TW202409550A - 半導體樣品的缺陷偵測 - Google Patents

半導體樣品的缺陷偵測 Download PDF

Info

Publication number
TW202409550A
TW202409550A TW112108483A TW112108483A TW202409550A TW 202409550 A TW202409550 A TW 202409550A TW 112108483 A TW112108483 A TW 112108483A TW 112108483 A TW112108483 A TW 112108483A TW 202409550 A TW202409550 A TW 202409550A
Authority
TW
Taiwan
Prior art keywords
image
pmc
defect
bit depth
defect detection
Prior art date
Application number
TW112108483A
Other languages
English (en)
Inventor
波阿斯 杜多維奇
阿薩夫 艾利爾
艾莫 巴爾
里奧 葉希利
辰 伊奇柯維茲
施朗 班伊瑟雷
里奧 卡茲
艾利歐倫 裘尼
葉爾 洛特
Original Assignee
以色列商應用材料以色列公司
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 以色列商應用材料以色列公司 filed Critical 以色列商應用材料以色列公司
Publication of TW202409550A publication Critical patent/TW202409550A/zh

Links

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/10—Selection of transformation methods according to the characteristics of the input images
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised 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
    • G06T2207/10—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
    • G06T2207/20021—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本文提供了一種半導體樣品的缺陷偵測的系統和方法。該方法包括獲得以第一位元深度獲取的樣品的第一圖像，藉由第一處理器將該第一圖像轉換為具有比該第一位元深度低的第二位元深度的第二圖像，將該第二圖像傳輸至第二處理器，該第二處理器被配置成使用第一缺陷偵測演算法對該第二圖像執行第一缺陷偵測，以獲得第一組缺陷候選，以及將該第一組缺陷候選的位置發送至該第一處理器，基於該些位置從該第一圖像提取與該第一組缺陷候選相對應的一組圖像圖塊；及使用第二缺陷偵測演算法對該組圖像圖塊執行第二缺陷偵測，以獲得第二組缺陷候選。

Description

半導體樣品的缺陷偵測
本案的標的係關於半導體樣品檢查的領域，並且更特定言之係關於樣品的缺陷偵測。
當前對與製造的元件的超大規模整合相關的高密度和高性能的需求需要亞微粒子特性、更高的電晶體速度和電路速度以及改進的可靠性。隨著半導體製程的進步，圖案尺寸（諸如線寬度）和其他類型的臨界尺寸不斷縮小。這些需求要求形成具有高精度和高均勻性的元件特徵，而這進而又需要仔細監控製造製程，包括在元件仍處於半導體晶圓形式時對其進行自動檢查。
運行時檢查一般可以採用兩階段程式，例如，對樣品進行檢驗，然後對可能的缺陷的採樣位置進行審查。檢查一般涉及藉由將光或電子引導到晶圓並且偵測來自晶圓的光或電子來為樣品產生特定輸出（例如，圖像、信號等）。在第一階段期間，以高速和相對低的解析度來檢驗樣品的表面。缺陷偵測通常是藉由將缺陷偵測演算法應用於檢驗輸出來執行的。產生缺陷映射以顯示樣品上具有高缺陷概率的可疑位置。在第二階段期間，以相對高解析度對可疑位置中的至少一些進行更徹底的分析，以決定缺陷的不同參數，例如類別、厚度、粗糙度、尺寸等。
可以在要檢查的樣品的製造期間或之後使用無損檢查工具進行檢查。各種無損檢查工具包括（作為非限制性示例）掃瞄電子顯微鏡、原子力顯微鏡、光學檢驗工具等。在一些情況下，這兩個階段可以由同一檢驗工具實現，並且在一些其他情況下，這兩個階段由不同的檢驗工具實現。
檢查處理可以包括多個檢查步驟。半導體元件的製造製程可以包括例如蝕刻、沉積、平坦化、諸如磊晶生長的生長、注入等的多種製程。例如在某些處理常式之後，及/或在製造某些層之後等，可以執行多次檢查步驟。附加地或替代地，例如針對不同的晶圓位置，或者針對具有不同檢查設置的相同晶圓位置，每個檢查步驟可以重複進行多次。
舉例來說，在半導體製造期間的各個步驟使用檢查處理，以偵測樣品上的缺陷並且對樣品上的缺陷分類，以及執行計量相關操作。可以藉由一或多個處理（例如缺陷偵測、自動缺陷分類（Automatic Defect Classification，ADC）、自動缺陷審查（Automatic Defect Review，ADR）、圖像分割、自動計量相關操作等）的自動化來提高檢查的有效性。自動檢查系統確保製造的零件符合預期的品質標準，並根據所辨識的缺陷類型，提供製造工具、設備及/或成分可能需要的調整的有用資訊。
根據本案的標的的某些態樣，提供了一種半導體樣品缺陷偵測的電腦化系統，該系統包括第一處理和記憶體電路（processing and memory circuitry，PMC），該系統被配置成：獲得表示該半導體樣品的至少部分的第一圖像，該第一圖像由檢驗工具以第一位元深度獲取；將該第一圖像轉換為具有第二位元深度的第二圖像，其中該第二位元深度是比該第一位元深度更低的位元深度；將該第二圖像傳輸至可操作地連接至該第一PMC的第二PMC，其中該第二PMC被配置成使用第一缺陷偵測演算法對該第二圖像執行第一缺陷偵測，產生第一組缺陷候選，並且將該第一組缺陷候選的位置發送至該第一PMC；在從該第二PMC收到該些位置之後，基於該些位置從該第一圖像提取與該第一組缺陷候選相對應的一組圖像圖塊；及使用第二缺陷偵測演算法對該組圖像圖塊執行第二缺陷偵測，產生第二組缺陷候選。
除了上述特徵之外，根據本案的標的的這一態樣的系統可以以技術上可能的任何期望的組合或排列包括以下列出的特徵（i）至（x）中的一或多個： (i)      該第一位元深度是每圖元32位元、每圖元24位元和每圖元16位元中的一者。該第二位元深度是比第一位元深度更低的位元深度，可以是每圖元16位元和每圖元8位元中的一者。 (ii)     該第一PMC包括一或多個圖形處理單元（graphics processing unit，GPU），該圖形處理單元被最佳化以處理具有該第一位元深度的圖像。 (iii)    該第二PMC包括一或多個數位訊號處理器（digital signal processor，DSP），該數位訊號處理器被最佳化以處理具有該第二位元深度的圖像。 (iv)     該變換函數是被特別選擇的並且被配置成提高具有該第二位元深度的該第二圖像的準確性及/或靈敏度。 (v)      該第一缺陷偵測演算法是使用該第二圖像的一或多個參考圖像的晶粒與參考偵測演算法。 (vi)     該第一缺陷偵測演算法具體被配置用於對具有該第二位元深度的一或多個第二圖像進行缺陷偵測。 (vii)    該第二缺陷偵測演算法包括機器學習（ML）模型，該機器學習模型是使用具有該第一位元深度的一或多個訓練圖像以及與該訓練圖像相關聯的指示感興趣缺陷（DOI）或感興趣缺陷的妨害的存在的相應標籤來訓練的。 (viii)   該第二組缺陷候選由審查工具審查，產生一組DOI。該ML模型是使用與該組DOI相對應並且與DOI的標籤相關聯的圖像圖塊以及與該第二組缺陷候選中的非DOI缺陷候選相對應並且與妨害的標籤相關聯的圖像圖塊再訓練的，並且經再訓練的ML模型用於重新執行第二缺陷偵測。 (ix)     該第一PMC被配置成獲得在運行時檢驗期間由該檢驗工具順序採集的並且表示該半導體樣品的不同部分的複數個第一圖像，並且針對該等複數個第一圖像之每一者給定第一圖像執行轉換、傳輸、提取和執行。藉由基於該給定第一圖像的圖元值分佈選擇特定變換函數來自適應地轉換每個給定第一圖像。 (x)      該系統進一步包括第二PMC。該第一PMC針對第一位元深度處理進行最佳化由此能夠提高偵測靈敏度。該第二PMC針對第二位元深度處理進行最佳化由此能夠提高計算效率並且降低計算成本。以特有方式利用/平衡該第一PMC和該第二PMC以對具有不同位元深度的圖像執行相應的缺陷偵測，從而在不犧牲偵測靈敏度的情況下提高處理量。
根據本案的標的的其他態樣，提供了一種半導體樣品的缺陷偵測的方法，由第一處理器和記憶體電路（processor and memory circuitry，PMC）執行，並且該方法包括：獲得表示該半導體樣品的至少部分的第一圖像，該第一圖像由檢驗工具以第一位元深度獲取；將該第一圖像轉換為具有第二位元深度的第二圖像，其中該第二位元深度是比該第一位元深度更低的位元深度；將該第二圖像發送至可操作地連接至該第一PMC的第二PMC，其中該第二PMC被配置成使用第一缺陷偵測演算法對該第二圖像執行第一缺陷偵測，產生第一組缺陷候選，並且將該第一組缺陷候選的位置發送至該第一PMC；在從該第二PMC收到該些位置之後，基於該些位置從該第一圖像提取與該第一組缺陷候選相對應的一組圖像圖塊；及使用第二缺陷偵測演算法對該組圖像圖塊執行第二缺陷偵測，產生第二組缺陷候選。
所揭示的標的的這一態樣可以以技術上可能的任何期望的組合或排列並且進行必要的修改包括上文關於系統列出的特徵（i）至（x）中的一或多個。
根據本案的標的的其他態樣，提供了一種非暫時性電腦可讀取儲存媒體，其包括指令，當該等指令由電腦執行時，使得該電腦執行一種半導體樣品的缺陷偵測的方法，該方法包括：獲得表示該半導體樣品的至少部分的第一圖像，該第一圖像由檢驗工具以第一位元深度獲取；將該第一圖像轉換為具有第二位元深度的第二圖像，其中該第二位元深度是比該第一位元深度更低的位元深度；將該第二圖像發送至可操作地連接至該第一PMC的第二PMC，其中該第二PMC被配置成使用第一缺陷偵測演算法對該第二圖像執行第一缺陷偵測，產生第一組缺陷候選，並且將該第一組缺陷候選的位置發送至該第一PMC；在從該第二PMC收到該些位置之後，基於該些位置從該第一圖像提取與該第一組缺陷候選相對應的一組圖像圖塊；及使用第二缺陷偵測演算法對該組圖像圖塊執行第二缺陷偵測，產生第二組缺陷候選。
所揭示的標的的這一態樣可以在技術上可能的任何期望的組合或排列中進行必要的修改，包括上文關於系統列出的特徵（i）至（x）中的一或多個。
在以下的詳細描述中，闡述了許多具體細節以提供對本案的透徹理解。然而，熟習此項技術者將理解，可以在沒有這些具體細節的情況下實踐本案的標的。在其他情況下，未對眾所周知的方法、程序、元件和電路進行詳細描述，以免混淆本案的標的。
除非另有具體說明，否則從以下討論中可以明顯看出，可以理解，在整個說明書討論中所使用的諸如「獲得」、「轉換」、「傳輸」、「發送」、「接收」、「提取」、「執行」、「處理」、「選擇」、「訓練」、「再訓練」、「獲取」等術語指電腦處理資料及/或將資料轉換為其他資料的動作及/或製程，上述資料表示為物理量，例如電子、量並且/或上述資料表示實體物件。術語「電腦」應當被廣泛地解釋為涵蓋任何種類的具有資料處理能力的基於硬體的電子設備，作為非限制性示例，包括檢查系統、缺陷偵測的系統及其在本案中揭露的相應部分。
本文所使用的術語「非暫時性記憶體」和「非暫時性儲存媒體」應當被廣泛地解釋為涵蓋適合於本案的標的的任何揮發性或非揮發性電腦記憶體。這些術語應當被理解為包括儲存一組或多組指令的單個媒介或多個媒介（例如，集中式或分散式資料庫，及/或關聯的快取記憶體和伺服器）。這些術語還應當被認為包括能夠儲存指令集或對指令集編碼以供電腦執行並且使電腦執行本案的任何一或多個方法的任何媒體。因此，這些術語應被視為包括但不限於唯讀記憶體（「read only memory，ROM」）、隨機存取記憶體（「random access memory，RAM」）、磁片儲存媒體、光學儲存媒體、快閃記憶體設備等。
本說明書中所使用的術語「樣品」應當被廣泛地解釋為包括用於製造半導體積體電路、磁頭、平板顯示器和其他半導體製品的任何類型的物理實體或基板，包括晶圓、遮罩、主光罩（reticle）和其他結構、其組合及/或其部件。樣品在本文中也稱為半導體樣品，並且可以由製造設備執行相應的製造製程來生產。
本說明書中所使用的術語「檢查」應當被廣泛地解釋為涵蓋與樣品製造處理期間及/或之後的各種類型的缺陷偵測、缺陷審查及/或缺陷分類、分割及/或計量操作相關的任何類型的操作。在要檢查的樣品製造期間或之後使用無損檢查工具來進行檢查。作為非限制性示例，檢查處理可以包括使用相同或不同的檢驗工具關於樣品或其部分提供的運行時掃瞄（單次或多次掃瞄）、成像、採樣、偵測、審查、測量、分類及/或其他操作。同樣地，可以在製造要檢查的樣品之前提供檢查，並且該檢查可以包括例如產生檢查配方及/或其他設置操作。需要注意的是，除非另有具體說明，否則本說明書中所使用的術語「檢查」或其近義詞關於檢驗區域的解析度或大小不限制。各種無損檢查工具包括（作為非限制性示例）掃瞄電子顯微鏡（scanning electron microscope，SEM）、原子力顯微鏡（atomic force microscope，AFM）、光學檢驗工具等。
本說明書中所使用的術語「計量操作」應當被廣泛地解釋為涵蓋用於提取與半導體樣品上的一或多個結構元件相關的計量資訊的任何計量操作程式。在一些實施例中，計量操作可以包括測量操作，例如，關於樣品上的某些結構元件執行的臨界尺寸（CD）測量，包括但不限於以下各項：尺寸（例如，線寬、線間距、接觸直徑、元件尺寸、邊緣粗糙度、灰階統計等）、元素形狀、元件內部或元件之間的距離、相關角度、與對應於不同設計級別的元件相關的覆蓋資訊等。例如，藉由採用影像處理技術分析測量結果（諸如測得的圖像）。需要注意的是，除非另有具體說明，否則本說明書中所使用的術語「計量」或其近義詞不限於測量技術、測量解析度或檢驗區域的大小。
本說明書中所使用的術語「缺陷」應當被廣泛地解釋為涵蓋在樣品上形成的任何類型的異常或不良特徵/功能。在某些情況下，缺陷可能是感興趣缺陷（defect of interest，DOI），其是對製造的元件的功能有一定影響的真實缺陷，因此根據客戶的利益需要進行偵測。例如，任何可能導致良率損失的「致命」缺陷都可以表示為DOI。在一些其他情況下，缺陷可能是妨害（也稱為「誤報」缺陷），因其對完成的元件的功能沒有影響，也不影響良率，因此可以忽略不計。
本說明書中所使用的術語「缺陷候選」應當被廣泛地解釋為涵蓋被偵測為具有相對較高的概率是感興趣缺陷（defect of interest，DOI）的樣品上的可疑缺陷位置。因此，在審查時，缺陷候選可以實際上是DOI，或者在某些其他情況下，它可以是如前述的妨害，或者可以在檢驗期間由不同變化（例如，處理變化、顏色變化、機械和電氣變化等）引起的隨機雜訊。
本說明書中所使用的術語「設計資料」應當被廣泛地解釋為涵蓋指示樣品的分層實體設計（佈局）的任何資料。設計資料可以由相應的設計者提供及/或可以從實體設計中匯出（例如，藉由複雜模擬、簡單幾何和布耳運算等）。設計資料可以以不同的格式提供，作為非限制性示例，GDSII格式、OASIS格式等。設計資料可以以向量格式、灰階強度圖像格式或其他格式呈現。
應當理解，除非另有具體說明，否則在分開的實施例的上下文中所描述的本案的標的的某些特徵也可以在單個實施例中組合提供。相反，在單個實施例的上下文中描述的本案的標的的各種特徵也可以分開地或以任何合適的子組合來提供。在下面的詳細描述中，闡述了許多具體細節以提供對方法和設備的透徹理解。
鑒於此，請注意圖1，其圖示根據本案的標的的某些實施例的檢查系統的功能方塊圖。
圖1中所示的檢查系統100可以用於檢查半導體樣品（例如，晶圓、晶粒或其部件），作為樣品製造處理的一部分。如前述，本文所述的檢查可被解釋為涵蓋與關於樣品的缺陷檢驗/偵測、各種類型的缺陷分類、分割及/或計量操作相關的任何類型的操作，諸如，例如，臨界尺寸（critical dimension，CD）測量。具體地，所示的檢查系統100包括能夠實現半導體樣品的自動缺陷偵測的基於電腦的系統101。根據本案的標的的某些實施例，系統101可以被配置為基於在樣品製造期間獲得的圖像在運行時偵測半導體樣品上的缺陷。
系統101可以可操作地連接到一或多個檢查工具120。檢查工具120被配置成掃瞄樣品並且擷取樣品的圖像以進一步處理以用於各種檢查應用。
舉例來說，本文所使用的圖像可以指在製造處理期間擷取的樣品的原始圖像及/或藉由各種預處理階段獲得的擷取的圖像的衍生物。應當注意，在一些情況下，本文所指的圖像可以包括圖像資料（例如，擷取的圖像、處理的圖像等）以及相關聯的數位資料（例如，中繼資料、手工製作的屬性等）。還應當注意，圖像資料可以包括與樣品的感興趣層及/或一或多個其他層相關的資料。
本說明書中所使用的術語「檢查工具」應當被廣泛地解釋為涵蓋可在檢查相關處理的任何工具，作為非限制性示例包括成像、掃瞄（單次或多次掃瞄）、抽樣、審查、測量、分類及/或其他關於樣品或其部分提供處理。
一或多個檢查工具120可以包括一或多個檢驗工具及/或一或多個審查工具。在一些情況下，檢查工具120中的至少一個可以是檢驗工具，該檢驗工具被配置為掃瞄取樣（例如，整個晶圓、整個晶粒或其部分）以擷取檢驗圖像（通常，以相對高速及/或低解析度）用於偵測潛在缺陷（即缺陷候選）。在一些情況下，檢查工具120中的至少一個可以是審查工具，該審查工具被配置為擷取檢驗工具偵測到的缺陷候選中的至少一些的審查圖像以決定缺陷候選是否確實是感興趣缺陷（DOI）。此類審查工具通常被配置成（通常以相對低速及/或高解析度）一次一片段地偵測樣品的片段。檢驗工具和審查工具可以是位於相同或不同位置的不同工具，或者是在兩種不同模式下操作的單個工具。在一些情況下，至少一個檢查工具可以具有計量能力並且可以被配置成對圖像執行計量操作。
在不以任何方式限制本案的範圍的情況下，還應注意，檢查工具120可以實現為各種類型的檢查機器，例如光學檢驗機器、電子束檢驗機器（例如掃瞄電子顯微鏡（Scanning Electron Microscope，SEM）、原子力顯微鏡（Atomic Force Microscopy，AFM）或透射電子顯微鏡（Transmission Electron Microscope，TEM）等）等等。在某些情況下，同一檢查工具可以提供低解析度圖像資料和高解析度圖像資料。所得的圖像資料（低解析度圖像資料及/或高解析度圖像資料）可以直接或經由一或多個中間系統傳輸至系統101。本案內容不限於任何特定類型的檢查工具及/或由檢查工具產生的圖像資料的解析度。
根據本案的標的的某些實施例，檢查工具120中的一個是掃瞄樣品（例如，晶圓）以擷取其檢驗圖像的檢驗工具。在檢驗期間，晶圓在曝光期間可以相對於檢驗工具的偵測器以步長移動（或者晶圓和工具可以相對於彼此沿相反的方向移動），並且可以藉由檢驗工具沿著晶圓的條帶逐步掃瞄晶圓，其中檢驗工具一次對樣品的（在條帶內的）部件/部分成像（也稱為工具的視場（FOV））。例如，檢驗工具可以是光學檢驗工具。在每個步驟中，可以偵測來自晶圓的矩形部分的光，並且這種偵測到的光被轉換成在該部分的多個點處的多個強度值，從而形成對應於晶圓的部件/部分的圖像。FOV的尺寸和維度可以根據某些因素而變化，例如不同的工具配置。
舉例來說，在光學檢驗中，平行雷射光束陣列可以沿著條帶掃瞄晶圓的表面。條帶以彼此連續的平行行/列放置，以一次一個條帶地建立晶圓表面的圖像。例如，該工具可以沿著條帶從上到下掃瞄晶圓，然後切換到下一個條帶並且從下到上掃瞄該條帶，依此類推，直到掃瞄整個晶圓。晶圓條帶的圖像有時稱為圖像切片/條。為了滿足檢驗的處理量要求，通常在預定時間段（例如，10至15分鐘）內掃瞄晶圓（例如，尺寸為30cm*30cm）。因此，晶圓在檢驗期間相對於雷射光束移動得相對較快，並且以高資料速率（例如，在～Tb/s的位準）產生檢驗圖像資料。產生的大量檢驗資料需要即時動態分析，這需要巨大的電腦處理能力。
為了能夠進行靈敏檢驗，應當獲取具有良好品質的檢驗圖像。例如，可以以良好的解析度（即圖像中的圖元總數）獲取檢驗圖像。例如，在一些情況下，整個晶圓或其一部分的圖像可以在10 13圖元的數量級。附加地或替代地，可以以相對高的位元深度獲取圖像。位元深度，也稱為色彩深度或每一圖元位元數（bits per pixel，BPP），是指用於表示圖像中圖元的位元數。圖像中不同顏色/灰階級的數量取決於色彩深度或每一圖元位元數。例如，灰階圖像可以是每圖元8位元，因此每個圖元可以具有256個不同灰階級中的值，而彩色圖像通常是每圖元16位元或每圖元24位元的格式。
圖6圖示根據本案的標的的某些實施例的每圖元8位元的灰階圖像和每圖元16位元的灰階圖像的示例。圖像602以每圖元8位元獲取並具有256個不同的灰階級，而圖像604以每圖元16位元獲取並具有65536個不同的灰階級。兩個圖像都表示具有藉由漸變實現的平滑的顏色過渡的相同的色帶。如圖所示，圖像602具有一定的量化雜訊並且圖示相鄰圖元的圖元值之間的明顯的間隙，這表明細微的圖像細節的丟失，而圖像604可以準確地追蹤圖像信號的原始色調並且能夠提取通常在較低位元深度中丟失的精細細節。
因此，優選使用以更高位元深度獲取的樣品圖像用於靈敏的缺陷偵測，因為圖像可以攜帶樣品的更精細的細節，這提高了偵測靈敏度。然而，使用具有更高位元深度的圖像會顯著增加處理圖像所需的計算能力和處理時間。例如，與以每圖元8位元獲取的晶圓圖像相比，以每圖元16位元獲取的晶圓圖像通常需要多幾倍的處理能力/時間，因此需要先進得多（因此成本更高）的檢查系統硬體基礎設施以滿足速度/處理量要求。作為權衡，由於處理量和工具配置限制，晶圓檢驗圖像通常以相對較低的位元深度抓取，這是以不太理想的偵測靈敏度為代價的。
因此，本案的標的的某些實施例提出了一種具有混合架構的檢查系統，該檢查系統能夠以改進的偵測靈敏度執行分散式雙漏斗缺陷偵測，同時保持高處理量而不顯著推進硬體基礎設施，如下面將詳述的。
檢查系統100包括基於電腦的系統101，其能夠在樣品製造期間基於由檢查工具120獲得的運行時圖像在運行時對半導體樣品進行缺陷偵測。具體地，檢查系統100包括基於電腦的系統101。系統101包括可操作地連接至基於硬體的I/O介面126的第一處理器和記憶體電路（PMC）102。第一PMC102被配置成提供作業系統所必需的處理，如參考圖2、圖3和圖5進一步詳細描述的，並且包括處理器（未單獨示出）和記憶體（未單獨顯示）。PMC102的處理器可以被配置成根據在包括在PMC中的非暫時性電腦可讀記憶體上實現的電腦可讀取指令來執行若干功能模組。此類功能模組在下文中被稱為包括在PMC中。
本文所指的處理器可以表示一或多個通用處理設備，例如微處理器、中央處理單元等。更具體地，處理器可以是複雜指令集計算（complex instruction set computing，CISC）微處理器、精簡指令集計算（reduced instruction set computing，RISC）微處理器、超長指令字（very long instruction word，VLIW）微處理器、實現其他指令集的處理器或實現指令集組合的處理器。處理器也可以是一或多個專用處理設備，例如專用積體電路（application specific integrated circuit，ASIC）、現場可程式設計閘陣列（field programmable gate array，FPGA）、數位訊號處理器（digital signal processor，DSP）、網路處理器等。處理器被配置成執行用於執行本文討論的操作和步驟的指令。
本文所指的記憶體可以包括主記憶體（例如，唯讀記憶體（readonly memory，ROM）、快閃記憶體、動態隨機存取記憶體（dynamic random access memory，DRAM）（諸如同步DRAM （SDRAM）或Rambus DRAM（RDRAM）等），和靜態記憶體（例如快閃記憶體、靜態隨機存取記憶體（static random access memory，SRAM）等）。
第一PMC102中包括的功能模組可以包括影像處理模組104和第二缺陷偵測模組106。在一些實施例中，第二缺陷偵測模組106可以包括機器學習模型108。影像處理模組104可以被配置為經由I/O介面126並且從檢查工具120（例如檢驗工具）獲得表示半導體樣品的至少一部分的第一圖像。第一圖像由檢驗工具以第一位元深度獲取。影像處理模組104還可以被配置成將第一圖像轉換為具有第二位元深度的第二圖像。第二位元深度是比第一位元深度更低的位元深度。
檢查系統100進一步包括可操作地連接至第一PMC102的第二PMC110。類似地，第二PMC110被配置成提供作業系統所必需的處理，如參考圖4進一步詳細描述，第二PMC110包括處理器（未單獨示出）和記憶體（未單獨示出）。第二PMC110的處理器可以被配置成根據在包括在第二PMC中的非暫時性電腦可讀記憶體上實現的電腦可讀取指令來執行一或多個功能模組。此類功能模組在下文中被稱為包括在第二PMC中。第二PMC110可以包括第一缺陷偵測模組112。
在產生第二圖像之後，第一PMC102可以將第二圖像傳輸至第二PMC110。第二PMC110中的第一缺陷偵測模組112可以被配置成使用第一缺陷偵測演算法對第二圖像執行第一缺陷偵測，產生第一組缺陷候選及其位置。第二PMC110然後將第一組缺陷候選的位置發送回第一PMC102。
在收到來自第二PMC的位置之後，第一PMC102可以被配置成從第一圖像提取與該些位置相對應的一組圖像圖塊；並且使用第二缺陷偵測演算法對該組圖像圖塊執行第二缺陷偵測，產生第二組缺陷候選。
舉例來說，在一些情況下，第一PMC102可以實現為與檢查工具120相關聯的處理伺服器或主處理單元。第二PMC可以實現為可操作地連接至第一PMC102的側翼（wing）/次級處理單元。
系統100和系統101、第一PMC102和第二PMC110以及其中的功能模組的操作將參考圖2至圖5進一步詳細說明。
在一些情況下，除了系統101之外，檢查系統100還可以包括一或多個檢查模組，例如另外的缺陷偵測模組及/或自動缺陷審查模組（Automatic Defect Review Module，ADR）及/或自動缺陷分類別模組（Automatic Defect Classification Module，ADC）及/或計量相關模組及/或可用於檢查半導體樣品的其他檢查模組。一或多個檢查模組可以實現為獨立的電腦，或者它們的功能（或至少其一部分）可以與檢查工具120整合。在一些情況下，系統101及/或第二PMC110的輸出可以提供給一或多個檢查模組用於進一步處理。
根據某些實施例，系統101可以包括儲存單元122。儲存單元122可以被配置成儲存作業系統101所需的任何資料（例如與系統101的輸入和輸出相關的資料）以及由系統101產生的中間處理結果。舉例來說，儲存單元122可以被配置成儲存由檢查工具120產生的樣品的圖像及/或其衍生物。因此，可以從儲存單元122檢索圖像並將圖像提供給PMC102以供進一步處理。系統101及/或第二PMC的輸出（例如第一組缺陷候選及/或第二組缺陷候選）可以被發送至儲存單元122以進行儲存。
在一些實施例中，系統101可以可選地包括基於電腦的圖形化使用者介面（computer-based graphical user interface，GUI）124，該基於電腦的圖形化使用者介面124被配置成實現與系統101相關的使用者指定輸入。例如，可以向使用者呈現樣品的視覺表示（例如，藉由形成GUI124的一部分的顯示器），包括樣品的圖像資料。可以藉由GUI向使用者提供定義某些指令引數的選項，諸如，例如第一位元深度、第二位元深度、第一缺陷偵測演算法的一或多個參數，以及第二缺陷偵測演算法的一或多個參數等。使用者還可以在GUI上查看操作結果，諸如，例如偵測到的缺陷候選。在一些情況下，系統101還可以被配置成經由I/O介面126將缺陷候選發送至一或多個檢查工具120進行進一步處理。在一些情況下，系統101還可以被配置成將輸出資料發送到儲存單元122及/或外部系統（例如，製造廠（fabrication plant，FAB）的良率管理系統（Yield Management System，YMS））。
熟習此項技術者將容易理解，本案的標的的教導不受圖1中所示的系統的約束；等效及/或修改的功能可以以另一種方式合併或劃分，並且可以以軟體與韌體及/或硬體的任何適當組合來實現。
應當注意，圖1中所示的檢查系統可以在分散式運算上下文中實現，其中圖1中所示的上述部件和功能模組可以分佈在若干個本端及/或遠端設備上，並且可以藉由通訊網路連結。例如，第一PMC102和第二PMC110可以位於同一實體（在某些情況下由同一設備託管）或分佈在不同實體上。在一些情況下，第二PMC110可以作為系統101的一部分。
應當進一步注意，在其他實施例中，檢查工具120、儲存單元122及/或GUI124中的至少一些可以在檢查系統100的外部並且經由I/O介面126與系統100和系統101進行資料通訊。系統101及/或第二PMC110可以實現為獨立電腦以與檢查工具及/或與如前述的其他檢查模組結合使用。替代地，系統101及/或第二PMC110的相應功能可以至少部分地與一或多個檢查工具120整合，從而促進和增強檢查相關製程中檢查工具120的功能。
儘管不一定如此，但系統101和系統100的操作過程可以對應於關於圖2至圖5描述方法的部分或所有階段。同樣，關於圖2至圖5描述的方法及其可能的實現可以由系統101和系統100實現。因此，應當注意，關於圖2至圖5所描述的方法所討論的實施例也可以藉由必要的修改實現為系統101和系統100的各種實施例，反之亦然。
參照圖2，其示出根據本案的標的的某些實施例的半導體樣品上的缺陷偵測的一般流程圖。
可以（例如，經由I/O介面126藉由第一PMC102中的影像處理模組104）獲得表示半導體樣品的至少一部分的第一圖像（202）。第一圖像可以由檢驗工具（例如檢查工具120中的一個）以第一位元深度獲取。如前述，第一圖像可以由不同的檢查形式產生，例如藉由光學檢驗工具、電子束工具等，並且本案不受用於獲取圖像的特定檢查形式的限制。
如前述，位元深度是指用於表示圖像中的圖元的位元數。圖像中不同顏色/灰階級的數量取決於色彩深度或每一圖元位元數。在一些實施例中，為了能夠對樣品進行靈敏的缺陷偵測，用於擷取第一圖像的第一位元深度可以是相對高的位元深度，例如每圖元16位元，或者在一些情況下，每圖元24位元或每圖元32位元，具體取決於工具的成像配置。
如前述，樣品（例如，晶圓）可以由檢查工具沿著晶圓上的條帶連續掃瞄，並且即時採集的圖像資料（例如，表示條帶或其部分的圖像切片/條）可以與正在進行的其他條帶的圖像採集並行地即時處理/分析。本文中所使用的第一圖像可以代表表在一或多個步驟中掃瞄的晶圓的至少部分的此類圖像切片/條（例如，條帶或其一部分）。例如，第一圖像的大小可以是～10 13圖元，具有相對較高的位元深度（例如，每圖元16位元），從而保留樣品的精緻細節。第一圖像可以在其獲取及/或預處理之後被記錄/儲存在例如儲存單元122中。
由於第一圖像通常是巨大的圖像，因此其通常需要顯著更高的計算能力和處理資源。本案提出了一種基於混合系統架構的分散式雙漏斗缺陷偵測機制，其被證明具有改進的偵測靈敏度，同時保持高處理量，而不顯著提高硬體基礎設施，如下所述。
為了執行缺陷偵測的第一漏斗，將第一圖像轉換為較低的位元深度，從而減少資料量以適應第二PMC的處理能力。具體地，可以將第一圖像（例如，藉由影像處理模組104）轉換（204）為具有第二位元深度的第二圖像。第二位元深度是比第一位元深度更低的位元深度。舉例來說，在第一位元深度是每圖元16位元的情況下，第二位元深度可以是每圖元8位元。在第一位元深度是每圖元24或32位元的情況下，第二位元深度可以是每圖元16位元。在一些情況下，第一位元深度和第二位元深度可以根據以下中的一或多個來預先決定：檢驗工具、第一PMC及/或第二PMC的硬體設定以及缺陷偵測的性能要求，例如處理量。
在一些實施例中，變換函數可以用於位元深度轉換。變換函數可用於將第一圖像中由第一位元深度表示的圖元值範圍轉換為由第二位元深度表示的圖元值範圍。可以使用各種變換函數來進行不同位元深度之間的轉換。舉例來說，轉換可以旨在將原始位元深度中的圖元值映射到由目標位元深度表示的最接近的值。例如，當從每圖元16位元轉換為每圖元8位元時，每圖元16位元的圖元值範圍可以聚類成若干群集，這些群集可以由每圖元8位元的圖元值範圍表示。一種可能的方法是簡單地丟棄不太重要的較低8位元。作為另一示例，與使用例如標準線性變換相比，轉換可以使用被特別選擇的並且被配置成提高具有第二位元深度（相對於第一圖像）的第二圖像的精度/靈敏度的變換函數。可以基於第一圖像的圖元值分佈即時選擇變換函數。例如，可以將變換函數選擇為以下中的一者：對數函數、雙線性函數、多項式函數等，根據第一圖像的圖元值分佈具體配置其參數值。在一些情況下，此類變換函數可以被預先決定並且在獲取第一圖像之後動態地應用到第一圖像。使用此類特別配置的變換函數獲得的第二圖像相對於第一圖像可以具有更高的靈敏度和精度（例如，保留更多細節並更好地表示第一圖像）。
圖3圖示根據本發明揭露的標的的某些實施例的從第一位元深度到第二位元深度的圖像轉換的一般流程圖。
由於在半導體樣品的檢查期間由檢查工具順序地獲取多個第一圖像並且複數個第一圖像表示半導體樣品的不同部件/部分，因此這些第一圖像擷取不同的圖案並且具有不同的圖元值分佈。舉例來說，圖元分佈可以以圖像中圖元強度值的長條圖的形式表示。該長條圖可以是示出圖像中在該圖像中發現的每個不同強度值處的圖元數量的圖表。例如，一些第一圖像可以擷取到晶圓的明亮區域，因此可以大致更亮（因此在長條圖中具有更多具有較低強度值的圖元），而其他一些圖像可以擷取到黑暗區域，因此具有更暗的色調（因此在長條圖中有更多具有更高強度值的圖元）。
在此類情況下，預定的固定變換函數可能不適用於所有複數個第一圖像的位元深度轉換，因為該變換函數不能為具有不同圖元值分佈的不同圖像提供定製的變換。根據某些實施例，可以基於給定第一圖像的圖元值分佈為每個給定第一圖像選擇（302）特定變換函數。可以使用為其選擇的特定變換函數自適應地轉換（304）給定的第一圖像的圖元值以獲得第二圖像。例如，當第一圖像通常具有較亮的色調時，變換函數（諸如，例如對數函數）可以被配置成給較低圖元值更多的解析度/靈敏度（例如，藉由調整其參數值），並且用於其位元深度轉換，從而產生具有更高靈敏度和精度的第二圖像（具有較低的位元深度）。
可以將第二圖像（例如，由第一PMC102）傳輸（206）至可操作地連接至第一PMC的第二PMC（例如，第二PMC110）。第二PMC可以是側翼處理單元，用於基於第二圖像對樣品執行第一漏斗缺陷偵測。樣品的第二圖像儘管被轉換為較低的位元深度，但仍然是數十TB大小的巨大圖像。第一漏斗旨在利用更少的計算能力以有效的方式處理如此龐大的圖像，並且提供缺陷候選的輸出以供第二漏斗進一步處理。
在一些實施例中，第二PMC可以被配置成使用第一缺陷偵測演算法對第二圖像執行（220）第一缺陷偵測，產生第一組缺陷候選及其位置。第一缺陷偵測演算法可以用於產生缺陷映射，該缺陷映射指示至少部分的樣品上的缺陷候選分佈（即，樣品上具有高概率是感興趣缺陷（DOI）的可疑位置）。
在一些實施例中，第二PMC可以被具體配置/最佳化以處理具有第一位元深度的圖像。舉例來說，第二PMC可以包括一或多個數位訊號處理器（digital signal processor，DSP），可以以各種方式最佳化該數位訊號處理器以處理具有第二位元深度的圖像。在其他示例中，第二PMC可以被實現為一或多個CPU及/或GPU及/或任何數學加速器。第二位元深度越低，參與計算的位數越少，計算速度越快，所需的計算能力越小。在一些實施例中，DSP的指令集可以被設計成相對於DSP中的第二位元深度表示和向量大小等最大化/最佳化DSP的並行處理能力。
第一缺陷偵測演算法可以應用不同的偵測方法來處理檢驗圖像（例如，第二圖像）並且產生缺陷映射。根據某些實施例，第一缺陷偵測演算法可以是經典缺陷偵測演算法，例如晶圓與參考偵測演算法，諸如晶粒之間（D2D）、晶粒與歷史（D2H）、晶粒與資料庫（D2DB）等。在其他一些情況下，第一缺陷偵測演算法可以基於機器學習模型。本案內容不受本文所使用的特定偵測技術的限制。僅出於說明目的，現在描述了基於檢驗圖像的缺陷偵測和缺陷映射產生的幾個非限制性示例。
圖4圖示根據本案的標的的某些實施例的使用第一缺陷偵測演算法進行缺陷偵測的一般流程圖。在一些實施例中，對於每個檢驗圖像（例如，第二圖像），一或多個參考圖像可用於缺陷偵測。可以以各種方式獲得一或多個參考圖像（402），並且本文中所使用的參考圖像的數量以及獲得這些圖像的方式不應當被解釋為以任何方式限制本案。在一些情況下，可以從同一樣品的一或多個參考晶粒（例如，樣品上的檢驗晶粒（擷取與第二圖像相對應的第一圖像的位置）的一個或者多個相鄰晶粒）擷取一或多個參考圖像。在一些其他情況下，一或多個參考圖像可以包括從另一個樣品（例如，不同於當前樣品但共享相同設計資料的第二樣品）的一或多個晶粒擷取的一或多個圖像。舉例來說，在晶粒與歷史（D2H）檢驗方法中，可以在當前時間（例如，t=t’）從當前樣品擷取檢驗圖像，並且一或多個參考圖像可以包括在基線時間（例如，先前時間t=0）從第二個樣品上的一或多個晶粒上擷取的一或多個先前圖像。在一些進一步的實施例中，一或多個參考圖像可以包括表示一或多個晶粒中的給定晶粒的至少一個類比圖像。舉例來說，可以基於晶粒的設計資料（例如，CAD資料）產生類比圖像。
可以將第二圖像與一或多個參考圖像進行比較（404）。可以基於檢驗圖像的圖元值與從一或多個參考圖像匯出的圖元值之間的差異產生至少一個差異圖像。可選地，還可以基於至少一個差異圖像產生至少一個等級圖像。在一些情況下，等級圖像可以由具有基於差異圖像中的對應圖元值和預定義的差異正規化因數計算的值的圖元構成。預定義的差異正規化因數可以基於圖元值的正態整體的行為來決定，並且可以用於對差異圖像的圖元值進行正規化。舉例來說，圖元的等級可以被計算為差異圖像的對應圖元值與預定義的差異正規化因數之間的比率。可以例如藉由使用偵測閾值基於至少一個差異圖像或至少一個等級圖像來決定可疑缺陷的位置來產生缺陷映射（406）。
在一些實施例中，第一缺陷偵測演算法可以被具體配置成用於基於具有第二位元深度的圖像的缺陷偵測。舉例來說，在產生如前述的缺陷映射時，可以根據第二位元深度提供的偵測靈敏度來配置用於決定疑似缺陷的偵測閾值。例如，在第二位元深度為每圖元8位元的情況下，第二圖像中可以表示的不同灰階級為256。應設置/調整偵測閾值以滿足檢驗/審查預算。閾值的解析度可以基於第二位元深度表示的灰階級數。由於只有256個級別是可能的，因此將不會偵測到小於量化雜訊（兩個相鄰級別之間的差異）的缺陷。
在一些實施例中，產生的缺陷映射可以提供第一組缺陷候選的資訊。每個缺陷候選可以與一或多個缺陷屬性相關聯，例如缺陷候選的位置、強度、尺寸和形狀等。舉例來說，第一組缺陷候選可以包括（從第二圖像中的1013圖元中偵測到的）大約10 9個缺陷候選。在偵測時，第二PMC被配置成至少將第一組候選（相對於第二圖像）的位置發送（222）至第一PMC以用於執行第二缺陷偵測漏斗。在一些情況下，第二PMC也可以將其他缺陷屬性發送至第一PMC。
如前述，第一PMC可以實現為與檢驗工具相關聯的處理伺服器。與第二PMC相比，在一些情況下，第一PMC在較高位元深度圖元的計算效率可以更強，特別是並行處理能力。在本案中提出使用第一PMC基於第一缺陷偵測漏斗的輸出（即由第二PMC偵測到的第一組缺陷候選）來執行第二缺陷偵測漏斗。
具體地，在從第二PMC接收到位置後，可以基於位置（例如，由第一PMC102中的影像處理模組104）從（由第一PMC記錄/儲存的）第一圖像提取（208）一組圖像圖塊，該組圖像圖塊對應於第一組缺陷候選的。該組圖像圖塊是從具有更高位元深度的第一圖像提取的，因此與第二圖像相比，第一組缺陷候選更好地保留細節。
可以（例如，由第一PMC102中的第二缺陷偵測模組106）使用第二缺陷偵測演算法對該組圖像圖塊執行（210）第二缺陷探測，從而產生第二組缺陷候選。
如前述，與第二PMC相比，第一PMC通常配備有更強的處理能力。舉例來說，第一PMC可以包括一或多個圖形處理單元（graphic processing unit，GPU）。GPU是一種具有高度並行結構的專用電子電路，被設計為快速操縱電腦圖形和影像處理。與通用中央處理器（central processing unit，CPU）相比，GPU加速並不強調上下文切換來管理多個任務，而是強調藉由大量核心進行並行資料處理，這使得GPU在並行處理大資料區塊中比CPU更高效並且管理高資料處理量。
特別地，隨著機器學習，尤其是深度學習的出現，GPU的並行處理架構（例如，單指令、多資料（SIMD）架構）使其非常適合需要對許多資料項目執行相同程序的深度學習處理。然而，GPU是昂貴的資源（與通用處理器相比），應當對其進行最佳化以用於高效和優先的任務。
另一方面，機器學習技術被用於輔助半導體樣品的自動化檢查製程，以實現準確高效的解決方案並促進更高的良率。考慮到要處理的大量訓練資料以及要最佳化的隱藏層和節點的數量，使用通用處理器訓練ML模型，特別是深度學習模型通常會非常耗時。GPU在處理大量訓練資料中具有優勢，使用GPU訓練ML模型的速度比使用CPU快數百倍。
圖5圖示根據本發明的標的的某些實施例的使用第二缺陷偵測演算法進行缺陷偵測的一般流程圖。根據某些實施例，包括在第一PMC中的第二缺陷偵測模組可以包括機器學習（machine learning，ML）模型（例如，ML模型108）。從第一圖像提取並對應於第一組缺陷候選的該組圖像圖塊可以由ML模型處理（502），從而獲得（504）每個圖像圖塊中是否存在任何缺陷候選的指示作為ML模型的輸出，從而產生第二組缺陷候選。先前基於具有第一位元深度的訓練圖像訓練ML模型。
根據某些實施例，本文所指的ML模型可以實現為各種類型的機器學習模型，例如決策樹、支援向量機 （Support Vector Machine，SVM）、人工神經網路（Artificial Neural Network，ANN）、回歸模型、貝氏網路或其整體/組合等。ML模型使用的學習演算法可以是以下任一種：監督學習、非監督學習或半監督學習等。本案的標的不限於特定類型的ML模型或ML模型使用的特定類型或學習演算法。
在一些實施例中，ML模型可以實現為深度神經網路（Deep neural network，DNN）。DNN可以包括監督DNN模型或非監督DNN模型，其中包括根據相應DNN架構組織的層。作為非限制性示例，可以根據迴旋神經網路（Convolutional Neural Network，CNN）架構、遞迴神經網路架構、遞迴神經元網路架構、產生對抗網路（Generative Adversarial Network，GAN）架構或其他方式來組織DNN的層。可選地，層中的至少一些可以被組織成多個DNN子網路。DNN的每一層均可以包括多個基本計算元素（computational element，CE），在本領域中通常稱為維度、神經元或節點。下面對示例性的DNN結構進行說明。
通常，給定層的計算元素可以與前一層及/或後一層的CE連接。前一層的CE與後一層的CE之間的每個連接均與加權值相關聯。給定的CE可以經由相應的連接從前一層的CE接收輸入，每個給定的連接與可以應用於給定連接的輸入的加權值相關聯。加權值可以決定連接的相對強度，從而決定各個輸入對給定CE的輸出的相對影響。給定CE可以被配置成計算啟動值（例如，輸入的加權和），並且藉由將啟動函數應用於計算的啟動值來進一步匯出輸出。啟動函數可以是例如恒等函數、決定性函數（例如，線性、S形、閾值等）、隨機函數或其他合適的函數。來自給定CE的輸出可以經由相應的連接傳輸到後續層的CE。同樣，如前述，CE的輸出處的每個連接都可以與可以在被接收為後續層的CE的輸入之前應用於CE的輸出的加權值相關聯。除了加權值之外，還可以存在與連接和CE相關聯的閾值（包括限制函數）。
DNN的加權及/或閾值可以在訓練之前被初始選擇，並且可以在訓練期間被進一步反覆運算地調整或修改，以在經訓練的DNN中實現加權及/或閾值的最佳集。在每次反覆運算之後，可以決定DNN模組產生的實際輸出和與相應訓練資料集相關聯的目標輸出之間的差異。該差異可以稱為誤差值。當指示誤差值的損失/成本函數小於預定值時，或者當實現反覆運算之間的性能的有限變化時，可以決定訓練完成。用於調整深度神經網路的加權/閾值的輸入資料集稱為訓練集。
應當注意，本案的標的的教導不受如前述的ML或DNN的特定架構的約束。
如前述，在一些實施例中，第一PMC可以包括一或多個圖形處理單元（graphic processing unit，GPU），其被特別最佳化為使用如前述的ML模型（例如，DNN）處理具有第一位元深度（即，相對較高的位元深度）的圖像。舉例來說，某些GPU的內部電子結構被最佳化用於32位元浮點數表示。單精確度浮點格式（有時稱為FP32或float32）是一種電腦數位格式，通常在電腦記憶體中佔用32位元。該格式藉由使用浮動小數點表示寬動態範圍的數值。GPU的浮點表示可以提高偵測靈敏度，因為浮點變數可以表示16位元深度所需的更廣泛的數字範圍。
在一些情況下，第一PMC還可以包括用於處理通用處理的通用處理器（例如CPU），或者替代地，使用其他類型的加速器來代替GPU。
在一些情況下，從對應於具有10 9的數量級的候選的第一組缺陷候選的一組圖像圖塊中偵測到的由第二缺陷偵測漏斗偵測到的第二組缺陷候選可以是10 6的數量級的候選。可選地，第一PMC還可以被配置成使用一或多個附加的過濾演算法來過濾第二組缺陷候選。可選地，第二組缺陷候選可以由審查工具（例如，檢查工具120中的一者）審查以決定第二組之每一者缺陷候選是DOI還是妨害，從而藉由審查製程產生一組DOI。
根據某些實施例，可選地，第一PMC可以包括訓練模組，該訓練模組被配置成使用訓練集來訓練機器學習模型108以進行缺陷偵測。用於在監督學習中訓練ML模型的訓練集通常包括一或多個訓練取樣，每個訓練取樣包括相應的訓練圖像以及與其相關聯的對應地面實況資料。該地面實況資料可以包括訓練圖像的標籤資料，該標籤資料指示訓練圖像中是否存在DOI或妨害。
訓練圖像可以是在其製造製程中由檢驗工具獲得的半導體樣品的「真實」圖像。可以以各種方式獲得地面實況資料，諸如，例如藉由人工註釋、基於設計資料合成產生、基於機器學習或以上的組合。例如，可以例如以DOI邊界框的形式或二進位圖像的形式等等提供標籤資料，在二進位圖像的形式中只有屬於DOI的圖元獲得值「1」，無缺陷圖元獲得值「0」。在ML訓練期間使用的成本函數可以基於偵測準確度/擷取率，並且可選地，還基於誤偵測和過度偵測的罰分。
根據某些實施例，可以在設置階段期間預訓練ML模型，並且經訓練的ML模型可以部署在生產中，用於在運行時對生產晶圓進行缺陷偵測。在一些進一步的實施例中，所部署的ML模型可以在運行時檢驗期間被連續地再訓練和更新。例如，對於給定的生產晶圓，用於訓練ML模型的訓練集可以包括與DOI標籤相關聯的由審查處理揭示的與一組DOI相對應的（來自從第一圖像提取的一組圖像圖塊的）圖像圖塊，以及與妨害標籤相關聯的第二組中的剩餘的非DOI缺陷候選對應的圖像圖塊。可選地，表徵缺陷候選的缺陷屬性（由第二PMC可選地發送）也可以包括在訓練集中。
訓練集可用於再訓練ML模型，從而產生更新的ML模型，其可替代先前部署的ML模型。更新後的ML模型可用於再次處理與第一組缺陷候選對應的一組圖像圖塊，從而產生新的第二組缺陷候選。審查工具可以進一步審查新的第二組候選缺陷，從而獲得新的一組DOI。可以產生新的訓練集，包括對應於新的一組DOI的圖像圖塊以及對應於新的第二組中剩餘的非DOI缺陷候選的剩餘圖像圖塊。可以使用更新的新訓練集和ML模型重複再訓練過程和偵測處理，直到滿足標準，從而能夠從給定晶圓中揭示更多的DOI，並提高其擷取率和偵測靈敏度。
根據某些實施例，如前述的訓練過程可以被包括作為用於產生檢驗/偵測配方的處理的一部分，該檢驗/偵測配方可由系統101（例如，包含在第二缺陷偵測模組106中）用於運行時的缺陷偵測（ML模型一旦經過訓練，就可以作為檢驗配方的一部分）。因此，本案的標的還包括用於產生如前述的檢驗配方的系統和方法。
應當注意，在本案中所示出的示例（諸如，例如第一位元深度和第二位元深度的示例、第一PMC的結構和第二PMC的結構、示例性的第一缺陷偵測演算法和第二缺陷偵測演算法等）是出於示例性目的而示出的，不應被視為以任何方式限制本案。其他適當的示例/實施例可以用來補充或代替上述內容。
如本文所述的缺陷偵測系統的某些實施例的優點之一在於其提供了一種混合系統架構，該混合系統架構能夠高效地處理以相對高的位元深度獲取的樣品的大量檢驗圖像資料，來以改進的偵測靈敏度偵測缺陷，同時保持高處理量，而不會顯著增加所需的計算能力和資源。
該混合架構包括彼此可操作地連接的第一PMC（例如處理伺服器）和第二PMC（例如側翼處理單元），其中第一PMC相對於第二PMC具有先進的處理能力（特別是更強的並行處理能力）。第二PMC被配置成基於具有較低位元深度的轉換圖像執行的第一缺陷偵測漏斗，並且第一PMC被配置成執行第二缺陷偵測漏斗以進一步過濾第一漏斗的輸出。以特定方式利用/平衡第一PMC和第二PMC，以高效地利用各自的計算能力，對不同位元深度的圖像執行不同的缺陷偵測演算法，以在系統容量內最佳化缺陷偵測性能。
特別地，以相對高的位元深度處獲取晶圓的第一圖像，因此與以相對低的位元深度獲取的圖像相比能夠保留晶圓的精細細節資訊。如圖7所示，對於包括線結構的晶圓的相對暗的區域，圖示以相對較低的位元深度（例如，每圖元8位元）獲取的圖像702和以相對較高的位元深度（例如，每圖元14位元）獲取的圖像706。在對圖像應用某些初步影像處理（諸如增亮處理）之後，可以看出，在與圖像702相對應的增亮圖像704中丟失了某些精細細節（諸如關於線結構的邊緣的細節），而與圖像706相對應的增亮圖像708中具有良好保留的邊緣細節，當用於缺陷偵測或其他檢查時，可以提供更準確/靈敏的結果。
第一圖像被轉換成較低的位元深度，以適應第二PMC的處理能力，並使第二PMC能夠實現第一缺陷偵測漏斗的有效處理。對具有較高位元深度（如從第一圖像提取）的圖像圖塊執行第二缺陷偵測漏斗，因此可以利用圖像中保存的圖像細節來進行由第一PMC驅動的（例如，基於機器學習的）相對先進的缺陷偵測。這兩個漏斗共同使得缺陷偵測具有改進的偵測靈敏度和效率，同時保持高處理量並且不會顯著增加所需的計算能力和資源。
如前述，缺陷偵測系統需要在短時間內快速分析非常大的圖像（例如，數百TB的大小），同時節省處理成本。處理任務在兩個PMC之間分配。具體地，第一PMC被最佳化用於更高位元深度（例如，第一位元深度）處理，從而能夠導致更高靈敏度。第二PMC針對較低的位元深度處理進行了最佳化，從而能夠實現更快的分析（更好的計算效率）和更低的計算成本。藉由以這種方式在兩個PMC之間拆分影像處理，可以在不犧牲高偵測靈敏度的情況下實現高處理量。
本文所述的ML模型的訓練製程的某些實施例的進一步優點之一是，第一PMC用於缺陷偵測的ML模型可以基於最新的生產晶圓資料在生產中被重複並且連續地再訓練和更新，由此使得ML模型能夠被最佳化成對於晶圓/處理變化更穩固，並且能夠以反覆運算方式使用更新的ML模型揭示給定晶圓的更多DOI，從而提高晶圓的擷取率和偵測靈敏度。
應當理解，本案的應用不限於本文所包括的描述中闡述的或附圖中所示的細節。
還應當理解，根據本案的系統可以至少部分地在適當程式設計的電腦上實現。同樣，本案考慮了一種電腦可讀的電腦程式，其用於執行本案內容的方法。本案還設想了一種非暫時性電腦可讀記憶體，其有形地包括可以由電腦執行以執行本案內容的方法的指令程式。
本案可以具有其他實施例並且能夠以各種方式進行實踐和執行。因此，應當理解，本文所用的表述和術語旨在進行描述而不應被視為限制。因此，熟習此項技術者將理解，本案所基於的構思可以容易地用作設計其他結構、方法和系統的基礎，以實現本案的標的的若干目的。
熟習此項技術者將容易理解，在不脫離由所附申請專利範圍限定的範圍的情況下，可以對如前述的本案的實施例進行各種修改和改變。
100:檢查系統 101:系統 102:第一PMC 104:影像處理模組 106:第二缺陷偵測模組 108:機器學習模型 110:第二PMC 120:檢查工具 122:儲存單元 124:圖形化使用者介面 126:I/O介面 202:步驟 204:步驟 206:步驟 208:步驟 210:步驟 220:步驟 222:步驟 302:步驟 304:步驟 402:步驟 404:步驟 406:步驟 502:步驟 504:步驟 602:圖像 604:圖像 702:圖像 704:增亮圖像 706:圖像 708:增亮圖像
為了理解本案並且瞭解如何在實踐中執行本案，現在將參考附圖僅藉由非限制性示例的方式描述實施例，其中：
圖1圖示根據本案的標的的某些實施例的檢查系統的一般方塊圖。
圖2圖示根據本案的標的的某些實施例的半導體樣品的缺陷偵測的一般流程圖。
圖3圖示根據本案的標的的某些實施例的從第一位元深度到第二位元深度的圖像轉換的一般流程圖。
圖4圖示根據本案的標的的某些實施例的使用第一缺陷偵測演算法進行缺陷偵測的一般流程圖。
圖5圖示根據本案的標的的某些實施例的使用第二缺陷偵測演算法進行缺陷偵測的一般流程圖。
圖6圖示根據本案的標的的某些實施例的每圖元8位元的灰階圖像和每圖元16位元的灰階圖像的示例。
圖7圖示根據本案的標的的某些實施例的針對具有不同位元深度的晶圓的相對暗區域獲取的兩個圖像。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
202:步驟
204:步驟
206:步驟
208:步驟
210:步驟
220:步驟
222:步驟

Claims (20)

  1. 一種半導體樣品的缺陷偵測的電腦化系統，該系統包括第一處理和記憶體電路（PMC），該系統被配置成： 獲得表示該半導體樣品的至少部分的第一圖像，該第一圖像由檢驗工具以第一位元深度獲取； 將該第一圖像轉換為具有第二位元深度的第二圖像，其中該第二位元深度是比該第一位元深度更低的位元深度； 將該第二圖像傳輸至可操作地連接至該第一PMC的第二PMC，其中該第二PMC被配置成使用第一缺陷偵測演算法對該第二圖像執行第一缺陷偵測，產生第一組缺陷候選，並且將該第一組缺陷候選的位置發送至該第一PMC； 在從該第二PMC收到該些位置之後，基於該些位置從該第一圖像提取與該第一組缺陷候選相對應的一組圖像圖塊；及 使用第二缺陷偵測演算法對該組圖像圖塊執行第二缺陷偵測，產生第二組缺陷候選。
  2. 根據請求項1之電腦化系統，其中該第一位元深度是每圖元32位元、每圖元24位元和每圖元16位元中的一者，並且該第二位元深度是每圖元16位元和每圖元8位元中的一者。
  3. 根據請求項1之電腦化系統，其中該第一PMC包括一或多個圖形處理單元（GPU），該圖形處理單元被最佳化以處理具有該第一位元深度的圖像。
  4. 根據請求項1之電腦化系統，其中該第二PMC包括一或多個數位訊號處理器（DSP），該數位訊號處理器被最佳化以處理具有該第二位元深度的圖像。
  5. 根據請求項1之電腦化系統，其中該第一PMC被配置成藉由基於該第一圖像的圖元值分佈選擇變換函數並且使用該變換函數轉換該第一圖像的圖元值來轉換該第一圖像以獲得該第二圖像，該變換函數可用於將該第一位元深度表示的圖元值範圍轉換為該第二位元深度表示的圖元值範圍。
  6. 根據請求項5之電腦化系統，其中該變換函數是被特別選擇的並且被配置成提高具有該第二位元深度的該第二圖像的準確性。
  7. 根據請求項1之電腦化系統，其中該第一缺陷偵測演算法是使用該第二圖像的一或多個參考圖像的晶粒與參考偵測演算法。
  8. 根據請求項7之電腦化系統，其中該第一缺陷偵測演算法具體被配置用於對具有該第二位元深度的一或多個第二圖像進行缺陷偵測。
  9. 根據請求項1之電腦化系統，其中該第二缺陷偵測演算法包括機器學習（ML）模型，該機器學習模型是使用具有該第一位元深度的一或多個訓練圖像以及與該訓練圖像相關聯的指示感興趣缺陷（DOI）或感興趣缺陷的妨害的存在的相應標籤來訓練的。
  10. 根據請求項9之電腦化系統，其中該第二組缺陷候選由審查工具審查，產生一組DOI，該ML模型是使用與該組DOI相對應並且與DOI的標籤相關聯的圖像圖塊以及與該第二組缺陷候選中的非DOI缺陷候選相對應並且與妨害的標籤相關聯的圖像圖塊再訓練的，並且經再訓練的ML模型用於重新執行該第二缺陷偵測。
  11. 根據請求項1之電腦化系統，其中該第一PMC被配置成獲得在運行時檢驗期間由該檢驗工具順序採集的並且表示該半導體樣品的不同部分的多個第一圖像，並且針對該多個第一圖像之每一者給定第一圖像執行轉換、傳輸、提取和執行，並且其中藉由基於該給定第一圖像的圖元值分佈選擇特定變換函數來自適應地轉換每個給定第一圖像。
  12. 根據請求項1之電腦化系統，進一步包括該第二PMC，其中該第一PMC針對第一位元深度處理進行最佳化由此能夠提高偵測靈敏度，該第二PMC針對第二位元深度處理進行最佳化由此能夠提高計算效率並且降低計算成本，並且其中以特定方式利用該第一PMC和該第二PMC以對具有不同位元深度的圖像執行相應的缺陷偵測，從而在不犧牲偵測靈敏度的情況下提高處理量。
  13. 一種半導體樣品的缺陷偵測的電腦化方法，該方法由第一處理和記憶體電路（PMC）執行，並且該方法包括： 獲得表示該半導體樣品的至少部分的第一圖像，該第一圖像由檢驗工具以第一位元深度獲取； 將該第一圖像轉換為具有第二位元深度的第二圖像，其中該第二位元深度是比該第一位元深度更低的位元深度； 將該第二圖像發送至可操作地連接至該第一PMC的第二PMC，其中該第二PMC被配置成使用第一缺陷偵測演算法對該第二圖像執行第一缺陷偵測，產生第一組缺陷候選，並且將該第一組缺陷候選的位置發送至該第一PMC； 在從該第二PMC收到該些位置之後，基於該些位置從該第一圖像提取與該第一組缺陷候選相對應的一組圖像圖塊；及 使用第二缺陷偵測演算法對該組圖像圖塊執行第二缺陷偵測，產生第二組缺陷候選。
  14. 根據請求項13之電腦化方法，其中該第一PMC包括一或多個圖形處理單元（GPU），該圖形處理單元被最佳化以處理具有該第一位元深度的圖像。
  15. 根據請求項13之電腦化方法，其中該第二PMC包括一或多個數位訊號處理器（DSP），該數位訊號處理器被最佳化以處理具有該第二位元深度的圖像。
  16. 根據請求項13之電腦化方法，其中該轉換該第一圖像包括：基於該第一圖像的圖元值分佈選擇變換函數並且使用該變換函數轉換該第一圖像的圖元值以獲得該第二圖像，該變換函數可用於將該第一位元深度表示的圖元值範圍轉換為該第二位元深度表示的圖元值範圍。
  17. 根據請求項13之電腦化方法，其中該第二缺陷偵測演算法包括機器學習（ML）模型，該機器學習模型是使用具有該第一位元深度的一或多個訓練圖像以及與該訓練圖像相關聯的指示感興趣缺陷（DOI）或感興趣缺陷的妨害的存在的相應標籤來訓練的。
  18. 根據請求項17之電腦化方法，其中該第二組缺陷候選由審查工具審查，產生一組DOI，該ML模型是使用與該組DOI相對應並且與DOI的標籤相關聯的圖像圖塊以及與該第二組缺陷候選中的非DOI缺陷候選相對應並且與妨害的標籤相關聯的圖像圖塊再訓練的，並且經再訓練的ML模型用於重新執行該第二缺陷偵測。
  19. 根據請求項13之電腦化方法，其中該第一PMC針對第一位元深度處理進行最佳化由此能夠提高偵測靈敏度，該第二PMC針對第二位元深度處理進行最佳化由此能夠提高計算效率並且降低計算成本，並且其中以特定方式利用該第一PMC和該第二PMC以對具有不同位元深度的圖像執行相應的缺陷偵測，從而在不犧牲偵測靈敏度的情況下提高處理量。
  20. 一種非暫時性電腦可讀取儲存媒體，其有形地包含指令程式，當該等指令程式由電腦執行時，使得該電腦執行一種半導體樣品的缺陷偵測的方法，該方法包括： 獲得表示該半導體樣品的至少部分的第一圖像，該第一圖像由檢驗工具以第一位元深度獲取； 將該第一圖像轉換為具有第二位元深度的第二圖像，其中該第二位元深度是比該第一位元深度更低的位元深度； 將該第二圖像發送至可操作地連接至該第一PMC的第二PMC，其中該第二PMC被配置成使用第一缺陷偵測演算法對該第二圖像執行第一缺陷偵測，產生第一組缺陷候選，並且將該第一組缺陷候選的位置發送至該第一PMC； 在從該第二PMC收到該些位置之後，基於該些位置從該第一圖像提取與該第一組缺陷候選相對應的一組圖像圖塊；及 使用第二缺陷偵測演算法對該組圖像圖塊執行第二缺陷偵測，產生第二組缺陷候選。
TW112108483A 2022-05-19 2023-03-08 半導體樣品的缺陷偵測 TW202409550A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/748,996 US20230377125A1 (en) 2022-05-19 2022-05-19 Defect detection of a semiconductor specimen
US17/748,996 2022-05-19

Publications (1)

Publication Number Publication Date
TW202409550A true TW202409550A (zh) 2024-03-01

Family

ID=88781986

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112108483A TW202409550A (zh) 2022-05-19 2023-03-08 半導體樣品的缺陷偵測

Country Status (4)

Country Link
US (1) US20230377125A1 (zh)
KR (1) KR20230161868A (zh)
CN (1) CN117094938A (zh)
TW (1) TW202409550A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118398515A (zh) * 2024-06-28 2024-07-26 江苏永鼎股份有限公司 一种GaAs刻蚀工艺的检测工艺及检测系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8094234B2 (en) * 2008-10-14 2012-01-10 Texas Instruments Incorporated System and method for multistage frame rate conversion
US8411970B2 (en) * 2010-03-16 2013-04-02 Pixia Corp. Method and system for determining statistical data for image pixels having a higher bit depth per band
US9756306B2 (en) * 2014-03-10 2017-09-05 Novatek Microelectronics Corp. Artifact reduction method and apparatus and image processing method and apparatus
JP6289184B2 (ja) * 2014-03-14 2018-03-07 オリンパス株式会社 画像認識装置および画像認識方法
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10395356B2 (en) * 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
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
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US11409986B2 (en) * 2018-11-15 2022-08-09 Intel Corporation Trainable vision scaler
US11307150B2 (en) * 2020-08-17 2022-04-19 Applied Materials Israel Ltd. Automatic optimization of an examination recipe
US20230306580A1 (en) * 2022-03-28 2023-09-28 Applied Materials Israel Ltd. Machine learning based examination of a semiconductor specimen and training thereof
US20240153043A1 (en) * 2022-11-08 2024-05-09 Applied Materials Israel Ltd. Image denoising for examination of a semiconductor specimen

Also Published As

Publication number Publication date
US20230377125A1 (en) 2023-11-23
KR20230161868A (ko) 2023-11-28
CN117094938A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
TWI834916B (zh) 基於機器學習的取樣缺陷檢測
CN110945528B (zh) 产生可用于检查半导体样品的训练集的方法及其系统
US11449977B2 (en) Generating training data usable for examination of a semiconductor specimen
US12007335B2 (en) Automatic optimization of an examination recipe
TWI786570B (zh) 生成可用於檢查半導體樣本的訓練集
US20240078659A1 (en) Defect examination on a semiconductor specimen
TW202409550A (zh) 半導體樣品的缺陷偵測
KR20240039600A (ko) 기계 학습 기반 결함 검사를 위한 이미지 증강
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練
US20240153043A1 (en) Image denoising for examination of a semiconductor specimen
CN117292164A (zh) 检查半导体样本中形成的孔
US20240338811A1 (en) Machine learning based defect examination for semiconductor specimens
US20240281956A1 (en) Machine learning based examination for process monitoring
JP7530330B2 (ja) 半導体試料の画像のセグメンテーション
US20240105522A1 (en) End-to-end measurement for semiconductor specimens
TW202430867A (zh) 用於基於機器學習的缺陷檢查的圖像增強
TW202431457A (zh) 用於半導體試樣的端對端測量
IL309325B1 (en) A match-based examination of defects in semiconductor samples