TW202407331A

TW202407331A - 多模式光學檢測

Info

Publication number: TW202407331A
Application number: TW112112360A
Authority: TW
Inventors: 酷吉特Ｓ維克; 周珉川; 英德拉生巴塔查亞; 阿布都拉罕賽斯金納
Original assignee: 美商科磊股份有限公司
Priority date: 2022-03-31
Filing date: 2023-03-30
Publication date: 2024-02-16
Also published as: US20230316478A1; CN117980729A; US20230314336A1; IL311362A; WO2023192541A1; CN117999474A; US11921052B2; IL311161A; WO2023192545A1

Abstract

一種檢測系統可藉由以下開發一檢測配方：使用與N個不同光學檢測模式相關聯之一或多個光學檢測子系統來產生一初步樣本之N個檢測影像；使用一分類器運用來自數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之位置之各者在背景或缺陷類別中之概率，其中M大於一且小於N且對應於待包含於該檢測配方中之該等光學檢測模式之一數目；及基於描述該等背景與缺陷類別之間之一區別之一度量來選擇M個該等光學檢測模式之該等組合之一者。該檢測系統可進一步使用運用M個該等光學檢測模式之該選定組合產生之M個檢測影像來識別一測試樣本上之缺陷。

Description

多模式光學檢測

本發明大體上係關於缺陷檢測且更特定言之，係關於使用多個光學模式之缺陷檢測。

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。隨著經製造特徵大小繼續縮小，製造缺陷之大小亦縮小。此導致與此等缺陷相關聯之更弱可量測信號及缺陷檢測期間之更低信雜比(SNR)。因此，需要開發用於解決上文之缺陷之系統及方法。

根據一或多項闡釋性實施例，揭示一種檢測系統。在一項闡釋性實施例中，該系統包含一控制器。在另一闡釋性實施例中，該控制器藉由以下開發一檢測配方：使用與N個不同光學檢測模式相關聯之一或多個光學檢測子系統之一初步樣本之N個檢測影像；使用一分類器運用來自數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之位置之各者在背景或缺陷類別中之概率，其中M大於一且小於N且對應於待包含於該檢測配方中之該等光學檢測模式之一數目；及基於描述該等背景與缺陷類別之間之一區別之一度量來選擇M個該等光學檢測模式之該等組合之一者。在另一闡釋性實施例中，該控制器可使用基於具有M個該等光學檢測模式之該選定組合之該檢測配方產生之一測試樣本之M個檢測影像來識別該測試樣本上之缺陷。

根據一或多項闡釋性實施例，揭示一種檢測系統。在一項闡釋性實施例中，該系統包含一或多個光學檢測子系統及一控制器。在另一闡釋性實施例中，該控制器藉由以下開發一檢測配方：接收來自與N個不同光學檢測模式相關聯之該一或多個光學檢測子系統之一初步樣本之N個檢測影像；使用一分類器運用來自數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之位置之各者在背景或缺陷類別中之概率，其中M大於一且小於N且對應於待包含於該檢測配方中之該等光學檢測模式之一數目；及基於描述該等背景與缺陷類別之間之一區別之一度量來選擇M個該等光學檢測模式之該等組合之一者。在另一闡釋性實施例中，該控制器可使用基於具有M個該等光學檢測模式之該選定組合之該檢測配方產生之一測試樣本之M個檢測影像來識別該測試樣本上之缺陷。

根據一或多項闡釋性實施例，揭示一種檢測方法。在一項闡釋性實施例中，該方法包含藉由以下開發一檢測配方：接收來自與N個不同光學檢測模式相關聯之該一或多個光學檢測子系統之一初步樣本之N個檢測影像；使用一分類器運用來自數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之位置之各者在背景或缺陷類別中之概率，其中M大於一且小於N且對應於待包含於該檢測配方中之該等光學檢測模式之一數目；及基於描述該等背景與缺陷類別之間之一區別之一度量來選擇M個該等光學檢測模式之該等組合之一者。在另一闡釋性實施例中，該方法包含使用基於具有M個該等光學檢測模式之該選定組合之該檢測配方產生之一測試樣本之M個檢測影像來識別該測試樣本上之缺陷。

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號之權利，該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使用多個光學模式進行缺陷檢測之系統及方法。如本文中使用，一光學模式係指用於使用一光學檢測工具(例如，子系統)產生一樣本之一影像之光學成像參數之一組合，諸如但不限於入射於樣本上之一照明光射束之性質(例如，波長、偏光、入射角、光點大小、光點形狀、焦深或類似者)或經收集光之性質(例如，波長、偏光、收集角或類似者)。本文中經審慎考慮，一樣本上之缺陷可不同地回應於使用不同光學模式之成像使得可藉由考量使用不同光學模式產生之影像而改良缺陷分析或識別。此外，多模式檢測可促進以大於一單一檢測模式之靈敏度識別缺陷。以此方式，多模式檢測可實現小於及/或弱於單模式檢測之缺陷之識別。

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缺陷(例如，可量測樣本變動)。接著可將此等缺陷分類為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開發用於光學檢測之一檢測配方之方法，其中檢測配方包含待在一檢測程序期間實施之光學模式之一選擇。例如，開發一檢測配方可包含(但不限於)使用多個光學檢測模式產生一初步樣本之檢測影像且選擇此等光學檢測模式之一子集以在一檢測程序期間使用。作為一圖解，可使用N個不同光學檢測模式產生一系列N個檢測影像，其中N係一整數且大於待經選擇以在檢測程序期間使用之光學檢測模式之一數目。接著，可將一分類技術(例如，一非監督式分類器或一監督式分類器)分開之應用至此等檢測影像之各種組合(例如，子集)以基於各自光學檢測模式產生由檢測影像中之像素表示之各樣本位置在背景或缺陷類別中之概率。可接著選擇多個檢測影像(例如，與光學檢測模式之一組合相關聯)之此等組合之一者以包含於用於檢測未來樣本之檢測配方中。

以此方式，開發檢測配方之程序可自廣泛範圍之可能光學檢測模式識別有效地區分缺陷與背景信號之光學模式之一選定組合。本文中經審慎考慮，此多模式檢測可提供比單模式檢測技術實質上優越之效能(例如，缺陷與背景信號之間之鑑別)。此外，情況可係，增加檢測模式之數目通常可增加檢測效能。然而，本文中應進一步辨識，可期望尤其在此多模式檢測需要多個成像掃描且因此耗時更長來執行之情況下平衡在檢測期間使用之數個光學檢測模式。因此，本文中揭示之系統及方法可用於識別平衡檢測效能與檢測處理能力之光學檢測模式之組合。

本文中經審慎考慮，本文中揭示之系統及方法可有利地基於使用所考量的光學模式產生之完整檢測結果(例如，包含來自一檢測系統之原始資料之檢測影像之一完整集合)識別用於多模式檢測之光學模式之一組合。此在一配方產生階段提供多模態資訊之益處且可相對於可基於更有限資訊提供多模式配方產生之現有技術提供增加之效能。

例如，一些現有技術可對包含由至少一個所考量光學模式識別之缺陷之一有限資料集執行一多模式分析。作為一圖解，一些現有技術可在一單一模式(例如，具有一相對高信雜比或其他效能度量之一模式)中執行一完整檢測運行，基於此單模式檢測識別潛在缺陷，基於此等經預識別潛在缺陷產生圖塊影像，從而使用一或多個額外模式檢視此等經預識別潛在缺陷之位點且基於此等經預識別潛在缺陷執行一多模式分析。然而，經驗證據展示，使用此等技術識別之DOI可具有的成功有限。特定言之，實務上，此等技術可由擾亂點(例如，背景信號)壓倒及/或可未能識別具有弱信號之真實缺陷，此係因為初始檢測係使用一單一光學模式執行且因此受該單一光學模式之靈敏度限制。在以下案中大體上描述現有多模式檢測技術：2020年1月23日發表之美國專利申請公開案第2020/0025689號、2022年8月16日發佈之美國專利第11,415,531號及2021年5月18日發佈之美國專利第11,010,885號，該等案之全部之全文以引用的方式併入本文中。

相比之下，本文中揭示之系統及方法不需要任何特定光學模式在識別用於包含於一檢測配方中之光學模式之一組合時將任何特定位置識別為一缺陷。實情係，本文中揭示之系統及方法有利地基於來自多個模式之完整檢測影像之一多維分析識別光學模式之一組合。可基於來自多個模式之完整檢測影像之一多維分析產生概率圖。此等概率密度圖可提供一樣本上之各位置(例如，來自不同模式之經對準影像中之各像素)可屬於不同類別(例如，背景或缺陷類別)之概率。

本文中經審慎考慮，甚至使用一單一光學模式之一完整檢測影像可提供大量資料(尤其用於高解析度檢測)使得考量(諸如但不限於記憶體儲存或處理速度)可對同時考量來自多個模式之完整檢測影像之能力施加實際限制。此等考量可為驅動現有多模式技術之一個因素，諸如但不限於使用至少一個單模式技術識別之缺陷之多模式檢視。

在一些實施例中，與全部所關注光學模式(例如，N個光學模式)相關聯之完整檢測影像經產生、儲存於記憶體中且隨後經組合分析以基於一效能度量判定光學模式(例如，M個光學模式之一組合，其中M小於N)之一子集以包含於用於在運行時間期間使用之一檢測配方中。應注意，雖然M通常可具有任何值，但在一些情況中，可期望將M限於一相對小數目(例如，2至5)以平衡透過多模式檢測達成之效能增強與檢測處理能力考量。此一技術可適用於但不限於其中硬體及/或時間要求可接受之情況。在一些實施例中，對M個光學模式之各種可能組合進行評估且彼此比較以根據度量判定哪一組合提供優越效能。此一技術可減少實際運算及/或儲存問題，同時維持一完整多模式分析之益處。

可利用任何適合度量以選擇光學模式之一組合以包含於一檢測配方中。在一些實施例中，度量與用於清晰地區分背景信號(例如，擾亂點資料)與DOI之光學模式之組合之一能力相關聯。作為一個圖解，度量可係基於與一多維點雲中之不同分類(例如，背景或缺陷類別)相關聯之點雲之一分離。

可使用任何適合分類器以在本發明之精神及範疇內提供概率圖。在一些實施例中，分類器可包含一非監督式及/或一監督式分類技術。作為一實例，一監督式分類器可包含可適用於可在一個光學模式中識別缺陷之情況之一鑑別分析技術(例如，一線性鑑別分析(LDA)技術或類似者)。作為另一實例，一非監督式分類器可包含一軟性叢集化技術，諸如但不限於高斯(Gaussian)混合模型化。例如，可使用各所考量組合之選定檢測影像來產生一點雲，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)可被分類在一特定類別(例如，背景或缺陷類別)中之概率。以此方式，用於選擇光學模式之一組合以包含於檢測配方中之度量可與相關聯於點雲中之背景及缺陷之叢集之間之一分離相關聯。作為另一實例，一非監督式分類器包含一神經網路。例如，一神經網路可接受來自各種光學檢測模式之檢測影像且產生各像素可被分類在背景及缺陷類別中之概率。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)。一神經網路亦可接受用於訓練目的之額外資訊，例如，一神經網路可接受設計資料(例如，與樣本上之圖案化特徵相關聯)使得可在判定一特定像素(及因此樣本上之對應位置)在背景或缺陷類別中之概率時考量像素之間之空間關係。

本發明之額外實施例係關於一旦識別光學模式之組合便使用檢測配方執行檢測之方法。

本發明之額外實施例係關於適用於執行多模式光學檢測之檢測系統。

現參考圖1A至圖4，根據本發明之一或多項實施例更詳細描述用於多模式光學檢測之系統及方法。

圖1A係根據本發明之一或多項實施例之一檢測系統100之一方塊圖。

在一項實施例中，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可組態以使用多個光學檢測模式對樣本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)、照明108而產生樣本104之一影像之一集光子系統112。

一光學檢測模式可對應於與對樣本104成像相關聯之參數之任何組合，包含(但不限於)引導至樣本104之照明或自樣本104收集之光之性質。下文更詳細描述光學檢測模式。

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/或一半導電材料。許多不同類型之此等層在此項技術中係已知的，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104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。

此外，使用不同光學檢測模式之成像通常可使用任何數目個光學成像子系統102執行。在一些實施例中，一單一光學成像子系統102可經組態以使用多個光學檢測模式同時或依序對樣本104成像。在一些實施例中，使用不同光學成像子系統102以提供至少一些不同光學檢測模式。

圖1B係根據本發明之一或多項實施例之一光學成像子系統102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光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。

在一些實施例中，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。

在另一實施例中，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、一或多個濾光器、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。

在一些實施例中，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可包含用於收集自樣本104發出之樣本光114輻射(例如，在一光學成像子系統102之情況中，樣本光)之至少一部分且將樣本光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。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。

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，捕獲一點或線影像且掃描樣本104以建立二維影像而產生樣本104之一影像。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。

光學成像子系統102可包含用於將樣本光114引導至偵測器116之各種組件，諸如(但不限於)透鏡124、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。光學成像子系統102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126，諸如(但不限於)一或多個偏光器、一或多個濾光器、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。

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，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。

照明子系統106及光學成像子系統102可以各種方式在本發明之精神及範疇內組態。在一些實施例中，如圖1B中繪示，檢測系統100包含為照明子系統106及光學成像子系統102之光學路徑所共有之至少一個射束分裂器128。以此方式，照明子系統106及光學成像子系統102兩者可共用一共同物鏡130且皆可利用由物鏡130提供之完整可用光瞳或數值孔徑(NA)。在一些實施例中，雖然未展示，但照明子系統106及光學成像子系統102可具有分開之光學路徑而無共同元件。

在一些實施例中，對由光學成像子系統102產生之資料執行各種對準及/或拼接操作以形成樣本104之一或多個影像。作為一實例，在一掃描系統之情況中，可將與多個掃描帶或其部分相關聯之資料對準及/或拼接以形成整個樣本104或僅其之一部分之一影像。以此方式，在本文中使用術語影像以廣泛地描述代表樣本104之一部分之一像素陣列且不旨在賦予與成像技術相關聯之限制。因此，一影像可對應於由光學成像子系統102提供之一完整資料集，可對應於此資料之一子集(例如，一子影像)，或可對應於被拼接(且適當地對準)之多個資料集。

在一些實施例中，檢測系統100包含可通信地耦合至光學成像子系統102或其中之任何組件之一控制器132。控制器132可包含經組態以執行維持於一記憶體136 (例如，一記憶體媒體)上之程式指令之一或多個處理器134。在此方面，控制器132之一或多個處理器134可執行貫穿本發明描述之各種程序步驟之任一者。

一控制器132之一或多個處理器134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134可包含經組態以執行演算法及/或指令之任何微處理器型裝置。在一項實施例中，一或多個處理器134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136之程式指令之一或多個處理元件之任何裝置。

記憶體136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134執行之程式指令之任何儲存媒體。例如，記憶體136可包含一非暫時性記憶體媒體。藉由另一實例，記憶體136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136可與一或多個處理器134一起容置於一共同控制器外殼中。在一項實施例中，記憶體136可相對於一或多個處理器134及控制器132之實體位置遠端定位。例如，控制器132之一或多個處理器134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。

可基於照明子系統106或集光子系統112中之組件之任何組合之控制而控制由光學成像子系統102提供之一光學檢測模式。例如，引導至樣本104之照明108之控制可直接由照明源110提供及/或由光學元件120提供，諸如(但不限於)用於控制照明108之一波長之一光譜濾光器、用於控制照明108之一偏光之一偏光器或用於控制照明108在樣本104上之一角度分佈之一變跡器(例如，在一照明光瞳平面中)。作為另一實例，自樣本104收集且傳遞至偵測器116之樣本光114之控制可由光學元件120提供，諸如(但不限於)用於控制傳遞至偵測器116之樣本光114之一波長之一光譜濾光器、用於控制傳遞至偵測器116之樣本光114之一偏光之一偏光器或用於控制傳遞至偵測器116之樣本光114之一角度分佈之一變跡器(例如，在一集光光瞳平面中)。

作為一圖解，一特定光學檢測模式可對應於具有一選定光譜(例如，如由一頻寬及/或一中心波長描述)及以一選定入射角(例如，如由一照明孔徑或變跡器界定)引導至樣本之一選定偏光之照明108。特定光學檢測模式可進一步對應於引導至偵測器116之樣本光114之一特定光譜及偏光(其兩者可與入射於樣本104上之照明108相同或不同)。

此外，照明源110及/或光學元件120之任一者可調整使得檢測系統100可經組態以提供不同光學檢測模式。例如，光學元件120之任一者可直接由致動器調諧及/或控制以提供不同光學檢測模式。在一些實施例中，控制器132產生用於照明源110及/或光學元件120之任一者之驅動信號以選擇性地提供不同光學檢測模式。

在一些實施例中，檢測系統100依序使用不同光學檢測模式提供影像。例如，檢測系統100可依序在不同光學成像子系統102之間切換及/或調整一光學成像子系統102之參數以使用不同光學檢測模式提供樣本104之循序影像。作為另一實例，一光學成像子系統102可經組態以同時使用不同光學檢測模式同時提供兩個或更多個影像。作為一圖解，一光學成像子系統102可包含各具有分開之偵測器116之兩個或更多個收集通道。光學成像子系統102可接著具有用於將樣本光114分裂至各種通道中之一或多個射束分裂器及/或用於提供對引導至各通道中之相關聯偵測器116之樣本光114之性質之分開控制之額外光學元件120 (例如，分開之光譜濾光器、偏光器或類似者)。

圖2A係繪示根據本發明之一或多項實施例之在一檢測方法200中執行之步驟之一流程圖。申請者指出，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。在一些實施例中，控制器132經組態以使用方法200或其中之任何步驟開發一檢測配方。

在一些實施例中，方法200包含開發一檢測配方之一步驟202。在一些實施例中，方法200包含使用檢測配方識別一測試樣本上之缺陷之一步驟204。

圖2B係繪示根據本發明之一或多項實施例之與開發一檢測配方之步驟202相關聯之步驟(例如，子步驟)之一流程圖。圖2C係繪示根據本發明之一或多項實施例之與開發一檢測配方之步驟204相關聯之步驟(例如，子步驟)之一流程圖。

在一些實施例中，開發一檢測配方之步驟202包含使用與N個不同光學檢測模式相關聯之一或多個光學成像子系統102產生一初步樣本之N個檢測影像之步驟206。如本文中先前描述，一光學檢測模式可包含一或多個光學成像子系統102之光學成像參數之任何獨有組合。例如，光學檢測模式可包含與照明108及/或用於產生影像之樣本光114相關聯之參數(諸如(但不限於)波長、偏光或角度)之獨有組合。

步驟206可包含產生任何數目個檢測影像。在一些實施例中，N係大於二之一整數。在一些實施例中，N係大於5、10、100或更大之一整數。例如，N可大於或等於十。

N個檢測影像可為任何類型之影像，包含(但不限於)暗場影像或明場影像。在一些實施例中，檢測影像可為來自一光學成像子系統102之原始影像。在此組態中，檢測影像可包含樣本104上之各種圖案化特徵。在一些實施例中，檢測影像係差異影像。例如，可基於一原始影像與可表示一理想或參考之一參考影像之一差異(例如，一減法)產生一差異影像。在此組態中，一檢測影像可代表一所關注測試區之一原始影像自參考之偏差。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來產生一參考影像，該參考區具有與測試區共同之一設計且已知無或預期無缺陷。作為另一實例，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。

在一些實施例中，步驟206進一步包含配準及/或按比例縮放N個檢測影像。以此方式，N個檢測影像可具有共同數目個像素且全部檢測影像之各像素可對應於初步樣本上之一共同位置。

在一些實施例中，開發一檢測配方之步驟202包含使用一分類器(例如，一非監督式及/或一監督式分類器)運用來自數目M個光學檢測模式之至少一些組合之檢測影像來產生初步樣本之各位置在背景或缺陷類別中之概率之步驟208。此外，M可為大於一且小於N之一整數且對應於待包含於檢測配方中之光學檢測模式之一數目。如本文中使用，一背景類別可對應於描述在檢測期間並非所關注之背景信號(例如，擾亂點)之一類別，而一缺陷類別描述可與樣本上之實體變動相關聯之離群點或稀有事件。應注意，此類別之缺陷通常可包含可影響裝置效能之所關注缺陷(DOI)及可能通常不影響裝置效能之額外擾亂點信號。

另外，應注意，分類器通常可提供與任何數目個類別相關聯之概率，其中類別之數目可係固定的或動態地產生。例如，情況可係，一樣本104上之不同類型之缺陷可由分類器分開地識別(例如，區分)。以此方式，分類器可產生與描述全部缺陷之一單一缺陷類別或多個缺陷類別相關聯之概率。例如，缺陷類別可對應於(但不限於)不同缺陷類型、缺陷位置或對效能之影響。

產生初步樣本之各位置在背景或缺陷類別中之概率之程序可包含針對各類別產生一系列概率圖或概率密度函數(PDF)。作為一圖解，針對一背景類別之一PDF可提供N個檢測影像之各像素(對應於初步樣本上之各相關聯位置)在背景類別中之一概率，而針對一缺陷類別之一PDF可提供各像素(及各對應位置)在該缺陷類別中之一概率。此外，本文中經審慎考慮，一非監督式技術通常可將資料特性化成任何數目個類別(例如，一背景類別及任何數目個缺陷類別)。

在一些實施例中，開發一檢測配方之步驟202包含基於描述背景與缺陷類別之間之一區別之一度量來選擇M個光學檢測模式之組合之一者作為一選定組合之步驟210。以此方式，步驟208及210可基於度量來選擇適用於區分背景與缺陷信號之光學檢測模式之一組合(例如，一組光學檢測模式)。例如，可基於對一偵測分類之一臨限值(例如，概率臨限值)產生一接收器操作特性(ROC)曲線。曲線下方之面積可用作對模式組合排序之一純量度量，其中更大面積指示一更準確結果。作為另一實例，度量可與已知測試資料在一固定真陽性率下之誤分類錯誤相關聯。

換言之，步驟208可包含使用與光學檢測模式之不同組合相關聯之檢測影像多次實施分類器(或分類器之不同迭代)。步驟210可接著包含基於其鑑別缺陷與背景信號之能力選擇經分析組合之一者以包含於檢測配方中。

在一般意義上，來自一組N個可能光學檢測模式之M個光學檢測模式之可能組合之總數可由在方程式(1)中給出之二項式係數描述： (1)

作為一簡單圖解，應用具有M = 2且N = 50之值之方程式(1)導致總共1,225個可能組合。因此，本文中經審慎考慮，可能組合之數目實際上可變得令人望而卻步，且在選擇M、N之值及在步驟208中考量之可能組合之數目時可考量多種因素。

例如，M對應於待包含於檢測配方中且每次運行檢測配方時被實施之光學檢測模式之一數目。以此方式，M之值可受諸如(但不限於)對於特定應用及所利用之特定一或多個光學成像子系統102之檢測處理能力容限之因素影響。如本文中先前描述，一些光學成像子系統102可能夠同時使用多個光學檢測模式(例如，經由不同收集通道)產生影像，而一些光學成像子系統102可需要多個分開之量測(例如，掃描)以使用不同光學檢測模式獲得影像。因此，數目M可(但不需要)經選擇以平衡處理能力與透過多模式檢測獲得之一效能增加。在一些實施例中，M之值等於二。在一些實施例中，M之值等於三。在一些實施例中，M之值在3至5之一範圍中。在一些實施例中，M之值高於5。

此外，N之值對應於在開發檢測配方(例如，步驟202)期間考量之光學檢測模式之一數目。以此方式，N之值可受諸如(但不限於)一光學成像子系統102之實體限制、與檢測配方開發相關聯之時間要求或與檢測配方開發相關聯之運算要求之因素影響。例如，情況可係，可使用來自一寬頻照明源110 (例如，一BBP源或類似者)之寬頻照明108獲得與不同窄頻波長光譜相關聯之許多光學模式。此外，偏光、入射角或類似者之額外變動可進一步增加理論上可由一光學成像子系統102提供之光學檢測模式之可能數目。然而，情況可係，時間或運算要求可實際上限制在一特定應用中實施方法200時選擇之數目N。

另外，在步驟208中並不一定需要考量M個光學檢測模式之全部可能組合。在一些實施例中，在步驟208中僅考量用於N及M之選定值之光學檢測模式之可能組合之一部分(例如，作為輸入提供至一非監督式分類器以基於相關聯檢測影像來產生背景及缺陷類別之概率)。例如，可選擇一或多個主要模式，使得在步驟208中考量之光學檢測模式之全部組合包含一或多個主要模式。本文中經審慎考慮，選擇用於包含於在步驟208中考量之全部組合中之一或多個主要模式可實質上減少開發檢測配方(例如，通常步驟202)所需之時間同時亦提供優於單模式檢測之檢測效能，儘管精確效能改良可受一或多個主要模式之選擇影響。可基於任何準則(諸如(但不限於)與缺陷信號相關聯之SNR、影像對比度或任何影像品質度量)選擇一或多個主要模式。

在步驟208中可利用適用於產生初步樣本之各位置在背景或缺陷類別中之概率之任何分類器。例如，分類器可包含任何類型之機器學習技術，諸如(但不限於)監督式及/或非監督式機器學習技術。

在一些實施例中，分類器包含一軟性叢集化技術，諸如(但不限於)一高斯混合模型(GMM)。例如，一GMM可在M維空間中產生一概率模型且可利用一預期最大化演算法以迭代地定義與描述與各經考量組合中之M個光學檢測影像相關聯之一M維點雲中之各種類別(或叢集)之高斯分佈相關聯之參數。例如，GMM可指派一負對數似然(NLL)分數 (2) 其中係觀察在一像素位置處之強度之概率。預期最大化演算法可接著針對相關聯資料調整概率模型之參數以最大化或最小化。應注意，此技術不需要標記且可有益地在一相對短時間尺度內實施且因此可在一相對短時間尺度(諸如(但不限於)取決於所使用硬體，數天)內實現再訓練(例如，步驟202中之檢測配方之重複更新)。

在一些實施例中，分類器包含一監督式鑑別分析技術，諸如(但不限於)一線性鑑別分析(LDA)技術。應注意，當在M維空間之一個區中找到缺陷信號時，一LDA技術可係適當的。此外，可基於使用基於已知資訊(例如，已知所關注類別(例如，背景或缺陷類別))標記之相關聯光學模式產生之檢測影像訓練一監督式技術，包含(但不限於)LDA。此等標記可對應於與訓練樣本上之相關聯實體位置對應之個別像素及/或像素之群組。例如，此等標記可視情況描述具有對應於相關聯影像中之點擴散函數之一大小之一訓練樣本上之區。

圖3A至圖3E描繪基於一LDA分類器之一實施方案之效能模擬。然而，應理解，圖3A至圖3E及相關聯描述僅係為了闡釋性目的提供且不應解譯為限制性。

圖3A係根據本發明之一或多項實施例之與藉由一LDA技術使用運用基於SNR選擇之一主要模式產生之來自兩個不同光學模式(例如，M = 2)之經模擬光學檢測影像來識別之一特定缺陷類型之背景及缺陷概率相關聯之一經模擬點雲。例如，SNR可(但不需要)基於在一經識別缺陷之位置處之一絕對值差異影像之一最大灰階對同一差異影像之標準偏差之一比率判定。以此方式，圖3A可對應於N個可能光學檢測模式中之光學檢測模式(例如，來自步驟210)之一選定組合，其中基於具有最佳SNR而預選擇兩個光學檢測模式之一者(例如，作為一主要光學檢測模式)且(例如，在步驟210中)選擇第二者以提供類別之間之最佳分離。

圖3B係根據本發明之一或多項實施例之沿著圖3A中之線302之背景及缺陷類別之PDF之一直方圖。例如，線302可與最佳分離兩個類別之點雲座標之一線性變換相關聯(例如，一分界線)。

圖3C係根據本發明之一或多項實施例之與藉由一LDA技術使用基於光學模式之全部可能組合之分析產生之來自兩個不同光學模式(例如，M = 2)之經模擬光學檢測影像來識別之特定缺陷類型之背景及缺陷概率相關聯之一經模擬點雲。例如，圖3C可對應於N個可能光學檢測模式中之光學檢測模式(例如，來自步驟210)之一選定組合，其中考量全部可能組合且其中此選定組合提供背景與缺陷類別之間之最佳分離。

圖3D係根據本發明之一或多項實施例之沿著圖3C中之線304之背景及缺陷類別之PDF之一直方圖。例如，線304可與最佳分離兩個類別之點雲座標之一線性變換相關聯(例如，一分界線)。

圖3E係根據本發明之一或多項實施例之針對圖3A至圖3D中之多模式偵測組態以及針對單模式操作之接收器操作特性(ROC)之一圖表。特定言之，線306對應於圖3C及圖3D中之其中評估光學檢測模式之全部可能組合之多模式組態之一ROC曲線，線308對應於圖3A及圖3B中之其中基於SNR選擇一主要模式且評估相關聯組合之多模式組態之一ROC曲線，且線310對應於基於SNR選擇之單模式偵測之一ROC曲線。

藉由改變用於將資料分成不同類別之偵測之一臨限值而產生ROC曲線，其中高於臨限值之全部事件變為偵測。曲線接著包含作為捕獲率之真實偵測(例如，缺陷直方圖中臨限值上方之一區域)對水平軸上之錯誤偵測率(例如，背景直方圖中臨限值上方之一區域)之分率。針對單模式情況(線310)，此臨限值可為一概率值(例如，與一缺陷相關聯之PDF之一值)。針對多模式情況，此臨限值可對應於垂直於相關聯分界線之一線312之一位置。

如圖3E中繪示，使用基於SNR選擇之一主要模式之多模式檢測(線308)相對於單模式檢測(線310)將效能改良(例如，減少一給定捕獲率之假陽性)數個數量級，而其中考量模式之全部組合之多模式檢測(線306)將假陽性率進一步減少多個額外數量級。

再次大體上參考圖2B，在一些實施例中，分類器包含一神經網路(例如，一生成神經網路或類似者)。本文中經審慎考慮，一神經網路通常可接受任何數目個輸入通道且可產生輸入資料之間之關係。以此方式，一神經網路可輸出一特定像素(及一樣本上之相關聯位置)可屬於任何數目個類別(例如，背景或缺陷類別)之概率。例如，一神經網路可產生PDF且實現類似於圖3A至圖3E中針對基於點雲之軟性叢集化技術之圖解之分析。

在一些實施例中，步驟208包含基於來自光學檢測模式之各種組合之檢測影像訓練或實施神經網路。檢測影像可包含與光學檢測模式之各選定組合相關聯之原始檢測影像或差異影像之任何組合。

在一些實施例中，步驟208進一步包含基於資料之一或多個額外通道訓練或實施神經網路。例如，神經網路亦可接收與樣本(例如，初步樣本)相關聯之設計資料。以此方式，經產生概率可至少部分基於檢測影像中之像素之間之空間關係(例如，樣本上之位置之間之空間關係)。作為一圖解，情況可係，某些缺陷類型通常可出現在某些圖案化特徵上或周圍。以此方式，特徵之知識可促進此等位置中之背景與缺陷之間之更準確區別及/或不同類型之缺陷之間之區別。作為另一圖解，某些缺陷類型通常可具有一延伸大小且因此佔用一檢測影像之多個像素。以此方式，當產生任何給定像素在背景或缺陷類別中之概率時可考量像素之分組。應進一步理解，此等實例僅係闡釋性的且不限制一神經網路之操作。

設計資料可呈任何適合格式，諸如(但不限於)呈提供樣本上之預期特徵之一表示之影像之形式之設計剪輯。此資料可源自任何位置，諸如(但不限於)一記錄或一儲存媒體(例如，記憶體136)。此外，設計資料可具有任何所要位準之細節。在一些實施例中，提供至一神經網路之設計資料包含相對低頻設計資訊(例如，與大於一選定值之空間尺度相關聯之設計資訊或類似者)。例如，設計資料可提供關於樣本上之特徵之大小、形狀及定向之資訊同時避免將高頻雜訊引入模型中。

圖4係根據本發明之一或多項實施例之針對使用一神經網路之多模式檢測(線402)及單模式檢測(線404)之經捕獲缺陷對擾亂點(例如，背景)之一圖表。如圖4中展示，針對此實例，使用一神經網路之多模式檢測提供比單模式檢測少近10倍之擾亂點。

再次參考圖2C，根據本發明之一或多項實施例更詳細描述使用在步驟202中開發之檢測配方檢測一測試樣本之步驟204。

在一些實施例中，檢測一測試樣本之步驟204包含(例如，使用一或多個光學成像子系統102)使用來自檢測配方之M個光學檢測模式之選定組合產生測試樣本之M個檢測影像之一步驟212。此外，可配準及/或按比例縮放測試樣本之M個檢測影像使得其等具有共同數目個對準像素，其中像素對應於測試樣本上之位置。

在一些實施例中，檢測一測試樣本之步驟204包含基於檢測配方中之M個檢測影像及分類器將測試樣本之位置分類成背景及缺陷類別之一步驟214。例如，現在可在步驟214中使用在步驟208中訓練以產生各像素屬於背景及缺陷類別之概率之選定分類器以基於背景及缺陷類別對缺陷分類。例如，在步驟208中訓練之選定分類器可提供適用於預測測試樣本之新檢測影像中之缺陷之描述背景及缺陷類別之權重或方程式。

在一些情況中，在步驟202中訓練且在步驟204中利用之一分類器包含僅將輸入影像傳播至結果而無任何回饋之經訓練權重之一固定集合。權重可僅應用於輸入資料上以實現線性變換且全部非線性啟動被保持為與訓練時之非線性啟動相同。換言之，非監督式分類器可在其訓練結束時保持在相同狀態。在一些情況中，可更新經訓練分類器中之一些權重以考量一特定測試樣本內或多個測試樣本之間之變動(例如，晶圓間或晶圓內變動)以及工具操作條件變動。

在一些情況中，步驟214執行一軟性分類且可產生各像素(及因此測試樣本之各對應位置)屬於背景及缺陷類別之各者之概率。在一些情況中，步驟214執行一硬性分類且將各像素指派至一單一類別中(例如，基於應用至概率之一或多個臨限值)。

此外，在其中分類器包含一神經網路之應用中，步驟214可併入與測試樣本相關聯之額外輸入通道，諸如(但不限於)設計資料。

再次大體上參考圖2A，本文中經審慎考慮，與方法200相關聯之技術可與用於一測試樣本上之所關注缺陷與擾亂點信號之間之進一步鑑別之額外非監督式或監督式技術組合。例如，可接著使用一監督式分類器進一步分析在步驟214中在一測試樣本上識別之缺陷。在一些實例中，可使用一額外檢測工具(諸如(但不限於)一掃描電子顯微鏡)分析在步驟214中識別之缺陷以驗證分類。接著，可在訓練一監督式分類器時將此資訊用作一標記。

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: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:透鏡 126:光學元件 128:光束分裂器 130:物鏡 132:控制器 134:處理器 136:記憶體 200:檢測方法 202:步驟 204:步驟 206:步驟 208:步驟 210:步驟 212:步驟 214:步驟 302:線 304:線 306:線 308:線 310:線 312:線 402:線 404:線

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係根據本發明之一或多項實施例之一檢測系統之一方塊圖。

圖1B係根據本發明之一或多項實施例之一光學成像子系統之一簡化示意圖。

圖2A係繪示根據本發明之一或多項實施例之在一檢測方法中執行之步驟之一流程圖。

圖2B係繪示根據本發明之一或多項實施例之與檢測方法相關聯之步驟之一流程圖。

圖2C係繪示根據本發明之一或多項實施例之與檢測方法相關聯之步驟之一流程圖。

圖3A係根據本發明之一或多項實施例之與藉由一LDA技術使用運用基於SNR選擇之一主要模式產生之來自兩個不同光學模式之經模擬光學檢測影像來識別之一特定缺陷類型之背景及缺陷概率相關聯之一經模擬點雲。

圖3B係根據本發明之一或多項實施例之沿著圖3A中之線之背景及缺陷類別之概率密度函數(PDF)之一直方圖。例如，線可與最佳分離兩個類別之點雲座標之一線性變換相關聯。

圖3C係根據本發明之一或多項實施例之與藉由一LDA技術使用基於光學模式之全部可能組合之分析產生之來自兩個不同光學模式之經模擬光學檢測影像來識別之特定缺陷類型之背景及缺陷概率相關聯之一經模擬點雲。

圖3D係根據本發明之一或多項實施例之沿著圖3C中之線之背景及缺陷類別之PDF之一直方圖。

圖3E係根據本發明之一或多項實施例之針對圖3A至圖3D中之多模式偵測組態以及針對單模式操作之接收器操作特性(ROC)之一圖表。

圖4係根據本發明之一或多項實施例之針對使用一神經網路之多模式檢測及單模式檢測之經捕獲缺陷對擾亂點之一圖表。

304:線

312:線

Claims

一種檢測系統，其包括：一控制器，其包含一或多個處理器以執行程式指令，從而引起該一或多個處理器：使用包括以下之步驟開發一檢測配方：接收來自與N個不同光學檢測模式相關聯之一或多個光學檢測子系統之一初步樣本之N個檢測影像，其中N係大於二之一整數，其中該N個光學檢測模式之各者與該一或多個光學檢測子系統之獨有光學成像參數相關聯，其中該初步樣本之該N個檢測影像中之位置對應於該初步樣本上之位置；使用一分類器運用來自數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率，其中M係大於一且小於N之一整數且對應於待包含於該檢測配方中之該等光學檢測模式之一數目；及基於描述該等背景與缺陷類別之間之一區別之一度量來選擇M個該等光學檢測模式之該等組合之一者作為一選定組合；及使用基於具有M個該等光學檢測模式之該選定組合之該檢測配方產生之一測試樣本之M個檢測影像來識別該測試樣本上之缺陷。
如請求項1之檢測系統，其中使用基於具有M個該等光學檢測模式之該選定組合之該檢測配方產生之該測試樣本之M個檢測影像來識別該測試樣本上之缺陷包括：基於該檢測配方中之該M個檢測影像及該分類器將該測試樣本之該等位置分類成該等背景及缺陷類別。
如請求項1之檢測系統，其中開發該檢測配方進一步包含配準該初步樣本之該N個檢測影像。
如請求項1之檢測系統，其中該初步樣本之該N個檢測影像具有共同數目個像素。
如請求項1之檢測系統，其中該初步樣本之該N個檢測影像及該測試樣本之該M個檢測影像對應於來自該一或多個光學檢測子系統之原始影像。
如請求項1之檢測系統，其中該初步樣本之該N個檢測影像及該測試樣本之該M個檢測影像對應於基於來自該一或多個光學檢測子系統之原始影像與參考影像之間之差異之差異影像。
如請求項1之檢測系統，其中該等缺陷類別包含一單一缺陷類別。
如請求項1之檢測系統，其中該等缺陷類別包含兩個或更多個缺陷類別。
如請求項1之檢測系統，其中該分類器包括：一非監督式分類器。
如請求項9之檢測系統，其中該非監督式分類器實施一軟性叢集化技術。
如請求項10之檢測系統，其中該軟性叢集化技術包括：一高斯混合模型(GMM)技術。
如請求項1之檢測系統，其中該分類器包括：一監督式分類器。
如請求項12之檢測系統，其中該監督式分類器實施線性鑑別分析(LDA)技術。
如請求項12之檢測系統，其中該監督式分類器係在包含經標記背景或缺陷類別之至少一者之訓練資料上訓練。
如請求項1之檢測系統，其中該分類器包括：一神經網路。
如請求項15之檢測系統，其中使用該分類器運用來自該數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率包括：使用一神經網路運用來自該數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率。
如請求項1之檢測系統，其中使用該分類器運用來自該數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率包括：使用該分類器運用來自該數目M個該等光學檢測模式之全部該等組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率。
如請求項1之檢測系統，其中開發該檢測配方進一步包括：選擇該等光學檢測模式之一者作為一主要模式，其中使用該分類器運用來自該數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率包括：使用該分類器運用來自包含該主要模式之該數目M個該等光學檢測模式之至少一些該等組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率。
如請求項1之檢測系統，其中該N個不同光學檢測模式與一照明波長、一照明偏光或一照明角之至少一者之差異相關聯。
如請求項1之檢測系統，其中該N個不同光學檢測模式與由該一或多個光學檢測子系統收集且引導至一偵測器之光之一波長、一偏光或一角度之至少一者之差異相關聯。
如請求項1之檢測系統，其中M等於二。
如請求項1之檢測系統，其中N大於或等於三。
一種檢測系統，其包括：一或多個光學檢測子系統；一控制器，其通信地耦合至該一或多個光學檢測子系統，該控制器包含一或多個處理器以執行程式指令，從而引起該一或多個處理器：使用包括以下之步驟開發一檢測配方：接收來自與N個不同光學檢測模式相關聯之一或多個光學檢測子系統之一初步樣本之N個檢測影像，其中N係大於二之一整數，其中該N個光學檢測模式之各者與該一或多個光學檢測子系統之獨有光學成像參數相關聯，其中該初步樣本之該N個檢測影像中之位置對應於該初步樣本上之位置；使用一分類器運用來自數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率，其中M係大於一且小於N之一整數且對應於待包含於該檢測配方中之該等光學檢測模式之一數目；及基於描述該等背景與缺陷類別之間之一區別之一度量來選擇M個該等光學檢測模式之該等組合之一者作為一選定組合；及使用基於具有M個該等光學檢測模式之該選定組合之該檢測配方產生之一測試樣本之M個檢測影像來識別該測試樣本上之缺陷。
如請求項23之檢測系統，其中該一或多個光學檢測子系統包括：兩個或更多個光學檢測子系統。
如請求項23之檢測系統，其中該一或多個光學檢測子系統包括：一單一光學檢測子系統。
如請求項23之檢測系統，其中該初步樣本之該N個檢測影像及該測試樣本之該M個檢測影像對應於來自該一或多個光學檢測子系統之原始影像或基於來自該一或多個光學檢測子系統之該等原始影像與參考影像之間之差異之差異影像之至少一者。
如請求項23之檢測系統，其中該分類器包括：一非監督式分類器。
如請求項23之檢測系統，其中該分類器包括：一監督式分類器。
如請求項23之檢測系統，其中該分類器包括：一神經網路。
如請求項23之檢測系統，其中該N個不同光學檢測模式與一照明波長、一照明偏光或一照明角之至少一者之差異相關聯。
如請求項23之檢測系統，其中該N個不同光學檢測模式與由該一或多個光學檢測子系統收集且引導至一偵測器之光之一波長、一偏光或一角度之至少一者之差異相關聯。
一種檢測方法，其包括：使用包括以下之步驟開發一檢測配方：使用與N個不同光學檢測模式相關聯之一或多個光學檢測子系統來產生一初步樣本之N個檢測影像，其中N係大於二之一整數，其中該N個光學檢測模式之各者與該一或多個光學檢測子系統之獨有光學成像參數相關聯，其中該初步樣本之該N個檢測影像中之位置對應於該初步樣本上之位置；使用一分類器運用來自數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率，其中M係大於一且小於N之一整數且對應於待包含於該檢測配方中之該等光學檢測模式之一數目；及基於描述該等背景與缺陷類別之間之一區別之一度量來選擇M個該等光學檢測模式之該等組合之一者作為一選定組合；及使用基於具有M個該等光學檢測模式之該選定組合之該檢測配方產生之一測試樣本之M個檢測影像來識別該測試樣本上之缺陷。
如請求項32之檢測方法，其中使用基於具有M個該等光學檢測模式之該選定組合之該檢測配方產生之該測試樣本之M個檢測影像來識別該測試樣本上之缺陷包括：基於該檢測配方中之該M個檢測影像及該分類器將該測試樣本之該等位置分類成該等背景及缺陷類別。
如請求項32之檢測方法，其中開發該檢測配方進一步包含配準該初步樣本之該N個檢測影像。
如請求項32之檢測方法，其中該初步樣本之該N個檢測影像具有共同數目個像素。
如請求項32之檢測方法，其中該初步樣本之該N個檢測影像及該測試樣本之該M個檢測影像對應於來自該一或多個光學檢測子系統之原始影像。
如請求項32之檢測方法，其中該初步樣本之該N個檢測影像及該測試樣本之該M個檢測影像對應於基於來自該一或多個光學檢測子系統之原始影像與參考影像之間之差異之差異影像。
如請求項32之檢測方法，其中該等缺陷類別包含一單一缺陷類別。
如請求項32之檢測方法，其中該等缺陷類別包含兩個或更多個缺陷類別。
如請求項32之檢測方法，其中該分類器包括：一非監督式分類器。
如請求項32之檢測方法，其中該分類器包括：一監督式分類器。
如請求項32之檢測方法，其中該分類器包括：一神經網路。
如請求項32之檢測方法，其中使用該分類器運用來自該數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率包括：使用該分類器運用來自該數目M個該等光學檢測模式之全部該等組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率。
如請求項32之檢測方法，其中開發該檢測配方進一步包括：選擇該等光學檢測模式之一者作為一主要模式，其中使用該分類器運用來自該數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率包括：使用該分類器運用來自包含該主要模式之該數目M個該等光學檢測模式之至少一些組合之該等檢測影像來產生該初步樣本之該等位置之各者在背景或缺陷類別中之概率。
如請求項32之檢測方法，其中該N個不同光學檢測模式與一照明波長、一照明偏光或一照明角之至少一者之差異相關聯。
如請求項32之檢測方法，其中該N個不同光學檢測模式與由該一或多個光學檢測子系統收集且引導至一偵測器之光之一波長、一偏光或一角度之至少一者之差異相關聯。
如請求項32之檢測方法，其中M等於二。
如請求項32之檢測方法，其中N大於或等於三。