TWI738157B - 用於電子束影像強化之全自動掃描式電子顯微鏡取樣系統 - Google Patents

用於電子束影像強化之全自動掃描式電子顯微鏡取樣系統 Download PDF

Info

Publication number
TWI738157B
TWI738157B TW108147527A TW108147527A TWI738157B TW I738157 B TWI738157 B TW I738157B TW 108147527 A TW108147527 A TW 108147527A TW 108147527 A TW108147527 A TW 108147527A TW I738157 B TWI738157 B TW I738157B
Authority
TW
Taiwan
Prior art keywords
image
quality
training
machine learning
learning model
Prior art date
Application number
TW108147527A
Other languages
English (en)
Other versions
TW202042273A (zh
Inventor
周文天
于良江
王騰
浦凌凌
方偉
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202042273A publication Critical patent/TW202042273A/zh
Application granted granted Critical
Publication of TWI738157B publication Critical patent/TWI738157B/zh

Links

Images

Classifications

    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明揭示一種自動地獲得訓練影像以訓練改良影像品質之一機器學習模型之方法。該方法可包含分析關於一產品之一佈局的複數個資料型樣以識別該產品之一樣品上之複數個訓練位置以供用於訓練該機器學習模型。該方法可包含針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像，及針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質。該方法可包含使用該第一影像及該第二影像來訓練該機器學習模型。

Description

用於電子束影像強化之全自動掃描式電子顯微鏡取樣系統
本發明大體上係關於用於影像獲取之系統及影像強化方法，且更特定言之係關於用於藉由自動地獲得訓練影像以訓練改良影像品質之機器學習模型而改良度量衡之系統及其方法。
在用於製造積體電路(IC)之製造程序中，未完成或已完成電路組件經檢測以確保其根據設計而製造且無缺陷。可採用利用光學顯微鏡或帶電粒子(例如電子)束顯微鏡(諸如掃描式電子顯微鏡(SEM))之檢測系統。隨著IC組件之實體大小繼續縮小，缺陷偵測之準確度及良率變得愈來愈重要。然而，檢測工具之成像解析度及產出率艱難地跟上IC組件之不斷減小之特徵大小。需要對此項技術之進一步改良。
以下呈現一或多個態樣之簡化概述，以提供對該等態樣之基本理解。本概述並非所有所涵蓋的態樣之廣泛綜述，且既不意欲識別全部態樣之關鍵或決定性要素，亦不意欲劃定任何或所有態樣之範疇。其唯一目的為以簡化形式呈現一或多個態樣之一些概念，作為稍後所呈現的更 具體實施方式的序言。
在本發明之一態樣中，提供一種自動地獲得訓練影像以訓練機器學習模型之方法。該方法可包含分析關於一產品之一佈局的複數個資料型樣以識別該產品之一樣品上之複數個訓練位置以供用於訓練該機器學習模型。該方法可包含針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像，及針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質。該方法可包含使用該第一影像及該第二影像來訓練該機器學習模型。
在本發明之另一態樣中，提供有一種用於自動地獲得訓練影像以訓練機器學習模型之設備。該設備可包含一記憶體，及耦接至該記憶體之一或多個處理器。該一或多個處理器可經組態以分析關於一產品之一佈局之複數個資料型樣以識別該產品之一樣品上之複數個訓練位置以供用於訓練該機器學習模型。該一或多個處理器可進一步經組態以針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像，及針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質。該一或多個處理器可進一步經組態以使用該第一影像及該第二影像來訓練該機器學習模型。
在本發明之另一態樣中，提供一種儲存一指令集之非暫時性電腦可讀媒體，該指令集可由一裝置之一控制器執行以使得該裝置執行一方法，其包含：分析關於一產品之一佈局的複數個資料型樣以識別該產品之一樣品上之複數個訓練位置以供用於訓練該機器學習模型；針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像；針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高 於該第一品質；以及使用該第一影像及該第二影像來訓練該機器學習模型。
在本發明之另一態樣中，提供一種包含一控制器之電子束檢測設備，該控制器具有電路系統以使得該電子束檢測設備執行以下操作：分析關於一產品之一佈局的複數個資料型樣以識別該產品之一樣品上之複數個訓練位置以供用於訓練該機器學習模型；針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像；針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質；以及使用該第一影像及該第二影像來訓練該機器學習模型。
為實現前述及相關目的，實施例之態樣包含在下文中描述且在申請專利範圍中特別指出之特徵。以下描述及隨附圖式詳細闡述一或多個態樣之某些說明性特徵。然而，這些特徵僅指示可採用各種態樣原理之各種方式中之少許，且此描述意欲包括所有此等態樣及其等效物。
100:流程圖
101:圖形資料庫系統(GDS)
102:SEM取樣系統
105:參考影像
107:品質強化系統
108:低品質影像
109:高品質影像
200:方塊圖
202:電腦系統/自動化SEM取樣系統
204:處理器
206:儲存媒體
208:使用者介面
210:參考儲存裝置
212:檢測系統
300:電子束檢測(EBI)系統
302:主腔室
304:裝載/鎖定腔室
306:電子束工具
308:裝備前端模組
308a:第一裝載埠
308b:第二裝載埠
309:電腦系統
400:電子束工具/機動載物台
402:晶圓固持器
403:晶圓
404:物鏡總成
404a:極片
404b:控制電極
404c:偏轉器
404d:激勵線圈
406:電子偵測器
408:物鏡孔徑
410:聚光器透鏡
412:射束限制孔徑
414:電子槍孔徑
416:陽極
418:陰極
420:初級電子束
422:次級電子束
500d:圖
501a:型樣
501b:型樣
501c:型樣
503:晶圓
506:可能位置
506t:訓練位置
600a:方塊圖
600b:方塊圖
602:自動化SEM取樣系統
603:GDS分析器/GDS分析器組件
604:處理器
605:取樣規劃器/取樣規劃器組件
606:儲存媒體
608:使用者介面
610:訓練影像
611:高品質參考影像
612:EBI工具
615:機器學習模型
617:品質強化模組
700:流程圖
702:步驟
704:步驟
706:步驟
708:步驟
710:步驟
圖1為用於改良藉由SEM取樣系統獲得之影像之程序的流程圖。
圖2為根據本發明之一些態樣的說明自動SEM取樣系統之實例的方塊圖。
圖3為根據本發明之一些態樣的說明電子束檢測(EBI)系統之實例的示意圖。
圖4為根據本發明之一些態樣的說明可為圖3的實例電子束檢測(EBI)系統之一部分的電子束工具之實例的示意圖。
圖5A至圖5C說明根據本發明之一些態樣的產品之圖形資料 庫系統(GDS)之複數個設計型樣。
圖5D為根據本發明之一些態樣的說明複數個訓練位置之圖。
圖6A為根據本發明之一些態樣的說明自動地獲得訓練影像以訓練機器學習模型之方法之實例的流程圖。
圖6B為根據本發明之一些態樣的說明自動SEM取樣系統之細節的方塊圖。
圖7為根據本發明之一些態樣的說明自動地獲得訓練影像以訓練改良影像品質之機器學習模型之方法之實例的方塊圖。
現在將詳細參考實施例之實例態樣，在隨附圖式中說明該等實施例之實例。以下描述參考隨附圖式，其中除非另外表示，否則不同圖式中之相同編號表示相同或類似元件。實施例之實例態樣之以下描述中所闡述的實施並不表示符合本發明的所有實施。實情為，其僅為符合與如申請專利範圍中所列舉之本發明相關的實施例之態樣的設備及方法之實例。舉例而言，儘管在利用用於產生晶圓影像之電子束檢測(EBI)系統(諸如掃描式電子顯微鏡(SEM))之內容背景中描述實施例的一些態樣，但本發明不限於此。類似地應用其他類型之檢測系統及影像產生系統。
可藉由顯著增加IC晶片上之電路組件(諸如電晶體、電容器、二極體等)之封裝密度來實現電子裝置之經強化之計算能力，同時減小裝置之實體大小。舉例而言，在智慧型電話中，IC晶片(其可為拇指甲大小)可包括超過20億個電晶體，每一電晶體之大小小於人類毛髮之1/1000。並不出人意料，半導體IC製造為具有數百個個別步驟之複雜程 序。甚至一個步驟中之錯誤亦有可能顯著影響最終產品之機能。甚至一個「致命缺陷」可造成裝置故障。製造程序之目標為改良程序之總良率。舉例而言，對於得到75%良率之50步驟程序，每一個別步驟必須具有大於99.4%之良率，且若個別步驟良率為95%，則總程序良率下降至7%。
在半導體製造程序之各種步驟中，型樣缺陷可出現在晶圓、晶片或光罩中之至少一者上，此可促使所製造半導體裝置發生故障，由此在很大程度上減小良率。隨著半導體裝置大小不斷變得愈來愈小(以及任何缺陷)，識別缺陷變得更具有挑戰性且更昂貴。當前，半導體生產線上的工程師通常花費數小時(及有時甚至數天)來識別小缺陷之位置以最小化其對最終產品的影響。
習知光學檢測技術在檢測小缺陷(例如奈米等級缺陷)時無效。高階電子束檢測(EBI)工具(諸如具有高解析度及較大聚焦深度之SEM)已被開發以滿足半導體行業的需要。可在監測半導體製造程序時，尤其對於光學檢測無法提供足夠資訊之較高階節點使用電子束影像。
電子束影像可根據一或多個品質，諸如對比度、亮度、雜訊位準等等來表徵。一般而言，低品質影像常常需要較少參數調諧及較少掃描，但嵌入於低品質影像中之資訊(諸如缺陷類型及位置)難以提取，這對分析可具有負面影響。並不受此問題影響之高品質影像可藉由增大數目之掃描獲得。然而，高品質影像可具有低產出率。
另外，電子束影像獲取程序可經過許多步驟，諸如識別所關注型樣、設定掃描區域以供檢測、調諧SEM條件、判定品質強化方法等等。許多此等設定及參數為系統產出率及電子束影像品質兩者之貢獻因素。產出率與影像品質之間可存在折衷。
為了獲得高品質影像並同時達成高產出率，操作者一般需要設定許多參數並關於應如何獲得影像進行決策。然而，判定此等參數常常並非直接了當的。為了使可能的操作者間變化最小化，可訓練基於機器學習之強化方法以習得強化框架/網路。在此類狀況下，足夠且代表性的訓練樣品之獲取有利於提高經訓練系統之最終效能。然而，用以獲得SEM影像樣品之共同程序需要大量人工干預，包括搜尋適當設計型樣以供掃描、判定待收集之數個影像及各種成像條件，等等。此類密集型人類參與阻礙了高階基於機器學習之強化方法的完整利用。因此，需要產生全自動智慧型取樣系統以用於電子束影像品質強化。
本文尤其揭示自動地獲得訓練影像以訓練改良影像品質之機器學習模型的裝備，及由該裝備使用之方法。電子束(E-beam)成像在檢測半導體製造程序中之極小缺陷(例如，奈米等級缺陷，其中奈米為0.000000001米)時發揮重要作用。一般而言，有可能極其迅速地獲得許多相對較低品質之電子束影像，但影像可並不提供關於諸如缺陷類型及位置等問題之足夠有用的資訊。另一方面，有可能獲得高品質影像，但獲得高品質影像花費較多時間，且因此降低可分析裝置之速度。這會增加製造成本。可掃描樣品多次以改良影像品質，諸如藉由減小雜訊(藉由對多個影像求平均值)。然而，掃描每一樣品多次會降低系統產出率且可引起電荷積累或可損傷樣品。
本文所揭示之系統及方法中之一些體現用以在一些實施例中藉由自動地選擇待使用樣品位置以產生用於機器學習(ML)演算法之訓練影像而藉由對樣品之降低數目之掃描達成高品質影像的方式。術語「品質」指代解析度、對比度、靈敏度、亮度或雜訊位準等等。本文所揭示之 系統及方法中之一些可獲得影像品質較高而不會過度減緩產量之益處。系統之一些實施例可自動地分析關於產品佈局之複數個資料型樣，以便識別產品之樣品上之多個訓練位置以供用於訓練機器學習模型。資料型樣可為產品之SEM影像，或表示產品之佈局設計(例如，圖形資料庫系統(GDS)、開放式圖稿系統交換標準(OASIS)、Caltech Intermediate Format(CIF)等等)。作為一實例，GDS分析器可用於判定樣品上用於訓練ML演算法之良好位置。掃描此等位置多次，從而產生多個影像，其中一些諸如由於雜訊求平均或對SEM使用較高解析度設定隨每一掃描遞增地改良。將此等影像(例如，較低品質影像及相關聯較高品質影像)用作訓練ML演算法之訓練樣品。以降低的次數掃描樣品上之其他位置，且ML演算法將影像修改為接近於使影像將隨額外掃描或使用更高解析度設定之掃描遞增地改良的程度。
本發明尤其提供自動地獲得訓練影像以訓練改良影像品質之機器學習模型之方法。該方法可包含分析關於產品佈局之複數個資料型樣以識別產品之樣品上之複數個訓練位置以供用於訓練機器學習模型。舉例而言，該方法可包含分析來自產品之圖形資料庫系統(GDS)之複數個型樣，並基於分析識別產品之樣品上之複數個訓練位置以供用於訓練機器學習模型。
作為一實例，該方法可針對多個訓練位置中之每一者獲得一或多個低品質影像及一或多個高品質影像。該方法可使用一或多個低品質影像及一或多個高品質影像來訓練機器學習模型。舉例而言，機器學習模型可學習影像如何在低品質影像與高品質影像之間改變，且可經訓練以產生自低品質影像接近於高品質影像的影像。在訓練之後，機器學習模型 可用於針對產品自低品質影像自動地產生高品質影像。以此方式，可迅速獲得高品質影像。另外，該方法可使所需的人類監督量最小化、防止將另外由不同操作者使用而產生的不一致性，並避免各種人工誤差。因此，該方法可提高檢測準確性。因此，該方法可提高製造效率並減小製造成本。
作為一實例，該方法可進一步包含使用機器學習模型將影像修改為接近於藉由增大數目之掃描獲得之結果。術語「接近於」指代在品質上接近或類似。舉例而言，使用機器學習模型之影像之品質可在藉由增大數目之掃描獲得之影像之品質的5%、10%、15%或20%內。
本文所揭示之方法中之一些有利於在高產出率下產生高品質影像。另外，方法中之一些可需要最小人工干預，從而減小或排除不同操作者之不一致性及各種人工誤差，且藉此提高檢測準確性。以此方式，可提高製造效率並可減小製造成本。
一些所揭示實施例為電子束影像強化提供全自動智慧型電子束影像取樣系統，其包含GDS型樣分析器及智慧型檢測取樣規劃器以用於收集樣品影像以饋入至機器學習品質強化系統中，從而產生未經參數化品質強化模組。自動化智慧型電子束影像取樣系統可用於強化自較高產出率模式收集之較低品質影像。自動化智慧型電子束影像取樣系統有利於需要最小人工干預並在高產出率下產生高品質影像以供檢測及度量衡分析。有利地，自動化智慧型電子束影像取樣系統可提高製造效率並減小製造成本。
圖1為根據本發明之一些態樣的用於改良藉由SEM取樣系統102獲得之影像之程序的流程圖100。舉例而言，自動化智慧型SEM取樣系統102可為圖3的EBI系統300。SEM取樣系統102可經組態以獲得訓練 影像以訓練改良影像品質之機器學習模型。自動化智慧型SEM取樣系統102可經組態以分析關於產品佈局之複數個資料型樣以識別產品之樣品上之複數個訓練位置以供用於訓練機器學習模型。舉例而言，該資料可處於資料庫中。舉例而言，該資料庫可為任何GDS、開放式圖稿系統交換標準(Open Artwork System Interchange Standard)，或Caltech Intermediate Form中之任一者。舉例而言，該GDS可包括GDS及GDSII兩者。另外，自動化智慧型SEM取樣系統102可包含GDS型樣分析器，其經組態以分析來自產品之圖形資料庫系統(GDS)101的複數個型樣。自動化智慧型SEM取樣系統102可另外包含智慧型檢測取樣規劃器，其經組態以基於分析識別產品之樣品上之複數個訓練位置以供用於訓練機器學習模型。
自動化智慧型SEM取樣系統102可經組態以針對該複數個訓練位置中之每一者獲得具有第一品質之第一影像。舉例而言，系統102可經組態以使得能夠針對該複數個訓練位置中之每一者進行第一掃描以針對該複數個訓練位置中之每一者獲得第一影像。自動化智慧型SEM取樣系統102可經組態以基於第一掃描針對該複數個訓練位置中之每一者獲得第一影像。另外，系統102可經組態以針對該複數個訓練位置中之每一者獲得具有第一品質之多於一個第一影像。舉例而言，第一掃描可包括低數目之掃描且第一影像可為低品質影像。低數目之掃描可為數目在約例如1至約10範圍內之掃描。自動化智慧型SEM取樣系統102可經組態以針對該複數個訓練位置中之每一者獲得第二影像，其中第二影像具有高於第一品質之第二品質。舉例而言，第二影像可為高品質影像。第二影像可為較高品質影像，此係由於具有較高解析度、較高對比度、較高靈敏度、較高亮度或較低雜訊位準等等，或此等特徵之某一組合。
舉例而言，系統102可經組態以針對該複數個訓練位置中之每一者獲得具有第二品質之多於一個第二影像。作為一實例，可藉由實現第二掃描集合(或序列)而獲得第二影像，其中該掃描集合(或序列)可包括增大數目之掃描，由此產生較高品質影像。舉例而言，增大數目之掃描可為數目在約32至約256範圍內之掃描。作為另一實例，可藉由獲取數個低品質影像並對該等影像求平均值，以產生較高品質影像(由於例如由於求平均之較少雜訊)而獲得較高品質影像。作為又一實例，可藉由組合數個低品質影像以產生較高品質影像而獲得較高品質影像。作為又一實例，可藉由可選使用者輸入接收第二影像以作為參考影像，如105處所說明。作為另一實例，第二影像可基於改良品質掃描(諸如具有較高解析度或產生改良品質掃描之一或多個其他設定改變的掃描)而獲得。
自動化智慧型SEM取樣系統102可針對該複數個訓練位置中之每一者使用第一影像及第二影像作為訓練影像以訓練機器學習模型。在一些態樣中，自動化智慧型SEM取樣系統102可經組態以使得能夠掃描訓練位置中之每一者複數次以針對每一位置形成複數個訓練影像，其中訓練影像中之一些反映由對訓練位置之額外數目之掃描產生的影像品質之改良。舉例而言，複數個低品質影像與高品質影像對可經獲得並用作訓練影像以訓練機器學習模型。舉例而言，自動化智慧型SEM取樣系統102可收集樣品影像(例如，訓練影像對)以饋入至基於機器學習之品質強化系統107中，從而產生未經參數化品質強化模組。自動化智慧型SEM取樣系統可用於強化在操作期間在高產出率模式下收集之低品質影像108以產生經強化之高品質影像109。舉例而言，自動化智慧型SEM取樣系統102可經組態以使用機器學習模型將影像修改為接近於藉由增大數目之掃描獲得之 結果。全自動智慧型SEM取樣系統102具有以下優勢：需要最小量之人工干預，同時能夠在高產出率下產生高品質影像以用於檢測及度量衡分析。
圖2為根據本發明之一些態樣的說明自動化SEM取樣系統202之實例的方塊圖200。如圖2中所示，自動化SEM取樣系統202可包含電腦系統202(例如，圖3中之電腦系統309)，其與檢測系統212及參考儲存裝置210通信。舉例而言，檢測系統212可為EBI工具(例如，圖3的EBI系統300)。電腦系統202可包含處理器204、儲存媒體206及使用者介面208。處理器204可包含多個處理器，且儲存媒體206及參考儲存裝置210可為相同的單一儲存媒體。電腦系統202可經由有線或無線通信與檢測系統212及參考儲存裝置210通信。舉例而言，電腦系統可為EBI工具之控制器，且該控制器可具有電路系統以使得該EBI工具執行自動化SEM取樣。
電腦系統202可包括但不限於個人電腦、工作站、網路電腦或具有一或多個處理器之任何裝置。儲存媒體206儲存SEM取樣指令且處理器204(經由其電路系統)經組態以執行SEM取樣指令以控制自動化SEM取樣程序。處理器204可經組態以獲得訓練影像以訓練改良影像品質之機器學習模型，如關於圖1所描述。舉例而言，處理器204可經組態以分析產品之複數個GDS型樣並識別產品之樣品上之複數個訓練位置。處理器204可與檢測系統212通信以使得能夠針對該複數個訓練位置中之每一者進行第一掃描，從而針對該複數個訓練位置中之每一者獲得第一影像。舉例而言，處理器204可指示檢測系統212執行第一掃描以獲得至少一個影像，其可為藉由較低數目之掃描之低品質影像。處理器204可基於來自檢測系統212之第一掃描針對該複數個訓練位置中之每一者獲得第一影像。處理器204可進一步針對該複數個訓練位置中之每一者獲得第二影像，其 可為高品質影像。舉例而言，處理器204可指示檢測系統212藉由增大數目之掃描執行第二掃描以獲得高品質影像。對於另一實例，處理器204可藉由可選使用者輸入自參考儲存裝置210獲得高品質影像以作為參考影像。處理器202可經組態以針對該複數個訓練位置中之每一者使用第一影像(例如，低品質影像)及第二影像(例如，高品質影像)作為訓練影像以訓練機器學習模型。在一些態樣中，複數個低品質影像與高品質影像對可經獲得並用作訓練影像以訓練機器學習模型。處理器204可進一步經組態以使用機器學習模型修改新位置之具有低品質之第一影像並產生該新位置之高品質影像。
該使用者介面208可包括經組態以顯示晶圓之影像的顯示器、經組態以將使用者命令傳輸至電腦系統202的輸入裝置，等等。顯示器可為展示文字及圖形影像之任何類型之電腦輸出表面及投影機構，包括但不限於陰極射線管(CRT)、液晶顯示器(LCD)、發光二極體(LED)、氣體電漿、觸控螢幕或其他影像投影技術，以用於將資訊顯示給電腦使用者。輸入裝置可為用以將資料及控制信號自操作者提供至電腦系統202的任何類型之電腦硬體裝備。輸入裝置可包括但不限於鍵盤、滑鼠、掃描器、數位攝影機、操縱桿、軌跡球、游標方向按鍵、觸控螢幕監視器或音訊/視訊命令器等，以用於傳達方向資訊及命令選擇至處理器或用於控制顯示器上之游標移動。
參考儲存裝置210可儲存在自動化SEM取樣程序期間藉由電腦系統202存取之參考檔案資料庫。在一些實施例中，參考儲存裝置210可為電腦系統202之一部分。用於檢測該晶圓之參考影像檔案可藉由人工操作者手動提供給電腦系統202。替代地，參考儲存裝置210可藉由處理 器實施且參考影像檔案可藉由參考儲存裝置210自動地提供給電腦系統202。參考儲存裝置210可為經組態以儲存及提供任何參考影像之遠端伺服器電腦、可為雲端儲存器，等等。
檢測系統212可為可產生晶圓之影像的任何檢測系統。舉例而言，該晶圓可為產品之樣品，藉由處理器204分析該產品之該複數個GDS設計型樣。該晶圓可為半導體晶圓基板、具有一或多個磊晶層或程序膜之半導體晶圓基板，等等。本發明之實施例並不限於用於晶圓檢測系統212之特定類型中，只要該晶圓檢測系統可產生符合現代半導體鑄造技術的具有足夠高以觀測晶圓上之關鍵特徵之解析度(例如，小於20nm)之晶圓影像。在本發明之一些態樣中，檢測系統212為關於圖3所描述之電子束檢測(EBI)系統300。
一旦藉由檢測系統212獲取晶圓影像，就可將該晶圓影像傳輸至電腦系統202。電腦系統202及參考儲存裝置210可為檢測系統212之部分或遠離檢測系統212。
在實施例的一些態樣中，自動化SEM取樣系統202可進一步包含檢測系統212及參考儲存裝置210。舉例而言，自動化SEM取樣系統202可進一步經組態以針對該複數個訓練位置中之每一者執行第一掃描以針對該複數個訓練位置中之每一者獲得至少一個第一影像。對於另一實例，自動化SEM取樣系統202可進一步經組態以針對該複數個訓練位置中之每一者執行第二掃描以針對該複數個訓練位置中之每一者獲得至少一個第二影像。舉例而言，至少一個第二影像可具有自增大數目之掃描所得之經強化之品質。
圖3為根據本發明之一些態樣的說明實例電子束檢測系統的 示意圖。如圖3中所示，電子束檢測系統300包括主腔室302、裝載/鎖定腔室304、電子束工具306、電腦系統309，及裝備前端模組308。電腦系統309可為電子束檢測系統300之控制器。電子束工具306位於主腔室302內。裝備前端模組308包括第一裝載埠308a及第二裝載埠308b。裝備前端模組308可包括一或多個額外裝載埠。第一裝載埠308a及第二裝載埠308b收納含有待檢測之晶圓(例如，半導體晶圓或由一或多鐘其他材料製成之晶圓)或樣品的晶圓卡匣(晶圓及樣品下文統稱為「晶圓」)。裝備前端模組308中之一或多個機械臂(圖中未示)將晶圓輸送至裝載/鎖定腔室304。裝載/鎖定腔室304連接至裝載/鎖定真空泵系統(圖中未示)，其移除裝載/鎖定腔室304中之氣體分子以達至低於大氣壓之第一壓力。在達至第一壓力之後，一或多個機械臂(圖中未示)將晶圓自裝載/鎖定腔室304輸送至主腔室302。主腔室302連接至主腔室真空泵系統(圖中未示)，其移除主腔室302中之氣體分子以達至低於第一壓力之第二壓力。在達至第二壓力之後，晶圓經受電子束工具306進行之檢測。電子束工具306可掃描一位置複數次以獲得一影像。一般而言，可藉由低數目之掃描在高產出率下獲得低品質影像，且可藉由高數目之掃描在低產出率下獲得高品質影像。
圖4為根據本發明之一些態樣的說明可為圖3的實例電子束檢測系統之一部分的電子束工具400之實例(例如，306)的示意圖。圖4說明根據本發明之一些態樣的電子束工具306之組件之實例。如圖4中所示，電子束工具400可包括機動載物台400，及由機動載物台400支撐以固持待檢測晶圓403之晶圓固持器402。電子束工具400進一步包括物鏡總成404、電子偵測器406(其包括電子感測器表面)、物鏡孔徑408、聚光器透鏡410、射束限制孔徑412、電子槍孔徑414、陽極416，及陰極418。在一 些態樣中，物鏡總成404可包括經修改擺動物鏡延遲浸沒透鏡(swing objective retarding immersion lens；SORIL)，其包括極片404a、控制電極404b、偏轉器404c，及激勵線圈404d。電子束工具400可另外包括能量分散X射線光譜儀(EDS)偵測器(圖中未示)以表徵晶圓上之材料。
藉由在陽極416與陰極418之間施加電壓自陰極418發射初級電子束420。初級電子束420通過電子槍孔徑414及射束限制孔徑412，這兩者可判定進入駐存於射束限制孔徑412下方之聚光器透鏡410的電子束之大小。聚光器透鏡410在射束進入物鏡孔徑408之前聚焦初級電子束420以在進入物鏡總成404之前設定電子束之大小。偏轉器404c使初級電子束420偏轉以促進該晶圓上之射束掃描。舉例而言，在掃描程序中，偏轉器404c可經控制以在不同時間點依序使初級電子束420偏轉至晶圓403之頂部表面之不同位置上，從而針對晶圓403之不同部分為影像重構提供資料。另外，偏轉器404c亦可經控制以在不同時間點在特定位置使初級電子束420偏轉至晶圓403之不同側上，從而在該位置為晶圓結構之立體影像重構提供資料。另外，在一些態樣中，陽極416及陰極418可經組態以產生多個初級電子束420，且電子束工具400可包括複數個偏轉器404c以將多個初級電子束420同時投影至該晶圓之不同部分/側，從而針對晶圓403之不同部分為影像重構提供資料。
激勵線圈404d及極片404a產生在極片404a之一端處開始且在極片404a之另一端處終止的磁場。晶圓403之正由初級電子束420掃描的部分可浸沒於磁場中且可帶電，此又產生一電場。在入射初級電子束420與晶圓碰撞之前，電場降低接近晶圓之表面之入射初級電子束420的能量。與極片404a電隔離之控制電極404b控制晶圓上之電場，以防止晶 圓之微拱起且確保適當射束聚焦。
次級電子束422可在接收到初級電子束420後自晶圓403之該部分發射。次級電子束422可在電子偵測器406之感測器表面上形成射束點。電子偵測器406可產生信號(例如，電壓、電流等等)，其表示射束點之強度；並將信號提供至處理系統(圖中未示)。次級電子束422及所得射束點之強度可根據晶圓403之外部或內部結構而不同。另外，如上文所論述，初級電子束420可投影至該晶圓之頂部表面之不同位置上以產生不同強度之次級電子束422(及所得射束點)。因此，藉由映射射束點之強度與晶圓403之位置，處理系統可重構影像，其反映晶圓403之內部或外部結構。一旦藉由電子束工具400獲取晶圓影像，就可將該晶圓影像傳輸至電腦系統402(例如，202，如圖2中所示)。
圖5A至圖5C說明根據本發明之一些態樣的資料庫，諸如產品之GDS資料庫之複數個設計型樣。本文所揭示之自動化SEM取樣系統可經組態以執行自動地獲得訓練影像以訓練改良影像品質之機器學習模型之方法。舉例而言，該自動化SEM取樣系統可為EBI工具之控制器，且該控制器可具有電路系統以使得該EBI工具執行自動化SEM取樣。舉例而言，自動化SEM取樣系統可包含GDS分析器(例如，GDS分析器組件)。GDS分析器可經組態以基於各種特徵，亦即線條型樣、邏輯型樣、1D/2D型樣、緻密/分離型樣等等而執行型樣分析及分類。相同型樣可經由型樣分組而分組在一起。
舉例而言，複數個製造設計型樣可自GDS輸入呈現。在此階段，該複數個型樣為散射型樣。可分析及提取每一型樣之各種特徵，諸如晶粒內之型樣位置、形狀、大小、密度、鄰域佈局、型樣類型等等。
另外，該複數個設計型樣可基於經提取特徵分類為不同類別。如圖5A至圖5C中所說明，具有類似或相同形狀之型樣之子集可經由型樣分組分組在一起。舉例而言，第一型樣子集-群組1可包括與型樣501a具有相同或類似形狀之型樣。舉例而言，第二型樣子集-群組2可包括與型樣501b具有相同或類似形狀之型樣。舉例而言，第三型樣子集-群組3可包括與型樣501c具有相同或類似形狀之型樣。每一型樣群組均可與對應後設資料相關聯，該後設資料可包括晶粒內之型樣位置、型樣類型、形狀、大小及其他經提取特徵之資訊。
自動化SEM取樣系統可包含智慧型檢測取樣規劃器(例如，檢測取樣規劃器組件)。智慧型檢測取樣規劃器可基於分析器之分析結果識別產品之樣品上之複數個訓練位置以供用於訓練機器學習模型。產品之GDS資料庫可具有關於與每一型樣群組相關聯之位置的資訊。因此，自GDS呈現之設計型樣可含有位置資訊。因此，藉由分析及辨識來自GDS之型樣群組，可判定產品之晶圓上對應型樣群組之位置。
圖5D為說明晶圓503(例如，403，結合圖4所描述)上之複數個訓練位置506t的圖500d。對於每一型樣群組，存在獲取訓練影像之許多可能位置506，如圖5D中所說明。自動化SEM取樣系統可進一步經組態以判定一或多個特定訓練位置506t以用於獲得訓練影像。舉例而言，SEM取樣系統可根據分析器之分析結果基於晶粒內之位置、檢測區域、視場(FOV)，或其他成像參數(諸如該晶圓中經覆蓋區域上之局部對準點(LAP)及自動焦點)中之一或多者而識別該一或多個訓練位置。舉例而言，對於每一型樣群組，SEM取樣系統可至少部分地基於晶粒內之位置判定該一或多個訓練位置。規劃器可跨越該晶圓自動地產生晶粒取樣。
可基於針對所有型樣群組之總體掃描區域分析並建立掃描路徑。該掃描路徑可藉由諸如位置、FOV等參數或此等參數之某一組合來判定。另外，可根據用於電子束工具之配方使用掃描路徑以及其他參數，諸如FOV、形狀、類型等等。電子束工具可經組態以遵循配方來針對機器學習模組自動地掃描及捕獲訓練影像。舉例而言，LAP及自動焦點可基於諸如視場(FOV)數目及每一FOV之間的距離等因素而判定。
圖6A為根據本發明之一些態樣的說明用於自動地獲得訓練影像610以訓練改良影像品質之機器學習模型615之系統之流程圖的方塊圖600a。圖6B為根據本發明之一些態樣的說明自動SEM取樣系統之細節的方塊圖600b。參考圖6A及圖6B，由該系統實施之方法可由與EBI工具612(例如，EBI系統300)通信之自動化SEM取樣系統602(例如，處理器604、電腦系統309)執行。舉例而言，該自動化SEM取樣系統可為EBI工具之控制器，且該控制器可具有電路系統以使得該EBI工具執行該方法。舉例而言，該方法可包括藉由GDS分析器603(例如，處理器之GDS分析器組件603)執行型樣分析及分類。型樣分析及分類可基於各種特徵，例如線條型樣、邏輯型樣、1D/2D型樣、緻密/分離型樣等等來執行。該方法可進一步包含經由型樣分組將相同或類似型樣分組在一起。
該方法可包含藉由取樣規劃器605(例如，處理器之取樣規劃器組件605)基於分析步驟之分析結果判定掃描區域(其為訓練位置)。分析步驟之分析結果可包括晶粒內之型樣位置、檢測區域、FOV大小，及LAP點與自動焦點，以及基於晶圓中經覆蓋區域之其他成像參數。
該方法可包含藉由使用者介面608使得能夠掃描訓練位置中之每一者複數次以針對每一訓練位置形成複數個訓練影像610，及自EBI 工具612獲得該複數個訓練影像610。舉例而言，該複數個影像中之一些可為例如使用低數目之掃描產生之低品質影像。舉例而言，該複數個影像中之一些可具有例如使用增大數目之掃描產生的經強化之影像品質。經強化之影像品質可指代較高解析度、較高對比度、較高靈敏度、較高亮度，或較低雜訊位準等等。舉例而言，訓練影像610中之一些可反映由對訓練位置之額外數目之掃描產生的影像品質之改良。在一些態樣中，複數個低品質影像及高品質影像對可經由該使用者介面608獲得，並用作訓練影像610以訓練機器學習模型615。舉例而言，低品質SEM成像模式可基於預設設定或使用者輸入產出率要求。舉例而言，高品質SEM影像模式可基於預設設定或使用者輸入品質要求。在一些態樣中，使用者亦可具有直接輸入高品質參考影像611之選項。舉例而言，高品質參考影像611可儲存於儲存媒體606中。在此類狀況下，可跳過高品質影像之獲取。
該方法可進一步包含使用機器學習模型615(例如，處理器之機器學習模型組件)將影像修改為接近於藉由增大數目之掃描獲得之結果。可在機器學習模型615中採用各種機器學習方法以自訓練影像對610學習強化框架。機器學習模型615可經參數化。可針對機器學習模型615收集資料。
可在針對每種類型的所關注型樣使用機器學習模型之步驟結束時習得品質強化模組617(例如，處理器之品質強化模組617)。可出於檢測或度量衡目標在高產出率模式下直接使用品質強化模組617。在基於自自動取樣系統602取樣之影像訓練之後，品質強化模組617可用於影像強化而無需訓練資料。因此，品質強化模組617可未經參數化，其並不涉及可引起過多額外開銷之過量數目之參數設定之使用。因此，品質強化 模組617有利於在高產出率下產生高品質影像，由此提高製造效率並減小製造成本。
圖7為根據本發明之一些態樣的說明自動地獲得訓練影像以訓練改良影像品質之機器學習模型之方法之實例的流程圖700。該方法可由與EBI工具(例如，212、612)通信之自動化SEM取樣系統(例如，102、202、602)執行。舉例而言，該自動化SEM取樣系統可為EBI工具之控制器，且該控制器可具有電路系統以使得該EBI工具執行該方法。
如圖7中所示，在步驟702處，該方法可包含分析關於產品佈局之複數個資料型樣以識別產品之樣品上之複數個訓練位置以供用於訓練機器學習模型。舉例而言，該資料可處於資料庫中。舉例而言，該資料庫可為任何圖形資料庫系統(GDS)、開放式圖稿系統交換標準，或Caltech Intermediate Form等等中之一者。舉例而言，GDS可包括GDS及GDSII兩者。
舉例而言，分析關於產品佈局之該複數個資料型樣之步驟可進一步包含將該複數個型樣分類成複數個型樣子集。舉例而言，分析關於產品佈局之複數個資料型樣之步驟進一步可包含自該複數個型樣提取特徵。舉例而言，將該複數個型樣分類成複數個型樣子集可基於該經提取特徵。舉例而言，該複數個型樣子集中之每一子集可與關於位置、類型、形狀、大小、密度或鄰域佈局之資訊相關聯。舉例而言，識別該複數個訓練位置可基於視場、局部對準點，或自動焦點。舉例而言，識別該複數個訓練位置可包含針對每一型樣子集識別一或多個訓練位置。
在步驟704處，該方法可包含針對該複數個訓練位置中之每一者獲得具有第一品質之第一影像。舉例而言，針對該複數個訓練位置中 之每一者獲得具有第一品質之第一影像之步驟包含針對該複數個訓練位置中之每一者獲得具有第一品質之多於一個第一影像。
舉例而言，該方法可進一步包含判定包括用於獲得第一影像之第一掃描之第一掃描路徑。舉例而言，該第一掃描路徑可基於針對該複數個訓練位置之總體掃描區域。舉例而言，該第一掃描路徑可藉由諸如位置、FOV等等參數中之一些來判定。另外，該第一掃描路徑以及其他參數，諸如FOV、形狀、類型等等可為電子束工具提供第一配方。電子束工具可經組態以遵循第一配方來針對機器學習模組自動地掃描及捕獲影像。
在步驟706處，該方法可包含針對該複數個訓練位置中之每一者獲得具有第二品質之第二影像。舉例而言，第二品質可高於第一品質。舉例而言，針對該複數個訓練位置中之每一者獲得具有第二品質之第二影像之步驟包含針對該複數個訓練位置中之每一者獲得具有第二品質之多於一個第二影像。
舉例而言，該方法可包含判定包括用於獲得第二影像之第二掃描之第二掃描路徑。舉例而言，該第二掃描路徑基於針對該複數個訓練位置之總體掃描區域。舉例而言，該第二掃描路徑可藉由諸如位置、FOV等等參數中之一些來判定。另外，該第二掃描路徑以及其他參數，諸如FOV、形狀、類型等等可為電子束工具提供第二配方。電子束工具可經組態以遵循第二配方來針對機器學習模組自動地掃描及捕獲影像。舉例而言，該第一掃描可包括第一數目次掃描且該第二掃描可包括第二數目次掃描，其中第二數目次掃描可大於第一數目次掃描。
舉例而言，可藉由可選使用者輸入獲得第二影像以作為參考影像。
在步驟708處，該方法可包含使用第一影像及第二影像來訓練機器學習模型。
在步驟710處，該方法可包含使用機器學習模型將影像修改為接近於藉由增大數目之掃描獲得之結果。
舉例而言，該方法可進一步包含使用機器學習模型修改位置之第一影像以獲得該位置之第二影像，其中第二影像相較於第一影像具有經強化之品質。以此方式，該方法有利於在高產出率下獲得高品質影像，由此提高製造效率並減小製造成本。另外，該方法為全自動的。因此，該方法可防止人為誤差及不同操作者之不一致性。因此，該方法進一步有利於提高檢測準確性。
現返回參考圖2，電腦系統202可為檢測系統212(例如，電子束檢測系統)之控制器且該控制器可包括電路系統以用於進行以下操作：分析關於產品佈局之複數個資料型樣以識別產品之樣品上之複數個訓練位置以供用於訓練機器學習模型；針對該複數個訓練位置中之每一者獲得具有第一品質之第一影像；針對該複數個訓練位置中之每一者獲得具有第二品質之第二影像，該第二品質高於該第一品質；以及使用第一影像及第二影像來訓練機器學習模型。
進一步參考圖2，儲存媒體206可為儲存指令集之非暫時性電腦可讀媒體，該指令集可由裝置之控制器執行以使得該裝置執行一種方法，其包含：分析關於產品佈局之複數個資料型樣以識別產品之樣品上之複數個訓練位置以供用於訓練機器學習模型；針對該複數個訓練位置中之每一者獲得具有第一品質之第一影像；針對該複數個訓練位置中之每一者獲得具有第二品質之第二影像，該第二品質高於該第一品質；以及使用第 一影像及第二影像來訓練機器學習模型。
可使用以下條項來進一步描述實施例：
1.一種自動地獲得訓練影像以用於訓練一機器學習模型之方法，該方法包含：分析關於一產品之佈局的複數個資料型樣以識別複數個訓練位置以供用於訓練該機器學習模型；針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像；針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質；以及使用該第一影像及該第二影像來訓練該機器學習模型。
2.如條項1之方法，其中該資料處於一資料庫中。
3.如條項2之方法，其中該資料庫為一圖形資料庫系統(GDS)、一開放式圖稿系統交換標準，或一Caltech Intermediate Form中之任一者。
4.如條項3之方法，其中該GDS包括GDS格式化資料或GDSII格式化資料。
5.如條項1之方法，其中針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像之該步驟包含針對該複數個訓練位置中之每一者獲得具有一第一品質之多於一個第一影像。
6.如條項1之方法，其中針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像之該步驟包含針對該複數個訓練位置中之每一者獲得具有一第二品質之多於一個第二影像。
7.如條項1之方法，其中分析關於該產品之佈局的該複數個資料 型樣之該步驟進一步包含將該複數個型樣分類成複數個型樣子集。
8.如條項1至7中任一項之方法，其中分析關於一產品之佈局的複數個資料型樣之該步驟進一步包含自該複數個型樣提取一特徵。
9.如條項8之方法，其中該經提取特徵包括一形狀、一大小、一密度，或一鄰域佈局。
10.如條項7之方法，其中該將該複數個型樣分類成複數個型樣子集係基於該經提取特徵。
11.如條項7之方法，其中該複數個型樣子集中之每一子集均與關於一位置、一類型、一形狀、一大小、一密度或一鄰域佈局之資訊相關聯。
12.如條項1至11中任一項之方法，其中識別該複數個訓練位置係基於一視場、一局部對準點，或一自動焦點。
13.如條項1至12中任一項之方法，其中該方法進一步包含判定包括用於獲得該第一影像之一第一掃描之一第一掃描路徑，該第一掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
14.如條項13之方法，其中該方法進一步包含判定包括用於獲得該第二影像之一第二掃描之一第二掃描路徑，該第二掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
15.如條項14之方法，其中該第一掃描包括一第一數目次掃描，其中該第二掃描包括一第二數目次掃描，且其中該第二數目次掃描大於該第一數目次掃描。
16.如條項1至13中任一項之方法，其中藉由一可選使用者輸入獲得該第二影像以作為一參考影像。
17.如條項1至16中任一項之方法，其進一步包含使用該機器學習模型修改一位置之一第一影像以獲得該位置之一第二影像，其中該第二影像相較於該第一影像具有一經強化之品質。
18.如條項1至17中任一項之方法，其中識別該複數個訓練位置包含針對每一型樣子集識別一或多個訓練位置。
19.如條項1至18中任一項之方法，其中該品質包括一解析度、一對比度、一亮度，或一雜訊位準。
20.如條項1至19中任一項之方法，其進一步包含使用該機器學習模型將一影像修改為接近於藉由一增大數目之掃描獲得之一結果。
21.一種用於自動地獲得訓練影像以訓練改良影像品質之一ML模型之設備，該設備包含：一記憶體；及至少一個處理器，其耦接至該記憶體且經組態以：分析關於一產品之一佈局的複數個資料型樣以識別複數個訓練位置以供用於訓練該機器學習模型；針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像；針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質；以及使用該第一影像及該第二影像來訓練該機器學習模型。
22.如條項21之設備，其中該資料處於一資料庫中。
23.如條項22之設備，其中該資料庫為一圖形資料庫系統(GDS)、 一開放式圖稿系統交換標準，或一Caltech Intermediate Form中之任一者。
24.如條項23之設備，其中該GDS包括GDS格式化資料或GDSII格式化資料。
25.如條項21之設備，其中該至少一個處理器進一步經組態以針對該複數個訓練位置中之每一者獲得具有一第一品質之多於一個第一影像。
26.如條項21之設備，其中該至少一個處理器進一步經組態以針對該複數個訓練位置中之每一者獲得具有一第二品質之多於一個第二影像。
27.如條項21之設備，其中該至少一個處理器進一步經組態以將該複數個型樣分類成複數個型樣子集。
28.如條項21之設備，其中該至少一個處理器進一步經組態以自該複數個型樣提取一特徵。
29.如條項28之設備，其中該經提取特徵包括一形狀、一大小、一密度，或一鄰域佈局。
30.如條項27之設備，其中該至少一個處理器進一步經組態以基於該經提取特徵將該複數個型樣分類成複數個型樣子集。
31.如條項27之設備，其中該複數個型樣子集中之每一子集均與關於一位置、一類型、一形狀、一大小、一密度或一鄰域佈局之資訊相關聯。
32.如條項21至31中任一項之設備，其中該至少一個處理器進一步經組態以基於一視場、一局部對準點，或一自動焦點識別該複數個訓練位置。
33.如條項21至32中任一項之設備，其中該至少一個處理器進一步 經組態以判定包括用於獲得該第一影像之一第一掃描之一第一掃描路徑，該第一掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
34.如條項33之設備，其中該至少一個處理器進一步經組態以判定包括用於獲得該第二影像之一第二掃描之一第二掃描路徑，該第二掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
35.如條項34之設備，其中該第一掃描包括一第一數目次掃描，其中該第二掃描包括一第二數目次掃描，且其中該第二數目次掃描大於該第一數目次掃描。
36.如條項21至33中任一項之設備，其中藉由一可選使用者輸入接收該第二影像以作為一參考影像。
37.如條項21至36中任一項之設備，其中該至少一個處理器進一步經組態以使用該機器學習模型修改一位置之一第一影像以獲得該位置之一第二影像，其中該第二影像相較於該第一影像具有一經強化之品質。
38.如條項21至37中任一項之設備，其中該至少一個處理器進一步經組態以針對每一型樣子集識別一或多個訓練位置。
39.如條項21至38中任一項之設備，其中該品質包括一解析度、一對比度、一亮度，或一雜訊位準。
40.如條項21至39中任一項之設備，其中該至少一個處理器進一步經組態以使用該機器學習模型將一影像修改為接近於藉由一增大數目之 掃描獲得之一結果。
41.一種儲存一指令集的非暫時性電腦可讀媒體，該指令集可由一裝置之一控制器執行以使得該裝置執行一方法，該方法包含：分析關於一產品之一佈局的複數個資料型樣以識別複數個訓練位置以供用於訓練該機器學習模型；針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像；針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質；以及使用該第一影像及該第二影像來訓練該機器學習模型。
42.如條項41之非暫時性電腦可讀媒體，其中該資料處於一資料庫中。
43.如條項42之非暫時性電腦可讀媒體，其中該資料庫為一圖形資料庫系統(GDS)、一開放式圖稿系統交換標準、一Caltech Intermediate Form，或電子設計交換格式中之任一者。
44.如條項43之非暫時性電腦可讀媒體，其中該GDS包括GDS或GDSII中之至少一者。
45.如條項41之非暫時性電腦可讀媒體，其中針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像之該步驟進一步包含針對該複數個訓練位置中之每一者獲得具有一第一品質之多於一個第一影像。
46.如條項41之非暫時性電腦可讀媒體，其中針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像之該步驟包含針對該複數個訓練位置中之每一者獲得具有一第二品質之多於一個第二影像。
47.如條項41之非暫時性電腦可讀媒體，其中分析關於該產品之佈局的該複數個資料型樣之該步驟進一步包含將該複數個型樣分類成複數個型樣子集。
48.如條項41至47中任一項之非暫時性電腦可讀媒體，其中分析關於一產品之佈局的複數個資料型樣之該步驟進一步包含自該複數個型樣提取一特徵。
49.如條項48之非暫時性電腦可讀媒體，其中該經提取特徵包括一形狀、一大小、一密度，或一鄰域佈局。
50.如條項47之非暫時性電腦可讀媒體，其中該將該複數個型樣分類成複數個型樣子集係基於該經提取特徵。
51.如條項47之非暫時性電腦可讀媒體，其中該複數個型樣子集中之每一子集均與關於一位置、一類型、一形狀、一大小、一密度或一鄰域佈局之資訊相關聯。
52.如條項41至51中任一項之非暫時性電腦可讀媒體，其中識別該複數個訓練位置係基於一視場、一局部對準點，或一自動焦點。
53.如條項41至52中任一項之非暫時性電腦可讀媒體，其中該方法進一步包含判定包括用於獲得該第一影像之一第一掃描之一第一掃描路徑，該第一掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
54.如條項53之非暫時性電腦可讀媒體，其中該方法進一步包含判定包括用於獲得該第二影像之一第二掃描之一第二掃描路徑，該第二掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
55.如條項54之非暫時性電腦可讀媒體，其中該第一掃描包括一第 一數目次掃描，其中該第二掃描包括一第二數目次掃描，且其中該第二數目次掃描大於該第一數目次掃描。
56.如條項41至53中任一項之非暫時性電腦可讀媒體，其中藉由一可選使用者輸入獲得該第二影像以作為一參考影像。
57.如條項41至56中任一項之非暫時性電腦可讀媒體，其中該方法進一步包含使用該機器學習模型修改一位置之一第一影像以獲得該位置之一第二影像，其中該第二影像相較於該第一影像具有一經強化之品質。
58.如條項41至57中任一項之非暫時性電腦可讀媒體，其中識別該複數個訓練位置包含針對每一型樣子集識別一或多個訓練位置。
59.如條項41至58中任一項之非暫時性電腦可讀媒體，其中該品質包括一解析度、一對比度、一亮度，或一雜訊位準。
60.如條項41至59中任一項之非暫時性電腦可讀媒體，其中該方法進一步包含使用該機器學習模型將一影像修改為接近於藉由一增大數目之掃描獲得之一結果。
61.一種電子束檢測設備，其包含：一控制器，其具有用以使得該電子束檢測設備執行以下操作的電路系統：分析關於一產品之一佈局的複數個資料型樣以識別複數個訓練位置以供用於訓練該機器學習模型；針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像；針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影 像，該第二品質高於該第一品質；以及使用該第一影像及該第二影像來訓練該機器學習模型。
62.如條項61之電子束檢測設備，其中該資料處於一資料庫中。
63.如條項62之電子束檢測設備，其中該資料庫為一圖形資料庫系統(GDS)、一開放式圖稿系統交換標準，或一Caltech Intermediate Form中之任一者。
64.如條項63之電子束檢測設備，其中該GDS包括GDS或GDSII中之至少一者。
65.如條項61之電子束檢測設備，其中針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像之該步驟包含針對該複數個訓練位置中之每一者獲得具有一第一品質之多於一個第一影像。
66.如條項61之電子束檢測設備，其中針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像之該步驟包含針對該複數個訓練位置中之每一者獲得具有一第二品質之多於一個第二影像。
67.如條項61之電子束檢測設備，其中分析關於該產品之佈局的該複數個資料型樣之該步驟進一步包含將該複數個型樣分類成複數個型樣子集。
68.如條項61至67中任一項之電子束檢測設備，其中分析關於一產品之佈局的複數個資料型樣之該步驟進一步包含自該複數個型樣提取一特徵。
69.如條項68之電子束檢測設備，其中該經提取特徵包括一形狀、一大小、一密度，或一鄰域佈局。
70.如條項67之電子束檢測設備，其中該將該複數個型樣分類成複 數個型樣子集係基於該經提取特徵。
71.如條項67之電子束檢測設備，其中該複數個型樣子集中之每一子集均與關於一位置、一類型、一形狀、一大小、一密度或一鄰域佈局之資訊相關聯。
72.如條項61至71中任一項之電子束檢測設備，其中識別該複數個訓練位置係基於一視場、一局部對準點，或一自動焦點。
73.如條項61至72中任一項之電子束檢測設備，其中該控制器具有使得該電子束檢測設備進一步執行以下操作的電路系統：判定包括用於獲得該第一影像之一第一掃描之一第一掃描路徑，該第一掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
74.如條項73之電子束檢測設備，其中該控制器具有使得該電子束檢測設備進一步執行以下操作的電路系統：判定包括用於獲得該第二影像之一第二掃描之一第二掃描路徑，該第二掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
75.如條項74之電子束檢測設備，其中該第一掃描包括一第一數目次掃描，其中該第二掃描包括一第二數目次掃描，且其中該第二數目次掃描大於該第一數目次掃描。
76.如條項61至73中任一項之電子束檢測設備，其中藉由一可選使用者輸入獲得該第二影像以作為一參考影像。
77.如條項61至76中任一項之電子束檢測設備，其中該控制器具有使得該電子束檢測設備進一步執行以下操作的電路系統：使用該機器學習模型修改一位置之一第一影像以獲得該位置之一第二影像，其中該第二影像相較於該第一影像具有一經強化之品質。
78.如條項61至77中任一項之電子束檢測設備，其中識別該複數個訓練位置包含針對每一型樣子集識別一或多個訓練位置。
79.如條項61至78中任一項之電子束檢測設備，其中該品質包括一解析度、一對比度、一亮度，或一雜訊位準。
80.如條項61至79中任一項之電子束檢測設備，其中該控制器具有使得該電子束檢測設備進一步執行以下操作的電路系統：使用該機器學習模型將一影像修改為接近於藉由一增大數目之掃描獲得之一結果。
81.如條項1之方法，其中該等資料型樣為該產品之掃描式電子顯微鏡(SEM)影像。
82.如條項1之方法，其中基於複數個低品質影像獲得該第二影像。
83.如條項1之方法，其中藉由對該複數個低品質影像求平均值而獲得該第二影像。
84.如條項1之方法，其中藉由組合該複數個低品質影像而獲得該第二影像。
85.如條項1之方法，其中該第一影像及該第二影像為藉由一或多個掃描式電子顯微鏡獲得之影像，且其中該第二影像相較於該第一影像為一較高品質影像。
86.如條項85之方法，其中該第二影像相較於該第一影像具有一較高解析度、較高對比度、較高亮度，或降低的雜訊位準。
87.如條項21之設備，其中該等資料型樣為該產品之掃描式電子顯微鏡(SEM)影像。
88.如條項21之設備，其中基於複數個低品質影像獲得該第二影像。
89.如條項21之設備，其中藉由對該複數個低品質影像求平均值而獲得該第二影像。
90.如條項21之設備，其中藉由組合該複數個低品質影像而獲得該第二影像。
91.如條項41之非暫時性電腦可讀媒體，其中該等資料型樣為該產品之掃描式電子顯微鏡(SEM)影像。
92.如條項41之非暫時性電腦可讀媒體，其中基於複數個低品質影像獲得該第二影像。
93.如條項41之非暫時性電腦可讀媒體，其中藉由對該複數個低品質影像求平均值而獲得該第二影像。
94.如條項41之非暫時性電腦可讀媒體，其中藉由組合該複數個低品質影像而獲得該第二影像。
95.如條項61之電子束檢測設備，其中該等資料型樣為該產品之掃描式電子顯微鏡(SEM)影像。
96.如條項61之電子束檢測設備，其中基於複數個低品質影像獲得該第二影像。
97.如條項61之電子束檢測設備，其中藉由對該複數個低品質影像求平均值而獲得該第二影像。
98.如條項61之電子束檢測設備，其中藉由組合該複數個低品質影像而獲得該第二影像。
上文參考方法、設備(系統)及電腦程式產品之流程圖說明 或方塊圖來描述實例態樣或實施例。應理解，可藉由電腦程式產品或電腦程式產品上之指令來實施流程圖說明或方塊圖中的每一區塊，及流程圖說明或方塊圖中的區塊之組合。可將此等電腦程式指令提供至電腦或其他可程式化資料處理設備之處理器以產生一機器，使得經由該電腦或其他可程式化資料處理設備之處理器執行之指令建立用於實施一或多個流程圖或方塊圖區塊中所指定之功能/動作之手段。
此等電腦程式指令亦可儲存於一電腦可讀媒體中，該電腦可讀媒體可導引電腦之硬體處理器核心、其他可程式化資料處理設備或其他裝置以特定方式起作用，使得儲存於電腦可讀媒體中之指令形成包括實施一或多個流程圖或方塊圖區塊中所指定的功能/動作之指令的製品。
電腦程式指令亦可載入至電腦、其他可程式化資料處理設備或其他裝置上，以使在該電腦、其他可程式化設備或其他裝置上執行一系列操作步驟以產生電腦實施之處理程序，使得在該電腦或其他可程式化設備上執行之指令提供用於實施一或多個流程圖或方塊圖區塊中所指定之功能/動作之處理程序。
可利用一或多個電腦可讀媒體之任何組合。電腦可讀媒體可為一非暫時性電腦可讀儲存媒體。電腦可讀儲存媒體可為例如但不限於：電子、磁性、光學、電磁、紅外線或半導體系統，設備或裝置，或前述各者之任何合適組合。電腦可讀儲存媒體之更特定實例(非詳盡清單)將包括以下各者：具有一或多條電線之電連接、攜帶型電腦磁片、硬碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可抹除可程式化唯讀記憶體(EPROM、EEPROM或快閃記憶體)、光纖、雲端儲存器、攜帶型緊密光碟唯讀記憶體(CD-ROM)、光學儲存裝置、磁性儲存裝置或前述各者之任 何合適組合。在此文件之內容背景中，電腦可讀儲存媒體可為可含有或儲存用於由指令執行系統、設備或裝置使用或結合指令執行系統、設備或裝置使用的程式之任何有形媒體。
體現於電腦可讀媒體上的程式碼可使用任何適當媒體(包括但不限於無線、有線、光纖纜線、RF、IR等或前述之任何合適的組合)來傳輸。
可將用於進行實例實施例之操作的電腦程式碼寫入一或多個程式設計語言之任何組合中，包括物件導向程式設計語言(諸如，Java、Smalltalk、C++或其類似者)，及習知程序程式設計語言(諸如「C」程式設計語言或類似程式設計語言)。程式碼可全部在使用者電腦上執行、部分在使用者電腦上執行、作為單獨套裝軟體執行、部分在使用者電腦上且部分在遠端電腦上或全部在遠端電腦或伺服器上執行。在後一種情境中，遠端電腦可經由任何類型之網路(包括區域網路(LAN)或廣域網路(WAN))連接至使用者之電腦，或可連接至一外部電腦(例如，使用網際網路服務提供者經由網際網路)。
諸圖中之流程圖及方塊圖說明根據各種實施例之系統、方法及電腦程式產品的可能實施之架構、功能性及操作的實例。就此而言，在流程圖或方塊圖中之每一區塊可表示程式碼之模組、片段或一部分，其包含用於實施所指定之一或多個邏輯功能的一或多個可執行指令。亦應注意，在一些替代實施中，區塊中所提及之功能可按不同於圖中所提及之次序出現。舉例而言，視所涉及之功能性而定，依次展示之兩個區塊實際上可實質上同時執行，或該等區塊有時可以逆向次序執行。亦將注意，方塊圖或流程圖說明中之每一區塊及方塊圖或流程圖說明中之區塊之組合可由 執行指定功能或動作的基於硬體之專用系統或專用硬體與電腦指令之組合來實施。
應理解，所描述實施例並不相互排斥，且結合一個實例實施例描述之元件、組件、材料或步驟可以合適方式與其他實施例組合或自其他實施例去除以實現所要的設計目標。
本文中提及「一些態樣」、「一些實施例」或「一些例示性實施例」意謂結合實施例描述之特定特徵、結構或特性可包括於至少一個態樣或一個實施例中。在說明書中之各個位置中的片語「一個態樣」、「一些態樣」、「一個實施例」、「一些實施例」或「一些例示性實施例」的出現不必全部指代同一實施例，亦不係與其他實施例一定相互排斥的獨立或替代實施例。
應理解，本文所闡述之實例方法的步驟未必需要按所描述次序執行，且此類方法之步驟的次序應被理解為僅係實例。同樣，額外步驟可包括於此類方法中，且某些步驟可在符合各種實施例之方法中被省略或組合。
如本文中所使用，除非另外特定陳述，否則術語「或」涵蓋所有可能組合，除非不可行。舉例而言，若陳述組件可包括A或B，則除非另外特定陳述或不可行，否則組件可包括A，或B，或A及B。作為第二實例，若陳述組件可包括A、B或C，則除非另外特定陳述或不可行，否則組件可包括A，或B，或C，或A及B，或A及C，或B及C，或A及B及C。
如本申請案中所使用，詞「例示性」在本文中用以意謂充當實例、例項或說明。本文中被描述為「例示性」之任何態樣或設計未必 被解釋為比其他態樣或設計較佳或有利。實情為，該詞之使用意欲以具體方式呈現概念。
另外，除非另外指定或根據上下文顯而易見係針對單數形式，否則如本申請案及所附申請專利範圍中所使用，冠詞「一」通常應解釋為意謂「一或多個」。
除非另外明確陳述，否則每一數值及範圍應解釋為近似，就好像在值或範圍的值之前的詞「大約」或「大致」。
在申請專利範圍中圖編號或圖參考標記之使用意欲識別所主張主題之一或多個可能的實施例以促進對申請專利範圍之解釋。此類使用並不被解釋為將彼等申請專利範圍之範疇一定限制於對應圖中展示之實施例。
儘管以下方法請求項中之元件(若存在)係以具有對應標記之特定序列列舉，但除非申請專利範圍敍述另外暗示用於實施彼等元件之一些或所有的特定序列，否則彼等元件未必意欲限於以彼特定序列實施。
應進一步理解，為了解釋所描述態樣或實施例之性質而已加以描述及說明的部分之細節、材料及配置之各種改變可由熟習此項技術者在不脫離如以下申請專利範圍中所表達之範疇的情況下進行。
100:流程圖
101:圖形資料庫系統(GDS)
102:SEM取樣系統
105:參考影像
107:品質強化系統
108:低品質影像
109:高品質影像

Claims (15)

  1. 一種用於自動地獲得訓練影像以訓練改良影像品質之一機器學習模型之設備，該設備包含：一記憶體；及至少一個處理器，其耦接至該記憶體且經組態以：分析關於一產品之一佈局(layout)的複數個資料之型樣(patterns)以識別複數個訓練位置以供用於訓練該機器學習模型；針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像；針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質；以及使用該第一影像及該第二影像來訓練該機器學習模型。
  2. 如請求項1之設備，其中該資料處於一資料庫中。
  3. 如請求項2之設備，其中該資料庫為一圖形資料庫系統(GDS)、一開放式圖稿系統交換標準，或一Caltech Intermediate Form中之任一者。
  4. 如請求項3之設備，其中該GDS包括GDS格式化資料或GDSII格式化資料。
  5. 如請求項1之設備，其中該至少一個處理器進一步經組態以針對該複 數個訓練位置中之每一者獲得具有該第一品質之多於一個第一影像。
  6. 如請求項1之設備，其中該至少一個處理器進一步經組態以針對該複數個訓練位置中之每一者獲得具有該第二品質之多於一個第二影像。
  7. 如請求項1之設備，其中該至少一個處理器進一步經組態以將該複數個型樣分類成複數個型樣子集。
  8. 如請求項1之設備，其中該至少一個處理器進一步經組態以自該複數個型樣提取一特徵。
  9. 如請求項8之設備，其中該經提取特徵包括一形狀、一大小、一密度，或一鄰域佈局。
  10. 如請求項8之設備，其中該至少一個處理器進一步經組態以基於該經提取特徵將該複數個型樣分類成複數個型樣子集。
  11. 如請求項7之設備，其中該複數個型樣子集中之每一子集均與關於一位置、一類型、一形狀、一大小、一密度或一鄰域佈局的資訊相關聯。
  12. 如請求項1之設備，其中該至少一個處理器進一步經組態以基於一視場、一局部對準點，或一自動焦點而識別該複數個訓練位置。
  13. 如請求項1之設備，其中該至少一個處理器進一步經組態以判定包括用於獲得該第一影像之一第一掃描之一第一掃描路徑，該第一掃描路徑係基於針對該複數個訓練位置之一總體掃描區域。
  14. 如請求項13之設備，其中該至少一個處理器進一步經組態以判定包括用於獲得該第二影像之一第二掃描之一第二掃描路徑，該第二掃描路徑係基於針對該複數個訓練位置之該總體掃描區域。
  15. 一種儲存一指令集的非暫時性電腦可讀媒體，該指令集可由一裝置之一控制器執行以使得該裝置執行一方法，該方法包含：分析關於一產品之一佈局(layout)的複數個資料之型樣(patterns)以識別複數個訓練位置以供用於訓練一機器學習模型；針對該複數個訓練位置中之每一者獲得具有一第一品質之一第一影像；針對該複數個訓練位置中之每一者獲得具有一第二品質之一第二影像，該第二品質高於該第一品質；以及使用該第一影像及該第二影像來訓練該機器學習模型。
TW108147527A 2018-12-31 2019-12-25 用於電子束影像強化之全自動掃描式電子顯微鏡取樣系統 TWI738157B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862787031P 2018-12-31 2018-12-31
US62/787,031 2018-12-31

Publications (2)

Publication Number Publication Date
TW202042273A TW202042273A (zh) 2020-11-16
TWI738157B true TWI738157B (zh) 2021-09-01

Family

ID=69061340

Family Applications (2)

Application Number Title Priority Date Filing Date
TW108147527A TWI738157B (zh) 2018-12-31 2019-12-25 用於電子束影像強化之全自動掃描式電子顯微鏡取樣系統
TW110127955A TW202143281A (zh) 2018-12-31 2019-12-25 用於電子束影像強化之全自動掃描式電子顯微鏡取樣系統

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW110127955A TW202143281A (zh) 2018-12-31 2019-12-25 用於電子束影像強化之全自動掃描式電子顯微鏡取樣系統

Country Status (7)

Country Link
US (2) US11769317B2 (zh)
JP (1) JP7232911B2 (zh)
KR (2) KR102649132B1 (zh)
CN (1) CN113272820A (zh)
IL (1) IL284031A (zh)
TW (2) TWI738157B (zh)
WO (1) WO2020141072A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021026926A (ja) * 2019-08-07 2021-02-22 株式会社日立ハイテク 画像生成方法、非一時的コンピューター可読媒体、及びシステム
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
CN111862255A (zh) * 2020-07-17 2020-10-30 上海联影医疗科技有限公司 正则化图像重建方法、系统、可读存储介质和设备
TW202238110A (zh) * 2021-02-23 2022-10-01 以色列商奧寶科技有限公司 使用混合成像系統之自動光學檢測
CN113177497B (zh) * 2021-05-10 2024-04-12 百度在线网络技术（北京）有限公司 视觉模型的训练方法、车辆识别方法及装置
WO2023238384A1 (ja) * 2022-06-10 2023-12-14 株式会社日立ハイテク 試料観察装置および方法
CN117115048B (zh) * 2023-10-25 2024-02-02 国仪量子(合肥)技术有限公司 图像降噪方法、系统以及存储介质、电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008133951A2 (en) * 2007-04-24 2008-11-06 Massachusetts Institute Of Technology Method and apparatus for image processing
US20140301630A1 (en) * 2013-04-08 2014-10-09 Kla-Tencor Corporation Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology
TW201734955A (zh) * 2016-01-11 2017-10-01 克萊譚克公司 為樣品產生模擬輸出
TW201734895A (zh) * 2016-01-04 2017-10-01 克萊譚克公司 針對半導體應用由低解析度影像產生高解析度影像
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection
US20180342045A1 (en) * 2017-05-26 2018-11-29 Microsoft Technology Licensing, Llc Image resolution enhancement using machine learning
TW201842457A (zh) * 2017-04-12 2018-12-01 美商諳科半導體有限公司 以圖案為中心之製程控制

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003059441A (ja) * 2002-05-24 2003-02-28 Hitachi Ltd 走査電子顕微鏡
JP4061289B2 (ja) * 2004-04-27 2008-03-12 独立行政法人科学技術振興機構 画像検査方法及び装置
JP5050944B2 (ja) * 2008-03-13 2012-10-17 ソニー株式会社 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム
JP5366855B2 (ja) * 2010-02-16 2013-12-11 富士フイルム株式会社 画像処理方法及び装置並びにプログラム
JP6391170B2 (ja) * 2015-09-03 2018-09-19 東芝メモリ株式会社 検査装置
JP6662654B2 (ja) * 2016-02-12 2020-03-11 東方晶源微電子科技（北京）有限公司 画像取得方法及び電子ビーム検査・測長装置
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
US20190377814A1 (en) * 2018-06-11 2019-12-12 Augmented Radar Imaging Inc. Annotated dataset based on different sensor techniques

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008133951A2 (en) * 2007-04-24 2008-11-06 Massachusetts Institute Of Technology Method and apparatus for image processing
US20140301630A1 (en) * 2013-04-08 2014-10-09 Kla-Tencor Corporation Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology
TW201734895A (zh) * 2016-01-04 2017-10-01 克萊譚克公司 針對半導體應用由低解析度影像產生高解析度影像
TW201734955A (zh) * 2016-01-11 2017-10-01 克萊譚克公司 為樣品產生模擬輸出
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection
TW201842457A (zh) * 2017-04-12 2018-12-01 美商諳科半導體有限公司 以圖案為中心之製程控制
US20180342045A1 (en) * 2017-05-26 2018-11-29 Microsoft Technology Licensing, Llc Image resolution enhancement using machine learning

Also Published As

Publication number Publication date
TW202143281A (zh) 2021-11-16
KR102649132B1 (ko) 2024-03-20
US20240046620A1 (en) 2024-02-08
TW202042273A (zh) 2020-11-16
KR20210094022A (ko) 2021-07-28
US20200211178A1 (en) 2020-07-02
JP7232911B2 (ja) 2023-03-03
JP2022515353A (ja) 2022-02-18
IL284031A (en) 2021-08-31
US11769317B2 (en) 2023-09-26
CN113272820A (zh) 2021-08-17
KR20240038156A (ko) 2024-03-22
WO2020141072A1 (en) 2020-07-09

Similar Documents

Publication Publication Date Title
TWI738157B (zh) 用於電子束影像強化之全自動掃描式電子顯微鏡取樣系統
US10267748B2 (en) Optimizing training sets used for setting up inspection-related algorithms
TWI679710B (zh) 用於判定樣品上缺陷之系統、非暫時性電腦可讀媒體及方法
US8502146B2 (en) Methods and apparatus for classification of defects using surface height attributes
TWI791806B (zh) 用於檢查之模式選擇
CN109844919B (zh) 优化用于设置检验相关算法的训练组
US11880193B2 (en) System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
JP2012225768A (ja) 欠陥分類方法及び欠陥分類システム
KR20220095216A (ko) Sem 이미지에 대한 bbp 지원 결함 검출 흐름
US11676264B2 (en) System and method for determining defects using physics-based image perturbations
WO2011114403A1 (ja) Ｓｅｍ式欠陥観察装置および欠陥画像取得方法
JP5415523B2 (ja) パターン検査装置及びその検査方法
WO2021071996A1 (en) Statistical learning-based mode selection for multi-mode inspection
WO2023121778A1 (en) Machine learning using a global texture characteristic for semiconductor-based applications
TWI750514B (zh) 電子束檢測設備、用於對準一晶圓影像與一參考影像之方法及相關之非暫時性電腦可讀媒體
US20230394852A1 (en) Automatic selection of structures-of-interest for lamella sample preparation
WO2023160986A1 (en) Methods and systems for improving wafer defect classification nuisance rate
CN115937847A (zh) 带电粒子显微镜学中的数据采集