TWI690007B - 調適性自動缺陷分類 - Google Patents

調適性自動缺陷分類 Download PDF

Info

Publication number
TWI690007B
TWI690007B TW105130235A TW105130235A TWI690007B TW I690007 B TWI690007 B TW I690007B TW 105130235 A TW105130235 A TW 105130235A TW 105130235 A TW105130235 A TW 105130235A TW I690007 B TWI690007 B TW I690007B
Authority
TW
Taiwan
Prior art keywords
defects
classifier
defect
group
generated
Prior art date
Application number
TW105130235A
Other languages
English (en)
Other versions
TW201721784A (zh
Inventor
賀力
馬丁 普莉霍爾
應華俊
亞那迪 巴哈提亞
亞米多斯 辛 丹迪亞那
拉馬坎司 拉米尼
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 TW201721784A publication Critical patent/TW201721784A/zh
Application granted granted Critical
Publication of TWI690007B publication Critical patent/TWI690007B/zh

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
    • 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
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/061—Sources
    • G01N2201/06113—Coherent sources; lasers
    • 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
    • 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
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明提供用於使用一調適性自動缺陷分類器來分類於一樣品上偵測到之缺陷的方法及系統。一個方法包含基於自一使用者接收用於第一批結果中之不同群組之缺陷之分類及包含於該第一批結果中之該等全部缺陷之一訓練組缺陷來產生一缺陷分類器。該等第一批結果及該等額外批結果經組合以產生累計批結果。使用該所產生缺陷分類器來分類該等累計批結果中之缺陷。若使用低於一臨限值之一置信度來分類該等缺陷之任何者，則基於包含該等低置信度所分類缺陷之一經修改訓練組及用於自一使用者接收之此等缺陷之分類來修改該缺陷分類器。該經修改缺陷分類器接著被用以分類額外累計批結果中之缺陷。

Description

調適性自動缺陷分類
本發明大體上係關於用於使用一調適性自動缺陷分類器分類一樣品上之缺陷的方法及系統。
以下描述及實例不因其包含在此段落中而被認為係先前技術。 製造半導體裝置(諸如邏輯及記憶體裝置)通常包含使用大量半導體製程處理一基板(諸如一半導體晶圓)以形成半導體裝置之各種特徵及多個層級。例如，微影係涉及將一圖案自一倍縮光罩(reticle)轉移至配置在一半導體晶圓上之一光阻的一半導體製程。半導體製程之額外實例包含(但不限於)：化學機械拋光、蝕刻、沈積及離子植入。多個半導體裝置可在一單一半導體晶圓上之一配置中製造且接著被分成個別半導體裝置。 在一半導體製程期間之各種步驟中使用檢查程序以偵測晶圓上之缺陷。檢查程序一直是製造半導體裝置(諸如積體電路)之一重要部分。然而，隨著半導體裝置之尺寸之減小，檢測程序對成功製造可接受之半導體裝置變得更重要。例如，隨著半導體裝置之尺寸減小，減小大小之缺陷之偵測已成為必要的，此係因為即使相對較小缺陷亦可引起該等半導體裝置中之非所要的畸變。 一旦缺陷已藉由檢查偵測，則可依一或多個方式產生用於缺陷之額外資訊。例如，可藉由缺陷覆查重訪缺陷，其中具有大於在檢查期間使用之解析度能力之解析度能力的一系統用以產生缺陷之影像。關於使用此等影像而產生之缺陷的資訊可接著用以判定缺陷之一類型(或分類)。例如，缺陷可分類為顆粒類型缺陷，橋接類型缺陷、刮痕類型缺陷及類似者。雖然缺陷分類可基於由缺陷覆查而產生之資訊判定，但有時缺陷分類基於藉由檢查而產生之資訊執行(例如，若針對藉由檢查而產生之缺陷的資訊充分用於缺陷分類及/或用於基於藉由檢查而產生之資訊的有限量之初步分類)。 執行缺陷之分類的方法、演算法及/或系統亦指稱「缺陷分類器」。缺陷分類器產生及監測通常包含三個階段：一訓練階段、一驗證階段及一產生階段。在訓練階段，可收集資料，直至已經收集M批結果。一操作者可接著手動地分類全部缺陷。一旦已經收集M批結果，則分類器經產生用於具有N個以上缺陷之類，其中N係一預定義值。在驗證階段，可收集用於M批之資料，且一操作者手動地分類全部缺陷。若驗證批之精確度等於或少於訓練批，則訓練分類器可用於生產。否則，驗證分類器可用於生產。在生產階段，可監測分類器之比重。一操作者可分類無比重組格(bin)(例如，低置信度缺陷)。若置信度下降低於一預定義臨限值，則可再次執行訓練階段。 然而，存在對用於缺陷分類器產生及監測之當前所執行方法的數個缺點。例如，分類器產生及監測製程係難處理的且不可提供對絕對值中之動態缺陷改變之一相對較快回應。另外，使用者必須在產生第一分類器之前等待至少2xM批。此外，在訓練階段及驗證階段期間，全部缺陷需要手動分類且提供無輔助手動分類。而且，若存在一缺陷移位或偏移，則使用者需要等待至少M批用於新的分類器來釋放至生產。另外，訓練組可嚴重失衡且不夠好來產生一穩健分類器。在許多情況下，訓練組包含90%擾亂點且訓練組之僅10%包含受關注缺陷(DOI)。因此，缺陷之數目不足以產生一穩健分類器。當前所使用方法及系統亦不具有一種用以決策分類器之穩健性的方法。 相應地，發展不具有上文所描述之該等缺點之一或多者之用於使用一調適性自動缺陷分類器分類一樣品上之缺陷之系統及/或方法將係有利的。
不依任何方式將各種實施例之以下描述視為限制隨附技術方案之標的。 一個實施例係關於經組態以使用一調適性自動缺陷分類器分類一樣品上之缺陷之一系統。該系統包含一輸出獲取子系統，其包含至少一能源及一偵測器。該能源經組態以產生引導至一樣品之能量。該偵測器經組態以偵測來自該樣品之能量且回應於該所偵測能量而產生輸出。該系統亦包含一或多個電腦子系統，其經組態用於基於由該偵測器產生之該輸出而偵測該樣品上之缺陷以藉此產生第一批結果。該一或多個電腦子系統亦經組態用於使用一分群方法而將該等缺陷分成不同群組且自一使用者接收針對該等不同群組之各者的一分類。另外，該(該等)電腦子系統經組態用於基於該等所接收分類及包含在該等第一批結果中之該等全部缺陷之一訓練組缺陷而產生一缺陷分類器。該(該等)電腦子系統進一步經組態用於基於由該偵測器產生之額外輸出而偵測在具相同於該樣品之類型之另一樣品上的額外缺陷用於另一樣品以藉此產生額外批結果。該(該等)電腦子系統亦經組態用於組合該等第一批結果及該等額外批結果以產生累計批結果且藉由應用該所產生缺陷分類器而將該等累計批結果中之該等缺陷分類至該等累計批結果中之該等缺陷。另外，該(該等)電腦子系統經組態用於判定該等額外批結果中之該等缺陷之任何者是否具有低於一置信度臨限值之一置信度值。該(該等)電腦子系統亦經組態用於當該等額外批結果中之該等缺陷之一或多者具有低於該置信度臨限值之一置信度值時，自一使用者接收該一或多個缺陷之一或多個分類且修改該訓練組以包含該一或多個缺陷及該一或多個分類。另外，該(該等)電腦子系統經組態用於基於該經修改訓練組而修改該缺陷分類器且使用該經修改缺陷分類器來分類該等累計批結果中之缺陷。該(該等)電腦子系統進一步經組態用於當該等累計批結果中之該等全部缺陷由該使用者分類或該等額外批結果中之該等缺陷沒有一個具有低於該置信度臨限值之一置信度值時，結束調適性分類器產生。該系統可進一步如本文中所描述而組態。 另一實施例係關於用於使用一調適性自動缺陷分類器來分類一樣品上之缺陷之一電腦實施方法。該方法包含用於上文所描述之一或多個電腦子系統之功能之各者的步驟。該方法之該等步驟由一或多個電腦系統執行。該方法可如本文中進一步所描述而執行。另外，該方法可包含本文中所描述之任何其他方法之其他步驟。此外，該方法可由本文中所描述之該等系統之任何者執行。 一額外實施例係關於一非暫時性電腦可讀媒體，其儲存可執行於一電腦系統上之程式指令用於執行一電腦實施方法用於使用一調適性自動缺陷分類器分類一樣品上之缺陷。該電腦實施方法包含上文所描述之該方法之該等步驟。該電腦可讀媒體可進一步如本文中所描述而組態。該電腦實施方法之該等步驟可如本文中進一步所描述而執行。另外，該等程式指令可針對其而執行之該電腦實施方法可包含本文中所描述之任何其他方法之任何其他步驟。
現在轉至圖式，應注意圖不按比例繪製。特定言之，圖之一些元件之比例非常誇大以強調元件之特性。亦應注意圖未按相同比例繪製。可相似地組態之一個以上圖中展示之元件已使用相同元件符號指示。除非本文中另有規定，否則所描述及展示之元件之任何者可包含任何合適的可購得之元件。 一個實施例係關於經組態以使用一調適性自動缺陷分類器分類一樣品上之缺陷的一系統。該實施例提供一調適性策略以動態地更新並監測用於自動缺陷分類(ADC)之一缺陷分類器以適用於一半導體製程之動態環境。該實施例亦提供使用調適性策略產生之一資料冗餘分數(DRS)，其中DRS可結合分類器訓練精確度一起使用以判定分類器之穩健性。 在一個實施例中，樣品包含一晶圓。在另一實施例中，樣品包含一倍縮光罩。晶圓及倍縮光罩可包含技術中已知之任何晶圓及倍縮光罩。 此一系統之一個實施例展示於圖1中。該系統包含一輸出獲取子系統，其包含至少一能源及一偵測器。該能源經組態以產生引導至一樣品之能量。該偵測器經組態以偵測來自該樣品之能量且回應於該所偵測能量而產生輸出。 在一個實施例中，引導至該樣品之該能量包含光，且自該樣品偵測之該能量包含光。例如，在圖1中所展示之該系統之實施例中，輸出獲取子系統10包含經組態以引導光至樣品14之一照明子系統。該照明子系統包含至少一光源。例如，如圖1中所展示，該照明子系統包含光源16。在一個實施例中，該照明子系統經組態以在一或多個入射角處引導該光至該樣品，該一或多個入射角可包含一或多個傾斜角及/或一或多個法線角。例如，如圖1中所展示，自光源16之光引導透過光學元件18且接著透鏡20至分光器21，其在一法線入射角處引導該光至樣品14。該入射角可包含任何合適入射角，其可取決於(例如)該樣品之特性及待偵測於該樣品上之缺陷而改變。 該照明子系統可經組態以不同時在不同入射角處引導該光至該樣品。例如，該輸出獲取子系統可經組態以更改該照明子系統之一或多個元件之一或多個特性，使得可在不同於圖1中所展示之入射角之一入射角處使該光引導至該樣品。在此一實例中，該輸出獲取子系統可經組態以移動光源16、光學元件18及透鏡20，使得在一不同入射角處引導該光至該樣品。 在一些例項中，該輸出獲取子系統可經組態以在一個以上入射角處同時引導光至該樣品。例如，該照明子系統可包含一個以上照明通道，該等照明通道之一者可包含光源16、光學元件18及透鏡20，如圖1中所展示，且該等照明通道之另一者(未展示)可包含類似元件，其等可相同或不同組態或可包含至少一光源及可行地一或多個其他組件，諸如本文中進一步所描述之組件。若此光與其他光同時引導至該樣品，則在不同入射角處引導至該樣品之該光之一或多個特性(例如，波長、偏光等)可不同，使得在不同入射角處由該樣品之照明所致之光可在該(該等)偵測器處彼此區分開。 在另一例項中，該照明子系統可包含僅一個光源(例如，圖1中所展示之光源16)且來自該光源之光可藉由該照明子系統之一或多個光學元件(未展示)而被分至不同光學路徑中(例如基於波長、偏光等)。在該等不同光學路徑之各者中之光可接著被引導至該樣品。多個照明通道可經組態以同時或不同時(例如，當不同照明通道用以循序地照明該樣品時)引導光至該樣品。在另一例項中，相同照明通道可經組態以不同時引導具有不同特性之光至該樣品。例如，在一些例項中，光學元件18可經組態為一光譜過濾器且該光譜過濾器之性質可依各種不同方式(例如，藉由置換出該光譜過濾器)而改變，使得光之不同波長可不同時被引導至該樣品。該照明子系統可具有本技術中已知之任何其他合適組態用於在不同或相同入射角處循序地或同時引導具有不同或相同特性之光至該樣品。 在一個實施例中，光源16可包含一寬頻帶電漿(BBP)光源。依此方式，由該光源產生且被引導至該樣品之該光可包含寬頻帶光。然而，該光源可包含任何其他合適光源，諸如一雷射。該雷射可包含本技術中已知之任何合適雷射且可經組態以產生本技術中已知之任何合適波長處之光。另外，該雷射可經組態以產生單色或幾乎單色之光。依此方式，該雷射可係一窄頻帶雷射。該光源亦可包含以多個離散波長或波帶產生光之一多色光源。 來自光學元件18之光可由透鏡20聚焦至分光器21。儘管在圖1中透鏡20展示為一單一折射光學元件，但應理解實際上透鏡20可包含若干進行組合將光自該光學元件聚焦至該樣品之折射及/或反射光學元件。圖1中展示及本文所描述之該照明子系統可包含任何其他合適光學元件(未展示)。此等光學元件之實例包含但不限於(若干)偏光組件、(若干)光譜過濾器、(若干)空間過濾器、(若干)反射光學元件、(若干)變跡器、(若干)分光器、(若干)孔徑及其類似者，其可包含技術中已知之任何此等合適光學元件。此外，該系統可經組態以基於欲用於輸出獲取之照明之類型修改該照明子系統之元件之一或多者。 該輸出獲取子系統亦可包含經組態以引起光在該樣品上掃描之一掃描子系統。例如，該輸出獲取子系統可包含在輸出獲取期間樣品14安置於其上之平臺22。該掃描子系統可包含任何合適機械及/或機器人總成(其包含平臺22)，其等可經組態以移動該樣品，使得可在該樣品上方掃描該光。另外或替代地，該輸出獲取子系統可經組態使得該輸出獲取子系統之一或多個光學元件執行該光在該樣品上方之一些掃描。可依任何合適方式在該樣品上方掃描該光。 該輸出獲取子系統進一步包含一或多個偵測通道。該一或多個偵測通道之至少一者包含一偵測器，其經組態以偵測歸因於該樣品藉由該輸出獲取子系統之照明之來自該樣品之光且回應於該所偵測光而產生輸出。例如，圖1中所展示之該輸出獲取子系統包含兩個偵測通道，一個由集光器24、元件26及偵測器28形成且另一個由集光器30、元件32及偵測器34形成。如圖1中所展示，該兩個偵測通道經組態以收集並偵測在不同收集角度處之光。在一些例項中，一個偵測通道經組態以偵測光譜反射光，且另一偵測通道經組態以偵測不自該樣品光譜反射(例如，散射、繞射等)之光。然而，該等偵測通道之兩個或兩個以上可經組態以偵測來自該樣品之相同類型之光(例如，光譜反射光)。雖然圖1展示包含兩個偵測通道之該輸出獲取子系統之一實施例，但該輸出獲取子系統可包含一不同數目個偵測通道(例如，僅一個偵測通道或兩個或兩個以上偵測通道)。儘管該等集光器之各者在圖1中展示為單一折射光學元件，但應理解該等集光器之各者可包含一或多個折射光學元件及/或一或多個反射光學元件。 該一或多個偵測通道可包含技術中已知之任何合適偵測器。例如，該等偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)及延時積分(TDI)攝像機。該等偵測器亦可包含技術中已知之任何其他合適偵測器。該等偵測器亦可包含非成像偵測器或成像偵測器。依此方式，若該等偵測器係非成像偵測器，則該等偵測器之各者可經組態以偵測散射光之特定特性(諸如強度)，但可不經組態以偵測依據成像平面內之位置之此等特性。因而，由包含在該輸出獲取子系統之該等偵測通道之各者中之該等偵測器之各者產生的輸出可為信號或資料，但不係影像信號或影像資料。在此等例項中，一電腦子系統(諸如該系統之電腦子系統36)可經組態以自該等偵測器之非成像輸出產生該樣品之影像。然而，在其他例項中，該等偵測器可組態為經組態以產生成像信號或影像資料之成像偵測器。因此，該系統可經組態以依若干方式產生本文中所描述之輸出。 應注意本文中提供圖1以大體上繪示可包含於本文所描述之系統實施例中之一輸出獲取子系統之一組態。明顯地，本文所描述之該輸出獲取子系統組態可經修改以如當設計一商用檢查或缺陷覆查系統時所通常執行般來最佳化該系統之效能。此外，本文中所描述之系統可使用一現有輸出獲取系統(例如，藉由將本文中所描述之功能性加至一現有輸出獲取系統)(諸如光學檢查及/或缺陷覆查工具)實施，諸如可自KLA-Tencor商業購得之28xx及29xx系列之工具及自其他源商業購得之其他工具。對於一些此等系統，本文所描述之方法可提供為該系統之選用功能性(例如，除該系統之其他功能性外)。替代地，本文所描述之該系統可「從頭開始」設計以提供一全新系統。 該系統之電腦子系統36可依任何合適方式(例如，經由一或多個傳輸媒體，其可包含「有線」及/或「無線」傳輸媒體)耦合至該輸出獲取子系統之該等偵測器，使得在該樣品之掃描期間，該電腦子系統可接收由該等偵測器產生之輸出。電腦子系統36可經組態以使用如本文中所描述之該等偵測器之輸出來執行若干功能及本文中進一步描述之任何其他功能。此電腦子系統可進一步如本文中所描述而組態。 此電腦子系統(與本文所描述之其他電腦子系統)在本文中亦可稱為(若干)電腦系統。本文所描述之該(該等)電腦子系統或(若干)系統之各者可採用各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路器具、網際網路器具或其他裝置。一般而言，術語「電腦系統」可係概括地界定以涵蓋任何具有一或多個處理器之裝置，其執行來自一記憶體媒體之指令。該(該等)電腦子系統或(若干)系統亦可包含技術中已知之任何合適處理器(諸如一平行處理器)。另外，該(該等)電腦子系統或(若干)系統可包含一具有高速處理及軟體之電腦平台，作為一獨立或一網路工具。 若該系統包含一個以上電腦子系統，則該等不同電腦子系統可彼此耦合，使得可在該等電腦子系統之間發送影像、資料、資訊、指令等，如本文中進一步所描述。例如，電腦子系統36可由任何合適傳輸媒體而耦合至電腦子系統102 (如由圖1中之虛線所展示)，該等傳輸媒體可包含技術中已知之任何合適有線及/或無線傳輸媒體。此等電腦子系統之兩個或兩個以上亦可由一共用電腦可讀儲存媒體(未展示)有效地耦合。 雖然該輸出獲取子系統在上文描述為一光學或基於光之輸出獲取子系統，但該輸出獲取子系統可為一基於電子束輸出獲取子系統。例如，在一個實施例中，引導至該樣品之能量包含電子，且自該樣品偵測之能量包含電子。依此方式，該能源可為一電子束源。在圖2中所展示之此一實施例中，該輸出獲取子系統包含電子腔體122，其耦合至電腦子系統124。 亦如圖2中所展示，該電子腔體包含電子束源126，其經組態以產生由一或多個元件130而聚焦至樣品128之電子。該電子束源可包含(例如)一陰極源或射極尖端，且一或多個元件130可包含(例如)一槍透鏡、一陽極、一光束限制孔徑、一閘閥、一束流選擇孔徑、一物鏡及一掃描子系統，其等所有可包含技術中已知之任何此等合適元件。 自該樣品返回之電子(例如，次級電子)可藉由一或多個元件132聚焦至偵測器134。一或多個元件132可包含(例如)一掃描子系統，其可為包含在(若干)元件130中之相同掃描子系統。 該電子腔體可包含技術中已知之任何其他合適元件。另外，該電子腔體可如Jiang等人於2014年4月4日頒予之美國專利第8,664,594號、Kojima等人於2014年4月8日頒予之美國專利第8,692,204號、Gubbens等人於2014年4月15日頒予之美國專利第8,698,093號及MacDonald等人於2014年5月6日頒予之美國專利第8,716,662號中所描述而進一步組態，其等如在本文中充分地闡述以引用方式併入。 儘管該電子腔體在圖2中展示為經組態使得該等電子以一入射斜角引導至該樣品且以另一斜角自該樣品散射，但應理解該電子束可以任何合適角度引導至該樣品且自該樣品散射。另外，該基於電子束之子系統可經組態以使用多個模式產生該樣品之影像(例如，具有不同照明角度、收集角度等等)。該基於電子束之子系統之多個模式在該子系統之任何影像產生參數上可不同。 電腦子系統124可耦合至偵測器134，如上文所描述。該偵測器可偵測自該樣品之表面返回之電子，藉此形成該樣品之電子束影像。該等電子束影像可包含任何合適電子束影像。電腦子系統124可經組態以使用該偵測器之輸出及/或該等電子束影像而執行本文中所描述之該等功能之任何者。電腦子系統124可經組態以執行本文所描述之任何額外(若干)步驟。包含圖2中展示之該輸出獲取子系統之一系統可如本文所描述而進一步組態。 應注意本文中提供圖2以大體上繪示可包含在本文所描述之該等實施例中之一基於電子束之輸出獲取子系統之一組態。如同上文所描述之該光學輸出獲取子系統，本文所描述之基於電子束之輸出獲取子系統組態可經修改以如當設計一商用檢查或缺陷覆查系統時所通常執行般最佳化該輸出獲取子系統之效能。另外，本文所描述之該等系統可使用一現有缺陷覆查系統(例如，藉由添加本文所描述之功能性至一現有檢查或缺陷覆查系統) (諸如可自KLA-Tencor購得之eDR-xxxx系列工具)實施。對於一些此等系統，本文所描述之方法可提供為該系統之選用功能性(例如，除該系統之其他功能性外)。替代地，本文所描述之該系統可「從頭開始」設計以提供一全新系統。 雖然該輸出獲取子系統在上文經描述為一基於光或基於電子束之輸出獲取子系統，但該輸出獲取子系統可為一基於離子束之輸出獲取子系統。此一輸出獲取子系統可如圖2中所展示而組態，除該電子束源可由技術中已知之任何合適離子束源替換外。另外，該輸出獲取子系統可為任何其他合適基於離子束之子系統，諸如商業可用之聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜(SIMS)系統中包含之子系統。 上文所描述之該一或多個電腦子系統經組態用於基於由該偵測器產生之該輸出而偵測該樣品上之缺陷以藉此產生第一批結果。本文中所描述之該(該等)電腦子系統可經組態以依任何合適方式(例如，藉由施加一臨限值至該輸出且將具有高於該臨限值之一或多個值之輸出識別為一缺陷或潛在缺陷且不識別具有低於該臨限值之一或多個值之輸出為一缺陷或潛在缺陷)而偵測該樣品上之該等缺陷。該樣品上偵測之該等缺陷可包含技術中已知之任何缺陷。該等第一批結果可包含針對該等所偵測缺陷之任何資訊，諸如缺陷ID、缺陷位置、屬性、對應於該等缺陷之輸出及類似者。依此方式，本文中所描述之該(該等)電腦子系統可產生該等批結果。 然而，在一些例項中，該(該等)電腦子系統並不一定產生該等批結果。例如，該(該等)電腦子系統可經組態以獲取針對該樣品之批結果。一使用者可選擇該等批結果檔案以待由該(該等)電腦子系統使用。該等批結果包含針對藉由一檢查製程及/或可行地一缺陷覆查製程而在該晶圓上偵測到之缺陷的資訊。該資訊可包含針對該等缺陷之一或多個屬性的資訊。該一或多個缺陷屬性可包含可由一檢查或缺陷覆查系統或自由一檢查或缺陷覆查系統產生的結果來判定的任何缺陷屬性。可如本文中進一步描述而使用之合適缺陷屬性的實例包含(但不限於)能量、量值、晶粒坐標及設計屬性。該等批結果可包含關於在該晶圓上偵測之該等缺陷的任何其他合適資訊，諸如該晶圓上偵測之該等缺陷的位置及針對該等缺陷而產生的影像資料或影像。 該(該等)電腦子系統亦經組態用於使用一分群方法來使該等缺陷分至不同群組中。例如，圖3展示可由一或多個電腦子系統執行之步驟，用於調適性自動缺陷分類。如此圖中所展示，該等步驟包含基於第一批300執行之缺陷分群302。用以分組該等缺陷之該缺陷分群方法可為自然分組或任何其他合適缺陷分群方法(例如，K方法、均值漂移、期望最大(EM)等)，其等可依技術中已知之任何合適的方法來執行。 該(該等)電腦子系統進一步經組態用於自一使用者接收該等不同群組之各者之一分類。例如，如圖3中所展示，該等步驟可包含在步驟304中分類該等缺陷。依此方式，就該等第一批結果而言，該等全部缺陷可藉由一使用者使用來自自然分組或另一分群方法之指導來分類。例如，該(該等)電腦子系統可將缺陷分群302之結果顯示至一使用者，該結果具有針對該等不同群組之各者之可行分類之一建議。該使用者可接著接受該等建議之一或多者及/或自所建議進入一不同分類。因而，就該第一批而言，未標籤缺陷可由一使用者藉由一分群方法指導來分類。該等不同群組中之該等缺陷可因此被手動地分類。自該使用者接收該等不同群組之各者的分類可依任何合適方式來執行。 該(該等)電腦子系統亦經組態用於基於該等所接收分類及包含該等第一批結果中之該等全部缺陷之一訓練組缺陷來產生一缺陷分類器。例如，如圖3之步驟304中所展示，此步驟亦可包含產生一訓練組。此訓練組可係使用該第一批中之該等全部缺陷來產生。該訓練組可依任何合適方式來產生。如圖3之步驟306中進一步展示，該等步驟可包含產生一分類器。依此方式，一分類器可係使用一第一批之缺陷資料及分類來產生，且如本文中進一步所描述，該缺陷分類器可用於隨後批(即，第二批結果、第三批結果等)。 在一個實施例中，使用自動置信度臨限值來執行產生該缺陷分類器。例如，可使用自動置信度臨限值來產生該自動分類器，其可用於針對下一批結果之手動輔助分類。特定言之，使用一隨機森林類型分類器(作為一實例)產生具自動置信度臨限值之一分類器，各缺陷可指派一袋外類代碼及置信度(袋外類似於交叉驗證)。針對各缺陷類型，該置信度臨限值可自一最小值(例如0.7)增加，直至其達到一純度目標(諸如90%)為止。針對各類型之該置信度臨限值接著被記錄。然而，產生該缺陷分類器亦可依技術中已知之任何其他合適的方式來執行。 在一個實施例中，該所產生缺陷分類器係一隨機森林類型缺陷分類器。一隨機森林類型缺陷分類器係本技術一般已知之一類型的缺陷分類器。一般而言，一隨機森林類型缺陷分類器包含平行產生之多個決策樹。依此方式，任何一個缺陷可經輸入至該多個決策樹之各者。接著，經指派至任何一個缺陷之該類可基於藉由該多個決策樹(例如，經由仲裁或一些其他技術)而指派至該缺陷之類來判定。 在一額外實施例中，該所產生缺陷分類器係一支援向量機(SVM)類型缺陷分類器。一SVM類型分類器亦係技術中一般已知之一類型的缺陷分類器。一般而言，一SVM類型缺陷分類器分析資料且識別用於分類之圖案。例如，給定缺陷之不同類之資料之一訓練組，可建立一模型，其指派新的缺陷至該等不同類之一者中。一SVM模型係該訓練組之一表示為空間中的點，其等經映射使得不同類別藉由儘可能多的空間來劃分。該SVM缺陷分類器可接著映射新的缺陷至相同空間，且基於不同類別的分類對應於該等新的缺陷被定位於其中的空間來判定該等新的缺陷的分類。依此方式，該所產生缺陷分類器可為一隨機森林類型缺陷分類器、一SVM類型缺陷分類器，或技術中已知之任何其他合適類型的缺陷分類器。 該(該等)電腦子系統進一步經組態用於基於由用於另一樣品之該偵測器產生之額外輸出來偵測在相同於該樣品之類型之另一樣品上的額外缺陷，以藉此產生額外批結果。例如，如圖3中所展示，該(該等)電腦子系統可產生新的批308。該等額外缺陷可由該(該等)電腦子系統偵測，如本文中進一步所描述。該等額外缺陷可包含本文中所描述之該等缺陷的任何者。 另外，該(該等)電腦子系統經組態用於組合該等第一批結果及該等額外批結果以產生累計批結果。該等第一批結果及該等額外批結果可依任何合適方式組合。 該(該等)電腦子系統亦經組態用於藉由應用該所產生缺陷分類器至該等累計批結果中之該等缺陷而分類該等累計批結果中之該等缺陷。例如，如圖3之步驟310中所展示，由該(該等)電腦子系統執行之該等步驟可包含分類累計批中之缺陷。依此方式，針對任何新的批，與在全部先前缺陷組合之該新的批中之該等缺陷使用該所產生缺陷分類器分類。該所產生缺陷分類器可依任何合適方式應用至該等累計批結果。 該(該等)電腦子系統進一步經組態用於判定該等額外批結果中之該等缺陷之任何者是否具有低於一置信度臨限值之一置信度值。換言之，該(該等)電腦子系統可經組態用於判定該等額外批結果缺陷之任何者(或非訓練組缺陷)是否由該所產生缺陷分類器分類為具低於一置信度臨限值之一置信度且因此由該所產生缺陷分類器指派一置信度值，其低於該置信度臨限值。例如，如圖3之步驟312中所展示，由該(該等)電腦子系統執行之該等步驟可包含判定任何非訓練組缺陷是否係低於一置信度臨限值。該置信度臨限值可為一預定臨限值，其經自動地或手動地(由一使用者)判定且可取決於該缺陷分類器而改變。依此方式，由該缺陷分類器經指派至該等缺陷之各者之一置信度值可與該臨限值比較以判定該等缺陷之任何者是否已經指派為低於該臨限值之一置信度值。 另外，該(該等)電腦子系統經組態用於當該等累計批結果中之該等全部缺陷由該使用者分類或該等額外批結果中之該等缺陷沒有一個(或該等非訓練組缺陷)具有低於該置信度臨限值之一置信度值，則由該(該等)電腦子系統執行之該等步驟可包含結束該調適性自動缺陷分類(例如，直至產生新的另一批)，如圖3之步驟314中所展示。 該(該等)電腦子系統亦經組態用於當該等額外批結果中之該等缺陷之一或多者具有低於該置信度臨限值之一置信度值時，自一使用者接收該一或多個缺陷之一或多個分類且修改該訓練組以包含該一或多個缺陷及該一或多個分類。例如，如圖3之步驟316中所展示，由該(該等)電腦子系統執行之該等步驟包含分類低置信度缺陷且添加該等低置信度缺陷至該訓練組。特定言之，若存在低於該置信度臨限值之缺陷，則一使用者可使用手動輔助分類而分類此等缺陷且添加此等缺陷至該訓練組。在手動輔助分類之一個實例中，當一缺陷係一未知類型之缺陷時，一使用者可具有來自本文中所描述之實施例之一缺陷類型建議且接著經詢問以輸入該缺陷類型(例如，藉由選擇或確認該缺陷類型建議及/或藉由輸入一新的、不同缺陷類型)。 該(該等)電腦子系統進一步經組態用於基於該經修改訓練組而修改該缺陷分類器。例如，使用該新的訓練組重新產生該自動分類器。在此一實例中，該經修改訓練組可輸入至圖3中所展示之步驟306且步驟306可由該經修改訓練組重複以產生該缺陷分類器之一經修改版本。此等步驟可經重複，直至低於一置信度臨限值之該等全部缺陷由該操作者手動地分類。另外，此等步驟可如本文中進一步所描述而執行。 另外，該(該等)電腦子系統經組態用於使用該經修改缺陷分類器分類該等累計批結果中之缺陷。使用該經修改缺陷分類器分類該等缺陷可如本文中進一步所描述而執行。另外，該(該等)電腦子系統可經組態用於使用該經修改缺陷分類器分類該等額外累計批結果中之缺陷。使用該經修改缺陷分類器分類該等額外累計批結果中之該等缺陷可如本文中進一步所描述而執行(例如，藉由應用該經修改缺陷分類器至該等額外累計批結果)。該等額外累計批結果可包含該等第一批結果、該等額外批結果及任何其他進一步批結果，其等可如本文中所描述而產生。依此方式，該經修改缺陷分類器可用以分類其他新的累計批結果，其等包含經產生達至該點之全部批結果。 在一個實施例中，該(該等)電腦子系統經組態用於藉由以下判定一資料冗餘分數(DRS)：a)針對缺陷之多個類之一第一類，使用一分群方法選擇該第一類中之該等缺陷之一部分且添加該等缺陷之該經選擇部分至針對該第一類之一訓練組。圖4展示可經執行針對第一類之DRS的步驟之一個實施例。如圖4之步驟402中所展示，該(該等)電腦子系統可基於缺陷資料400 (自該第一類之缺陷之選擇)而執行缺陷分群且添加該等經選擇缺陷至針對該第一類之該訓練組。在此步驟中，針對該第一類之全部缺陷資料，自然分組或另一分群方法可用以自該第一類拾取N個缺陷且添加該等缺陷至該第一類之該訓練組。 判定該DRS亦包含：b)產生具有該第一類之該訓練組及該多個類之其他類之訓練組之一自動分類器。例如，如圖4中之步驟404中所展示，該(該等)電腦子系統可經組態以組合該第一類之該訓練組與其他類。另外，如圖4之步驟406中所展示，該(該等)電腦子系統可經組態以產生一分類器。依此方式，可產生具有該第一類之該訓練組及全部其他類的一自動分類器。該分類器可如本文中進一步所描述而產生，且該所產生分類器可具有本文中所描述之任何分類器類型。 另外，判定該DRS包含：c)使用該自動分類器分類在步驟a)中未被選擇之該第一類中之該等缺陷之一部分。例如，如圖4之步驟408中所展示，該(該等)電腦子系統可經組態以分類該第一類之剩餘者。特定言之，該第一類之剩餘者可使用步驟406中產生之該分類器而分類。 判定該DRS進一步包含：d)若該第一類中之任何缺陷由該自動分類器分類成低於一預定義置信度臨限值，則添加該第一類中之該等缺陷之一預定數目至該第一類之該訓練組且重複步驟a)至c)。例如，如圖4之步驟410中所展示，該(該等)電腦子系統可經組態用於判定該第一類中之缺陷是否經分類成低於一預定義置信度臨限值，其可如本文中進一步所描述而執行。另外，如圖4之步驟412中所展示，該(該等)電腦子系統可經組態用於添加N個低置信度缺陷至該第一類之該訓練組，其可如本文中進一步所描述而執行。依此方式，若存在該第一類中之任何缺陷低於一預定義臨限值C，則可添加N個缺陷至該第一類之該訓練組，且該電腦子系統可重複圖4中所展示之步驟404、406、408及410。此步驟中之N之值可包含任何合適值。 判定該DRS亦包含：e)若該第一類中之該等缺陷沒有一個由該自動分類器分類成低於該預定義置信度臨限值，則計算該資料冗餘分數等於1-(該第一類之該訓練組之大小)除以(該第一類之大小)。例如，如圖4之步驟414中所展示，若不存在該第一類中之任何缺陷低於一預定義臨限值C，則該(該等)電腦子系統可根據DRS=1-(該第一類之訓練組之大小)/(該第一類之大小)而計算該DRS。該DRS可因此用以評估一缺陷分類器之穩健性(即，該分類器是否產生為具充分資料)。例如，若該DRS分數滿足一些預定義標準(諸如在一個實例中大於0.4)，則可判定該分類器已經產生具充分資料且係穩健的。該分類器可接著經釋放用於生產。 上文所描述之該等實施例具有優於先前所使用之用於ADC之方法及系統的數個優點。例如，該等實施例提供具有該等第一可用批結果之一所產生缺陷分類器。該所產生缺陷分類器可用於手動輔助分類。依此方式，該分類器可更容易生產，且用戶可更快看見該分類器之比重。比重可經定義為(一缺陷類型之缺陷之#，其等具有大於90%之一純度)/(總缺陷)。依此方式，該比重基本上係無需人類覆查之缺陷之比例。 另外，本文中所描述之該等實施例提供調適至該等缺陷特性及分類中之動態改變(例如一缺陷排列)及工具漂移。特定言之，由於該分類器係重新訓練用於每一新批，所以其可適用於工具、成像或原位製程之任何改變。該所產生分類器亦更快適用於缺陷資料之該等動態改變，藉此增加該分類之值。依此方式，本文中所描述之該等實施例提供調適性ADC，其適用於半導體製造之缺陷環境。此外，本文中所描述之該等實施例無需訓練、驗證及生產階段，因為該分類器總是並連續地受重新訓練。 而且，本文中所描述之該等實施例改良所有權之成本，因為在執行手動覆查上花較少時間。例如，由於在該等第一批結果之後，該使用者僅需要分類低於該置信度臨限值之缺陷，所以隨時間該使用者將僅需要分類(例如)該等缺陷之20% (若該比重係80%)。依此方式，本文中所描述之該等實施例可藉由手動地覆查該等缺陷之一相對較小部分而動態地更新該分類器。因此，本文中所描述之該等實施例幫助一使用者降低工具所有權之成本，因為該使用者僅必須手動地覆查該等缺陷之一相對較小部分。另外，由本文中所描述之該等實施例提供之該手動輔助分類縮短該手動分類時間。換言之，本文中所描述之該等實施例幫助使用者手動分類，因為該初始分類器可用於手動輔助分類。 本文中所描述之該等實施例亦提供一平衡訓練組，其可用以產生一穩健及更佳分類器。一平衡訓練組可為包含全部缺陷類型(例如，相比較1顆粒、1殘渣及28刮痕之10顆粒、10殘渣、10刮痕)之相同數目(或幾乎相同數目)個實例之一者。例如，在許多情況下，缺陷資料含有90%以上擾亂點且此等擾亂點缺陷被分類成具有實質上高置信度。由於在本文中所描述之實施例中僅手動分類落於低於該置信度臨限值之彼等缺陷且添加該等缺陷至該訓練組，所以將存在更多DOI於該訓練組中且更佳平衡該訓練組中之該等缺陷。使用該平衡訓練組產生之該分類器係更穩健且具有相較於先前方法更高之精確度，因為該訓練組更平衡且包含更多DOI。 本文中所描述之該等實施例亦可用以計算且提供一DRS，其可用以判定各類之該分類器之穩健性。若該DRS大於零，則其指示已經存在足夠缺陷資料來產生該分類器用於該類。 本文中所描述之一些額外實施例使用一缺陷分類器之結果作為用於製作時之分類器歸因於工具漂移之降級之一診斷。一些用於覆查之當前所使用ADC方法使用一分類器，諸如一隨機森林類型缺陷分類器，作為一分類器引擎來提供ADC至一缺陷覆查工具之一使用者。然而，隨著時間過去，缺陷覆查工具之成像條件可在該等工具、已知為工具漂移之一製程上顯著改變，歸因於在該輸出獲取子系統之一或多個參數中之變化，諸如在一基於電子束之工具、束流及iRaw (自該電子束工具之電子束源獲取之總電流)之情況下或在一基於光之工具之情況下，該光由該工具引導至該樣品且該光由該工具之一光源產生。工具條件隨時間之此改變可致使由該分類器使用之屬性漂移，導致隨時間之分類器效能降級。例如，iRaw電流與影像像素之強度/亮度位準及因此可行地自此等影像像素判定之任何屬性直接相關。因此，可期望控制該iRaw電流以確保該等影像具有類似亮度位準。 然而，工具漂移與屬性漂移之間的直接關係可為未知的且取決於各種因數，諸如缺陷類型、層背景、成像條件等。進一步言之，一些分類器相較於其他分類器可對屬性漂移更加穩健。例如，其中該等缺陷類型良好分離之一分類器可比一具有缺陷類型之分類器(其等更難以在屬性空間中分離)對屬性漂移更加穩健。此外，僅基於表面構形缺陷之一分類器已發現相較於基於基於對照之缺陷之一分類器對工具漂移更加穩定，因為基於強度之屬性相較於表面構形屬性更趨向於具工具漂移之漂移。 一些當前在開發中之解決方案目的在於直接監測束流及iRaw作為一量測來確保工具條件保持在規格內。例如，為保衛一分類器抵禦工具漂移，一些當前對基於電子束之缺陷覆查工具所執行之技術監測該工具之束流及iRaw。當該工具超出規格範圍(在兩者之一者上)而收集之資料係不用於分類器訓練，且在該工具上觸發校正以使該工具返回至規格中。 由於該工具漂移與屬性漂移之間的關係可為未知的，所以在經測試之另一可行技術中，在用於校正之一標準晶圓上產生一手動決策樹。該決策樹使一檢查在最受影響強度屬性之範圍上且確保該等屬性係在用於該標準晶圓之範圍內。因此，若該標準晶圓上之該等屬性係在規格內，則該工具可經釋放至生產。 然而，存在對上文所描述之該等方法之數個缺點。例如，在束流及iRaw監測方法中，直接量測該工具漂移，但不考慮該工具漂移對該分類器之影響。換言之，監測工具參數(諸如iRaw、束流及平均灰階)可給出工具漂移之一想法，但其不可能知道此工具漂移是否影響該分類器。依此方式，若該等製作時之分類器對工具漂移相對較穩定，則若該電子束流及iRaw係超出規格則可執行不必要校正。該規格經全域預定義。另外，若該等製作時使用之分類器對工具漂移相對較不穩定，則該分類器效能可降級，但iRaw及束流仍可在規格內。因此，對iRaw及束流提出全域界限係不現實的，因為適當界限由該層上之分類器及缺陷類型改變。若該等規格太緊，則其等將導致大量錯誤警報。相反，若該等規格太松，則其等將導致製作時使用之許多分類器具有降級效能。 在使用一標準晶圓執行之該缺陷分類中，儘管此技術係優於先前技術之一改良在於其針對估計歸因於工具漂移而對屬性之影響，但其僅量測一標準晶圓上之屬性及分類器效能。此等量測不可跨分類器一般化，因為工具漂移之影響取決於缺陷類型及該等缺陷類型之屬性空間中之分離而為各分類器特有。因此，即使此方法亦無法估計對每分類器之該分類器效能之工具漂移之影響且遭遇到相同於先前方法之缺點。 該工具漂移與分類器效能降級之間的關係因此自分類器至分類器及自缺陷類型至缺陷類型而改變。在製作時，在使用者不驗證ADC建議組格代碼之情況下，不存在地面實況資料且因此不存在直接估計分類器效能降級之方式。然而，如本文中進一步所描述，本文中所描述之該等實施例可經組態以直接監測一缺陷分類器結果，諸如拒絕組格大小及/或置信度直方圖以直接診斷歸因於由隨時間之工具漂移所致之屬性移位的該缺陷類型之分類器效能之任何下降。每一缺陷組格可針對歸因於工具漂移之效能之下降而個別分析。 在一個實施例中，該(該等)電腦子系統經組態用於監測由該所產生缺陷分類器及該經修改缺陷分類器產生之結果中之未經分類缺陷之一組格之一大小且當該組格之該大小大於一預定大小時產生一警報，且該警報指示該輸出獲取子系統之一或多個參數之校正係必要的。例如，該等實施例可使用拒絕組格大小之一增加來偵測增加屬性漂移。特定言之，一些缺陷分類器將僅具高置信度之缺陷分類至缺陷組格。可施加一置信度臨限值於各缺陷組格上，且低於該臨限值之缺陷可被發送至一拒絕組格以由一使用者手動地分類。依此方式，該等實施例可監測該分類器之該拒絕組格大小且發出一警報：一缺陷組格之效能正受工具漂移影響。因而，該等實施例可經組態用於使用拒絕組格大小作為分類器效能降級之一指示器而觸發束重新校正。 在一進一步實施例中，該一或多個電腦子系統經組態用於監測由該所產生缺陷分類器及該經修改缺陷分類器產生之結果中的各缺陷組格之一置信度直方圖且當該置信度直方圖具有一或多個預定特性時產生一警報，且該警報指示，該輸出獲取子系統之一或多個參數之校正係必要的。例如，該等實施例可使用該等缺陷組格之平均置信度的一下降作為屬性漂移。依此方式，該等實施例可監測各缺陷組格之該置信度直方圖且發出一警報：一缺陷組格之效能正受工具漂移之影響。因而，該等實施例可經組態用於使用置信度直方圖作為分類器效能降級之一指示器而觸發束重新校正。 特定言之，一置信度可由一分類器而指派至各缺陷。此置信度係該分類器具有之置信度，此缺陷之缺陷類型實際上係該分類器指派至其之類型。每缺陷組格之置信度可藉由在該屬性空間中指派一置信度位準至每一區域而顯現。具有實質上該缺陷類型之高密度之區域給予一相對較高置信度，而其中該密度較低之區域指派較低置信度。 隨著工具隨時間漂移，各缺陷類型之屬性雲開始移位。因此，一特定缺陷類型之缺陷開始移出其等先前聚集於屬性空間中之區域，即其中置信度係高之區域。因此，吾人將預期隨著工具漂移，該置信度直方圖將自相對較高置信度移動至中間置信度且逐漸至低置信度。另外，隨著該直方圖移動朝向較低置信度，越來越多的缺陷將在各缺陷類型之置信度臨限值以下由分類器結束且因此拒絕組格大小將隨時間增加。因此，本文中所描述之該等實施例可監測各缺陷類型之拒絕組格大小及/或置信度直方圖以量測工具漂移直接對分類器效能之影響。因而，本文中所描述之該等實施例可用於使用由一分類器輸出之一置信度量測而監測分類器抵禦工具漂移。另外，本文中所描述之該等實施例可用於在其中無地面實況資料可用之情況下在製作時分類器監測抵禦工具漂移。 在一些實施例中，該一或多個電腦子系統經組態用於藉由擾亂由用於分類該等缺陷之該所產生缺陷分類器使用之該等缺陷之一或多個屬性中之該訓練組而判定該所產生缺陷分類器之一穩健性分數且判定在該所產生缺陷分類器之效能下降低於一預定位準之前該所產生缺陷分類器可承受之一擾亂量。依此方式，本文中所描述之該等實施例可指派一穩健性分數至各分類器，其估計一分類器可容忍之屬性漂移量。可在該屬性空間中擾亂該訓練組，且在分類器效能開始下降(例如，藉由某一預定百分比)之前該訓練組可承受之擾亂量經界定為該分類器之穩健性分數。因此，本文中所描述之該等實施例之一個優點係其等可界定每分類器之一穩健性分數，該分類器對工具漂移之免疫力之一量測。 在此一實施例中，該(該等)電腦子系統經組態用於基於該穩健性分數而判定該輸出獲取子系統之一或多個參數的一或多個控制設定。例如，若在一晶圓廠中，相對較大數目個分類器具有一相對較低穩健性分數，可期望在束流及iRaw上之更緊規格，例如在一基於電子束之工具之情況下，而若該等全部分類器具有一相對較高穩健性分數，則該等規格可較松。因此，本文中所描述之該等實施例可用作一獨立方法或使用穩健性分數可與工具漂移監測方法一起使用以定義該等規格上之界限。 因此，與本文中所描述之該等實施例相反，當前所使用方法目的在於估計關於工具參數之工具漂移或關於在一標準晶圓上執行之分類之效能降級。不同於該等方法，本文中所描述之該等實施例直接估計每分類器之每缺陷組格之效能降級。因此，本文中所描述之該等實施例之一個優點係其等可直接估計歸因於工具/屬性漂移之每分類器之分類器降級。先前方法不具有每分類器之估計，僅在工具位準或特定標準晶圓量測處。另外，本文中所描述之該等實施例之一優點係其等可直接估計歸因於工具/屬性漂移之每分類器之每缺陷類型之分類器降級。先前方法不具有每分類器之每缺陷類型之估計，僅在該工具位準或特定標準晶圓量測處。該拒絕組格百分比及置信度直方圖中之移位可經定限以針對效能降級發出一警報。此針對降級之警報可用以重新校正該工具。先前方法遭受其等可在該等分類器已經降級(即，在錯誤肯定之情況下)時可觸發重新校正或當一分類器已實質上降級(即，失效情況)時其等可無法觸發重新校正之缺點。依此方式，先前方法可使一分類器運行於一降級模式中，若該工具仍在規格內，例如相對於束流及iRaw。本文中所描述之該等實施例不遭受此等缺點之任一者且其等直接監測歸因於工具漂移之分類器降級。例如，本文中所描述之該等實施例之一個優點係其等相較於先前方法大大地最小化用於工具之束校正或其他影像相關校正之假警報之數目。另外，本文中所描述之該等實施例之另一優點係其等確保在製作時無分類器使用降級效能運行。本文中所描述之該等實施例亦可用以判定自一個工具轉至另一工具之一分類器是否在另一工具上工作，即，在不需要使用者分類資料以使該分類器有效的情況下，該等工具狀態匹配。 依此方式，本文中所描述之該等實施例可在監測針對歸因於工具漂移之效能降級的在製作時之分類器中起到重要作用。該等實施例提供一組直接量測用於估計歸因於工具漂移之分類器效能降級並觸發該工具之重新校正而非依賴於定義工具效能之量測之硬界限。另外，此等界限難以估計。另外，如上文所提及，當前解決方案可觸發重新校正，即使當無分類器效能降級(其涉及許多時間成本)，需要從製作時拉出該工具。類似地，一分類器可降級，即使該工具係在所定義界限之規格內，且一使用者可對該分類器失去信心。本文中所描述之該等實施例提供對此等問題兩者之一直接解決方案。 本文中所描述之一些額外實施例經組態用於在製作時針對ADC之新穎偵測。針對缺陷覆查之當前ADC方法提供使用者針對各層之一分類器，且各分類器區分且標記發生於該層上之全部不同缺陷類型。此等分類結果幫助該使用者追蹤該層上之缺陷分類結果(例如一缺陷分佈)並監測偏移及製程改變。然而，由於該等分類器在一特定組缺陷(其等呈現於該訓練組中)上訓練，所以其等不能夠捕捉並區分在生產期間發生於該層上之任何新的類型之缺陷。 捕捉新穎缺陷之能力對使用者而言非常重要，因為新穎缺陷在在該層上執行之製程中發出一變化信號，且若該新穎缺陷係重要的，則其可演現該等晶圓不可用。因此，該使用者想要盡可能快的捕捉此等新穎缺陷。 新穎缺陷之出現對ADC而言亦係重要的，因為ADC較佳經組態用於隨時間之穩定分類器效能。歸因於在該層上之製程改變，新穎缺陷可發生於該層上，其可致使該分類器效能隨著該等新穎缺陷開始進行分類成其他缺陷類而降級。因此，當前所使用ADC易受歸因於製程改變之效能降級之影響。因此，重要的是，具有新穎缺陷偵測用於生產使用情況以便在該層上偵測新的缺陷以及使用該新的缺陷類觸發該分類器之重新訓練。 由於亦可在現有缺陷類之缺陷中存在顯著改變，所以具有顯著改變之缺陷可充當相對於該分類器之新穎缺陷，但不存在有興趣捕捉之缺陷。為確保純新穎缺陷偵測，本文中所描述之該等實施例偵測新穎缺陷之分群，即，數目上足以形成分群同時非常不同於現有缺陷類之新穎缺陷。 本文中所描述之該等實施例可用於偵測發生於在製作時運行之晶圓上之新穎缺陷。由本文中所描述之該等實施例產生之該等結果可用以通知該使用者該層上之任何製程漂移，除保護該分類器抵禦歸因於製程漂移之效能降級外。另外，一旦該新穎缺陷組格之大小超過一臨限值，則該等新穎缺陷組格可由該使用者分類且觸發該分類器之重新訓練。 對開發ADC用於基於電子束之缺陷覆查所完成之研究先前已比較隨機森林置信度及基於近似離群點量測之使用來偵測新穎類，且基於隨機森林置信度之離群點量測證明更有效用於新穎偵測。在基於隨機森林置信度新穎偵測中，隨機森林分類指派一類代碼及一置信度位準至各缺陷。藉由刪除具有最低隨機森林置信度之缺陷(即該分類器不能夠分類之缺陷)而完成新穎偵測。 除機器學習域外，1類分類器係當前技術用於區分所見資料與未見資料(其中所見資料係可用於該分類器之該訓練階段中之資料，且未見資料係將在未來出現之一分類器可對其測試之資料)。此等分類器基於該訓練資料建立模型，且指派該製作資料具類似於所見資料之一置信度。此可經定限以獲取新穎缺陷。 然而，對當前所使用方法及系統存在數個缺點。例如，在基於隨機森林置信度新穎偵測中，現有類之該等缺陷中的顯著變化致使其等分類具低隨機森林置信度，且此等分類為新穎缺陷。即，即使此等缺陷可為相對於該分類器係新穎的，內部類變化亦不受關注。另外，若在一給定層上存在兩個類似類(例如顆粒及殘渣)，則隨機森林將可能僅使用低置信度來分類其等，因為難以在該兩個類之間區分。因此，此等缺陷類亦可在該新穎組格中結束。此外，為保衛抵禦分類器效能降級並觸發分類器之重新訓練，在製作時，捕捉具顯著數量之新穎缺陷的分群(即一類新穎缺陷各具一或兩個缺陷之)更受關注。即使可在製作時使用一或兩個實例來捕捉一組新穎缺陷，歸因於資料缺乏，隨機森林分類器亦無法針對彼類做訓練。就此而言，基於隨機森林置信度的新穎缺陷偵測不能提供該等新穎缺陷的任何分群以藉此提供主要組格且刪除具有無實例的新穎缺陷。再者，新穎類可能錯誤地指派具高置信度至存在於訓練中之另一類。歸因於上文所描述之缺點，此方法具有具一相對較大數目個錯誤肯定之相對較低的精確度。 在另一實例中，於一個類分類器中，模型之選擇係困難的。模型之一數目係已知的，但選擇分群之數目等係困難的，且影響新穎缺陷偵測之效能。另外，此等分類器不能夠在新穎缺陷的分群與現有類之缺陷的變化之間區分，其結束分類為新穎缺陷。此外，此等分類器定界該等訓練資料缺陷之5%作為離群點，且使用該訓練資料之5%及95% (5%臨限可手動修改)作為該兩個類來使該問題模型化為一2類問題。因此，離群點偵測顯著地取決於該訓練資料。 製作時使用之ADC分類器將該等缺陷分類成缺陷組格及一拒絕組格。該拒絕組格包含該分類器不能夠分類成具高置信度之缺陷。該拒絕組格可包含新穎類以及該層上之現有缺陷類型兩者。另外，一些該等新穎類缺陷可能亦已經分類至該等缺陷組格。 本文中所描述之該等實施例中的一些使用以下事實：針對屬於已在原始訓練資料組中之類之該拒絕組格中之該等缺陷，當該等缺陷屬於一新穎類且不同於該等訓練組缺陷之被分類為具相對較高置信度之新穎缺陷時，該分類器將不能夠將其等分類為具相對較高置信度之新穎缺陷。例如，在一個實施例中，該(該等)電腦子系統經組態用於將在未經分類缺陷之一組格中由該所產生缺陷分類器或該經修改缺陷分類器產生的缺陷分別附加至該訓練組或該經修改訓練組，藉此產生一額外訓練組。例如，在本文中所描述之該等實施例中，該等拒絕組格缺陷可被附加至用於分類器設置且給予一唯一類代碼(例如256)用於訓練之原始訓練資料組。在另一實例中，針對該等生產批中之全部x批，該等全部拒絕組格(例如類256)缺陷可被標記至另一類代碼「拒絕」。此等缺陷可接著被附加至該原始訓練資料組或最近訓練資料組。依此方式，該訓練資料可接著包含該拒絕組格。 在此一實例中，如圖5中所展示，針對4類(1、2、3及4)之訓練資料500可被輸入至分類器502。該訓練資料可用以訓練分類器502，其可接著被用以分類製作資料504中之缺陷。應用分類器502至製作資料504的結果可包含分類缺陷506及拒絕缺陷508。該等分類缺陷可包含被分類成類1、2、3及4之包含於該訓練組中之任何數目個缺陷，而該等拒絕缺陷可包含被包含於該製作資料中之任何缺陷，其等不可被分類成被包含於該訓練組中之該等類之一者。依此方式，該等拒絕缺陷可視作未經分類缺陷，且可指派一不同組格或類號(例如，諸如如圖5中所展示之組格256)。特定言之，諸如隨機森林分類器之分類器可刪除已指派至具相對較低置信度之分類器缺陷組格的缺陷，且發送其等至該拒絕組格。依此方式，針對製作資料自身中之缺陷的隨機森林置信度值不證明足以自現有類之其他低置信度缺陷濾出該等新穎類缺陷分群，即，一新穎類並不一定具有最低隨機森林置信度。本文中所描述之該等實施例可被用以自其他低置信度缺陷濾出新的缺陷的分群及新的子類型的缺陷。 拒絕缺陷508可接著被附加至訓練資料500。依此方式，如圖5中所展示，額外訓練組510可藉由附加該等拒絕缺陷至訓練資料500而產生。另外，如圖5中所展示，該額外訓練組將包含被包含於該原始訓練資料中之全部類以及用於該等拒絕缺陷之一類(例如256)。 在此一實施例中，該(該等)電腦子系統經組態用於訓練該額外訓練組上之另一分類器，且該另一分類器將該額外訓練組中之該等缺陷之兩個或兩個以上分類至一額外組格之未經分類缺陷。例如，(具相同類型之)另一分類器或相同分類器可訓練於該附加資料組上。依此方式，該分類器可由該等訓練類代碼以及該等拒絕類代碼重新訓練。在此一實例中，如圖5中所展示，額外訓練組510可用以重新訓練分類器512。作為此重新訓練之一結果，因為額外訓練組510包含缺陷類以及用於拒絕缺陷之一類，所以該重新訓練分類器將缺陷分類成該缺陷及拒絕類，例如缺陷類1、2、3及4及拒絕類256。 另外，在此一實施例中，該(該等)電腦子系統經組態用於基於指派至該額外組格中之該等缺陷之各者之另一分類器之置信度而分離未經分類缺陷之額外組格中之該等缺陷，使得具有高於另一置信度臨限值之一置信度之該等缺陷被指派至一第一組格，且具有低於另一置信度臨限值之一置信度之缺陷被指派至一第二組格，且該第一組格係一初步新穎組格。例如，經分類為組格256之該等缺陷之開箱(OOB)置信度(如在隨機森林之情況下)或k重十字驗證置信度(如在SVM之情況下)可用作由該分類器之一臨限值以獲得該初步新穎組格。在此一實例中，如圖5之步驟514中所展示，該(該等)電腦子系統可定限經分類至該拒絕(或256)組格之該等拒絕缺陷之OOB置信度，藉此將該等拒絕缺陷分成新穎組格516及非新穎組格518。換言之，與訓練類良好區分開之新穎類之分群可被分離出且變成該新穎組格。經指派至拒絕組格256但具低於該臨限值之一OOB置信度之該等缺陷可經保存至另一非新穎組格。依此方式，在該拒絕組格中高於一臨限值之缺陷可被發送至一新穎類且該等缺陷之剩餘者可被發送至另一組格(例如，非新穎組格)。因此，本文中所描述之該等實施例可界定一新穎缺陷置信度。先前所使用之基於隨機森林置信度方法指派(1-經指派隨機森林代碼之隨機森林置信度)作為每缺陷之新穎組格置信度。相較之下，本文中所描述之該等置信度臨限值提供可由一使用者調諧之一參數以改變精確度對新穎組格之純度，取決於其等需要，捕捉重要的全部新穎缺陷或維持重要的新穎組格之純度具相對較少錯誤肯定。針對其中一使用者不可標記該臨限值之情況，可使用一自動臨限值。可基於具有高於x (其大於缺陷之一數目y)之一置信度之新穎缺陷之數目而判定一自動臨限值。例如，若具有高於0.9之一置信度之新穎缺陷之數目大於30，則可使用一臨限值0.9。依此方式，該等臨限值可依用以確保充分新穎缺陷存在於該新穎組格中以確保訓練可如本文中進一步所描述而執行之一方式選擇。 此外，在此一實施例中，該(該等)電腦子系統經組態用於分別附加該初步新穎組格至該訓練組或該經修改訓練組，藉此產生一進一步訓練組，且該(該等)電腦子系統經組態用於在該進一步訓練組上訓練一額外分類器。例如，該初步新穎組格可附加至該訓練資料組以訓練另一分類器或重新訓練該分類器。在此一實例中，如圖5中所展示，該(該等)電腦子系統可產生進一步訓練組520，其包含5類，缺陷類1、2、3及4及初步新穎組格516。如圖5之步驟522中所展示，該(該等)電腦子系統可接著使用進一步訓練組520而重新訓練該分類器。在對新穎組格及原始訓練資料之重新訓練之完成之後，該等新穎類缺陷之OOB置信度經定義為新穎缺陷置信度，即其中該缺陷屬於一新穎類之置信度。 而且，在此一實施例中，該(該等)電腦子系統經組態用於使用該額外分類器分類經指派至該第二組格之該等缺陷以藉此將經指派至該第二組格之該等缺陷分成經指派之該第二組格之具高於一額外置信度臨限值之一置信度之缺陷及經指派至該第二組格之具低於該額外置信度臨限值之一置信度之缺陷。例如，此分類器可重新運行於該非新穎組格上，且一置信度臨限值可用以自該非新穎組格刪除類似於該新穎組格之缺陷。在此一實例中，步驟522中重新訓練之該分類器可應用至非新穎組格518，且如步驟524中所展示，該(該等)電腦子系統可定限該等非新穎組格缺陷之置信度，如由該分類器所指派。依此方式，高於用於該新穎類之一臨限值之缺陷可被發送至該新穎組格。換言之，在對非新穎缺陷組格518中之缺陷重新運行如上文所描述而訓練之該分類器之後，非新穎缺陷組格518中之一些缺陷可由該分類器重新分類作為在此步驟中具一些置信度之新穎組格缺陷。此等缺陷可定限於該置信度上，添加至該新穎類組格，且給定該新穎缺陷置信度作為此分類器之置信度。在此步驟之後，該等新穎缺陷將自該拒絕組格恢復。另外，此步驟可獲得屬於該新穎組格之該等缺陷以及指派一新穎偵測置信度至該等缺陷。 另外，在此一實施例中，該(該等)電腦子系統經組態用於添加經指派至該第二組格之具高於該額外置信度臨限值之該置信度的該等缺陷至該初步新穎組格以藉此產生一最終新穎組格。例如，如圖5之步驟526中所展示，該(該等)電腦子系統可經組態用於添加步驟524之結果至新穎組格516，其可依任何合適方式執行。 在此一實施例中，該(該等)電腦子系統經組態用於分別附加該最終新穎組格中之該等缺陷至該訓練組或該經修改訓練組，藉此產生另一進一步訓練組，基於另一進一步訓練組分別重新訓練該所產生缺陷分類器或經經修改缺陷分類器，使得該重新訓練缺陷分類器產生對應於該第一新穎組格之一額外新穎組格，且使用該經重新訓練缺陷分類器分類除分別由該所產生缺陷分類器或該經修改缺陷分類器產生的未經分類缺陷之框外的一或多個組格中之缺陷，使得在該一或多個組格中之缺陷(其等係新穎缺陷)自該一或多個組格移動至該額外新穎組格。例如，該最後新穎組格可用以進一步藉由附加該新穎組格至該原始訓練資料組及對該(該等)缺陷組格重新運行該進一步經重新訓練分類器而重新訓練該分類器。在此一實例中，如圖5中所展示，可藉由將藉由步驟526產生之該最後新穎組格中之該等缺陷添加至該訓練組而產生訓練組528。因此，該訓練組將包含缺陷類1、2、3及4及一新穎缺陷類。如圖5之步驟530中進一步所展示，該(該等)電腦子系統可經組態用於使用訓練組528重新訓練該分類器。另外，如圖5之步驟532中所展示，該(該等)電腦子系統可經組態用於對該原始分類缺陷(例如，分類缺陷506)運行該分類器以自該等分類缺陷分離出該新穎類。如圖5之步驟534中進一步所展示，分類缺陷506中之該等缺陷(其等經分離出作為新穎缺陷)可添加至該新穎組格(例如，新穎組格516)以藉此產生額外新穎組格536。此等步驟使新穎缺陷與由當前所使用ADC分類器而分類具相對較高置信度之缺陷分離。換言之，此分類器可在該等缺陷組格上重新運行由原始分類器分類之缺陷以獲得整體新穎類。因而，可刪除由原始分類器發送至一分類組格之新穎類缺陷。 本文中所描述之該等實施例具有優於用於偵測新穎缺陷之其他方法之數種優點。例如，本文中所描述之該等實施例提供顯著較高精確度及新穎組格之純度。特定言之，本文中所描述之該等實施例藉由使用相較於當前所使用之方法及系統之一新的方法而提供一顯著改良。本文中所描述之該等實施例在相同純度位準處相較於一基於隨機森林置信度方法而獲得一高得多的精確度，即，其等能夠最大化該新穎組格中之新穎缺陷之數目，其係該精確度，同時維持該新穎組格之純度，即最小化錯誤肯定之數目。為回報相同於該新穎組格之缺陷之數目，該基於隨機森林方法回報大量錯誤肯定，其可導致在分類器監測期間之一相對較大數目個假警報且可觸發分類器之不必要重新訓練。 本文中所描述之該等實施例亦可經組態以使用該新穎組格作為一臨限值以觸發分類器重新訓練。特定言之，本文中所描述之該等實施例可經組態用於使用新穎組格大小來觸發具該新穎類之分類器重新訓練。依此方式，該(該等)電腦子系統可經組態以監測一層用於一製程改變且若偵測顯著新穎類缺陷則升起一旗標。例如，當一新類缺陷出現於一層上時，該分類器應重新訓練，使得其可分類該新類。用於生產使用情況之該等挑戰之一者係不僅偵測一新穎類，而且判定何時已收集新穎缺陷之一充分數目以觸發具該新穎組格之分類器重新訓練。為針對一新類而訓練該分類器，該隨機森林分類器需要該新穎組格之一最小20至30缺陷。換言之，該隨機森林技術需要每類之至少20至30個缺陷以重新訓練該分類器。因此，其將係有利的以僅當偵測具大於20至30個缺陷實例之一新穎類時觸發分類器重新訓練。在此一實施例中，該一或多個電腦子系統經組態用於比較該最終新穎組格之一大小與一臨限值，且當該最終新穎組格之該大小高於該臨限值時分別觸發該所產生缺陷分類器或該經修改缺陷分類器之重新訓練。依此方式，本文中所描述之該等實施例能夠偵測新穎缺陷之相對較大分群且當該新穎組格超過某一極限時觸發具該新穎組格之分類器之重新訓練。重新訓練一分類器係一耗成本製程，其中手動分類必須針對該等新的缺陷執行且該分類器之重新訓練必須在該工具上觸發。因此，一新穎類型之缺陷之一充分數目何時能觸發該分類器之重新訓練做一自動決策考慮可使一高成本附接至該觸發是否係不正確的。本文中所描述之該等實施例可有利地捕捉新穎類中之大部分缺陷具大於20至30個缺陷實例具一些該等缺陷，其等不正確地經捕捉為新穎缺陷。 使用新穎組格大小以針對新穎缺陷觸發分類器重新訓練(如本文中所描述)將相較於其他方法具有一較高重新訓練成功率。例如，在其他方法中，可在不具有可用於該新穎類之充分資料(其可用於重新訓練)的情況下觸發分類器重新訓練。相較於本文中所描述之該等實施例，在基於隨機森林方法中，該新穎組格包含新穎組格缺陷之相對較大分群(即，具大於20至30個缺陷實例之新穎類)、新穎缺陷類之一相對較大數目(各具有相對較少實例)(即，少於20個缺陷實例之新穎類)兩者以及一相對較大數目個錯誤肯定(即，經不正確地捕捉為新穎缺陷之缺陷)。在此情況下，即使一顯著數目個新穎缺陷可收集於該新穎組格中，該分類器亦不可重新訓練，若存在太多具少量缺陷實例之新穎類或存在相對較大數目個錯誤肯定。因此，該新穎組格大小不可用作一臨限值用於在該隨機森林置信度臨限值方法中重新訓練。換言之，定限一新穎組格中之缺陷之數目以觸發自動重新訓練將在本文中所描述之該等實施例中係有效的但在基於隨機森林置信度方法中無效，因為在大於20至30個缺陷之一新穎組格中之許多缺陷可經偵測，其等屬於在該新穎組格中具少於20個缺陷實例之新穎缺陷類之缺陷以及不正確地捕捉為新穎缺陷之缺陷。 本文中所描述之該等實施例可用以在(例如)基於電子束缺陷覆查及執行於製作時之其他製程中監測分類器。例如，針對線內新穎缺陷偵測，針對每一第n個生產批運行，用於該批之該拒絕組格資料可與先前n-1個拒絕組格資料組合。可使用該經組合資料執行本文中所描述之新穎偵測步驟且可線內回報針對彼批之新穎類。另外，如本文中進一步所描述，該等實施例可充當一保衛抵禦效能降級。該等實施例亦可產生指示一製程變異之一警報，其可受使用者極大關注。例如，本文中所描述之該等實施例提供一一般方法，其可用以在製作時偵測新穎類之分群且可應用跨基於電子束及基於光之使用情況。在一機構不在適當位置中以在分類器之生產及監測中偵測新穎類的情況下，當前ADC解決方案將不用於製作時。因此，新穎缺陷偵測在用於生產之整體ADC解決方案中係一重要成份。 本文中所描述之該等實施例亦可經組態用於消除歸因於出現於一層上之新穎類的缺陷組格純度之一下降。例如，一旦已由一使用者分類一拒絕組格，該拒絕組格可添加至該訓練資料(如本文中進一步所描述)且用以重新訓練該分類器，其可如本文中進一步所描述而執行。先前由該分類器分類之該等缺陷可接著透過該經重新訓練分類器而重新運行以獲得針對該資料之另一組分類。在此額外運行中，經分類至該新穎類之該等缺陷(即，該等經拒絕缺陷之類，其已由該使用者手動指派為一新穎類)可接著用以估計在原始分類器中之純度下降。 另外，該等實施例可直接用於連續缺陷發現。例如，本文中所描述之該等實施例可提供該連續發現使用情況之一重要成份，其中該目標係提供用戶其無論何時可應用之生產晶圓上之一相對較小樣品量之潛在新缺陷類型。一旦一檢查或缺陷覆查配方係在製作時，則使用者主要針對擾亂點率及變異監測該配方。隨機取樣可執行於生產批上，該樣品可經檢查且經分類以評估生產晶圓上之擾亂點率，且使用者亦可自隨機取樣看見缺陷之一分佈。當前ADC解決方案不能夠回報新穎類作為分佈之部分且因此需要使使用者意識到在晶圓上使用一新穎偵測方法之潛在新缺陷類型。 本文中所描述之該等實施例亦可經組態用於針對分類器效能穩健性使用循序分類器。例如，本文中所描述之該等實施例提供一經改良方法用於分類器產生，藉由給予更高優先權至一選擇列表之穩定屬性以改良一分類器當跨不同工具傳輸時之效能之一致性及無關工具參數狀態之效能之穩定性。 在當前所使用之基於隨機森林ADC方法中，已藉由僅考量基於分離屬性之唯一標準而執行分級分類器產生之屬性且不考慮具工具漂移之屬性之穩定性。屬性之此分級可藉由隨機森林方法內部執行，同時基於藉由各屬性給出之在不同類型之缺陷之間的分離量而建立決策樹。因此，當前沒有方法存在以執行本文中進一步所描述之功能。另外，用於分類器產生之當前所使用方法不具有處理具實質上較少實例之缺陷類型之任何方法。依此方式，具實質上較少實例之缺陷類型可結束與主要缺陷組格之干擾，其可降低其等純度低於效能規格。 因此，當前所使用之方法具有數個缺點。例如，在用於分類器產生之當前所使用方法中，在其中使用穩定及不穩定屬性兩者達成分離之情況下，在一些情況下，不穩定屬性比穩定屬性給予更高分級。因此，依此一方式產生之該分類器當傳輸跨不同工具且亦歸因於工具參數之變化時可具有不一致效能。特定言之，當前所使用ADC方法不能夠處理工具/成像漂移。在另一實例中，當前所使用方法不具有引入關於具實質上較少實例之缺陷類之先前資訊的任何方法。關於一缺陷類型及其性質之此資訊大體上由使用者提供且可有助於刪除此等缺陷類型。在一額外實例中，當前所使用方法放置實質上嚴格界限於工具至工具匹配上用於多工具分類器建立，且若兩個工具超出規格，則其等資料不可用以建立一共同分類器。 本文中所描述之該等實施例提供一可行解決方案用於穩定分類器效能，其對工具漂移係穩健的且當一分類器傳輸跨不同工具時用於穩定效能。即使在在一些基於缺陷檢查工具之電子束之穩定工具條件下，基於強度之缺陷屬性在跨不同工具之屬性中展示相對較高變化。例如，針對基於P1屬性(能量密度P1及極性P1，其中P1指示計算於樣品之一俯視透視影像上之影像特徵，其可使用一或多個演算法產生且藉由基於不同權重至不同偵測器之不同通道而後處理)，針對相同缺陷類型跨不同工具之屬性中之改變可接近於約50%且針對基於P0強度之屬性(強度StdMix0，其中P0指示自Mix0透視所計算之影像特徵，其係藉由添加全部通道具相等權重且不使用任何後處理產生之透視，且其中StdMix0係一缺陷屬性，其經計算為在Mix0透視上計算之影像中之缺陷像素之標準偏差)，其接近於約40%。然而，基於表面構形之屬性之變化係相對較低的。例如，一平均高度屬性展示跨不同工具之小於15%變化。歸因於跨不同工具之基於強度屬性之相對較高變化，已知在分類器產生期間使用此等屬性使該分類器效能不穩定。 在一實施例中，該所產生缺陷分類器包含依一順序配置之至少一第一缺陷分類器及一第二缺陷分類器，使得僅將由該第一缺陷分類器分類之具有低於另一置信度臨限值之一置信度之該等缺陷發送至該第二缺陷分類器，該第一缺陷分類器經組態以僅使用由針對該等缺陷之該一或多個電腦子系統判定之缺陷屬性之一第一部分以將該等缺陷分至一或多個第一類中，且該等缺陷屬性之該第一部分實質上對該輸出獲取子系統之一或多個參數中之漂移係穩定的。因此，本文中所描述之該等實施例提供依一順序建立分類器之方法，一者僅基於該等穩定屬性，接著另一者基於全部屬性(或至少一些相對較不穩定屬性)以提供可對工具漂移穩定之分類器。另外，該等實施例提供對一基於電子束缺陷覆查工具(及本文中所描述之其他工具)具有穩定分類器效能之分類器，其等對工具漂移穩健，且其等可包含使用實質上較少缺陷實例來刪除類以改良由該分類器產生之該等結果之純度。 在此一實施例中，該等缺陷屬性之該第一部分包含一或多個基於表面構形之屬性。在另一此實施例中，該等缺陷屬性之該第一部分包含一或多個基於形狀之屬性。在一另一此實施例中，該等缺陷屬性之該第一部分不包含基於強度之屬性。例如，已判定基於表面構形之屬性展示跨不同工具之相對較穩定效能。因此，已發現在其中其等可在缺陷類之間提供一相對良好分離之情況下使用僅相對較穩定屬性(例如，基於表面構形及基於形狀屬性)且僅在其中該等穩定屬性不可在缺陷類之間提供良好分離之情況下使用其他相對較不穩定屬性而產生一循序分類器可導致一致分類器效能。因此，該等屬性可基於對歸因於工具參數之改變的其等敏感性而分離。依此方式，將最高優先權給予相對較穩定屬性來建立該第一分類器。 在另一此實施例中，該第二缺陷分類器經組態以使用該等缺陷屬性之一第二部分來將該等缺陷分成一或多個第二類，且該等缺陷屬性之該第二部分比該等缺陷屬性之該第一部分對該漂移較不穩定。例如，當該等屬性基於其等對歸因於工具參數之改變的敏感性而分離時，可將更高優先權給予相對較穩定屬性以建立該第一分類器且該第二分類器可使用全部屬性建立，而不僅僅該等實質上穩定缺陷屬性。例如，在一些此等實施例中，該等缺陷屬性之該第二部分包含一或多個基於強度之屬性。另外，該等缺陷屬性之該第二部分可包含可用於分類之全部缺陷屬性。因而，基於實質上穩定缺陷屬性之一分類器可循序接著基於全部屬性之一分類器。依此方式，僅藉由該第一分類器使用相對較低置信度分類之該等缺陷可被發送至該第二分類器，藉此導致實質上穩定分類器效能。因此，本文中所描述之該等實施例提供實質上對工具漂移穩定之分類器效能。 在一進一步此實施例中，該等缺陷屬性之該第一部分實質上對該輸出獲取子系統之該一或多個參數與另一輸出獲取子系統之一或多個參數之間的差穩定。在此一實施例中，該一或多個電腦子系統經組態用於分類基於由具該所產生缺陷分類器之另一輸出獲取子系統產生之輸出偵測之缺陷。因此，本文中所描述之該等實施例在運輸該分類器自一個工具至另一工具之後提供實質上穩定分類器效能。例如，該循序分類器可使用不同工具/成像條件運輸至另一工具以提供對另一工具之穩健效能。對多個工具之穩健效能藉由以下事實提供：基本上保證由該第一順序分類器分類之該組缺陷以在獨立於工具條件之全部工具上分類。另外，僅該第一順序分類器(其係基於穩定屬性，諸如表面構形及形狀屬性)可運輸至另一工具，直至可收集充分資料以證實該第二順序分類器對另一工具之效能。依此方式，本文中所描述之該等實施例可經組態用於運輸該順序分類器或僅運輸該第一分類器自一個工具至另一者。 在一進一步此實施例中，用以產生該缺陷分類器之該訓練組缺陷亦包含基於由另一輸出獲取子系統產生之輸出而偵測之缺陷，且當該輸出由該輸出獲取子系統及另一輸出獲取子系統產生時，該輸出獲取子系統及另一輸出獲取子系統彼此不匹配。例如，若該多個工具之各者不在規格內，則當前所使用ADC技術不使用來自多個工具之資料以建立一分類器。然而，本文中所描述之該等實施例提供一方式以使用此資料來建立多工具分類器，即使該等工具之一或多者超出規格，且因此建立多工具分類器之時間顯著減少。更明確言之，若表面構形屬性更不受工具漂移影響，則此資料可用以建立該第一順序分類器、建立於僅相對較穩定屬性(諸如表面構形及/或形狀屬性)上之一分類器。因此，本文中所描述之該等實施例可使用多工具資料來建立順序分類器，即使該等工具不匹配及/或超出規格。 在另一此實施例中，該所產生缺陷分類器包含依順序配置之一第三缺陷分類器，使得應用至少該第一缺陷分類器及該第二缺陷分類器之結果被輸入至該第三缺陷分類器，且該第三缺陷分類器係一手動決策樹。與本文中所描述之該等實施例相反，當前所使用基於隨機森林ADC分類器不能夠使具實質上較少缺陷之類與歸因於缺乏實例之大多數類分離。然而，一基於手動切割線方法可用以基於來自使用者之先前知識而分離此等缺陷類。因此，本文中所描述之該等實施例使用相對較少實例提供分類器效能，其在具一相對較大數目個缺陷類型之層上係穩定的。 在此一實例中，該第三順序分類器可為基於一些屬性及先前知識之一組決策。例如，可存在在一訓練組中之一類之兩個缺陷，但兩個缺陷不足以使用機器學習技術訓練。然而，一使用者可指示該等缺陷具有一顯著高度，例如高於其他缺陷類型。接著，一基於高度屬性之決策樹可經添加以濾出具相對較大高度之缺陷。此決策將構成該第三分類器。一個以上決策可基於此先前知識添加。基於一決策樹之全部此等決策可接著構成該第三分類器。 依此方式，本文中所描述之該等缺陷分類器可為3步驟順序分類器，其等對工具漂移及具小數目之缺陷類係穩健的。如上文進一步所描述，該第一分類器可為僅由相對較穩定ADC屬性建立之一隨機森林分類器，即該組屬性已知穩定地成像工具變化。該第二分類器可為由全部ADC屬性建立之一隨機森林分類器。該第三分類器可為基於先前知識之一手動決策樹，其中工程師設定手動切割線以濾出相對較小缺陷類，其等干擾現有類。依此方式，一手動決策樹可用以基於先前知識刪除具實質上較少實例之缺陷。 此一實施例展示於圖6中，如在此圖中所展示，資料600可藉由輸入至第一分類器602 (其經組態為基於表面構形及/或形狀屬性之一分類器)而輸入至該分類器。另外，第一分類器602可僅在基於表面構形及形狀屬性上建立。僅使用此等屬性良好分離之該等缺陷將由此分類器良好分離。換言之，此等缺陷可包含高置信度缺陷604。由於此等屬性實質上對工具漂移穩定，所以即使在工具漂移之後，此等缺陷亦將總是正確地分類為具高置信度。該等缺陷之剩餘者(即，低置信度缺陷606或不由該第一分類器分類為具相對較高置信度之缺陷)可被發送至下一順序分類器，其可為一基於隨機森林分類器之全部可用缺陷屬性。例如，如圖6中所展示，該等低置信度缺陷可被發送至第二分類器608，其係基於全部屬性之一分類器。由此分類器執行之分類可產生包含高置信度缺陷610之結果，其等可與高置信度缺陷604組合且被發送至第三分類器612，其係一手動決策樹用於刪除相對較小類。例如，該第三順序分類器可為一手動決策樹，其使用各分類器組格建立作為一根節點以刪除具實質上較少實例之缺陷。在此一實例中，若線橋接正經分類為橋接，則一手動決策樹可建立於該ADC組格上用於橋接，即該組缺陷分類為橋接於該第一順序分類器及該第二順序分類器中以刪除線橋接。 因此，上文所描述之該等缺陷分類器實施例提供優於當前所使用之缺陷分類器之數個優點。例如，本文中所描述之該等實施例提供建立一分類器之一方法，其對工具漂移或隨時間之成像條件之改變係穩健的。由發明者執行之一些研究已展示該等缺陷之幾乎90%可使用僅基於表面構形及形狀屬性而分離。因此，就本文中所描述之該等順序分類器實施例而言，即使該等工具漂移，亦將保證效能之90%。因此，本文中所描述之該等實施例可用以建立分類器，其等對改變條件更具彈性。 在另一實例中，該等實施例提供處理具實質上較少缺陷之類的一方法，該等類已知降級分類器效能。相比之下，當前所使用ADC方法不能夠維持效能於具實質上大數目個少數缺陷類(具實質上較少實例缺陷)之層上，其係跨絕對值之一共同使用情況且可嚴重地妨礙ADC效能。 在一額外實例中，該等實施例提供用於跨工具運輸分類器之一方法，其可具有變化工具/成像條件。相比之下，當前所使用ADC方法嚴重受工具漂移影響且不具有用於分類器之有效運輸之任何解決方案。因此，當前，放置嚴厲約束於系統穩定性上，其難以在無一致重新校正的情況下滿足。例如，在當前所使用ADC方法中，全部缺陷類型易受工具漂移影響，但在本文中所描述之順序分類器中，僅基於表面構形及形狀屬性不能夠分類之缺陷易受工具漂移影響。若在運輸之後，發現該分類器不工作，則在當前所使用ADC方法中，重新訓練該全部分類器，同時針對本文中所描述之順序分類器，僅可重新訓練該第二分類器。因此，本文中所描述之該等實施例實現分類器之有效工具至工具運輸且藉由刪除具相對較小缺陷之缺陷類而改良分類器效能。 在一進一步實例中，即使該等工具成像條件係實質上不同，該等實施例提供用於亦使用多工具資料用於分類器建立之一方法。依此方式，本文中所描述之該等實施例提供分類器之相對較簡單多工具建立，而不放置嚴格定界於工具匹配上。本文中所描述之該等實施例可因此對ADC方法之成功係重要的。依此方式，ADC工作可涉及來自多個工具之分類器建立，其等即使初始匹配，但亦隨時間漂移。因此，確保可建立多工具分類器，使得其等能夠處理漂移工具條件係至關重要的。該等順序分類器將提供一更穩健及更可靠方式來建立分類器，其等對工具漂移係不變的且顯著地放鬆工具至工具匹配上之定界。 另一實施例係關於用於使用一調適性自動缺陷分類器分類一樣品上之缺陷之一電腦實施方法。該方法包含用於上文所描述之該(該等)電腦子系統之功能之各者的步驟。 方法之該等步驟之各者可如本文中進一步描述般加以執行。該方法亦可包含任何其他步驟，其等可藉由本文中描述之輸出獲取子系統及/或電腦子系統或系統執行。藉由一或多個電腦系統執行該方法之該等步驟，其等可根據本文中所描述之實施例之任何者組態。另外，可藉由本文中所描述之系統實施例之任何者執行上文所描述之方法。 一額外實施例係關於一非暫時性電腦可讀媒體，其儲存可在電腦系統上執行之程式指令，用於執行用於使用一調適性自動缺陷分類器分類一樣品上之缺陷之一電腦實施方法。此一實施例展示於圖7中。特定言之，如圖7中所示，非暫時性電腦可讀媒體700包含可在電腦系統704上執行之程式指令702。該電腦實施方法可包含本文所描述之(若干)任何方法之(若干)任何步驟。 實施諸如彼等文中所述的方法的程式指令702可儲存於電腦可讀媒體700上。該電腦可讀媒體可為一儲存媒體(諸如一磁碟或一光碟、一磁帶或技術中已知之任何其他合適非暫時性電腦可讀媒體)。 可依各種方式之任何者實施該等程式指令，其包含(尤其)基於程序之技術、基於組件之技術及/或物件導向技術。例如，可使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE (串流SIMD擴展)或如所需之其他技術或方法實施該等程式指令。 電腦系統704可根據本文中所描述之實施例之任何者組態。 本文所描述之所有方法可包含儲存一電腦可讀儲存媒體中之方法實施例之一或多個步驟之結果。該等結果可包含本文所描述之該等結果之任何者且可依技術中已知之任何方式儲存。該儲存媒體可包含本文所描述之任何儲存媒體或技術中已知之任何其他合適儲存媒體。在已儲存該等結果之後，該等結果可在該儲存媒體中存取且藉由本文所描述之方法或系統實施例之任一者使用、經格式化用於對一使用者顯示、藉由另一軟體模組、方法或系統使用等等。 由於此描述，熟習此項技術者當明白本發明之各種態樣之進一步修改及替代實施例。例如。提供用於使用一調適性自動缺陷分類器分類一樣品上之缺陷之方法及系統。據此，此描述欲視為僅繪示且為教示熟習技術者執行本發明之一般方式之目的。應理解本文展示及描述之本發明之形式欲視為目前偏好之實施例。元件及材料可替代本文所繪示及描述之該等元件及材料，可顛倒零件及程序，且可獨立地利用本發明之特定特徵，熟習此項技術者在獲得本發明之此描述之優點之後當明白上述所有。可在本文所描述之元件中進行改變而不會背離如在以下申請專利範圍中所描述之本發明之精神及範疇。
10‧‧‧輸出獲取子系統14‧‧‧樣品16‧‧‧光源18‧‧‧光學元件20‧‧‧透鏡21‧‧‧分光器22‧‧‧平臺24‧‧‧集光器26‧‧‧元件28‧‧‧偵測器30‧‧‧集光器32‧‧‧元件34‧‧‧偵測器36‧‧‧電腦子系統102‧‧‧電腦子系統122‧‧‧電子腔體124‧‧‧電腦子系統126‧‧‧電子束源128‧‧‧樣品130‧‧‧元件132‧‧‧元件134‧‧‧偵測器300‧‧‧第一批302‧‧‧缺陷分群304‧‧‧步驟306‧‧‧步驟308‧‧‧新的批310‧‧‧步驟312‧‧‧步驟314‧‧‧步驟316‧‧‧步驟400‧‧‧缺陷資料402‧‧‧步驟404‧‧‧步驟406‧‧‧步驟408‧‧‧步驟410‧‧‧步驟412‧‧‧步驟414‧‧‧步驟500‧‧‧訓練資料502‧‧‧分類器504‧‧‧製作資料506‧‧‧分類缺陷508‧‧‧拒絕缺陷510‧‧‧額外訓練組512‧‧‧分類器514‧‧‧步驟516‧‧‧新穎組格518‧‧‧非新穎組格520‧‧‧訓練組522‧‧‧步驟524‧‧‧步驟526‧‧‧步驟528‧‧‧訓練組530‧‧‧步驟532‧‧‧步驟534‧‧‧步驟536‧‧‧新穎組格600‧‧‧資料602‧‧‧第一分類器604‧‧‧高置信度缺陷606‧‧‧低置信度缺陷608‧‧‧第二分類器610‧‧‧高置信度缺陷612‧‧‧第三分類器700‧‧‧非暫時性電腦可讀媒體702‧‧‧程式指令704‧‧‧電腦系統
在閱讀下列詳細描述及在參考附圖時將明白本發明之其他目的及優點，其中： 圖1及圖2係繪示如本文中所描述而組態之一系統之實施例之側視圖的示意圖； 圖3係繪示步驟之一個實施例之一流程圖，該等步驟可由本文中所描述之一或多個電腦子系統實施例執行用於使用一調適性自動缺陷分類器分類缺陷； 圖4係繪示步驟之一個實施例之一流程圖，該等步驟可由本文中所描述之一或多個電腦子系統實施例執行用於判定一資料冗餘分數； 圖5係繪示步驟之一個實施例之一流程圖，該等步驟可由本文中所描述之一或多個電腦子系統實施例執行用於新穎缺陷偵測； 圖6係繪示步驟之一個實施例之一流程圖，該等步驟可由本文中所描述之一或多個電腦子系統實施例執行用於使用一序列之缺陷分類器的缺陷分類；及 圖7係繪示一非暫時性電腦可讀媒體之一個實施例之一方塊圖，其儲存可執行於一電腦系統上之程式指令用於執行本文中所描述之電腦實施方法之一或多者。 雖然本發明易於以各種修改及替代形式呈現，但其之特定實施例藉由實例之方式在圖式中展示且將在本文中詳細描述。然而，應瞭解圖式及其詳細描述不意欲將本發明限於所揭示之特定形式，但相反，本發明覆蓋落入如藉由隨附申請專利範圍所界定之本發明之精神及範疇內之所有修改、等效物及替代方式。
10‧‧‧輸出獲取子系統
14‧‧‧樣品
16‧‧‧光源
18‧‧‧光學元件
20‧‧‧透鏡
21‧‧‧分光器
22‧‧‧平臺
24‧‧‧集光器
26‧‧‧元件
28‧‧‧偵測器
30‧‧‧集光器
32‧‧‧元件
34‧‧‧偵測器
36‧‧‧電腦子系統
102‧‧‧電腦子系統

Claims (24)

  1. 一種經組態以使用一調適性自動缺陷分類器來分類一樣品上之缺陷之系統，其包括：一輸出獲取子系統，其包括至少一能源及一偵測器，其中該能源經組態以產生被引導至一樣品之能量，且其中該偵測器經組態以偵測來自該樣品之能量且回應於該所偵測能量而產生輸出；及一或多個電腦子系統，其經組態用於：基於由該偵測器產生之該輸出來偵測該樣品上之缺陷，以藉此產生第一批結果；使用一分群方法來將該等缺陷分成不同群組；自一使用者接收用於該等不同群組之各者之一分類；基於該等所接收分類及包括在該等第一批結果中之該等全部缺陷之一訓練組缺陷來產生一缺陷分類器；藉由擾亂由用於分類該等缺陷之該所產生缺陷分類器所使用之該等缺陷之一或多個屬性中之該訓練組來針對該所產生缺陷分類器判定一穩健性分數，且判定在該所產生缺陷分類器之效能下降低於一預定位準之前該所產生缺陷分類器可承受之一擾亂量；基於該穩健性分數來判定一或多個控制設定，其用於該輸出獲取子系統之一或多個參數；基於由該偵測器產生之額外輸出而針對相同於該樣品之類型之另一樣品來偵測該另一樣品上的額外缺陷，以藉此產生額外批結果；組合該等第一批結果及該等額外批結果，以產生累計批結果； 藉由應用該所產生缺陷分類器至該等累計批結果中之該等缺陷來分類該等累計批結果中之該等缺陷；判定該等額外批結果中之該等缺陷之任何者是否具有低於一置信度臨限值之一置信度值；當該等額外批結果中之該等缺陷之一或多者具有低於該置信度臨限值之一置信度值時，自一使用者接收該一或多個缺陷之一或多個分類且修改該訓練組以包含該一或多個缺陷及該一或多個分類；基於該經修改訓練組來修改該缺陷分類器；使用該經修改缺陷分類器來分類該等累計批結果中之缺陷；及當該等累計批結果中之該等全部缺陷由該使用者分類或該等額外批結果中之該等缺陷沒有一個具有低於該置信度臨限值之一置信度值時，結束調適性分類器產生。
  2. 如請求項1之系統，其中產生該缺陷分類器係使用自動置信度臨限值來執行，且其中使用該自動置信度臨限值來產生該缺陷分類器包括：針對各缺陷類型將一置信度臨限值自一最小值增加直到達到一純度目標(purity target)。
  3. 如請求項1之系統，其中該所產生缺陷分類器係一隨機森林類型缺陷分類器。
  4. 如請求項1之系統，其中該所產生缺陷分類器係一支援向量機類型缺陷分類器。
  5. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於藉由以下來判定一資料冗餘分數：a)針對多個缺陷類之一第一類，使用一分群方法來選擇該第一類中之該等缺陷的一部分，且添加該等缺陷之該經選擇部分至針對該第一類之一訓練組；b)產生具有針對該第一類之該訓練組及該多個類之其他類之訓練組之一自動分類器；c)使用該自動分類器來分類在步驟a)中未被選擇之該第一類中之該等缺陷的一部分；d)若該第一類中之任何缺陷由該自動分類器分類成低於一預定義置信度臨限值，則添加該第一類中之該等缺陷之一預定數目至針對該第一類之該訓練組，且重複步驟a)至c)；及e)若該第一類中之該等缺陷沒有一個由該自動分類器分類成低於該預定義置信度臨限值，則計算該資料冗餘分數等於1-(針對該第一類之該訓練組之大小)除以(該第一類之大小)。
  6. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於監測由該所產生缺陷分類器及該經修改缺陷分類器產生之結果中之未經分類缺陷之一組格之一大小，且當該組格之該大小大於一預定大小時產生一警報，且其中該警報指示該輸出獲取子系統之該一或多個參數的校正係必要的。
  7. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於監測由該所產生缺陷分類器及該經修改缺陷分類器產生之結果中之各缺陷組格之一置信度直方圖，且當該置信度直方圖具有一或多個預定特性時產生一警報，且其中該警報指示該輸出獲取子系統之該一或多個參數的校正係必要的。
  8. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態用於：將由該所產生缺陷分類器或該經修改缺陷分類器產生之未經分類缺陷之一組格中的缺陷分別附加至該訓練組或該經修改訓練組，藉此產生一額外訓練組；在該額外訓練組上訓練另一分類器，其中該另一分類器將該額外訓練組中之該等缺陷之兩個或兩個以上分類至未經分類缺陷之一額外組格；基於經指派至該額外組格中之該等缺陷之各者之另一分類器的置信度來分離該額外組格中之該等缺陷，使得具有高於另一置信度臨限值之一置信度之該等缺陷被指派至一第一組格，且具有低於該另一置信度臨限值之一置信度之缺陷被指派至一第二組格，其中該第一組格係一初步新穎組格；使該初步新穎組格分別附加至該訓練組或該經修改訓練組，藉此產生一進一步訓練組；在該進一步訓練組上訓練一額外分類器；使用該額外分類器將經指派至該第二組格之該等缺陷分類，以藉此將經指派至該第二組格之該等缺陷分至經指派至該第二組格之具有高於一額外置信度臨限值之一置信度的缺陷中及經指派至該第二組格之具有低於該 額外置信度臨限值之一置信度的缺陷中；及將經指派至該第二組格之具有高於該額外置信度臨限值之置信度之該等缺陷添加至該初步新穎組格，以藉此產生一最終新穎組格。
  9. 如請求項8之系統，其中該一或多個電腦子系統進一步經組態用於：將該最終新穎組格中之該等缺陷分別附加至該訓練組或該經修改訓練組，藉此產生另一進一步訓練組；基於該另一進一步訓練組來分別重新訓練該所產生缺陷分類器或該經修改缺陷分類器，使得該經重新訓練缺陷分類器產生對應於該最終新穎組格之一額外新穎組格；及使用該經重新訓練缺陷分類器來分類除分別由該所產生缺陷分類器或該經修改缺陷分類器產生之未經分類缺陷之該組格外之在一或多個組格中之該等缺陷，使得在該一或多個組格中為新穎缺陷之該等缺陷自該一或多個組格移動至該額外新穎組格。
  10. 如請求項8之系統，其中該一或多個電腦子系統進一步經組態用於比較該最終新穎組格之一大小與一臨限值，且當該最終新穎組格之該大小高於該臨限值時，觸發該所產生缺陷分類器或該經修改缺陷分類器之分別重新訓練。
  11. 如請求項1之系統，其中該所產生缺陷分類器包括依一順序配置之至少一第一缺陷分類器及一第二缺陷分類器，使得僅將由該第一缺陷分類器分類之具有低於另一置信度臨限值之一置信度之該等缺陷被發送至該第二 缺陷分類器，且其中該第一缺陷分類器經組態以僅使用由針對該等缺陷之該一或多個電腦子系統判定之缺陷屬性之一第一部分以將該等缺陷分至一或多個第一類中。
  12. 如請求項11之系統，其中該等缺陷屬性之該第一部分包括一或多個基於表面構形屬性。
  13. 如請求項11之系統，其中該等缺陷屬性之該第一部分包括一或多個基於形狀屬性。
  14. 如請求項11之系統，其中該等缺陷屬性之該第一部分不包括基於強度屬性。
  15. 如請求項11之系統，其中該第二缺陷分類器經組態以使用該等缺陷屬性之一第二部分來使該等缺陷分至一或多個第二類中。
  16. 如請求項15之系統，其中該等缺陷屬性之該第二部分包括一或多個基於強度屬性。
  17. 如請求項11之系統，其中該一或多個電腦子系統進一步經組態用於使用該所產生缺陷分類器來分類基於由另一輸出獲取子系統產生的輸出而偵測到的缺陷。
  18. 如請求項11之系統，其中用以產生該缺陷分類器之該訓練組缺陷進一步包括基於由另一輸出獲取子系統產生的輸出而偵測的的缺陷，且其中當該輸出係由該輸出獲取子系統及該另一輸出獲取子系統產生時，該輸出獲取子系統及該另一輸出獲取子系統彼此不匹配。
  19. 如請求項11之系統，其中該所產生缺陷分類器進一步包括依該順序配置之一第三缺陷分類器，使得應用至少該第一缺陷分類器及該第二缺陷分類器的結果被輸入至該第三缺陷分類器，且其中該第三缺陷分類器包括一手動決策樹。
  20. 如請求項1之系統，其中該樣品包括一晶圓。
  21. 如請求項1之系統，其中引導至該樣品之該能量包括光，且其中自該樣品偵測之該能量包括光。
  22. 如請求項1之系統，其中引導至該樣品之該能量包括電子，且其中自該樣品偵測之該能量包括電子。
  23. 一種非暫時性電腦可讀媒體，其儲存可於一電腦系統上執行之程式指令，用於執行一電腦實施方法，用於使用一調適性自動缺陷分類器來分類一樣品上之缺陷，其中該電腦實施方法包括：基於由一輸出獲取子系統之一偵測器產生之輸出來偵測該樣品上之缺陷，以藉此產生第一批結果，其中該輸出獲取子系統包括至少一能源及 該偵測器，其中該能源經組態以產生被引導至一樣品之能量，且其中該偵測器經組態以偵測來自該樣品之能量，且回應於該所偵測能量而產生該輸出；使用一分群方法來將該等缺陷分成不同群組；自一使用者接收用於該等不同群組之各者之一分類；基於該等所接收分類及包括在該等第一批結果中之該等全部缺陷之一訓練組缺陷來產生一缺陷分類器；藉由擾亂由用於分類該等缺陷之該所產生缺陷分類器所使用之該等缺陷之一或多個屬性中之該訓練組來針對該所產生缺陷分類器判定一穩健性分數，且判定在該所產生缺陷分類器之效能下降低於一預定位準之前該所產生缺陷分類器可承受之一擾亂量；基於該穩健性分數來判定一或多個控制設定，其用於該輸出獲取子系統之一或多個參數；基於由該偵測器產生之額外輸出來偵測在相同於該樣品之類型之另一樣品上的額外缺陷，用於另一樣品，以藉此產生額外批結果；組合該等第一批結果及該等額外批結果，以產生累計批結果；藉由應用該所產生缺陷分類器至該等累計批結果中之該等缺陷來分類該等累計批結果中之該等缺陷；判定該等額外批結果中之該等缺陷之任何者是否具有低於一置信度臨限值之一置信度值；當該等額外批結果中之該等缺陷之一或多者具有低於該置信度臨限值之一置信度值時，自一使用者接收該一或多個缺陷之一或多個分類，且修改該訓練組以包含該一或多個缺陷及該一或多個分類； 基於該經修改訓練組來修改該缺陷分類器；使用該經修改缺陷分類器來分類該等累計批結果中之缺陷；及當該等累計批結果中之該等全部缺陷未由該使用者分類或該等額外批結果中之該等缺陷沒有一個具有低於該置信度臨限值之一置信度值時，結束調適性分類器產生。
  24. 一種用於使用一調適性自動缺陷分類器來分類一樣品上之缺陷之電腦實施方法，其包括：基於由一輸出獲取子系統之一偵測器產生之輸出來偵測該樣品上之缺陷，以藉此產生第一批結果，其中該輸出獲取子系統包括至少一能源及該偵測器，其中該能源經組態以產生被引導至一樣品之能量，且其中該偵測器經組態以偵測來自該樣品之能量，且產生回應於該所偵測能量之該輸出；使用一分群方法來將該等缺陷分成不同群組；自一使用者接收用於該等不同群組之各者之一分類；基於該等所接收分類及包括在該等第一批結果中之該等全部缺陷之一訓練組缺陷來產生一缺陷分類器；藉由擾亂由用於分類該等缺陷之該所產生缺陷分類器所使用之該等缺陷之一或多個屬性中之該訓練組來針對該所產生缺陷分類器判定一穩健性分數，且判定在該所產生缺陷分類器之效能下降低於一預定位準之前該所產生缺陷分類器可承受之一擾亂量；基於該穩健性分數來判定一或多個控制設定，其用於該輸出獲取子系統之一或多個參數； 基於由該偵測器產生之額外輸出來偵測在相同於該樣品之類型之另一樣品上的額外缺陷，用於另一樣品，以藉此產生額外批結果；組合該等第一批結果及該等額外批結果，以產生累計批結果；藉由應用該所產生缺陷分類器至該等累計批結果中之該等缺陷來分類該等累計批結果中之該等缺陷；判定該等額外批結果中之該等缺陷之任何者是否具有低於一置信度臨限值之一置信度值；當該等額外批結果中之該等缺陷之一或多者具有低於該置信度臨限值之一置信度值時，自一使用者接收該一或多個缺陷之一或多個分類，且修改該訓練組以包含該一或多個缺陷及該一或多個分類；基於該經修改訓練組來修改該缺陷分類器；使用該經修改缺陷分類器來分類該等累計批結果中之缺陷；及當該等累計批結果中之該等全部缺陷未由該使用者分類或該等額外批結果中之該等缺陷沒有一個具有低於該置信度臨限值之一置信度值時，結束調適性分類器產生，其中該方法之步驟係由一或多個電腦系統執行。
TW105130235A 2015-09-18 2016-09-19 調適性自動缺陷分類 TWI690007B (zh)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
US201562220868P 2015-09-18 2015-09-18
US62/220,868 2015-09-18
US201562387461P 2015-12-23 2015-12-23
US62/387,461 2015-12-23
US201562274013P 2015-12-31 2015-12-31
US62/274,013 2015-12-31
US14/991,901 US10436720B2 (en) 2015-09-18 2016-01-08 Adaptive automatic defect classification
US14/991,901 2016-01-08

Publications (2)

Publication Number Publication Date
TW201721784A TW201721784A (zh) 2017-06-16
TWI690007B true TWI690007B (zh) 2020-04-01

Family

ID=58277077

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105130235A TWI690007B (zh) 2015-09-18 2016-09-19 調適性自動缺陷分類

Country Status (5)

Country Link
US (1) US10436720B2 (zh)
KR (1) KR102397736B1 (zh)
CN (1) CN108352339B (zh)
TW (1) TWI690007B (zh)
WO (1) WO2017049219A1 (zh)

Families Citing this family (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2015212984A1 (en) * 2014-01-28 2016-06-23 Ventana Medical Systems, Inc. Adaptive classification for whole slide tissue segmentation
KR102380099B1 (ko) 2015-08-05 2022-03-28 케이엘에이 코포레이션 범위 기반 실시간 스캐닝 전자 현미경 비시각적 비너
US10620618B2 (en) * 2016-12-20 2020-04-14 Palantir Technologies Inc. Systems and methods for determining relationships between defects
WO2018119684A1 (zh) * 2016-12-27 2018-07-05 深圳前海达闼云端智能科技有限公司 一种图像识别系统及图像识别方法
US11237119B2 (en) * 2017-01-10 2022-02-01 Kla-Tencor Corporation Diagnostic methods for the classifiers and the defects captured by optical tools
TWI688761B (zh) 2017-01-18 2020-03-21 荷蘭商Ａｓｍｌ荷蘭公司 缺陷顯示方法
US11238579B2 (en) * 2017-01-18 2022-02-01 Asml Netherlands B.V. Defect pattern grouping method and system
US11275361B2 (en) 2017-06-30 2022-03-15 Kla-Tencor Corporation Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
JP7210873B2 (ja) * 2017-07-26 2023-01-24 横浜ゴム株式会社 欠陥検査方法及び欠陥検査装置
US10713534B2 (en) 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US11138507B2 (en) * 2017-09-28 2021-10-05 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
US11037286B2 (en) * 2017-09-28 2021-06-15 Applied Materials Israel Ltd. Method of classifying defects in a semiconductor specimen and system thereof
WO2019113313A1 (en) * 2017-12-07 2019-06-13 Walmart Apollo, Llc System and method for the distributed approval of image-based claims
JP7054436B2 (ja) * 2017-12-14 2022-04-14 オムロン株式会社 検出システム、情報処理装置、評価方法及びプログラム
KR20190073756A (ko) 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US11514357B2 (en) * 2018-03-19 2022-11-29 Kla-Tencor Corporation Nuisance mining for novel defect discovery
US10670536B2 (en) 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
JP7219016B2 (ja) * 2018-04-27 2023-02-07 日立造船株式会社 判定装置、判定方法、および対象物判定プログラム
KR102666072B1 (ko) * 2018-06-05 2024-05-17 삼성전자주식회사 기계 학습 장치 및 기계 학습 장치의 학습 방법
US10713769B2 (en) * 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
DE102018114005A1 (de) * 2018-06-12 2019-12-12 Carl Zeiss Jena Gmbh Materialprüfung von optischen Prüflingen
CN109065467B (zh) * 2018-08-31 2020-11-13 上海华力微电子有限公司 晶圆缺陷检测系统及检测方法和计算机存储介质
US10854486B2 (en) * 2018-09-19 2020-12-01 Kla Corporation System and method for characterization of buried defects
CN109283685B (zh) * 2018-09-27 2020-10-09 中山大学 一种超构透镜纳米单元的设计方法及超构透镜
CN109741295B (zh) * 2018-11-28 2021-04-20 歌尔股份有限公司 产品质量检测方法及装置
KR102324622B1 (ko) * 2018-12-12 2021-11-12 어플라이드 머티리얼즈 이스라엘 리미티드 프로세스 모니터링
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
US11941493B2 (en) 2019-02-27 2024-03-26 International Business Machines Corporation Discovering and resolving training conflicts in machine learning systems
CA3135320A1 (en) * 2019-03-29 2020-10-08 Musashi Ai Limited Inspection device and inspection method
CN110146513B (zh) * 2019-05-27 2021-07-06 Tcl华星光电技术有限公司 缺陷判定方法及缺陷判定装置
US11676264B2 (en) * 2019-07-26 2023-06-13 Kla Corporation System and method for determining defects using physics-based image perturbations
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
US20210056466A1 (en) * 2019-08-19 2021-02-25 Parsons Corporation System and methodology for data classification, learning and transfer
CN110515753A (zh) * 2019-08-28 2019-11-29 中国银行股份有限公司 一种功能缺陷类型检测方法及系统
US11341358B2 (en) * 2019-09-30 2022-05-24 International Business Machines Corporation Multiclassification approach for enhancing natural language classifiers
US20210110207A1 (en) * 2019-10-15 2021-04-15 UiPath, Inc. Automatic activation and configuration of robotic process automation workflows using machine learning
EP4051434A4 (en) * 2019-10-31 2022-12-28 Siemens Healthcare Diagnostics, Inc. DEVICE AND METHOD FOR TRAINING MODELS OF DIAGNOSTIC ANALYZERS
EP4046072A1 (en) * 2019-11-12 2022-08-24 Bright Machines, Inc. Image analysis system for testing in manufacturing
US11379718B2 (en) * 2019-12-10 2022-07-05 International Business Machines Corporation Ground truth quality for machine learning models
US11360030B2 (en) * 2020-02-04 2022-06-14 Applied Materials Isreal Ltd Selecting a coreset of potential defects for estimating expected defects of interest
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
US11620578B2 (en) * 2020-07-08 2023-04-04 Vmware, Inc. Unsupervised anomaly detection via supervised methods
EP4043975B1 (en) * 2021-02-15 2024-05-15 Siemens Aktiengesellschaft Computer-implemented method for determining at least one quality attribute for at least one defect of interest
JP2022140951A (ja) * 2021-03-15 2022-09-29 オムロン株式会社 品質評価装置及び検査管理システム
CN113176275B (zh) * 2021-03-19 2022-02-01 哈工大机器人(中山)无人装备与人工智能研究院 一种用于显示面板复检的方法、装置及系统
US11216932B1 (en) * 2021-03-26 2022-01-04 Minds AI Technologies Ltd Electronic substrate defect detection
CN117157648A (zh) * 2021-03-30 2023-12-01 西门子工业软件有限公司 用于检测aoi机器检查的板的部件上的假错误的方法和系统
US20220343140A1 (en) * 2021-04-23 2022-10-27 Samsung Display Co., Ltd. Systems and methods for identifying manufacturing defects
US11961218B2 (en) 2021-07-29 2024-04-16 Zebra Technologies Corporation Machine vision systems and methods for automatically generating one or more machine vision jobs based on region of interests (ROIs) of digital images
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
JP2023076992A (ja) * 2021-11-24 2023-06-05 東レエンジニアリング株式会社 自動欠陥分類装置
CN117409261B (zh) * 2023-12-14 2024-02-20 成都数之联科技股份有限公司 一种基于分类模型的元件角度分类方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5966459A (en) * 1997-07-17 1999-10-12 Advanced Micro Devices, Inc. Automatic defect classification (ADC) reclassification engine
TW546754B (en) * 1998-06-25 2003-08-11 Applied Materials Inc On-the-fly automatic defect classification for substrates using signal attributes
US20060082763A1 (en) * 2004-10-12 2006-04-20 Teh Cho H Computer-implemented methods and systems for classifying defects on a specimen
JP2011254084A (ja) * 2011-06-27 2011-12-15 Hitachi High-Technologies Corp 欠陥分類方法及びその装置
TW201411760A (zh) * 2012-08-14 2014-03-16 Kla Tencor Corp 自動化檢測情境產生
US20150098655A1 (en) * 2013-10-08 2015-04-09 National Tsing Hua University Method of Defect Image Classification through Integrating Image Analysis and Data Mining
US20150262038A1 (en) * 2014-03-17 2015-09-17 Kla-Tencor Corporation Creating Defect Classifiers and Nuisance Filters

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5978497A (en) * 1994-09-20 1999-11-02 Neopath, Inc. Apparatus for the identification of free-lying cells
US6922482B1 (en) * 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
US7359544B2 (en) * 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
US7271891B1 (en) * 2003-08-29 2007-09-18 Kla-Tencor Technologies Corporation Apparatus and methods for providing selective defect sensitivity
US7564552B2 (en) * 2004-05-14 2009-07-21 Kla-Tencor Technologies Corp. Systems and methods for measurement of a specimen with vacuum ultraviolet light
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP4644613B2 (ja) * 2006-02-27 2011-03-02 株式会社日立ハイテクノロジーズ 欠陥観察方法及びその装置
JP4908995B2 (ja) * 2006-09-27 2012-04-04 株式会社日立ハイテクノロジーズ 欠陥分類方法及びその装置並びに欠陥検査装置
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US9710903B2 (en) * 2008-06-11 2017-07-18 Kla-Tencor Corp. System and method for detecting design and process defects on a wafer using process monitoring features
US8781781B2 (en) * 2010-07-30 2014-07-15 Kla-Tencor Corp. Dynamic care areas
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
US9152700B2 (en) * 2011-09-30 2015-10-06 Google Inc. Applying query based image relevance models
US8718353B2 (en) * 2012-03-08 2014-05-06 Kla-Tencor Corporation Reticle defect inspection with systematic defect filter
US10043264B2 (en) * 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
US9607233B2 (en) * 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification
US8716662B1 (en) 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
US8934091B2 (en) * 2012-09-09 2015-01-13 Kla-Tencor Corp. Monitoring incident beam position in a wafer inspection system
GB2514836B (en) * 2013-06-07 2020-04-22 Thermo Fisher Scient Bremen Gmbh Isotopic Pattern Recognition
US9509112B2 (en) * 2013-06-11 2016-11-29 Kla-Tencor Corporation CW DUV laser with improved stability
KR101768438B1 (ko) * 2013-10-30 2017-08-16 삼성에스디에스 주식회사 데이터 분류 장치 및 방법과 이를 이용한 데이터 수집 시스템
US10127652B2 (en) 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US9535905B2 (en) * 2014-12-12 2017-01-03 International Business Machines Corporation Statistical process control and analytics for translation supply chain operational management

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5966459A (en) * 1997-07-17 1999-10-12 Advanced Micro Devices, Inc. Automatic defect classification (ADC) reclassification engine
TW546754B (en) * 1998-06-25 2003-08-11 Applied Materials Inc On-the-fly automatic defect classification for substrates using signal attributes
US20060082763A1 (en) * 2004-10-12 2006-04-20 Teh Cho H Computer-implemented methods and systems for classifying defects on a specimen
JP2011254084A (ja) * 2011-06-27 2011-12-15 Hitachi High-Technologies Corp 欠陥分類方法及びその装置
TW201411760A (zh) * 2012-08-14 2014-03-16 Kla Tencor Corp 自動化檢測情境產生
US20150098655A1 (en) * 2013-10-08 2015-04-09 National Tsing Hua University Method of Defect Image Classification through Integrating Image Analysis and Data Mining
US20150262038A1 (en) * 2014-03-17 2015-09-17 Kla-Tencor Corporation Creating Defect Classifiers and Nuisance Filters

Also Published As

Publication number Publication date
CN108352339A (zh) 2018-07-31
TW201721784A (zh) 2017-06-16
CN108352339B (zh) 2022-11-08
US20170082555A1 (en) 2017-03-23
KR20180043394A (ko) 2018-04-27
WO2017049219A1 (en) 2017-03-23
US10436720B2 (en) 2019-10-08
KR102397736B1 (ko) 2022-05-13

Similar Documents

Publication Publication Date Title
TWI690007B (zh) 調適性自動缺陷分類
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
KR102276925B1 (ko) 웨이퍼 결함 발견
US10267748B2 (en) Optimizing training sets used for setting up inspection-related algorithms
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
KR102330733B1 (ko) 적응형 뉴슨스 필터
TWI752100B (zh) 用於訓練檢查相關演算法之系統、非暫時性電腦可讀媒體及電腦實施方法
US10670536B2 (en) Mode selection for inspection
KR102550474B1 (ko) 자율 결함 세그먼트화
KR102629852B1 (ko) 다중-모드 검사를 위한 통계적 학습-기반 모드 선택
US11514357B2 (en) Nuisance mining for novel defect discovery
IL286948B1 (en) Generating defect candidates for testing
KR102685760B1 (ko) 신규 결함 발견을 위한 뉴슨스 마이닝