TWI648766B - 用於晶粒對資料庫光罩檢查之自動校準樣本選擇 - Google Patents

用於晶粒對資料庫光罩檢查之自動校準樣本選擇 Download PDF

Info

Publication number
TWI648766B
TWI648766B TW104114486A TW104114486A TWI648766B TW I648766 B TWI648766 B TW I648766B TW 104114486 A TW104114486 A TW 104114486A TW 104114486 A TW104114486 A TW 104114486A TW I648766 B TWI648766 B TW I648766B
Authority
TW
Taiwan
Prior art keywords
samples
computer
sample
dimensional vector
design data
Prior art date
Application number
TW104114486A
Other languages
English (en)
Other versions
TW201606854A (zh
Inventor
趙豐
潘剛
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201606854A publication Critical patent/TW201606854A/zh
Application granted granted Critical
Publication of TWI648766B publication Critical patent/TWI648766B/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)

Abstract

本發明揭示一種方法，其用於選擇比例光罩(reticle)設計資料型樣之樣本以校準基於其呈現用於一晶粒對資料庫比例光罩檢查方法中之參考影像的參數，該方法包括以下步驟：將局部二進制型樣(LBP)分析應用於複數個樣本以獲得針對該複數個樣本中之每一者之一p維向量輸出；將q-D資料點叢集化成M個群組；自每一經叢集化群組選擇一個樣本；計算所選擇之該等樣本之評估分數；及依據代表性分數及多樣性分數選擇該M個樣本之一部分。

Description

用於晶粒對資料庫光罩檢查之自動校準樣本選擇 相關申請案之交叉參考
本申請案主張於2014年5月6日提出申請之第61/988,908號美國臨時專利申請案之權益，該申請案之全文以引用方式併入本文中。
本發明一般而言係關於光罩檢查，且更具體而言，係關於晶粒對資料庫光罩檢查，且甚至更具體而言，係關於用於晶粒對資料庫光罩檢查之自動校準樣本選擇。
一光罩通常用於一積體電路之設計與實際晶圓本身之間的中間步驟中。該光罩充當一模板以將一影像印刷於半導體材料上。在過去，慣例係影像自遮罩至晶圓之一1：1轉印。該1：1轉印已為一「分步重複」系統所替代，該「分步重複」系統利用跨越晶圓平面多次分步地曝光一遮罩影像之縮影透鏡系統。該等分步重複系統在光罩上產生較大像場大小。由於放大率不再係1：1，因此光罩可稱為一比例光罩(reticle)。
通常，使用一電腦輔助設計(CAD)系統，該電腦輔助設計系統使一設計者能夠以電子方式完整地描繪一積體電路之電路圖案。此電子設計資料產生供一圖案產生器使用並將所期望之遮罩特徵印刷至光罩上之一指令集。一般而言，然後使該遮罩經受包含將圖案蝕刻至光罩 中之各種程序，且然後該光罩準備進行品質保證檢查。
品質保證檢查可包含(舉例而言)量測臨界尺寸以確保以恰當大小印刷遮罩特徵。而且，由於半導體裝置係逐層地建成，因此可檢查用於每一層之光罩之像場以確保該等層在某一容差內彼此上下「堆疊」。簡言之，執行缺陷檢查以確保不存在大於一給定大小之比例光罩缺陷。若發現缺陷，則必須修復該等缺陷或判定該等缺陷在印刷所需之規格內。
晶粒對晶粒及晶粒對資料庫係兩種已知的並在工業中使用之圖案缺陷比例光罩檢查方法。在晶粒對晶粒檢查方法中，比較鄰近單元中之圖案以便偵測任何差別。因此，將一個晶粒與同一比例光罩上之另一個晶粒進行比較需要兩個晶粒具有相同設計。檢查系統掃描待檢查之區，收集影像並對其進行處理以便識別晶粒之間的差異。超過一預設臨限位準之差異經偵測為缺陷。由於晶粒對晶粒檢查需要具有一完全相同設計之兩個或兩個以上晶粒來進行，因此不能夠用此方法檢查單個晶粒比例光罩。
在晶粒對資料庫檢查方法中，檢查系統將自比例光罩收集之影像與儲存於一資料庫中之所呈現影像進行比較。為了使此方法成功，所呈現影像必須與比例光罩上之經處理特徵儘可能接近地相似。因此，自用於寫入正被檢查之比例光罩之設計資料呈現經儲存影像。
由於其自身的本質，晶粒對資料庫檢查係需要既用於資料呈現、影像處理又用於缺陷偵測之高階演算法之一更複雜程序。其亦需要更多處理能力。然而，晶粒對資料庫之極好優點中之一者係檢查單個晶粒比例光罩及(一般而言)任一比例光罩佈局之100%之能力。出於諸多目的而使用單個晶粒比例光罩，該等單個晶粒比例光罩包含用於新微影程序及技術之顯影及除錯之比例光罩、多產品梭動比例光罩及伺服器晶片MPU比例光罩，以及其他。
晶粒對資料庫光罩檢查需要一校準步驟以校準基於其呈現參考影像之參數。由於影像呈現模型之高非線性，因此有效校準樣本之選擇對於一成功檢查而言係關鍵的。晶粒對資料庫光罩檢查之首次成功率亦係關鍵的。由於重複檢查流程可耗費數個小時，因此首次失敗可嚴重影響客戶之產品之產出量。
晶粒對資料庫檢查失敗的主要原因之一係次最佳校準結果。達成最佳校準結果通常高度取決於校準樣本選擇，該等校準樣本選擇通常由必須具有顯著實踐經驗及/或對影像呈現模型之一深刻理解以有能力做出選擇之一操作者手動完成。一般而言，由於巨大的資料，因此對每一樣本之目視檢查係不切實際的，且因此操作者通常藉由以下方式來選擇校準樣本：a)自一光罩之整個板隨機拾取一小樣本集合(例如，數十個樣本)；及b)基於各種因素，自在步驟a）中所拾取之樣本選擇一甚至更小(通常小於15個)樣本集合。各種因素包含整個板之樣本的代表性、樣本圖案的獨特性、樣本圖案之影像呈現的困難性及其他主觀操作者經驗。
不管操作者之知識，通常以一主觀及經驗方式選擇校準樣本，此乃因不存在對程序之科學評估。此可能無法預測地導致校準失敗，從而導致檢查失敗。此外，該選擇可能係不完整的。操作者自數百萬個候選者隨機拾取數十個樣本，使操作者有可能遺漏對校準具有大影響之重要樣本。對於沒有經驗之操作者或不常見類型之光罩，選擇校準樣本可係耗時的且具有挑戰性的。
因此，長期以來需要用於自光罩設計資料選擇有效校準樣本(此增加首次成功率)之一經改良方法。亦長期需要替代部分手動工作以降低做出一選擇所需要之實踐經驗量之一自動化選擇方法。此外，長期以來需要以一穩定方式選擇有效校準樣本之一選擇方法。
本發明包括一種方法，其用於選擇比例光罩設計資料型樣之樣本以校準基於其呈現用於一晶粒對資料庫比例光罩檢查方法中之參考影像的參數，該方法包括以下步驟：將局部二進制型樣(LBP)分析應用於複數個設計資料樣本，以獲得針對該複數個樣本中之每一者之一p維向量輸出；將向量輸出資料點集合叢集化成M數目個群組；自每一經叢集化群組選擇一個樣本；計算所選擇之該等樣本之評估分數；及依據代表性分數及多樣性分數選擇該M個樣本之一部分。
本發明亦包括一種基於電腦之設備，其具有：一記憶體元件，其經組態以儲存複數個電腦可讀指令；及一處理器，其經組態以執行該複數個電腦可讀指令，以：將局部二進制型樣(LBP)分析應用於複數個樣本以獲得針對該複數個樣本中之每一者之一p維向量輸出；將q-D資料點叢集化成M個群組；自每一經叢集化群組選擇一個樣本；計算所選擇之該等樣本之評估分數；及依據代表性分數及多樣性分數選擇該M個樣本之一部分。
本發明建構使用一系列技術自電腦視覺及影像處理場自動選擇有效校準樣本之一程序。該程序包含LBP分析，一種以一抽象且簡潔方式高效地描述每一樣本之圖案特徵之特徵描述方法。基於該LBP分析結果及進一步選用分析，該方法直接完成該校準樣本選擇並在無任何中斷之情況下進入校準，或提供校準樣本候選者之一小集合連同針對每一樣本之對應評估分數，後續接著一手動選擇。
本發明使選擇程序流程自動化且最小化對操作者之知識之要求，從而顯著地改良校準樣本選擇之完整性及有效性。此使標準化評估分數能夠替代主觀及不穩定手動工作，其改良產品之穩健性。本發明之方法不可能增加檢查時間，且作為結果，可顯著地改良檢查首次成功率。
鑒於本發明之以下詳細說明鑒於圖式，熟習此項技術者將更佳 地瞭解本發明之此等及其他目標、優點及特徵。
200‧‧‧光罩
202‧‧‧暗區域
204‧‧‧亮區域
210‧‧‧光罩
212‧‧‧暗區域
214‧‧‧亮區域
220‧‧‧光罩
222‧‧‧暗區域
224‧‧‧亮區域
230‧‧‧光罩
232‧‧‧暗區域
234‧‧‧亮區域
300‧‧‧局部二進制型樣直方圖
310‧‧‧局部二進制型樣直方圖
320‧‧‧直方圖
330‧‧‧直方圖
為更好地理解本發明之實施例及展示可如何實施本發明之實施例，現在將僅以實例方式參考附圖，在附圖中，通篇之相似編號指定對應元件或區段。
在附圖中：圖1係根據本發明之一實例性實施例之一晶粒對資料庫計量方法之一高階示意性流程圖；圖2A係一例示性光罩圖案；圖2B係一例示性光罩圖案；圖2C係一例示性光罩圖案；圖2D係一例示性光罩圖案；圖3A係根據對圖2A中之光罩圖案之一局部二進制型樣分析之一直方圖；圖3B係根據對圖2B中之光罩圖案之一局部二進制型樣分析之一直方圖；圖3C係根據對圖2C中之光罩圖案之一局部二進制型樣分析之一直方圖；及，圖3D係根據對圖2D中之光罩圖案之一局部二進制型樣分析之一直方圖。
首先，應瞭解，不同繪製視圖上之相似參考字符識別本發明之完全相同或功能上類似的結構元件。儘管就目前被視為較佳態樣之內容來闡述本發明，但應理解，所主張之本發明並不限於所揭示之態樣。本發明意欲包含在隨附申請專利範圍之精神及範疇內的各種修改及等效配置。
此外，應理解，本發明並不限於所闡述之特定方法、材料及修改，且因此當然可發生變化。亦應理解，本文中所使用之術語僅係出於闡述特定態樣之目的，且並非意欲限制本發明之範疇，本發明之範疇僅受隨附申請專利範圍限制。
除非另外定義，否則本文中所使用之所有技術及科學術語皆具有與熟習本發明所屬技術領域者通常所理解之意義相同的意義。儘管任何類似於或等效於本文中所闡述之彼等方法、裝置或材料之方法、裝置或材料皆可用於本發明之實踐或測試中，但現在闡述較佳方法、裝置及材料。
在下文說明中，一實施例係本發明之一實例或實施方案。「一項實施例」、「一實施例」、「特定實施例」或「某些實施例」之各種出現未必全部係指相同實施例。
圖1係根據本發明之某些實施例之晶粒對資料庫方法100之一高階示意性流程圖。
方法100包括步驟102，步驟102包含自可用於一典型整個二進制光罩設計資料上之數百萬個樣本隨機拾取N個樣本之一大集合。(顯而易見地，可存在少於「數百萬個樣本」可用。)可在檢查設置期間或在離線資料庫準備階段期間執行步驟102。若在離線資料庫準備階段期間發生選擇，則步驟102係選用的，此乃因可由方法100處理整個資料庫。若在檢查設置期間發生選擇，則步驟102可係強制性的，且隨機樣本之數目N可高達成千上萬。在離線資料庫準備期間，將可用於二進制光罩設計資料之整個板上的所有N個樣本輸入至自動選擇程序。
圖2A至圖2D圖解說明步驟102中經拾取為N個樣本之例示性光罩。圖2A展示具有暗區域202及亮區域204之光罩200，圖2B展示具有暗區域212及亮區域214之光罩210，圖2C展示具有暗區域222及亮區 域224之光罩220，圖2D展示具有暗區域232及亮區域234之光罩230。
方法100之步驟104將LBP分析應用於步驟102中所拾取的所有N個樣本，並獲得針對每一樣本之一個p維向量輸出。LBP用於紋理圖案辨識，且其簡潔地表示具有局部像素值變化分佈之一影像的圖案特徵。LBP算子藉由將每一像素之鄰域定限來標記一影像之像素，且將結果視為一個二進制數。然後此等28=256個不同標籤之直方圖可用作一紋理描述符。
LBP算子具有符號：LBPP,R u2。下標表示在一(P,R)鄰域中使用該算子。上標u2代表僅使用統一圖案，且用一單個標籤來標記所有剩餘圖案。在已獲得經LBP標記的影像f1(x,y)之後，可將該LBP直方圖定義為： 其中N係由LBP算子產生之不同標籤的數目，且I{A}在A為真的情況下係1，且在A為假的情況下係0。若影像補片(其直方圖將用以比較)具有不同大小，則必須使該等直方圖正規化以得到一相干描述：
在一實例性實施例中，LBP算子係用於一(8,1)鄰域中。在一實例性實施例中，LBP算子用於係一(16,2)鄰域中。藉由平衡計算與效能之間的折衷來判定使用哪一鄰域。在LBP分析中具有某一固定維度縮減之情況下，步驟104中之輸出向量的維度(亦即，p)針對(8,1)及(16,2)鄰域分別係大約60或250。
圖3A至圖3D分別係圖2A至圖2D中之其對應光罩之直方圖。具體而言，圖3A展示針對圖2A中所展示之光罩200之LBP直方圖300，圖3B展示針對圖2B中所展示之光罩210之LBP直方圖310，圖3C展示針對圖2C中所展示之光罩220之直方圖320，且圖3D展示針對圖2D中所 展示之光罩230之直方圖330。
在一例示性實施例中，在一超級電腦中將LBP算子並行地應用於N個樣本，從而產生N個p維向量(p可係大約60)。
方法100亦包含欲應用一第一輪篩選來消除平凡或無用樣本之步驟106。篩選出空樣本、接近空樣本及/或具有大平坦區域之樣本使總共N’個具有向量之樣本留下。
步驟106藉由消除具有接近於[x 1 ,0,...,0,x p ](其中x 1 +x p =1)之LBP值(亦即，經正規化直方圖)之樣本而篩選出平凡樣本。彼等LBP值精確地指示其對應樣本影像幾乎僅具有平坦暗區域或平坦亮區域。此等樣本在校準中受較少關注且需要被消除。
視情況，可藉由實施步驟108而縮減資料維度以用於在隨後步驟中之更快計算。步驟108包含：移除在所有樣本中僅含有零之維度；及視情況應用主要分量分析(PCA)以提取最顯著維度。簡言之，步驟108將資料集減少至q維向量。應用PCA可顯著地減少計算，但有時可影響總體效能。因此，若計算並非一嚴重問題，則不需要PCA。
PCA係用來在一資料集中強調變化且顯示出強烈圖案之一技術。將資料變換至一新座標系統使得藉由資料之某一投影所得之最大方差開始位於第一座標(稱為第一主要分量)上、第二大方差位於第二座標上等等係一正交線性變換。藉由獲得具有變量之相關矩陣之一特徵向量之一線性組合而計算每一主要分量。
總結步驟108：放棄N’個p-D(亦即，p維)向量之未使用維度，從而留下N’個q-D(亦即，q維)向量。其中q包含最顯著維度。
步驟110將使用均值位移叢集化來將q-D資料叢集化成若干個(M個)群組。然後在M個叢集中心中之每一者周圍選擇一個資料點。將q-D向量均值位移叢集化之一個優點係僅存在一個參數(亦即，q-D空間中之叢集之半徑)且然後自動判定M數目個群組。反覆調整該叢集半 徑以使M在一特定合理範圍內。在一實例性實施例中，M係大約40至50。
步驟112將計算自步驟110產生之M數目個樣本之代表性分數。在一實例性實施例中，首先選擇具有前5個代表性分數之樣本。接下來，計算剩餘M-5個樣本至q-D空間中之M個樣本之中心之距離。然後選擇具有距中心之最長距離之15個樣本，並產生針對一10個樣本集合之所有組合。將該5個最具代表性樣本添加至所有10個樣本集合，然後針對所有集合計算多樣性分數。最後，選擇具有最高多樣性分數之集合。此等15個樣本用於校準中。
方法100可直接完成校準樣本選擇並輸出校準，或其可輸出校準樣本候選者之一小集合連同針對每一樣本之對應評估分數，後續接著一手動選擇。
本發明並不限於彼等圖式或對應說明。舉例而言，流程不必穿過每一所圖解說明之方框或狀態或依與所圖解說明及闡述完全相同之次序進行。
因此，應看出，雖然高效地獲得本發明之目標，但熟習此項技術者應容易明瞭對本發明做出之修改及改變，該等修改意欲在所主張之本發明之精神及範疇內。亦應理解，上述說明圖解說明本發明且不應被視為限制性的。因此，在不背離所主張之本發明之精神及範疇之情況下，本發明之其他實施例係可能的。

Claims (20)

  1. 一種用於選擇比例光罩設計資料型樣之樣本之方法，該方法包括以下步驟：將局部二進制型樣(LBP)分析應用於複數個設計資料樣本，以獲得針對該複數個樣本中之每一者之一p維向量輸出；基於該複數個樣本中之個別p維向量輸出而將該複數個樣本叢集化成M數目個群組；自每一經叢集化群組選擇一個樣本；針對所選擇之該等樣本之每一者計算一評估分數；及基於一代表性分數及一多樣性分數(diversity score)選擇該M數目個群組之一部分；其中該M數目個群組之該部分經選擇以校準用於呈現一參考影像的至少一參數，該參考影像用於一晶粒對資料庫比例光罩檢查方法中。
  2. 如請求項1之方法，進一步包括隨機選擇該複數個樣本之步驟。
  3. 如請求項1之方法，進一步包括以下步驟：移除在該複數個設計資料樣本之所有該等樣本中具有一零數值之該等p維向量輸出；及應用主要分量分析(PCA)以提取至少一顯著p維向量輸出，以縮減資料維度以用於更快計算；其中多個q維向量輸出係由該等移除及應用步驟產生，且經叢集化成M數目個群組之該等向量輸出資料點係該等q維向量輸出。
  4. 如請求項1之方法，其中藉助總數為8個像素之一1像素半徑鄰域來進行該局部二進制型樣分析。
  5. 如請求項1之方法，其中藉助總數為16個像素之一2像素半徑鄰域來進行該局部二進制型樣分析。
  6. 如請求項1之方法，進一步包括：藉由應用第一輪篩選來消除多個平凡樣本(trivial samples)。
  7. 如請求項1之方法，其中該局部二進制型樣分析係應用於光罩之一整個板(plate)之該複數個設計資料樣本。
  8. 如請求項1之方法，其中該局部二進制型樣分析係應用於由一電腦演算法隨機選擇之一樣本集合之該複數個設計資料樣本。
  9. 如請求項1之方法，其中基於該複數個設計資料樣本中之該等個別p維向量輸出而將該複數個樣本叢集化成M數目個群組之步驟使用均值位移叢集化。
  10. 如請求項1之方法，其中該評估分數係基於在該叢集化步驟中經分析之一q-D空間中之該複數個設計資料樣本之一局部密度而針對該複數個設計資料樣本之每一樣本之該代表性分數。
  11. 如請求項1之方法，其中該評估分數係基於在一q-D空間中之該複數個設計資料樣本中之樣本座標之一集合之一方差(variance)而針對每一樣本集合之該多樣性分數。
  12. 一種基於電腦之設備，其包括：一記憶體元件，其經組態以儲存複數個電腦可讀指令及設計資料之一資料庫；及一處理器，其經組態以執行該複數個電腦可讀指令以：在該資料庫中選擇比例光罩設計資料型樣之樣本，以校準基於其呈現用於一晶粒對資料庫比例光罩檢查方法中之一參考影像的至少一參數，此係由以下各項進行：將局部二進制型樣(LBP)分析應用於複數個校準樣本，以獲得針對該複數個樣本中之每一者之一p維向量輸出；基於該複數個校準樣本中之個別p維向量輸出而將該複數個校準樣本叢集化成M個群組；自每一經叢集化群組選擇一個樣本；針對所選擇之該等樣本之每一者計算一評估分數；及基於一代表性分數及一多樣性分數而選擇該M個群組之該等樣本之一部分。
  13. 如請求項12之基於電腦之設備，其中該處理器經組態以執行該複數個電腦可讀指令，以：移除在該複數個校準樣本之所有該等樣本中具有一零數值之該等p維向量輸出；及應用主要分量分析(PCA)以提取至少一顯著p維向量，以縮減資料維度以用於更快計算。
  14. 如請求項12之基於電腦之設備，其中該處理器經組態以執行該複數個電腦可讀指令以：藉助總數為8個像素之一1像素半徑鄰域來進行該局部二進制型樣分析。
  15. 如請求項12之基於電腦之設備，其中該處理器經組態以執行該複數個電腦可讀指令以：藉助總數為16個像素之一2像素半徑鄰域來進行該局部二進制型樣分析。
  16. 如請求項12之基於電腦之設備，其中該處理器經組態以執行該複數個電腦可讀指令以：將該局部二進制型樣分析應用於光罩之一整個板之該複數個校準樣本。
  17. 如請求項12之基於電腦之設備，其中該處理器經組態以執行該複數個電腦可讀指令，以：將該局部二進制型樣分析應用於隨機選擇之一樣本集合之該複數個校準樣本。
  18. 如請求項12之基於電腦之設備，其中該處理器經組態以執行該複數個電腦可讀指令以：使用均值位移叢集化來進行資料叢集化。
  19. 如請求項12之基於電腦之設備，其中該處理器經組態以執行該複數個電腦可讀指令以：基於在該叢集化步驟中經分析之一q維空間中之一局部樣本密度而針對來自p維向量輸出之每一經叢集化群組之每一樣本將該評估分數提供為該代表性分數。
  20. 如請求項12之基於電腦之設備，其中該處理器經組態以執行該複數個電腦可讀指令以：基於在一q維空間中之該複數個校準樣本中之樣本座標之一集合之一方差而針對該複數個校準樣本中之每一樣本將該評估分數提供為該多樣性分數。
TW104114486A 2014-05-06 2015-05-06 用於晶粒對資料庫光罩檢查之自動校準樣本選擇 TWI648766B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201461988908P 2014-05-06 2014-05-06
US61/988,908 2014-05-06
US14/703,546 US9747518B2 (en) 2014-05-06 2015-05-04 Automatic calibration sample selection for die-to-database photomask inspection
US14/703,546 2015-05-04

Publications (2)

Publication Number Publication Date
TW201606854A TW201606854A (zh) 2016-02-16
TWI648766B true TWI648766B (zh) 2019-01-21

Family

ID=54368111

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104114486A TWI648766B (zh) 2014-05-06 2015-05-06 用於晶粒對資料庫光罩檢查之自動校準樣本選擇

Country Status (4)

Country Link
US (1) US9747518B2 (zh)
JP (1) JP6575954B2 (zh)
TW (1) TWI648766B (zh)
WO (1) WO2015171654A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10262187B1 (en) * 2016-11-10 2019-04-16 Synaptics Incorporated Systems and methods for spoof detection based on local binary patterns
US11270430B2 (en) * 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
US10564554B2 (en) 2018-01-18 2020-02-18 Globalfoundries Inc. System and method for analyzing printed masks for lithography based on representative contours
CN108304512B (zh) * 2018-01-19 2021-05-25 北京奇艺世纪科技有限公司 一种视频搜索引擎粗排序方法、装置及电子设备
CN109407652B (zh) * 2018-12-10 2020-03-06 中国石油大学(华东) 基于主辅pca模型的多变量工业过程故障检测方法
US11263741B2 (en) 2020-01-24 2022-03-01 Applied Materials Israel Ltd. System and methods of generating comparable regions of a lithographic mask
US20230080151A1 (en) * 2021-09-13 2023-03-16 Applied Materials Israel Ltd. Mask inspection for semiconductor specimen fabrication

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317908A1 (en) * 2006-09-13 2011-12-29 Asml Masktools B.V. Method for Performing Pattern Decomposition Based on Feature Pitch

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7065239B2 (en) 2001-10-24 2006-06-20 Applied Materials, Inc. Automated repetitive array microstructure defect inspection
US7231628B2 (en) 2002-07-12 2007-06-12 Cadence Design Systems, Inc. Method and system for context-specific mask inspection
FI20021578A (fi) * 2002-09-03 2004-03-04 Honeywell Oy Paperin karakterisointi
JP2006189724A (ja) * 2005-01-07 2006-07-20 Toshiba Corp パターン抽出システム、測定ポイント抽出方法、パターン抽出方法及びパターン抽出プログラム
KR100723406B1 (ko) 2005-06-20 2007-05-30 삼성전자주식회사 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치
JP4203089B2 (ja) 2006-09-11 2008-12-24 株式会社東芝 キャリブレーション方法、検査方法、及び半導体装置の製造方法
US8611637B2 (en) 2007-01-11 2013-12-17 Kla-Tencor Corporation Wafer plane detection of lithographically significant contamination photomask defects
US8234601B2 (en) 2010-05-14 2012-07-31 International Business Machines Corporation Test pattern for contour calibration in OPC model build
JP2013045372A (ja) * 2011-08-25 2013-03-04 Dainippon Printing Co Ltd 画像評価方法、描画条件選択方法、画像評価プログラム、描画条件選択プログラム
JP2013045070A (ja) * 2011-08-26 2013-03-04 Toshiba Corp 原版評価方法、プログラム、および原版製造方法
US8855400B2 (en) 2012-03-08 2014-10-07 Kla-Tencor Corporation Detection of thin lines for selective sensitivity during reticle inspection using processed images

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317908A1 (en) * 2006-09-13 2011-12-29 Asml Masktools B.V. Method for Performing Pattern Decomposition Based on Feature Pitch

Also Published As

Publication number Publication date
WO2015171654A1 (en) 2015-11-12
US9747518B2 (en) 2017-08-29
JP2017516142A (ja) 2017-06-15
US20150324664A1 (en) 2015-11-12
TW201606854A (zh) 2016-02-16
JP6575954B2 (ja) 2019-09-18

Similar Documents

Publication Publication Date Title
TWI648766B (zh) 用於晶粒對資料庫光罩檢查之自動校準樣本選擇
TWI750553B (zh) 對樣本的缺陷檢測的方法及其系統
US11132786B2 (en) Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium
CN107315011B (zh) 图像处理装置、图像处理方法及存储介质
TWI662358B (zh) 缺陷檢測方法與缺陷檢測系統
US8675949B2 (en) Reviewed defect selection processing method, defect review method, reviewed defect selection processing tool, and defect review tool
US10803575B2 (en) System, method and computer program product for generating a training set for a classifier
US20150110384A1 (en) Image inspection method of die to database
KR102449376B1 (ko) 다이 내부 검사에 있어서의 등록 및 설계 주변부에서 야기된 노이즈의 저감
KR100598381B1 (ko) 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법
JP6371044B2 (ja) 表面欠陥検査装置および表面欠陥検査方法
US11144702B2 (en) Methods and systems for wafer image generation
JP2002299401A (ja) 検査システムと検査装置と半導体デバイスの製造方法及び検査プログラム
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
US20210089806A1 (en) Systems and methods for obtaining templates for tessellated images
US8111898B2 (en) Method for facilitating automatic analysis of defect printability
WO2023113773A1 (en) Manufacturing defect detection augmented training sets
US8571299B2 (en) Identifying defects
Sweeney et al. Deep learning for semiconductor defect classification
US20130336571A1 (en) Mask pattern analysis apparatus and method for analyzing mask pattern
TWI402928B (zh) 智慧型缺陷篩選及取樣方法
EP4001902A1 (en) Method and system for simulating an optical image of a photonic and/or electronic device
JP2007248198A (ja) 特性分布の特徴量抽出方法および特性分布の分類方法
US8126257B2 (en) Alignment of semiconductor wafer patterns by corresponding edge groups
JP7345764B2 (ja) 検査システムおよび検査プログラム