TWI709154B - 掃描式電子顯微鏡影像強化之方法及系統 - Google Patents

掃描式電子顯微鏡影像強化之方法及系統 Download PDF

Info

Publication number
TWI709154B
TWI709154B TW108124273A TW108124273A TWI709154B TW I709154 B TWI709154 B TW I709154B TW 108124273 A TW108124273 A TW 108124273A TW 108124273 A TW108124273 A TW 108124273A TW I709154 B TWI709154 B TW I709154B
Authority
TW
Taiwan
Prior art keywords
image
sem image
sem
resolution
electron beam
Prior art date
Application number
TW108124273A
Other languages
English (en)
Other versions
TW202016970A (zh
Inventor
方偉
浦凌凌
湯瑪士 賈力克 休斯曼
厄文 保羅 史莫克曼
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
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 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202016970A publication Critical patent/TW202016970A/zh
Application granted granted Critical
Publication of TWI709154B publication Critical patent/TWI709154B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/0004—Microscopes specially adapted for specific applications
    • G02B21/002—Scanning microscopes
    • G02B21/0024—Confocal scanning microscopes (CSOMs) or confocal "macroscopes"; Accessories which are not restricted to use with CSOMs, e.g. sample holders
    • G02B21/008—Details of detection or image processing, including general computer control
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
    • G02B21/365—Control or image processing arrangements for digital or video microscopes
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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
    • G06T2207/20081—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H01J2237/223—Fourier techniques
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明揭示用於影像強化之系統及方法。一種用於強化一影像之方法可包括以一第一解析度獲取一第一掃描式電子顯微鏡(SEM)影像。該方法亦可包括以一第二解析度獲取一第二SEM影像。該方法可進一步包括藉由將該第一SEM影像用作一參考以強化該第二SEM影像來提供一經強化影像。該經強化影像可藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。

Description

掃描式電子顯微鏡影像強化之方法及系統
本文中之描述係關於影像強化之領域，且更特定而言，係關於掃描式電子顯微鏡(SEM)影像強化。
在積體電路(IC)之製造程序中，檢測未完成或已完成電路組件以確保其係根據設計而製造且無缺陷。可採用利用光學顯微鏡或帶電粒子(例如電子)束顯微鏡，諸如掃描式電子顯微鏡(SEM)之檢測系統。SEM將低能量電子(例如<1keV)傳遞至表面且使用偵測器記錄離開該表面之二次電子及/或反向散射電子。藉由針對表面上之不同激磁位置記錄此類電子，可用奈米級的空間解析度產生影像。
隨著IC組件之實體大小繼續縮小，缺陷偵測之準確度及良率變得愈來愈重要。然而，檢測工具之成像解析度及產出率很難跟上IC組件之不斷減小之特徵大小。存在可用於增加產出率之若干技術，其包括例如1)減少資料平均量，2)增加檢測像素大小，3)增大電子束流以及4)使用多個電子束進行檢測。然而，應注意，當使用此等技術時，影像品質勢必劣化。具體而言，應注意，使用諸如減少資料平均量或增加檢測像素大小之技術將減少採樣量，此又降低了影像品質。使用諸如增加電子束流或使用多個電子束之技術將增加光點大小，此亦降低了影像品質。此外，當使 用多個電子束來進行檢測時，離軸電子束可由於像差而經歷解析度損失，從而進一步降低影像品質。需要對此項技術之進一步改良。
本發明之實施例提供用於影像強化之系統及方法。在一些實施例中，一種用於強化一影像之方法可包括以一第一解析度獲取一第一掃描式電子顯微鏡(SEM)影像。該方法亦可包括以一第二解析度獲取一第二SEM影像。該方法可進一步包括藉由將該第一SEM影像用作一參考以強化該第二SEM影像來提供一經強化影像。在一些實施例中，該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
在一些實施例中，揭示一種檢測系統。該檢測系統可包括：一記憶體，儲存一指令集；及一處理器，其經組態以執行該指令集。該處理器可執行該指令集以使該檢測系統以一第一解析度獲取一第一掃描式電子顯微鏡(SEM)影像且以一第二解析度獲取一第二SEM影像。該處理器亦可執行該指令集以使該檢測系統藉由將該第一SEM影像用作一參考以強化該第二SEM影像來提供一經強化影像。在一些實施例中，該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
在一些實施例中，揭示一種非暫時性電腦可讀媒體。該非暫時性電腦可讀媒體可儲存一指令集，該指令集可由一設備之至少一個處理器執行以使該設備執行一方法。該方法可包括以一第一解析度獲取一第 一掃描式電子顯微鏡(SEM)影像及以一第二解析度獲取一第二SEM影像。該方法亦可包括藉由將該第一SEM影像用作一參考以強化該第二SEM影像來提供一經強化影像。在一些實施例中，該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
100:電子束檢測系統
101:主腔室
102:裝載/鎖定腔室
104:電子束工具
106:設備前端模組
106a:裝載埠
106b:裝載埠
109:控制器
200:成像系統
201:樣本載物台
202:晶圓固持器
203:晶圓
204:物鏡總成
204a:磁極片
204b:控制電極
204c:偏轉器
204d:激磁線圈
206:電子偵測器
206a:電子感測器表面
206b:電子感測器表面
208:物鏡孔徑
210:聚光透鏡
212:電子束限制孔徑
214:槍孔徑
216:陽極
218:陰極
220:初級電子束
222:次級電子束
250:影像處理系統
260:影像獲取器
270:儲存器
300:影像強化系統
310:高解析度影像
315:資訊檔案
320:機器學習網路
330:低解析度影像
340:圖案提取器
350:儲存模組
360:影像強化模組
370:比較器
380:影像強化器
390:顯示裝置
410:圖案資訊
420:經強化影像
430:經訓練特徵
510:步驟
520:步驟
530:步驟
540:步驟
610:步驟
620:步驟
630:步驟
640:步驟
650:步驟
660:步驟
710:步驟
720:步驟
730:步驟
740:步驟
810:高解析度資料
820:低解析度資料
830:解迴旋資料
910:步驟
920:步驟
930:步驟
940:步驟
950:步驟
960:步驟
1010:高解析度資料
1020:模擬資料
1030:模擬資料
圖1為說明根據本發明之實施例的例示性電子束檢測(EBI)系統之示意圖。
圖2為說明根據本發明之實施例的例示性電子束工具之示意圖，該電子束工具可為圖1之例示性電子束檢測系統之部件。
圖3為根據本發明之實施例的例示性影像強化系統之方塊圖。
圖4為說明根據本發明之實施例的例示性影像強化系統之方塊圖。
圖5為說明根據本發明之實施例的例示性影像強化方法之流程圖。
圖6為說明根據本發明之實施例的使用機器學習網路之例示性影像強化方法之流程圖。
圖7為說明根據本發明之實施例的例示性影像強化方法之流程圖。
圖8為描繪根據本發明之實施例的例示性解迴旋程序的圖解。
圖9為說明根據本發明之實施例的例示性影像強化方法之 流程圖。
圖10為描繪根據本發明之實施例的例示性特徵識別程序的圖解。
現將詳細參考例示性實施例，其實例說明於隨附圖式中。以下描述參考隨附圖式，其中除非另外表示，否則不同圖式中之相同編號表示相同或相似元件。例示性實施例之以下描述中所闡述之實施方案並不表示根據本發明的所有實施方案。實情為，其僅為根據關於如所附申請專利範圍中所列舉的主題之態樣的設備及方法之實例。舉例而言，儘管在利用電子束之內容背景中描述了一些實施例，但本發明不限於此。可以相似方式應用其他類型之帶電粒子束。此外，可使用其他成像系統，諸如光學成像、光偵測、x射線偵測等。
可藉由顯著增加IC晶片上之電路組件(諸如電晶體、電容器、二極體等)之填集密度來實現電子裝置之經強化之計算能力，同時減小裝置之實體大小。舉例而言，在智慧型手機中，IC晶片(其為拇指甲大小)可包括超過20億個電晶體，每一電晶體之大小小於人類毛髮之1/1000。並不出人意料，半導體IC製造為具有數百個個別步驟之複雜程序。甚至一個步驟中之誤差亦有可能顯著影響最終產品之功能。甚至一個「致命缺陷」可造成裝置故障。製造程序之目標為改良程序之總良率。舉例而言，對於得到75%良率之50步驟程序，每一個別步驟必須具有大於99.4%之良率，且若個別步驟良率為95%，則總程序良率下降至7%。
當在IC晶片製造設施中需要高程序良率時，亦必需維持高晶圓產出率，該高晶圓產出率經定義為每小時處理之晶圓之數目。高程序 良率及高晶圓產出率可受缺陷之存在(尤其當涉及操作者干預時)影響。因此，藉由檢測工具(諸如SEM)偵測及識別微米及奈米大小缺陷對於維持高良率及低成本係重要的。
在致力於維持高產出率的過程中，SEM檢測工具通常可在高產出率模式下運作。然而，在高產出率模式下操作之SEM檢測工具可減少資料平均量或增加檢測像素大小或兩者的組合，相較於在標準模式下獲得之影像，此可導致影像品質劣化。在高產出率模式下，影像強化及復原變得具有挑戰性，特定而言，此係因為小比例特徵可嚴重畸變、丟失或歪曲。另一方面，習知的基於單一影像之影像處理方法可為不足的，此係因為其為耗時的。因此，需要對缺陷偵測及識別之領域之進一步改良，同時維持高產出率及高良率。
在本發明之一些實施例的一個態樣中，當在高產出率模式下時，可使用SEM檢測工具來獲取低解析度檢測影像(諸如圖4中所示之低解析度影像330)。使用低解析度檢測影像之特徵，檢測工具可識別具有相似特徵之一或多個所儲存的高解析度檢測影像(諸如圖4的高解析度影像310)以強化所獲取低解析度影像。使用來自高解析度檢測影像之圖案資訊，SEM檢測工具可改良低解析度檢測影像(諸如圖4的經強化影像420)。因此，可強化低解析度檢測影像，同時維持SEM檢測工具之高產出率。
另外，SEM檢測工具之一些實施例可經組態以分析表示第一SEM影像之資料(諸如圖8之表示高解析度影像之一部分的資料810)以獲得一或多個空間-光譜特性(例如相位及振幅特性)，該一或多個空間-光譜特性可應用於表示第二SEM影像之資料(諸如圖8的表示低解析度影像之一部分的資料820)以在數值上強化第二SEM影像(以獲得例如圖8之表示經強 化影像之一部分的資料830)。
SEM檢測工具可進一步經組態以分析表示第一SEM影像之資料(諸如圖10之表示高解析度影像的一部分之資料1010)以識別第一SEM影像中之特徵(例如邊緣)。檢測工具可在數值上模糊表示第一SEM影像之資料以產生表示以第二解析度獲取之模糊SEM影像的經模擬資料(諸如圖10之經模擬資料1020)。檢測工具亦可判定表示模糊SEM影像之經模擬資料(例如圖10之經模擬資料1020)的一部分是否擬合表示第二SEM影像之資料(諸如圖10之表示低解析度影像之一部分的資料1030)的一部分。若檢測工具判定存在擬合，則檢測工具可將表示第二SEM影像之資料之部分識別為含有在第一SEM影像中識別到的特徵(例如邊緣)之位置。
在一些實施例中，檢測工具可經組態以將檢測之重點放在幾個特徵(諸如邊緣位置及類似者)上。在此類實施例中，並非試圖強化整個第二SEM影像之影像品質，而是檢測工具可經組態以僅強化某些感興趣區域之影像品質，此可進一步提高其準確度及產出率。
預期本發明之實施例可提供可用於帶電粒子成像之帶電粒子系統。該帶電粒子系統可適用作SEM檢測工具，以用於成像及檢測樣本以便偵測缺陷。缺陷可指樣本或晶圓上之組件之可導致故障的異常條件。在一些實施例中，缺陷可指與標準相比之像差，例如光阻輪廓、粒子污染、表面缺陷等。
出於清楚起見，圖式中之組件的相對尺寸可以放大。在以下圖式描述內，相同或類似附圖標記係指相同或類似組件或實體，且僅描述關於個別實施例之差異。
如本文中所使用，除非另外具體說明，否則術語「或」涵 蓋所有可能組合，除非不可行。舉例而言，若陳述資料庫可包括A或B，則除非另有具體陳述或不可行，否則資料庫可包括A，或B，或A及B。作為第二實例，若陳述資料庫可包括A、B或C，則除非另有具體說明或不可行，否則資料庫可包括A，或B，或C，或A及B，或A及C，或B及C，或A及B及C。
本發明之實施例包括用於強化SEM影像之系統及方法。舉例而言，SEM檢測工具可以第一解析度獲取第一SEM影像且以第二解析度獲取第二SEM影像。假設第二解析度低於第一解析度，SEM檢測工具可將第一SEM影像用作參考以強化第二SEM影像。在一些實施例中，經強化影像可藉由使用自第一影像提取之一或多個特徵來強化第二SEM影像而提供。可使用影像處理及/或機器學習來提取特徵。可替代地或另外，經強化影像可藉由將第一SEM影像用作參考以在數值上強化及復原第二SEM影像而提供。
現在參考圖1，圖1說明根據本發明之實施例的例示性電子束檢測(EBI)系統100。該EBI系統100可用於成像。如圖1中所示，EBI系統100包括主腔室101、裝載/鎖定腔室102、電子束工具104及設備前端模組(EFEM)106。電子束工具104位於主腔室101內。EFEM 106包括第一裝載埠106a及第二裝載埠106b。EFEM 106可包括額外裝載埠。第一裝載埠106a及第二裝載埠106b容納含有待檢測之晶圓(例如半導體晶圓或由其他材料製成之晶圓)或樣本(晶圓及樣本可互換使用)的晶圓前開式單元匣(FOUP)。一「批次」為可裝載以作為批量進行處理之複數個晶圓。
EFEM 106中之一或多個機器人臂(未圖示)可將晶圓運送至裝載/鎖定腔室102。裝載/鎖定腔室102連接至裝載/鎖定真空泵系統(未圖 示)，該裝載/鎖定真空泵系統移除裝載/鎖定腔室102中之氣體分子以達至低於大氣壓之第一壓力。在達到第一壓力之後，一或多個機器人臂(未圖示)可將晶圓自裝載/鎖定腔室102運送至主腔室101。主腔室101連接至主腔室真空泵系統(未圖示)，該主腔室真空泵系統移除主腔室101中之氣體分子以達到低於第一壓力之第二壓力。在達到第二壓力之後，藉由電子束工具104對晶圓進行檢測。電子束工具104可為單電子束系統或多電子束系統。
控制器109以電子方式連接至電子束工具104。控制器109可為經組態以執行對EBI系統100之各種控制的電腦。雖然在圖1中將控制器109示出為在包括主腔室101、裝載/鎖定腔室102及EFEM 106之結構外部，但應理解，控制器109可為該結構之部件。
圖2說明根據本發明之實施例的例示性成像系統200。圖2之電子束工具104可經組態以用於EBI系統100。電子束工具104可為單電子束設備或多電子束設備。如圖2中所示，電子束工具104包括機動樣本載物台201及由機動樣本載物台201支撐以固持待檢測之晶圓203的晶圓固持器202。電子束工具104進一步包括物鏡總成204、電子偵測器206(其包括電子感測器表面206a及206b)、物鏡孔徑208、聚光透鏡210、電子束限制孔徑(beam limit aperture)212、槍孔徑214、陽極216及陰極218。在一些實施例中，物鏡總成204可包括經修改擺動物鏡延遲浸沒透鏡(SORIL)，其包括磁極片204a、控制電極204b、偏轉器204c及激磁線圈204d。電子束工具104可另外包括能量色散X射線光譜儀(EDS)偵測器(未圖示)以表徵晶圓203上之材料。
藉由在陽極216與陰極218之間施加電壓而自陰極218發射 初級電子束220。初級電子束220穿過槍孔隙214及電子束限制孔隙212，此兩者可判定進入駐存於電子束限制孔隙212下方之聚光透鏡210之電子束的大小。聚光透鏡210在電子束進入物鏡孔徑208之前聚焦初級電子束220，以在電子束進入物鏡總成204之前設定電子束之大小。偏轉器204c使初級電子束220偏轉以促進晶圓上之電子束掃描。舉例而言，在掃描程序中，可控制偏轉器204c以在不同時間點使初級電子束220依序偏轉至晶圓203之頂表面之不同部位上，以提供用於晶圓203之不同部分的影像重構的資料。此外，亦可控制偏轉器204c以在不同時間點使初級電子束220偏轉至特定部位處之晶圓203之不同側上，以提供用於彼部位處的晶圓結構之立體影像重構之資料。另外，在一些實施例中，陽極216及陰極218可經組態以產生多個初級電子束220，且電子束工具104可包括複數個偏轉器204c以同時將多個初級電子束220投射至晶圓之不同部分/側，以提供用於晶圓203之不同部分的影像重構之資料。
激磁線圈204d及磁極片204a產生在磁極片204a之一端處開始且在磁極片204a之另一端處終止的磁場。由初級電子束220掃描之晶圓203的一部分可浸沒於磁場中且可為帶電的，此又產生電場。該電場在初級電子束220與晶圓203碰撞之前減少接近晶圓203之表面衝擊初級電子束220的能量。與磁極片204a電隔離之控制電極204b控制晶圓203上之電場，以防止晶圓203之微拱起並確保適當電子束聚焦。
在接收到初級電子束220後，可自晶圓203之部分發射次級電子束222。次級電子束222可在電子偵測器206之感測器表面206a及206b上形成電子束點。電子偵測器206可產生表示電子束點之強度之訊號(例如電壓、電流等)，且將訊號提供給影像處理系統250。次級電子束222及所 得電子束點之強度可根據晶圓203之外部或內部結構而變化。此外，如上文所論述，初級電子束220可投影至晶圓之頂部表面的不同部位或特定部位處之晶圓之不同側上，以產生具不同強度的次級電子束222(及所得電子束點)。因此，藉由利用晶圓203之該等部位映射電子束點之強度，處理系統可重構反映晶圓203之內部或表面結構的影像。
如上文所論述，成像系統200可用於檢測樣本載物台201上之晶圓203，且包含電子束工具104。成像系統200亦可包含影像處理系統250，該影像處理系統包括影像獲取器260、儲存器270及控制器109。影像獲取器260可包含一或多個處理器。舉例而言，影像獲取器260可包含電腦、伺服器、大型電腦主機、終端機、個人電腦、任何種類之行動計算裝置及類似者，或其組合。影像獲取器260可經由諸如電導體、光纖纜線、可攜式儲存媒體、IR、藍芽、網際網路、無線網路、無線電或其組合之媒體與電子束工具104之偵測器206連接。影像獲取器260可自偵測器206接收訊號，且可建構影像。影像獲取器260可因此獲取晶圓203之影像。影像獲取器260亦可執行各種後處理功能，諸如產生輪廓線、將指示符疊加於所獲取影像上，及類似者。影像獲取器260可經組態以執行對所獲取影像之亮度及對比度等的調整。儲存器270可為諸如硬碟、雲端儲存器、隨機存取記憶體(RAM)、其他類型之電腦可讀記憶體及類似者之儲存媒體。儲存器270可與影像獲取器260耦接，且可用於保存經掃描原始影像資料作為原始影像，及後處理影像。影像獲取器260及儲存器270可連接至控制器109。在一些實施例中，影像獲取器260、儲存器270及控制器109可一起整合為一個控制單元。
在一些實施例中，影像獲取器260可基於自偵測器206接收 之成像訊號來獲取樣本之一或多個影像。成像訊號可對應於用於進行帶電粒子成像之掃描操作。所獲取影像可為包含複數個成像區域之單一影像。單一影像可儲存於儲存器270中。單一影像可為可劃分成複數個區之原始影像。該等區中之每一者可包含含有晶圓203之特徵之一個成像區域。
現在參考圖3，圖3為根據本發明之實施例的例示性影像強化系統300之示意圖。在一些實施例中，影像強化系統300可為圖2之影像處理系統250之部件。另外，影像強化系統300可包含影像處理系統250，該影像處理系統包括控制器109、影像獲取器260、儲存器270，及類似者。
影像強化系統300可包括高解析度影像310、資訊檔案315、機器學習網路320、檢測影像330、圖案提取器340、儲存模組350、影像強化模組360、比較器370、影像強化器380、顯示裝置390。
高解析度影像310可為樣本或晶圓之一部分之高解析度影像。如本文中所使用，高解析度影像係指但不限於解析度高到足以解析間距小於20nm之影像中之兩個不同特徵的影像。應理解，影像解析度可取決於如下因子，該等因子包括但不限於針對影像獲取所用之訊號平均量、SEM影像訊框之雜訊比、像素大小、多電子束系統之同軸電子束的SEM電子束寬度、單電子束系統之SEM電子束寬度，或供應至SEM電子束之電流及類似者。預期上文所列之因子中之一或多者可經調整為提供用於獲取高解析度影像310之所需解析度。舉例而言，較小光點寬度、較小像素大小、低電流、最小電子束輪廓像差、高訊號平均及類似者為可有助於增加高解析度影像310之解析度之所有因子。
可使用EBI系統100之影像獲取器260或能夠獲取高解析度 影像之任何此類系統來獲取高解析度影像310。可藉由可產生晶圓之檢測影像之任何檢測系統來獲取高解析度影像310。晶圓可為半導體晶圓基板，或例如具有一或多個磊晶層或程序膜之半導體晶圓基板。本發明之實施例不限制檢測系統之具體類型，只要該系統可產生具有充足解析度之晶圓影像即可。
在一些實施例中，可在離線模式下獲取高解析度影像310且將其用作訓練影像。如本文中所使用，離線模式係指影像獲取器260或EBI系統100在系統在生產運作中未用於進行晶圓處理時之操作模式。舉例而言，離線模式可包含影像獲取器260或EBI系統100在實際檢測開始之前或在實際處理運作之前的操作。在一些實施例中，藉由與處理設備分開定位之影像獲取器(例如包括獨立式EBI系統或影像獲取器)來獲取高解析度影像310。在離線模式下獲取高解析度影像310可顯著地幫助增加SEM檢測工具之產出率，此係由於影像強化可藉由將所獲取高產出率檢測影像330與已經存在之高解析度影像310進行比較來執行。
可替代地，在一些實施例中，可在檢測程序以及高產出率檢測影像330之獲取期間獲取高解析度影像310。舉例而言，若影像獲取器260或EBI系統100實施多電子束系統，則影像獲取器260或EBI系統100可經組態以利用多電子束系統之同軸電子束來獲取高解析度影像310且利用離軸電子束來獲取高產出率檢測影像330。影像獲取器260或EBI系統100亦可經組態以將不同電流位準供應至單電子束系統以致力於獲取高解析度影像310(使用低電流電子束來獲取，或當將較低電流供應至電子束系統時獲取)及高產出率檢測影像330(使用高電流電子束獲取，或當將較高電流供應至電子束系統時獲取)。因此，應理解，高解析度影像310之獲 取可在高產出率檢測影像330的獲取之前，在高產出率檢測影像330的獲取之後，或與高產出率檢測影像330之獲取同時執行。
亦應理解，影像獲取器260或EBI系統100可經組態以獲取多於一個高解析度影像310。此類高解析度影像310可包括例如晶圓203上之部位的參考影像，或晶圓203上之特徵的參考影像，或後處理參考影像，或類似者。在一些實施例中，高解析度影像310可為來自多個產品類型之晶圓的部位或特徵之一或多個參考影像。舉例而言，當使用相同程序在相同生產線(fab line)中製造多個產品類型時，可將來自第一產品類型之特定特徵之參考影像用作針對來自第二產品類型之特定特徵之高解析度影像，該第二產品類型相較於第一產品類型具有不同構建。
在一些實施例中，高解析度影像310可為再檢測模式影像(review-mode image)，其為在最佳化獲取條件下獲取之影像。再檢測模式影像可具有較高解析度，例如最佳放大率、最佳對比度及亮度、最佳電子束強度等。亦可使偵測器206設定最佳化以獲取高解析度影像。
在一些實施例中，影像強化系統300可包括含有參考特徵資訊之資訊檔案315。除其他之外，資訊檔案315可包含呈以下格式之晶圓設計佈局：圖形資料庫系統(GDS)格式、包括晶圓表面上之特徵的圖形表示之圖形資料庫系統II(GDS II)格式、或開放原圖系統交換標準(OASIS)格式，或Caltech中間格式(CIF)。晶圓設計佈局可基於用於建構晶圓之圖案佈局。晶圓設計佈局可對應於用於例如將來自光微影光罩或倍縮光罩之特徵轉移至晶圓203之一或多個光微影光罩或倍縮光罩。除其他之外，GDS資訊檔案或OASIS資訊檔案可包含以二元檔案格式儲存之表示平坦幾何形狀、文字及與晶圓設計佈局有關之其他資訊的特徵資訊。 OASIS格式可顯著地幫助減小資料體積，從而產生更高效之資料轉移程序。可能已收集到大量GDS或OASIS格式影像，且該等影像可構成比較特徵之較大資料集。
在一些實施例中，影像強化系統300亦可包括機器學習網路320。機器學習網路320可經組態以自高解析度影像310提取特徵資訊。機器學習網路320亦可自包含GDS格式檔案或OASIS格式檔案之資訊檔案315提取相關特徵。機器學習網路320可包括例如人工智慧系統、神經網路，或深度學習技術、軟體實現之演算法，或類似者。機器學習網路320之特徵提取架構可包含例如迴旋神經網路。在一些實施例中，可採用深度學習架構之線性分類器網路作為開始點來訓練及構建機器學習網路320之特徵提取架構。
在一些實施例中，機器學習模型可包括多個層。舉例而言，迴旋神經網路之架構可包含輸入層、第一迴旋層、第一池化層、第二迴旋層、第二池化層、一或多個隱藏層、激活層及輸出層。基於特徵之性質及複雜度，架構之每一層可產生不同數目個子樣本。在第一迴旋運算之後，可存在產生於第一集區中之小於10個子樣本。而在第二迴旋運算之後，第二層可具有產生於第二集區中之大於10個子樣本。在一些實施例中，可藉由該佈局中之幾何特徵之複雜度引入層之間的變化。具有更多幾何資訊之特徵可具有較高機率來產生更多子樣本。舉例而言，複雜特徵可展現可分解且經分析為個別屬性之各種子形狀。
在一些實施例中，機器學習網路320可接收高解析度影像310或資訊檔案315以提取相關特徵及知識。機器學習網路320可包括暫時性儲存媒體(圖中未示出)以儲存所接收之資訊檔案或高解析度影像。暫時 性儲存媒體亦可經組態以儲存後處理資料(例如所提取之相關特徵)。在一些實施例中，特徵提取演算法或深度學習演算法或神經網路可經組態以包括自暫時性儲存媒體或儲存模組350(稍後進行論述)中任一者檢索高解析度影像或資訊檔案之步驟。
機器學習網路320亦可接收額外訓練影像作為輸入。此類訓練影像可包括例如基於GDS或OASIS設計之晶圓設計計劃，或具有高解析度之再檢測模式影像，以高解析度獲取之額外SEM影像，及類似者。可將此類訓練影像以及高解析度影像310共同稱作訓練資料，且可將其儲存於可由使用者存取之使用者定義之儲存器、資料庫或儲存模組350中。可將訓練資料饋送至機器學習網路320中，該機器學習網路設計成自訓練資料提取經訓練特徵及知識。可將所提取之特徵資訊及知識儲存於儲存模組350中，該儲存模組可經組態以可被影像強化系統300之其他組件存取。在一些實施例中，使用機器學習網路320提取經訓練特徵可離線執行，使得此等步驟不會不利地影響總檢測產出率。
在一些實施例中，機器學習網路320為經組態以自訓練資料提取一或多個經訓練特徵之自監督網路。機器學習網路320可經組態以基於先前所識別之經訓練特徵來訓練其自身以自高解析度影像310、額外訓練影像以及自資訊檔案315提取一或多個經訓練特徵。在一些實施例中，機器學習網路320可在離線模式下自高解析度影像310、額外訓練影像以及自資訊檔案315提取經訓練特徵。
在一些實施例中，影像強化系統300可獲取檢測影像330作為樣本、晶圓203之特徵、晶圓203上之感興趣區或整個晶圓203之低解析度影像。可使用EBI系統100之影像獲取器260或能夠獲取低解析度影像之 任何此類檢測系統來獲取檢測影像330。可藉由可產生晶圓或晶圓上之感興趣區之檢測影像的任何檢測系統來獲取檢測影像330。晶圓203可為半導體晶圓基板，或例如具有一或多個磊晶層或程序膜之半導體晶圓基板。本發明之實施例不限制檢測系統之具體類型，只要該系統可產生晶圓影像即可。在一些實施例中，檢測影像330可為使用例如光學顯微鏡獲取之光學影像。
在一些實施例中，檢測影像330為在晶圓處理期間在線獲取之高產出率模式影像。如此獲取之檢測影像330可為晶圓之特徵的劣化、畸變、較差或歪曲影像。
在一些實施例中，影像強化系統300可包括圖案提取器340。圖案提取器340可經組態以諸如在晶圓處理期間在線即時地自檢測影像330提取全域結構資訊或圖案。在一些實施例中，圖案提取器340可為數學演算法、軟體實現之演算法、影像處理演算法，或類似者。圖案提取器340可經整合至影像獲取器260中或可經組態以作為分開之獨立式單元而操作，該獨立式單元經組態以處理檢測影像330。在一些實施例中，圖案提取器340可包含影像處理單元(未圖示)，該影像處理單元經組態以在儲存之前調整檢測影像330之亮度、對比度、飽和度、平坦度、雜訊濾波等。在一些實施例中，圖案提取器340可自已經儲存之檢測影像330提取圖案資訊。
在一些實施例中，圖案提取器340可包括特徵提取演算法以自檢測影像330提取相關圖案資訊。所提取之相關圖案資訊可包括全域資訊，例如全域結構特徵、全域圖案、參考基準物等。可將所提取之相關圖案資訊儲存於經組態以由影像強化系統300之其他組件存取的儲存模組 中。
圖案提取器340亦可經組態以自檢測影像330提取全域結構資訊、特徵資訊等。
在一些實施例中，影像強化系統300可包括儲存模組350。儲存模組350可經組態以儲存一或多個高解析度影像310、訓練影像、資訊檔案315、檢測影像330、自機器學習網路320提取之相關特徵、自圖案提取器340提取之圖案資訊，及類似者。儲存模組350亦可經組態以與影像強化系統300之組件(包括例如機器學習網路320及圖案提取器340)共用所儲存資訊。應理解，儲存模組350可為圖2之儲存器270之部件。
在一些實施例中，儲存模組350可為經組態以與其組件中之每一者連接的影像強化系統300之整合式儲存媒體。儲存模組350可為可在例如網際網路、雲端平台或合適的Wi-fi通信路徑上經由無線通信存取之遠端儲存模組。
儲存模組350可包含圖案及特徵/知識庫。所揭示之方法可基於對應度來搜尋圖案庫以查找匹配圖案。舉例而言，若特徵設計輪廓與圖案庫中之另一圖案具有90%或更高的相似度，則可將圖案判定為匹配。圖案庫中之圖案可包含先前提取之圖案、標準圖案(諸如標準IC特徵之圖案)，及類似者。
影像強化系統300可包括影像強化模組360，該影像強化模組包括一或多個處理器及儲存器(例如儲存模組350)。影像強化模組360可包含比較器370、影像強化器380及顯示裝置390。應理解，影像強化模組360亦可包含圖案提取器340、比較器370、影像強化器380及顯示裝置390中之一或多者或其組合。
顯示裝置390可經組態以顯示來自影像強化器380之經強化影像，或檢測影像330，或高解析度影像310，及類似者。在一些實施例中，顯示裝置390可顯示晶圓、感興趣區、晶圓上之特徵等之預處理及後處理影像，包括例如經強化檢測影像。作為單一整合式單元之影像強化模組360可連接至儲存模組350，該連接經組態以允許在影像強化模組360與儲存模組350之間共用資料。在一些實施例中，比較器370、影像強化器380及顯示裝置390可個別地連接至儲存模組350。其他連接組合亦係可能的。
在一些實施例中，比較器370經組態以將來自機器學習網路320的所提取之相關資訊與來自圖案提取器340的所提取之圖案資訊進行比較。在一些實施例中，比較器370經組態以基於來自圖案提取器340之檢測影像330之圖案資訊自高解析度影像310的所提取之經訓練特徵識別經訓練特徵，且經組態以將所識別的所提取之經訓練特徵與所提取之圖案資訊進行比較。
比較器370可包含影像處理演算法、軟體實現之演算法，或類似者。在一些實施例中，比較器370可經組態以與儲存模組350通信。比較器370可產生輸出檔案，該輸出檔案包括所識別的所提取之經訓練特徵與所提取之圖案資訊之間的匹配結果。可將所產生之輸出檔案儲存於儲存模組350中。比較器370亦可經組態以出於匹配之目的自儲存模組350存取高解析度影像310、訓練影像、資訊檔案315、所提取之經訓練特徵等。
在一些實施例中，比較器370可包括處理單元、記憶體、顯示器及通信路徑以與影像強化系統300之其他組件(例如機器學習網路 320及圖案提取器340)交互。
在一些實施例中，影像強化器380可經組態以基於由比較器370產生之一或多個匹配來產生檢測影像330之經強化影像。在一些實施例中，影像強化器380接收由比較器370及檢測影像330產生之輸出檔案。可替代地，比較器370可與影像強化器380整合為單一單元，該單一單元經組態以基於由比較器370產生之匹配結果來比較、識別及產生經強化影像。
在一些實施例中，影像強化器380可經組態以分析表示高解析度影像310之資料以獲得一或多個空間-光譜特性(例如包括相位及振幅特性)。影像強化器380可將空間-光譜特性應用於表示高產出率(或低解析度)檢測影像330之資料以在數值上強化此等檢測影像330。
在一些實施例中，影像強化器380可經組態以分析表示高解析度影像310之資料以識別高解析度影像310中之特徵(例如邊緣)。影像強化器380可在數值上模糊表示高解析度影像310之資料以模擬表示以較低解析度獲取之模糊影像的資料。影像強化器380可判定表示模糊影像之資料的一部分是否擬合表示低解析度檢測影像330之資料的一部分。若影像強化器380判定存在擬合，則影像強化器380可將表示低解析度檢測影像330之資料之部分識別為含有識別到的特徵(例如邊緣)之位置。
在一些實施例中，影像強化器380可經組態以將強化之重點放在幾個特徵(諸如邊緣及類似者)上。在此類實施例中，並非試圖強化整個低解析度檢測影像330之影像品質，而是影像強化器380可經組態以僅強化某些感興趣區域之影像品質，此可進一步提高其準確度及產出率。
在一些實施例中，影像強化器380為可執行應用程式或軟 體。影像強化器380可包含軟體實現之演算法、影像處理演算法或數學演算法，或類似者。
影像強化模組360可包括經組態以顯示所產生之經強化檢測影像之輸出裝置或顯示裝置390。顯示裝置390可與EBI系統100整體地連接。在一些實施例中，顯示裝置390可為手持式顯示裝置、可穿戴式顯示裝置、多屏幕顯示器、交互式顯示裝置，或類似者。亦可使用其他合適之顯示裝置。
可將經強化檢測影像顯示於影像強化系統300之顯示裝置390上。顯示裝置390可經整合於電子束工具104內，或可為位於遠端部位中之分開之輸出裝置。
在一些實施例中，顯示裝置390可經由無線通信網路(例如Wi-fi、網際網路或雲端網路)遠端定位且操作。亦可使用其他合適之無線通信網路及平台。顯示裝置390亦可與儲存模組350連接以儲存樣本或晶圓上之感興趣區之所顯示的影像。亦可使用顯示裝置390來即時顯示預處理檢測影像330。
圖4說明根據本發明之實施例的例示性影像強化系統300。在一些實施例中，影像強化系統300可為圖2之影像處理系統250之部件。另外，影像強化系統300可包含影像處理系統250，該影像處理系統包括控制器109、影像獲取器260、儲存器270，及類似者。
影像強化系統300可儲存高解析度影像310。如所說明，高解析度影像310為相關經訓練特徵可自其提取之高解析度影像。影像強化系統300可使用高解析度影像310來在執行高產出率檢測之前訓練機器學習網路320。高解析度影像310可包括高解析度光學顯微鏡影像、高解析 度次級電子顯微鏡影像、反向散射電子束影像、原子力顯微鏡影像，或類似者。
如所說明，圖4之高解析度影像310可包括經訓練特徵430。經訓練特徵430可包括例如以帶狀配置進行配置之一或多個環狀結構、基板材料之一或多個帶、金屬互連線、金屬互連線之間的間距、接觸襯墊、邊緣等，其由光罩上之特徵限定且藉由光微影程序在晶圓或基板上轉移。經訓練特徵430可包含結構之一或多個形狀、尺寸、配置、材料、定向等。
資訊檔案315可包含待轉移至晶圓203上之既定晶圓設計或晶片設計之佈局。資訊檔案315可包括以合適格式(例如GDS、GDSII、OASIS或CIF)儲存之資訊。
資訊檔案315可包含知識，該知識可包括與經訓練特徵430相關聯之資訊，例如特徵中之結構的相對定向、晶圓上之特徵的實體部位資訊、晶圓上之特徵的x-y部位座標、臨界尺寸及臨界尺寸公差，及類似者。在一些實施例中，知識可包括目標GDS資訊、目標GDSII資訊、目標OASIS資訊，或類似者。
在一些實施例中，資訊檔案315可含有臨界尺寸資訊。光學光微影之臨界尺寸公差可能極難以實現，且可能需要包括對光罩上之特徵的調整之迭代校正程序。一些可能之解決方案包括但不限於諸如光學近接校正、相移光罩及離軸照明之解析度強化技術。
光學近接校正涉及將光罩上之實際鉻寬度更改為與晶圓上之所需光阻寬度不同。舉例而言，隔離線之大小與相等線及空間之密集陣列中之線之間的差值為光學微影中之最常見之近接效應。此印刷偏壓 (print bias)之量值受步進器之光學參數及光阻之對比度影響。若步進器之光學參數及光阻之對比度保持恆定，則印刷偏壓可藉由使光罩偏置來進行表徵及校正。此類型之幾何形狀相關的光罩偏置通常用於維持實際晶圓上之臨界尺寸及臨界尺寸公差。將光罩偏壓定義為實際鉻寬度減標稱(未偏置)鉻寬度。因此，正偏壓意謂鉻已變大。相移光罩及離軸照明技術亦可用於調整光罩偏壓，使得藉由光微影程序轉移至晶圓203上之特徵與所需特徵形狀及大小匹配。
資訊檔案315可包括目標偏壓經校正之光罩資訊，未經校正之光罩資訊、用於步進器的倍縮光罩之偏壓經校正之特徵資訊、倍縮光罩的未經校正之特徵資訊，或其組合。
在一些實施例中，機器學習網路320經組態以自高解析度影像310提取經訓練特徵430或自資訊檔案315提取知識。在一些實施例中，訓練機器學習網路320為自動的。舉例而言，自動式機器學習網路可自資訊檔案315自發地接收高解析度影像310或資訊。在自資訊檔案315接收高解析度影像310或資訊之後，自動機器學習網路可自發地提取相關經訓練特徵。
可將所提取之經訓練特徵430儲存於儲存模組350中或暫時儲存於儲存庫(未圖示)中。儲存庫可由比較器370、機器學習網路320、影像強化器380、顯示裝置390或類似者存取。
在一些實施例中，檢測影像330為藉由EBI系統100在製造程序中之檢測步驟期間即時獲取之低解析度高產出率模式影像。如圖4中所說明，檢測影像330包含劣化的離焦影像，該劣化的離焦影像展示了特徵及圖案，但未清晰地解析例如與高解析度影像310中所描繪之彼等特徵 及圖案類似的特徵及圖案。檢測影像330亦展示針對影像之中心的缺陷。該缺陷可包含空隙、粒子、未經剝離之光阻、特徵之過度蝕刻表面等。
檢測影像330可為來自光學顯微鏡之光學影像。在一些實施例中，可在程序中之給定檢測步驟處獲取檢測影像330之一或多個視圖。圖案提取器(例如圖3之圖案提取器340)可經組態以處理檢測影像330之一或多個視圖，以判定相關圖案資訊410要自其提取之「最佳」影像。
影像強化模組360可經組態以處理檢測影像330以產生經強化影像420。影像強化模組360可包括圖3之比較器370、影像強化器380及顯示裝置390。在一些實施例中，影像強化模組360亦可包括圖案提取器340。比較器370可經組態以基於由圖案提取器340提取之圖案資訊410來識別自資訊檔案315提取之經訓練特徵430或知識。在識別經訓練特徵之後，比較器370可將所提取之經訓練特徵430與圖案資訊410進行比較且產生輸出。該輸出可包含與比較結果及所提取之經訓練特徵430相關聯之資訊，該等特徵隨後用於強化檢測影像。舉例而言，如圖4之經強化影像420中所示，已使用衍生自高解析度影像310之資訊對環狀結構之特徵、帶及缺陷進行強化。可將該輸出暫時儲存於儲存模組350中。影像強化器380可經組態以自比較器370或自儲存模組350及檢測影像330接收輸出，以產生經強化影像420。
在一些實施例中，影像強化器380可執行對所識別的所提取之經訓練特徵430與所提取之圖案資訊410的比較。在一些實施例中，比較器370可與影像強化器380整合，從而作為單一單元而操作。
可將經強化影像420顯示於顯示裝置390上。在一些實施例中，將經強化影像420顯示於顯示裝置390上且儲存於儲存模組350中。經 強化影像420可包括相較於檢測影像330之特徵及圖案經強化之特徵及圖案，例如該等特徵及圖案經更清晰地解析。在一些實施例中，相較於檢測影像330，亮度及對比度可經最佳化。可更佳地解析且聚焦檢測影像330中之缺陷，此可幫助再檢測者準確地識別缺陷及程序相關問題。
經強化影像420可用於即時地進行檢測、缺陷識別及分析、程序驗證、品質控制、良率改良分析等，同時維持在晶圓製造程序中之檢測步驟期間所需之高產出率。可將經強化影像420同時顯示於多個顯示器上。舉例而言，表示晶圓在光阻剝離步驟之後但在以下金屬沈積步驟之前之檢測影像的經強化影像420可由請求資訊之多個再檢測者或使用者進行再檢測。在一些實施例中，稍後可藉由使用者提示來檢索經強化影像420，以便進行再檢測及深入分析。可以合適格式儲存經強化影像420，該合適格式例如聯合圖像專家群(JPEG)檔案、可攜式網路圖形(PNG)檔案、可攜式文件格式(PDF)檔案、帶標影像檔案格式(TIFF)檔案等。
圖5為說明根據本發明之實施例的例示性影像強化方法之流程圖。可藉由可與帶電粒子束設備(包括EBI系統100)耦接之影像強化模組執行影像強化方法。舉例而言，控制器(例如圖2之控制器109)可包括影像強化模組且可經程式化為實施影像強化方法。應理解，可控制帶電粒子束設備以對晶圓或晶圓上之感興趣區進行成像。成像可包含掃描晶圓以對晶圓之至少一部分進行成像。
在步驟510中，可獲得檢測區域之一或多個經掃描原始影像。一或多個經掃描原始影像可包含晶圓之整個表面或僅包含晶圓之表面的一部分。步驟510中之影像獲取可包含自帶電粒子束設備之偵測器(諸如電子偵測器(例如圖2之電子偵測器206))接收訊號，或自儲存器(例如圖2 之儲存器270)載入影像。
在步驟520中，晶圓上之圖案資訊(例如圖案資訊410)由圖案提取器識別及提取。圖案資訊可包含全域結構資訊，例如用於晶圓上之光微影製程的參考基準物、晶圓上之參考特徵等。步驟520可包括相關特徵提取。可藉由特徵提取演算法執行對相關特徵及圖案之識別。舉例而言，步驟520之特徵提取可包括使用第一參數集合或使用第一影像處理演算法對晶圓表面之所獲取影像執行影像分析。對相關特徵之識別可包括判定晶圓表面上之在x-y座標中的部位、部位群組或部位範圍。可將部位資訊儲存於晶圓圖資料庫(設置於例如圖3之儲存模組350中)中。
在步驟530中，可識別來自訓練影像(例如圖3之高解析度影像310)之經訓練特徵，其對應於所提取之圖案資訊。可基於資訊檔案(例如資訊檔案315)或訓練影像(例如圖3之高解析度影像310)自晶圓設計計劃提取經訓練特徵。訓練影像可為藉由影像獲取系統在離線模式或再檢測模式下獲取之高解析度影像。可預先登記晶圓設計計劃。舉例而言，晶圓設計計劃可為晶圓表面上之特徵之圖形表示。晶圓設計計劃可基於用於設計晶圓之圖案佈局。晶圓設計計劃可對應於用以製造晶圓之光罩。可將晶圓設計計劃儲存於晶圓設計資料庫(設置於例如圖3之儲存模組350中)中。根據來自資訊檔案或訓練影像之資訊資料，可提取對應於所識別之全域結構資訊或圖案資訊之個別特徵。舉例而言，基於在步驟520中所識別之圖案部位之x-y座標，可搜集包含原始特徵設計之幾何形狀資訊的相關經訓練特徵。
在一些實施例中，基於步驟520中之自檢測影像所提取之圖案資訊來識別相關經訓練特徵可藉由機器學習網路(例如圖3之機器學習 網路320)執行。機器學習網路可自動檢索來自資訊檔案之經訓練特徵資訊或來自訓練影像之經訓練特徵資訊。機器學習網路亦可自資訊檔案或訓練影像自動提取相關經訓練特徵。可將所提取之經訓練特徵/知識儲存於經組態以儲存資訊之儲存器或儲存庫中。可暫時儲存或出於長期之目的儲存所提取之經訓練特徵/知識。所提取之經訓練特徵/知識可由影像強化模組(例如圖3之影像強化模組360)或影像強化器(例如圖3之影像強化器380)存取。
所揭示之方法可基於對應度來搜尋圖案庫(儲存於例如儲存模組350中)以查找匹配圖案。舉例而言，若特徵設計輪廓與圖案庫中之另一圖案具有90%或更高的相似度，則可將圖案判定為匹配。圖案庫中之圖案可包含先前提取之圖案、標準圖案(諸如標準IC特徵之圖案)，及類似者。
在步驟540中，基於自訓練影像所識別之經訓練相關特徵/知識與自檢測影像所提取之圖案資訊之間的比較結果來強化檢測影像。在步驟540中，影像強化包含基於所提取之經訓練特徵/知識與所提取之圖案資訊的比較之匹配結果及所提取之經訓練特徵/知識本身來產生經強化影像(例如圖4之經強化影像420)。匹配結果及經訓練特徵430隨後用於強化檢測影像。
圖6為說明根據本發明之實施例的例示性影像強化方法之流程圖。可藉由可與帶電粒子束設備(例如EBI系統100)耦接之影像強化模組來執行影像強化方法。舉例而言，控制器(例如圖2之控制器109)可包括影像強化模組且可經程式化為實施影像強化方法。應理解，可控制帶電粒子束設備以對晶圓或晶圓上之感興趣區進行成像。成像可包含掃描晶圓以 對晶圓之一部分進行成像，此可包括掃描晶圓以對整個晶圓進行成像。在一些實施例中，可藉由影像強化器模組(例如圖3之影像強化器380)或影像強化系統300來執行影像強化方法。
在步驟610中，獲取訓練影像(例如圖4之高解析度影像310)。訓練影像可為高解析度影像、再檢測模式影像、在最佳獲取條件下獲取之優良品質影像，或類似者。可例如使用不同帶電粒子束設備、光學顯微鏡、原子力顯微鏡等離線獲取訓練影像。可在與晶圓製造部位不同之遠端部位處執行訓練影像獲取，且將其儲存於儲存模組(例如圖3之儲存模組350)或可經由通信網路存取之不同儲存單元中。可離線執行訓練影像之獲取以使影像強化程序對檢測產出率之影響最小化。
在步驟620中，使用機器學習網路(例如圖3之機器學習網路320)自所獲取訓練影像提取相關經訓練特徵。亦可自包含特徵資訊之資訊檔案(例如圖3之資訊檔案315)提取相關特徵，例如晶圓設計計劃或積體電路之一或多個層的光罩佈局、圖形佈局。資訊檔案可包含以GDS格式、GDSII格式、OASIS格式或類似者儲存之資訊。
機器學習網路可經組態以自動提取相關經訓練特徵。機器學習網路可自動檢索來自資訊檔案之經訓練特徵資訊或來自訓練影像之經訓練特徵資訊。使用機器學習網路來提取相關經訓練特徵可使用不同部位處之不同處理器離線執行。機器學習網路可經整合至EBI系統100中或可作為遠端操作之獨立式單元進行操作。
在步驟630中，在裝載晶圓之後獲取晶圓之檢測影像(例如圖3之檢測影像330)。舉例而言，可將晶圓置放於樣本載物台上且準備用於成像。檢測影像可為具有低解析度之經掃描原始影像。檢測影像330可 為在獲取條件之非最佳設定的情況下獲取之高產出率檢測模式影像。檢測影像可為劣化或較差品質影像，或低解析度影像，或類似者。在晶圓製造方法期間在線獲取檢測影像。可使用一或多個影像獲取器(例如圖2之影像獲取器260)或EBI(例如圖1之EBI系統100)分別執行步驟630及步驟610。檢測影像及訓練影像可在不同時間藉由相同EBI獲取。
在步驟640中，執行自檢測影像提取全域結構資訊或圖案資訊(例如圖4之圖案資訊410)。步驟640可包括使用第一參數集合或使用第一影像處理演算法對晶圓表面之所獲取影像執行影像分析。在步驟640中，藉由圖案提取器(例如圖3之圖案提取器340)來識別及提取晶圓之圖案資訊。圖案資訊可包含全域結構資訊，例如用於晶圓上之光微影製程的參考基準物、晶圓上之參考特徵等。步驟640亦可包括使用特徵提取演算法來提取相關特徵。對相關圖案資訊之識別及提取可包括判定晶圓表面上之在x-y座標中的部位、部位群組或部位範圍。可將部位資訊儲存於晶圓圖資料庫中，該晶圓圖資料庫儲存於儲存模組中。
在步驟650中，可使用影像強化模組或比較器(例如圖3之比較器370)基於所識別之圖案資訊來識別來自訓練影像之經訓練特徵。亦可基於資訊檔案或訓練影像自晶圓設計計劃提取經訓練特徵。訓練影像可為藉由影像獲取系統(例如EBI系統100)在離線模式或再檢測模式下獲取之高解析度影像。可預先登記晶圓設計計劃。舉例而言，晶圓設計計劃可為晶圓表面上之特徵之圖形表示。晶圓設計計劃可基於用於設計晶圓之圖案佈局。晶圓設計計劃可對應於用以製造晶圓之光罩。可將晶圓設計計劃儲存於晶圓設計資料庫中。
光罩可包含基本為2維之形狀，其包括但不限於可具有尖 稜角之矩形。為描述實際光阻影像與目標或所需光阻影像之誤差，定義了目標影像。當用光阻印刷時，原始設計之稜角可在一定程度上圓化。一定量之稜角圓化可為可接受的。儘管不存在將經設計光罩佈局之稜角圓化的理由，但亦不存在堅持要求最終印刷之圖案與設計之正方形稜角匹配的理由。因此，實際所需圖案可由於可接受之量的稜角圓化而與經設計圖案偏離。可替代地，光罩偏置可用於修改鉻特徵，使得晶圓上之最終印刷特徵為所需形狀及大小。目標GDS資訊(例如圖3之資訊檔案315中所包含的資訊)可包含光罩偏置資料。
儲存於資訊檔案中之晶圓設計計劃可包含目標GDS或目標GDSII資訊。如本文中所提及，目標GDS資訊可包括基於晶圓處理條件之經更新或經調整光罩特徵資訊。舉例而言，如上文所論述，將奈米大小特徵自光罩轉移至晶圓可包括用於適應光學近接校正之光罩偏置。用於光學近接校正之光罩偏置可包含將光罩上之實際鉻寬度更改為與晶圓上之所需光阻寬度不同。舉例而言，隔離線之大小與相等線及空間之密集陣列中之線之間的差值為光學微影中之最常見之近接效應。此印刷偏壓之量值受步進器之光學參數或光阻之對比度強烈影響。若步進器之光學參數或光阻之對比度保持恆定，則印刷偏壓可藉由使光罩偏置來進行表徵及校正。此類型之幾何形狀相關的光罩偏置通常用於維持實際晶圓上之臨界尺寸及臨界尺寸公差。將光罩偏壓定義為實際鉻寬度減標稱(未偏置)鉻寬度。因此，正偏壓意謂鉻已變大。
在步驟650中，基於步驟640中之自檢測影像所提取之圖案資訊來識別相關經訓練特徵可藉由機器學習網路來執行。機器學習網路可自動檢索來自資訊檔案之經訓練特徵資訊或來自訓練影像之經訓練特徵資 訊。機器學習網路亦可自資訊檔案或訓練影像自動提取相關經訓練特徵。可將所提取之經訓練特徵(例如圖4之經訓練特徵430)儲存於經組態以儲存資訊之儲存模組或儲存庫中。可暫時儲存或出於長期之目的儲存所提取之經訓練特徵。所提取之經訓練特徵可由影像強化模組或影像強化器存取。
在步驟660中，基於自訓練影像所識別之經訓練相關特徵與自檢測影像所提取之圖案資訊之間的比較結果來強化檢測影像。在步驟660中，影像強化包含基於所提取之經訓練特徵與所提取之圖案資訊的比較之匹配結果及所提取之經訓練特徵本身來產生經強化影像(例如圖4之經強化影像420)或強化檢測影像。匹配結果及經訓練特徵隨後用於強化檢測影像。可將匹配結果及經訓練特徵儲存於儲存模組中。
經強化影像可用於即時地進行檢測、缺陷識別及分析、程序驗證、品質控制、良率改良分析等，同時維持在晶圓製造程序中之檢測步驟期間所需之高產出率。可將經強化影像同時顯示於多個顯示器上。舉例而言，表示晶圓在光阻剝離步驟之後但在以下金屬沈積步驟之前之檢測影像的經強化影像可由請求資訊之多個再檢測者或使用者進行再檢測。在一些實施例中，稍後可藉由使用者提示來檢索經強化影像，以便進行再檢測及深入分析。可以合適格式儲存經強化影像，該合適格式例如JPEG檔案、PNG檔案、PDF檔案、TIFF檔案等。
通常返回參考圖3。在一些實施例中，影像強化系統300可分析高解析度影像310以產生解迴旋或基準評效策略(benchmarking strategy)來強化低解析度檢測影像330之影像品質。在一些實施例中，影像強化系統300可分析高解析度影像310以在離線模式下產生解迴旋或基準評效策略。可替代地或另外，影像強化系統300可分析高解析度影像 310以在高產出率檢測期間產生解迴旋或基準評效策略。除了執行上文所描述之基於影像圖案的強化程序之外，預期影像強化系統300可利用此類解迴旋或基準評效策略來強化低解析度檢測影像330之影像品質。可替代地，影像強化系統300可利用此類解迴旋或基準評效策略來強化低解析度檢測影像330之影像品質，而不是執行上文所描述之基於影像圖案的強化程序。在一些實施例中，影像強化系統300可允許使用者(例如經由使用者介面)限定要執行哪一個或哪一些強化程序。
圖7為說明可由影像強化系統(例如圖3之影像強化系統300)執行以分析高解析度影像(例如圖4之高解析度影像310)，產生解迴旋或基準評效策略且強化低解析度檢測影像(例如圖4之低解析度影像330)的影像品質之例示性影像強化方法之流程圖。
在步驟710中，可獲取檢測區域之一或多個經掃描影像。該等影像中之至少一者可包括高解析度影像，且該等影像中之至少一者可包括低解析度檢測影像。出於說明之目的，高解析度影像可被稱為第一影像(或第一SEM影像)，且低解析度檢測影像可被稱為第二影像(或第二SEM影像)。應理解，術語「第一」及「第二」不表明需要在第二影像之前獲取第一影像。預期第一影像及第二影像可同時獲取(例如可使用多電子束系統之同軸電子束來獲取第一影像，且可使用多電子束系統之離軸電子束來獲取第二影像)，或可依序獲取(例如可在第二影像之前獲取第一影像，或可在第一影像之前獲取第二影像)。
在步驟720中，可分析表示高解析度影像之資料以獲得其中所含有之一或多個空間-光譜特性。相關空間-光譜特性可包括相位及振幅特性。在步驟730中，所獲得之空間-光譜特性可用以在數值上補償表示 低解析度影像之資料，從而在步驟740中產生經強化影像。應注意，因為晶圓檢測通常藉由掃描僅具有較小變化之重複特徵來進行，所以執行此類數值補償可有效地且高效地強化低解析度檢測影像之影像品質。
圖8為描繪此類數值補償程序之圖解。具體而言，將表示以高解析度獲取之第一影像(或第一影像之一部分)的SEM訊號描繪為高解析度資料810。將表示以低解析度獲取之第二影像(或第二影像之一部分)的SEM訊號描繪為低解析度資料820。應注意，高解析度資料810及低解析度資料820二者含有雜訊，此可使直接解迴旋程序(例如維納(Wiener)解迴旋程序及類似者)複雜化且使此等解迴旋程序無效。此外，應注意，SEM影像之解迴旋比光學影像之解迴旋更複雜。舉例而言，雖然許多光學解迴旋策略依賴於邊緣可藉由階梯函數較佳近似之假設，此類假定不會擴展至解迴旋SEM訊號，此係因為其通常無法藉由階梯函數較佳近似。SEM訊號在很大程度上藉由目標內部之電子的相互作用體積進行判定，使得SEM訊號高度依賴於目標之特性及SEM之設定。因此，當應用維納解迴旋來對低解析度資料820進行解迴旋時，所得解迴旋資料(未圖示)未能符合高解析度資料810。所得解迴旋資料亦展現明顯假影。
根據本發明之實施例組態之解迴旋程序藉由考慮自高解析度資料810獲得之空間-光譜特性來改良解迴旋結果。相關空間-光譜特性可包括相位及振幅特性。利用此類特性，影像強化系統300可藉由如下操作來對低解析度資料820進行解迴旋：檢查在哪些空間頻率下雜訊主導振幅光譜，且用自高解析度資料810獲得之對應振幅及相位替換此等高空間頻率之幅度及相位。描繪為解迴旋資料830之所得解迴旋資料展現與高解析度資料810中所存在之雜訊相當的雜訊。解迴旋資料830亦可消除由維 納解迴旋產生之明顯假影，且更佳地符合理想高解析度資料。
預期可將根據本發明之實施例組態之數值補償程序應用於頻域中。在一些實施例中，影像強化系統300可利用傅立葉變換(Fourier transformation)來在應用數值補償之前將位於時域中之SEM訊號變換至頻域(亦可被稱作傅立葉域)。然而，應理解，該影像強化系統300亦可經組態以將數值補償應用於時域中。應理解，影像強化系統300之具體實施方案可在不脫離本發明之範疇及精神的情況下改變。
在一些實施例中，影像強化系統300可進一步經組態以將檢測之重點放在某些特徵(諸如邊緣位置及類似者)上。在此類實施例中，並非試圖強化整個低解析度檢測影像之影像品質，而是影像強化系統300可將其強化之重點放在幾個特徵或感興趣區域上。預期藉由將其強化之重點放在幾個特徵或感興趣區域上，影像強化系統300可進一步提高其準確度及產出率。
圖9為說明可由影像強化系統(例如圖3之影像強化系統300)執行以幫助識別特徵或感興趣區域之存在及位置的例示性影像強化方法之流程圖。
在步驟910中，可獲取檢測區域之一或多個經掃描影像。該等影像中之至少一者可包括高解析度影像(例如圖4之高解析度影像310)，且該等影像中之至少一者可包括低解析度檢測影像(例如圖4之低解析度檢測影像330)。出於說明之目的，高解析度影像可被稱為第一影像(或第一SEM影像)，且低解析度檢測影像可被稱為第二影像(或第二SEM影像)。應理解，術語「第一」及「第二」不表明需要在第二影像之前獲取第一影像。預期第一影像及第二影像可同時獲取(例如可使用多電子束 系統之同軸電子束來獲取第一影像，且可使用彼多電子束系統之離軸電子束來獲取第二影像)，或可依序獲取(例如可在第二影像之前獲取第一影像，或可在第一影像之前獲取第二影像)。
在步驟920中，影像強化系統可分析表示第一影像之資料以識別其中所含有之一或多個特徵。舉例而言，參考圖10，影像強化系統300可分析表示第一影像(或第一影像之一部分)之高解析度資料1010以識別第一影像中所含有的邊緣特徵。可替代地或另外，影像強化系統300可將高解析度資料1010饋送至機器學習網路320，該機器學習網路可經組態以識別第一影像中所含有之此類特徵。
在步驟930中，影像強化系統可在數值上模糊表示第一影像之資料以模擬表示以較低解析度獲取之模糊影像的資料。舉例而言，參考圖10，影像強化系統300可在數值上模糊表示第一影像(或第一影像之一部分)之高解析度資料1010以產生經模擬低解析度資料1020。更具體而言，為了在數值上模糊高解析度資料1010，影像強化系統300可用與用以獲取低解析度資料1030之電子束類似的電子束輪廓對高解析度資料1010進行迴旋。舉例而言，若已知用於獲取低解析度資料1030之電子束具有特定大小，具有特定電流位準，或具有特定電子束位置，則該資訊可用以產生電子束輪廓，該電子束輪廓隨後可用以在數值上模糊高解析度資料1010以致力於模擬已使用該特定大小，具有該特定電流位準且位於該特定位置處之電子束獲取的內容。另一方面，若電子束輪廓並未明確已知，則影像強化系統300可利用機器學習網路320來分析過去獲取之高解析度資料及低解析度資料，以幫助判定應該應用之模糊的程度。預期以此方式利用機器學習網路320可造成輕微延遲，但與增加之產出率相比，該延遲 為可忽略的。在其中同軸電子束用於提供高解析度影像之多電子束系統的情況下，影像強化系統300可能能夠在不造成任何明顯延遲之情況下在檢測程序期間驗證或更新機器學習網路320。
返回參考圖9，在步驟940中，影像強化系統可判定表示模糊影像之經模擬低解析度資料的一部分是否擬合表示第二影像之資料的一部分。舉例而言，參考圖10，影像強化系統300可將經模擬低解析度資料1020與所獲取低解析度資料1030進行比較以判定是否存在擬合。在一些實施例中，基於經模擬低解析度資料1020之一部分與低解析度資料1030之一部分之間的交叉相關來做出經模擬低解析度資料1020之該部分擬合低解析度資料1030之該部分的判定。在一些實施例中，基於經模擬低解析度資料1020之一部分的均方根及低解析度資料1030之一部分的均方根來做出經模擬低解析度資料1020之該部分擬合低解析度資料1030之該部分的判定。預期在不脫離本發明之範疇及精神之情況下，其他資料擬合程序亦可用以做出該判定。
返回參考圖9，在步驟950中，回應於表示模糊影像之經模擬低解析度資料的一部分擬合表示第二影像之資料的一部分之判定，影像強化系統可將表示第二影像之資料的該部分識別為感興趣區域，此係因為其含有識別到的特徵(例如上文所呈現之實例中之邊緣位置)。基於此識別，影像強化系統可在步驟960中選擇針對已經識別為感興趣之區域強化第二影像之影像品質。以此方式，影像強化系統300可將其強化之重點放在幾個特徵或感興趣區域上，從而進一步提高其準確度及產出率。
經強化影像可用於即時地進行檢測、缺陷識別及分析、程序驗證、品質控制、良率改良分析等，同時維持在晶圓製造程序中之檢測 步驟期間所需之高產出率。可將經強化影像同時顯示於多個顯示器上。舉例而言，表示晶圓在光阻剝離步驟之後但在以下金屬沈積步驟之前之檢測影像的經強化影像可由請求資訊之多個再檢測者或使用者進行再檢測。在一些實施例中，稍後可藉由使用者提示來檢索經強化影像，以便進行再檢測及深入分析。可以合適格式儲存經強化影像，該合適格式例如JPEG檔案、PNG檔案、PDF檔案、TIFF檔案等。
可使用以下條項之第一集合來進一步描述實施例，其中對其他條項之參考為對條項之此第一集合中之條項之參考：
1.一種用於強化一影像之方法，該方法包含：獲取一樣本之一第一影像；提取該第一影像之圖案資訊；使用該圖案資訊來識別經訓練特徵；及使用所識別之經訓練特徵提供來自該第一影像之一經強化影像。
2.如條項1之方法，其進一步包含：自一使用者定義之資料庫獲取一訓練影像，其中該使用者定義之資料庫包含一圖形資料庫系統。
3.如條項1及2中任一項之方法，其進一步包含：經由一機器學習網路自該訓練影像提取該等經訓練特徵。
4.如條項2及3中任一項之方法，其中獲取該訓練影像及提取該等經訓練特徵在一離線模式下執行。
5.如條項1至4中任一項之方法，其中使用該圖案資訊來識別該等經訓練特徵包括對該圖案資訊與該等經訓練特徵之一比較。
6.如條項1至5中任一項之方法，其中該第一影像包含一低解析度電子束檢測影像。
7.如條項2之方法，其中該訓練影像包含一高解析度電子束影像。
8.一種用於強化一影像之方法，該方法包含：獲取一訓練影像；經由一機器學習網路自該訓練影像提取經訓練特徵；獲取一樣本之一第一影像；提取該第一影像之圖案資訊；使用該圖案資訊來識別經訓練特徵；及使用所識別之經訓練特徵提供來自該第一影像之一經強化影像。
9.如條項8之方法，其進一步包含：自一使用者定義之資料庫獲取該訓練影像，其中該使用者定義之資料庫包含一圖形資料庫系統。
10.如條項8及9中任一項之方法，其中獲取該訓練影像及提取該等經訓練特徵在一離線模式下執行。
11.如條項8至10中任一項之方法，其中使用該圖案資訊來識別該等經訓練特徵包括對該圖案資訊與該等經訓練特徵之一比較。
12.如條項8至11中任一項之方法，其中該第一影像包含一低解析度電子束檢測影像。
13.如條項8至11中任一項之方法，其中該訓練影像包含一高解析度電子束影像。
14.一種檢測影像強化系統，其包含：一記憶體，其儲存一指令集；及一處理器，其經組態以執行該指令集以使該檢測影像強化系統：獲取一樣本之一檢測影像；自該檢測影像提取圖案資訊； 使用該圖案資訊來識別經訓練特徵；及使用所識別之經訓練特徵提供來自該檢測影像之一經強化影像。
15.如條項14之系統，其中該指令集進一步使該檢測影像強化系統：獲取一訓練影像；及經由一機器學習網路自該訓練影像提取該等經訓練特徵。
16.如條項15之系統，其中該指令集進一步使該檢測影像強化系統在一離線模式下獲取該訓練影像且提取該等經訓練特徵。
17.如條項15及16中任一項之系統，其中該指令集進一步使該檢測影像強化系統自一使用者定義之資料庫獲取該訓練影像。
18.如條項14至17中任一項之系統，其中該指令集進一步使該檢測影像強化系統藉由將該圖案資訊與該經訓練特徵進行比較來使用該圖案資訊識別該經訓練特徵。
19.如條項14至18中任一項之系統，其中該檢測影像包含一低解析度電子束影像。
20.如條項15至18中任一項之系統，其中該訓練影像包含一高解析度電子束影像。
21.如條項14至20中任一項之系統，其進一步包含：一儲存裝置，其經組態以儲存與該等經訓練特徵及該圖案資訊相關之資料。
22.一種非暫時性電腦可讀媒體，其儲存一指令集，該指令集可由一設備之至少一個處理器執行以使該設備執行包含如下操作之一方法：獲取一樣本之一第一影像；提取該第一影像之圖案資訊； 使用該圖案資訊來識別經訓練特徵；及使用所識別之經訓練特徵提供來自該第一影像之一經強化影像。
23.如條項22之電腦可讀媒體，其中該指令集進一步使該設備執行如下操作：獲取一訓練影像；及經由一機器學習網路自該訓練影像提取該等經訓練特徵。
24.如條項24之電腦可讀媒體，其中該指令集進一步使該設備執行如下操作：在一離線模式下獲取該訓練影像且提取該經訓練特徵。
25.如條項22之電腦可讀媒體，其中該指令集進一步使該設備執行如下操作：藉由將該圖案資訊與該等經訓練特徵進行比較來使用該圖案資訊識別該等經訓練特徵。
可使用以下條項之第二集合來進一步描述實施例，其中對其他條項之參考為對條項之此第二集合中之條項之參考：
1.一種用於強化一影像之方法，該方法包含：以一第一解析度獲取一第一掃描式電子顯微鏡(SEM)影像；以一第二解析度獲取一第二SEM影像；及提供一經強化影像，該經強化影像藉由將該第一SEM影像用作一參考以強化該第二SEM影像而提供。
2.如條項1之方法，其中該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
3.如條項1之方法，其進一步包含：自該第一SEM影像提取一經訓練特徵。
4.如條項3之方法，其中使用一機器學習網路自該第一SEM影像提取該經訓練特徵。
5.如條項4之方法，其進一步包含：以該第一解析度獲取至少一個額外SEM影像；及使用該機器學習網路自該至少一個額外SEM影像提取至少一個額外經訓練特徵。
6.如條項2至5中任一項之方法，其進一步包含：提取該第二SEM影像之圖案資訊；判定使用該圖案資訊來在該第二SEM影像上識別該經訓練特徵；及回應於在該第二SEM影像上識別該經訓練特徵之判定，藉由使用所識別之經訓練特徵強化該第二SEM影像來提供該經強化影像。
7.如條項2至6中任一項之方法，其中獲取該第一SEM影像及自該第一SEM影像提取該經訓練特徵在一離線模式下執行。
8.如條項2至6中任一項之方法，其中判定在該第二SEM影像上識別該經訓練特徵包括對該圖案資訊與該經訓練特徵之一比較。
9.如條項1之方法，其進一步包含：分析表示該第一SEM影像之資料以獲得一或多個空間-光譜特性；及基於所獲得之該一或多個空間-光譜特性藉由將一或多個數值補償應用於表示該第二SEM影像之資料來提供該經強化影像。
10.如條項9之方法，其中所獲得之該一或多個空間-光譜特性包括相位及振幅特性。
11.如條項9之方法，其中將該一或多個數值補償應用於一傅立葉域中。
12.如條項9之方法，其中該一或多個數值補償對該第二SEM影像進行解迴旋。
13.如條項1之方法，其進一步包含：分析表示該第一SEM影像之資料以識別該第一SEM影像中之一特徵；在數值上模糊表示該第一SEM影像之該資料以模擬表示以該第二解析度獲取之一模糊SEM影像的資料；判定表示該模糊SEM影像之該資料的一部分擬合表示該第二SEM影像之資料的一部分；及回應於表示該模糊SEM影像之該資料的一部分擬合表示該第二SEM影像之該資料的一部分之判定，將表示該第二SEM影像之該資料的該部分識別為含有在該第一SEM影像中識別到的該特徵之一位置。
14.如條項13之方法，其中該特徵為一邊緣位置。
15.如條項13及14中任一項之方法，其中基於表示該模糊SEM影像之該資料的該部分與表示該第二SEM影像之該資料的一部分之間的一交叉相關來做出表示該模糊SEM影像之該資料的該部分擬合表示該第二SEM影像之該資料的該部分之該判定。
16.如條項13至14中任一項之方法，其中基於表示該模糊SEM影像之該資料的一部分之一均方根及表示該第二SEM影像之該資料的一部分之一均方根來做出表示該模糊SEM影像之該資料的該部分擬合表示該第二SEM影像之該資料的該部分之該判定。
17.如條項1至16中任一項之方法，其中該第二解析度低於該第一解析度。
18.如條項1至17中任一項之方法，其中該第一解析度及該第二解析度對應於以下中之至少一者：一訊號平均量、一SEM影像訊框之一雜訊比、一像素大小、一多電子束系統之一同軸電子束的一SEM電子束寬度、一多電子束系統之一離軸電子束的一SEM電子束寬度、一單電子束系統之一SEM電子束寬度，或供應至一SEM電子束之一電流。
19.如條項1至18中任一項之方法，其中使用一多電子束系統之一同軸電子束獲得該第一SEM影像，且使用該多電子束系統之一離軸電子束獲得該第二SEM影像。
20.如條項1至18中任一項之方法，其中使用一低電流電子束獲得該第一SEM影像，且使用一高電流電子束獲得該第二SEM影像。
21.一種檢測系統，其包含：一記憶體，其儲存一指令集；及一處理器，其經組態以執行該指令集以使該檢測系統：以一第一解析度獲取一第一掃描式電子顯微鏡(SEM)影像；以一第二解析度獲取一第二SEM影像；及提供一經強化影像，該經強化影像藉由將該第一SEM影像用作一參考以強化該第二SEM影像而提供。
22.如條項21之系統，其中該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
23.如條項21之系統，其中該處理器進一步經組態以執行該指令集 以使該檢測系統：自該第一SEM影像提取一經訓練特徵。
24.如條項23之系統，其中使用一機器學習網路自該第一SEM影像提取該經訓練特徵。
25.如條項24之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：以該第一解析度獲取至少一個額外SEM影像；及使用該機器學習網路自該至少一個額外SEM影像提取至少一個額外經訓練特徵。
26.如條項22至25中任一項之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：提取該第二SEM影像之圖案資訊；判定使用該圖案資訊來在該第二SEM影像上識別該經訓練特徵；及回應於在該第二SEM影像上識別該經訓練特徵之判定，藉由使用所識別之經訓練特徵強化該第二SEM影像來提供該經強化影像。
27.如條項22至26中任一項之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統在一離線模式下獲取該第一SEM影像且自該第一SEM影像提取該經訓練特徵。
28.如條項26之系統，其中在該第二SEM影像上識別該經訓練特徵之該判定包括對該圖案資訊與該經訓練特徵之一比較。
29.如條項21之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：分析表示該第一SEM影像之資料以獲得一或多個空間-光譜特性；且 基於所獲得之該一或多個空間-光譜特性藉由將一或多個數值補償應用於表示該第二SEM影像之資料來提供該經強化影像。
30.如條項29之系統，其中所獲得之該一或多個空間-光譜特性包括相位及振幅特性。
31.如條項29之方法，其中將該一或多個數值補償應用於一傅立葉域中。
32.如條項29之系統，其中該一或多個數值補償對該第二SEM影像進行解迴旋。
33.如條項21之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：分析表示該第一SEM影像之資料以識別該第一SEM影像中之一特徵；在數值上模糊表示第一SEM影像之該資料以模擬表示以該第二解析度獲取之一模糊SEM影像的資料；判定表示該模糊SEM影像之該資料的一部分擬合表示該第二SEM影像之資料的一部分；及回應於表示該模糊SEM影像之該資料的一部分擬合表示該第二SEM影像之該資料的一部分之該判定，將表示該第二SEM影像之該資料的該部分識別為含有在該第一SEM影像中識別到的該特徵之一位置。
34.如條項33之系統，其中該特徵為一邊緣位置。
35.如條項33至34中任一項之系統，其中基於表示該模糊SEM影像之該資料的該部分與表示該第二SEM影像之該資料的一部分之間的一交叉相關來做出表示該模糊SEM影像之該資料的該部分擬合表示該第二SEM 影像之該資料的該部分之該判定。
36.如條項33至34中任一項之系統，其中基於表示該模糊SEM影像之該資料的該部分之一均方根及表示該第二SEM影像之該資料的一部分之一均方根來做出表示該模糊SEM影像之該資料的該部分擬合表示該第二SEM影像之該資料的該部分之該判定。
37.如條項21至36中任一項之系統，其中該第二解析度低於該第一解析度。
38.如條項21至37中任一項之系統，其中該第一解析度及該第二解析度對應於以下中之至少一者：一訊號平均量、一SEM影像訊框之一雜訊比、一像素大小、一多電子束系統之一同軸電子束的一SEM電子束寬度、一多電子束系統之一離軸電子束的一SEM電子束寬度、一單電子束系統之一SEM電子束寬度，或供應至一SEM電子束之一電流。
39.如條項21至38中任一項之系統，其中使用一多電子束系統之一同軸電子束獲得該第一SEM影像，且使用該多電子束系統之一離軸電子束獲得該第二SEM影像。
40.如條項21至38中任一項之系統，其中使用一低電流電子束獲得該第一SEM影像，且使用一高電流電子束獲得該第二SEM影像。
41.一種非暫時性電腦可讀媒體，其儲存一指令集，該指令集可由一設備之至少一個處理器執行以使該設備執行包含如下操作之一方法：以一第一解析度獲取一第一掃描式電子顯微鏡(SEM)影像；以一第二解析度獲取一第二SEM影像；及提供一經強化影像，該經強化影像藉由將該第一SEM影像用作一參考以強化該第二SEM影像而提供。
42.如條項41之電腦可讀媒體，其中該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
43.如條項41之電腦可讀媒體，其中可由該設備之至少一個處理器執行之該指令集以使該設備進一步執行：自該第一SEM影像提取一經訓練特徵。
44.如條項43之電腦可讀媒體，其中使用一機器學習網路自該第一SEM影像提取該經訓練特徵。
45.如條項44之電腦可讀媒體，其中可由該設備之至少一個處理器執行之該指令集以使該設備進一步執行：以該第一解析度獲取至少一個額外SEM影像；及使用該機器學習網路自該至少一個額外SEM影像提取至少一個額外經訓練特徵。
46.如條項42至45中任一項之電腦可讀媒體，其中可由該設備之至少一個處理器執行之該指令集以使該設備進一步執行：提取該第二SEM影像之圖案資訊；判定使用該圖案資訊來在該第二SEM影像上識別該經訓練特徵；及回應於在該第二SEM影像上識別該經訓練特徵之判定，藉由使用所識別之經訓練特徵強化該第二SEM影像來提供該經強化影像。
47.如條項42至46中任一項之電腦可讀媒體，其中獲取該第一SEM影像及自該第一SEM影像提取該經訓練特徵在一離線模式下執行。
48.如條項46之電腦可讀媒體，其中判定在該第二SEM影像上識別該經訓練特徵包括對該圖案資訊與該經訓練特徵之一比較。
49.如條項41之電腦可讀媒體，其中可由該設備之至少一個處理器執行之該指令集以使該設備進一步執行：分析表示該第一SEM影像之資料以獲得一或多個空間-光譜特性；及基於所獲得之該一或多個空間-光譜特性藉由將一或多個數值補償應用於表示該第二SEM影像之資料來提供該經強化影像。
50.如條項49之電腦可讀媒體，其中所獲得之一或多個空間-光譜特性包括相位及振幅特性。
51.如條項49之電腦可讀媒體，其中將該一或多個數值補償應用於一傅立葉域中。
52.如條項49之電腦可讀媒體，其中該一或多個數值補償對該第二SEM影像進行解迴旋。
53.如條項41之電腦可讀媒體，其中可由該設備之至少一個處理器執行之該指令集以使該設備進一步執行：分析表示該第一SEM影像之資料以識別該第一SEM影像中之一特徵；在數值上模糊表示第一SEM影像之該資料以模擬表示以該第二解析度獲取之一模糊SEM影像的資料；判定表示該模糊SEM影像之該資料的一部分擬合表示該第二SEM影像之資料的一部分；及回應於表示該模糊SEM影像之該資料的一部分擬合表示該第二SEM影像之該資料的一部分之該判定，將表示該第二SEM影像之該資料的該部分識別為含有在該第一SEM影像中識別到的該特徵之一位置。
54.如條項53之電腦可讀媒體，其中該特徵為一邊緣位置。
55.如條項53至54中任一項之電腦可讀媒體，其中基於表示該模糊SEM影像之該資料的一部分與表示該第二SEM影像之該資料的一部分之間的一交叉相關來做出表示該模糊SEM影像之該資料的該部分擬合表示該第二SEM影像之該資料的該部分之該判定。
56.如條項53至54中任一項之電腦可讀媒體，其中基於表示該模糊SEM影像之該資料的一部分之一均方根及表示該第二SEM影像之該資料的一部分之一均方根來做出表示該模糊SEM影像之該資料的該部分擬合表示該第二SEM影像之該資料的該部分之該判定。
57.如條項41至56中任一項之電腦可讀媒體，其中該第二解析度低於該第一解析度。
58.如條項41至57中任一項之電腦可讀媒體，其中該第一解析度及該第二解析度對應於以下中之至少一者：一訊號平均量、一SEM影像訊框之一雜訊比、一像素大小、一多電子束系統之一同軸電子束的一SEM電子束寬度、一多電子束系統之一離軸電子束的一SEM電子束寬度、一單電子束系統之一SEM電子束寬度，或供應至一SEM電子束之一電流。
59.如條項41至58中任一項之電腦可讀媒體，其中使用一多電子束系統之一同軸電子束獲得該第一SEM影像，且使用該多電子束系統之一離軸電子束獲得該第二SEM影像。
60.如條項41至58中任一項之電腦可讀媒體，其中使用一低電流電子束獲得該第一SEM影像，且使用一高電流電子束獲得該第二SEM影像。
可使用以下條項之第三集合來進一步描述實施例，其中對其他條項之參考為對條項之此第三集合中之條項之參考：
1.一種用於強化一影像之方法，該方法包含：藉由使用一多電子束系統之一同軸電子束來獲取一第一掃描式電子顯微鏡(SEM)影像；藉由使用該多電子束系統之一離軸電子束來獲取一第二SEM影像；及提供一經強化影像，該經強化影像藉由將該第一SEM影像用作一參考以強化該第二SEM影像而提供。
2.如條項1之方法，其中該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
3.如條項1之方法，其進一步包含：自該第一SEM影像提取一經訓練特徵。
4.一種檢測系統，其包含：一記憶體，其儲存一指令集；及一處理器，其經組態以執行該指令集以使該檢測系統：藉由使用一多電子束系統之一同軸電子束來獲取一第一掃描式電子顯微鏡(SEM)影像；藉由使用該多電子束系統之一離軸電子束來獲取一第二SEM影像；及提供一經強化影像，該經強化影像藉由將該第一SEM影像用作一參考以強化該第二SEM影像而提供。
5.如條項4之系統，其中該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像 用作一參考以在數值上強化該第二SEM影像而提供。
6.如條項4之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：自該第一SEM影像提取一經訓練特徵。
7.如條項6之系統，其中使用一機器學習網路自該第一SEM影像提取該經訓練特徵。
8.如條項7之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：藉由使用該同軸電子束來獲取至少一個額外SEM影像；及使用該機器學習網路自該至少一個額外SEM影像提取至少一個額外經訓練特徵。
9.如條項4之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：提取該第二SEM影像之圖案資訊；判定使用該圖案資訊來在該第二SEM影像上識別該經訓練特徵；及回應於在該第二SEM影像上識別該經訓練特徵之判定，藉由使用所識別之經訓練特徵強化該第二SEM影像來提供該經強化影像。
10.如條項4之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統在一離線模式下獲取該第一SEM影像且自該第一SEM影像提取該經訓練特徵。
11.如條項9之系統，其中在該第二SEM影像上識別該經訓練特徵之該判定包括對該圖案資訊與該經訓練特徵之一比較。
12.如條項4之系統，其中該處理器進一步經組態以執行該指令集 以使該檢測系統：分析表示該第一SEM影像之資料以獲得一或多個空間-光譜特性；及基於所獲得之該一或多個空間-光譜特性藉由將一或多個數值補償應用於表示該第二SEM影像之資料來提供該經強化影像。
13.如條項12之系統，其中所獲得之該一或多個空間-光譜特性包括相位及振幅特性。
14.如條項12之系統，其中將該一或多個數值補償應用於一傅立葉域中。
15.如條項12之系統，其中該一或多個數值補償對該第二SEM影像進行解迴旋。
可提供一種非暫時性電腦可讀媒體，其儲存指令以供處理器(例如圖1之控制器109之處理器)進行影像處理、資料處理、資料庫管理、圖形顯示、帶電粒子束設備或其他成像裝置之操作等。常見形式之非暫時性媒體包括例如：軟碟、可撓性磁碟、硬碟、固態磁碟機、磁帶或任何其他磁性資料儲存媒體、CD-ROM、任何其他光學資料儲存媒體、具有孔圖案之任何實體媒體、RAM、PROM及EPROM、FLASH-EPROM或任何其他快閃記憶體、NVRAM、快取記憶體、暫存器、任何其他記憶體晶片或卡匣及其網路化版本。
諸圖中之方塊圖說明根據本發明之各種例示性實施例之系統、方法及電腦硬體或軟體產品之可能實施方案的架構、功能性及操作。就此而言，流程圖或方塊圖中之每一區塊可表示程式碼之模組、片段或部分，其包含用於實施指定邏輯功能的一或多個可執行指令。應理解，在一些替代實施方案中，區塊中所指示之功能可不按圖中所提及之次序出現。 舉例而言，取決於所涉及之功能性，連續示出之兩個區塊可實質上同時執行或實施，或兩個區塊有時可以相反次序執行。一些區塊亦可經省略。亦應理解，方塊圖之每一區塊及該等區塊之組合可由執行指定功能或動作的基於專用硬體之系統，或由專用硬體及電腦指令之組合來實施。
應瞭解，本發明之實施例不限於上文所描述且在隨附圖式中所說明之確切建構，且可在不脫離本發明之範疇的情況下作出各種修改及改變。
310:高解析度影像
315:資訊檔案
320:機器學習網路
330:低解析度影像
360:影像強化模組
410:圖案資訊
420:經強化影像
430:經訓練特徵

Claims (15)

  1. 一種用於強化一影像之方法，該方法包含：藉由使用一多電子束系統之一同軸電子束來獲取一第一掃描式電子顯微鏡(SEM)影像；藉由使用該多電子束系統之一離軸電子束來獲取一第二SEM影像；及提供一經強化影像(enhanced image)，該經強化影像藉由將該第一SEM影像用作一參考以強化該第二SEM影像而提供。
  2. 如請求項1之方法，其中該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
  3. 如請求項1之方法，其進一步包含：自該第一SEM影像提取一經訓練特徵。
  4. 一種檢測系統，其包含：一記憶體，其儲存一指令集；及一處理器，其經組態以執行該指令集以使該檢測系統：藉由使用一多電子束系統之一同軸電子束來獲取一第一掃描式電子顯微鏡(SEM)影像；藉由使用該多電子束系統之一離軸電子束來獲取一第二SEM影 像；及提供一經強化影像，該經強化影像藉由將該第一SEM影像用作一參考以強化該第二SEM影像而提供。
  5. 如請求項4之系統，其中該經強化影像藉由使用自該第一影像提取之一或多個特徵來強化該第二SEM影像而提供，或藉由將該第一SEM影像用作一參考以在數值上強化該第二SEM影像而提供。
  6. 如請求項4之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：自該第一SEM影像提取一經訓練特徵。
  7. 如請求項6之系統，其中使用一機器學習網路自該第一SEM影像提取該經訓練特徵。
  8. 如請求項7之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：藉由使用該同軸電子束來獲取至少一個額外SEM影像；及使用該機器學習網路自該至少一個額外SEM影像提取至少一個額外經訓練特徵。
  9. 如請求項4之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統： 提取該第二SEM影像之圖案資訊；判定使用該圖案資訊來在該第二SEM影像上識別該經訓練特徵；及回應於在該第二SEM影像上識別該經訓練特徵之判定，藉由使用所識別之經訓練特徵強化該第二SEM影像來提供該經強化影像。
  10. 如請求項4之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統在一離線模式下獲取該第一SEM影像且自該第一SEM影像提取該經訓練特徵。
  11. 如請求項9之系統，其中在該第二SEM影像上識別該經訓練特徵之該判定包括：對該圖案資訊與該經訓練特徵之一比較。
  12. 如請求項4之系統，其中該處理器進一步經組態以執行該指令集以使該檢測系統：分析表示該第一SEM影像之資料以獲得一或多個空間-光譜特性；及基於所獲得之該一或多個空間-光譜特性藉由將一或多個數值補償應用於表示該第二SEM影像之資料來提供該經強化影像。
  13. 如請求項12之系統，其中所獲得之該一或多個空間-光譜特性包括相位及振幅特性。
  14. 如請求項12之系統，其中將該一或多個數值補償應用於一傅立葉域中。
  15. 如請求項12之系統，其中該一或多個數值補償對該第二SEM影像進行解迴旋。
TW108124273A 2018-07-13 2019-07-10 掃描式電子顯微鏡影像強化之方法及系統 TWI709154B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862697927P 2018-07-13 2018-07-13
US62/697,927 2018-07-13
US201862786942P 2018-12-31 2018-12-31
US62/786,942 2018-12-31

Publications (2)

Publication Number Publication Date
TW202016970A TW202016970A (zh) 2020-05-01
TWI709154B true TWI709154B (zh) 2020-11-01

Family

ID=67184995

Family Applications (2)

Application Number Title Priority Date Filing Date
TW109133909A TW202117787A (zh) 2018-07-13 2019-07-10 掃描式電子顯微鏡影像強化之方法及系統
TW108124273A TWI709154B (zh) 2018-07-13 2019-07-10 掃描式電子顯微鏡影像強化之方法及系統

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW109133909A TW202117787A (zh) 2018-07-13 2019-07-10 掃描式電子顯微鏡影像強化之方法及系統

Country Status (6)

Country Link
US (1) US20200018944A1 (zh)
KR (2) KR20210021369A (zh)
CN (1) CN112424903A (zh)
IL (2) IL280067B1 (zh)
TW (2) TW202117787A (zh)
WO (1) WO2020011580A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11264206B2 (en) * 2014-03-10 2022-03-01 D2S, Inc. Methods and systems for forming a pattern on a surface using multi-beam charged particle beam lithography
US10923318B2 (en) * 2018-12-20 2021-02-16 Fei Company Optical alignment correction using convolutional neural network evaluation of a beam image
WO2020236624A1 (en) * 2019-05-17 2020-11-26 Magic Leap, Inc. Methods and apparatuses for corner detection using neural network and corner detector
JP2021026926A (ja) * 2019-08-07 2021-02-22 株式会社日立ハイテク 画像生成方法、非一時的コンピューター可読媒体、及びシステム
JP7336540B2 (ja) * 2020-01-22 2023-08-31 株式会社日立ハイテク 荷電粒子線装置及び検査装置
US11416977B2 (en) * 2020-03-10 2022-08-16 Applied Materials, Inc. Self-measurement of semiconductor image using deep learning
CA3078085A1 (en) * 2020-04-09 2021-10-09 Techinsights Inc. System and method for image segmentation from sparse particle impingement data
EP3901902A1 (en) * 2020-04-20 2021-10-27 FEI Company Method implemented by a data processing apparatus, and charged particle beam device for inspecting a specimen using such a method
JP2023544258A (ja) * 2020-10-13 2023-10-23 エーエスエムエル ネザーランズ ビー．ブイ． ボケ除去モデルを生成して像のボケを除去する装置及び方法
US11282670B1 (en) * 2020-12-29 2022-03-22 Fei Company Slice depth reconstruction of charged particle images using model simulation for improved generation of 3D sample images
TW202238110A (zh) * 2021-02-23 2022-10-01 以色列商奧寶科技有限公司 使用混合成像系統之自動光學檢測

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080310704A1 (en) * 2007-06-18 2008-12-18 Hitachi High-Technologies Corporation Scanning electron microscope and method of imaging an object by using the scanning electron microscope
US20100091362A1 (en) * 2008-10-15 2010-04-15 Kabushiki Kaisha Topcon Complex type microscopic device
US20100163728A1 (en) * 2008-12-26 2010-07-01 Kabushiki Kaisha Topcon Electron microscope device
US20130335817A1 (en) * 2011-01-05 2013-12-19 Shinichiro Isobe Multiple light source microscope
TW201624050A (zh) * 2014-12-31 2016-07-01 Opus Microsystems Corp 雷射投射裝置
WO2017014442A1 (ko) * 2015-07-20 2017-01-26 한국표준과학연구원 시료의 광학 이미지를 얻을 수 있는 주사전자현미경
WO2017053812A1 (en) * 2015-09-23 2017-03-30 Kla-Tencor Corporation Method and system for focus adjustment a multi-beam scanning electron microscopy system
CN109863573A (zh) * 2016-12-12 2019-06-07 应用材料公司 使用多视角检测器通过在线sem在显示器基板上的ltps层鉴定以及检查大面积基板的方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100979071B1 (ko) * 2002-02-22 2010-08-31 에이저 시스템즈 인크 이중 배향 다결정성 재료의 화학 기계적 연마
US6812462B1 (en) * 2003-02-21 2004-11-02 Kla-Tencor Technologies Corporation Dual electron beam instrument for multi-perspective
JP5164754B2 (ja) * 2008-09-08 2013-03-21 株式会社日立ハイテクノロジーズ 走査型荷電粒子顕微鏡装置及び走査型荷電粒子顕微鏡装置で取得した画像の処理方法
US9691588B2 (en) * 2015-03-10 2017-06-27 Hermes Microvision, Inc. Apparatus of plural charged-particle beams
US10012599B2 (en) * 2015-04-03 2018-07-03 Kla-Tencor Corp. Optical die to database inspection
US9754761B2 (en) * 2015-05-26 2017-09-05 Kla-Tencor Corporation High-speed hotspot or defect imaging with a charged particle beam system
US11056314B2 (en) * 2015-10-22 2021-07-06 Northwestern University Method for acquiring intentionally limited data and the machine learning approach to reconstruct it
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10769761B2 (en) * 2017-06-30 2020-09-08 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080310704A1 (en) * 2007-06-18 2008-12-18 Hitachi High-Technologies Corporation Scanning electron microscope and method of imaging an object by using the scanning electron microscope
US20100091362A1 (en) * 2008-10-15 2010-04-15 Kabushiki Kaisha Topcon Complex type microscopic device
US20100163728A1 (en) * 2008-12-26 2010-07-01 Kabushiki Kaisha Topcon Electron microscope device
US20130335817A1 (en) * 2011-01-05 2013-12-19 Shinichiro Isobe Multiple light source microscope
TW201624050A (zh) * 2014-12-31 2016-07-01 Opus Microsystems Corp 雷射投射裝置
WO2017014442A1 (ko) * 2015-07-20 2017-01-26 한국표준과학연구원 시료의 광학 이미지를 얻을 수 있는 주사전자현미경
WO2017053812A1 (en) * 2015-09-23 2017-03-30 Kla-Tencor Corporation Method and system for focus adjustment a multi-beam scanning electron microscopy system
CN109863573A (zh) * 2016-12-12 2019-06-07 应用材料公司 使用多视角检测器通过在线sem在显示器基板上的ltps层鉴定以及检查大面积基板的方法

Also Published As

Publication number Publication date
IL280067B1 (en) 2024-03-01
CN112424903A (zh) 2021-02-26
IL280067A (en) 2021-03-01
TW202016970A (zh) 2020-05-01
TW202117787A (zh) 2021-05-01
KR20240069832A (ko) 2024-05-20
KR20210021369A (ko) 2021-02-25
US20200018944A1 (en) 2020-01-16
IL310722A (en) 2024-04-01
WO2020011580A1 (en) 2020-01-16

Similar Documents

Publication Publication Date Title
TWI709154B (zh) 掃描式電子顯微鏡影像強化之方法及系統
US10096100B2 (en) Inspection device, inspection method, and image processing program
US20220375063A1 (en) System and method for generating predictive images for wafer inspection using machine learning
IL281060B2 (en) Methods and systems of optimal meteorological guidance
EP4367632A1 (en) Method and system for anomaly-based defect inspection
US20230117237A1 (en) Contour extraction method from inspection image in multiple charged-particle beam inspection
WO2023280487A1 (en) Image distortion correction in charged particle inspection
US20240037890A1 (en) Topology-based image rendering in charged-particle beam inspection systems
US20240212131A1 (en) Improved charged particle image inspection
US20230139085A1 (en) Processing reference data for wafer inspection
WO2023110292A1 (en) Auto parameter tuning for charged particle inspection image alignment
US20220199358A1 (en) Systems and methods for image enhancement for a multi-beam charged-particle inspection system
WO2022207181A1 (en) Improved charged particle image inspection
WO2023156125A1 (en) Systems and methods for defect location binning in charged-particle systems
WO2023088623A1 (en) Systems and methods for defect detection and defect location identification in a charged particle system
WO2023232382A1 (en) System and method for distortion adjustment during inspection