TW202405967A - 基於脈絡之缺陷檢測 - Google Patents
基於脈絡之缺陷檢測 Download PDFInfo
- Publication number
- TW202405967A TW202405967A TW112112367A TW112112367A TW202405967A TW 202405967 A TW202405967 A TW 202405967A TW 112112367 A TW112112367 A TW 112112367A TW 112112367 A TW112112367 A TW 112112367A TW 202405967 A TW202405967 A TW 202405967A
- Authority
- TW
- Taiwan
- Prior art keywords
- sample
- detection system
- data
- context
- classifier
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 27
- 230000007547 defect Effects 0.000 title claims description 30
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 238000012634 optical imaging Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims description 96
- 238000000034 method Methods 0.000 claims description 62
- 238000010586 diagram Methods 0.000 claims description 32
- 238000013461 design Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 8
- 239000000758 substrate Substances 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 claims 1
- 238000005286 illumination Methods 0.000 description 34
- 230000003287 optical effect Effects 0.000 description 16
- 239000004065 semiconductor Substances 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000011065 in-situ storage Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000011066 ex-situ storage Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 229920002120 photoresistant polymer Polymers 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- GPXJNWSHGFTCBW-UHFFFAOYSA-N Indium phosphide Chemical compound [In]#P GPXJNWSHGFTCBW-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
揭示一種基於脈絡之檢測系統。該系統可包含一光學成像子系統。該系統可進一步包含通訊地耦合至該光學成像系統之一或多個控制器。該一或多個控制器可經組態以：接收一或多個參考影像；接收一樣本之一或多個測試影像；在檢測執行時間期間使用一非監督式分類器產生一或多個概率脈絡圖；在該檢測執行時間期間將該經產生之一或多個概率脈絡圖提供至一監督式分類器；及將該監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個所關注缺陷(DOI)。
Description
本發明大體上係關於缺陷檢測且更特定言之，係關於基於脈絡之缺陷檢測。
通常在半導體製造程序中使用檢測系統以識別可導致一經製造裝置之效能降級或失效之製造程序之缺陷。愈來愈複雜之結構導致必須監測且控制以維持裝置完整性之參數之數目增加。習知偵測技術需要相當多的專業知識來有效地操作。因而，隨著參數之數目增加，一檢測配方之品質在很大程度上取決於操作者設定其之技能及經驗。
因此，需要開發用於解決上文之缺陷之系統及方法。
根據本發明之一或多項實施例，揭示一種基於脈絡之檢測系統。在實施例中，該系統包含一或多個控制器，該一或多個控制器包含用於執行儲存於記憶體中之程式指令之一或多個處理器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一或多個參考影像。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器在檢測執行時間期間使用一非監督式分類器產生一或多個概率脈絡圖。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器在該檢測執行時間期間將該經產生之一或多個概率脈絡圖提供至一監督式分類器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
根據本發明之一或多項實施例，揭示一種系統。在實施例中，該系統包含一光學成像子系統。在實施例中，該系統包含通訊地耦合至該光學成像子系統之一或多個控制器。在實施例中，該一或多個控制器包含用於執行儲存於記憶體中之程式指令之一或多個處理器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一或多個參考影像。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器在檢測執行時間期間使用一非監督式分類器產生一或多個概率脈絡圖。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器在該檢測執行時間期間將該經產生之一或多個概率脈絡圖提供至一監督式分類器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
根據本發明之一或多項實施例，揭示一種基於脈絡之檢測系統。在實施例中，該系統包含一或多個控制器，該一或多個控制器包含用於執行儲存於記憶體中之程式指令之一或多個處理器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收來自一特性化子系統之自一樣本獲取之經驗資料。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收來自一設計分解資料庫之設計分解資料。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器在檢測執行時間之前基於該經接收經驗資料及來自該設計資料庫之該經接收資料產生一或多個概率脈絡圖。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該經產生之一或多個概率脈絡圖儲存於該記憶體中。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一或多個參考影像。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收該樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器自該記憶體擷取該經儲存之一或多個概率脈絡圖。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該一或多個概率脈絡圖提供至一監督式分類器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
根據本發明之一或多項實施例，揭示一種系統。在實施例中，該系統包含一光學成像子系統。在實施例中，該系統包含通訊地耦合至該光學成像子系統之一或多個控制器。在實施例中，該一或多個控制器包含用於執行儲存於記憶體中之程式指令之一或多個處理器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收來自一特性化子系統之自一樣本獲取之經驗資料。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收來自一設計分解資料庫之設計分解資料。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器在檢測執行時間之前基於該經接收經驗資料及來自該設計資料庫之該經接收資料產生一或多個概率脈絡圖。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該經產生之一或多個概率脈絡圖儲存於該記憶體中。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一或多個參考影像。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收該樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器自該記憶體擷取該經儲存之一或多個概率脈絡圖。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該一或多個概率脈絡圖提供至一監督式分類器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該經訓練監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
根據本發明之一或多項實施例，揭示一種基於脈絡之檢測系統。在實施例中，該系統包含一或多個控制器，該一或多個控制器包含用於執行儲存於記憶體中之程式指令之一或多個處理器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收來自一特性化子系統之經驗資料。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器在檢測執行時間之前基於該經接收經驗資料產生一或多個脈絡圖。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器基於該經產生之一或多個脈絡圖及一組經標記訓練影像訓練一監督式分類器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一或多個參考影像。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該經訓練監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
根據本發明之一或多項實施例，揭示一種系統。在實施例中，該系統包含一光學成像子系統。在實施例中，該系統包含通訊地耦合至該光學成像子系統之一或多個控制器。在實施例中，該一或多個控制器包含用於執行儲存於記憶體中之程式指令之一或多個處理器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收來自一特性化子系統之經驗資料。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器在檢測執行時間之前基於該經接收經驗資料產生一或多個脈絡圖。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器基於該經產生之一或多個脈絡圖及一組經標記訓練影像訓練一監督式分類器。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一或多個參考影像。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器接收一樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)。在實施例中，該一或多個程式指令經組態以引起該一或多個處理器將該經訓練監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
應理解，前文概述及下文詳細描述兩者僅係例示性及說明性的且未必限制如主張之本發明。併入本說明書中且構成本說明書之一部分之隨附圖式繪示本發明之實施例且與概述一起用於解釋本發明之原理。
相關申請案之交叉參考
本申請案根據35 U.S.C. § 119(e)規定主張2022年3月31日申請之美國臨時申請案第63/326,268號及2023年2月3日申請之美國臨時申請案第63/443,050號之權利，該兩個案之全文以引用的方式併入本文中。
現將詳細參考在隨附圖式中繪示之所揭示標的物。已關於某些實施例及其等之特定特徵特別展示且描述本發明。將本文中闡述之實施例視為闡釋性而非限制性。一般技術者應容易瞭解，可作出形式及細節上之各種改變及修改而不脫離本發明之精神及範疇。
本發明之實施例係關於用於基於脈絡之缺陷檢測之系統及方法。
半導體裝置通常係使用一系列程序步驟製造，諸如(但不限於)程序層及/或光阻劑之沈積、使用一所要圖案之光阻劑曝光、光阻劑及/或下伏程序層之蝕刻、拋光或類似者。此等程序之任一者之變動可單獨或組合導致經製造樣本特徵之變動。在一般意義上，一些樣本變動可係可接受的且被視為擾亂點，而其他樣本變動可導致不可接受效能降級或裝置失效且被視為所關注缺陷(DOI)。
可在選定程序步驟之後使用檢測工具以針對缺陷檢測一樣本。例如，一檢測工具可在一特定程序步驟之後產生一樣本之一檢測影像。接著通常比較此一檢測影像與一參考影像以識別缺陷，其中缺陷與檢測與參考影像之間之差異相關。例如，可自檢測影像減去參考影像以產生一差異影像，其中差異影像中之特徵對應於樣本變動。接著可將此等樣本變動分類為DOI或擾亂點。雖然已開發各種類型之檢測工具，但歸因於相對高處理能力，基於使用一光源之照明產生一影像之光學檢測工具普遍用於在線檢測。
本發明之一些實施例係關於用於基於脈絡資料開發用於光學檢測之一檢測配方之方法。例如，開發一檢測配方可包含(但不限於)產生脈絡圖，如將進一步論述。在以下專利中大體上論述檢測配方產生：2011年1月25日發佈之標題為Systems and methods for creating inspection recipes之美國專利第7,877,722號；2012年2月28日發佈之標題為Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions之美國專利第8,126,255號；2013年12月17日發佈之標題為Semiconductor device property extraction, generation, visualization, and monitoring methods之美國專利第8,611,639號；及2016年2月16日發佈之標題為Inspection recipe setup from reference image variation之美國專利第9,262,821號，該等專利之各者之全文以引用的方式併入本文中。
更特定言之，本發明之實施例係關於用於產生可使用樣本相依脈絡資料(即，與經檢測樣本相關之資料)產生之樣本特定脈絡圖之系統及方法，其中經產生之樣本特定像素級概率脈絡圖可饋送至用作用於偵測DOI之主要偵測機制之一監督式分類器。在此方面，樣本特定脈絡圖可為基於自經檢測樣本獲取之資料添加至主要偵測階段(例如，監督式分類器)之一通道以改良靈敏度，減小樣本大小且緩解遺漏一單一偵測機制(例如，深度學習模型)不理解之新穎缺陷類型之風險。在以下專利中大體上論述使用機器學習之缺陷偵測：2023年1月10日發佈之標題為Learnable defect detection for semiconductor applications之美國專利第11,551,348號；及2019年7月9日發佈之標題為Systems and methods incorporating a neural network and a forward physical model for semiconductor applications之美國專利第10,346,740號，該兩個案之全文以引用的方式併入本文中。
本發明之一些實施例係關於用於在檢測執行時間期間產生原位樣本特定脈絡圖之系統及方法，其中原位樣本特定脈絡圖被饋送至監督式分類器。例如，原位樣本特定脈絡圖可至少使用一非監督式分類器產生。
可在本發明之精神及範疇內使用任何適合非監督式分類器。在一些實施例中，非監督式分類器包含一神經網路(例如，一非監督式神經網路)。例如，一神經網路可產生各像素可被分類為背景及缺陷類別之概率。以此方式，神經網路之輸出可實質上具有與其他技術相同之類型(例如，基於點雲之軟性叢集化，或類似者)。在一些實施例中，非監督式分類器包含一軟性叢集化技術，諸如(但不限於)高斯混合模型化。例如，可使用檢測影像產生一點雲，其中軟性叢集化技術產生各像素(或所關注樣本上之相關聯位置)可被分類為一特定類別(例如，背景或缺陷)之概率。
本發明之一些實施例係關於用於在檢測執行時間之前產生非原位樣本特定脈絡圖之系統及方法，其中非原位樣本特定脈絡圖在執行時間之前被儲存且接著在檢測執行時間期間被饋送至監督式分類器。例如，可在檢測之前基於一資料庫及自待檢測樣本獲得之經驗資料產生非原位脈絡圖。
可在本發明之精神及範疇內使用任何適合資料庫。在一些實施例中，資料庫包含一幾何圖案中心資料庫，該幾何圖案中心資料庫包含以程序度量衡資料(例如，微影焦點、微影劑量、臨界尺寸、疊對及類似者)為條件之產品特定圖案之行為。在一些實施例中，資料庫包含一圖案化模擬資料庫，該圖案化模擬資料庫包含以程序條件為條件之圖案形狀概率。
本發明之一些實施例係關於用於產生可用於訓練一監督式分類器之脈絡圖之系統及方法。例如，脈絡圖可在檢測執行時間之前基於經驗資料產生且用於訓練一監督式分類器，其中監督式分類器可經組態以基於經產生脈絡圖執行主要偵測。例如，樣本特定脈絡圖可基於來自一度量衡工具、一檢測工具或一程序工具之樣本相依脈絡資料產生。在此方面，可使用經產生脈絡圖訓練監督式分類器直至監督式分類器經充分訓練以用於未包含於訓練程序中之一樣本之缺陷偵測。
可在本發明之精神及範疇內使用任何適合度量衡工具。在一些實施例中，度量衡工具包含但不限於一光學度量衡工具、一電子射束(e-beam)度量衡工具、一基於x射線之度量衡工具、一基於光譜學之度量衡工具或類似者。
可在本發明之精神及範疇內使用任何適合檢測工具。在一些實施例中，檢測工具包含一基於影像之檢測工具。例如，基於影像之檢測工具可包含用於執行基於脈絡之檢測之相同檢測工具。
可在本發明之精神及範疇內使用任何適合程序工具。在一些實施例中，程序工具包含一掃描器。
現參考圖1A至圖7，根據本發明之一或多項實施例更詳細描述用於基於脈絡之檢測之系統及方法。
圖1A係根據本發明之一或多項實施例之一基於脈絡之檢測系統100之一方塊圖。
在實施例中，檢測系統100包含經組態以產生一樣本104之一或多個影像之一或多個光學成像子系統102 (例如，光學成像工具)，其中一或多個光學成像子系統102可組態以對樣本104成像。例如，一光學成像子系統102可包含經組態以使用來自一照明源110之照明108照明樣本104之一照明子系統106及經組態以使用一偵測器116回應於自樣本發出之光(例如，樣本光114)而產生樣本104之一影像之一集光子系統112。
樣本104可包含由一半導體或非半導體材料形成之一基板(例如，一晶圓或類似者)。例如，一半導體或非半導體材料可包含(但不限於)單晶矽、砷化鎵及磷化銦。樣本可進一步包含一遮罩、一透鏡(例如，一超透鏡)、一倍縮光罩或由一半導體或非半導體材料形成之類似者。樣本104可進一步包含安置於基板上之一或多個層。例如，此等層可包含(但不限於)一抗蝕劑、一介電材料、一導電材料及一半導電材料。許多不同類型之此等層在此項技術中已知，且如本文中使用之術語樣本旨在涵蓋其上可形成全部類型之此等層之一樣本。形成於一樣本上之一或多個層可經圖案化或未經圖案化。例如，一樣本可包含各具有可重複圖案化特徵之複數個晶粒。此等材料層之形成及處理最終可導致完成裝置。許多不同類型之裝置可形成於一樣本上，且如本文中使用之術語樣本旨在涵蓋在其上製造此項技術中已知之任何類型之裝置之一樣本。
光學成像子系統102可使用此項技術中已知之任何技術產生樣本104之一或多個影像。在一些實施例中，光學成像子系統102係一光學成像子系統102，其中照明源110係經組態以依光之形式產生照明108之一光學源，且其中集光子系統112基於自樣本104發出之光對樣本104成像。圖1B係根據本發明之一或多項實施例之一光學檢測系統100之一簡化示意圖。
照明源110可包含此項技術中已知之適用於產生可呈一或多個照明射束之形式之一光學照明108之任何類型之照明源。此外，照明108可具有任何光譜，諸如(但不限於)極紫外光(EUV)波長、紫外光(UV)波長、可見光波長或紅外光(IR)波長。此外，照明源110可為一寬頻源、一窄頻源及/或一可調諧源。
在實施例中，照明源110包含一寬頻電漿(BBP)照明源。在此方面，照明108可包含由一電漿發射之輻射。例如，一BBP照明源110可包含(但不需要包含)一或多個泵浦源(例如，一或多個雷射)，其經組態以聚焦至一氣體體積中，從而引起能量由氣體吸收以便產生或維持適用於發射輻射之一電漿。此外，電漿輻射之至少一部分可用作照明108。
在實施例中，照明源110可包含一或多個雷射。例如，照明源110可包含此項技術中已知之能夠發射在電磁光譜之紅外光、可見光或紫外光部分中之輻射之任何雷射系統。
照明源110可進一步產生具有任何時間輪廓之照明108。例如，照明源110可產生連續波(CW)照明108、脈衝照明108或經調變照明108。另外，照明108可經由自由空間傳播或導引光(例如，一光纖、一光導管或類似者)自照明源110遞送。
照明子系統106及/或光學成像子系統102可包含用於將照明108引導至樣本104之各種組件，諸如(但不限於)透鏡118、鏡或類似者。此外，此等組件可為反射性元件或透射性元件。以此方式，圖1B中將透鏡118描繪為透射性元件僅係闡釋性的且非限制性。照明子系統106可進一步包含用於修改及/或調節相關聯光學路徑中之光之一或多個光學元件120，諸如(但不限於)一或多個偏光器、一或多個濾波器、一或多個射束分裂器、一或多個漫射器、一或多個均質器、一或多個變跡器或一或多個射束塑形器。
在實施例中，檢測系統100包含用於在成像期間固定及/或定位樣本104之一平移載物台122。例如，平移載物台122可包含線性致動器、旋轉致動器或角度致動器之任何組合以使用任何數目之自由度定位樣本104。
光學成像子系統102可包含用於收集樣本光114之至少一部分且將樣本光114之至少一部分引導至一偵測器116以用於產生一影像之各種組件。
檢測系統100可使用此項技術中已知之任何技術對樣本104進一步成像。在一些實施例中，檢測系統100在一掃描模式中藉由以下步驟產生樣本104之一影像：將照明108聚焦至樣本104上作為一光點或一線；捕獲一點或線影像；及掃描樣本104以建立二維影像。在此組態中，掃描可藉由(例如，使用平移載物台122)相對於照明108移動樣本104，藉由(例如，使用可致動鏡或類似者)相對於樣本104移動照明108或其等之一組合而達成。在一些實施例中，檢測系統100在一靜態模式中藉由在二維視場中將照明108引導至樣本104且直接使用偵測器116捕獲二維影像而產生樣本104之一影像。
由檢測系統100產生之一影像可為此項技術中已知之任何類型之影像，諸如(但不限於)一明場影像、一暗場影像、一相位對比度影像或類似者。此外，可將影像拼接在一起以形成樣本104或其之一部分之一複合影像。
偵測器116可包含此項技術中已知之適用於量測樣本光114之任何類型之感測器。例如，一偵測器116可包含一多像素感測器，諸如(但不限於)一電荷耦合裝置(CCD)、一互補金屬氧化物半導體(CMOS)裝置、一線感測器或一延時積分(TDI)感測器。作為另一實例，一偵測器116可包含兩個或更多個單像素感測器，諸如(但不限於)一光電二極體、一崩潰光電二極體、一光電倍增管或一單光子偵測器。
在實施例中，檢測系統100包含一控制器124。控制器124可包含經組態以執行維持於一記憶體128 (例如，一記憶體媒體)上之程式指令之一或多個處理器126。在此方面，控制器124之一或多個處理器126可執行貫穿本發明描述之各種程序步驟之任一者。
再次參考圖1A，在實施例中，基於脈絡之檢測系統100可通訊地耦合至一離線控制器130。離線控制器130可包含經組態以執行維持於一記憶體134 (例如，一記憶體媒體)上之程式指令之一或多個處理器132。在此方面，控制器130之一或多個處理器132可執行貫穿本發明描述之各種程序步驟之任一者。例如，如本文中將進一步描述，離線控制器130可經組態以產生一或多個脈絡圖。藉由另一實例，離線控制器130可經組態以基於經產生脈絡圖訓練儲存於記憶體134中之一監督式分類器。
一控制器124、130之一或多個處理器126、132可包含此項技術中已知之任何處理元件。在此意義上，一或多個處理器126、132可包含經組態以執行演算法及/或指令之任何微處理器類型裝置。在一項實施例中，一或多個處理器126可由一桌上型電腦、主機電腦系統、工作站、影像電腦、平行處理器或經組態以執行一程式(其經組態以操作檢測系統100)之任何其他電腦系統(例如，網路連結電腦)組成，如貫穿本發明所描述。應進一步認知，術語「處理器」可經廣泛定義以涵蓋具有執行來自一非暫時性記憶體128、134之程式指令之一或多個處理元件之任何裝置。
記憶體128、134可包含此項技術中已知之適用於儲存可由相關聯之一或多個處理器126、132執行之程式指令之任何儲存媒體。例如，記憶體128、134可包含一非暫時性記憶體媒體。藉由另一實例，記憶體128、134可包含(但不限於)一唯讀記憶體、一隨機存取記憶體、一磁性或光學記憶體裝置(例如，磁碟)、一磁帶、一固態硬碟及類似者。應進一步注意，記憶體128可與一或多個處理器126一起容置於一共同控制器外殼中。在一項實施例中，記憶體128、134可相對於一或多個處理器126、132及控制器124、130之實體位置遠端定位。例如，控制器124、130之一或多個處理器126、132可存取可透過一網路(例如，網際網路、內部網路及類似者)存取之一遠端記憶體(例如，伺服器)。因此，上文描述不應解譯為對本發明之一限制而僅為一圖解。
圖2繪示描繪根據本發明之一或多項實施例之用於使用一原位產生之概率脈絡圖執行基於脈絡之檢測之一方法200之一流程圖。申請者應注意，本文中先前在檢測系統100之背景內容中描述之實施例及實現技術應被解譯為擴展至方法200。然而，應進一步注意，方法200不限於檢測系統100之架構。
在步驟202中，可接收一或多個參考影像。例如，控制器124可經組態以接收來自光學成像子系統102之一或多個參考影像。藉由另一實例，控制器124可經組態以接收來自一額外光學成像子系統之一或多個參考影像。
一或多個參考影像可表示一理想或參考。可使用任何適合技術產生此一參考影像。例如，可使用一參考區之一單一影像產生一參考影像，該參考區具有與測試區共同之一設計且已知或預期無缺陷。藉由另一實例，可藉由組合(例如，平均化或類似者)多個參考區之多個影像而產生一參考影像。
在步驟204中，可接收一或多個測試影像。例如，控制器124可經組態以接收來自光學成像子系統102之一或多個測試影像。一或多個測試影像可包含樣本上之各種圖案化特徵。在一些實施例中，一或多個測試影像包含一或多個DOI。
在步驟206中，產生一或多個原位概率脈絡圖。例如，在檢測執行時間期間，控制器124可經組態以產生一或多個原位概率圖。
圖3繪示描繪根據本發明之一或多項實施例之用於產生一或多個原位產生之概率脈絡圖之方法300之一程序流程圖。
在步驟302中，可基於經接收測試影像產生目標脈絡資料且將目標脈絡資料提供至一非監督式分類器。例如，控制器124可經組態以執行輸入移位以基於經接收測試影像產生目標脈絡資料。例如，控制器124可經組態以自經接收測試影像移除一部分，其中經移除部分可對應於測試影像上之一缺陷。
在選用步驟304中，可將參考影像提供至非監督式分類器。
在步驟306中，可使用非監督式分類器產生一或多個經產生參考影像。
例如，使用非監督式分類器，控制器124可經組態以產生一或多個經產生參考影像307。為了本發明之目的，步驟306之「經產生參考影像」不同於在步驟202中接收之參考影像，除非本文中另外指出。
在實施例中，非監督式分類器經組態以基於目標脈絡資料(來自步驟302)及在一些情況中，經接收參考影像(來自一選用步驟304)產生一或多個經產生參考影像(即，「TestRef」影像)。例如，非監督式分類器可針對經產生參考影像(「TestRef」影像)之強度輸出高斯混合模型(GMM)參數以與來自經接收測試影像(來自步驟204) (「TestActual」影像)之實際經觀察像素309比較。
在步驟308中，可計算一熵分數及負對數似然(NLL)分數。例如，可將熵分數計算為每像素之預期負對數似然(NLL)，其可藉由對給定像素之GMM參數之全部可能強度值進行積分而計算。
可藉由比較來自非監督式分類器之經產生測試參考影像(「TestRef」)與測試實際影像(「TestActual」)而計算負對數似然(NLL)分數。例如，控制器124可經組態以基於脈絡資料及參考影像計算NLL分數，如由方程式1展示且描述：
(1)
其中
係在給定以下提示之情況下之參數概率密度：目標脈絡及參考影像。預期最大化演算法可接著調整概率模型之參數以在給定以下提示之情況下最大化相關聯資料之
：目標脈絡及參考影像。
在步驟310中，可基於熵分數及NLL分數產生經產生之一或多個概率脈絡圖(或分數圖) 311。例如，來自步驟308之熵分數可用於藉由減去預期值而正規化NLL分數以產生一或多個概率脈絡圖(或分數圖)。
返回參考圖2，在步驟208中，可將經產生之一或多個概率脈絡圖提供至監督式分類器。例如，控制器124可經組態以在檢測執行時間期間將經產生之一或多個概率脈絡圖(或分數圖)提供至監督式分類器。應注意，饋送至監督式分類器之脈絡圖(或分數圖)係缺陷性之一量測。由分數圖提供之提示將授權所需之經標記訓練資料之大小減小大於兩個數量級，此係因為已執行剔除絕大多數正常變動之負擔。
監督式分類器可包含任何類型之深度學習分類器或演算法，包含(但不限於)一深度卷積神經網路(CNN)或類似者。例如，監督式分類器可包含一監督式鑑別CNN。
在監督式學習之背景內容中，訓練影像可包含假陽性或真陰性之影像。控制器124可進一步經組態以將訓練影像及監督式分類器儲存於記憶體128中。
在步驟210中，可將監督式分類器應用至一或多個測試影像以識別樣本上之一或多個DOI。例如，使用監督式分類器，控制器124可經組態以識別樣本104上之一或多個DOI。
圖4繪示描繪根據本發明之一或多項實施例之用於使用非原位產生之概率脈絡圖執行基於脈絡之檢測之一方法400之一流程圖。申請者應注意，本文中先前在檢測系統100之背景內容中描述之實施例及實現技術應被解譯為擴展至方法400。然而，應進一步注意，方法400不限於檢測系統100之架構。
在步驟402中，在檢測執行時間之前，可產生一或多個概率脈絡圖。例如，在檢測執行時間之前，控制器124可經組態以基於自一待檢測樣本獲取之經驗資料產生一或多個概率脈絡圖。在此方面，控制器124可經組態以在檢測之前將一或多個概率脈絡圖儲存於記憶體中且在執行時間期間將經產生概率圖提供至一監督式分類器(如本文中將進一步論述)。
圖5繪示描繪根據本發明之一或多項實施例之用於在檢測之前產生概率脈絡圖之一方法500之一程序流程圖。
例如，一或多個概率脈絡圖可指示在給定經驗資料(y)、樣本相依脈絡資料(z)及設計資料之情況下之參數概率密度，如由
表達，其中經驗資料(y)指示在給定一給定圖案之樣本脈絡資料(z)之情況下之概率密度，如由
表達。
在步驟502中，可接收來自預期樣本之資料。例如，控制器124可經組態以接收來自一度量衡工具之度量衡資料。度量衡工具可包含但不限於一光學度量衡工具、一電子射束(e-beam)度量衡工具、一基於x射線之度量衡工具、一基於光譜學之度量衡工具或類似者。度量衡資料可包含(但不限於)臨界尺寸、疊對、膜厚度、圖案輪廓及類似者。
在步驟504中，可接收來自一設計分解資料庫之資料。例如，控制器124可經組態以接收來自一設計分解資料庫之資料，該設計分解資料庫按位置體現包含於經檢測樣本之設計中之基元圖案以及依據樣本之一些經量測特性而變化之基元圖案之經預測行為。在一個例項中，設計分解資料庫可針對基元圖案之位置被分段成一個資料庫。在另一例項中，資料庫可被分段成體現經預測行為之一單獨資料庫。
在2015年11月10日發佈之標題為Detecting defects on a wafer with run time use of design data之美國專利第9,183,624號中大體上論述設計分解資料庫，該專利之全文以引用的方式併入本文中。
在步驟506中，基於來自步驟502至504之經接收資料產生一或多個概率脈絡圖(或分數圖)且將其等儲存於記憶體中。例如，一或多個概率脈絡圖係在檢測之前產生且在執行時間期間提供至光學成像子系統102。例如，離線控制器130可經組態以產生一或多個概率脈絡圖且將經產生之一或多個概率脈絡圖儲存於記憶體134 (或一遠端資料庫)中且在執行時間期間將經儲存之一或多個概率脈絡圖136提供至基於脈絡之檢測系統100。
返回參考圖4，在步驟404中，可接收一或多個參考影像。例如，控制器124可經組態以接收來自光學成像子系統102之一或多個參考影像。一或多個參考影像可表示一理想或參考。可使用任何適合技術產生此一參考影像。例如，可使用一參考區之一單一影像產生一參考影像，該參考區具有與測試區共同之一設計且已知或預期無缺陷。藉由另一實例，可藉由組合(例如，平均化或類似者)多個參考區之多個影像而產生一參考影像。
在步驟406中，可接收一或多個測試影像。例如，控制器124可經組態以接收來自光學成像子系統102之一或多個測試影像。
一或多個測試影像可包含樣本上之各種圖案化特徵。在一些實施例中，一或多個測試影像包含一或多個DOI。
在步驟408中，可將經產生之一或多個概率脈絡圖提供至一監督式分類器。例如，離線控制器130可經組態以將儲存於記憶體134中之一或多個經產生概率脈絡圖136提供至監督式分類器。
監督式分類器可包含任何類型之深度學習分類器或演算法，包含(但不限於)一深度卷積神經網路(CNN)或類似者。例如，監督式分類器可包含一監督式鑑別CNN。
在監督式學習之背景內容中，訓練影像可包含假陽性或真陰性之影像。離線控制器130可進一步經組態以將訓練影像儲存於記憶體134中且控制器124可經組態以將經訓練監督式分類器儲存於記憶體128中。
在步驟410中，可將監督式分類器應用至一或多個測試影像以識別樣本上之一或多個DOI。例如，使用監督式分類器，控制器124可經組態以識別樣本104上之一或多個DOI。
圖6繪示描繪根據本發明之一或多項實施例之用於使用包含自在被檢測之前之一樣本獲取之經驗資料之一脈絡圖執行基於脈絡之檢測之一方法600之一流程圖。申請者應注意，本文中先前在檢測系統100之背景內容中描述之實施例及實現技術應被解譯為擴展至方法600。然而，應進一步注意，方法600不限於檢測系統100之架構。圖7繪示一程序流程圖，其描繪用於產生含有在檢測之前自樣本獲取之經驗度量衡資料之一脈絡圖之一方法700。
在步驟602中，可獲取來自待檢測之一樣本之經驗資料。例如，控制器124可經組態以接收來自一光學度量衡工具之度量衡資料。例如，控制器124可經組態以接收光學度量衡資料，包含(但不限於)臨界尺寸、疊對、膜厚度、圖案輪廓或藉由光學度量衡工具產生且提供至控制器124之類似者。在另一例項中，控制器124可經組態以接收來自一電子射束(e-beam)度量衡工具之度量衡資料。
藉由另一實例，控制器124可經組態以接收來自光學成像子系統102之檢測資料。藉由另一實例，控制器124可經組態以接收來自一經模擬檢測源之檢測資料。
藉由另一實例，控制器124可經組態以接收來自一程序工具(包含但不限於一掃描器或類似者)之程序工具資料。
在步驟604中，可產生一或多個脈絡圖。例如，在檢測執行時間之前，離線控制器130可經組態以基於自被檢測之前之一樣本獲取之經驗資料產生一或多個脈絡圖。一或多個概率脈絡圖可指示在給定樣本相依脈絡資料(z)之情況下之參數概率密度，如由
表達。
在步驟606中，可基於一或多個經產生脈絡圖及一組經標記訓練影像訓練一監督式分類器。當使用度量衡資料(脈絡)訓練監督式分類器(例如，偵測網路)時，監督式分類器能夠學習依據度量衡資料而變化之缺陷概率之相依性。
監督式分類器可包含任何類型之深度學習分類器或演算法，包含(但不限於)一深度卷積神經網路(CNN)或類似者。例如，監督式分類器可包含一監督式鑑別CNN。
在步驟608中，可接收一或多個參考影像。例如，控制器124可經組態以接收來自光學成像子系統102之一或多個參考影像。藉由另一實例，控制器124可經組態以接收來自一額外光學成像子系統之一或多個參考影像。一或多個參考影像可表示一理想或參考。可使用任何適合技術產生此一參考影像。例如，可使用一參考區之一單一影像產生一參考影像，該參考區具有與測試區共同之一設計且已知或預期無缺陷。藉由另一實例，可藉由組合(例如，平均化或類似者)多個參考區之多個影像而產生一參考影像。
在步驟610中，可接收一或多個測試影像。例如，控制器124可經組態以接收來自光學成像子系統102之一或多個測試影像。
一或多個測試影像可包含樣本上之各種圖案化特徵。在一些實施例中，一或多個測試影像包含一或多個DOI。
在步驟612中，可將監督式分類器應用至一或多個測試影像以識別樣本上之一或多個DOI。例如，使用監督式分類器，控制器124可經組態以識別樣本104上之一或多個DOI。
本文中描述之標的物有時繪示其他組件內含有或與其他組件連接之不同組件。應理解，此等所描繪之架構僅僅係例示性的，且事實上可實施達成相同功能性之許多其他架構。在一概念意義上，用於達成相同功能性之組件之任何配置有效「相關聯」使得達成所要功能性。因此，在本文中組合以達成一特定功能性之任何兩個組件可被視為彼此「相關聯」使得達成所要功能性而無關於架構或中間組件。同樣地，如此相關聯之任何兩個組件亦可被視為彼此「連接」或「耦合」以達成所要功能性，且能夠如此相關聯之任何兩個組件亦可被視為彼此「可耦合」以達成所要功能性。可耦合之特定實例包含但不限於可實體互動及/或實體互動組件及/或可無線互動及/或無線互動組件及/或可邏輯互動及/或邏輯互動組件。
據信本發明及許多其伴隨優點將藉由前述描述理解，且將明白，可對組件之形式、構造及配置做出多種改變而不脫離所揭示之標的物或不犧牲全部其材料優點。所描述之形式僅僅係解釋性，且以下發明申請專利範圍之意圖係涵蓋且包含此等改變。此外，應理解，本發明由隨附發明申請專利範圍界定。
100:基於脈絡之檢測系統/光學檢測系統
102:光學成像子系統
104:樣本
106:照明子系統
108:照明
110:照明源
112:集光子系統
114:樣本光
116:偵測器
118:透鏡
120:光學元件
122:平移載物台
124:控制器
126:處理器
128:記憶體
130:離線控制器
132:處理器
134:記憶體
200:方法
202:步驟
204:步驟
206:步驟
208:步驟
210:步驟
300:方法
302:步驟
304:步驟
306:步驟
307:經產生參考影像
308:步驟
309:實際經觀察像素
310:步驟
400:方法
402:步驟
404:步驟
406:步驟
408:步驟
410:步驟
500:方法
502:步驟
504:步驟
506:步驟
600:方法
602:步驟
604:步驟
606:步驟
608:步驟
610:步驟
612:步驟
700:方法
熟習此項技術者藉由參考附圖可更佳理解本發明之若干優點。
圖1A繪示根據本發明之一或多項實施例之用於基於脈絡之檢測之一系統之一簡化方塊圖。
圖1B繪示根據本發明之一或多項實施例之一基於影像之檢測系統之一簡化示意圖。
圖2繪示描繪根據本發明之一或多項實施例之用於使用一原位產生之概率脈絡圖執行基於脈絡之檢測之一方法之一流程圖。
圖3繪示描繪根據本發明之一或多項實施例之使用原位產生之概率脈絡圖執行基於脈絡之檢測之一方法之一程序流程圖。
圖4繪示描繪根據本發明之一或多項實施例之用於使用一非原位產生之概率脈絡圖執行基於脈絡之檢測之一方法之一流程圖。
圖5繪示描繪根據本發明之一或多項實施例之使用非原位產生之概率脈絡圖執行基於脈絡之檢測之一方法之一程序流程圖。
圖6繪示描繪根據本發明之一或多項實施例之用於使用一經產生訓練脈絡圖執行基於脈絡之檢測之一方法之一流程圖。圖7繪示描繪根據本發明之一或多項實施例之使用經產生訓練脈絡圖執行基於脈絡之檢測之一方法之一程序流程圖。
圖7繪示描繪根據本發明之一或多項實施例之使用經產生訓練脈絡圖執行基於脈絡之檢測之一方法之一程序流程圖。
100:基於脈絡之檢測系統/光學檢測系統
102:光學成像子系統
104:樣本
106:照明子系統
108:照明
110:照明源
112:集光子系統
114:樣本光
116:偵測器
124:控制器
126:處理器
128:記憶體
130:離線控制器
132:處理器
134:記憶體
Claims (27)
- 一種檢測系統，其包括： 一或多個控制器，其包含一或多個處理器以執行儲存於一記憶體中之程式指令，該一或多個程式指令經組態以引起該一或多個處理器： 接收一或多個參考影像； 接收一樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)； 在檢測執行時間期間使用一非監督式分類器產生一或多個概率脈絡圖； 在該檢測執行時間期間將該經產生之一或多個概率脈絡圖提供至一監督式分類器；及 將該監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
- 如請求項1之檢測系統，其中該在檢測執行時間期間使用一非監督式分類器產生一或多個概率脈絡圖進一步包括： 藉由自該一或多個測試影像移除一缺陷部分而產生目標脈絡資料； 將該經產生目標脈絡資料提供至該非監督式分類器；及 使用該非監督式分類器基於該經產生目標脈絡資料及該經接收之一或多個參考影像產生一或多個經產生參考影像； 計算一熵分數； 藉由比較來自該非監督式分類器之該一或多個經產生參考影像與來自該一或多個經接收測試影像之一或多個實際影像而計算一負對數似然分數；及 基於該經計算熵分數及該負對數似然分數產生該一或多個概率脈絡圖。
- 如請求項2之檢測系統，其中該非監督式分類器包括一非監督式生成神經網路。
- 如請求項3之檢測系統，其中該非監督式生成神經網路使用一軟性叢集化技術以產生該一或多個經產生參考影像。
- 如請求項4之檢測系統，其中該軟性叢集化技術包括： 一高斯混合模型。
- 如請求項1之檢測系統，其中該監督式分類器包括一監督式鑑別神經網路。
- 如請求項1之檢測系統，其進一步包括： 一光學成像子系統，其通訊地耦合至該一或多個控制器。
- 如請求項1之檢測系統，其中該樣本包括一基板。
- 如請求項1之檢測系統，其中該樣本包括一晶圓。
- 如請求項1之檢測系統，其中該樣本包括一遮罩。
- 一種檢測系統，其包括： 一或多個控制器，其包含一或多個處理器以執行儲存於一記憶體中之程式指令，該一或多個程式指令經組態以引起該一或多個處理器： 接收來自一特性化子系統之自一樣本獲取之經驗資料； 接收來自一設計分解資料庫之設計分解資料； 在檢測執行時間之前基於該經接收經驗資料及來自該設計資料庫之該經接收資料產生一或多個概率脈絡圖； 將該經產生之一或多個概率脈絡圖儲存於該記憶體中； 接收一或多個參考影像； 接收該樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)； 自該記憶體擷取該經儲存之一或多個概率脈絡圖； 將該一或多個概率脈絡圖提供至一監督式分類器；及 將該監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
- 如請求項11之檢測系統，其中該特性化子系統包括： 一度量衡子系統，其經組態以產生度量衡資料。
- 如請求項12之檢測系統，其中該度量衡資料包括以下之至少一者： 臨界尺寸資料、疊對資料、膜厚度資料或圖案輪廓資料。
- 如請求項11之檢測系統，其中該設計分解資料庫包含按樣本位置之該樣本之基元圖案及依據該樣本之一或多個經量測特性而變化之該等基元圖案之經預測行為，該基元圖案包含於該樣本之一設計中。
- 如請求項11之檢測系統，其中該監督式分類器包括一監督式鑑別神經網路。
- 如請求項11之檢測系統，其進一步包括： 一光學成像子系統，其通訊地耦合至該一或多個控制器。
- 如請求項11之檢測系統，其中該樣本包括一基板。
- 如請求項17之檢測系統，其中該樣本包括一晶圓。
- 如請求項11之檢測系統，其中該樣本包括一遮罩。
- 一種檢測系統，其包括： 一或多個控制器，其包含一或多個處理器以執行儲存於一記憶體中之程式指令，該一或多個程式指令經組態以引起該一或多個處理器： 接收來自一特性化子系統之經驗資料； 在檢測執行時間之前基於該經接收經驗資料產生一或多個脈絡圖； 基於該經產生之一或多個脈絡圖及一組經標記訓練影像訓練一監督式分類器； 接收一或多個參考影像； 接收一樣本之一或多個測試影像，該一或多個測試影像包含一或多個所關注缺陷(DOI)；且 將該經訓練監督式分類器應用至該經接收之一或多個測試影像以識別該樣本上之該一或多個DOI。
- 如請求項20之檢測系統，其中該特性化子系統包括： 一度量衡子系統，其經組態以產生度量衡資料。
- 如請求項21之檢測系統，其中該度量衡資料包括以下之至少一者： 臨界尺寸資料、疊對資料、膜厚度資料或圖案輪廓資料。
- 如請求項20之檢測系統，其中該監督式分類器包括一監督式鑑別神經網路。
- 如請求項20之檢測系統，其進一步包括： 一光學成像系統，其通訊地耦合至該一或多個控制器。
- 如請求項20之檢測系統，其中該樣本包括一基板。
- 如請求項25之檢測系統，其中該樣本包括一晶圓。
- 如請求項20之檢測系統，其中該樣本包括一遮罩。
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202263326268P | 2022-03-31 | 2022-03-31 | |
| US63/326,268 | 2022-03-31 | ||
| US202363443050P | 2023-02-03 | 2023-02-03 | |
| US63/443,050 | 2023-02-03 | ||
| US18/128,140 | 2023-03-29 | ||
| US18/128,140 US11922619B2 (en) | 2022-03-31 | 2023-03-29 | Context-based defect inspection |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202405967A true TW202405967A (zh) | 2024-02-01 |
Family
ID=88193113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112112367A TW202405967A (zh) | 2022-03-31 | 2023-03-30 | 基於脈絡之缺陷檢測 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11922619B2 (zh) |
| CN (1) | CN118020146A (zh) |
| IL (1) | IL311358A (zh) |
| TW (1) | TW202405967A (zh) |
| WO (1) | WO2023192546A1 (zh) |
Family Cites Families (51)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100481933B1 (ko) | 2000-12-14 | 2005-04-13 | 마츠시다 덴코 가부시키가이샤 | 영상 처리기 및 이를 이용한 패턴 인식 장치 |
| US7009695B2 (en) | 2003-04-01 | 2006-03-07 | Applied Materials, Inc. | Full frame thermal pump probe technique for detecting subsurface defects |
| JP2004327950A (ja) | 2003-04-28 | 2004-11-18 | Olympus Corp | 欠陥修正装置 |
| JP4789630B2 (ja) | 2006-01-19 | 2011-10-12 | 株式会社東京精密 | 半導体製造装置、半導体外観検査装置、及び外観検査方法 |
| IL178321A (en) | 2006-09-26 | 2014-08-31 | Orbotech Ltd | Optical test system |
| US7812964B2 (en) | 2006-11-15 | 2010-10-12 | Zygo Corporation | Distance measuring interferometer and encoder metrology systems for use in lithography tools |
| WO2008077100A2 (en) | 2006-12-19 | 2008-06-26 | Kla-Tencor Corporation | Systems and methods for creating inspection recipes |
| US7746462B2 (en) | 2007-05-21 | 2010-06-29 | Kla-Tencor Technologies Corporation | Inspection systems and methods for extending the detection range of an inspection system by forcing the photodetector into the non-linear range |
| US7796804B2 (en) | 2007-07-20 | 2010-09-14 | Kla-Tencor Corp. | Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer |
| US8611639B2 (en) | 2007-07-30 | 2013-12-17 | Kla-Tencor Technologies Corp | Semiconductor device property extraction, generation, visualization, and monitoring methods |
| 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 |
| US9201022B2 (en) * | 2011-06-02 | 2015-12-01 | Taiwan Semiconductor Manufacturing Company, Ltd. | Extraction of systematic defects |
| WO2013134068A1 (en) | 2012-03-07 | 2013-09-12 | Kla-Tencor Corporation | Wafer and reticle inspection systems and method for selecting illumination pupil configurations |
| EP2828882B1 (en) | 2012-03-19 | 2019-09-18 | Kla-Tencor Corporation | Method, computer system and apparatus for recipe generation for automated inspection semiconductor devices |
| US10599944B2 (en) | 2012-05-08 | 2020-03-24 | Kla-Tencor Corporation | Visual feedback for inspection algorithms and filters |
| US9619876B2 (en) | 2013-03-12 | 2017-04-11 | Kla-Tencor Corp. | Detecting defects on wafers based on 2D scatter plots of values determined for output generated using different optics modes |
| US9183624B2 (en) | 2013-06-19 | 2015-11-10 | Kla-Tencor Corp. | Detecting defects on a wafer with run time use of design data |
| US9613411B2 (en) | 2014-03-17 | 2017-04-04 | Kla-Tencor Corp. | Creating defect classifiers and nuisance filters |
| US9262821B2 (en) | 2014-05-12 | 2016-02-16 | Kla-Tencor Corp. | Inspection recipe setup from reference image variation |
| US9518934B2 (en) | 2014-11-04 | 2016-12-13 | Kla-Tencor Corp. | Wafer defect discovery |
| US10395361B2 (en) | 2015-08-10 | 2019-08-27 | Kla-Tencor Corporation | Apparatus and methods for inspecting reticles |
| KR102368587B1 (ko) | 2015-10-21 | 2022-03-02 | 삼성전자주식회사 | 검사 장치, 그를 포함하는 반도체 소자의 제조 시스템, 및 반도체 소자의 제조 방법 |
| US10535131B2 (en) | 2015-11-18 | 2020-01-14 | Kla-Tencor Corporation | Systems and methods for region-adaptive defect detection |
| US10996569B2 (en) | 2016-01-27 | 2021-05-04 | Hitachi High-Tech Corporation | Measurement device, method and display device |
| KR102483787B1 (ko) | 2016-02-25 | 2023-01-04 | 에스케이하이닉스 주식회사 | 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템 |
| US10346740B2 (en) | 2016-06-01 | 2019-07-09 | Kla-Tencor Corp. | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
| US10395358B2 (en) | 2016-11-10 | 2019-08-27 | Kla-Tencor Corp. | High sensitivity repeater defect detection |
| US10504213B2 (en) | 2016-11-22 | 2019-12-10 | Kla-Tencor Corporation | Wafer noise reduction by image subtraction across layers |
| US11270430B2 (en) | 2017-05-23 | 2022-03-08 | Kla-Tencor Corporation | Wafer inspection using difference images |
| US10522376B2 (en) | 2017-10-20 | 2019-12-31 | Kla-Tencor Corporation | Multi-step image alignment method for large offset die-die inspection |
| KR102665146B1 (ko) | 2017-11-29 | 2024-05-09 | 케이엘에이 코포레이션 | 디바이스 검사 시스템을 사용한 오버레이 에러의 측정 |
| CN111727369B (zh) | 2018-02-28 | 2022-12-20 | 株式会社日立高新技术 | 检查装置及其检查方法 |
| US10533848B2 (en) | 2018-03-05 | 2020-01-14 | Kla-Tencor Corporation | Metrology and control of overlay and edge placement errors |
| US10964016B2 (en) * | 2018-03-13 | 2021-03-30 | Kla-Tencor Corporation | Combining simulation and optical microscopy to determine inspection mode |
| US10557802B2 (en) | 2018-05-09 | 2020-02-11 | Kla-Tencor Corporation | Capture of repeater defects on a semiconductor wafer |
| US11668655B2 (en) | 2018-07-20 | 2023-06-06 | Kla Corporation | Multimode defect classification in semiconductor inspection |
| US20220351359A1 (en) | 2018-08-15 | 2022-11-03 | Asml Netherlands B.V. | Utilize machine learning in selecting high quality averaged sem images from raw images automatically |
| US10923317B2 (en) | 2018-09-19 | 2021-02-16 | KLA Corp. | Detecting defects in a logic region on a wafer |
| US10801968B2 (en) | 2018-10-26 | 2020-10-13 | Kla-Tencor Corporation | Algorithm selector based on image frames |
| JP2022043365A (ja) | 2018-11-19 | 2022-03-16 | 株式会社日立ハイテク | 検査装置、検査方法、欠陥検出プログラム |
| US11010885B2 (en) | 2018-12-18 | 2021-05-18 | Kla Corporation | Optical-mode selection for multi-mode semiconductor inspection |
| US11550309B2 (en) | 2019-01-08 | 2023-01-10 | Kla Corporation | Unsupervised defect segmentation |
| US11551348B2 (en) | 2019-04-09 | 2023-01-10 | KLA Corp. | Learnable defect detection for semiconductor applications |
| US11619592B2 (en) | 2019-07-09 | 2023-04-04 | KLA Corp. | Selecting defect detection methods for inspection of a specimen |
| US11120546B2 (en) | 2019-09-24 | 2021-09-14 | Kla Corporation | Unsupervised learning-based reference selection for enhanced defect inspection sensitivity |
| US11416982B2 (en) | 2019-10-01 | 2022-08-16 | KLA Corp. | Controlling a process for inspection of a specimen |
| US11415531B2 (en) | 2019-10-11 | 2022-08-16 | KLA Corp. | Statistical learning-based mode selection for multi-mode inspection |
| US11494924B2 (en) | 2020-04-28 | 2022-11-08 | KLA Corp. | Image alignment for noisy images |
| US11415526B2 (en) | 2020-05-06 | 2022-08-16 | Kla Corporation | Multi-controller inspection system |
| US11769242B2 (en) | 2020-05-21 | 2023-09-26 | Kla Corporation | Mode selection and defect detection training |
| US11307150B2 (en) | 2020-08-17 | 2022-04-19 | Applied Materials Israel Ltd. | Automatic optimization of an examination recipe |
-
2023
- 2023-03-29 US US18/128,140 patent/US11922619B2/en active Active
- 2023-03-30 TW TW112112367A patent/TW202405967A/zh unknown
- 2023-03-31 WO PCT/US2023/017008 patent/WO2023192546A1/en active Application Filing
- 2023-03-31 IL IL311358A patent/IL311358A/en unknown
- 2023-03-31 CN CN202380013722.8A patent/CN118020146A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| IL311358A (en) | 2024-05-01 |
| WO2023192546A1 (en) | 2023-10-05 |
| US11922619B2 (en) | 2024-03-05 |
| US20230316500A1 (en) | 2023-10-05 |
| CN118020146A (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102313413B1 (ko) | 예측 계측 이미지를 이용한 계측 레시피 생성 | |
| TWI773888B (zh) | 訓練用於低解析度影像中之缺陷偵測之神經網路 | |
| KR102327900B1 (ko) | 확률적 인식형 계측 및 제조 | |
| US10186026B2 (en) | Single image detection | |
| US9965901B2 (en) | Generating simulated images from design information | |
| JP7037632B2 (ja) | 効率的プロセスウィンドウ発見用ハイブリッド検査システム | |
| TW201734439A (zh) | 混合檢查器 | |
| US10139283B2 (en) | Non-contact thermal measurements of VUV optics | |
| TW202334641A (zh) | 用於基於半導體應用之無監督或自我監督之深度學習 | |
| JP7410982B2 (ja) | 光学システム内の光の１つ又は複数の特性の決定 | |
| TWI840634B (zh) | 網線檢查系統 | |
| TW202405967A (zh) | 基於脈絡之缺陷檢測 | |
| CN114556208B (zh) | 用于减少极紫外图案掩模上的可印缺陷的系统及方法 | |
| TWI833297B (zh) | 光罩缺陷偵測 | |
| TW202413926A (zh) | 具有先前步驟刪減之檢測 | |
| CN117561539A (zh) | 用于基于半导体应用的无监督或自我监督的深度学习 | |
| TW202248884A (zh) | 用於判定與微影製程相關之隨機度量之方法 |