US11315231B2 (en) | Industrial image inspection method and system and computer readable recording medium | |
US7266232B2 (en) | Apparatus and method for inspecting pattern | |
US7558419B1 (en) | System and method for detecting integrated circuit pattern defects | |
KR20180095715A (ko) | 웨이퍼 이미지 데이터와 함께 설계 데이터를 사용하는 반도체 웨이퍼 검사기들의 결함 감도 개선 | |
JP6529590B2 (ja) | ウェハにおける臨界寸法問題及びパターン不良の干渉法を用いた予測及び制御 | |
US20150346610A1 (en) | Aerial mask inspection based weak point analysis | |
KR20220100673A (ko) | 컨볼루션 컨텍스트 속성을 사용한 반도체 결함 발견 | |
KR20220143644A (ko) | 시편의 검사를 위한 결함 위치의 결정 | |
JPH11231507A (ja) | マスクの検査方法及びマスクの検査装置 | |
CN110763696A (zh) | 用于晶圆图像生成的方法和系统 | |
US10503078B2 (en) | Criticality analysis augmented process window qualification sampling | |
JP6668199B2 (ja) | マスク検査方法 | |
WO2019006222A1 (en) | SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS | |
JP2009139166A (ja) | 画像欠陥検査方法および画像欠陥検査装置 | |
KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 | |
JP3652589B2 (ja) | 欠陥検査装置 | |
KR101297207B1 (ko) | 반도체용 웨이퍼 결함 검사방법 | |
TWI845970B (zh) | 檢查裝置及計測裝置 | |
JP2019139104A (ja) | パターン検査方法およびパターン検査装置 | |
CN117111414B (zh) | 一种光刻图像的在线自动生成方法 |