TWI733900B - 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類 - Google Patents

用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類 Download PDF

Info

Publication number
TWI733900B
TWI733900B TW106131520A TW106131520A TWI733900B TW I733900 B TWI733900 B TW I733900B TW 106131520 A TW106131520 A TW 106131520A TW 106131520 A TW106131520 A TW 106131520A TW I733900 B TWI733900 B TW I733900B
Authority
TW
Taiwan
Prior art keywords
image
scan
cnn
mode
defects
Prior art date
Application number
TW106131520A
Other languages
English (en)
Other versions
TW201824417A (zh
Inventor
伯裘恩 布拉爾
Original Assignee
美商克萊譚克公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201824417A publication Critical patent/TW201824417A/zh
Application granted granted Critical
Publication of TWI733900B publication Critical patent/TWI733900B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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
    • 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
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明揭示用於使用熱掃描及卷積神經網路(CNN)對缺陷分類之系統及方法。由一處理器識別主要掃描模式且執行一晶圓之一熱掃描。選擇所關注缺陷及擾亂點資料且使用一或多種次要掃描模式抓取彼等區域之影像。收集影像集且將其等劃分成子集。使用該等影像子集訓練CNN。判定一理想次要掃描模式且執行一最終熱掃描。根據該最終熱掃描及該理想次要掃描模式對缺陷進行過濾及分類。用於對缺陷分類之所揭示系統利用影像資料擷取子系統，諸如一掃描電子顯微鏡以及處理器與電子資料庫。

Description

用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類
本發明係關於缺陷偵測。
製造半導體裝置(諸如邏輯及記憶體裝置)通常包含使用大量半導體製程處理一基板(諸如一半導體晶圓)以形成該等半導體裝置之各種特徵及多個層級。例如，微影術係一種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的半導體製程。半導體製程之額外實例包含(但不限於)化學機械拋光(CMP)、蝕刻、沈積及粒子植入。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分離成個別半導體裝置。 在一半導體製程期間之各個步驟使用檢驗程序來偵測晶圓上之缺陷以促進製程之更高良率及因此更高利潤。檢驗始終係製造半導體裝置(諸如IC)之一重要部分。然而，隨著半導體裝置之尺寸減小，對成功製造可接受半導體裝置，檢驗變得更重要，因為更小缺陷可引起裝置發生故障。例如，隨著半導體裝置之尺寸減小，偵測大小減小的缺陷已變為必需，因為甚至相對小缺陷可引起半導體裝置中之非所要像差。 然而，隨著設計規則收縮，半導體製程可更接近於對製程之效能限制而操作。另外，隨著設計規則收縮，更小缺陷可對裝置之電參數具有影響，此驅使更靈敏檢驗。因此，隨著設計規則收縮，藉由檢驗偵測的潛在良率相關缺陷之群體顯著地增長，且藉由檢驗偵測的擾亂點缺陷之群體亦顯著地增加。因此，可在晶圓上偵測到愈來愈多缺陷，且校正程序以消除所有缺陷可為困難且昂貴的。因而，判定哪個缺陷實際上對裝置之電參數及良率具有影響可允許程序控制方法集中於彼等缺陷同時在很大程度上忽略其他缺陷。此外，在更小設計規則下，程序引發之故障在一些情況中可趨向於系統化。即，程序引發之故障趨向於在設計內通常重複多次之預定設計型樣下失效。消除空間上系統化、電相關缺陷係重要的，因為消除此等缺陷可對良率具有一顯著整體影響。通常無法自上文所描述之檢驗、檢視及分析程序判定缺陷是否將影響裝置參數及良率，因為此等程序無法判定缺陷相對於電設計之位置。 一種用來偵測缺陷之方法係使用電腦視覺。在電腦視覺中，影像融合係將來自兩個或兩個以上影像之相關資訊組合成一單一影像的程序。所得影像應比任何輸入影像更具資訊性。影像融合可使用兩種或更多種不同光學模式來區分一所關注缺陷與一擾亂點(即，雜訊)。為影像融合尋找正確模式對係極複雜且耗時的。先前技術方法僅基於屬性，例如取決於能量或量值。 測試表明，簡單的基於屬性之影像融合的效能不良。一個特定誤差源係兩種模式之影像必須彼此完美對準以適當地執行影像相關。
本發明之一項實施例可被描述為一種用於對缺陷分類之方法。該方法包括識別一主要掃描模式。可使用一處理器識別該主要掃描模式。可藉由運行一熱掃描以偵測一缺陷而識別該主要掃描模式。 該方法進一步包括使用該經識別之主要掃描模式執行一第一熱掃描。可使用一影像資料擷取子系統執行該第一熱掃描。該方法進一步包括選擇該第一熱掃描中之複數個所關注缺陷及擾亂點資料。可使用一或多個次要掃描模式執行一或多個額外掃描。該一或多個次要掃描模式可基於焦點偏移、光圈、光譜及/或偏光或其等任何組合而偏離該主要掃描模式。各額外掃描可使用一不同次要掃描模式。 該方法進一步包括使用該處理器收集一或多個影像集。各影像集包括一主要掃描模式影像及一或多個次要掃描模式影像。該主要掃描模式影像及該一或多個次要掃描模式影像對應於一選定所關注缺陷或擾亂點資料。 在一項實施例中，至CNN之輸入係每個選定所關注缺陷及擾亂點資料6個影像。該等影像之大小可為32 x 32個像素。該6個影像可包括針對該主要掃描模式之一測試影像、一參考影像及一差分影像與針對該次要掃描模式之一測試影像、一參考影像及一差分影像。可透過一或多個整流線性單元層處理該等輸入影像。該整流線性單元層可利用一或多個濾波器。可利用一或多個匯集層。最終結果可為一完全連接層。 該方法進一步包括將各經收集影像集劃分成一第一影像子集及一第二影像子集。該處理器針對各對主要掃描模式及次要掃描模式訓練一卷積神經網路(CNN)。使用該第一影像子集執行該訓練。在一項實施例中，訓練CNN包含使用轉移學習以針對各CNN產生超參數。 該方法進一步包括藉由將各CNN應用於對應第二影像子集而判定一理想次要掃描模式。可基於該複數個所關注缺陷與擾亂點資料之間的分離而評估各CNN。使用該影像資料擷取子系統及該理想次要掃描模式執行一最終熱掃描。 該方法進一步包括藉由使用對應於該理想次要掃描模式之CNN而對來自該最終熱掃描之缺陷分類以濾除該最終熱掃描中之擾亂點資料。 本發明之另一實施例可被描述為一種用於對缺陷分類之系統。該系統可包括一影像資料擷取子系統及與該影像資料擷取子系統電子通信之一處理器。該處理器經組態以：識別一主要掃描模式；指示該影像資料擷取子系統使用該經識別之主要掃描模式恢復一第一熱掃描；識別該經恢復之第一熱掃描中的複數個所關注缺陷及擾亂點資料；指示該影像資料擷取子系統使用一或多個次要掃描模式恢復一或多個掃描；收集一或多個影像集，各影像集包括對應於一選定所關注缺陷或擾亂點資料之一主要掃描模式影像及一或多個次要掃描模式影像；將各經收集影像集劃分成一第一影像子集及一第二影像子集；針對各對主要掃描模式及次要掃描模式，使用該對應第一影像子集訓練一卷積神經網路(CNN)；藉由將各CNN應用於該對應第二影像子集而判定一理想次要掃描模式；指示該影像資料擷取子系統使用該理想次要掃描模式恢復一最終熱掃描；及藉由使用對應於該理想次要掃描模式之該CNN而對來自該最終熱掃描之缺陷分類以濾除該最終熱掃描中之擾亂點資料。 在一項實施例中，該系統可進一步包括與該處理器及該影像資料擷取子系統電子通信之一資料庫。該資料庫可經組態以儲存來自該最終熱掃描之經分類缺陷。該資料庫亦可經組態以儲存一或多個CNN。
本申請案主張2016年9月14日申請之美國臨時申請案第62/394,744號的優先權，該案之揭示內容以引用方式併入本文中。 儘管將關於某些實施例描述所主張標的物，但其他實施例(包含不提供本文中所陳述之所有優點及特徵的實施例)亦在本發明之範疇內。在不背離本發明之範疇的情況下，可作出各種結構、邏輯、程序步驟及電子改變。據此，僅參考隨附發明申請專利範圍界定本發明之範疇。 如本文中所使用，術語「晶圓」一般係指由一半導體或非半導體材料形成之基板。此一半導體或非半導體材料之實例包含(但不限於)單晶矽、砷化鎵及磷化銦。通常在半導體製造設施中發現及/或處理此等基板。 一晶圓可包含形成於一基板上之一或多個層。例如，此等層可包含(但不限於)一光阻劑、一介電質材料及一導電材料。在此項技術中已知諸多不同類型之此等層，且如本文中所使用之術語晶圓意欲涵蓋包含所有類型之此等層的一晶圓。 形成於一晶圓上之一或多個層可經圖案化或未經圖案化。例如，一晶圓可包含複數個晶粒，各晶粒具有可重複圖案化特徵。此等材料層之形成及處理最終可導致完成裝置。諸多不同類型之裝置(諸如積體電路(IC))可形成於一晶圓上，且如本文中所使用之術語晶圓意欲涵蓋其上製造此項技術中已知之任何類型的裝置之一晶圓。如本文中所使用，術語「晶片」可包括針對一特定目的而設計的IC之一集合。 儘管本文中關於晶圓描述實施例，但應理解，實施例可用於另一樣品，諸如一倍縮光罩，倍縮光罩通常亦可稱為遮罩或光罩。在此項技術中已知諸多不同類型之倍縮光罩，且如本文中所使用之術語「倍縮光罩」、「遮罩」及「光罩」意欲涵蓋此項技術中已知的所有類型之倍縮光罩。 偵測一晶圓上之缺陷可涉及使用一或多個光學器件模式，包含使用一或多個光學器件模式及一或多個缺陷偵測演算法對該晶圓執行一熱掃描。一「熱掃描」一般係指一晶圓之一掃描/檢驗，其經執行以藉由應用相對積極偵測設定(例如，幾乎接近於雜訊底限之臨限值)而偵測晶圓上之缺陷。以此方式，熱掃描可經執行以收集將用於調諧程序(光學器件選擇及演算法調諧)之關於晶圓之檢驗資料。熱掃描之目的係在(若干)選定模式中偵測晶圓上的所有缺陷及擾亂點類型之一代表性樣本。 本文中所描述之實施例可包含多個熱掃描，例如，一個熱掃描用於光學器件選擇且另一掃描用於參數調諧。可使用針對晶圓檢驗選擇之(若干)光學模式執行針對參數選擇執行之熱掃描。選擇(若干)光學模式可包含運用整體計分進行光學器件選擇，其在尋找DOI時自動計算指定光學器件模式之一模式或組合之「良好」程度之一單個數字同時抑制一給定缺陷集合之擾亂點。此消除跨諸多模式逐缺陷手動比較信雜比之工作且顯著減少光學器件選擇時間。 本文中所描述之實施例可利用一組處理器節點，其經組態以使用儲存於儲存媒體陣列中之影像資料及用於晶圓之至少一個額外資料源產生晶圓之一影像。以此方式，該組處理器節點可經組態以執行多通道影像融合。用於晶圓之(若干)額外資料源可包含在影像融合時可用之任何資訊。此等資料源可包含(但不限於)設計資料、使用設計佈局離線產生之一晶粒背景映射(context map)、自(若干)影像離線產生之一晶粒背景映射、缺陷偵測結果、使用由一檢驗系統之不同偵測通道產生的影像資料產生之缺陷偵測結果、由晶圓之多個(不同)掃描(例如，使用檢驗系統之不同成像模式執行的多個掃描)產生之影像資料、關於用來將圖案印刷於晶圓上的一倍縮光罩之資訊等。 影像融合可不包含僅覆疊多個資料源(儘管亦可藉由本文中所描述之實施例執行此覆疊)。代替地，影像融合可包含組合多個資料源以產生一合成影像。影像融合亦可如在由Chen等人於2009年1月26日申請、於2010年7月29日公佈為美國專利申請公開案第2010/0188657號、以引用方式併入之共同擁有的美國專利申請案第12/359,476號中所描述般執行。此外，該組處理器節點可經組態以使用藉由影像融合產生之影像偵測缺陷。 本發明之實施例使用卷積神經網路以針對影像融合尋找最佳模式對。在一項實施例中，本發明利用複雜方法進行準確對準。例如，藉由將一光學圖塊影像對準於一演現設計片段允許本發明之實施例以極高準確度預測一特定光學圖塊影像在一設計空間中所處之位置。存在用來使線框設計演現成一灰階影像之諸多方式。演現技術可涉及透過考量檢驗工具之各種光學組件及財政晶圓性質的光學模擬程序傳遞設計訊框。光學組件可包含物鏡之數值孔徑、用於檢驗之光之波長、照明中之光學孔徑及光收集路徑。可使用其他光學組件。可使用晶圓性質，諸如用於當前及先前設計層之材料、程序層厚度及當前或先前層設計。運用此資訊，模擬系統對複微分方程式求解且得到近數值式解以演現一設計以獲得灰階影像。本發明之實施例使用CNN以對來自一影像融合熱掃描之缺陷分類且濾除雜訊或其他擾亂點資料。 另外，可使用習知機器學習方法(諸如監督式學習)以基於其等屬性而尋找最佳影像融合模式。可使用一次要影像融合模式以產生藉由主要模式找到的缺陷之屬性。可在次要模式及主要模式上使用機器學習技術以尋找最佳分離所關注缺陷與雜訊或其他擾亂點資料之屬性。 本發明之實施例可達成更佳模式選擇且改良所關注缺陷與雜訊或其他擾亂點資料之間的分離。本發明之實施例可使用掃描及差分影像中之所有資訊(不僅使用一些衍生屬性)以壯大影像融合之一最佳模式對。另外，CNN可在運行時間期間用於缺陷分類。 本發明可被描述為用於對缺陷(例如一晶圓上之缺陷)分類之一方法100。圖1中可見繪示方法100之一流程圖。方法100可包括使用一處理器識別101一主要掃描模式。如本文中所使用，一處理器可為一單一處理單元或網路連接在一起之複數個處理單元。在一些實施例中，處理器可定位於一或多個實體位置中。在其他實施例中，可使用一或若干基於雲端之處理器。 一主要掃描模式可係指由一影像資料擷取子系統使用之參數。例如，可針對一特定晶圓或製程預先判定主要掃描模式。在一些實施例中，主要掃描模式可儲存於一電子儲存裝置(諸如一硬碟機或一網路驅動器)上。 可藉由搜尋一資料庫而識別101主要掃描模式以判定哪種主要掃描模式適於一特定應用。在另一實施例中，可基於先前運行之掃描或影像而識別101主要掃描模式。在一些實施例中，可基於已在其他背景中成功之經估計掃描參數而識別101主要掃描模式。在一項實施例中，藉由運行一熱掃描以偵測一缺陷而識別主要掃描模式。 方法100可進一步包括使用經識別之主要掃描模式執行103一第一熱掃描。可使用一影像資料擷取子系統執行103第一熱掃描，下文描述該影像資料擷取子系統之一實例。透過來自處理器之指令執行103第一熱掃描。該處理器可經組態以發送對應於經識別之主要掃描模式之影像資料擷取子系統參數。該處理器亦可經組態以回應於處理器之指令而自影像資料擷取子系統接收資料以執行103第一熱掃描。 方法100可進一步包括選擇105第一熱掃描中之複數個所關注缺陷及擾亂點資料。處理器可使用各種缺陷分析工具及缺陷掃描方法選擇105第一熱掃描中之一或多個所關注缺陷。如本文中所使用，擾亂點資料亦可稱為雜訊或雜訊資料。擾亂點資料對應於可指示其中不存在缺陷之一所關注區域。擾亂點資料亦可係指無法被辨認為所關注缺陷或非缺陷之一掃描之部分。處理器可選擇105複數個所關注缺陷及擾亂點資料(其為總所關注缺陷及擾亂點資料之一子集)。例如，處理器可選擇105存在於第一熱掃描中之較少所關注缺陷。 方法100可進一步包括使用一或多種次要掃描模式執行107一或多個額外掃描。在一項實施例中，可使用相同影像資料擷取子系統執行107一或多個額外掃描。在其他實施例中，可使用一不同影像資料擷取子系統執行107一或多個額外掃描。例如，一不同影像資料擷取子系統可能夠運用不同於初始影像資料擷取子系統之參數執行107一掃描。 一或多個額外掃描可係指使用不同掃描參數執行107之掃描。可以不同速度、距離、孔徑、焦點偏移、光譜、偏光等執行107掃描。例如，可使用各種掃描參數執行107多個掃描。以此方式，可執行107複數個額外掃描，各掃描使用一不同掃描參數集收集影像資料。經收集影像資料可與相同於第一熱掃描中之選定所關注缺陷及擾亂點資料的位置相關聯。在一項實施例中，僅可在對應於選定105複數個所關注缺陷及擾亂點資料之位置中執行107額外掃描。 方法100可進一步包括針對一或多個次要掃描模式之各者收集109一或多個影像集。各影像集中之影像可對應於選定105複數個所關注缺陷及擾亂點資料。處理器可自額外執行107之掃描收集109一或多個影像集。一或多個影像集可包括如在一個額外執行107之掃描中記錄的一所關注缺陷或擾亂點資料之影像集。各影像集可包括對應於一選定所關注缺陷或擾亂點資料之一主要掃描模式影像及一或多個次要掃描模式影像。 例如，一影像集可含有對應於使用主要掃描模式定位之一所關注缺陷區域的一區域之一影像。一影像集中之各影像的區域可具有相同大小，例如32 x 32個像素。在其他實施例中，一影像集中之各影像之區域可具有不同大小。一影像集中之影像可含有與一所關注缺陷、擾亂點資料或兩者相關之影像資料。所關注缺陷可類似於一影像集中之各影像。在其他實施例中，所關注缺陷可為不同類型之缺陷。 方法100可進一步包括將各經收集109影像集劃分111成一第一影像子集及第二影像子集。處理器可自動劃分111各經收集109影像集。處理器可將影像集劃分111成兩個相等子集。在一些實施例中，處理器可將影像集劃分111成一較大子集及一較小子集。在其他實施例中，處理器可例如藉由跨各影像集將表示晶圓之相同區域之影像分組成相同子集而以相同方式劃分111各經收集109影像集。在其他實施例中，劃分111可為隨機化。在一些實施例中，可自一單一影像集產生多個影像子集。例如，可產生三個或三個以上子集。在另一實施例中，可產生第一子集及第二子集之多個版本。 在一項實施例中，可在逐對基礎上執行劃分111。例如，使P1 包括與主要掃描模式相關之一或多個影像且使S1 、…、SN 各包括與第N掃描模式相關之一或多個影像。經收集109影像集可劃分111成包括P1 S1 、P1 S2 、…、P1 SN 之集合。在另一實施例中，可在多對基礎上執行劃分111。經收集109影像集可劃分111成包括P1 S1 S2 S3 、P1 S4 S5 S6 、P1 S2 S4 S6 、 P1 S1 S3 S5 等之集合。 方法100可進一步包括使用處理器針對各次要掃描模式訓練113一CNN。可使用對應第一影像子集執行訓練113。在其他實施例中，可使用對應第二影像子集執行訓練113。可針對各對主要掃描模式與一個次要掃描模式及/或主要掃描模式與諸多次要掃描模式訓練113各CNN。 一CNN係一種前饋式人工神經網路，其中其神經元(即，像素叢集)之間的連接圖案受動物視覺皮層之組織啟發。個別皮層神經元回應於稱為感受域之一受限空間區域中的刺激。不同神經元之感受域部分重疊使得其等拼接視域。一個別神經元對其感受域內之刺激的回應可在數學上藉由一卷積運算近似計算。 CNN可包括感受域之多個層。此等係處理該或該等輸入影像之部分的小神經元集合。此等集合之輸出接著經拼接使得其等輸入區域重疊，以獲得原始影像之一更佳表示。此可對每一此層重複。拼接允許CNN容忍輸入影像之平移。CNN可具有神經元之一3D體積。CNN之層可具有以三維配置之神經元：寬度、高度及深度。一層內部之神經元僅連接至該層前方之一小區域(稱為感受域)。相異類型之層(局部連接及完全連接兩者)經堆疊以形成一CNN架構。CNN藉由在相鄰層之神經元之間施行一局部連接圖案而利用空間局部相關。該架構因此確保學習濾波器產生對一空間局部輸入圖案之最強回應。堆疊諸多此等層導致變得逐漸全域之非線性濾波器(即，回應於像素空間之一更大區域)。此允許網路首先產生輸入之小部分之良好表示，接著組裝來自其等之較大區域之表示。在CNN中，跨整個視域複製各濾波器。此等複製單元共用相同參數化(權重向量及偏壓)且形成一特徵映射。此意謂一給定卷積層中之所有神經元偵測完全相同特徵。以此方式複製單元允許偵測特徵而無關於其等在視域中之位置，因此構成平移不變性之性質。 此等性質一起允許卷積神經網路達成視覺問題之更佳一般化。權重共用亦有助於顯著減少所學習之自由參數之數目，因此降低對運行網路之記憶體需求。減小記憶體使用量允許訓練更大、更強大網路。CNN可包含組合神經元叢集之輸出的局部或全域匯集層。匯集層亦可由卷積且完全連接層之各種組合組成，其中在各層之末端或各層之後施加逐點非線性。引入對小輸入區域之一卷積運算以減少自由參數之數目且改良一般化。卷積網路之一個優點係在卷積層中使用共用權重，此意謂相同濾波器(權重庫)用於層中之各像素。此亦減小記憶體使用量且改良效能。 一CNN架構可由相異層之一堆疊形成，該等層透過一可微分函數將輸入體積變換成一輸出體積(例如，保持類別分數)。可使用少數相異類型之層。卷積層具有由一組可學習濾波器(或核心)組成之各種參數，該組可學習濾波器具有一小感受域，但延伸通過輸入體積之全深度。在前向傳遞期間，各濾波器可跨輸入體積之寬度及高度卷積，從而計算濾波器之條目與輸入之間的點積且產生該濾波器之二維激發映射。因此，網路學習在其等於輸入中之某個空間位置處看見某種特定類型之特徵時激發的濾波器。藉由堆疊沿深度維度之所有濾波器的激發映射，形成卷積層之一全輸出體積。輸出體積中之每一條目因此亦可被解釋為查看輸入中之一小區域且與相同激發映射中之神經元共用參數的一神經元之一輸出。 在處理高維度輸入(諸如影像)時，將神經元連接至先前體積中之所有神經元可為不切實際的，因為此一網路架構未考量資料之空間結構。CNN可藉由在相鄰層之神經元之間施行一局部連接圖案而利用空間局部相關。例如，各神經元僅連接至輸入體積之一小區域。此連接程度係稱為神經元之感受域的一超參數。連接在空間中可為局部的(沿寬度及高度)，但始終沿輸入體積之整個深度延伸。此一架構確保經學習濾波器產生對一空間局部輸入圖案之最強回應。在一項實施例中，訓練113 CNN包含使用轉移學習以針對各CNN產生超參數。轉移學習可包含對一極大資料集訓練一CNN且接著將經訓練CNN權重用作用於所關注任務之一初始化或一固定特徵提取器。 三個超參數控制卷積層之輸出體積之大小：深度、步幅及補零。輸出體積之深度控制層中連接至輸入體積之相同區域的神經元之數目。所有此等神經元將學習針對輸入中之不同特徵激發。例如，若第一CNN層將原始影像視為輸入，則沿深度維度之不同神經元可在存在色彩之各種定向邊緣或斑點時激發。步幅控制如何分配圍繞空間維度(寬度及高度)之深度行。在步幅係1時，將僅隔1個空間單位將一新神經元深度行分配至空間位置。此導致行之間的感受域嚴重重疊，且亦導致大輸出體積。相反地，若使用更高步幅，則感受域將更少重疊且所得輸出體積將具有更小空間尺寸。有時，在輸入體積邊界上用零填補輸入係方便的。此補零之大小係一第三參數。補零提供輸出體積空間大小之控制。特定言之，有時可期望確切地保存輸入體積之空間大小。 在一些實施例中，可在層中使用一參數共用方案來控制自由參數之數目。若一個圖塊特徵可用於在某個空間位置處計算，則其亦可用於在一不同位置處計算。換言之，將一單一二維深度切片表示為一深度切片，各深度切片中之神經元可限於使用相同權重及偏壓。 由於一單一深度切片中之所有神經元可共用相同參數化，故層之各深度切片中的前向傳遞可計算為用輸入體積卷積神經元權重。因此，常見的是，將權重集合稱為濾波器(或核心)，其係用輸入卷積。此卷積之結果係一激發映射，且各不同濾波器之激發映射集合沿深度維度堆疊在一起以產生輸出體積。 有時，例如在至一CNN之輸入影像具有某個特定居中結構(其中預期在不同空間位置上學習完全不同特徵)時，參數共用可能並非有效。 CNN之另一重要概念係匯集，其係非線性下取樣之一形式。存在用來實施匯集之若干非線性函數，在該等函數當中最大匯集係1。最大匯集將輸入影像分隔成一組非重疊矩形且針對各此子區域輸出最大值。一旦已找到一特徵，其確切位置可並非如其相對於其他特徵之大致位置般重要。匯集層之功能可為逐漸減小表示之空間大小以減少網路中的參數及計算之量，且因此亦控制過度擬合。一匯集層可定位於一CNN架構中之連續卷積層之間。 一CNN中之另一層可為一ReLU (經整流線性單元)層。此係應用一非飽和激發函數之一神經元層。一ReLU層可增加決策函數及整個網路之非線性性質而不影響卷積層之感受域。 最後，在若干捲積及/或最大匯集層之後，經由完全連接層完成神經網路中之高階推理。一完全連接層中之神經元具有至先前層中的所有激發之連接。其等激發因此可運用一矩陣乘法接著一偏壓偏移來計算。 在一些實施例中，可利用丟棄技術來防止過度擬合。如本文中所提及，丟棄技術係一種用於藉由防止對訓練資料之複雜互相適應而減少神經網路中的過度擬合之正則化技術。術語「丟棄」係指丟棄一神經網路中之單元(隱藏及可見兩者)。例如，在各訓練階段，個別節點可從CNN「丟棄」之可能性係1-p或被保留之可能性係p，使得保持一經減小CNN。在一些實施例中，亦可移除至一經丟棄節點之傳入及傳出邊緣。僅訓練經減小CNN。接著經移除CNN可以其等原始權重重新插入至網路中。 在訓練階段中，一隱藏節點將被保留(即，不丟棄)之可能性可為近似0.5。對於輸入節點，保持可能性可更高。藉由避免以所有訓練資料訓練所有節點，丟棄減小CNN中之過度擬合且顯著改良訓練之速度。 可在本發明之實施例中使用諸多不同類型之CNN。可基於特定掃描模式或境況而使用不同CNN。一CNN之組態可基於晶圓、影像資料擷取子系統或預定參數而改變。 方法100可進一步包括判定115一理想次要掃描模式。可藉由將各CNN應用於對應第二影像子集而判定115理想次要掃描模式。可藉由比較各CNN之輸出而判定115一理想次要掃描模式。例如，一理想次要掃描模式可與其輸出中具有最高信雜比之CNN相關聯。在另一實例中，一理想次要掃描模式可與具有最高所關注缺陷識別率之CNN相關聯。在另一實例中，一理想次要掃描模式可與具有最低輸出擾亂點資料量之CNN相關聯。在另一實施例中，基於複數個所關注缺陷與擾亂點資料之間的分離而評估CNN。 方法100可進一步包括使用理想次要掃描模式執行117一最終熱掃描。可使用相同影像資料擷取子系統或一不同影像資料擷取子系統執行117最終熱掃描。可以一較高速度或使用引起一較低信雜比之參數執行117最終熱掃描。在一些實施例中，可僅掃描對應於所關注缺陷位置之資料。在其他實施例中，可掃描整個晶圓。 方法100可進一步包括使用對應於理想次要掃描模式之CNN對來自最終熱掃描之缺陷分類119以濾除最終熱掃描中之擾亂點資料。可基於類型、位置、嚴重性或任何其他目標參數而對缺陷分類119。 儘管可使用諸多類型之CNN，但與本文所揭示方法相容之一例示性CNN可如圖4中所展示。針對一個掃描模式之輸入層可經組態以接收6個影像。該6個影像可包括針對主要掃描模式之一測試影像、一參考影像及一差分影像與針對一個次要掃描模式之一測試影像、一參考影像及一差分影像。該等影像可表示所關注缺陷及/或擾亂點資料。該等影像之大小可為32 x 32。例如，可使用5個5 x 5 x 6濾波器對輸入層卷積。在5次卷積期間或之後可包含一選用ReLU層。此等卷積之結果係第一激發映射。第一激發映射可為5 x 28 x 28。可對第一激發映射執行卷積，例如，使用10個3 x 3 x 6濾波器執行卷積。在10次卷積期間或之後可包含一選用ReLU層。所得層可為一第二激發映射。第二激發映射可為10 x 26 x 26。可執行額外卷積直至已建立一完全連接層。可根據需要使用補零及匯集層。替代地，一設計片段可添加為導致一32 x 32 x 7輸入層堆疊之一輸入。 本發明之另一實施例可被描述為一種用於對缺陷分類之系統。該系統可包括一影像資料擷取子系統及與該影像資料擷取子系統電子通信之一處理器。 該處理器可經組態以：識別一主要掃描模式；指示該影像資料擷取子系統使用該經識別之主要掃描模式恢復一第一熱掃描；識別該經恢復之第一熱掃描中的複數個所關注缺陷及擾亂點資料；指示該影像資料擷取子系統使用一或多個次要掃描模式恢復一或多個額外掃描；收集針對該一或多個次要掃描模式之各者的一或多個影像集，各影像集中之影像對應於該經識別之複數個所關注缺陷及擾亂點資料；將各經收集影像集劃分成一第一影像子集及一第二影像子集；針對各次要掃描模式，運用該對應第一影像子集訓練一CNN；藉由將各CNN應用於該對應第二影像子集而判定一理想次要掃描模式；指示該影像資料擷取子系統使用該理想次要掃描模式恢復一最終熱掃描；及藉由使用對應於該理想次要掃描模式之該CNN而對來自該最終熱掃描之缺陷分類以濾除該最終熱掃描中之擾亂點資料。在一項實施例中，該系統可進一步包括與該處理器及該影像資料擷取子系統電子通信之一資料庫。該資料庫可經組態以儲存來自該最終熱掃描之經分類缺陷或CNN。 在一項實施例中，使用由一倍縮光罩檢驗系統產生的一倍縮光罩之一影像作為影像資料空間中之影像資料。以此方式，可使用由一倍縮光罩檢驗系統產生之一影像或一倍縮光罩作為影像資料之一替代。在此實施例中使用的倍縮光罩之影像可包含由此項技術中已知之任何倍縮光罩檢驗系統以任何合適方式產生的倍縮光罩之任何合適影像。例如，倍縮光罩之影像可為分別由一高放大率光學倍縮光罩檢驗系統或一基於電子束之倍縮光罩檢驗系統擷取的倍縮光罩之一高放大率光學或電子束影像。替代地，倍縮光罩之影像可為由一空中成像倍縮光罩檢驗系統擷取的倍縮光罩之一空中影像。 在一項實施例中，使用一檢驗系統來收集影像資料。例如，本文中所描述之光學及電子束輸出擷取子系統可組態為檢驗系統。在另一實施例中，影像資料擷取子系統係一缺陷檢視系統。例如，本文中所描述之光學及電子束輸出擷取子系統可組態為缺陷檢視系統。在一進一步實施例中，影像資料擷取子系統係一度量系統。例如，本文中所描述之光學及電子束輸出擷取子系統可組態為度量系統。特定言之，本文中所描述且圖2中所展示的輸出擷取子系統之實施例可取決於其等將用於之應用而修改一或多個參數以提供不同成像能力。在一個此實例中，若圖2中所展示之影像資料擷取子系統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2中所展示的影像資料擷取子系統之實施例描述一影像資料擷取子系統之一些一般及各種組態，可以將對熟習此項技術者顯而易見之數種方式客製化該影像資料擷取子系統以產生具有更適於或較不適於不同應用的不同成像能力之輸出擷取子系統。 本發明之系統及方法可利用經組態用於樣品(諸如晶圓及倍縮光罩)之檢驗、缺陷檢視及度量的輸出擷取子系統、缺陷檢視輸出擷取子系統及度量影像資料擷取子系統。例如，本文中所描述之實施例可經組態以出於遮罩檢驗、晶圓檢驗及晶圓度量而使用掃描電子顯微鏡(SEM)及光學影像兩者。特定言之，本文中所描述之實施例可安裝於一電腦節點或電腦叢集上，該電腦節點或電腦叢集係一影像資料擷取子系統(諸如一寬頻電漿檢驗器、一電子束檢驗器或缺陷檢視工具、一遮罩檢驗器、一虛擬檢驗器等)之一組件或耦合至該影像資料擷取子系統。以此方式，本文中所描述之實施例可產生可用於各種應用(包含(但不限於)晶圓檢驗、遮罩檢驗、電子束檢驗及檢視、度量等)之輸出。如上文所描述，圖2中所展示之輸出擷取子系統之特性可基於將針對其產生實際輸出的樣品而修改。 此一子系統包含一影像資料擷取子系統，其包含至少一能源及一偵測器。該能源經組態以產生引導至一晶圓之能量。該偵測器經組態以自該晶圓偵測能量且回應於該經偵測能量而產生輸出。 在一項實施例中，引導至晶圓之能量可包含光，且自晶圓偵測之能量包含光。例如，在圖2中所展示的系統之實施例中，影像資料擷取子系統10包含經組態以將光引導至晶圓14之一照明子系統。照明子系統包含至少一個光源。例如，如圖2中所展示，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一或多個入射角(其可包含一或多個斜角及/或一或多個法線角)將光引導至晶圓。例如，如圖2中所展示，來自光源16之光經引導穿過光學元件18且接著穿過透鏡20至光束分離器21，該光束分離器21按一法線入射角將光引導至晶圓14。入射角可包含任何合適入射角，其可例如取決於晶圓之特性而改變。 照明子系統可經組態以在不同時間按不同入射角將光引導至晶圓。例如，影像資料擷取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光可按不同於圖2中所展示的入射角之一入射角引導至晶圓。在一個此實例中，影像資料擷取子系統可經組態以移動光源16、光學元件18及透鏡20使得光按一不同入射角引導至晶圓。 在一些例項中，影像資料擷取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晶圓。例如，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如圖2中所展示之光源16、光學元件18及透鏡20且該等照明通道之另一者(未展示)可包含類似元件，該等元件可不同地或相同地組態，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彼等組件。若此光在相同於其他光之時間引導至晶圓，則按不同入射角引導至晶圓的光之一或多個特性(例如，波長、偏光等)可不同使得源自按不同入射角照明晶圓之光可在(若干)偵測器處彼此區別。 在另一例項中，照明子系統可僅包含一個光源(例如，圖2中所展示之光源16)且來自光源之光可藉由照明子系統之一或多個光學元件(未展示)分離成不同光學路徑(例如，基於波長、偏光等)。接著可將各不同光學路徑中之光引導至晶圓。多個照明通道可經組態以在相同時間或在不同時間(例如，當使用不同照明通道以循序地照明晶圓時)將光引導至晶圓。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晶圓。例如，在一些例項中，光學元件18可組態為一光譜濾波器且該光譜濾波器之性質可以各種不同方式(例如，藉由換出該光譜濾波器)改變使得不同波長之光可在不同時間引導至晶圓。照明子系統可具有此項技術中已知之用於循序或同時將具有不同或相同特性之光以不同或相同入射角引導至晶圓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晶圓之光可包含寬頻光。然而，光源可包含任何其他合適光源，諸如一雷射。雷射可包含此項技術中已知之任何合適雷射且可經組態以產生此項技術中已知的任何(或若干)合適波長之光。另外，雷射可經組態以產生單色或近單色光。以此方式，雷射可為一窄頻雷射。光源亦可包含產生多個離散波長或波帶之光的一多色光源。 來自光學元件18之光可藉由透鏡20聚焦至光束分離器21。儘管透鏡20在圖2中被展示為一單一折射光學元件，但應理解，在實踐中，透鏡20可包含以組合方式將光自光學元件聚焦至晶圓之數個折射及/或反射光學元件。圖2中所展示且本文中所描述之照明子系統可包含任何其他合適光學元件(未展示)。此等光學元件之實例包含(但不限於) (若干)偏光組件、(若干)光譜濾波器、(若干)空間濾波器、(若干)反射光學元件、(若干)變跡器、(若干)光束分離器、(若干)光圈及類似者，其(等)可包含此項技術中已知之任何此等合適光學元件。另外，系統可經組態以基於待用於輸出擷取的照明之類型而更改照明子系統之一或多個元件。 影像資料擷取子系統亦可包含經組態以引起光掃描遍及晶圓之一掃描子系統。例如，影像資料擷取子系統可包含載物台22，在輸出擷取期間晶圓14安置於載物台22上。掃描子系統可包含可經組態以移動晶圓使得光可掃描遍及晶圓之任何合適機械及/或機器人總成(包含載物台22)。另外或替代地，影像資料擷取子系統可經組態使得影像資料擷取子系統之一或多個光學元件執行光遍及晶圓之某一掃描。可以任何適合方式使光掃描遍及晶圓。 影像資料擷取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影像資料擷取子系統照明晶圓而自晶圓偵測光且回應於經偵測光產生輸出。例如，圖2中所展示之影像資料擷取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2中所展示，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，一個偵測通道經組態以偵測光譜反射之光，且另一偵測通道經組態以偵測並非自晶圓光譜反射(例如，散射、繞射等)之光。然而，兩個或兩個以上偵測通道可經組態以自晶圓偵測相同類型之光(例如，光譜反射之光)。儘管圖2展示包含兩個偵測通道之影像資料擷取子系統之一實施例，但影像資料擷取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)。儘管各集光器在圖2中被展示為單一折射光學元件，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。 該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，該等偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)及延時積分(TDI)攝影機。該等偵測器亦可包含此項技術中已知之任何其他適合偵測器。該等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，由包含於影像資料擷取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晶圓之影像。然而，在其他例項中，偵測器可經組態為經組態以產生影像信號或影像資料之成像偵測器。因此，系統可經組態以依數個方式產生本文中描述之影像。 應注意，本文中提供圖2以大體上繪示可包含於本文中所描述之系統實施例中的一影像資料擷取子系統之一組態。顯然，本文中所描述之影像資料擷取子系統組態可經更改以如在設計一商業系統時通常執行般最佳化系統之效能。另外，可使用諸如商業上可購自KLA-Tencor之工具之一現有輸出擷取系統(例如，藉由將本文中描述之功能性添加至一現有輸出擷取系統)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，除了輸出擷取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。 系統之電腦子系統36可以任何合適方式(例如，經由一或多個傳輸媒體，其(等)可包含「有線」及/或「無線」傳輸媒體)耦合至影像資料擷取子系統之偵測器，使得該電腦子系統可在掃描晶圓期間接收由偵測器產生之輸出。電腦子系統36可經組態以使用如本文中所描述的偵測器之輸出執行多個功能且執行本文中進一步描述之任何其他功能。此電腦子系統可如本文中所描述般進一步組態。 此電腦子系統(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，該(等)電腦子系統或該(等)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如本文中進一步描述之電腦子系統之間發送影像、資料、資訊、指令等。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。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。 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電腦系統上實行以執行用於模式選擇及影像融合之一電腦實施方法。圖3中展示一項此實施例。特定言之，如圖3中所展示，非暫時性電腦可讀媒體1800包含可在電腦系統1804上實行之程式指令1802。電腦實施方法可包含本文中所描述的(若干)任何方法之(若干)任何步驟。 實施方法(諸如本文中所描述之彼等方法)之程式指令1802可儲存於電腦可讀媒體1800上。該電腦可讀媒體可為一儲存媒體，諸如此項技術中已知之一磁碟或光碟、一磁帶或任何其他合適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(「MFC」)、SSE (串流SIMD延伸)或其他技術或方法論實施程式指令。 電腦系統1804可根據本文中所描述之任何實施例而實施。 儘管已關於一或多項特定實施例描述本發明，但將理解，在不背離本發明之精神及範疇的情況下，可製成本發明之其他實施例。因此，本發明被視為僅受隨附發明申請專利範圍及其合理解譯限制。
10‧‧‧影像資料擷取子系統14‧‧‧晶圓16‧‧‧光源18‧‧‧光學元件20‧‧‧透鏡21‧‧‧光束分離器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‧‧‧方法101‧‧‧識別102‧‧‧電腦子系統103‧‧‧執行105‧‧‧選擇107‧‧‧執行109‧‧‧收集111‧‧‧劃分113‧‧‧訓練115‧‧‧判定117‧‧‧執行119‧‧‧分類1800‧‧‧非暫時性電腦可讀媒體1802‧‧‧程式指令1804‧‧‧電腦系統
為了更全面理解本發明之性質及目的，應結合隨附圖式參考下文詳細描述，其中： 圖1係繪示本發明之一項實施例的一流程圖； 圖2係結合本發明之一項實施例使用的一系統之一系統圖； 圖3係展示一非暫時性電腦可讀媒體之一圖，該非暫時性電腦可讀媒體儲存可在一電腦系統上實行以執行本發明之一電腦實施方法之程式指令；及 圖4係繪示一個潛在卷積神經網路(CNN)結構之一圖。
100‧‧‧方法
101‧‧‧識別
103‧‧‧執行
105‧‧‧選擇
107‧‧‧執行
109‧‧‧收集
111‧‧‧劃分
113‧‧‧訓練
115‧‧‧判定
117‧‧‧執行
119‧‧‧分類

Claims (19)

  1. 一種用於對缺陷分類之方法，其包括：使用一處理器，識別一主要掃描模式；使用一影像資料擷取子系統運用該經識別之主要掃描模式執行一第一熱掃描；使用該處理器選擇該第一熱掃描中之複數個所關注缺陷及擾亂點(nuisance)資料；使用該影像資料擷取子系統運用一或多個次要掃描模式執行一或多個額外掃描；使用該處理器收集一或多個影像集，各影像集包括對應於一選定所關注缺陷或擾亂點資料之一主要掃描模式影像及一或多個次要掃描模式影像；使用該處理器將各經收集影像集劃分成一第一影像子集及一第二影像子集；使用該處理器針對各對主要掃描模式及次要掃描模式運用該對應第一影像子集訓練一卷積(convolutional)神經網路(CNN)；使用該處理器藉由將各CNN應用於該對應第二影像子集而判定一理想次要掃描模式；使用該影像資料擷取子系統運用該理想次要掃描模式執行一最終熱掃描；及使用該處理器藉由使用對應於該理想次要掃描模式之該CNN而對來自該最終熱掃描之缺陷分類以濾除該最終熱掃描中之擾亂點資料。
  2. 如請求項1之方法，其中藉由運行一熱掃描以偵測一缺陷而識別該主要掃描模式。
  3. 如請求項1之方法，其中一或多個以上次要掃描模式基於焦點偏移而偏離該主要掃描模式。
  4. 如請求項1之方法，其中該一或多個次要掃描模式基於光圈而偏離該主要掃描模式。
  5. 如請求項1之方法，其中該一或多個以上次要掃描模式基於光譜而偏離該主要掃描模式。
  6. 如請求項1之方法，其中該一或多個以上次要掃描模式基於偏光而偏離該主要掃描模式。
  7. 如請求項1之方法，其中訓練該CNN之步驟包含使用轉移學習以針對各CNN產生超參數。
  8. 如請求項1之方法，其中基於該複數個所關注缺陷與擾亂點資料之間的一分離而評估各CNN。
  9. 如請求項1之方法，其中各額外掃描使用一不同次要掃描模式。
  10. 如請求項1之方法，其中至該CNN之輸入係每個選定所關注缺陷及擾亂點資料6個影像。
  11. 如請求項10之方法，其中該等影像之大小係32 x 32個像素。
  12. 如請求項10之方法，其中該6個影像包括針對該主要掃描模式之一測試影像、一參考影像及一差分影像與針對該等次要掃描模式之一者之一測試影像、一參考影像及一差分影像。
  13. 如請求項1之方法，其中透過一或多個經整流線性單元層處理輸入影像。
  14. 如請求項13之方法，其中該經整流線性單元層利用一或多個濾波器。
  15. 如請求項13之方法，其中一完全連接層的一最終結果為該神經網路中之一高階推理。
  16. 如請求項13之方法，其中一或多個匯集層被利用於該CNN中。
  17. 一種用於對缺陷分類之系統，其包括：一影像資料擷取子系統；及 一處理器，其與該影像資料擷取子系統電子通信，該處理器經組態以：識別一主要掃描模式；指示該影像資料擷取子系統使用該經識別之主要掃描模式恢復一第一熱掃描；識別該經恢復之第一熱掃描中的複數個所關注缺陷及擾亂點資料；指示該影像資料擷取子系統使用一或多個次要掃描模式恢復一或多個掃描；收集一或多個影像集，各影像集包括對應於一選定所關注缺陷或擾亂點資料之一主要掃描模式影像及一或多個次要掃描模式影像；將各經收集影像集劃分成一第一影像子集及一第二影像子集；針對各對主要掃描模式及次要掃描模式運用該對應第一影像子集訓練一卷積神經網路(CNN)；藉由將各CNN應用於該對應第二影像子集而判定一理想次要掃描模式；指示該影像資料擷取子系統使用該理想次要掃描模式恢復一最終熱掃描；及藉由使用對應於該理想次要掃描模式之該CNN而對來自該最終熱掃描之缺陷分類以濾除該最終熱掃描中之擾亂點資料。
  18. 如請求項17之系統，其包括與該處理器及該影像資料擷取子系統電子通信之一資料庫，該資料庫經組態以儲存來自該最終熱掃描之經分類缺 陷。
  19. 如請求項18之系統，其中該資料庫亦經組態以儲存一或多個CNN。
TW106131520A 2016-09-14 2017-09-14 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類 TWI733900B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201662394744P 2016-09-14 2016-09-14
US62/394,744 2016-09-14
US15/371,882 US10115040B2 (en) 2016-09-14 2016-12-07 Convolutional neural network-based mode selection and defect classification for image fusion
US15/371,882 2016-12-07

Publications (2)

Publication Number Publication Date
TW201824417A TW201824417A (zh) 2018-07-01
TWI733900B true TWI733900B (zh) 2021-07-21

Family

ID=61560270

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106131520A TWI733900B (zh) 2016-09-14 2017-09-14 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類

Country Status (8)

Country Link
US (1) US10115040B2 (zh)
JP (1) JP6901565B2 (zh)
KR (1) KR102235581B1 (zh)
CN (1) CN109690749B (zh)
IL (1) IL264874B (zh)
SG (1) SG11201901334SA (zh)
TW (1) TWI733900B (zh)
WO (1) WO2018053031A1 (zh)

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10740939B1 (en) * 2016-12-09 2020-08-11 Snap Inc. Fast image style transfers
JP6668278B2 (ja) * 2017-02-20 2020-03-18 株式会社日立ハイテク 試料観察装置および試料観察方法
EP3489892B1 (en) * 2017-11-24 2022-01-05 Ficosa Adas, S.L.U. Determining clean or dirty captured images
WO2019159324A1 (ja) * 2018-02-16 2019-08-22 パナソニックＩｐマネジメント株式会社 処理方法およびそれを利用した処理装置
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US11151711B2 (en) * 2018-06-06 2021-10-19 Kla-Tencor Corporation Cross layer common-unique analysis for nuisance filtering
CN110663971B (zh) * 2018-07-02 2022-03-29 天津工业大学 基于双分支深度融合卷积神经网络的红枣品质分类方法
CN109003239B (zh) * 2018-07-04 2022-03-29 华南理工大学 一种基于迁移学习神经网络的多光谱图像锐化方法
EP3598474A1 (en) * 2018-07-19 2020-01-22 FEI Company Adaptive specimen image acquisition using an artificial neural network
US11668655B2 (en) 2018-07-20 2023-06-06 Kla Corporation Multimode defect classification in semiconductor inspection
CN109239075B (zh) * 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置
TWI690859B (zh) * 2018-09-10 2020-04-11 陳柏蒼 利用圖形辨識量測水位之方法及其系統
US10867108B2 (en) * 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
CN109492628B (zh) * 2018-10-08 2021-11-16 杭州电子科技大学 一种应用于课堂违纪抓取的球形定位系统的实现方法
EP3867919A4 (en) * 2018-10-19 2022-08-31 F. Hoffmann-La Roche AG DEFECT DETECTION IN LYOPHILIZED MEDICINAL PRODUCTS USING NEURAL CONVOLUTIONAL NETWORKS
CN109115805A (zh) * 2018-10-25 2019-01-01 广东华中科技大学工业技术研究院 基于超声和光学双成像的透明构件缺陷检测装置及方法
WO2020082396A1 (zh) * 2018-10-27 2020-04-30 合刃科技（深圳）有限公司 一种检测方法和检测装置
CN109598287B (zh) * 2018-10-30 2021-06-08 中国科学院自动化研究所 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法
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
TWI694414B (zh) * 2018-12-18 2020-05-21 國立成功大學 卷積神經網路分析方法、電腦程式產品與電子裝置
US11379967B2 (en) * 2019-01-18 2022-07-05 Kla Corporation Methods and systems for inspection of semiconductor structures with automatically generated defect features
CN109902584B (zh) * 2019-01-28 2022-02-22 深圳大学 一种口罩缺陷的识别方法、装置、设备及存储介质
KR20230148862A (ko) * 2019-02-15 2023-10-25 주식회사 히타치하이테크 구조 추정 시스템, 구조 추정 프로그램
CN112001211B (zh) * 2019-05-27 2024-04-19 商汤集团有限公司 对象检测方法、装置、设备及计算机可读存储介质
CN110246131A (zh) * 2019-06-21 2019-09-17 成都卡普数据服务有限责任公司 基于卷积神经网络的导线分股缺陷图像识别方法
US11151412B2 (en) * 2019-07-01 2021-10-19 Everseen Limited Systems and methods for determining actions performed by objects within images
WO2021040409A1 (ko) * 2019-08-27 2021-03-04 삼성전자 주식회사 광학 검사 방법 및 이를 이용한 장치
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11415531B2 (en) 2019-10-11 2022-08-16 KLA Corp. Statistical learning-based mode selection for multi-mode inspection
US11087449B2 (en) * 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
KR20220074927A (ko) * 2019-10-31 2022-06-03 칼 짜이스 에스엠테 게엠베하 고형상비 구조의 형상 편차를 측정하기 위한 fib-sem 3d 단층 촬영
MX2022005752A (es) 2019-11-12 2022-08-17 Bright Machines Inc Sistema de análisis de imágenes para pruebas en la fabricación.
US20210158223A1 (en) * 2019-11-22 2021-05-27 Kla Corporation Finding Semiconductor Defects Using Convolutional Context Attributes
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
US11961219B2 (en) 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
US11151710B1 (en) * 2020-05-04 2021-10-19 Applied Materials Israel Ltd. Automatic selection of algorithmic modules for examination of a specimen
US11769242B2 (en) 2020-05-21 2023-09-26 Kla Corporation Mode selection and defect detection training
TWI777173B (zh) * 2020-06-01 2022-09-11 汎銓科技股份有限公司 人工智慧辨識之半導體影像量測方法
JP7332810B2 (ja) * 2020-07-09 2023-08-23 株式会社日立ハイテク パターンマッチング装置、パターン測定システム、パターンマッチングプログラム
WO2022020594A1 (en) * 2020-07-23 2022-01-27 Malay Kundu Multilayer three-dimensional presentation
US11328410B2 (en) 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
CN112734692B (zh) * 2020-12-17 2023-12-22 国网信息通信产业集团有限公司 一种变电设备缺陷识别方法及装置
CN113012123A (zh) * 2021-03-13 2021-06-22 山东大学 碳纤维复合材料缺陷损伤分类识别与定量分析方法及系统
CN113077444A (zh) * 2021-04-01 2021-07-06 复旦大学 一种基于cnn的超声无损检测图像缺陷分类方法
CN114170230B (zh) * 2022-02-14 2022-04-29 清华大学 基于可变形卷积与特征融合的玻璃缺陷检测方法与装置
CN115239712B (zh) * 2022-09-21 2023-01-31 季华实验室 电路板表面缺陷检测方法、装置、电子设备及存储介质
CN116051542B (zh) * 2023-03-06 2023-07-14 深圳市深视智能科技有限公司 缺陷检测方法及缺陷检测装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050002560A1 (en) * 2003-05-29 2005-01-06 Nidek Co., Ltd. Defect inspection apparatus
US20080167829A1 (en) * 2007-01-05 2008-07-10 Allen Park Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US20100188657A1 (en) * 2009-01-26 2010-07-29 Kla-Tencor Corporation Systems and methods for detecting defects on a wafer
US20110276935A1 (en) * 2008-06-11 2011-11-10 Kla-Tencor Corporation Systems and methods for detecting design and process defects on a wafer, reviewing defects on a wafer, selecting one or more features within a design for use as process monitoring features, or some combination thereof
US20110310388A1 (en) * 2010-06-17 2011-12-22 Kla-Tencor Corporation Discrete polarization scatterometry
TW201319554A (zh) * 2011-07-28 2013-05-16 Kla Tencor Corp 偵測在晶圓上之缺陷
TW201448078A (zh) * 2013-02-25 2014-12-16 Kla Tencor Corp 通用化的虛擬檢驗器
TW201535557A (zh) * 2014-02-14 2015-09-16 Kla Tencor Corp 將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法
US20150324965A1 (en) * 2014-05-12 2015-11-12 Kla-Tencor Corporation Using High Resolution Full Die Image Data for Inspection
TW201546565A (zh) * 2014-03-10 2015-12-16 Applied Materials Inc 微影製程之影像資料處理方法及其系統

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5509581B2 (ja) 2008-11-27 2014-06-04 信越半導体株式会社 半導体ウェーハの評価方法
US9401013B2 (en) * 2012-02-03 2016-07-26 Applied Materials Israel, Ltd. Method of design-based defect classification and system thereof
JP6009956B2 (ja) * 2013-01-31 2016-10-19 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
US8984450B2 (en) * 2013-03-14 2015-03-17 Taiwan Semiconductor Manufacturing Company, Ltd. Method and apparatus for extracting systematic defects
US9726617B2 (en) * 2013-06-04 2017-08-08 Kla-Tencor Corporation Apparatus and methods for finding a best aperture and mode to enhance defect detection
CN104977313A (zh) * 2014-04-09 2015-10-14 四川省特种设备检验研究院 一种焊缝x射线图像缺陷检测与识别方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050002560A1 (en) * 2003-05-29 2005-01-06 Nidek Co., Ltd. Defect inspection apparatus
US20080167829A1 (en) * 2007-01-05 2008-07-10 Allen Park Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US20110276935A1 (en) * 2008-06-11 2011-11-10 Kla-Tencor Corporation Systems and methods for detecting design and process defects on a wafer, reviewing defects on a wafer, selecting one or more features within a design for use as process monitoring features, or some combination thereof
US20100188657A1 (en) * 2009-01-26 2010-07-29 Kla-Tencor Corporation Systems and methods for detecting defects on a wafer
US20110310388A1 (en) * 2010-06-17 2011-12-22 Kla-Tencor Corporation Discrete polarization scatterometry
TW201319554A (zh) * 2011-07-28 2013-05-16 Kla Tencor Corp 偵測在晶圓上之缺陷
TW201448078A (zh) * 2013-02-25 2014-12-16 Kla Tencor Corp 通用化的虛擬檢驗器
TW201535557A (zh) * 2014-02-14 2015-09-16 Kla Tencor Corp 將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法
TW201546565A (zh) * 2014-03-10 2015-12-16 Applied Materials Inc 微影製程之影像資料處理方法及其系統
US20150324965A1 (en) * 2014-05-12 2015-11-12 Kla-Tencor Corporation Using High Resolution Full Die Image Data for Inspection

Also Published As

Publication number Publication date
SG11201901334SA (en) 2019-04-29
JP6901565B2 (ja) 2021-07-14
CN109690749B (zh) 2020-05-29
US10115040B2 (en) 2018-10-30
KR20190042739A (ko) 2019-04-24
JP2019530117A (ja) 2019-10-17
TW201824417A (zh) 2018-07-01
CN109690749A (zh) 2019-04-26
US20180075594A1 (en) 2018-03-15
WO2018053031A1 (en) 2018-03-22
IL264874B (en) 2021-02-28
KR102235581B1 (ko) 2021-04-01

Similar Documents

Publication Publication Date Title
TWI733900B (zh) 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類
TWI731198B (zh) 用於以迴旋神經網路為基礎之缺陷檢測之資料擴增
CN111819676B (zh) 训练用于低分辨率图像中的缺陷检测的神经网络
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
KR102369848B1 (ko) 관심 패턴 이미지 집단에 대한 이상치 검출
US11087449B2 (en) Deep learning networks for nuisance filtering
TW202013538A (zh) 用於損害篩選之跨層共同─獨特分析
US11644756B2 (en) 3D structure inspection or metrology using deep learning
US11774371B2 (en) Defect size measurement using deep learning methods
KR102201122B1 (ko) 민감도 개선 및 뉴슨스 억제를 위해 로직 및 핫스팟 검사에서 z-층 컨텍스트를 사용하는 시스템 및 방법
US20240112326A1 (en) Inspection of adaptive patterned workpieces with dynamic design and deep learning-based rendering
TW202300900A (zh) 以經呈現設計影像之設計照護區域之分段
TW202225678A (zh) 使用轉移學習之晶圓級簽章分群