TWI731016B - 用於半導體應用之以機器學習之模型為基礎之加速訓練 - Google Patents
用於半導體應用之以機器學習之模型為基礎之加速訓練 Download PDFInfo
- Publication number
- TWI731016B TWI731016B TW105144317A TW105144317A TWI731016B TW I731016 B TWI731016 B TW I731016B TW 105144317 A TW105144317 A TW 105144317A TW 105144317 A TW105144317 A TW 105144317A TW I731016 B TWI731016 B TW I731016B
- Authority
- TW
- Taiwan
- Prior art keywords
- samples
- defects
- model
- nominal
- machine learning
- Prior art date
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
- G01Q30/00—Auxiliary means serving to assist or improve the scanning probe techniques or apparatus, e.g. display or data processing devices
- G01Q30/02—Non-SPM analysing devices, e.g. SEM [Scanning Electron Microscope], spectrometer or optical microscope
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本發明提供用於半導體應用之基於機器學習之模型之加速訓練之方法及系統。一種用於訓練一基於機器學習之模型之方法包含獲取在其上執行一程序之(若干)樣品之非標稱例項之資訊。該基於機器學習之模型經組態以針對該等樣品執行(若干)模擬。僅使用(若干)額外樣品之標稱例項之資訊訓練該基於機器學習之模型。該方法亦包含使用該(等)樣品之該等非標稱例項之該資訊重新訓練該基於機器學習之模型,藉此執行該(等)樣品之該等非標稱例項之該資訊至該基於機器學習之模型之轉移學習。
Description
本發明大體上係關於用於半導體應用之基於機器學習之模型之加速訓練之方法及系統。
以下描述及實例不因其等包含於此段落中而被承認係先前技術。 製造諸如邏輯及記憶體裝置之半導體裝置通常包含使用大量半導體製造程序處理諸如一半導體晶圓之一基板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倍縮光罩轉印至配置於一半導體晶圓上之一光阻劑之一半導體製造程序。半導體製造程序之額外實例包含(但不限於)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一配置製造於一單一半導體晶圓上且接著被分成個別半導體裝置。 在一半導體製造程序期間之各個步驟使用檢測程序以偵測晶圓上之缺陷以驅動製造程序中之更高良率及因此更高利潤。檢測始終係製造半導體裝置之一重要部分。然而,隨著半導體裝置之尺寸減小,檢測對於可接受半導體裝置之成功製造變得更為重要,此係因為較小缺陷可引起裝置故障。 缺陷檢視通常涉及重新偵測本身由一檢測程序偵測之缺陷及使用一高倍率光學系統或一掃描電子顯微鏡(SEM)而以一較高解析度產生關於缺陷之額外資訊。因此,在其中已由檢測偵測缺陷之晶圓上之離散位置處執行缺陷檢視。由缺陷檢視產生之缺陷之較高解析度資料更適合於判定缺陷之屬性,諸如輪廓、粗糙度、更精確大小資訊等。 在一半導體製造程序期間之各個步驟亦使用量測程序以監測且控制程序。量測程序與檢測程序不同之處在於:不同於其中在一晶圓上偵測缺陷之檢測程序,量測程序用於量測無法使用當前使用之檢測工具判定之晶圓之一或多個特性。舉例而言,量測程序用於量測一晶圓之一或多個特性(諸如在一程序期間形成於晶圓上之特徵之一尺寸(例如,線寬、厚度等))使得可自一或多個特性判定程序之效能。另外,若晶圓之一或多個特性係不可接受的(例如,在該(等)特性之一預定範圍之外),則可使用晶圓之一或多個特性之量測以更改程序之一或多個參數使得由程序製造之額外晶圓具有(若干)可接受特性。 量測程序與缺陷檢視程序不同之處亦在於:不同於其中在缺陷檢視中重訪由檢測偵測之缺陷之缺陷檢視程序,可在未偵測缺陷之位置處執行量測程序。換言之,不同於缺陷檢視,在一晶圓上執行一量測程序之位置可獨立於在晶圓上執行之一檢測程序之結果。特定言之,可獨立於檢測結果選擇執行一量測程序之位置。 在如同檢測之大多數半導體應用中使用之當前演算法趨於需要手工製作特徵。系統中涉及學習,但其趨於以一特用方式且在一非常高的(「損耗」)位準下發生,其中存在通常涉及一SEM檢視(其中將檢測之結果視為真缺陷、假警報、擾亂點等)之一迴圈。「損耗」意謂程序相關原因與吾人觀察效應之能力之間之關係如此複雜以致習知方法不適於收斂於充分利用用於控制半導體製造程序之量測及檢測設備之原始能力之配方。 亦應注意,亦可採用透過程序窗之嚴格程序模擬實驗設計(DOE)。然而,其等慢得多且需要後光學接近校正(OPC)資料(輸入至遮罩寫入器),其在工廠中通常不可用。舉例而言,由加利福尼亞州,米爾皮塔斯市,KLA-Tencor開發之名為Design Scan之一產品努力預測透過微影程序窗發生之圖案變動。 神經網路學習之領域充斥著非監督式學習之數十年不成功的嘗試。然而,在過去兩年,吾人發現,研究社群中的一些人在自然影像場景分類中在利用與用於字元辨識之轉移學習及半監督式學習相關之技術方面已具有相當大的成功。 深度學習模型在深度神經網路從事於大量樣本之假定下工作良好。當從事於非常少的樣本實例時,此等方法之成功趨於相當有限。 因此,開發用於訓練一基於機器學習之模型而無上文描述之一或多個缺點之系統及方法將係有利的。
各項實施例之以下描述絕不應理解為限制隨附發明申請專利範圍之標的。 一項實施例係關於一種經組態以訓練一基於機器學習之模型之系統。該系統包含一或多個電腦子系統及由該一或多個電腦子系統實行之一或多個組件。該一或多個組件包含經組態以針對樣品執行一或多個模擬之一基於機器學習之模型。該基於機器學習之模型僅使用該等樣品之一或多者之標稱例項之資訊進行訓練。該一或多個電腦子系統經組態以獲取在其上執行一程序之該等樣品之一或多者之非標稱例項之資訊。該一或多個電腦子系統亦經組態以使用該等樣品之該一或多者之該等非標稱例項之該資訊重新訓練該基於機器學習之模型,藉此執行該等樣品之該一或多者之該等非標稱例項之該資訊至該基於機器學習之模型之轉移學習。可如本文中描述般進一步組態該系統。 另一實施例係關於一種用於訓練一基於機器學習之模型之電腦實施方法。該方法包含獲取在其上執行一程序之一或多個樣品之非標稱例項之資訊。一基於機器學習之模型經組態以針對該等樣品執行一或多個模擬。僅使用一或多個額外樣品之標稱例項之資訊訓練該基於機器學習之模型。該方法亦包含使用該一或多個樣品之該等非標稱例項之該資訊重新訓練該基於機器學習之模型,藉此執行該一或多個樣品之該等非標稱例項之該資訊至該基於機器學習之模型之轉移學習。藉由一或多個電腦系統執行該獲取及該重新訓練。藉由該一或多個電腦系統實行一或多個組件。該一或多個組件包含該基於機器學習之模型。 可如本文中進一步描述般進一步執行上文描述之方法之各步驟。另外,上文描述之方法之實施例可包含本文中描述之(若干)任何其他方法之(若干)任何其他步驟。此外,上文描述之方法可由本文中描述之該等系統之任何者執行。 另一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實行以執行用於訓練一基於機器學習之模型之一電腦實施方法。該電腦實施方法包含上文描述之方法之步驟。可如本文中描述般進一步組態該電腦可讀媒體。可如本文中進一步描述般執行該電腦實施方法之步驟。另外,可針對其實行該等程式指令之電腦實施方法可包含本文中描述之(若干)任何其他方法之(若干)任何其他步驟。
如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林運算自實體設計導出之資料。另外,藉由一倍縮光罩檢測系統獲取之一倍縮光罩之一影像及/或其之導出物可用作用於設計之一「代理」或「若干代理」。此一倍縮光罩影像或其之一導出物可在使用一設計之本文中描述之任何實施例中充當對於設計佈局之一取代物。設計可包含2009年8月4日頒予Zafar等人之共同擁有之美國專利第7,570,796號及2010年3月9日頒予Kulkarni等人之共同擁有之美國專利第7,676,077號中描述之任何其他設計資料或設計資料代理,該兩個專利以宛如全文陳述引用之方式併入本文中。另外,設計資料可係標準單元庫資料、整合佈局資料、一或多個層之設計資料、設計資料之導出物及完全或部分晶片設計資料。 另外,本文中描述之「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且因此可在將設計印刷於任何實體樣品(諸如倍縮光罩及晶圓)上之前良好地用於本文中描述之實施例中之資訊及資料。 現參考圖式,應注意,圖未按比例繪製。特定言之,在很大程度上放大圖之一些元件之尺度以強調元件之特性。亦應注意,該等圖未按相同比例繪製。已使用相同元件符號指示可經類似組態之展示於一個以上圖中之元件。除非本文中另有說明,否則所描述且展示之任何元件可包含任何適合市售元件。 一項實施例係關於一種經組態以訓練一基於機器學習之模型之系統。本文中描述之實施例提供用於在訓練樣本相對有限時加速基於學習之系統之系統及方法。本文中描述之實施例可用於各種半導體製造相關之應用,包含(但不限於)檢測、量測、缺陷檢視及模擬。 在圖1中展示此一系統之一項實施例。系統包含一或多個電腦子系統(例如,電腦子系統36及102)及由一或多個電腦子系統實行之一或多個組件100。一或多個組件包含經組態以針對樣品執行一或多個模擬之基於機器學習之模型104。如本文中進一步描述,僅使用一或多個樣品之標稱例項之資訊訓練基於機器學習之模型。 在一些實施例中,系統包含基於光學之成像子系統10。一般言之,基於光學之成像子系統經組態以產生樣品之光學影像,且一或多個電腦子系統經組態以自基於光學之成像子系統接收光學影像。基於光學之成像子系統亦可經組態以使用多個模式產生光學影像。 在一項實施例中,樣品包含晶圓。晶圓可包含此項技術中已知之任何晶圓。在另一實施例中,樣品包含倍縮光罩。倍縮光罩可包含此項技術中已知之任何倍縮光罩。 基於光學之成像子系統可藉由將光引導至樣品或使光掃描遍及樣品且自樣品偵測光而產生光學影像。在一個此實例中,在圖1中展示之系統之實施例中,基於光學之成像子系統10包含經組態以將光引導至樣品14之一照明子系統。照明子系統包含至少一個光源。舉例而言,如圖1中展示,照明子系統包含光源16。在一項實施例中,照明子系統經組態以按可包含一或多個傾斜角及/或一或多個法向角之一或多個入射角將光引導至樣品。舉例而言,如圖1中展示,按一傾斜入射角引導來自光源16之光穿過光學元件18且接著穿過透鏡20至樣品14。傾斜入射角可包含可取決於(例如)樣品之特性而變化之任何適合傾斜入射角。 基於光學之成像子系統可經組態以在不同時間按不同入射角將光引導至樣品。舉例而言,基於光學之成像子系統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按不同於圖1中展示之一入射角將光引導至樣品。在一個此實例中,基於光學之成像子系統可經組態以移動光源16、光學元件18及透鏡20使得按一不同傾斜入射角或一法向(或近法向)入射角將光引導至樣品。 在一些例項中,基於光學之成像子系統可經組態以在相同時間按一個以上入射角將光引導至樣品。舉例而言,照明子系統可包含一個以上照明通道,照明通道之一者可包含如圖1中展示之光源16、光學元件18及透鏡20,且照明通道之另一者(未展示)可包含可不同或相同組態之類似元件或可包含至少一光源及可能一或多個其他組件(諸如本文中進一步描述之組件)。若在與其他光相同之時間將此光引導至樣品,則按不同入射角引導至樣品之光之一或多個特性(例如,波長、偏光等)可不同,使得可在(若干)偵測器處將源自按不同入射角照明樣品之光彼此區分。 在另一例項中,照明子系統可僅包含一個光源(例如,圖1中展示之源16)且可由照明子系統之一或多個光學元件(未展示)將來自該光源之光分成不同光學路徑(例如,基於波長、偏光等)。接著,可將不同光學路徑之各者中之光引導至樣品。多個照明通道可經組態以在相同時間或不同時間(例如,當使用不同照明通道以依序照明樣品時)將光引導至樣品。在另一例項中,相同照明通道可經組態以在不同時間將具有不同特性之光引導至樣品。舉例而言,在一些例項中,光學元件18可經組態為一光譜濾波器且可以各種不同方式(例如,藉由調換出光譜濾波器)改變光譜濾波器之性質使得可在不同時間將不同波長之光引導至樣品。照明子系統可具有此項技術中已知之用於依序或同時按不同或相同入射角將具有不同或相同特性之光引導至樣品之任何其他適合組態。 在一項實施例中,光源16可包含一寬頻電漿(BBP)光源。以此方式,由光源產生且引導至樣品之光可包含寬頻光。然而,光源可包含任何其他適合光源(諸如一雷射)。雷射可包含此項技術中已知之任何適合雷射且可經組態以產生任何適合波長或此項技術中已知之波長之光。另外,雷射可經組態以產生單色或近單色光。以此方式,雷射可係一窄頻雷射。光源亦可包含產生多個離散波長或波帶之光之一多色光源。 來自光學元件18之光可藉由透鏡20聚焦至樣品14上。雖然透鏡20在圖1中展示為一單折射光學元件,但應理解,實務上,透鏡20可包含將來自光學元件之光組合地聚焦至樣品之數個折射及/或反射光學元件。圖1中展示且本文中描述之照明子系統可包含任何其他適合光學元件(未展示)。此等光學元件之實例包含(但不限於) (若干)偏光組件、(若干)光譜濾波器、(若干)空間濾波器、(若干)反射光學元件、(若干)變跡器、(若干)束分離器、(若干)孔隙及類似者,其等可包含此項技術中已知之任何此等適合光學元件。另外,基於光學之成像子系統可經組態以基於用於成像之照明之類型更改照明子系統之一或多個元件。 基於光學之成像子系統亦可包含經組態以引起光掃描遍及樣品之一掃描子系統。舉例而言,基於光學之成像子系統可包含在成像期間在其上安置樣品14之載物台22。掃描子系統可包含可經組態以移動樣品使得光可掃描遍及樣品之任何適合機械及/或機器人總成(包含載物台22)。另外或替代地,基於光學之成像子系統可經組態使得基於光學之成像子系統之一或多個光學元件執行光遍及樣品之某一掃描。可以任何適合方式(諸如以一蛇形路徑或以一螺旋路徑)使光掃描遍及樣品。 基於光學之成像子系統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,該偵測器經組態以歸因於藉由系統照明樣品而自樣品偵測光且回應於所偵測光產生輸出。舉例而言,圖1中展示之基於光學之成像子系統包含兩個偵測通道,一個偵測通道由集光器24、元件26及偵測器28形成且另一偵測通道由集光器30、元件32及偵測器34形成。如圖1中展示,兩個偵測通道經組態以按不同收集角收集且偵測光。在一些例項中,兩個偵測通道經組態以偵測散射光,且偵測通道經組態以偵測按不同角度自樣品散射之光。然而,一或多個偵測通道可經組態以自樣品偵測另一類型之光(例如,反射光)。 如圖1中進一步展示,兩個偵測通道經展示定位於紙平面中且照明子系統亦經展示定位於紙平面中。因此,在此實施例中,兩個偵測通道定位(例如,居中)於入射平面中。然而,一或多個偵測通道可定位於入射平面外。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且偵測自入射平面散射之光。因此,此一偵測通道可通常稱為一「側」通道,且此一側通道可在實質上垂直於入射平面之一平面中居中。 雖然圖1展示包含兩個偵測通道之基於光學之成像子系統之一實施例,但基於光學之成像子系統可包含不同數目個偵測通道(例如,僅一個偵測通道或兩個或兩個以上偵測通道)。在一個此例項中,由集光器30、元件32及偵測器34形成之偵測通道可如上文描述般形成一個側通道,且基於光學之成像子系統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(未展示)。因此,基於光學之成像子系統可包含偵測通道,該偵測通道包含集光器24、元件26及偵測器28且在入射平面中居中且經組態以按法向於或接近法向於樣品表面之(若干)散射角收集且偵測光。因此,此偵測通道可通常稱為一「頂部」通道,且基於光學之成像子系統亦可包含如上文描述般組態之兩個或兩個以上側通道。因而,基於光學之成像子系統可包含至少三個通道(即,一個頂部通道及兩個側通道),且至少三個通道之各者具有其自身之集光器,各集光器經組態以按與各其他集光器不同之散射角收集光。 如上文進一步描述,包含於基於光學之成像子系統中之各偵測通道可經組態以偵測散射光。因此,圖1中展示之基於光學之成像子系統可經組態用於樣品之暗場(DF)成像。然而,基於光學之成像子系統可亦或替代地包含經組態用於樣品之明場(BF)成像之(若干)偵測通道。換言之,基於光學之成像子系統可包含經組態以偵測自樣品鏡面反射之光之至少一個偵測通道。因此,本文中描述之基於光學之成像子系統可經組態用於僅DF成像、僅BF成像或DF成像及BF成像兩者。雖然在圖1中將各集光器展示為單折射光學元件,但應理解,各集光器可包含一或多個折射光學元件及/或一或多個反射光學元件。 一或多個偵測通道可包含此項技術中已知之任何適合偵測器。舉例而言,偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、延時積分(TDI)相機及此項技術中已知之任何其他適合偵測器。偵測器亦可包含非成像偵測器或成像偵測器。以此方式,若偵測器係非成像偵測器,則各偵測器可經組態以偵測散射光之某些特性(諸如強度)但不可經組態以偵測依據成像平面內之位置而變化之此等特性。因而,由包含於基於光學之成像子系統之各偵測通道中之各偵測器產生之輸出可係信號或資料,而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品之影像。然而,在其他例項中,偵測器可經組態為經組態以產生成像信號或影像資料之成像偵測器。因此,基於光學之成像子系統可經組態以依數個方式產生本文中描述之光學影像。 應注意,本文中提供圖1以大體上繪示可包含於本文中描述之系統實施例中或可產生由本文中描述之系統實施例使用之影像之一基於光學之成像子系統之一組態。顯然,可更改本文中描述之基於光學之成像子系統組態以如在設計一商業成像系統時通常執行般最佳化基於光學之成像子系統之效能。另外,可使用諸如商業上可購自加利福尼亞州,米爾皮塔斯市,KLA-Tencor之29xx/28xx系列之工具之一現有系統(例如,藉由將本文中描述之功能性添加至一現有系統)實施本文中描述之系統。對於一些此等系統,本文中描述之實施例可提供為系統之選用功能性(例如,除了系統之其他功能性之外)。替代地,可「從頭開始」設計本文中描述之基於光學之成像子系統以提供一全新基於光學之成像子系統。 耦合至基於光學之成像子系統之電腦子系統36可以任何適合方式(例如,經由一或多個傳輸媒體,該一或多個傳輸媒體可包含「有線」及/或「無線」傳輸媒體)耦合至基於光學之成像子系統之偵測器使得電腦子系統可接收由偵測器針對樣品產生之輸出。電腦子系統36可經組態以使用偵測器之輸出執行本文中進一步描述之數個功能。 圖1中展示之電腦子系統(以及本文中描述之其他電腦子系統)在本文中亦可稱為(若干)電腦系統。本文中描述之(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、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。一般言之,術語「電腦系統」可經廣泛定義以涵蓋具有實行來自一記憶體媒體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(作為一獨立工具或一網路工具)。 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可在電腦子系統之間發送影像、資料、資訊、指令等,如本文中進一步描述。舉例而言,電腦子系統36可藉由可包含此項技術中已知之任何適合有線及/或無線傳輸媒體之任何適合傳輸媒體耦合至(若干)電腦子系統102 (如由圖1中之虛線展示)。兩個或兩個以上此等電腦子系統亦可藉由一共用電腦可讀儲存媒體(未展示)而有效耦合。 雖然上文中將成像子系統描述為一光學或基於光之成像系統,但系統亦可或替代地包含經組態以產生樣品之電子束影像之一基於電子束之成像子系統,且一或多個電腦子系統經組態以自基於電子束之成像子系統接收電子束影像。在一項此實施例中,基於電子束之成像子系統可經組態以將電子引導至樣品或使電子掃描遍及樣品且自樣品偵測電子。在圖1a中展示之一項此實施例中,基於電子束之成像子系統包含耦合至電腦子系統124之電子柱122。 亦如圖1a中展示,電子柱包含經組態以產生由一或多個元件130聚焦至樣品128之電子之電子束源126。電子束源可包含(例如)一陰極源或射極尖端,且一或多個元件130可包含(例如)一槍透鏡、一陽極、一束限制孔隙、一閘閥、一束電流選擇孔隙、一物鏡及一掃描子系統,其等全部可包含此項技術中已知之任何此等適合元件。 自樣品返回之電子(例如,二次電子)可由一或多個元件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,該掃描子系統可係包含於(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元件。另外,可如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號中所描述般進一步組態電子柱,該等專利以宛如全文陳述引用之方式併入本文中。 雖然在圖1a中將電子柱展示為經組態使得電子按一傾斜入射角引導至樣品且按另一傾斜角自樣品散射,但應理解,電子束可按任何適合角度引導至樣品且自樣品散射。另外,基於電子束之成像子系統可經組態以使用多個模式以產生樣品之影像(例如,具有不同照明角、收集角等),如本文中進一步描述。基於電子束之成像子系統之多個模式在基於電子束之成像子系統之任何影像產生參數方面可係不同的。 電腦子系統124可耦合至偵測器134,如上文描述。偵測器可偵測自樣品之表面返回之電子,藉此形成樣品之電子束影像。該等電子束影像可包含任何適合電子束影像。電腦子系統124可經組態以使用由偵測器134產生之輸出針對樣品執行本文中進一步描述之一或多個功能。電腦子系統124可經組態以執行本文中描述之(若干)任何額外步驟。可如本文中描述般進一步組態包含圖1a中展示之基於電子束之成像子系統之一系統。 應注意,在本文中提供圖1a以大體上繪示可包含於本文中描述之實施例中之一基於電子束之成像子系統之一組態。如同上文描述之基於光學之成像子系統,可更改本文中描述之基於電子束之成像子系統組態以如在設計一商業成像子系統時通常執行般最佳化成像子系統之效能。另外,可使用諸如商業上可購自KLA-Tencor之eSxxx及eDR-xxxx系列之工具之一現有系統(例如,藉由將本文中描述之功能性添加至一現有系統)實施本文中描述之系統。對於一些此等系統,可將本文中描述之實施例提供為系統之選用功能性(例如,除了系統之其他功能性之外)。替代地,可「從頭開始」設計本文中描述之系統以提供一全新系統。 雖然上文中將成像子系統描述為一基於光或基於電子束之成像子系統,但成像子系統可係一基於離子束之成像子系統。可如圖1a中展示般組態此一成像子系統,惟可使用此項技術中已知之任何適合離子束源替換電子束源除外。另外,成像子系統可係任何其他適合基於離子束之成像子系統,諸如包含於市售聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜儀(SIMS)系統中之基於離子束之成像子系統。 如上文提及,基於光學及電子束之成像子系統可經組態以將能量(例如,光、電子)引導至樣品之一實體版本及/或使能量掃描遍及樣品之實體版本,藉此針對樣品之實體版本產生實際影像。以此方式,基於光學及電子束之成像子系統可經組態為「實際」成像系統而非「虛擬」系統。舉例而言,圖1中展示之一儲存媒體(未展示)及(若干)電腦子系統102可經組態為一「虛擬」系統。特定言之,儲存媒體及(若干)電腦子系統並非成像子系統10之部分且不具有處置樣品之實體版本之任何能力。換言之,在經組態為虛擬系統之系統中,其一或多個「偵測器」之輸出可係由一實際系統之一或多個偵測器先前產生且儲存於虛擬系統中之輸出,且在「成像及/或掃描」期間,虛擬系統可如同樣品正經成像及/或掃描般播放儲存輸出。以此方式,使用一虛擬系統使樣品成像及/或掃描樣品可看似相同於使用一實際系統使一實體樣品成像及/或掃描一實體樣品,而實際上,「成像及/或掃描」僅涉及以與可使樣品成像及/或掃描樣品相同之方式播放針對樣品之輸出。在共同受讓之以下專利中描述經組態為「虛擬」檢測系統之系統及方法:在2012年2月28日頒予Bhaskar等人之美國專利第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,該兩個專利以宛如全文陳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中描述之實施例。舉例而言,可如此等專利中描述般進一步組態本文中描述之一或多個電腦子系統。 如上文進一步提及,成像子系統可經組態以使用多個模式產生樣品之影像。一般言之,一「模式」可由用於產生一樣品之影像之成像子系統之參數之值或用於產生樣品之影像之輸出定義。因此,不同模式可在成像子系統之至少一個成像參數之值方面不同。舉例而言,在一基於光學之成像子系統之一項實施例中,多個模式之至少一者使用用於照明之光之至少一個波長,其不同於用於多個模式之至少另一者之照明之光之至少一個波長。模式可在照明波長方面不同,如本文中針對不同模式進一步描述(例如,藉由使用不同光源、不同光譜濾波器等)。在另一實施例中,多個模式之至少一者使用成像子系統之一照明通道,該照明通道不同於用於多個模式之至少另一者之成像子系統之一照明通道。舉例而言,如上文提及,成像子系統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。 在一項實施例中,系統包含經組態以針對樣品產生輸出之一檢測子系統,且一或多個電腦子系統經組態以自檢測子系統接收輸出且基於輸出偵測樣品上之缺陷。舉例而言,本文中描述之光學及電子束成像子系統可經組態為檢測子系統。(若干)電腦子系統可經組態以如上文描述般自檢測子系統(例如,自成像子系統之(若干)偵測器)接收輸出且可經組態以依任何適合方式基於輸出偵測樣品上之缺陷。舉例而言,(若干)電腦子系統可經組態以比較輸出與一或多個臨限值,高於一或多個臨限值之任何輸出可由(若干)電腦子系統識別為缺陷或潛在缺陷,且不高於一或多個臨限值之任何輸出可由(若干)電腦子系統識別為非缺陷或非潛在缺陷。然而,(若干)電腦子系統可經組態以使用(若干)任何適合演算法及/或(若干)方法以基於輸出偵測樣品上之缺陷。 在另一實施例中,系統包含經組態以針對在樣品上偵測之缺陷產生輸出之一缺陷檢視子系統,且(若干)電腦子系統經組態以自缺陷檢視子系統接收輸出且基於輸出判定在樣品上偵測之缺陷之性質。舉例而言,本文中描述之光學及電子束成像子系統可經組態為缺陷檢視子系統。(若干)電腦子系統可經組態以自如上文描述之缺陷檢視子系統(例如,自成像子系統之(若干)偵測器)接收輸出且可經組態以依任何適合方式基於輸出判定樣品上之缺陷之性質。舉例而言,(若干)電腦子系統可經組態以使用輸出以使用此項技術中已知之(若干)任何適合演算法及/或(若干)方法判定缺陷之一或多個性質(諸如大小及形狀)。 在一進一步實施例中,系統包含經組態以針對樣品產生輸出之一量測子系統,且一或多個電腦子系統經組態以自量測子系統接收輸出且基於輸出判定樣品之性質。舉例而言,本文中描述之光學及電子束成像子系統可經組態為量測子系統。(若干)電腦子系統可經組態以自如上文描述之量測子系統(例如,自成像子系統之(若干)偵測器)接收輸出且可經組態以依任何適合方式基於輸出判定樣品之性質。舉例而言,(若干)電腦子系統可經組態以使用輸出以使用此項技術中已知之(若干)任何適合演算法及/或(若干)方法判定形成於樣品上之圖案化特徵之一或多個性質(諸如大小及形狀)。 可在一或多個參數上修改本文中描述且在圖1及圖1a中展示之成像子系統之實施例以取決於將使用其等之應用而提供不同成像能力。在一個此實例中,圖1中展示之成像子系統可經組態以在其用於缺陷檢視或量測而非用於檢測之情況下具有一較高解析度。換言之,圖1及圖1a中展示之成像子系統之實施例描述一成像子系統之某些一般及各種組態,其等可以將對熟習此項技術者顯而易見之若干方式定製以產生具有或多或少適合於不同應用之不同成像能力之成像子系統。 檢測子系統、缺陷檢視子系統及量測子系統亦可經組態用於樣品(諸如晶圓及倍縮光罩)之檢測、缺陷檢視及量測。舉例而言,本文中描述之實施例可經組態以針對遮罩檢測、晶圓檢測及晶圓量測之目的訓練執行一或多個模擬之一基於機器學習之模型。特定言之,本文中描述之實施例可安裝於一電腦節點或電腦群集(其係一成像子系統(諸如一寬頻電漿檢測器、一電子束檢測器或缺陷檢視工具、一遮罩檢測器、一虛擬檢測器等)之一組件或耦合至一成像子系統)上。以此方式,本文中描述之實施例可執行可用於各種應用之模擬,應用包含(但不限於)晶圓檢測、遮罩檢測、電子束檢測及檢視、量測等。可基於將針對其產生實際影像之樣品如上文描述般修改圖1及圖1a中展示之成像子系統之特性。 在另一實施例中,系統包含經組態以在樣品上執行一或多個製造程序之一半導體製造子系統。舉例而言,如圖1中展示,系統可包含半導體製造子系統106,其可耦合至(若干)電腦子系統102及/或本文中描述之系統之任何其他元件。半導體製造子系統可包含此項技術中已知之任何半導體製造工具及/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、一剝離或清潔腔室及類似者。在2005年5月10日頒予Levy等人之美國專利第6,891,627號中描述可包含於本文中描述之實施例中之適合半導體製造工具之實例,該專利以宛如全文陳述引用之方式併入本文中。可如此專利中描述般進一步組態本文中描述之實施例。 因此,如上文描述,本文中描述之一或多個電腦子系統可與具有實際晶圓處置及/或處理能力之一或多個其他子系統(例如,成像子系統、檢測子系統、缺陷檢視子系統、量測子系統、半導體製造程序子系統)一起包含於一系統中。以此方式,本文中描述之實施例可經組態為預測性系統,其等包含在具有(若干)偵測器及一計算平台以學習其世界(例如,在一半導體檢測器之情況下為一晶圓上之缺陷)之一模型之任何半導體平台(諸如一量測工具、一檢測工具、一蝕刻腔室等)內部之原地資料。然而,本文中描述之一或多個電腦子系統可包含於不包含具有實際晶圓處置及/或處理能力之一或多個子系統之一系統中。以此方式,本文中描述之實施例可經組態為包含異地資料之一預測性系統,其中資料經匯出至一永久性儲存機構。舉例而言,系統可經組態為可或不可自實際實體晶圓獲取藉由其他系統及/或方法產生之資訊之一虛擬系統,如本文中進一步描述。特定言之,另一系統或方法可使用實際實體樣品產生一或多個樣品之標稱或非標稱例項之資訊且可將該資訊儲存於一儲存媒體中。接著,本文中描述之一或多個電腦子系統可自儲存媒體獲取此資訊。 由(若干)電腦子系統(例如,電腦子系統36及/或102)執行之(若干)組件(例如,圖1中展示之(若干)組件100)包含基於機器學習之模型104。基於機器學習之模型經組態以針對樣品執行一或多個模擬,且僅使用一或多個樣品之標稱例項之資訊訓練基於機器學習之模型。僅使用一或多個樣品之標稱例項之訓練可視為一種初始訓練,隨後為本文中進一步描述之重新訓練。舉例而言,在能夠給出一預測之前,此一基於機器學習之模型通常將需要在其被給定所學習之一組實例之後加以訓練。僅使用標稱例項訓練基於機器學習之模型可由本文中描述之一或多個電腦子系統執行。然而,僅使用標稱例項訓練基於機器學習之模型可由另一系統或方法執行,且經訓練之基於機器學習之模型可自另一系統或方法(或其中經訓練之基於機器學習之模型已由另一系統或方法儲存之一儲存媒體)獲取且接著由本文中描述之(若干)電腦子系統重新訓練。 機器學習可大體上定義為對電腦提供在未經明確程式化之情況下學習之能力之一種類型之人工智慧(AI)。機器學習致力於開發可教示自身在曝露至新資料時生長及改變之電腦程式。換言之,機器學習可定義為「賦予電腦在未經明確程式化之情況下學習之能力」之電腦科學之子域。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構造-此等演算法藉由透過自樣本輸入建立一模型來作出資料驅動預測或決策而克服以下嚴格靜態程式指令。 可如在Sugiyama、Morgan Kaufmann之「Introduction to Statistical Machine Learning」,2016年,第534頁;Jebara之「Discriminative, Generative, and Imitative Learning」,MIT Thesis,2002年,第212頁;及Hand等人之「Principles of Data Mining (Adaptive Computation and Machine Learning)」,MIT Press,2001年,第578頁中描述般進一步組態本文中描述之基於機器學習之模型,該等專利以宛如全文陳述引用之方式併入本文中。可如此等參考案中描述般進一步組態本文中描述之實施例。 樣品之一或多個標稱例項及使用一或多個標稱例項執行之訓練可取決於將由基於機器學習之模型執行之模擬及基於機器學習之模型自身而變化。舉例而言,若基於機器學習之模型將用於執行樣品如何出現在由一成像系統產生之樣品之影像中之模擬,則(若干)樣品之標稱例項可包含(若干)樣品之設計資料以及針對在其上印刷設計資料之(若干)樣品所產生之實際影像。接著,訓練可涉及將標稱例項提供至基於機器學習之模型使得基於機器學習之模型可尋找(即,學習或識別)基於機器學習之模型之一或多個參數(例如,權重),該一或多個參數引起基於機器學習之模型自對應設計資訊產生與對應實際影像實質上相同之模擬影像。取決於本文中描述之其他模擬(例如,使用對應樣品設計資訊之量測系統輸出及/或量測),其他類型之資訊可包含於用於訓練基於機器學習之模型之標稱例項之資訊中。另外,標稱例項之資訊之特性可取決於基於機器學習之模型自身而變化,此係因為不同類型之基於機器學習之模型(諸如本文中進一步描述之基於機器學習之模型)可需要用於訓練之不同量之資訊(例如,不同數目個標稱例項)。可以此項技術中已知之任何適合方式判定任何特定基於機器學習之模型之充分訓練所需之標稱例項之資訊之特性。 如本文中使用之術語「標稱例項」大體上定義為已知其上不存在缺陷之樣品之「例項」。舉例而言,可使用用於在(若干)樣品上形成一設計之一或多個程序(已知其等產生無缺陷樣品)之一或多個參數處理標稱之(若干)樣品。換言之,用於產生(若干)樣品之(若干)程序可係(若干)已知良好程序。另外,(若干)樣品之「標稱例項」可包含已判定其中不存在缺陷之例項(例如,樣品上之位置、整個樣品等)。舉例而言,(若干)樣品之標稱例項可包含一檢測或其他品質控制相關程序(例如,缺陷檢視、量測等)未偵測到任何缺陷之位置及/或樣品。相比之下,如本文中使用之術語(若干)樣品之「非標稱例項」大體上定義為以有意(經由如本文中進一步描述之程式化或合成缺陷)或無意(經由藉由檢測、缺陷檢視、量測等在一或多個樣品上發現之缺陷)之某一方式為「有缺陷」的(若干)樣品之「例項」。另外,應注意,即使在一樣品上未偵測「缺陷」本身,該樣品仍可為「有缺陷」。舉例而言,若一或多個量測指示形成於一樣品上之一設計之一或多個特性在針對該一或多個特性之值之一所要範圍之外,則樣品可視為「有缺陷」。 在一項實施例中,執行一或多個模擬包含針對該等樣品之一者產生一或多個模擬影像,且一或多個模擬影像繪示該等樣品之該一者如何出現在由一成像系統產生之一或多個樣品之一或多個實際影像中。舉例而言,由基於機器學習之模型執行之一或多個模擬可產生繪示一樣品如何出現在由本文中描述之成像系統之一者產生之(若干)實際影像中之(若干)模擬影像。以此方式,(若干)模擬影像可表示由一檢測系統、一缺陷檢視系統或本文中描述之其他成像系統產生之樣品之影像。在一個此實例中,至由基於機器學習之模型執行之一或多個模擬之輸入可包含一樣品之設計資訊(例如,本文中進一步描述之任何設計資料)且一或多個模擬之輸出可包含一或多個模擬光學或電子束影像,從而繪示在其上已形成設計資訊之樣品如何出現在該等影像中。 在一項此實施例中,成像系統係一基於光學之成像系統。在另一此實施例中,成像系統係一基於電子束之成像系統。可如本文中進一步描述般組態此等成像系統。在一些此等實施例中,可執行由基於機器學習之模型執行之一或多個模擬以產生用於(若干)樣品之檢測之一或多個參考影像。以此方式,本文中描述之實施例可以非常有效地應用於研究及開發以及製造案例中之一方式啟用進階檢測演算法(諸如晶粒至資料庫缺陷偵測方法及/或演算法)。啟用此缺陷偵測對於其中處理能力由區域覆蓋率約束之基於電子束之檢測尤其有價值。藉由將影像獲取僅限於「測試」影像,處理能力可為當前使用之晶粒至晶粒檢測方法之兩倍或三倍。可如2016年11月16日由Bhaskar等人申請之美國專利申請案第15/353,210中描述般進一步組態本文中描述之實施例,該案以宛如全文陳述引用之方式併入本文中。舉例而言,本文中描述之實施例可經組態以執行如此專利申請案中描述之單一影像偵測。 在另一實施例中,執行一或多個模擬包含針對該等樣品之一者產生一或多個模擬量測,且一或多個模擬量測表示由一量測系統針對該等樣品之該一者產生之輸出。舉例而言,由基於機器學習之模型執行之一或多個模擬可產生表示由本文中描述之系統之一者針對(若干)樣品產生之輸出之(若干)模擬量測(例如,(若干)影像、輸出、資料等)。以此方式,(若干)模擬量測可表示可由本文中描述之一量測系統針對樣品產生之量測、影像、輸出、資料等。在一個此實例中,至由基於機器學習之模型執行之一或多個模擬之輸入可包含一樣品之設計資訊(例如,本文中進一步描述之任何設計資料)且一或多個模擬之輸出可包含表示由該等系統針對樣品產生之輸出之一或多個模擬光學或電子束量測。 (若干)電腦子系統經組態以獲取在其上執行一程序之一或多個樣品之非標稱例項之資訊。如本文中將進一步描述,非標稱例項之資訊將用於重新訓練基於機器學習之模型,藉此執行非標稱例項至基於機器學習之模型之轉移學習。因此,獲取非標稱例項之資訊可本質上係轉移學習訓練輸入產生。可以本文中進一步描述之數個方式執行轉移學習訓練輸入產生,包含:a)使用程序實驗設計(DOE)在晶圓及遮罩上之真實缺陷事件之經驗模擬;b)藉由使用合成方法在設計/模擬空間中引入虛擬缺陷事件;及c)配合使用經驗外加合成方法之混合方法。以此方式,本文中描述之實施例可使用程序DOE、模擬及程式化缺陷以針對神經網路及本文中描述之其他基於機器學習之模型產生訓練集。 獲取(若干)樣品之非標稱例項之資訊可包含產生資訊。舉例而言,本文中描述之系統可經組態以藉由在實際樣品上執行一或多個程序(例如,在一實際實體樣品上執行一或多個製造程序且接著在實際實體樣品上執行一或多個量測及/或成像程序)而產生非標稱例項之資訊。因此,可使用本文中描述之(若干)電腦子系統與本文中描述之一或多個其他子系統(例如,一或多個半導體製造子系統、一或多個成像子系統、一或多個量測子系統等)來執行產生非標稱例項之資訊。在另一實例中,本文中描述之系統可經組態以藉由執行一或多個模擬(使用或不使用實際實體樣品)而產生非標稱例項之資訊。在一個此實例中,如本文中進一步描述,一或多個電腦子系統可經組態以使用另一模型以產生(若干)樣品之非標稱例項之資訊。替代地,本文中描述之實施例可經組態以自其中已由產生資訊之一或多個其他方法及/或系統儲存資訊之一儲存媒體獲取樣品之非標稱例項之資訊。 在一項實施例中,非標稱例項包含一或多個樣品上之缺陷之例項。以此方式,非標稱例項之資訊可包含一或多個樣品上之一或多個缺陷之資訊。可以本文中進一步描述之各種方式產生此資訊。 在另一實施例中,非標稱例項包含一或多個樣品上之缺陷之例項,且一或多個樣品包含在其上使用程序之一或多個參數之兩個或兩個以上不同值執行程序之一或多個實際樣品。舉例而言,針對包含使用DOE之晶圓及倍縮光罩上之真實缺陷事件之經驗模擬之轉移學習訓練輸入產生,可針對缺陷利用真實世界晶圓,如本文中進一步描述。 在一項此實施例中,使用一程序窗合格性檢定(PWQ)方法中之程序之一或多個參數之兩個或兩個以上不同值執行程序。舉例而言,用於產生轉移學習訓練輸入之一個策略係使用DOE (諸如PWQ)作為系統缺陷之一產生器。在PWQ方法中變化之程序之一或多個參數可包含聚焦及曝光(例如,如在一聚焦-曝光PWQ程序中)。亦可如2005年6月7日頒予Peterson等人之美國專利第6,902,855號、2008年8月26日頒予Peterson等人之美國專利第7,418,124號、2010年6月1日頒予Wu等人之美國專利第7,729,529號、2010年8月3日頒予Kekare等人之美國專利第7,769,225號、2011年10月18日頒予Pak等人之美國專利第8,041,106號、2012年2月7日頒予Wu等人之美國專利第8,111,900號及2012年7月3日頒予Peterson等人之美國專利第8,213,704號中描述般執行PWQ方法,該等專利以宛如全文陳述引用之方式併入本文中。本文中描述之實施例可包含此等專利中描述之(若干)任何方法之(若干)任何步驟且可如此等專利中描述般進一步組態。可如此等專利中描述般印刷一PWQ晶圓。 在另一此實施例中,使用經設計用於疊對邊限判定之一PWQ方法中之程序之一或多個參數之兩個或兩個以上不同值執行程序。舉例而言,用於產生轉移學習訓練輸入之一個策略係使用DOE (諸如疊對-PWQ晶圓)作為系統缺陷之一產生器。可以任何適合方式(包含如上文參考之專利中描述之方式)執行疊對邊限判定。因此,疊對-PWQ方法可用於在一樣品上印刷此等晶粒,且非標稱例項可包含在此一樣品上偵測之任何缺陷之例項。 在一額外此實施例中,使用一焦點曝光矩陣(FEM)方法中之程序之一或多個參數之兩個或兩個以上不同值執行程序。舉例而言,用於產生轉移學習訓練輸入之一個策略係使用DOE (諸如FEM方法及/或晶圓)作為系統缺陷之一產生器。FEM方法通常涉及按一微影程序之焦點及曝光參數值之不同組合在一晶圓上印刷數個晶粒。接著可以任何適合方式檢測不同晶粒以偵測不同晶粒中之缺陷。接著通常使用該資訊以針對微影程序之焦點及曝光判定一程序窗。因此,可使用一FEM方法以在一樣品上印刷此等晶粒,且非標稱例項可包含在此一樣品上偵測之任何缺陷之例項。 因此,如上文描述,轉移學習訓練輸入產生可使用一或多個DOE (諸如PWQ、FEM及疊對-PWQ晶圓之一或多者)作為系統缺陷之產生器。換言之,可藉由使用自可充當系統缺陷之一產生器之一PWQ或FEM晶圓產生之資訊而訓練基於機器學習之模型。一般言之,PWQ係由KLA- Tencor在21世紀初發明之用於微影聚焦及曝光程序窗特性化之一技術且以一個形式或另一形式被廣泛採用。PWQ之基礎係產生一檢測器相容晶圓,其中存在以一系統方式彼此緊鄰之標稱晶粒及經調變晶粒以最大化用於檢測器之信號。可製作用於判定疊對邊限之類似晶圓。雖然現今PQW及其等之「同類」 FEM晶圓主要用於判定程序邊限,但其等可重新用於訓練具有真實缺陷之深度神經網路(或本文中描述之任何其他基於機器學習之模型),此係因為其等將大量出現於一給定晶圓上。接著,此等晶圓及自其等產生之資訊可用作用於本文中進一步描述之重新訓練之一組訓練樣本。然而,此等樣本可能不提供一組完整可能缺陷,此係因為不保證看見此等晶圓上之全部缺陷類型。因此,自此等晶圓產生之資訊可互補於藉由合成缺陷產生(其可以數個不同方式執行,如本文中進一步描述)而產生之其他資訊。 在一些實施例中,自由一電子設計自動化(EDA)工具產生之一或多個樣品之合成設計資料產生經獲取資訊。以此方式,本文中描述之實施例可具有利用使用EDA電腦輔助設計(CAD)工具產生之合成資料之一額外尺寸。EDA工具可包含任何適合市售EDA工具。在一些此等實施例中,本文中描述之一或多個電腦子系統(例如,(若干)電腦子系統102)可經組態為一EDA工具或可係包含於一EDA工具中之一電腦子系統。 在一進一步實施例中,非標稱例項包含一或多個樣品上之缺陷之例項,且缺陷包含藉由更改一或多個樣品之一設計以在設計中產生合成缺陷而產生之一或多個合成缺陷。如本文中使用之術語「合成」缺陷通常可定義為(例如)藉由一樣品之設計資訊之操縱而在樣品上有目的地引起之一或多個缺陷。因此,「合成」缺陷亦可稱為「假設」缺陷或「經程式化」缺陷。在一項此實施例中,針對經由藉由使用合成方法在設計/模擬空間中引入虛擬缺陷事件之轉移學習訓練輸入產生,CAD設計可用於合成地產生缺陷(例如,開路、短路、突部、線端、量測標記等)且接著由如本文中進一步描述之一深度生成或其他模型處理(以產生訓練影像上之現實缺陷)及/或用於在一或多個樣品上印刷經合成產生之缺陷,其等接著可用於產生(若干)樣品上之經合成產生之缺陷之影像。CAD工作可使用一可程式化/圖形EDA編輯器(其可包含任何適合EDA軟體、硬體、系統或方法)自動化。 在一項此實施例中,一或多個組件包含經組態以更改設計以在設計中產生合成缺陷之一起始(inception)模組。舉例而言,本文中描述之基於機器學習之模型可由一缺陷幻覺系統(諸如由GoogLeNet起始針對自然場景影像建議之缺陷幻覺系統)訓練。對缺陷預訓練之一傳統神經網路可接著將此等缺陷向後倒以在其他幾何結構上產生新缺陷類型。可在Szegedy等人之「Going Deeper with Convolutions」,2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2015年6月,第9頁中發現用於執行GoogLeNet起始之系統及方法之實例,該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之實施例。 在一些實施例中,一或多個樣品之標稱例項包含自然場景影像。舉例而言,使用自然場景影像產生之一模型可用作一起始點以微調對半導體資料(光學或SEM或本文中描述之任何其他非標稱例項資訊)訓練之模型。此係轉移學習之一實例,其中自對相對大量自然影像之訓練學習之低階特徵有助於對半導體缺陷資料分類。吾人已證實在利用自自然資料至半導體資料之轉移學習時訓練時間之一10倍縮減。以此方式,可使用自然影像以加速對半導體資料之訓練時間。藉由使用來自自然影像之模型權重作為使用半導體資料之訓練會期之初始化點而達成訓練時間之此縮減。可經由本文中描述之任何轉移學習而達成權重在自然資料與半導體資料之間之此共用。作為一額外益處,吾人達成在使用自自然影像初始化之權重訓練一模型時分類準確度之一7%增加。用於標稱例項之自然場景影像可包含此項技術中已知之任何適合自然場景影像,包含標準自然場景影像。以此方式,樣品之標稱例項可包含非半導體樣品(即,非晶圓或倍縮光罩),而樣品之非標稱例項可包含半導體樣品(即,晶圓及倍縮光罩)。因此,可使用不同類型之樣品執行訓練及重新訓練。此外,樣品之標稱例項可包含不同類型之自然場景(例如,動物、人、物件等)之影像。 在另一實施例中,一或多個樣品之標稱例項包括一個以上類型之資料。可針對相同類型之樣品(例如,僅晶圓或僅倍縮光罩)產生一個以上類型之資料。另外,可使用不同成像類型(例如,光學及電子束)產生一個以上類型之資料。以此方式,可使用各種半導體資料以加速一目標資料集之訓練時間。舉例而言,在上文實施例之一變體中,來自各種半導體資料(光學及SEM)之資料可用於訓練一模型,其接著可用作一起始點以對一目標半導體資料集訓練一模型。此方法具有自自然影像學習低階特徵且將其等微調至半導體資料之一類似影響。訓練來自各種半導體資料之資料幫助模型或網路學習接著可轉移至一目標資料集之半導體資料之低階表示。轉移學習之此表現亦顯著加速訓練時間。 在一些實施例中,非標稱例項包含一或多個樣品上之缺陷之例項,缺陷包含藉由更改一或多個樣品之一設計以在設計中產生合成缺陷而產生之一或多個合成缺陷,且非標稱例項之資訊包含藉由一成像或量測系統針對在其上印刷合成缺陷之一或多個樣品產生之輸出。舉例而言,使用一混合方法(其涉及經驗方法及合成方法之組合)之一轉移學習訓練輸入產生方法之一實例可包含如上文描述般在設計空間中產生合成佈局缺陷且藉由使用經修改設計製成遮罩及使用該等遮罩處理晶圓而判定該等合成佈局缺陷對晶圓之經驗影響。以此方式,可藉由經程式化缺陷之實際影像訓練基於機器學習之模型。 在一項實施例中,非標稱例項包含一或多個樣品上之缺陷之例項,缺陷包含藉由更改一或多個樣品之一設計以在設計中產生合成缺陷而產生之一或多個合成缺陷,且非標稱例項之資訊包含經更改設計。舉例而言,可單獨消耗設計中之合成缺陷而不將其等饋送至一生成模式。在設計中產生之缺陷未必係法定結構,此係因為其等充當一標稱圖案經破壞以供網路學習之結構之實例。此等合成缺陷減小對於真實圖案缺陷之需要之相依性,藉此縮小資料獲取週期,此繼而加速模型訓練時間。以此方式,本文中描述之實施例可直接使用合成設計缺陷(在缺乏一生成模型之情況下)以縮小訓練時間。 針對上文描述之轉移學習訓練輸入產生方法b)及c)之設計程序可利用程序、微影及工具模擬能力。舉例而言,在另一實施例中,非標稱例項包含一或多個樣品上之缺陷之例項,缺陷包含藉由更改一或多個樣品之一設計以在設計中產生合成缺陷而產生之一或多個合成缺陷,非標稱例項之資訊包含另一模型之輸出,且另一模型之輸出表示在其上印刷合成缺陷之一或多個樣品。一經經驗訓練之程序模型之一個實例包含SEMulator 3D,其商業上可購自Coventor, Inc., Cary, NC。一嚴格微影模擬模型之一實例係商業上可購自KLA-Tencor之Prolith,其可與SEMulator 3D產品配合使用。然而,用於此實施例中之其他模型可包含在自設計資料產生實際樣品時涉及之(若干)程序之任何者之任何適合模型。以此方式,可使用經更改設計(經更改以包含一或多個合成缺陷)以模擬在其上已形成經更改設計之一樣品在樣品空間中之外觀(未必此一樣品對於諸如一成像或量測系統之一系統之外觀)。因此,另一模型之輸出可表示樣品在樣品之2D或3D空間中之外觀。 在一額外實施例中,非標稱例項包含一或多個樣品上之缺陷之例項,缺陷包含藉由更改一或多個樣品之一設計以在設計中產生合成缺陷而產生之一或多個合成缺陷,非標稱例項之資訊包含另一模型之輸出,且另一模型之輸出繪示在其上印刷合成缺陷之一或多個樣品如何出現在由一成像系統產生之樣品之一或多個實際影像中。舉例而言,可應用之一額外能力係正在開發其配方之檢測器之模擬。此一模型之一實例係WINsim,其商業上可購自KLA-Tencor且可嚴格模型化使用一電磁(EM)波解算器之一檢測器之回應。以此方式,針對經程式化缺陷之缺陷行為可在一個模型中學習且應用於另一模型中。可針對本文中描述之任何其他成像子系統或系統執行此等模擬。另外,可使用此項技術中已知之任何其他適合軟體、(若干)演算法、(若干)方法或(若干)系統執行此等模擬。 在一進一步實施例中,非標稱例項包含一或多個樣品上之缺陷之例項,缺陷包含藉由更改一或多個樣品之一設計以在設計中產生合成缺陷而產生之一或多個合成缺陷,非標稱例項之資訊包含另一模型之輸出,且另一模型之輸出表示藉由一量測系統針對在其上印刷合成缺陷之一或多個樣品產生之輸出。舉例而言,可應用之一額外能力係正在開發其配方之量測工具之模擬。以此方式,針對經程式化缺陷之缺陷行為可在一個模型中學習且應用於另一模型中。可使用此項技術中已知之量測系統之任何適合模型產生量測系統針對在其上印刷合成缺陷之一或多個樣品之輸出。 在一些實施例中,非標稱例項包含一或多個樣品上之缺陷之例項,缺陷包含藉由更改一或多個樣品之一設計以在設計中產生合成缺陷而產生之一或多個合成缺陷,非標稱例項之資訊包含另一模型之輸出,另一模型之輸出表示藉由另一系統針對在其上印刷合成缺陷之一或多個樣品產生之輸出,且另一模型係一深度生成模型。在一項此實施例中,針對經由藉由使用合成方法而在設計/模擬空間中引入虛擬缺陷事件之轉移學習訓練輸入產生,CAD設計可用於合成地產生缺陷(例如,開路、短路、突部、線端、量測標記等)且接著由如本文中進一步描述之一深度生成模型處理(以在訓練影像上產生現實缺陷)。以此方式,針對經程式化缺陷之缺陷行為可在一個模型中學習且應用於另一模型中。生成模型可用於產生表示由本文中描述之任何系統(例如,一半導體製造系統、一檢測系統、一缺陷檢視系統、一量測系統等)產生之輸出之模擬輸出。 一「生成」模型可大體上定義為本質上概率性之一模型。換言之,一「生成」模型並非執行順向模擬或基於規則之方法之模型且因而,產生一實際影像或輸出(針對其產生一模擬影像或輸出)所涉及之程序之物理學之一模型並非必要。代替性地,如本文中進一步描述,可基於一適合訓練資料集學習生成模型(其中可學習其之參數)。如本文中進一步描述,此等生成模型具有針對本文中描述之實施例之數個優點。另外,生成模型可經組態以具有一深度學習架構,其中生成模型可包含執行數個演算法或變換之多個層。生成模型中所包含之層數可為使用情況相依。為了實際目的,層之一適合範圍係自2個層至數十個層。 在一項實施例中,一或多個組件包含經組態以產生一或多個樣品之標稱例項之資訊之一深度生成模型。舉例而言,學習SEM (實際晶圓之影像)與設計(例如,CAD或預期佈局之一向量表示)之間之聯合概率分佈(平均值及方差)之深度生成模型可用於產生用於訓練基於機器學習之模型之標稱例項。一生成模型亦可用於針對樣品之非標稱例項產生本文中描述之其他模擬結果。一旦針對標稱(視需要/非缺陷)樣本訓練基於機器學習之模型,便可使用一轉移學習訓練輸入資料集(其包含缺陷影像或本文中描述之其他非標稱例項)以重新訓練基於機器學習之模型,如本文中進一步描述。另外,可藉由使用合成資料預訓練一基於機器學習之模型,該合成資料係藉由修改用於製成半導體晶圓之設計資料(例如,CAD或EDA資料)而產生。缺陷假影(諸如開路、短路、突部、侵入體等)以及量測標記(諸如線端拉回)可經插入至CAD中且接著經饋送至藉由一網路(其在上文參考之Zhang等人之專利申請案中描述)訓練之一生成模型中以產生現實缺陷。 如上文進一步描述,一深度生成模型可用於產生一或多個樣品之非標稱例項之資訊。相同深度生成模型可用於產生一或多個樣品之標稱例項之資訊。以此方式,一深度生成模型可用於產生標稱(參考)及缺陷(測試)影像或本文中描述之其他資訊。 在一項實施例中,基於機器學習之模型係一鑑別模型。以此方式,實施例可經組態以訓練一鑑別模型。另外,鑑別模型可係一檢測系統(例如,一基於光之窄頻或寬頻檢測器、基於電子束之檢測器等)或本文中描述之其他系統(例如,一量測系統、缺陷檢視系統等)之部分。因而,本文中描述之實施例可經組態以訓練用於鑑別學習之各種檢測及/或其他系統。鑑別模型可具有此項技術中已知之任何適合架構及/或組態。 鑑別模型(亦稱為條件模型)係在機器學習中用於模型化一未經觀察變量y對於一經觀察變量x之相依性之一模型鑑別。在一概率框架內,此藉由模型化條件概率分佈P(y|x) (其可用於自x預測y)而完成。與生成模型相反,鑑別模型不容許吾人自x及y之聯合分佈產生樣本。然而,針對不需要聯合分佈之任務(諸如分類及迴歸),鑑別模型可產生優越效能。另一方面,生成模型通常在表達複雜學習任務中之相依性方面比鑑別模型更靈活。另外,大多數鑑別模型固有地為監督式且不容易延伸至非監督式學習。應用特定細節最終指示選擇一鑑別模型相對於生成模型之適合性。 在另一實施例中,基於機器學習之模型係一神經網路。舉例而言,基於機器學習之模型可係一深度神經網路,其具有根據已經饋送以訓練模型之資料模型化世界之一組權重。神經網路可大體上定義為基於神經單元之一相對大集合之一計算方法,其鬆散地模型化一生物大腦使用由軸突連接之生物神經元之相對大叢集解決問題之方式。各神經單元與許多其他神經單元連接,且鏈結可強制執行或抑制其等對經連接神經單元之激發狀態之效應。此等系統係自學習且經訓練而非明確經程式化且在其中解決方案或特徵偵測難以按一傳統電腦程式表達之領域中具有優勢。 神經網路通常由多個層組成,且信號路徑自前部橫越至後部。雖然若干神經網路遠更抽象,但神經網路之目標係以與人腦相同之方式解決問題。現代神經網路項目通常使用數千至數百萬神經單元及數百萬連接工作。神經網路可具有此項技術中已知之任何適合架構及/或組態。 在一進一步實施例中,基於機器學習之模型係一卷積及反卷積神經網路。舉例而言,本文中描述之實施例可利用深度學習概念(諸如一卷積及反卷積神經網路)以解決通常難處理的表示轉換問題(例如,呈現)。基於機器學習之模型可具有此項技術中已知之任何卷積及反卷積神經網路組態或架構。 (若干)電腦子系統亦經組態以使用一或多個樣品之非標稱例項之資訊重新訓練基於機器學習之模型,藉此執行一或多個樣品之非標稱例項之資訊至基於機器學習之模型之轉移學習。舉例而言,本文中描述之實施例之一般目的係提供用於使用具有一有限訓練集之有效可訓練基於機器學習之模型之半導體裝置之模擬及/或經驗檢測及/或量測之系統及方法。因此,可使用一系列轉移學習方法以依一有原則的方式實現且加速基於機器學習之模型之有效訓練。此等轉移學習方法及基於機器學習之模型可用於許多檢測及量測應用。 轉移學習可大體上定義為透過來自已學習之一相關任務(一或多個源任務)之知識之轉移在一新任務(或一目標任務)中學習之改良。因此,在本文中描述之實施例中,僅使用標稱例項訓練基於機器學習之模型涉及學習一或多個源任務,且使用非標稱例項重新訓練基於機器學習之模型將知識自源任務(標稱例項)轉移至目標任務(非標稱例項)。在轉移學習中,代理程式在學習一源任務時對於一目標任務一無所知(或甚至不知道將存在一目標任務)。舉例而言,在本文中描述之實施例中,基於機器學習之模型在其使用標稱例項訓練時對於非標稱例項一無所知。 然而,一般言之,可以此項技術中已知之任何適合方式執行本文中描述之轉移學習。舉例而言,在一歸納學習任務中,目標係自一組訓練實例引出一預測性模型。歸納學習中之轉移藉由容許源-任務知識影響目標任務之歸納偏向而工作。在一歸納轉移方法中,基於源-任務知識選取或調整目標-任務歸納偏向。完成此之方式取決於用於學習源及目標任務之歸納學習演算法而變化。 歸納轉移不僅可視為改良一標準監督式學習任務中之學習之一方式,而且視為彌補由涉及相對小資料集之任務造成之困難之一方式。即,若存在針對一任務之相對少量資料或類別標籤,則將其視為一目標任務且執行自一相關源任務之歸納轉移可導致更準確模型。因此,儘管事實為假定兩個資料集來自不同概率分佈,此等方法仍使用源-任務資料以增強目標-任務資料。 可如在Torrey等人之「Transfer Learning」,Handbook of Research on Machine Learning Applications,由IGI Global出版,由E. Soria, J. Martin、R. Magdalena、M. Martinez及A. Serrano編輯,2009年,第22頁以及Yosinski等人之「How transferable are features in a deep neural network?」,NIPS 2014,2014年11月6日,第14頁中描述般進一步執行本文中描述之轉移學習,該等案以宛如全文陳述引用之方式併入本文中。可如此等參考案中描述般進一步組態本文中描述之實施例。 由本文中描述之實施例使用之重新訓練(及訓練)架構較佳經設計以收斂至具有最小數目個樣本之地面實況(用於驗證樣本)。在一項實施例中,一或多個組件包含一或多個額外組件,重新訓練係使用一或多個額外組件執行,且一或多個額外組件包含針對樣品上之全部層之一共同母網路、針對樣品上之全部層之一大型共同母網路、一對抗網路、一深度對抗生成網路、一對抗自動編碼器、一貝氏神經網路、經組態用於一變分貝氏方法之一組件、一梯形網路或其等之某一組合。舉例而言,轉移學習方法可應用至使用本文中描述之任何轉移學習訓練輸入產生方法產生之(若干)訓練集以訓練基於機器學習之模型。存在此處適用之許多潛在概念。具有與半導體晶圓一起工作之一實質上高概率之概念包含:針對前段製程(FEOL)、中間製程(MOL)及後段製程(BEOL)層各者使用一共同母網路;針對全部層使用一大型共同母網路(將可能在SEM上工作);使用一對抗網路以加速訓練;使用一貝氏神經網路(變分貝氏),其需要遠更少層;及使用用於訓練之梯形網路之概念。舉例而言,本文中描述之實施例經組態用於半導體晶圓及遮罩檢測以及其他應用且藉由「合法放大」樣本而加速訓練。此等方法亦稱為半監督式(若干實例可用,但絕大多數未由人或地面實況標記)。 在一個此實例中,(若干)電腦子系統可利用使用一母網路之概念之權重之一預訓練系統。(若干)電腦子系統亦可使用諸如組合貝氏生成模型化以達成其等在最小數目個樣本中之結果之半監督式方法之方法。在2016年6月7日申請之Zhang等人之美國專利申請案第15/176,139號及Kingma等人之「Semi-supervised Learning with Deep Generative Models」,NIPS 2014,2014年10月31日,第1-9頁中描述此等方法之實例,該等案以宛如全文陳述引用之方式併入本文中。可如此等參考案中描述般進一步組態本文中描述之實施例。另外,(若干)電腦子系統可利用梯形網路,其中在諸如Rasmus等人之「Semi-Supervised Learning with Ladder Networks」,NIPS 2015,2015年11月24日,第1-19頁中提出之深度神經網路中組合監督式及非監督式學習,該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之實施例。本文中描述之(若干)電腦子系統可進一步經組態以使用在Goodfellow等人之「Generative Adversarial Nets」,2014年6月10日,第1-9頁中描述之類型之一深度對抗生成網路訓練基於機器學習之模型,該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之實施例。另外或替代地,本文中描述之(若干)電腦子系統可經組態以使用諸如在Makhzani等人之「Adversarial Autoencoders」,arXiv:1511.05644v2,2016年5月25日,第16頁中描述之一對抗自動編碼器(組合一變分自動編碼器(VAE)及一深度生成對抗網路(DGAN)之一方法)訓練基於機器學習之模型,該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之實施例。在一些例項中,(若干)電腦子系統可經組態以執行貝氏學習,如在Neal之「Bayesian Learning for Neural Networks」,Springer- Verlag New York,1996年,第204頁中描述,該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之實施例。若干電腦子系統亦可經組態以執行變分貝氏方法,如在之「The Variational Bayes Method in Signal Processing」,Springer-Verlag Berlin Heidelberg,2006年,第228頁中描述,該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之實施例。 在另一實施例中,重新訓練包含轉移經訓練之基於機器學習之方法之卷積層之全部權重且微調經訓練之基於機器學習之方法之完全連接層之權重。舉例而言,重新訓練可包含轉移卷積層(例如,層1至3)之全部權重且接著僅微調完全連接層。在另一實例中,可藉由稱為轉移學習之一方法預訓練一基於機器學習之模型(諸如本文中描述之基於機器學習之模型),該方法針對早期層自母網路複製權重且微調其中出現分類專門化之後期層。然而,重新訓練可包含更改基於機器學習之模型之任何一或多個可訓練參數。另外,藉由本文中描述之實施例訓練之基於機器學習之模型之一或多個參數可包含針對具有可訓練權重之基於機器學習之模型之任何層之一或多個權重。在一個此實例中,權重可包含卷積層而非匯集層之權重。 圖2繪示可由本文中描述之實施例執行之基於機器學習之模型重新訓練之一項實施例。舉例而言,可學習標稱(設計者意圖)結構且產生模擬光學及SEM影像之一或多個深度生成方法(DGM)可由本文中描述之實施例使用以產生用於訓練基於機器學習之模型之標稱例項之資訊。在一個此實例中,生成模型200可用於產生標稱例項之資訊。生成模型可學習一實際晶圓之一實際影像(例如,一SEM影像)與設計(例如,CAD或預期佈局之一向量表示)之間之聯合概率分佈(例如,平均值及方差)。生成模型可經組態以執行本文中描述之任何其他模擬且可具有本文中描述之任何組態。 標稱例項之資訊可用於訓練基於機器學習之模型206,其可如本文中進一步描述般執行。一旦針對標稱(視需要/非缺陷)樣本訓練一神經網路,缺陷誘導之設計便可用於產生看似實質上類似於真實世界資料(諸如PWQ資料及/或經設計為印刷於晶圓上之結構之缺陷代理)之合成資料。舉例而言,如圖2中展示,可如本文中描述般更改設計資料202以在設計資料中產生合成缺陷。可將該經更改設計資料輸入至生成模型200以基於經更改設計資料產生一或多個樣品之非標稱例項(即,合成缺陷)之資訊。亦可將以此方式產生之非標稱例項之資訊提供至用於重新訓練模型之基於機器學習之模型206,其可如本文中進一步描述般執行。亦可將設計資料及/或經更改設計資料提供至基於機器學習之模型使得設計資料及/或經更改設計資料可用於由基於機器學習之模型執行之一或多個步驟。 如圖2中進一步展示,可如本文中進一步描述般(例如,使用PWQ及/或FEM訓練晶圓)產生實際晶圓資料204。可將該實際晶圓資料提供至生成模型200,使得可使用實際晶圓資料以訓練及/或更新生成模型。亦可將該實際晶圓資料提供至基於機器學習之模型206使得可使用實際晶圓資料執行基於機器學習之模型之重新訓練,其可如本文中進一步描述般執行。 可針對特定樣品(例如,特定晶圓或倍縮光罩)、程序、成像參數等產生本文中描述之基於機器學習之模型。換言之,本文中描述之基於機器學習之模型可係樣品特定、程序特定、成像參數特定等。以此方式,可針對不同晶圓層產生不同基於機器學習之模型。另外,可針對不同成像參數集(例如,不同成像模式)產生不同基於機器學習之模型。可使用不同訓練資料集產生不同模型之各者。可如本文中進一步描述般產生不同訓練資料集之各者。 本文中描述之實施例具有本文中進一步描述之數個優點。另外,本文中描述之實施例可實現達成可用於檢測及量測應用之一經訓練影像產生模型之一100至1000倍加速。 可將上文描述之各系統之各實施例一起組合為一個單一實施例。 另一實施例係關於一種用於訓練一基於機器學習之模型之電腦實施方法。該方法包含獲取在其上執行一程序之一或多個樣品之非標稱例項之資訊。一基於機器學習之模型經組態以針對樣品執行一或多個模擬,且僅使用一或多個額外樣品之標稱例項之資訊訓練基於機器學習之模型。該方法亦包含使用一或多個樣品之非標稱例項之資訊重新訓練基於機器學習之模型,藉此執行一或多個樣品之非標稱例項之資訊至基於機器學習之模型之轉移學習。藉由一或多個電腦系統執行獲取及重新訓練。藉由一或多個電腦系統實行一或多個組件,且一或多個組件包含基於機器學習之模型。 可如本文中進一步描述般執行方法之各步驟。方法亦可包含可由本文中描述之系統、(若干)電腦系統及/或基於機器學習之模型執行之(若干)任何其他步驟。可根據本文中描述之任何實施例組態(若干)電腦系統,例如,(若干)電腦子系統102。另外,上文描述之方法可由本文中描述之任何系統實施例執行。 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實行以執行用於訓練一基於機器學習之模型之一電腦實施方法。在圖3中展示一項此實施例。特定言之,如圖3中展示,非暫時性電腦可讀媒體300包含可在(若干)電腦系統304上實行之程式指令302。電腦實施方法可包含本文中描述之(若干)任何方法之(若干)任何步驟。 實施諸如本文中描述之方法之程式指令302可儲存於電腦可讀媒體300上。電腦可讀媒體可係一儲存媒體,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非暫時性電腦可讀媒體。 可以各種方式(包含基於程序之技術、基於組件之技術及/或物件導向技術等等)之任何者實施程式指令。舉例而言,可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別庫(「MFC」)、SSE (串流SIMD延伸)或其他技術或方法論實施程式指令。 可根據本文中描述之任何實施例組態(若干)電腦系統304。 鑑於此描述,熟習此項技術者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,提供用於半導體應用之基於機器學習之模型之加速訓練之方法及系統。因此,此描述應僅解釋為闡釋性且係出於教示熟習此項技術者實行本發明之一般方式之目的。應理解,本文中展示及描述之本發明之形式將視為當前較佳實施例。如熟習此項技術者在獲益於本發明之此描述之後將明白,元件及材料可取代本文中繪示及描述之元件及材料,部分及程序可顛倒,且可獨立利用本發明之特定特徵。在不脫離如在以下發明申請專利範圍中描述之本發明之精神及範疇之情況下可對本文中描述之元件做出改變。
10‧‧‧基於光學之成像子系統14‧‧‧樣品16‧‧‧光源18‧‧‧光學元件20‧‧‧透鏡22‧‧‧載物台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‧‧‧基於機器學習之模型106‧‧‧半導體製造子系統122‧‧‧電子柱124‧‧‧電腦子系統126‧‧‧電子束源128‧‧‧樣品130‧‧‧元件132‧‧‧元件134‧‧‧偵測器200‧‧‧生成模型202‧‧‧設計資料204‧‧‧實際晶圓資料206‧‧‧基於機器學習之模型300‧‧‧非暫時性電腦可讀媒體302‧‧‧程式指令304‧‧‧電腦系統
在受益於較佳實施例之以下詳細描述的情況下且在參考隨附圖式之後,熟習此項技術者將明白本發明之進一步優點,其中: 圖1及圖1a係繪示如本文中描述般組態之一系統之實施例之側視圖之示意圖; 圖2係繪示可由本文中描述之實施例執行之步驟之一流程圖;及 圖3係繪示儲存用於引起(若干)電腦系統執行本文中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項實施例之一方塊圖。 雖然本發明易於以各種修改及替代形式呈現,但本發明之特定實施例藉由圖式中之實例展示且在本文中經詳細描述。圖式可不按比例繪製。然而,應理解,圖式及其詳細描述不旨在將本發明限於所揭示之特定形式,而相反,本發明欲涵蓋落於如由隨附發明申請專利範圍界定之本發明之精神及範疇內之全部修改、等效物及替代物。
10‧‧‧基於光學之成像子系統
14‧‧‧樣品
16‧‧‧光源
18‧‧‧光學元件
20‧‧‧透鏡
22‧‧‧載物台
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‧‧‧基於機器學習之模型
106‧‧‧半導體製造子系統
Claims (36)
- 一種經組態以訓練一基於機器學習之模型之系統,其包括:一或多個電腦子系統;及一或多個組件,其等由該一或多個電腦子系統實行,其中該一或多個組件包括:一基於機器學習之模型,其經組態以針對樣品執行一或多個模擬,其中該基於機器學習之模型僅使用該等樣品之一或多個之標稱例項之資訊進行訓練;其中該一或多個電腦子系統經組態以:獲取在其上執行一程序之該等樣品之一或多個之非標稱例項之資訊;且使用該等樣品之該一或多個之該等非標稱例項之該資訊重新訓練該基於機器學習之模型,藉此執行該等樣品之該一或多個之該等非標稱例項之該資訊至該基於機器學習之模型之轉移學習,其中該一或多個樣品之該等標稱例項包括一個以上類型之資料。
- 如請求項1之系統,其中執行該一或多個模擬包括針對該等樣品之一者產生一或多個模擬影像,且其中該一或多個模擬影像繪示該等樣品之該一者如何出現在藉由一成像系統產生之該等樣品之該一者之一或多個實際影像中。
- 如請求項2之系統,其中該成像系統係一基於光學之成像系統。
- 如請求項2之系統,其中該成像系統係一基於電子束之成像系統。
- 如請求項1之系統,其中執行該一或多個模擬包括針對該等樣品之一者產生一或多個模擬量測,且其中該一或多個模擬量測表示藉由一量測系統針對該等樣品之該一者產生之輸出。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項,且其中該一或多個樣品包括在其上使用該程序之一或多個參數之兩個或兩個以上不同值執行該程序之一或多個實際樣品。
- 如請求項7之系統,其中該程序係使用一程序窗合格性檢定方法中之該程序之該一或多個參數之該兩個或兩個以上不同值執行。
- 如請求項7之系統,其中該程序係使用經設計用於疊對邊限判定之一程序窗合格性檢定方法中之該程序之該一或多個參數之該兩個或兩個以上不同值執行。
- 如請求項7之系統,其中該程序係使用一焦點曝光矩陣方法中之該程序之該一或多個參數之該兩個或兩個以上不同值執行。
- 如請求項1之系統,其中該經獲取資訊係自藉由一電子設計自動化工具產生之該一或多個樣品之合成設計資料產生。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項,且其中該等缺陷包括藉由更改該一或多個樣品之一設計以在該設計中產生合成缺陷而產生之一或多個合成缺陷。
- 如請求項12之系統,其中該一或多個組件進一步包括經組態以更改該設計以在該設計中產生該等合成缺陷之一起始模組。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項,其中該等缺陷包括藉由更改該一或多個樣品之一設計以在該設計中產生該等合成缺陷而產生之一或多個合成缺陷,且其中該等非標稱例項之該資訊包括藉由一成像或量測系統針對在其上印刷該等合成缺陷之該一或多個樣品產生之輸出。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項,其中該等缺陷包括藉由更改該一或多個樣品之一設計以在該設計中產生該等合成缺陷而產生之一或多個合成缺陷,其中該等非標稱例項之該資訊包括另一模型之輸出,且其中該另一模型之該輸出表示在其上印刷該等合成缺陷之該一或多個樣品。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項,其中該等缺陷包括藉由更改該一或多個樣品之一設計以在該設計中產生該等合成缺陷而產生之一或多個合成缺陷,其中該等非標稱例項之該資訊包括另一模型之輸出,且其中該另一模型之該輸出繪示在其上印刷該等合成缺陷之該一或多個樣品如何出現在藉由一成像系統產生之該樣品之一或多個實際影像中。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項,其中該等缺陷包括藉由更改該一或多個樣品之一設計以在該設計中產生該等合成缺陷而產生之一或多個合成缺陷,其中該等非標稱例項之該資訊包括另一模型之輸出,且其中該另一模型之該輸出表示藉由一量測系統針對在其上印刷該等合成缺陷之該一或多個樣品產生之輸出。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項,其中該等缺陷包括藉由更改該一或多個樣品之一設計以在該設計中產生該等合成缺陷而產生之一或多個合成缺陷,其中該等非標稱例項之該資訊包括另一模型之輸出,其中該另一模型之該輸出表示藉由另一系統針對在其上印刷該等合成缺陷之該一或多個樣品產生之輸出,且其中該另一模型係一深度生成模型。
- 如請求項1之系統,其中該等非標稱例項包括在該一或多個樣品上之缺陷之例項,其中該等缺陷包括藉由更改該一或多個樣品之一設計以在該設計中產生該等合成缺陷而產生之一或多個合成缺陷,且其中該等非標稱 例項之該資訊包括經更改設計。
- 如請求項1之系統,其中該一或多個組件進一步包括經組態以產生該一或多個樣品之該等標稱例項之該資訊之一深度生成模型。
- 如請求項1之系統,其中該一或多個樣品之該等標稱例項包括自然場景影像。
- 如請求項1之系統,其中該基於機器學習之模型係一鑑別模型。
- 如請求項1之系統,其中該基於機器學習之模型係一神經網路。
- 如請求項1之系統,其中該基於機器學習之模型係一卷積及反卷積神經網路。
- 如請求項1之系統,其中該一或多個組件進一步包括一或多個額外組件,其中該重新訓練係使用該一或多個額外組件執行,且其中該一或多個額外組件包括針對該等樣品上之全部層之一共同母網路、針對該等樣品上之全部層之一大型共同母網路、一對抗網路、一深度對抗生成網路、一對抗自動編碼器、一貝氏神經網路、經組態用於一變分貝氏方法之一組件、一梯形網路或其等之某一組合。
- 如請求項1之系統,其中該重新訓練包括轉移該經訓練之基於機器學 習之方法之卷積層之全部權重及微調該經訓練之基於機器學習之方法之完全連接層之權重。
- 如請求項1之系統,其進一步包括經組態以產生該等樣品之電子束影像之一基於電子束之成像子系統,其中該一或多個電腦子系統進一步經組態以自該基於電子束之成像子系統接收該等電子束影像。
- 如請求項1之系統,其進一步包括經組態以產生該等樣品之光學影像之一基於光學之成像子系統,其中該一或多個電腦子系統進一步經組態以自該基於光學之成像子系統接收該等光學影像。
- 如請求項1之系統,其進一步包括經組態以針對該等樣品產生輸出之一檢測子系統,其中該一或多個電腦子系統進一步經組態以自該檢測子系統接收該輸出且基於該輸出偵測該等樣品上之缺陷。
- 如請求項1之系統,其進一步包括經組態以針對在該等樣品上偵測之缺陷產生輸出之一缺陷檢視子系統,其中該一或多個電腦子系統進一步經組態以自該缺陷檢視子系統接收該輸出且基於該輸出判定在該等樣品上偵測之該等缺陷之性質。
- 如請求項1之系統,其進一步包括經組態以針對該等樣品產生輸出之一量測子系統,其中該一或多個電腦子系統進一步經組態以自該量測子系統接收該輸出且基於該輸出判定該等樣品之性質。
- 如請求項1之系統,其進一步包括經組態以在該等樣品上執行一或多個製造程序之一半導體製造子系統。
- 如請求項1之系統,其中該等樣品包括晶圓。
- 如請求項1之系統,其中該等樣品包括倍縮光罩。
- 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實行以執行用於訓練一基於機器學習之模型之一電腦實施方法,其中該電腦實施方法包括:獲取在其上執行一程序之一或多個樣品之非標稱例項之資訊,其中一基於機器學習之模型經組態以針對該等樣品執行一或多個模擬,且其中該基於機器學習之模型僅使用一或多個額外樣品之標稱例項之資訊進行訓練;及使用該一或多個樣品之該等非標稱例項之該資訊重新訓練該基於機器學習之模型,藉此執行該一或多個樣品之該等非標稱例項之該資訊至該基於機器學習之模型之轉移學習,其中該獲取及該重新訓練藉由該一或多個電腦系統執行,其中一或多個組件藉由該一或多個電腦系統實行,且其中該一或多個組件包括該基於機器學習之模型,其中該一或多個額外樣品之該等標稱例項包括一個以上類型之資料。
- 一種用於訓練一基於機器學習之模型之電腦實施方法,其包括: 獲取在其上執行一程序之一或多個樣品之非標稱例項之資訊,其中一基於機器學習之模型經組態以針對該等樣品執行一或多個模擬,且其中該基於機器學習之模型僅使用一或多個額外樣品之標稱例項之資訊進行訓練;及使用該一或多個樣品之該等非標稱例項之該資訊重新訓練該基於機器學習之模型,藉此執行該一或多個樣品之該等非標稱例項之該資訊至該基於機器學習之模型之轉移學習,其中該獲取及該重新訓練藉由一或多個電腦系統執行,其中一或多個組件藉由該一或多個電腦系統實行,且其中該一或多個組件包括該基於機器學習之模型,其中該一或多個額外樣品之該等標稱例項包括一個以上類型之資料。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562273985P | 2015-12-31 | 2015-12-31 | |
US62/273,985 | 2015-12-31 | ||
US15/394,790 | 2016-12-29 | ||
US15/394,790 US11580375B2 (en) | 2015-12-31 | 2016-12-29 | Accelerated training of a machine learning based model for semiconductor applications |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201734825A TW201734825A (zh) | 2017-10-01 |
TWI731016B true TWI731016B (zh) | 2021-06-21 |
Family
ID=59227060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105144317A TWI731016B (zh) | 2015-12-31 | 2016-12-30 | 用於半導體應用之以機器學習之模型為基礎之加速訓練 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11580375B2 (zh) |
TW (1) | TWI731016B (zh) |
Families Citing this family (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10648924B2 (en) | 2016-01-04 | 2020-05-12 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
KR102576687B1 (ko) * | 2016-08-15 | 2023-09-08 | 에이에스엠엘 네델란즈 비.브이. | 반도체 제조 수율을 향상시키는 방법 |
US10504004B2 (en) * | 2016-09-16 | 2019-12-10 | General Dynamics Mission Systems, Inc. | Systems and methods for deep model translation generation |
US11580398B2 (en) | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
US11940488B2 (en) | 2017-01-05 | 2024-03-26 | Xcalipr Corporation | Systems and methods for high precision optical characterization of carrier transport properties in semiconductor manufacturing |
US10621586B2 (en) * | 2017-01-31 | 2020-04-14 | Paypal, Inc. | Fraud prediction based on partial usage data |
JP6922284B2 (ja) * | 2017-03-15 | 2021-08-18 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及びプログラム |
TWI789385B (zh) * | 2017-04-21 | 2023-01-11 | 美商應用材料股份有限公司 | 使用神經網路來監測的拋光裝置 |
US10657638B2 (en) * | 2017-04-28 | 2020-05-19 | Mentor Graphics Corporation | Wafer map pattern detection based on supervised machine learning |
US10733744B2 (en) | 2017-05-11 | 2020-08-04 | Kla-Tencor Corp. | Learning based approach for aligning images acquired with different modalities |
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 |
JP6549644B2 (ja) * | 2017-06-27 | 2019-07-24 | ファナック株式会社 | 機械学習装置、ロボット制御システム及び機械学習方法 |
US10699926B2 (en) | 2017-08-30 | 2020-06-30 | Kla-Tencor Corp. | Identifying nuisances and defects of interest in defects detected on a wafer |
CN107578104B (zh) * | 2017-08-31 | 2018-11-06 | 江苏康缘药业股份有限公司 | 一种中药生产过程知识系统 |
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 |
TWI783037B (zh) * | 2017-09-25 | 2022-11-11 | 美商應用材料股份有限公司 | 使用機器學習方式以產生製程控制參數的半導體製造 |
US10650001B2 (en) | 2017-10-05 | 2020-05-12 | Google Llc | Disaggregating latent causes for computer system optimization |
KR20190051697A (ko) | 2017-11-07 | 2019-05-15 | 삼성전자주식회사 | 뉴럴 네트워크의 디컨벌루션 연산을 수행하는 장치 및 방법 |
TWI653605B (zh) * | 2017-12-25 | 2019-03-11 | 由田新技股份有限公司 | 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 |
CN109976087B (zh) * | 2017-12-27 | 2022-08-23 | 上海集成电路研发中心有限公司 | 掩模图案模型的生成方法及掩模图案的优化方法 |
WO2019143365A1 (en) * | 2018-01-22 | 2019-07-25 | Hitachi High-Tech Solutions Corporation | Securing systems from harmful communications |
US10832092B2 (en) | 2018-02-07 | 2020-11-10 | Applied Materials Israel Ltd. | Method of generating a training set usable for examination of a semiconductor specimen and system thereof |
KR102606115B1 (ko) | 2018-02-23 | 2023-11-29 | 에이에스엠엘 네델란즈 비.브이. | 패턴의 시맨틱 분할을 위한 딥 러닝 |
US10677742B2 (en) * | 2018-03-09 | 2020-06-09 | Kla-Tencor Corp. | Detecting die repeating programmed defects located in backgrounds with non-repeating features |
US11029359B2 (en) * | 2018-03-09 | 2021-06-08 | Pdf Solutions, Inc. | Failure detection and classsification using sensor data and/or measurement data |
US10795346B2 (en) * | 2018-03-13 | 2020-10-06 | Applied Materials, Inc. | Machine learning systems for monitoring of semiconductor processing |
US10789703B2 (en) * | 2018-03-19 | 2020-09-29 | Kla-Tencor Corporation | Semi-supervised anomaly detection in scanning electron microscope images |
US11170255B2 (en) | 2018-03-21 | 2021-11-09 | Kla-Tencor Corp. | Training a machine learning model with synthetic images |
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 |
US10713769B2 (en) | 2018-06-05 | 2020-07-14 | Kla-Tencor Corp. | Active learning for defect classifier training |
US11315231B2 (en) | 2018-06-08 | 2022-04-26 | Industrial Technology Research Institute | Industrial image inspection method and system and computer readable recording medium |
US10169852B1 (en) | 2018-07-03 | 2019-01-01 | Nanotronics Imaging, Inc. | Systems, devices, and methods for providing feedback on and improving the accuracy of super-resolution imaging |
CN112689802B (zh) | 2018-08-28 | 2024-03-29 | Asml荷兰有限公司 | 最佳量测指导的系统和方法 |
US10705514B2 (en) * | 2018-10-09 | 2020-07-07 | Applied Materials, Inc. | Adaptive chamber matching in advanced semiconductor process control |
TWI734059B (zh) | 2018-12-10 | 2021-07-21 | 財團法人工業技術研究院 | 動態預測模型建立方法、電子裝置及使用者介面 |
US11410290B2 (en) | 2019-01-02 | 2022-08-09 | Kla Corporation | Machine learning for metrology measurements |
US11010637B2 (en) | 2019-01-03 | 2021-05-18 | International Business Machines Corporation | Generative adversarial network employed for decentralized and confidential AI training |
US11263737B2 (en) * | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
EP3881245A1 (en) * | 2019-01-14 | 2021-09-22 | Siemens Aktiengesellschaft | Hardware accelerator extension to transfer learning - extending/finishing training to the edge |
US10922808B2 (en) | 2019-02-14 | 2021-02-16 | KLA—Tencor Corp. | File selection for test image to design alignment |
CN109831392B (zh) * | 2019-03-04 | 2020-10-27 | 中国科学技术大学 | 半监督网络流量分类方法 |
US10950508B2 (en) * | 2019-03-20 | 2021-03-16 | Samsung Electronics Co., Ltd. | Ion depth profile control method, ion implantation method and semiconductor device manufacturing method based on the control method, and ion implantation system adapting the control method |
JP7278138B2 (ja) * | 2019-04-18 | 2023-05-19 | キヤノン株式会社 | 基板処理装置、物品製造方法、基板処理方法、基板処理システム、管理装置、およびプログラム |
US11580673B1 (en) * | 2019-06-04 | 2023-02-14 | Duke University | Methods, systems, and computer readable media for mask embedding for realistic high-resolution image synthesis |
US11693386B2 (en) * | 2019-08-27 | 2023-07-04 | Samsung Eleotronics Co., Ltd. | Method and electronic device for guiding semiconductor manufacturing process |
US11741370B2 (en) * | 2019-08-28 | 2023-08-29 | International Business Machines Corporation | Transfer learning based on cross-domain homophily influences |
US11475297B2 (en) | 2019-08-28 | 2022-10-18 | International Business Machines Corporation | Cross-domain homophily quantification for transfer learning |
US20210064977A1 (en) * | 2019-08-29 | 2021-03-04 | Synopsys, Inc. | Neural network based mask synthesis for integrated circuits |
EP3796230B1 (en) * | 2019-09-17 | 2022-03-09 | Imec VZW | A method for determining process limits of a semiconductor process |
US11435719B2 (en) | 2019-09-27 | 2022-09-06 | Samsung Display Co., Ltd. | System and method for identifying manufacturing defects |
US11580650B2 (en) | 2019-10-01 | 2023-02-14 | KLA Corp. | Multi-imaging mode image alignment |
WO2021081213A1 (en) * | 2019-10-23 | 2021-04-29 | Lam Research Corporation | Determination of recipe for manufacturing semiconductor |
US11087449B2 (en) | 2019-10-24 | 2021-08-10 | KLA Corp. | Deep learning networks for nuisance filtering |
KR102166835B1 (ko) * | 2019-10-28 | 2020-10-16 | 주식회사 루닛 | 신경망 학습 방법 및 그 장치 |
KR20210071130A (ko) * | 2019-12-05 | 2021-06-16 | 삼성전자주식회사 | 컴퓨팅 장치, 컴퓨팅 장치의 동작 방법, 그리고 저장 매체 |
EP3852067A1 (de) * | 2020-01-16 | 2021-07-21 | Deutsche Telekom AG | 3d-model training |
US11816411B2 (en) * | 2020-01-29 | 2023-11-14 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and system for semiconductor wafer defect review |
JP7325356B2 (ja) * | 2020-02-20 | 2023-08-14 | 東京エレクトロン株式会社 | 情報処理システム及びシミュレーション方法 |
US20210343001A1 (en) * | 2020-04-30 | 2021-11-04 | Kla Corporation | Training a machine learning model to generate higher resolution images from inspection images |
US11847217B2 (en) * | 2020-06-30 | 2023-12-19 | Mcafee, Llc | Methods and apparatus to provide and monitor efficacy of artificial intelligence models |
US11776108B2 (en) | 2020-08-05 | 2023-10-03 | KLA Corp. | Deep learning based defect detection |
KR20220019894A (ko) * | 2020-08-10 | 2022-02-18 | 삼성전자주식회사 | 반도체 공정의 시뮬레이션 방법 및 반도체 장치의 제조 방법 |
US11967060B2 (en) | 2020-08-25 | 2024-04-23 | Kla Corporation | Wafer level spatial signature grouping using transfer learning |
US20220114438A1 (en) * | 2020-10-09 | 2022-04-14 | Kla Corporation | Dynamic Control Of Machine Learning Based Measurement Recipe Optimization |
KR20220080768A (ko) * | 2020-12-07 | 2022-06-15 | 삼성전자주식회사 | Opc 모델의 에러 검증 방법 |
JP7204017B1 (ja) * | 2021-03-01 | 2023-01-13 | 株式会社日立ハイテク | 実験ポイント推薦装置、実験ポイント推薦方法及び半導体装置製造システム |
CA3208434A1 (en) * | 2021-03-25 | 2022-09-29 | Heather O. Levesque | Training a machine learning model for hardware component identification |
US11593681B2 (en) | 2021-03-25 | 2023-02-28 | CAMP Systems International, Inc. | Synthesizing disparate database entries for hardware component identification |
US11983865B2 (en) * | 2021-05-05 | 2024-05-14 | KLA Corp. | Deep generative model-based alignment for semiconductor applications |
EP4102318A1 (en) * | 2021-06-10 | 2022-12-14 | Siemens Aktiengesellschaft | A method of virtually inspecting a quality of a product |
US11961221B2 (en) * | 2021-10-07 | 2024-04-16 | Applied Materials Israel Ltd. | Defect examination on a semiconductor specimen |
US20240193798A1 (en) * | 2022-12-11 | 2024-06-13 | Kla Corporation | Image-to-design alignment for images with color or other variations suitable for real time applications |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201211789A (en) * | 2010-07-22 | 2012-03-16 | Kla Tencor Corp | Method for automated determination of an optimally parameterized scatterometry model |
TW201243738A (en) * | 2011-03-04 | 2012-11-01 | Tokyo Electron Ltd | Accurate and fast neural network training for library-based critical dimension (CD) metrology |
TW201314174A (zh) * | 2011-06-20 | 2013-04-01 | Tokyo Electron Ltd | 利用光學臨界尺寸計量之結構分析用光學參數模型之最佳化方法 |
TW201346214A (zh) * | 2012-03-28 | 2013-11-16 | Tokyo Electron Ltd | 基於光譜靈敏度之模型優化方法 |
TW201732690A (zh) * | 2015-12-22 | 2017-09-16 | 應用材料以色列公司 | 半導體試樣的基於深度學習之檢查的方法及其系統 |
Family Cites Families (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5212765A (en) | 1990-08-03 | 1993-05-18 | E. I. Du Pont De Nemours & Co., Inc. | On-line training neural network system for process control |
US7167583B1 (en) | 2000-06-28 | 2007-01-23 | Landrex Technologies Co., Ltd. | Image processing system for use with inspection systems |
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 |
KR100979484B1 (ko) | 2002-07-15 | 2010-09-02 | 케이엘에이-텐코 코포레이션 | 다른 리소그래픽 과정 변수들을 위한 레티클의 가상 이미지를 얻는 것을 포함하는 결점 조사 방법 |
US6902855B2 (en) | 2002-07-15 | 2005-06-07 | Kla-Tencor Technologies | Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns |
US6818360B1 (en) * | 2002-09-30 | 2004-11-16 | Advanced Micro Devices, Inc. | Quartz mask crack monitor system for reticle by acoustic and/or laser scatterometry |
US6912438B2 (en) * | 2002-10-21 | 2005-06-28 | Advanced Micro Devices, Inc. | Using scatterometry to obtain measurements of in circuit structures |
US20040267397A1 (en) | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
US7729529B2 (en) | 2004-12-07 | 2010-06-01 | Kla-Tencor Technologies Corp. | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle |
JP2006220644A (ja) * | 2005-01-14 | 2006-08-24 | Hitachi High-Technologies Corp | パターン検査方法及びその装置 |
US7769225B2 (en) | 2005-08-02 | 2010-08-03 | Kla-Tencor Technologies Corp. | Methods and systems for detecting defects in a reticle design pattern |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7676077B2 (en) * | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8102408B2 (en) | 2006-06-29 | 2012-01-24 | Kla-Tencor Technologies Corp. | Computer-implemented methods and systems for determining different process windows for a wafer printing process for different reticle designs |
US7792353B2 (en) | 2006-10-31 | 2010-09-07 | Hewlett-Packard Development Company, L.P. | Retraining a machine-learning classifier using re-labeled training samples |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US7483809B2 (en) | 2007-04-12 | 2009-01-27 | Tokyo Electron Limited | Optical metrology using support vector machine with profile parameter inputs |
US8213704B2 (en) | 2007-05-09 | 2012-07-03 | Kla-Tencor Corp. | Methods and systems for detecting defects in a reticle design pattern |
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 |
US8041106B2 (en) | 2008-12-05 | 2011-10-18 | Kla-Tencor Corp. | Methods and systems for detecting defects on a reticle |
NL2006700A (en) * | 2010-06-04 | 2011-12-06 | Asml Netherlands Bv | Method and apparatus for measuring a structure on a substrate, computer program products for implementing such methods & apparatus. |
US8533222B2 (en) | 2011-01-26 | 2013-09-10 | Google Inc. | Updateable predictive analytical modeling |
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 |
US8468471B2 (en) | 2011-09-23 | 2013-06-18 | Kla-Tencor Corp. | Process aware metrology |
US20130110477A1 (en) * | 2011-10-31 | 2013-05-02 | Stilian Pandev | Process variation-based model optimization for metrology |
US8570531B2 (en) | 2011-12-11 | 2013-10-29 | Tokyo Electron Limited | Method of regenerating diffraction signals for optical metrology systems |
US8464194B1 (en) * | 2011-12-16 | 2013-06-11 | International Business Machines Corporation | Machine learning approach to correct lithographic hot-spots |
US20130158957A1 (en) * | 2011-12-16 | 2013-06-20 | Lie-Quan Lee | Library generation with derivatives in optical metrology |
US9607233B2 (en) * | 2012-04-20 | 2017-03-28 | Applied Materials Israel Ltd. | Classifier readiness and maintenance in automatic defect classification |
JP6080379B2 (ja) * | 2012-04-23 | 2017-02-15 | 株式会社日立ハイテクノロジーズ | 半導体欠陥分類装置及び半導体欠陥分類装置用のプログラム |
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 |
CN102937784A (zh) | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
US10769320B2 (en) * | 2012-12-18 | 2020-09-08 | Kla-Tencor Corporation | Integrated use of model-based metrology and a process model |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US9875946B2 (en) * | 2013-04-19 | 2018-01-23 | Kla-Tencor Corporation | On-device metrology |
US10386729B2 (en) * | 2013-06-03 | 2019-08-20 | Kla-Tencor Corporation | Dynamic removal of correlation of highly correlated parameters for optical metrology |
US10502694B2 (en) | 2013-08-06 | 2019-12-10 | Kla-Tencor Corporation | Methods and apparatus for patterned wafer characterization |
US9412673B2 (en) * | 2013-08-23 | 2016-08-09 | Kla-Tencor Corporation | Multi-model metrology |
WO2015090774A1 (en) * | 2013-12-17 | 2015-06-25 | Asml Netherlands B.V. | Yield estimation and control |
US10152654B2 (en) * | 2014-02-20 | 2018-12-11 | Kla-Tencor Corporation | Signal response metrology for image based overlay measurements |
US9490183B2 (en) * | 2014-05-16 | 2016-11-08 | Tokyo Electron Limited | Nondestructive inline X-ray metrology with model-based library method |
CN107004060B (zh) * | 2014-11-25 | 2022-02-18 | Pdf决策公司 | 用于半导体制造工艺的经改进工艺控制技术 |
WO2016096309A1 (en) * | 2014-12-15 | 2016-06-23 | Asml Netherlands B.V. | Optimization based on machine learning |
US9995689B2 (en) * | 2015-05-22 | 2018-06-12 | Nanometrics Incorporated | Optical metrology using differential fitting |
US10186026B2 (en) | 2015-11-17 | 2019-01-22 | Kla-Tencor Corp. | Single image detection |
US9965901B2 (en) | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
KR20180128490A (ko) * | 2016-04-29 | 2018-12-03 | 에이에스엠엘 네델란즈 비.브이. | 구조체의 특성을 결정하는 방법 및 장치, 디바이스 제조 방법 |
KR102376200B1 (ko) * | 2016-05-12 | 2022-03-18 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의한 결함 또는 핫스폿의 식별 |
US10365617B2 (en) * | 2016-12-12 | 2019-07-30 | Dmo Systems Limited | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow |
US11170255B2 (en) | 2018-03-21 | 2021-11-09 | Kla-Tencor Corp. | Training a machine learning model with synthetic images |
-
2016
- 2016-12-29 US US15/394,790 patent/US11580375B2/en active Active
- 2016-12-30 TW TW105144317A patent/TWI731016B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201211789A (en) * | 2010-07-22 | 2012-03-16 | Kla Tencor Corp | Method for automated determination of an optimally parameterized scatterometry model |
TW201243738A (en) * | 2011-03-04 | 2012-11-01 | Tokyo Electron Ltd | Accurate and fast neural network training for library-based critical dimension (CD) metrology |
TW201314174A (zh) * | 2011-06-20 | 2013-04-01 | Tokyo Electron Ltd | 利用光學臨界尺寸計量之結構分析用光學參數模型之最佳化方法 |
TW201346214A (zh) * | 2012-03-28 | 2013-11-16 | Tokyo Electron Ltd | 基於光譜靈敏度之模型優化方法 |
TW201732690A (zh) * | 2015-12-22 | 2017-09-16 | 應用材料以色列公司 | 半導體試樣的基於深度學習之檢查的方法及其系統 |
Also Published As
Publication number | Publication date |
---|---|
US20170193400A1 (en) | 2017-07-06 |
TW201734825A (zh) | 2017-10-01 |
US11580375B2 (en) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI731016B (zh) | 用於半導體應用之以機器學習之模型為基礎之加速訓練 | |
CN108475351B (zh) | 用于训练基于机器学习的模型的系统和计算机实施方法 | |
TWI773888B (zh) | 訓練用於低解析度影像中之缺陷偵測之神經網路 | |
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 | |
TWI735774B (zh) | 基於輪廓之缺陷偵測 | |
TWI761586B (zh) | 用於偵測及分類缺陷之系統、非暫時性電腦可讀媒體及電腦實施方法 | |
TWI723168B (zh) | 用於自輸入影像產生經模擬影像之系統、電腦實施方法及非暫時性電腦可讀媒體 | |
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 | |
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 | |
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 | |
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 | |
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 | |
US10186026B2 (en) | Single image detection | |
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 | |
TWI844784B (zh) | 偵測缺陷之系統、非暫時性電腦可讀媒體、及偵測缺陷之電腦實施方法 | |
TW202206800A (zh) | 深度學習為基礎之缺陷偵測 |