TWI711978B - 用於執行針對樣本之功能之系統及電腦實施方法,以及電腦可讀媒體 - Google Patents
用於執行針對樣本之功能之系統及電腦實施方法,以及電腦可讀媒體 Download PDFInfo
- Publication number
- TWI711978B TWI711978B TW106100890A TW106100890A TWI711978B TW I711978 B TWI711978 B TW I711978B TW 106100890 A TW106100890 A TW 106100890A TW 106100890 A TW106100890 A TW 106100890A TW I711978 B TWI711978 B TW I711978B
- Authority
- TW
- Taiwan
- Prior art keywords
- sample
- learning
- output
- functions
- based model
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本發明提供用於使用針對一樣本模擬之輸出執行針對該樣本之一或多個功能之方法及系統。一系統包含經組態以用於由包含於一工具中之一或多個偵測器獲取針對一樣本產生之輸出之一或多個電腦子系統,該工具經組態以在該樣本上執行一程序。該系統亦包含由該一或多個電腦子系統執行之一或多個組件。該一或多個組件包含一基於學習之模型,其經組態以用於使用所獲取之輸出作為輸入執行一或多個第一功能以藉此產生針對該樣本之模擬輸出。該一或多個電腦子系統亦經組態以用於使用該模擬輸出針對該樣本執行一或多個第二功能。
Description
本發明大體上係關於用於使用針對一樣本模擬之輸出針對該樣本執行一或多個功能之方法及系統。
以下描述及實例不因其包含於本章節中而被認定為先前技術。
製作半導體裝置(諸如邏輯及記憶體裝置)通常包含使用大量半導體製作程序處理一基板(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。舉例而言,微影係涉及將一圖案自一主光罩轉印至配置於一半導體晶圓上之一光阻之一半導體製作程序。半導體製作程序之額外實例包含(但不限制於)化學機械拋光(CMP)、蝕刻、沈積及離子植入。多個半導體裝置可以某一配置製造於一單一半導體晶圓上且接著分為個別半導體裝置。
在一半導體製造程序期間的各種步驟處使用檢驗程序以偵測樣本上之缺陷而在製造程序中驅動較高產率且因此獲得較高利潤。檢驗始終為製作半導體裝置之一重要部分。然而,由於半導體裝置之尺寸減小,所以檢驗對成功地製造可接受半導體裝置變得更重要,此係因為較小缺陷可引起裝置失效。
缺陷檢視通常涉及再偵測由一檢驗程序偵測為缺陷之缺陷且使用一高倍放大光學系統或一掃描電子顯微鏡(SEM)以一更高解析度產生關於該等缺陷之額外資訊。因此,在已藉由檢驗偵測到缺陷之樣本上之離散位置處執行缺陷檢視。由缺陷檢視產生之缺陷之更高解析度資料更適合用於判定缺陷之屬性,諸如輪廓、粗糙度、更準確之大小資訊等等。
亦在一半導體製造程序期間的各種步驟處使用度量程序以監測且控制該程序。度量程序不同於檢驗程序,因為其不像其中在樣本上偵測缺陷之檢驗程序,度量程序用於量測使用目前使用之檢驗工具無法判定之樣本之一或多個特性。舉例而言,度量程序用於量測樣本之一或多個特性,諸如在一程序期間形成於樣本上之特徵之一尺寸(例如,線寬、厚度等等),使得可自該一或多個特性判定程序之效能。另外,若樣本之一或多個特性係不可接受的(例如,在(若干)特性之一預定範圍外),則可使用對樣本之一或多個特性之量測來更改程序之一或多個參數,使得由程序製造之額外樣本具有(若干)可接受特性。
度量程序亦不同於缺陷檢視程序,因為其不像其中由檢驗偵測之缺陷在缺陷檢視中重新考慮之缺陷檢視程序,度量程序可在未偵測到缺陷之位置處執行。換言之,不像缺陷檢視,一度量程序在樣本上執行之位置可獨立於在樣本上執行之一檢驗程序之結果。特定言之,可獨立於檢驗結果選擇執行一度量程序之位置。
用於半導體應用中之習知演算法通常將感測資料(即,偵測器輸出)轉變為有用之物。舉例而言,在度量及檢驗之情況中,感測資料用於實現失效之根本原因分析。在程序工具之情況中,感測資料通常用於以某種類型之控制迴路方式中引導程序工具。一般而言,吾人具有映射此轉變之一模
型。此一模型通常由閉合形式解析方程或通常由一系列數值分析步驟求解。此等方法通常係基於基於物理之解決方案(求解麥克斯韋(Maxwell)方程,完成不同通道之間之感測器融合等等)。此等解決方案之實施方案通常涉及大量計算資源(通常被稱為一影像電腦)。
在關於多感測器融合之一個實例中,在諸多檢驗系統(包含基於光學及電子束之檢驗系統)中存在傳入資料之多個通道。當前演算法通常分開處理所有通道且接著最後對資料進行融合或表決。此方法經執行以針對缺陷偵測而最大化信雜比(SNR)且簡化對發生之事之理解。因此,一些缺陷偵測比較演算法在各通道上分開執行。影像電腦成本因此上漲2.5倍至3倍,此係因為難以在早期組合通道。一典型通道之成本可為$75K至$100K。
在一第二實例中,一演算法可用於對準兩個影像且對該兩個影像執行內插。通常,此步驟傾向於花費影像電腦成本之40%且在一些情況中FPGA用於實施該等步驟。對準演算法亦傾向於具有兩種類型:更易受向量化但具有有限範圍之基於標準低階歸一化互相關(NCC)演算法;及對距離更穩健但難以以可向量化形式實施之基於特徵之演算法。以一在計算上便宜之方式組合該兩種演算法之方法至今為止沒有有效的解決方案。
一第三實例係一複雜物理模型,諸如半導體遮罩檢驗中之近場模擬(薄遮罩近似)或嘗試使用物理學完成對一晶圓平面上存在之內容一正向模擬之任何方法。7nm及更大之節點之推斷表明計算實質上係棘手的,例如對一固定計算預算之數天之模擬。
據此,開發用於使用針對一樣本模擬之輸出針對該樣本執行一或多個功能之不具有以上描述之缺點之一或多者之系統及方法係有利的。
各種實施例之以下描述將不以任何方式解譯為限制隨附申請專利範圍之發明標的。
一個實施例係關於一種經組態以用於使用針對一樣本模擬之輸出針對該樣本執行一或多個功能之系統。該系統包含一或多個電腦子系統,該一或多個電腦子系統經組態以用於由包含於一工具中之一或多個偵測器獲取針對一樣本產生之輸出,該工具經組態以在樣本上執行一程序。該系統亦包含由該一或多個電腦子系統執行之一或多個組件。該一或多個組件包含一基於學習之模型,其經組態以用於使用經獲取之輸出作為輸入執行一或多個第一功能以藉此產生樣本之模擬輸出。該一或多個電腦子系統亦經組態以用於使用模擬輸出針對樣本執行一或多個第二功能。可如本文描述般進一步組態該系統。
另一實施例係關於一種用於使用針對一樣本模擬之輸出針對該樣本執行之一或多個功能之電腦實施方法。該方法包含由包含於一工具中之一或多個偵測器獲取針對一樣本產生之輸出,該工具經組態以在樣本上執行一程序。該方法亦包含使用所獲取輸出作為基於學習之模型之輸入執行一或多個第一功能以藉此產生樣本之模擬輸出。該基於學習之模型包含於由一或多個電腦系統執行之一或多個組件中。另外,該方法包含使用模擬輸出針對樣本執行一或多個第二功能。由該一或多個電腦系統執行該一或多個第二功能。
可如本文進一步描述般進一步執行以上描述之方法之步驟之各者。另外,以上描述之方法之實施例可包含本文描述之(若干)任何其他方法之(若干)任何其他步驟。此外,可由本文描述之系統之任何者執行以上描述
之方法。
另一實施例係關於一種儲存程序指令之非暫時性電腦可讀媒體,所述程式指令可在一或多個電腦系統上執行以用於執行一電腦實施方法,該電腦實施方法用於使用針對樣本模擬之輸出針對該樣本執行一或多個功能。該電腦實施方法包含以上描述之方法之步驟。可如本文描述般進一步組態電腦可讀媒體。可如本文進一步描述般執行電腦實施方法之步驟。另外,針對其可執行程式指令之電腦實施方法可包含本文描述之(若干)任何其他方法之(若干)任何其他步驟。
10:基於光學之工具
14:樣本
16:光源
18:光學元件
20:透鏡
22:載台
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
100:組件
102:電腦子系統
104:模型
106:半導體製作工具
122:電子柱
124:電腦子系統
126:電子束源
128:樣本
130:元件
132:元件
134:偵測器
200:非暫時性電腦可讀媒體
202:程式指令
204:電腦系統
受益於較佳實施例之以下詳細描述之熟習技術者將在參考隨附圖式之後更清楚本發明之進一步優勢,其中:圖1及圖1a係繪示如本文描述般組態之一系統之實施例之側視圖之示意圖;且圖2係繪示儲存用於使得電腦系統執行本文描述之一電腦實施方法之程式指令之一非暫時性電腦可讀媒體之一個實施例之一方塊圖。
儘管本發明易受各種修改及替代形式之影響,但本發明之特定實施例以圖式中之實例方式展示且在本文中詳細描述。該等圖式可不按比例繪製。然而應明白,圖式及其詳細描述不意欲將本發明限制於所揭示之特定形式,而係相反地,其等意欲涵蓋落於由隨附申請專利範圍界定之本發明之精神及範疇內之所有修改、等效物及替代。
在本文中互換使用之術語「設計」、「設計資料」及「設計資訊」通常係指一IC之實體設計(佈局)及透過複雜模擬或簡單幾何及布爾
(Boolean)運算自實體設計導出之資料。另外,由一主光罩檢驗系統及/或其之衍生物獲取之一主光罩之一影像可用作為設計之一或若干「代理」。此一主光罩影像或其之一衍生物可在使用一設計之本文描述之任何實施例中充當為設計佈局之一代替。該設計可包含在Zafar等人於2009年8月4日發佈之共同擁有之美國專利第7,570,796號及Kulkarni等人於2010年3月9日發佈之美國專利第7,676,077中描述之任何其他設計資料或設計資料代理,該兩個專利皆以宛如全文闡述引用之方式併入本文中。另外,設計資料可為標準單元庫資料、積體佈局資料、用於一或多層之設計資料、該設計資料之衍生物及全部或部分晶片設計資料。
另外,本文描述之「設計」、「設計資料」及「設計資訊」係指由半導體裝置設計者在一設計程序中產生之資訊及資料且因此在將設計印刷於任何實體樣本(諸如主光罩及晶圓)上之前完全可用於本文描述之實施例中。
現在轉至圖式,應注意圖未按比例繪製。特定言之,通常誇大圖之部分元件之尺寸以突出該等元件之特性。亦應注意,圖未按相同比例繪製。已使用相同參考符號指示在一個以上圖中展示之可類似地組態之元件。除非本文另外提及,否則描述及展示之元件之任何者可包含任何適合之商用元件。
一般而言,本文描述之實施例經組態以用於使用基於學習之架構加速針對半導體應用(針對度量、檢驗及程序工具)執行之計算。舉例而言,一個實施例係關於一種經組態以用於使用針對一樣本模擬之輸出針對該樣本執行之一或多個功能之系統。本文描述之實施例利用新學習演算法及迴旋神經網路(CNN)以將一至今棘手或超昂貴計算問題轉變為一簡單且便宜
得多之實施方案。
在一個實施例中,本文描述之實施例之一基本原理係深度神經網路,當利用CNN及相對較高效之密實化程序實施時,該等深度神經網路在計算方面比習知演算法(尤其對於推理演算法而言)便宜一個數量級。在另一實施例中,多感測器融合具有使用本文描述之實施例以一更便宜之方式實施之可能性。此外,給定一半導體設備工具(包含但不限制於度量、檢驗、蝕刻、沈積、圖案化等等),其中一組感測器收集資料且具有將該資料映射至利用一計算引擎呈現映射(例如,自資料映射至缺陷)之一特定目標(諸如用於諸如本文進一步描述之晶圓檢驗器之缺陷偵測)之一模型,本文描述之該等實施例提供實施起來便宜2倍至10倍之計算引擎之替代實施方案。
在圖1中展示此一系統之一個實施例。該系統包含一或多個電腦子系統(例如,電腦子系統36及(若干)電腦子系統102)及由一或多個電腦子系統執行之一或多個組件100。在一些實施例中,針對一樣本產生之輸出包含基於光學之輸出。舉例而言,該系統可包含基於光學之工具10。在圖1之實施例中,基於光學之工具經組態以用於在該樣本之一實體版本上方掃描光或將光引導至該實體樣本且同時偵測來自樣本之光以藉此產生樣本之基於光學之輸出。基於光學之工具亦可經組態以利用多種模式執行掃描(或引導)及偵測。
在一個實施例中,樣本係一晶圓。該晶圓可包含此項技術中已知之任何晶圓。在另一實施例中,該樣本係一主光罩。該主光罩可包含此項技術中已知之任何主光罩。
在圖1中展示之系統之實施例中,基於光學之工具10包含經組態以將
光引導至樣本14之一照明子系統。該照明子系統包含至少一個光源。舉例而言,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將光以一或多個入射角引導至樣本,該一或多個入射角可包含一或多個斜角及/或一或多個法向角。舉例而言,如圖1中所展示,將來自光源16之光以一傾斜入射角引導通過光學元件18且接著通過透鏡20至樣本14。該傾斜入射角可包含任何適合之傾斜入射角,其可取決於(例如)樣本之特性而不同。
基於光學之工具可經組態以在不同時間以不同入射角將光引導至樣本。舉例而言,基於光學之工具可經組態以更改照明子系統之一或多個元件之一或多個特性,使得可將光以不同於圖1中展示之一入射角引導至樣本。在此一實例中,基於光學之工具可經組態以移動光源16、光學元件18、及透鏡20,使得以一不同傾斜入射角或一法向(或接近法向)入射角將光引導至樣本。
在一些例項中,基於光學之工具可經組態以同時以一個以上入射角將光引導至樣本。舉例而言,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圖1中展示之光源16、光學元件18及透鏡20且另一照明通道(圖中未展示)可包含可不同或相同地組態之類似元件或可包含至少一光源及可能之諸如本文進一步描述之組件一或多個其他組件。若與其他光同時將此光引導至樣本,則以不同入射角引導至樣本之光之一或多個特性(例如,波長、偏光等等)可係不同的,使得由於以不同入射角照明樣本導致之光可在(若干)偵測器處彼此區別開。
在另一例項中,照明子系統可僅包含一個光源(例如,圖1中展示之光源16)且來自該光源之光可由照明子系統之一或多個光學元件(圖中未展
示)分離至不同光學路徑中(例如,基於波長、偏光等等)。接著,可將不同光學路徑之各者中之光引導至樣本。多個照明通道可經組態以同時或在不同時間處將光引導至樣本(例如,當使用不同照明通道循序照明樣本時)。在另一例項中,相同照明通道可經組態以在不同時間以不同特性將光引導至樣本。舉例而言,在一些例項中,光學元件18可組態為一光譜濾波器且可以各種不同方式改變該光譜濾波器之性質(例如,藉由置換出該光譜濾波器),使得可在不同時間將不同波長之光引導至樣本。照明子系統可具有用於將具有不同或相同特性之光以不同或相同入射角循序或同時引導至樣本之此項技術中已知之任何其他適合之組態。
在一個實施例中,光源16可包含一寬頻電漿(BBP)光源。依此方式,由該光源產生且被引導至樣本之光可包含寬頻光。然而,光源可包含任何其他適合之光源,諸如一雷射。該雷射可包含此項技術中已知之任何適合之雷射且可經組態以產生具有此項技術中已知之任何適合之一或若干波長之光。另外,該雷射可經組態以產生係單色或接近單色之光。依此方式,該雷射可為一窄頻雷射。光源亦可包含產生具有多個離散波長或波段之光之一多色光源。
來自光學元件18之光可由透鏡20聚焦於樣本14上。儘管透鏡20在圖1中展示為一單一折射光學元件,但應瞭解,實際上透鏡20可包含將來自光學元件之光組合聚焦至樣本之數個折射及/或反射光學元件。圖1中展示且本文描述之照明子系統可包含任何其他適合之光學元件(圖中未展示)。此等光學元件之實例包含(但不限制於):(若干)偏光組件、(若干)光譜濾波器、(若干)空間濾波器、(若干)反射光學元件、(若干)切趾器、(若干)分束器、(若干)光圈及可包含此項技術中已知之任何此等適合之光學元件之類
似者。另外,基於光學之工具可經組態以基於待用於基於光學之輸出產生之照明類型更改照明子系統之元件之一或多者。
基於光學之工具亦可包含經組態以使得將光掃描於樣本上方之一掃描子系統。舉例而言,基於光學之工具可包含樣本14在檢驗期間安置於其上之載台22。掃描子系統可包含可經組態以移動樣本使得可將光掃描於樣本上方之任何適合之機械及/或機器人總成(包含載台22)。另外或替代地,基於光學之工具可經組態以使得基於光學之工具之一或多個光學元件執行光在樣本上方之某種掃描。可以任何適合之方式(諸如以一蛇形路徑或一螺旋路徑)在樣本上方掃描光。
基於光學之工具進一步包含一或多個偵測通道。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工具對樣本之照明之來自樣本之光且回應於該偵測到之光產生輸出。舉例而言,圖1中展示之基於光學之工具包含兩個偵測通道,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,兩個偵測通道經組態以在不同集光角度下收集且偵測光。在一些例項中,兩個偵測通道經組態以偵測散射光,且該等偵測通道經組態以偵測在不同角度下自樣本散射之光。然而,偵測通道之一或多者可經組態以偵測來自樣本之另一類型之光(例如,反射光)。
如圖1中所進一步展示,兩個偵測通道經展示定位於紙張之平面中且照明子系統亦經展示定位於紙張之平面中。因此,在此實施例中,兩個偵測通道定位於(例如,居中於)入射平面中。然而,偵測通道之一或多者可定位於入射平面外部。舉例而言,由集光器30、元件32及偵測器34形成之偵測通道可經組態以收集及偵測自入射平面散射出之光。因此,此一偵
測通道通常可被稱為一「側」通道,且此一側通道可居中於實質上垂直於入射平面之一平面中。
儘管圖1展示包含兩個偵測通道之基於光學之工具,但該基於光學之工具可包含不同數目之偵測通道(例如,僅一個偵測通道或兩個或兩個以上偵測通道)。在此一例項中,由集光器30、元件32及偵測器34形成之偵測通道可如以上描述般形成一個側通道,且基於光學之工具可包含形成為定位於入射平面之相對側上之另一側通道之一額外偵測通道(圖中未展示)。因此,基於光學之工具可包含偵測通道,該偵測通道包含集光器24、元件26及偵測器28且該偵測通道居中於入射平面中且經組態以在(若干)散射角度(垂直於樣本表面或接近垂直於樣本表面)下收集且偵測光。因此,此偵測通道通常可稱為一「頂部」通道,且基於光學之工具亦可包含如以上描述般組態之兩個或兩個以上側通道。因而,基於光學之工具可包含至少三個通道(即,一個頂部通道及兩個側通道),且該至少三個通道之各者具有其本身之集光器,該等集光器之各者經組態以在與其他集光器之各者不同之散射角度下收集光。
如以上所進一步描述,包含於基於光學之工具中之偵測通道之各者可經組態以偵測散射光。因此,圖1中展示之基於光學之工具可經組態以用於樣本之暗場(DF)輸出產生。然而,基於光學之工具亦可或替代地包含經組態以用於樣本之亮場(BF)輸出產生之(若干)偵測通道。換言之,基於光學之工具可包含經組態以偵測自樣本鏡面反射之光之至少一個偵測通道。因此,本文描述之基於光學之工具可經組態以僅用於DF輸出產生、僅用於BF輸出產生或用於DF及BF輸出產生兩者。儘管集光器之各者在圖1中展示為單一折射光學元件,但應瞭解集光器之各者可包含(若干)一或
多個折射光學元件及/或(若干)一或多個反射光學元件。
一或多個偵測通道可包含此項技術中已知之任何適合之偵測器。舉例而言,偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、時延積分(TDI)相機及此項技術中已知之任何其他適合之偵測器。偵測器亦可包含非成像偵測器或成像偵測器。依此方式,若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某些特性(諸如強度)但不可經組態以根據成像平面內之位置來偵測此等特性。因而,由包含於基於光學之工具之偵測通道之各者中之偵測器之各者產生之輸出可為信號或資料,但並非影像信號或影像資料。在此等例項中,一電腦子系統(諸如電腦子系統36)可經組態以自偵測器之非成像輸出產生樣本之影像。然而,在其他例項中,偵測器可組態為經組態以產生影像信號或影像資料之成像偵測器。因此,基於光學之工具可經組態而以數種方式產生本文描述之基於光學之輸出。
應注意,圖1在本文中經提供以大體上繪示可包含於本文描述之系統實施例中或可產生由本文描述之系統實施例使用之基於光學之輸出之一基於光學之工具之一組態。顯而易見,本文描述之基於光學之工具組態可經更改以如設計一商用基於光學之工具時通常執行般最佳化基於光學之工具之效能。另外,本文描述之系統可使用一現存基於光學之工具(例如,藉由將本文描述之功能增加至一現存基於光學之工具)實施,該等工具諸如購自加利福尼亞之苗必達之KLA-Tencor之29xx/39xx及Puma 9xxx系列工具。針對一些此等系統,本文描述之實施例可提供為基於光學之工具之選用功能(例如,除基於光學之工具之其他功能外)。替代地,本文描述之基於光學之工具可「從頭」設計以提供一全新基於光學之工具。
基於光學之工具之電腦子系統36可以任何適合之方式(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)耦合至基於光學之工具之偵測器,使得電腦子系統可接收由偵測器在掃描樣本期間產生之輸出。電腦子系統36可經組態以使用偵測器之輸出執行本文進一步描述之數個功能。
圖1中展示之電腦子系統(以及本文描述之其他電腦子系統)亦可在本文中被稱為(若干)電腦子系統。本文描述之(若干)電腦子系統或(若干)系統之各者可採取各種形式,包含一個人電腦系統、影像電腦、大型主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。一般而言,術語「電腦系統」可廣義地經界定以涵蓋具有執行一記憶體媒體中之指令之一或多個處理器之任何裝置。(若干)電腦子系統或(若干)系統亦可包含此項技術中已知之任何適合之處理器,諸如一平行處理器。另外,(若干)電腦子系統或(若干)系統可包含具有高速處理及軟體之一電腦平台(作為一單獨或網路工具)。
若系統包含一個以上電腦子系統,則不同電腦子系統可彼此耦合,使得影像、資料、資訊、指令等等可在電腦子系統之間傳送,如本文進一步所描述。舉例而言,電腦子系統36可藉由任何適合之傳輸媒體(可包含此項技術中已知之任何適合之有線及/或無線傳輸媒體)耦合至由圖1中之虛線展示之(若干)電腦子系統102。此等電腦子系統之兩者或兩者以上亦可有效地由一共用電腦可讀儲存媒體(圖中未展示)耦合。
儘管該工具在以上描述為一基於光學或光之工具,但該工具可為一基於電子束之工具。舉例而言,在一個實施例中,針對樣本產生之輸出包含基於電子束之輸出。在圖1a中展示之此一實施例中,基於電子束之工具
包含耦合至電腦子系統124之電子柱122。亦如圖1a中所展示,電子柱包含經組態以產生藉由一或多個元件130聚焦至樣本128之電子之電子束源126。該電子束源可包含(例如)一陰極源或發射器尖端,且一或多個元件130可包含(例如)一槍透鏡、一陽極、一射束限制孔、一閘閥、一射束電流選擇孔、一物鏡及一掃描子系統,以上全部可包含此項技術中已知之任何此等適合之元件。
自樣本返回之電子(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,該掃描子系統可為包含於(若干)元件130中之相同掃描子系統。
電子柱可包含此項技術中已知之任何其他適合之元件。另外,該電子柱可如以下專利中描述般進一步經組態:2014年4月4日頒予Jiang等人之美國專利第8,664,594號、2014年4月8日頒予Kojima等人之美國專利第8,692,204號、2014年4月15日頒予Gubbens等人之美國專利第8,698,093號及2014年5月6日頒予MacDonald等人之美國專利第8,716,662號,該等專利以宛如全文闡述引用之方式併入本文中。
儘管電子柱在圖1a中展示為經組態使得電子以一傾斜入射角引導至樣本且以另一傾斜角自樣本散射,但應瞭解,可以任何適合之角度將電子束引導至樣本且自樣本散射電子束。另外,基於電子束之工具可經組態以如本文進一步描述般使用多個模式產生樣本之基於電子束之輸出(例如,具有不同照明角度、集光角度等等)。基於電子束之工具之多個模式可在工具之任何輸出產生參數方面不同。
電腦子系統124可耦合至偵測器134,如以上所描述。偵測器可偵測自樣本之表面返回之電子,藉此形成樣本之基於電子束之輸出。基於電子
束之輸出可包含任何適合之基於電子束之輸出,諸如影像。電腦子系統124可經組態以使用由偵測器134產生之輸出針對樣本執行本文進一步描述之之一或多個功能。電腦子系統124可經組態以執行本文描述之(若干)任何額外步驟。可如本文描述般進一步組態包含在圖1a中展示之基於電子束之工具之一系統。
應注意,圖1a在本文中經提供以大體上繪示可包含於本文描述之實施例中之一基於電子束之工具之一組態。如同以上描述之基於光學之工具,本文描述之基於電子束之工具組態可經更改以如設計一商用基於電子束之工具時通常執行般最佳化基於電子束之工具之效能。另外,本文描述之系統可使用一現存基於電子束之工具(例如,藉由將本文描述之功能增加至一現存基於電子束之工具)實施,該等工具諸如購自KLA-Tencor之eSxxx及eDR-xxxx系列工具。針對一些此等系統,本文描述之實施例可提供為基於電子束之工具之選用功能(例如,除系統之其他功能外)。替代地,本文描述之基於電子束之工具可「從頭」設計以提供一全新基於電子束之工具。
儘管該工具在以上描述為一基於光學或基於電子束之工具,但該工具可為一基於離子束之工具。此一工具可如圖1a中所展示般組態,除電子束源可由此項技術中已知之任何適合之離子束源替代外。另外,該工具可為任何其他適合之基於離子束之工具,諸如包含於商用聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及次級離子質譜(SIMS)系統中之基於離子束之工具。
如以上所提及,工具經組態以用於在樣本之一實體版本上方掃描能量(例如,光或電子),藉此產生該樣本之實體版本之實際影像。依此方
式,該工具可經組態為一「實際」工具,而非一「虛擬」系統。舉例而言,在圖1中展示之一儲存媒體(圖中未展示)及(若干)電腦子系統102可組態為一「虛擬」系統。特定言之,儲存媒體及(若干)電腦子系統並非基於光學之工具10之一部分且不具有用於處置樣本之實體版本之任何能力。換言之,在組態為虛擬系統之系統中,該系統之一或多個「偵測器」之輸出可為先前由一實際工具之一或多個偵測器產生且儲存於虛擬系統中之輸出,且在「掃描」期間,虛擬系統可重播儲存之輸出就好像樣本正被掃描一樣。依此方式,利用一虛擬系統掃描樣本可顯得與利用一實際系統掃描一實體樣本一樣,而實際上「掃描」涉及以與掃描樣本相同之方式簡單重播樣本之輸出。在2012年2月28日頒予Bhaskar等人之共同讓渡之美國專利第8,126,255號及2015年12月29日頒予Duffy等人之美國專利第9,222,895號中描述組態為「虛擬」檢驗系統之系統及方法,該兩個專利皆以宛如全文闡述引用之方式併入本文中。可如此等專利中描述般進一步組態本文描述之實施例。舉例而言,可如此等專利中描述般進一步組態本文描述之一或多個電腦子系統。另外,可如Duffy之以上參考專利中描述般執行將一或多個虛擬系統組態為一中央計算及儲存(CCS)系統。本文描述之永久性儲存機構可具有分散式計算及儲存(諸如CCS架構),但本文描述之實施例不限制於該架構。
如以上所進一步提及,工具可經組態以利用多個模式產生樣本之輸出。一般而言,一「模式」可由用於針對一樣本產生輸出之工具之參數值或用於產生樣本之影像之輸出界定。因此,不同之模式可在工具之輸出產生(例如,成像)參數之至少一者之值方面不同。舉例而言,在一基於光學之工具之一個實施例中,多個模式之至少一者使用照明之光之至少一波
長,該波長不同於用於多個模式之至少另一者之照明之光之至少一波長。該等模式可在用於不同模式之如本文進一步描述之照明波長方面不同(例如,藉由使用不同光源、不同光譜濾波器等等)。在另一實施例中,多個模式之至少一者使用工具之一照明通道,該照明通道不同於用於多個模式之至少其他者之工具之一照明通道。例如,如以上所提及,該工具可包含一個以上照明通道。因而,不同照明通道可用於不同模式。
在一個實施例中,程序包含一檢驗程序。舉例而言,本文描述之基於光學及電子束之工具可組態為檢驗工具。在另一實施例中,程序包含一缺陷檢視程序。舉例而言,本文描述之基於光學及電子束之工具可組態為缺陷檢視工具。在一進一步實施例中,該程序包含一度量程序。舉例而言,本文描述之基於光學及電子束之工具可組態為度量工具。特定言之,在本文中描述且在圖1及圖1a中展示之工具之實施例可在一或多個參數方面進行修改以提供不同輸出產生能力(其取決於其等將用於之應用)。在此一實例中,若圖1中展示之工具將用於缺陷檢視或度量而非用於檢驗,則其可經組態以具有一較高解析度。換言之,圖1及圖1a中展示之工具之實施例描述可以熟習技術者將明白之數種方式進行調整以產生具有或多或少適合用於不同應用之不同輸出產生能力之工具之一工具之一些通用組態及各種組態。
在另一實施例中,程序包含一製作程序。舉例而言,該系統可包含經組態以在樣本上執行一或多個製作程序之一半導體製作工具。在此一實例中,如圖1中所展示,該系統包含可耦合至(若干)電腦子系統102及/或本文描述之系統之任何其他元件之半導體製作工具106。該半導體製作工具可包含此項技術中已知之任何適合之半導體製作工具及/或腔室,諸如
一微影軌道、一蝕刻腔室、一化學機械拋光(CMP)工具、一沈積腔室、一剝離或清理腔室及類似者。另外,半導體製作工具可包含經組態以產生樣本之輸出之(諸如)本文進一步描述之一或多個偵測器(未在圖1中展示)。可包含於本文描述之實施例中之適合之半導體製作工具之實例在2005年5月10日頒予Levy等人之美國專利第6,891,627號中描述,該專利以宛如全文闡述引用之方式併入本文中。此本文專利亦描述可包含於或耦合至半導體製作工具且可如本文進一步描述般產生輸出之各種偵測器之實例。可如此專利中描述之進一步組態本文描述之實施例。
一或多個電腦子系統經組態以用於由包含於一工具中之一或多個偵測器獲取針對一樣本產生之輸出,該工具經組態以在樣本上執行一程序。可使用本文描述之輸出產生工具之一者(例如,藉由將光或一電子束引導至樣本且偵測來自該樣本之光或一電子束)執行獲取輸出。以此方式,可使用實體樣本本身及某種類型之輸出產生(例如,成像)硬體執行獲取輸出。然而,獲取輸出不必包含使用成像硬體成像樣本。舉例而言,另一系統及/或方法可產生輸出且可在一或多個儲存媒體(諸如本文描述之一虛擬檢驗系統或本文描述之另一儲存媒體)中儲存產生之輸出。因此,獲取輸出可包含自輸出已儲存於其中之儲存媒體獲取輸出。
由(若干)電腦子系統(例如,電腦子系統36及/或(若干)電腦子系統102)執行之(若干)組件(例如圖1中展示之(若干)組件100)包含基於學習之模型104。一或多個組件組件可由(若干)電腦子系統以任何適合方式執行。該模型經組態以使用所得輸出作為輸入執行一或多個第一功能以藉此產生樣本之模擬輸出。一或多個第一功能可包含本文描述之第一功能之任何者。模擬之輸出可包含本文描述之可如本文進一步描述般產生之模擬輸
出之任何者。可如本文描述般進一步組態該模型。該一或多個電腦子系統進一步經組態以用於使用模擬輸出針對樣本執行一或多個第二功能。一或多個第二功能可包含本文進一步描述之第二功能之任何者。
在另一實施例中,基於學習之模型包含一機器學習模型。機器學習通常可界定為為電腦提供在無需顯示程式化之情況下學習之能力之一種人工智慧(AI)。機器學習著重於可教示電腦成長且在曝露於新資料時作出改變之電腦程式之開發。換言之,機器學習可界定為「給予電腦在無需顯示程式化之情況下學習之能力」電腦科學之子領域。機器學習探索可自資料學習且對資料作出預測之演算法之研究及建構-此等演算法藉由透過自樣本輸入建立一模型而作出驅動資料之預測或決策而克服以下嚴格靜態程式指令。
可如Sugiyama、Morgan Kaufmann之「Introduction to Statistical Machine Learning」2016第534頁、Jebara之「Discriminative,Generative,and Imitative Learning」MIT Thesis 2002第212頁及Hand等人之「Principles of Data Mining(Adaptive Computation and Machine Learning)」MIT出版社,2001第578頁中描述般進一步執行本文描述之機器學習,該等參考以宛如全文闡述引用之方式併入本文中。可如此等參考中描述般進一步組態本文描述之實施例。
在一個實施例中,基於學習之模型包含一深度學習模型。一般而言,「深度學習」(亦被稱為深度結構化學習、分層學習或深度機器學習)係基於嘗試模型化資料中之高階抽象概念之一組演算法之機器學習之一分支。在一簡單情況中,存在兩組神經元:一個接收一輸入信號且另一個發送一輸出信號。當輸入層接收一輸入時,其將輸入之一修改版本傳遞至下
一層。在一深度網路中,輸入與輸出之間存在諸多層(且該等層並非由神經元構成但以此方式思考係有幫助的),從而允許演算法使用由多個線性及非線性轉換組成之多個處理層。
深度學習係基於學習資料之表示方法之機器學習方法之一更廣泛家族之一部分。一觀察(例如,一影像)可以諸多方式表示,諸如每像素之強度值之一向量,或以一更抽象之方式表示,如一組邊緣、特定形狀之區域等等。一些表示方法在簡化學習任務(例如,面部識別或面部表情識別)方面比其他表示方法更佳。深度學習之前景之一者係利用有效演算法替代手工特徵進行無人監督或半監督特徵學習及分層特徵提取。
在此領域中之研究嘗試作出更佳之表示方法且產生自大規模之未標記資料學習此等表示方法之模型。部分表示方法受神經科學中進步之啟發且鬆散地基於一神經系統中之處理及通信模式之資訊之解譯,諸如嘗試界定各種刺激與大腦中之相關聯之神經回應之間之一關係之神經編碼。
各種深度學習架構(諸如深度神經網路、深度迴旋神經網路、深度信念網路及遞迴式神經網路)已應用於如電腦視覺、自動語音識別、自然語言處理、音訊識別及生物信息學之領域,其中其等已經展示而對各種任務產生先進技術結果。
在一進一步實施例中,基於學習之模型包含一神經網路。舉例而言,該模型可為一深度神經網路,該一深度神經網路具有根據已饋入該模型以訓練該模型之資料模型化世界之一組權重。神經網路通常可界定為一計算方法,該計算方法基於鬆散地模型化一生物大腦利用由軸突連接之生物神經元之相對較大之叢集解決問題之方法之神經單元之一相對較大集合。各神經單元與諸多其他神經單元連接,且鏈接在其對經連接之神經單
元之激活狀態之影響中係加強或抑制的。此等系統係自我學習且經訓練的而非經顯示程式化且在其中解決方案或特徵偵測難以以一傳統電腦程式表達之領域中有突出表現。
神經網路通常由多個層組成,且信號路徑自前貫穿至後。神經網路之目的係用於以與人類大腦相同之方式解決問題,儘管若干神經網路更抽象。現代神經網路專案通常與幾千至幾百萬神經單元及數百萬連接一起工作。神經網路可具有此項技術中已知之任何適合之架構及/或組態。
在另一實施例中,基於學習之模型包含一迴旋神經網路(CNN)。舉例而言,本文描述之實施例可利用深度學習概念,諸如一CNN,來解決通常係棘手之表示轉換問題(例如,再現)。模型可具有此項技術中已知之任何CNN組態或架構。
在一進一步實施例中,基於學習之模型包含一深度神經網路。舉例而言,該模型可經組態以具有一深度學習架構,其中該模型可包含執行數個演算法或轉換之多個層。一般而言,模型中之層數目係不重要的且依賴於使用情況。為了實際目的,包含於模型中之層之一適合範圍係自2個層至數十個層。可如本文描述般以其他方式組態深度神經網路。在此一實施例中,基於學習之模型可組態為如Krizhevsky等人之「ImageNet Classification with Deep Convolutional Neural Networks」NIPS,2012第9頁中描述之一深度CNN(DCNN),該參考以宛如全文闡述引用之方式併入本文中。可如此參考中描述般進一步組態本文描述之實施例。
在一額外實施例中,基於學習之模型包含一鑑別模型。鑑別模型(亦被稱為條件模型)係在機器學習中用於模型化一未觀察到之變數y對一觀察到之變數x之相依性之一類模型。在一概率框架內,此藉由模型化可用於
自x預測y之條件概率分佈P(y|x)而完成。鑑別模型(相對於生成模型)不允許吾人自x及y之聯合分佈產生樣本。然而,針對諸如不需要聯合分佈之分類及迴歸之任務,鑑別模型可產生優越效能。另一方面,生成模型通常比鑑別模型在表達複雜學習任務中之相依性方面更靈活。另外,大多數鑑別模型固有地受監督且無法容易地擴展至不受監督之學習。特定應用細節最終指示選擇一鑑別模型相較於選擇生成模型之適合性。可如由Krizhevsky之以上併入之參考中描述般進一步組態鑑別模型。依此方式,本文描述之實施例可將一鑑別類型之一深度學習網路用於本文描述之應用(分類或迴歸目的)。
在一些實施例中,基於學習之模型包含一生成模型。一「生成」模型通常可界定為本質係概率性之一模型。換言之,一「生成」模型並非執行正向模擬或基於規則之方法之一模型,且因而涉及產生實際輸出(針對其產生模擬輸出)之程序之一實體模型不係必要的。相反,如本文進一步描述,可基於一組適合的訓練資料學習生成模型(其中可學習其之參數)。可如Zhang等人於2016年6月7日申請之美國專利申請案第15/176,139號中描述般進一步組態該生成模型,該申請案以宛如全文闡述引用之方式併入本文中。可如此專利申請案中描述般進一步組態本文描述之實施例。依此方式,本文描述之實施例可使用一深度學習網路,諸如用於本文描述之應用(分類或迴歸目的)之一深度生成網路。
在一個實施例中,基於學習之模型包含一深度生成模型。舉例而言,該模型可經組態以具有深度學習架構,其中該模型可包含執行數個演算法或轉變之多個層。一般而言,生成模型之一側或兩側上之層數目係不重要的且依賴於使用情況。為了實際目的,兩側上之層之一適合範圍係自
2個層至數十個層。
在另一實施例中,基於學習之模型經組態以用於使用增加取樣濾波器之迴旋。舉例而言,當以一完全迴旋化方式採用DCNN時,在DCNN之連續層處執行之最初針對影像分類設計之最大池化層及減少取樣(「跨步(striding)」)之重複組合可導致具有顯著減少之空間解析度之特徵映射。為了克服此障礙且有效地產生密集特徵映射,減少取樣操作器可自DCNN之最後幾個最大池化層移除且反之在隨後迴旋層中增加取樣濾波器,從而導致以一較高取樣速率計算之特徵映射。
濾波器增加取樣相當於在非零濾波器分接頭之間插入孔(法語中之「trous」)。此技術在信號處理方面具有一悠久歷史,最初針對一方案中之無抽樣小波變換(亦稱為「algorithme à trous」)之有效計算開發。因此,術語帶孔迴旋通常用作為使用增加取樣濾波器之迴旋之一簡約表達法。之前已在DCNN之背景內容使用此理念之各種特點。實際上,可由帶孔迴旋之一組合恢復完整解析度特徵映射,此更密集地計算特徵映射,接著係回應於初始影像尺寸之特徵之簡單雙線性插入。此方案供應在密集預測任務中使用反迴旋層之一簡單但有力之替代方案。相較於使用較大濾波器之規則迴旋,帶孔迴旋有效地允許擴大濾波器之視野而無需增加參數數目或計算量。可如在Chen等人之「DeepLab:Semantic Image Segmentation with Deep Convolutional Nets,Atrous Convolution,and Fully Connected CRFs」arXiv:1606.00915v2,2016年6月2日第14頁中描述般進一步組態基於學習之模型之此實施例,該參考以宛如全文闡述引用之方式併入本文中。
依此方式,本文描述之實施例可經組態以用於有效密實化程序。特
定言之,在不同應用(例如,缺陷偵測、CAD再現)中,影像級分析可轉變為一像素級分類問題。由一CNN處理圍繞影像之各像素界定之一局部區域(圖塊),從而產生與該像素(圖塊)相關聯之一分類分數。一完整影像分析可包含針對各像素重複此操作,以產生尺寸等於輸入影像之一分數映射(該分數映射同時提供「何物」及「何處」資訊)。不幸的是,此直截了當之作法實質上係無效的(歸因於重疊圖塊)。已實施由Chen之以引用之方式併入之參考啟發之一方法。已由帶孔迴旋替代迴旋核及池化操作。在新設定中,影像經處理作為一滑動窗且完全再用(攤銷)關於重疊圖塊之操作。
本文描述之實施例可或可不經組態以用於訓練本文描述之(若干)基於學習之模型。舉例而言,另一方法及/或系統可經組態以產生一經訓練之基於學習之模型,該模型接著可由本文描述之實施例存取及使用。
在一個實施例中,(若干)電腦子系統經組態以用於利用自一或多個非基於學習之演算法產生之結果訓練基於學習之模型,且在由基於學習之模型執行一或多個第一功能之前執行該訓練。依此方式,(若干)電腦子系統可在基於學習之模型執行一或多個第一功能之前訓練該模型,且可利用一經訓練之基於學習之模型執行該一或多個第一功能。舉例而言,本文描述之實施例可使用一較慢之迴旋演算法作為在訓練基於較快學習之模型期間使用之教示方法(所以無需人類介入來注釋事件)。較慢之迴旋演算法可為任何目前使用之演算法,諸如用於執行一或多個功能(例如,缺陷偵測、分類、驗證等等)之一非基於學習之演算法。用於訓練基於較快學習之模型之較慢迴旋演算法之結果可基於一或多個第一功能進行選擇。舉例而言,若一或多個第一功能包含缺陷偵測,則接著(若干)非基於學習之演算法可包含一習知缺陷偵測演算法。相比而言,若一或多個第一功能包含缺
陷分類,則接著(若干)非基於學習之演算法可包含一習知缺陷分類演算法。可由具有完全平行之系統之(若干)先前存在之較慢演算法訓練基於學習之模型。
依此方式,本文描述之實施例可包含一訓練系統及一推理系統。該推理系統實施起來可比訓練系統快一個數量級。舉例而言,如本文進一步描述,本文描述之(若干)基於學習之模型可比習知演算法更快。因此,該等訓練演算法可比經訓練之基於學習之模型更慢。在此一實例中,所得系統通常將為具有參數(比普通計算便宜一個數量級)之一前饋神經網路。
在另一實施例中,一或多個電腦子系統經組態以用於使用一母網路預先訓練基於學習之模型且訓練該預先訓練之基於學習之模型,且在由基於學習之模型執行一或多個第一功能之前執行該預先訓練及訓練。依此方式,(若干)電腦子系統可在基於學習之模型執行一或多個第一功能之前訓練該模型,且可利用一經訓練之基於學習之模型執行該一或多個第一功能。舉例而言,可藉由在訓練時間時改變輸入並且自一母網路學習而將穩健性引入至系統內。特定言之,一母網路可用於藉由自對一組不同但相關影像預先訓練之一網路中繼承權重(及/或基於學習之模型之任何其他參數)加速訓練程序。該等不同但相關影像可包含(例如)具有不同於將針對其執行一或多個功能之樣本之類型之一類型之樣本之影像。在此一實例中,該等不同但相關影像可係針對一個晶圓類型而將針對一不同晶圓類型執行一或多個功能。在本文描述之實施例中,重點係藉由有效地在訓練上花費更多時間以在實際推理期間本質上消除某些循序步驟而在運行時間期間加速推理。
在一些實施例中,一或多個電腦子系統經組態以用於監督利用使用
者提供之資訊訓練基於學習之模型,且在由基於學習之模型執行一或多個第一功能之前執行訓練。依此方式,(若干)電腦子系統可在基於學習之模型執行一或多個第一功能之前訓練該模型,且可利用一經訓練之基於學習之模型執行該一或多個第一功能。舉例而言,可利用使用者輸入訓練本文描述之基於學習之模型。該使用者輸入可包含(例如)使用者提供之缺陷分類。然而,使用者提供之資訊可包含關於基於學習之模型之可用於訓練基於學習之模型之任何其他適合之資訊。可以任何適合之方式(例如,藉由通過耦合至一或多個電腦子系統之一使用者介面接收資訊)獲取該使用者提供之資訊。
在一進一步實施例中,(若干)電腦子系統經組態以用於產生樣本之合成資料且使用該合成資料訓練基於學習之模型。舉例而言,本文描述之實施例可由其他方法擴充以使得用於訓練之資料組更豐富。舉例而言,訓練實例可經擴充有包含雜訊之人工實例以使得訓練更具一般性。在此一實例中,可基於物理知識加入單獨訓練實例以藉此注入模型化雜訊或甚至係可插入至影像內之缺陷結構,儘管該等缺陷結構可能未實體地出現於訓練樣本中。在Bhaskar等人於2016年12月29申請之美國專利申請案第15/394,790號中提供諸如本文描述之可用於產生合成資料且使用合成資料訓練一模型之方法及系統之實例,該專利申請案以宛如全文闡述引用之方式併入本文中。可如此專利申請案中描述般進一步組態本文描述之實施例。
在另一實施例中,基於學習之模型經組態以用於使用獲取之輸出作為一第一輸入且使用用於樣本之資訊作為一第二輸入執行一或多個第一功能。舉例而言,本文描述之實施例可包含一神經網路,該一神經網路在利
用一CNN(例如,如由Krizhevsky在以上併入之參考中所描述)執行時可以一更便宜之方式組合前端中之資訊之通道,此係因為該神經網路學習各種輸入通道與所要輸出結果之間之表示映射。由發明者執行之模型化已展示在基於電子束之晶粒至數據庫偵測之情況中增加3個通道之計算花費僅為一單一通道之成本之約15%至20%。此外,神經網路通常不具有分支及其他迴路且因此通常快得多。
在此一實施例中,用於樣本之資訊包含樣本之設計資料。舉例而言,本文描述之實施例可使用基於學習之模型之輸入,該輸入包含樣本之影像及/或影像資料或信號以及樣本之設計資料。該設計資料可包含CAD及/或自該設計資料模擬之一影像,諸如一配准之再現CAD影像。該等影像可與如本文進一步描述之設計資料一起使用。
在一些此等實施例中,基於學習之模型經組態以基於該設計資料更改一或多個第一功能。舉例而言,基於學習之模型可以其認為合適之方式(相對於將其視為再現/減去之習知方式)學習使用設計資料,從而作出穩健比較(例如,適應性定限)。在此一實例中,在於一或多個第一功能中執行之缺陷偵測之情況中,設計資料可用於利用樣本之不同部分中之基於設計資料判定之一或多個參數(例如,一臨限值)執行缺陷偵測。可藉由基於學習之模型以任何適合之方式(例如,基於一訓練資料組及用於根據該訓練資料組執行一或多個功能之參數)學習用於在樣本之不同部分中執行之一或多個功能之(若干)參數。
本文描述之實施例可經組態使得一單一網路架構本質上在檢驗情況(例如,電子束檢驗)中解決三種不同使用情況:單一影像偵測、分類及晶粒至資料庫檢驗。舉例而言,在另一實施例中,一或多個第一功能包含將
輸出中之像素標記為與缺陷相關聯或不與缺陷相關聯。在一額外實施例中,一或多個第一功能包含識別在樣本上偵測到之缺陷之一分類。在一些實施例中,一或多個第一功能包含產生用於樣本之一參考,且一或多個第二功能包含將該參考與輸出作比較且基於該比較之結果偵測樣本上之缺陷。最後一個使用情況係資訊之一額外通道係如何幾乎不改變計算負擔之一實例,因為大多數成本來自係輸入通道之下游之權重或參數。基於學習之模型亦可以其認為合適之方式(相對於將其視為再現/減去之習知方式)學習使用設計資料,從而作出穩健之比較(例如,適應性定限)。此等步驟之全部可由基於學習之模型「在後台」一舉執行。本文描述之實施例之一優勢就在於此。
將輸出中之像素標記為與缺陷相關聯或不與缺陷相關聯可包含產生輸出中之像素之一分數,諸如無缺陷分數(SND)及缺陷分數(SD)。一像素之SND可因此表示該像素處無缺陷之概率分數而一像素之SD可表示該像素處之一缺陷之概率分數。將輸出中之像素標記為與缺陷相關聯或不與缺陷相關聯可包含單一影像偵測(SID),可如Bhaskar等人於2016年11月16日申請之美國專利申請案第15/353,210號中描述般執行單一影像偵測(SID),該專利申請案以宛如全文闡述引用之方式併入本文中。可如此專利申請案中描述般進一步組態本文描述之實施例。
在另一實施例中,一或多個第一功能包含將輸出之至少一部分與一參考對準。舉例而言,本文描述之實施例可提供更快之對準。特定言之,兩個影像之間之對準(諸多檢驗演算法之一重要部分)可藉由本文描述之實施例更快地完成。基本做法實質上可係相同的,例如使用若干已知較慢演算法訓練具有對準影像之一基於學習之模型。在此情況中,吾人可有意旋
轉且完成仿射變換以綜合地自一單一影像產生諸多訓練實例。用於訓練基於學習之模型之「實況」可利用習知歸一化互相關(NCC)演算法、分層減少取樣影像及基於特徵之顯著點演算法獲取。換言之,可使用由習知較慢演算法產生之結果且該等結果可被認為係「實況」。依此方式,本文描述之實施例可使用習知對準演算法(諸如NCC或特徵提取或任何此方法)訓練基於學習之模型,該等演算法可藉由利用已知偏移、旋轉等等綜合地轉變影像輸入而擴充。所以,舉例而言,為了對準兩個影像,一典型做法係使用一NCC,其獲取一影像A及模板B且執行逐像素迴旋操作(偏移通過對準搜尋,因此窗可為5像素乘5像素以考量5像素之偏移)。接著,針對峰值檢查所得影像C以識別在其中出現最大值之偏移。執行對準之另一方式係藉由「特徵提取或顯著特徵偵測」。舉例而言,特徵及顯著特徵(諸如隅角)可藉由一些對準演算法提取且接著用於使得影像彼此對準。所以,總而言之,在訓練期間,吾人可使用一較慢演算法,如NCC或顯著點偵測,來產生多個人工錯位且訓練一基於學習之模型以偵測該錯位。基於學習之模型學習複雜參數,包含其針對精插補需要做的事。基於學習之模型將具有更少之參數且更快,因為其係一深度神經網路或本文描述之另一基於學習之模型。此模型可係關於生成做法(例如,如在以上以引用之方式併入之Zhang之參考專利申請案),但該演算法通常尋找一簡單仿射變換(dx、dy、drotation或dwrap)。
在一進一步實施例中,一或多個第二功能包含基於模擬輸出偵測樣本上之缺陷。舉例而言,可使用本文描述之基於學習之模型加速額外演算法。在一個實例中,可使用本文描述之實施例加速由購自KLA-Tencor之一些商用檢驗系統使用之雷射DF HLAT演算法。舉例而言,在一些DF檢
驗工具中存在多個(例如,三個)通道。本文描述之實施例可經組態以利用習知HLAT演算法教示本文描述之基於學習之模型、擴充HLAT演算法以使得系統穩健且接著使用一更便宜之系統進行推理。一典型GPU具有7 TFLOPS之資料,而一習知CPU具有2至3 TFLOPS之資料。為了推理目的,在無用於直方圖之昂貴分支及迴路之情況下,可能達成2.5倍之一最大值且潛在地具有10倍加速。
在一些實施例中,由一或多個偵測器針對樣本產生之輸出包含在多個模式中產生之輸出。舉例而言,本文描述之系統通常具有多感測器輸入,諸如(但不限制於)CCD顯微鏡成像系統之RGB,電子束檢視及檢驗中之多個視角、雷射掃描檢驗系統情況中之多個集光器及BBP檢驗器情況中之圖塊之多個循序收集。此一系統之計算由等於其等感測輸入(RGB)之一因數膨脹或由抓取物(N個圖塊)之循序本質延遲。此等系統係由本文描述之實施例替代之候選者。舉例而言,本文描述之實施例可包含一基於學習之模型(諸如一神經網路或本文描述之其他基於學習之模型),其在利用一CNN(例如,如由Krizhevsky在以上併入之參考中所描述)執行時可以一更便宜之方式組合前端中之資訊之通道,此係因為基於學習之模型學習各種輸入通道與所要輸出結果之間之表示映射。由發明者執行之模型化已展示在基於電子束之晶粒至數據庫偵測之情況中增加3個通道之計算花費僅為一單一通道之成本之約15%至20%。此外,基於學習之模型(諸如神經網路)通常不具有分支及其他迴路且因此通常快得多。
在此一實例中,在多視角電子束影像之情況中,相較於使得相同演算法在所有不同通道上平行執行,基於學習之模型可經訓練以在輸入通道本身處融合資料且將僅導致15%之額外成本(相對於3通道之300%)。在另
一此實例中,在用於在一實質上成本敏感市場中操作之雷射掃描系統之多個集光器之情況中,計算之多個平行通道將僅在一訓練時期期間使用(使用例如HLAT演算法)且將由在推理期間用於缺陷偵測之一基於學習之模型替代。
在另一實施例中,一或多個電腦子系統經組態以用於由包含於一額外工具中之一或多個額外偵測器獲取針對一額外樣本產生之額外輸出,該額外工具經組態以用於在額外樣本上執行一程序,該基於學習之模型經組態以用於使用獲取之額外輸出作為輸入執行一或多個第一功能以藉此針對額外樣本產生模擬輸出,且一或多個電腦子系統經組態以用於使用該模擬輸出針對額外樣本執行一或多個第二功能。舉例而言,本文描述之實施例可組態為包含可在機器之一些家族之間共用使得系統之相對較昂貴之訓練部分可在一些平台上攤銷之多個GPU及CPU之一集中系統。該工具及額外工具可為相同類型(例如,相同做法及模型)。因此,(若干)偵測器及(若干)額外偵測器可具有相同組態。輸出及額外輸出亦可為相同類型(例如,輸出及額外輸出兩者可為影像信號)。依此方式,一旦已如本文描述般訓練一基於學習之模型,則該基於學習之模型可用於使用僅由一工具或多個工具產生之輸出針對樣本執行一或多個第一功能。
除了以上描述之一或多個第二功能外,一或多個第二功能可取決於一或多個第一功能而不同。舉例而言,若一或多個第一功能包含缺陷偵測,則一或多個第二功能可包含基於一或多個第一功能之結果產生樣本之檢驗結果及/或使用該缺陷偵測之結果執行一或多個額外功能。一或多個第二功能亦可使用習知(或(若干)非基於學習之演算法及/或(若干)方法)執行。舉例而言,若該一或多個第一功能包含缺陷偵測,則一或多個第二功
能可包含使用一非基於學習之方法及/或演算法執行之缺陷分類。然而,可使用一基於學習之模型執行一或多個第二功能。因此,可利用不同基於學習之模型針對一樣本執行不同功能,該等模型之各者可如本文描述般進行訓練及/或組態。在此一實例中,一或多個第一功能可包含利用一第一基於學習之模型執行之缺陷偵測,且一或多個第二功能可包含利用一第二基於學習之模型執行之缺陷分類。
本文描述之額外實施例可經組態以用於利用多個輸入資料組之基於機器學習之配方優化。舉例而言,本文進一步描述之實施例可經組態以用於使用諸多輸入資料組之自動配方優化,且可能具有最小使用者介入。
在用於配方優化之目前使用之方法及系統中,使用者執行一初始配方之設定且在一個晶圓或至多在一些晶圓上執行該初始配方。通常檢視且分類小於100%之缺陷。目前使用之自動分類技術僅取決於缺陷檢視影像(例如,SEM影像),且未運算缺陷檢視影像(例如,SEM影像)與檢驗影像(例如,光學影像)之間之相關分數。目前使用之方法無法處理大量資料組。
目前使用之方法及系統因此具有大量缺點。舉例而言,目前使用之方法缺少統計資料,尤其係若缺陷十分難以捕捉且僅若干檢視之缺陷實際上係受關注之缺陷(DOI)。另外,優化僅在若干晶圓上執行,因為在更多晶圓上完成優化係非常費時的。配方有時亦經錯誤優化,因為未執行或未在足夠實例上執行缺陷檢視影像與檢驗影像之相關性(例如,SEM與光學影像相關性)。
在一個實施例中,一或多個電腦子系統經組態以用於利用自一或多個非基於學習之演算法產生之結果訓練基於學習之模型,在由基於學習之
模型執行一或多個第一功能之前執行該訓練,且自一或多個非基於學習之演算法產生之結果包含缺陷分類結果。舉例而言,本文描述之實施例可經組態以用於產生將用於獲得實質上穩定之干擾抑制分類符之許多資料。可如本文進一步描述般在此實施例中執行訓練。可如本文進一步描述般產生缺陷分類結果。
在此一實施例中,藉由以下操作產生缺陷分類結果:在另一樣本上執行一熱掃描以藉此偵測其他樣本上之缺陷;檢視偵測之缺陷之至少一部分;且使用該檢視之至少結果分類偵測之缺陷之至少該部分。舉例而言,檢驗輸出可與子像素準確性圖塊之設計資料對準以設計隨後將SEM影像與光學影像對準之對準或界定圍繞缺陷之用於運算局部屬性或甚至獲得新屬性之一實質上較小之區域。可如Kulkarni等人之以上參考專利中描述般執行將檢驗輸出與設計資料對準。一旦檢驗輸出已與設計資料對準,則缺陷檢視影像亦可與設計資料對準。因此,設計資料可充當為檢驗輸出及缺陷檢視輸出之一共同參考且將該兩個輸出與共同參考對準,藉此使得兩個輸出彼此對準。局部及新屬性可包含接近缺陷定位(例如,處於與缺陷相同之位置及/或與缺陷相鄰)之設計之缺陷及/或圖案化特徵之屬性。另外,一熱掃描可在樣本上執行,且可檢視所報告之位點。一「熱」掃描通常可界定為其中使用一實質上較低之臨限值(例如,由一檢驗系統針對樣本產生之輸出之雜訊底限處或或附近之一臨限值)偵測一樣本上之缺陷之一程序。在檢視期間,測試及參考影像經收集且用於運算一不同影像(例如,藉由自其對應測試影像減去參考影像)。將缺陷檢視影像與設計對準。藉由使用設計座標,可將缺陷影像與檢驗影像準確地疊對。
在一些此等實施例中,由一使用者執行分類偵測之缺陷之至少一部
分。舉例而言,使用者可分類部分缺陷以產生用於一基於學習之模型之一學習資料組以處理資料。在另一實例中,使用者可分類所有缺陷以產生學習資料組。使用者可使用任何適合之方法及/或系統以任何適合之方式執行分類偵測之缺陷之至少一部分。替代地,可在圖塊影像上執行深度學習以分類缺陷。舉例而言,一基於學習之模型(諸如本文描述之一者)可經組態且訓練以分類樣本上之缺陷。
在另一此實施例中,一或多個第一功能包含預測哪些利用輸出偵測之缺陷係DOI。舉例而言,一旦基於學習之模型足夠穩定,則其將預測哪些由檢驗偵測之缺陷最可能係DOI。可如本文進一步描述般執行預測利用輸出偵測之哪個缺陷係DOI。
在此一實施例中,基於自輸出判定之缺陷屬性執行該預測。在此一實施例中,基於輸出執行該預測。在一進一步此實施例中,基於自輸出產生之影像執行該預測。舉例而言,基於學習之模型可使用缺陷檢視及/或檢驗工具中之缺陷屬性或影像資料(包含測試、參考及/或不同影像)。依此方式,如本文進一步描述之訓練之一基於學習之模型可用於執行諸多晶圓及晶圓批次中之缺陷之自動分類。
在一個實施例中,基於學習之模型經組態以基於針對在多個批次中之多個樣本產生之一檢驗程序之結果而產生用於樣本之該檢驗程序之干擾濾波之一分類符,且檢驗程序之結果包含影像特性、缺陷屬性或其之一組合。舉例而言,本文描述之實施例可經組態以用於獲得實質上穩定之配方優化參數。在此一實例中,影像特性以及缺陷屬性可自諸多晶圓及諸多晶圓批次中之缺陷收集。一基於學習之模型可用於基於允許找出實質上穩定之屬性及實質上可靠之臨限值設定之此大量資料而產生用於干擾濾波之一
分類符。影像特性可包含可自由檢驗產生之輸出判定之任何基於影像之輸出之任何特性。缺陷屬性可以任何適合之方式判定且可包含任何適合缺陷屬性。
在另一實施例中,基於學習之模型經組態以基於針對多個批次中之多個樣本產生之檢驗程序之結果而產生用於偵測樣本之一檢驗程序之缺陷之一差分濾波器,且檢驗程序之結果包含影像特性、缺陷屬性或其之一組合。舉例而言,本文描述之實施例可經組態以用於獲得實質上穩定之配方優化參數。特定言之,基於學習之模型可用於運算一最佳化差分濾波器以偵測缺陷且將此資訊連同一最佳化分類符及取樣策略一起返回饋入至檢驗系統。影像特性可包含可自由檢驗產生之輸出判定之任何基於影像之輸出之任何特性。缺陷屬性可以任何適合之方式判定且可包含任何適合缺陷屬性。
以上描述之實施例相比目前使用之方法及系統具有數個優勢。舉例而言,吾人將不必花時間查看與一基於學習之模型可查看之圖塊影像一樣多之圖塊影像。本文描述之實施例亦可在現存軟體中實施,諸如購自KLA-Tencor之Klarity軟體或在可收集且觀看光學圖塊影像及SEM影像之情況下作為此軟體之補充。此外,由於在諸如Klarity之軟體中可用之大量資料(例如,數百晶圓而非僅工具上之一個晶圓),所以可作出用於線內分類符及臨限值設定之統計學上有意義之預測且可識別實質上穩定之缺陷屬性。在檢驗期間使用本文描述之新基於學習之模型將改良檢驗對關鍵(重要)DOI之敏感度。找出關鍵DOI可為檢驗工具之使用者節省數百萬美元。
以上描述之系統之各者之實施例之各者可共同組合成一個單一實施
例。
另一實施例係關於一種用於使用針對一樣本模擬之輸出針對該樣本執行一或多個功能之電腦實施方法。該方法包含由包含於一工具中之一或多個偵測器獲取針對一樣本產生之輸出,該工具經組態以在樣本上執行一程序。該方法亦包含使用所得輸出作為一基於學習之模型之輸入執行一或多個第一功能以藉此產生樣本之模擬輸出。該基於學習之模型包含於由一或多個電腦子系統執行之一或多個組件中。另外,該方法包含使用模擬輸出針對樣本執行一或多個第二功能。由該一或多個電腦子系統執行該一或多個第二功能。
可如本文進一步描述般執行方法之步驟之各者。該方法亦可包含可由本文描述之系統、(若干)電腦子系統、(若干)組件及/或(若干)模型執行之(若干)任何其他步驟。可根據本文描述之實施例之任何者分別組態一或多個電腦系統、一或多個組件及模型,例如(若干)電腦子系統102、(若干)組件100及模型104。另外,可由本文描述之系統實施例之任何者執行以上描述之方法。
一額外實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體,該等程式指令可在一或多個電腦系統上執行以用於執行一電腦實施方法,該電腦實施方法用於使用針對一樣本模擬之輸出針對該樣本執行一或多個功能。在圖2中展示此一實施例。特定言之,如圖2中所展示,非暫時性電腦可讀媒體200包含可在(若干)電腦系統204上執行之程式指令202。該電腦實施方法可包含本文描述之(若干)任何方法之(若干)任何步驟。
實施諸如本文描述之方法之程式指令202可儲存於電腦可讀媒體200上。該電腦可讀媒體可為一儲存媒體,諸如一磁碟或光碟、一磁帶或此項
技術中已知之任何其他適合之非暫時性電腦可讀媒體。
程式指令可以各種方式之任何者實施,包含基於程序之技術、基於組件之技術及/或物件導向之技術等等。舉例而言,程式指令可根據需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE(串流SIMD擴展)或其他技術或方法論實施。
(若干)電腦系統204可根據本文描述之實施例之任何者組態。
熟習技術者鑑於此描述將明白本發明之各種態樣之進一步修改及替代實施例。舉例而言,本發明提供用於使用針對一樣本模擬之輸出針對該樣本執行一或多個功能之方法及系統。據此,本描述將解譯為僅為闡釋性的且係為了教示熟習技術者實施本發明之一般方式之目的。應瞭解,本文展示及描述之本發明之形式將被視為當前較佳實施例。熟習技術者將在受益於本文發明之描述之後明白,元件及材料替代本文繪示及描述之元件及材料,可顛倒部件及程序,且可單獨利用本發明之某些特徵。在不違背隨附申請專利範圍中描述之本發明之精神及範疇之情況下對本文描述之元件作出改變。
10:基於光學之工具
14:樣本
16:光源
18:光學元件
20:透鏡
22:載台
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
100:組件
102:電腦子系統
104:模型
106:半導體製作工具
Claims (39)
- 一種經組態以使用針對一樣本模擬之輸出執行針對該樣本之一或多個功能之系統,其包括:包含於一工具中之一或多個偵測器,該工具經組態以在該樣本上執行一程序,其中該一或多個偵測器在該程序期間產生針對該樣本之輸出;一或多個電腦子系統,其經組態以藉由該一或多個偵測器獲取針對該樣本產生之該輸出;及一或多個組件,其由該一或多個電腦子系統執行,其中該一或多個組件包括經組態以用於使用該所獲取之輸出作為輸入執行一或多個第一功能以藉此產生針對該樣本之模擬輸出之一基於學習之模型,其中該基於學習之模型進一步經組態以用於使用該獲取之輸出作為一第一輸入且使用針對該樣本之資訊作為一第二輸入執行該一或多個第一功能,且其中該一或多個電腦子系統進一步經組態以用於使用該模擬輸出針對該樣本執行一或多個第二功能;及其中該基於學習之模型進一步經組態以用於使用增加取樣濾波器之迴旋,且其中藉由移除一深度迴旋神經網路之一或多個最後最大池化層且將增加取樣濾波器插入於隨後迴旋層中而形成該基於學習之模型,使得該基於學習之模型產生比該深度迴旋神經網路更密集之一特徵映射。
- 如請求項1之系統,其中該基於學習之模型包括一機器學習模型。
- 如請求項1之系統,其中該基於學習之模型包括一深度學習模型。
- 如請求項1之系統,其中該基於學習之模型包括一神經網路。
- 如請求項1之系統,其中該基於學習之模型包括一迴旋神經網路。
- 如請求項1之系統,其中該基於學習之模型包括一深度神經網路。
- 如請求項1之系統,其中該基於學習之模型包括一鑑別模型。
- 如請求項1之系統,其中該基於學習之模型包括一生成模型。
- 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以用於利用自一或多個非基於學習之演算法產生之結果訓練該基於學習之模型,且其中在藉由該基於學習之模型執行該一或多個第一功能之前執行該訓練。
- 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以使用一母網路預先訓練該基於學習之模型且訓練該預先訓練之基於學習之模型,且其中在藉由該基於學習之模型執行該一或多個第一功能之前執行該預先訓練及該訓練。
- 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以用於利用使用者提供之資訊的該基於學習之模型之監督訓練,且其中在藉由該 基於學習之模型執行該一或多個第一功能之前執行該訓練。
- 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以用於產生針對該樣本之合成資料且使用該合成資料訓練該基於學習之模型。
- 如請求項1之系統,其中用於該樣本之該資訊包括用於該樣本之設計資料。
- 如請求項13之系統,其中該基於學習之模型進一步經組態以用於基於該設計資料更改該一或多個第一功能。
- 如請求項1之系統,其中該一或多個第一功能包括將該輸出中之像素標記為與缺陷相關聯或不與缺陷相關聯。
- 如請求項1之系統,其中該一或多個第一功能包括識別在該樣本上偵測到之缺陷之一分類。
- 如請求項1之系統,其中該一或多個第一功能包括針對該樣本產生一參考,且其中該一或多個第二功能包括比較該參考與該輸出且基於該比較之結果在該樣本上偵測缺陷。
- 如請求項1之系統,其中該一或多個第一功能包括將該輸出之至少一部分與一參考對準。
- 如請求項1之系統,其中該一或多個第二功能包括基於該模擬輸出在該樣本上偵測缺陷。
- 如請求項1之系統,其中藉由該一或多個偵測器針對該樣本產生之該輸出包括在多個模式中產生之輸出。
- 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以用於藉由包含於一額外工具中之一或多個額外偵測器獲取針對一額外樣本產生之額外輸出,該額外工具經組態以在該額外樣本上執行一程序,其中該基於學習之模型進一步經組態以用於使用該獲取之額外輸出作為該輸入執行該一或多個第一功能以藉此針對該額外樣本產生該模擬輸出,且其中該一或多個電腦子系統進一步經組態以用於使用該模擬輸出針對該額外樣本執行該一或多個第二功能。
- 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以用於利用自一或多個非基於學習之演算法產生之結果訓練該基於學習之模型,其中在藉由該基於學習之模型執行該一或多個第一功能之前執行該訓練,且其中自該一或多個非基於學習之演算法產生之該等結果包括缺陷分類結果。
- 如請求項22之系統,其中藉由在另一樣本上執行一熱掃描以藉此在該另一樣本上偵測缺陷、檢視該等偵測到之缺陷之至少一部分、且使用該 檢視之至少結果分類該等偵測到之缺陷之至少該部分而產生該等缺陷分類結果。
- 如請求項23之系統,其中藉由一使用者執行分類該等偵測到之缺陷之至少該部分。
- 如請求項22之系統,其中該一或多個第一功能包括預測哪些利用該輸出偵測到之缺陷係受關注之缺陷。
- 如請求項25之系統,其中基於自該輸出判定之缺陷屬性執行該預測。
- 如請求項25之系統,其中基於該輸出執行該預測。
- 如請求項25之系統,其中基於自該輸出產生之影像執行該預測。
- 如請求項1之系統,其中該基於學習之模型進一步經組態以基於針對在多個批次中之多個樣本產生之一檢驗程序之結果而產生用於該樣本之該檢驗程序之干擾濾波之一分類符,且其中該檢驗程序之該等結果包括影像特性、缺陷屬性或其之一組合。
- 如請求項1之系統,其中該基於學習之模型進一步經組態以基於針對在多個批次中之多個樣本產生之一檢驗程序之結果而產生用於偵測該樣本 之該檢驗程序之缺陷之一差分濾波器,且其中該檢驗程序之該等結果包括影像特性、缺陷屬性或其之一組合。
- 如請求項1之系統,其中該程序包括一度量程序。
- 如請求項1之系統,其中該程序包括一檢驗程序。
- 如請求項1之系統,其中該程序包括一製作程序。
- 如請求項1之系統,其中該輸出包括基於光學之輸出。
- 如請求項1之系統,其中該輸出包括基於電子束之輸出。
- 如請求項1之系統,其中該樣本係一晶圓。
- 如請求項1之系統,其中該樣本係一主光罩。
- 一種儲存程式指令之非暫時性電腦可讀媒體,該等程式指令可在一或多個電腦系統上執行以用於使用針對一樣本模擬之輸出執行針對該樣本之一或多個功能,其中該電腦實施方法包括:以包含於一工具中之一或多個偵測器產生針對一樣本之輸出,該工具經組態以在該樣本上執行一程序,其中該一或多個偵測器在該程序期間產生針對該樣本之該輸出; 藉由該一或多個偵測器獲取針對該樣本產生之該輸出;使用該獲取之輸出作為一基於學習之模型之輸入執行一或多個第一功能以藉此產生針對該樣本之模擬輸出,其中該基於學習之模型使用該獲取之輸出作為一第一輸入且使用針對該樣本之資訊作為一第二輸入執行該一或多個第一功能,其中該基於學習之模型包含於由該一或多個電腦系統執行之一或多個組件中,其中該基於學習之模型進一步經組態以用於使用增加取樣濾波器之迴旋,且其中藉由移除一深度迴旋神經網路之一或多個最後最大池化層且將增加取樣濾波器插入於隨後迴旋層中而形成該基於學習之模型,使得該基於學習之模型產生比該深度迴旋神經網路更密集之一特徵映射;以及使用該模擬輸出針對該樣本執行一或多個第二功能,其中藉由該一或多個電腦系統執行該一或多個第二功能。
- 一種用於使用針對一樣本模擬之輸出執行針對該樣本之一或多個功能之電腦實施方法,該電腦實施方法包括:以包含於一工具中之一或多個偵測器產生針對一樣本之輸出,該工具經組態以在該樣本上執行一程序,其中該一或多個偵測器在該程序期間產生針對該樣本之該輸出;藉由該一或多個偵測器獲取針對該樣本產生之該輸出;使用該獲取之輸出作為一基於學習之模型之輸入執行一或多個第一功能以藉此產生針對該樣本之模擬輸出,其中該基於學習之模型使用該獲取之輸出作為一第一輸入且使用針對該樣本之資訊作為一第二輸入執行該一或多個第一功能,其中該基於學習之模型係包含於由一或多個電腦系統 執行之一或多個組件中,其中該基於學習之模型進一步經組態以用於使用增加取樣濾波器之迴旋,且其中藉由移除一深度迴旋神經網路之一或多個最後最大池化層且將增加取樣濾波器插入於隨後迴旋層中而形成該基於學習之模型,使得該基於學習之模型產生比該深度迴旋神經網路更密集之一特徵映射;且使用該模擬輸出針對該樣本執行一或多個第二功能,其中藉由該一或多個電腦系統執行該一或多個第二功能。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662277227P | 2016-01-11 | 2016-01-11 | |
US62/277,227 | 2016-01-11 | ||
US15/402,169 | 2017-01-09 | ||
US15/402,169 US10360477B2 (en) | 2016-01-11 | 2017-01-09 | Accelerating semiconductor-related computations using learning based models |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201734888A TW201734888A (zh) | 2017-10-01 |
TWI711978B true TWI711978B (zh) | 2020-12-01 |
Family
ID=59275928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106100890A TWI711978B (zh) | 2016-01-11 | 2017-01-11 | 用於執行針對樣本之功能之系統及電腦實施方法,以及電腦可讀媒體 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10360477B2 (zh) |
KR (1) | KR20180094121A (zh) |
CN (1) | CN108475350B (zh) |
IL (1) | IL260104B (zh) |
TW (1) | TWI711978B (zh) |
WO (1) | WO2017123553A1 (zh) |
Families Citing this family (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580398B2 (en) | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
US10267748B2 (en) | 2016-10-17 | 2019-04-23 | Kla-Tencor Corp. | Optimizing training sets used for setting up inspection-related algorithms |
US10395358B2 (en) | 2016-11-10 | 2019-08-27 | Kla-Tencor Corp. | High sensitivity repeater defect detection |
US10395362B2 (en) | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
US11237872B2 (en) | 2017-05-23 | 2022-02-01 | Kla-Tencor Corporation | Semiconductor inspection and metrology systems for distributing job among the CPUs or GPUs based on logical image processing boundaries |
US10387755B2 (en) | 2017-06-28 | 2019-08-20 | Applied Materials, Inc. | Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks |
FR3070084B1 (fr) * | 2017-08-10 | 2019-08-30 | Safran | Procede de controle automatique non destructif de pieces mecaniques |
US10275872B2 (en) * | 2017-08-24 | 2019-04-30 | Applied Materials Israel Ltd. | Method of detecting repeating defects and system thereof |
US10699926B2 (en) | 2017-08-30 | 2020-06-30 | Kla-Tencor Corp. | Identifying nuisances and defects of interest in defects detected on a wafer |
US10713534B2 (en) * | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
US10607119B2 (en) | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
US20190122104A1 (en) | 2017-10-19 | 2019-04-25 | General Electric Company | Building a binary neural network architecture |
US10460440B2 (en) | 2017-10-24 | 2019-10-29 | General Electric Company | Deep convolutional neural network with self-transfer learning |
TWI649659B (zh) | 2017-10-27 | 2019-02-01 | 財團法人工業技術研究院 | 自動光學檢測影像分類方法、系統及含有該方法之電腦可讀取媒體 |
US11022966B1 (en) * | 2017-12-15 | 2021-06-01 | Synopsys, Inc. | Method of modeling e-beam photomask manufacturing process using image-based artificial neural networks |
CN111886606A (zh) | 2018-02-23 | 2020-11-03 | Asml荷兰有限公司 | 用于图案的语义分段的深度学习 |
JP7356996B2 (ja) | 2018-03-13 | 2023-10-05 | アプライド マテリアルズ インコーポレイテッド | 化学機械研磨装置における消耗部品モニタリング |
US10679333B2 (en) | 2018-03-14 | 2020-06-09 | Kla-Tencor Corporation | Defect detection, classification, and process window control using scanning electron microscope metrology |
KR20200123858A (ko) * | 2018-03-21 | 2020-10-30 | 케이엘에이 코포레이션 | 합성 이미지를 사용한 머신 러닝 모델 트레이닝 |
US10670536B2 (en) | 2018-03-28 | 2020-06-02 | Kla-Tencor Corp. | Mode selection for inspection |
US10599951B2 (en) | 2018-03-28 | 2020-03-24 | Kla-Tencor Corp. | Training a neural network for defect detection in low resolution images |
CN110363210B (zh) * | 2018-04-10 | 2023-05-05 | 腾讯科技(深圳)有限公司 | 一种图像语义分割模型的训练方法和服务器 |
CN108564577A (zh) * | 2018-04-12 | 2018-09-21 | 重庆邮电大学 | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 |
US11550299B2 (en) | 2020-02-03 | 2023-01-10 | Strong Force TX Portfolio 2018, LLC | Automated robotic process selection and configuration |
US11544782B2 (en) | 2018-05-06 | 2023-01-03 | Strong Force TX Portfolio 2018, LLC | System and method of a smart contract and distributed ledger platform with blockchain custody service |
CA3098670A1 (en) | 2018-05-06 | 2019-11-14 | Strong Force TX Portfolio 2018, LLC | Methods and systems for improving machines and systems that automate execution of distributed ledger and other transactions in spot and forward markets for energy, compute, storage and other resources |
US11669914B2 (en) | 2018-05-06 | 2023-06-06 | Strong Force TX Portfolio 2018, LLC | Adaptive intelligence and shared infrastructure lending transaction enablement platform responsive to crowd sourced information |
DE102018207880A1 (de) * | 2018-05-18 | 2019-11-21 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses |
US11151711B2 (en) * | 2018-06-06 | 2021-10-19 | Kla-Tencor Corporation | Cross layer common-unique analysis for nuisance filtering |
US10621301B2 (en) | 2018-06-06 | 2020-04-14 | International Business Machines Corporation | Coordinates-based variational autoencoder for generating synthetic via layout patterns |
US11315231B2 (en) | 2018-06-08 | 2022-04-26 | Industrial Technology Research Institute | Industrial image inspection method and system and computer readable recording medium |
US10964566B2 (en) | 2018-06-29 | 2021-03-30 | Taiwan Semiconductor Manufacturing Go., Ltd. | Machine learning on overlay virtual metrology |
JP7186539B2 (ja) * | 2018-08-03 | 2022-12-09 | Automagi株式会社 | 錆検出プログラム、錆検出システム及び錆検出方法 |
US10872403B2 (en) * | 2018-08-10 | 2020-12-22 | Micron Technology, Inc. | System for predicting properties of structures, imager system, and related methods |
US11197417B2 (en) * | 2018-09-18 | 2021-12-14 | Deere & Company | Grain quality control system and method |
US11818982B2 (en) | 2018-09-18 | 2023-11-21 | Deere & Company | Grain quality control system and method |
US10854486B2 (en) * | 2018-09-19 | 2020-12-01 | Kla Corporation | System and method for characterization of buried defects |
BR112020022560A2 (pt) * | 2018-09-30 | 2021-06-01 | Boe Technology Group Co., Ltd. | aparelho e método para processamento de imagens e sistema para rede neural de treinamento |
DE102018217901A1 (de) * | 2018-10-18 | 2020-04-23 | Leica Microsystems Cms Gmbh | Optimierung von Arbeitsabläufen von Mikroskopen |
KR20230130767A (ko) * | 2018-11-07 | 2023-09-12 | 에이에스엠엘 네델란즈 비.브이. | 공정에 대한 보정 결정 |
US11151707B2 (en) * | 2018-12-07 | 2021-10-19 | Kla Corporation | System and method for difference filter and aperture selection using shallow deep learning |
US11010885B2 (en) * | 2018-12-18 | 2021-05-18 | Kla Corporation | Optical-mode selection for multi-mode semiconductor inspection |
US10922808B2 (en) | 2019-02-14 | 2021-02-16 | KLA—Tencor Corp. | File selection for test image to design alignment |
JP2019101047A (ja) * | 2019-02-25 | 2019-06-24 | 株式会社アセット・ウィッツ | 部品外観自動検査装置 |
US11551348B2 (en) * | 2019-04-09 | 2023-01-10 | KLA Corp. | Learnable defect detection for semiconductor applications |
CA3136674C (en) * | 2019-04-09 | 2024-02-13 | Purdue Research Foundation | Methods and systems for crack detection using a fully convolutional network |
US11340060B2 (en) | 2019-07-23 | 2022-05-24 | Kla Corporation | Automatic recipe optimization for overlay metrology system |
US11693386B2 (en) | 2019-08-27 | 2023-07-04 | Samsung Eleotronics Co., Ltd. | Method and electronic device for guiding semiconductor manufacturing process |
US11580650B2 (en) | 2019-10-01 | 2023-02-14 | KLA Corp. | Multi-imaging mode image alignment |
US11609812B2 (en) * | 2019-10-06 | 2023-03-21 | Pdf Solutions, Inc. | Anomalous equipment trace detection and classification |
US11415898B2 (en) * | 2019-10-14 | 2022-08-16 | Kla Corporation | Signal-domain adaptation for metrology |
US11087449B2 (en) * | 2019-10-24 | 2021-08-10 | KLA Corp. | Deep learning networks for nuisance filtering |
KR102293791B1 (ko) * | 2019-11-28 | 2021-08-25 | 광주과학기술원 | 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 |
JP2021089219A (ja) * | 2019-12-05 | 2021-06-10 | 東洋製罐グループホールディングス株式会社 | 画像検査システム、及び画像検査方法 |
KR102228957B1 (ko) * | 2019-12-30 | 2021-03-17 | 주식회사 고영테크놀러지 | 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체 |
SE1930421A1 (en) * | 2019-12-30 | 2021-07-01 | Unibap Ab | Method and means for detection of imperfections in products |
US11982993B2 (en) | 2020-02-03 | 2024-05-14 | Strong Force TX Portfolio 2018, LLC | AI solution selection for an automated robotic process |
US11360030B2 (en) * | 2020-02-04 | 2022-06-14 | Applied Materials Isreal Ltd | Selecting a coreset of potential defects for estimating expected defects of interest |
US11961219B2 (en) | 2020-02-27 | 2024-04-16 | KLA Corp. | Generative adversarial networks (GANs) for simulating specimen images |
DE102021106999A1 (de) * | 2020-04-24 | 2021-10-28 | Krones Aktiengesellschaft | Verfahren und Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage |
CN115769275A (zh) * | 2020-05-05 | 2023-03-07 | 美国安进公司 | 用于自动视觉检查的深度学习平台 |
TWI742710B (zh) * | 2020-06-05 | 2021-10-11 | 樂達創意科技股份有限公司 | 改良機器學習使用資料進行訓練的方法及系統 |
CN113837209A (zh) * | 2020-06-23 | 2021-12-24 | 乐达创意科技股份有限公司 | 改良机器学习使用数据进行训练的方法及系统 |
CN111738268B (zh) * | 2020-07-22 | 2023-11-14 | 浙江大学 | 一种基于随机块的高分遥感图像的语义分割方法及系统 |
US11776108B2 (en) | 2020-08-05 | 2023-10-03 | KLA Corp. | Deep learning based defect detection |
US11967060B2 (en) | 2020-08-25 | 2024-04-23 | Kla Corporation | Wafer level spatial signature grouping using transfer learning |
CN112348158B (zh) * | 2020-11-04 | 2024-02-13 | 重庆大学 | 基于多参数深度分布学习的工业设备状态评估方法 |
US11586865B2 (en) * | 2021-02-18 | 2023-02-21 | Volkswagen Aktiengesellschaft | Apparatus, system and method for fusing sensor data to do sensor translation |
WO2022187057A1 (en) | 2021-03-05 | 2022-09-09 | Applied Materials, Inc. | Detecting an excursion of a cmp component using time-based sequence of images |
US20240013365A9 (en) * | 2021-10-04 | 2024-01-11 | Kla Corporation | Unsupervised or self-supervised deep learning for semiconductor-based applications |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW483146B (en) * | 2000-03-28 | 2002-04-11 | Toshiba Corp | Inspecting apparatus, defect analyzing apparatus, design data modifying apparatus, inspecting method, defect analyzing method, design data modifying method for semiconductor, and recording medium capable of being read by computer |
CN100418083C (zh) * | 2003-06-27 | 2008-09-10 | 音质技术公司 | 使用机器学习系统的对在半导体晶片上形成的结构的光学计量 |
US20090037134A1 (en) * | 2007-07-30 | 2009-02-05 | Ashok Kulkarni | Semiconductor device property extraction, generation, visualization, and monitoring methods |
US7570800B2 (en) * | 2005-12-14 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for binning defects detected on a specimen |
US20130077092A1 (en) * | 2011-09-28 | 2013-03-28 | Hitachi High-Technologies Corporation | Substrate surface defect inspection method and inspection device |
CN104537666A (zh) * | 2014-12-26 | 2015-04-22 | 中国科学院半导体研究所 | 一种芯片封装外观缺陷检测系统及方法 |
Family Cites Families (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6947917B1 (en) | 2000-04-14 | 2005-09-20 | Honeywell International Inc. | Advanced recipe—a knowledge based information system for production processes |
US6694059B1 (en) * | 2000-05-19 | 2004-02-17 | International Business Machines Corporation | Robustness enhancement and evaluation of image information extraction |
US6891627B1 (en) | 2000-09-20 | 2005-05-10 | Kla-Tencor Technologies Corp. | Methods and systems for determining a critical dimension and overlay of a specimen |
US6836560B2 (en) * | 2000-11-13 | 2004-12-28 | Kla - Tencor Technologies Corporation | Advanced phase shift inspection method |
US7162071B2 (en) | 2002-12-20 | 2007-01-09 | Taiwan Semiconductor Manufacturing Co., Ltd. | Progressive self-learning defect review and classification method |
JP2004354250A (ja) * | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
WO2007001464A2 (en) | 2004-11-30 | 2007-01-04 | Superconductor Technologies, Inc. | Systems and methods for tuning filters |
US7280229B2 (en) | 2004-12-03 | 2007-10-09 | Timbre Technologies, Inc. | Examining a structure formed on a semiconductor wafer using machine learning systems |
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US7517708B2 (en) | 2007-01-30 | 2009-04-14 | Tokyo Electron Limited | Real-time parameter tuning using wafer temperature |
KR101192053B1 (ko) * | 2007-08-31 | 2012-10-17 | 아이코스 비젼 시스템스 엔파우 | 반도체 기판 이상들을 검출하기 위한 장치 및 방법 |
US8126255B2 (en) | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
US8396582B2 (en) | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
EP2394295A2 (en) * | 2009-02-06 | 2011-12-14 | KLA-Tencor Corporation | Selecting one or more parameters for inspection of a wafer |
JP2011002280A (ja) | 2009-06-17 | 2011-01-06 | Panasonic Corp | 欠陥検査方法 |
KR101096807B1 (ko) | 2010-01-29 | 2011-12-22 | 주식회사 팬택 | 3차원 위치 정보 획득 장치 및 방법 |
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 |
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 |
JP5921990B2 (ja) * | 2012-08-23 | 2016-05-24 | 株式会社ニューフレアテクノロジー | 欠陥検出方法 |
US8948494B2 (en) * | 2012-11-12 | 2015-02-03 | Kla-Tencor Corp. | Unbiased wafer defect samples |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US8984450B2 (en) | 2013-03-14 | 2015-03-17 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and apparatus for extracting systematic defects |
US9098891B2 (en) | 2013-04-08 | 2015-08-04 | Kla-Tencor Corp. | Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology |
CN103278511B (zh) * | 2013-05-17 | 2015-04-29 | 南京大学 | 基于多尺度角点特征提取的晶片缺陷检测方法 |
US9224660B2 (en) | 2013-08-30 | 2015-12-29 | Kla-Tencor Corp. | Tuning wafer inspection recipes using precise defect locations |
US10650508B2 (en) * | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
CN104573731B (zh) * | 2015-02-06 | 2018-03-23 | 厦门大学 | 基于卷积神经网络的快速目标检测方法 |
US20180220589A1 (en) * | 2015-11-03 | 2018-08-09 | Keith Charles Burden | Automated pruning or harvesting system for complex morphology foliage |
US9965901B2 (en) | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
-
2017
- 2017-01-09 US US15/402,169 patent/US10360477B2/en active Active
- 2017-01-10 CN CN201780005789.1A patent/CN108475350B/zh active Active
- 2017-01-10 KR KR1020187022848A patent/KR20180094121A/ko active Search and Examination
- 2017-01-10 WO PCT/US2017/012875 patent/WO2017123553A1/en active Application Filing
- 2017-01-11 TW TW106100890A patent/TWI711978B/zh active
-
2018
- 2018-06-18 IL IL260104A patent/IL260104B/en active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW483146B (en) * | 2000-03-28 | 2002-04-11 | Toshiba Corp | Inspecting apparatus, defect analyzing apparatus, design data modifying apparatus, inspecting method, defect analyzing method, design data modifying method for semiconductor, and recording medium capable of being read by computer |
CN100418083C (zh) * | 2003-06-27 | 2008-09-10 | 音质技术公司 | 使用机器学习系统的对在半导体晶片上形成的结构的光学计量 |
US7570800B2 (en) * | 2005-12-14 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for binning defects detected on a specimen |
US20090037134A1 (en) * | 2007-07-30 | 2009-02-05 | Ashok Kulkarni | Semiconductor device property extraction, generation, visualization, and monitoring methods |
US20130077092A1 (en) * | 2011-09-28 | 2013-03-28 | Hitachi High-Technologies Corporation | Substrate surface defect inspection method and inspection device |
CN104537666A (zh) * | 2014-12-26 | 2015-04-22 | 中国科学院半导体研究所 | 一种芯片封装外观缺陷检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20180094121A (ko) | 2018-08-22 |
US20170200260A1 (en) | 2017-07-13 |
IL260104A (en) | 2018-07-31 |
CN108475350A (zh) | 2018-08-31 |
US10360477B2 (en) | 2019-07-23 |
IL260104B (en) | 2020-06-30 |
CN108475350B (zh) | 2020-08-21 |
WO2017123553A1 (en) | 2017-07-20 |
TW201734888A (zh) | 2017-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI711978B (zh) | 用於執行針對樣本之功能之系統及電腦實施方法,以及電腦可讀媒體 | |
TWI742277B (zh) | 用於對準以不同模態所獲取之影像之以學習為基礎之方法 | |
TWI734724B (zh) | 針對半導體應用由低解析度影像產生高解析度影像之系統、方法及非暫時性電腦可讀媒體 | |
TWI715773B (zh) | 針對半導體應用整合神經網路及前向物理模型之系統及方法 | |
TWI735774B (zh) | 基於輪廓之缺陷偵測 | |
US10607119B2 (en) | Unified neural network for defect detection and classification | |
TWI747967B (zh) | 用於經組態用於半導體應用之深度學習模型之診斷系統及方法 | |
TWI710763B (zh) | 經組態以偵測一樣品上之缺陷之系統及用於偵測一樣品上之缺陷之電腦實施方法 | |
US10181185B2 (en) | Image based specimen process control | |
US10395356B2 (en) | Generating simulated images from input images for semiconductor applications | |
TWI722050B (zh) | 單一影像偵測 | |
TWI707300B (zh) | 一種經組態以自設計資訊產生模擬影像之系統及方法及其之一種非暫時性電腦可讀媒體 | |
US11776108B2 (en) | Deep learning based defect detection | |
TW202013538A (zh) | 用於損害篩選之跨層共同─獨特分析 | |
TW202226027A (zh) | 用於光學或其他模式選擇之深度生成模型 | |
TW202134641A (zh) | 干擾過濾之深度學習網路 |