TWI750553B - 對樣本的缺陷檢測的方法及其系統 - Google Patents

對樣本的缺陷檢測的方法及其系統 Download PDF

Info

Publication number
TWI750553B
TWI750553B TW108146107A TW108146107A TWI750553B TW I750553 B TWI750553 B TW I750553B TW 108146107 A TW108146107 A TW 108146107A TW 108146107 A TW108146107 A TW 108146107A TW I750553 B TWI750553 B TW I750553B
Authority
TW
Taiwan
Prior art keywords
noise
die
regions
image
given
Prior art date
Application number
TW108146107A
Other languages
English (en)
Other versions
TW202105549A (zh
Inventor
艾拉德 寇罕
戴尼斯 西莫可夫
Original Assignee
以色列商應用材料以色列公司
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 以色列商應用材料以色列公司 filed Critical 以色列商應用材料以色列公司
Publication of TW202105549A publication Critical patent/TW202105549A/zh
Application granted granted Critical
Publication of TWI750553B publication Critical patent/TWI750553B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

提供了一種對樣本的缺陷檢測的系統和方法，所述方法包括：對第一晶粒的一個或多個部分中的每個執行分區；接收一個或多個雜訊圖，該等雜訊圖指示在針對第二晶粒的一個或多個部分捕獲的第二圖像上的雜訊分佈；在運行時對每個雜訊圖執行分割，給定雜訊圖的所述分割包括：計算每個區域的評分，所述給定雜訊圖與所述區域對準並且每個區域與其中對準的雜訊資料相關聯，給定區域的所述評分至少基於與所述給定區域相關的所述雜訊資料來計算；以及基於所述評分來將每個區域與指示雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域。

Description

對樣本的缺陷檢測的方法及其系統
本公開的標的整體涉及樣本檢驗領域，並且更具體地，涉及在樣本上的缺陷檢測的方法和系統。
當前對與所製造的元件的超大規模集成相關聯的高密度和性能的需求要求亞微米特徵、增大的電晶體和電路速度以及提高的可靠度。隨著半導體製程發展，圖案尺寸(諸如線寬)和其他類型的臨界尺寸不斷地縮減。這也稱為設計規則。這種需求要求形成具有高精確度和均勻性的元件特徵，這又必需監視製造製程，包括在元件仍然是半導體晶圓(包括成品元件和/或非成品元件)的形式時對元件的頻繁且詳細的檢查。
本說明書中使用的用語「樣本」應當廣泛地解釋為覆蓋用於製造半導體積體電路、磁頭、平板顯示器和其他半導體製造的製品的任何種類的晶圓、掩模和其他結構、以上項的組合和/或部分。
除非另外具體地說明，否則本說明書中使用的用語「檢驗」應當廣泛地解釋為覆蓋對物件中的缺陷的任何種類的檢測和/或分類。檢驗是透過在待檢驗的物件的製造期間或之後使用例如非破壞性檢驗工具來提供。作為非限制性示例，檢驗製程可以包括使用一個或多個檢驗工具進行掃描(單次掃描或多次掃描)、採樣、查驗、測量、分類和/或關於物件或物件的部分提供的其他操作。同樣地，檢驗可以在待檢驗的物件的製造之前提供並可以包括例如生成檢驗方案。將注意，除非另外具體地說明，否則本說明書中使用的用語「檢驗」或所述用語的衍生詞不受限於檢驗區域的大小、掃描的速度或解析度或檢驗工具的類型。作為非限制性示例，多種非破壞性檢驗工具包括光學工具、掃描電子顯微鏡、原子力顯微鏡等。
檢驗製程可以包括多個檢驗步驟。在製造製程期間，檢驗步驟可以執行多次，例如在製造或處理某些層之後等。另外地或另選地，每個檢驗步驟可以重複多次，例如針對不同晶圓位置或針對在不同檢驗設定下的相同晶圓位置。
作為非限制性示例，運行時檢驗可以採用兩步驟式過程，例如，先是檢查樣本，接著查驗所採樣的缺陷。在檢查步驟期間，典型地以相對高的速度和/或低的解析度掃描樣本或樣本的一部分(例如，感興趣的區域、熱點等)的表面。分析所捕獲的檢查圖像，以便檢測缺陷並獲得所述缺陷的位置和其他檢查屬性。在查驗步驟處，典型地以相對低的速度和/或高的解析度捕獲在檢查階段期間檢測到的缺陷中的至少一些的圖像，從而使得能夠對缺陷中的至少一些進行分類和任選地進行其他分析。在一些情況下，兩個階段都可以由相同檢查工具實現，並且在一些其他情況下，這兩個階段由不同檢查工具實現。
檢驗一般涉及透過將光或電子引導到晶圓並檢測來自晶圓的光或電子來為晶圓生成某種輸出(例如，圖像、信號等)。一旦已經生成輸出，典型地透過將缺陷檢測方法和/或演算法應用到輸出來執行缺陷檢測。最通常地，檢驗目的是對感興趣的缺陷提供高靈敏度，而同時抑制對晶圓上的危害和雜訊的檢測。
本領域中需要的是提高缺陷檢測的靈敏度。
根據本公開的標的的某些態樣，提供了一種用於對樣本的缺陷檢測的電腦化系統，所述系統包括：處理單元，所述處理單元可操作地連接到檢驗工具，所述處理單元包括記憶體和可操作地耦接到所述記憶體的處理器，所述處理單元被配置為：對所述樣本的第一晶粒的一個或多個部分中的每個部分執行分區，其中基於以下中的至少一者執行對所述一個或多個部分中的給定部分的所述分區：i)表徵所述給定部分的圖像資料，從而在圖像空間中產生多個區域，以及ii)表徵所述給定部分的設計資料，從而在設計空間中產生多個區域；其中所述處理單元還被配置為在運行時：從所述檢驗工具接收一個或多個雜訊圖，該等雜訊圖指示在針對所述樣本的第二晶粒的一個或多個部分捕獲的一個或多個第二圖像上的雜訊分佈，所述第一晶粒和所述第二晶粒具有相同設計資料；對所述一個或多個雜訊圖中的每個執行分割，其中透過以下執行對所述一個或多個雜訊圖中的給定雜訊圖的所述分割：計算所述多個區域中的每個區域的評分，其中所述給定雜訊圖與所述多個區域對準並且所述多個區域中的每個區域與其中對準的雜訊資料相關聯，並且其中所述多個區域中的給定區域的所述評分至少基於與所述給定區域相關聯的所述雜訊資料來計算；以及基於所計算的評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域；其中所述片段組可用於基於所述給定雜訊圖來進行對所述樣本的缺陷檢測。
除了以上特徵之外，根據本公開的標的的這一態樣所述的系統可以以技術上可能的任何期望的組合或置換包括以下列出的特徵(i)至(xii)中的一個或多個。 (i). 可以基於所述設計資料來執行所述分區，並且設計空間中的所述多個區域可以是多個設計組，每個設計組對應於所述給定部分中的具有同一設計模式的一個或多個晶粒區域。 (ii). 所述系統還包括檢驗工具，所述檢驗工具被配置為捕獲包括表示所述給定部分的第一圖像的圖像資料。可以基於所述圖像資料來執行所述分區，並且可以基於由表徵所述第一圖像的一組屬性指定的屬性空間中的對應位置的值來在所述第一圖像上獲得圖像空間中的所述多個區域。 (iii).  所述第二晶粒可以是與所述第一晶粒不同的晶粒，並且所述檢驗工具還可以被配置為在運行時捕獲表示所述第二晶粒的所述一個或多個部分的所述一個或多個第二圖像並提供指示所述一個或多個第二圖像上的雜訊分佈的一個或多個雜訊圖。 (iv).   所述第一晶粒可以是用於執行所述分區的參考晶粒，所述第二晶粒可以是檢查晶粒，並且可以在設置階段中執行所述分區。 (v). 所述第一晶粒可以是用於所述第二晶粒的檢查的參考晶粒，所述第二晶粒可以是檢查晶粒，並且可以在運行時執行所述分區。 (vi).   所述第二晶粒可以是所述第一晶粒，所述一個或多個第二圖像可以是針對所述第一晶粒的所述一個或多個部分捕獲的一個或多個第一圖像，並且可以在運行時執行所述分區。 (vii).  所述檢驗工具可以是被配置為掃描所述樣本以捕獲所述圖像資料和所述一個或多個第二圖像的檢查工具。 (viii). 所述屬性組可以是從一組屬性候選中選擇的，所述屬性候選包括一個或多個預限定的屬性以及使用機器學習生成的一個或多個屬性。 (ix).   所述屬性組可以包括使用機器學習生成的所述一個或多個屬性，並且所述處理單元還可以被配置為使用機器學習模型生成所述一個或多個屬性。 (x). 可以透過生成訓練屬性並使用所述訓練屬性預測雜訊來訓練所述機器學習模型，並且可以將所預測的雜訊與由缺陷檢測演算法生成的參考雜訊進行比較以優化所述機器學習模型，使得經訓練的機器學習模型能夠生成表徵所述第一圖像並表示所述第一圖像的指示不同雜訊位準的空間模式的所述一個或多個屬性。 (xi).   所述將每個區域與一個分割標籤相關聯可以包括對為每個區域計算的所述評分進行排名並基於所述排名來將所述多個區域分組到所述片段組。 (xii).  所述執行缺陷檢測可以包括為每個片段配置檢測閾值。
根據本公開的標的的另一個態樣，提供了一種對樣本的缺陷檢測的電腦化方法，所述方法包括：對所述樣本的第一晶粒的一個或多個部分中的每個部分執行分區，其中基於以下中的至少一個執行對所述一個或多個部分中的給定部分的所述分區：i)表徵所述給定部分的圖像資料，從而在圖像空間中產生多個區域，以及ii)表徵所述給定部分的設計資料，從而在設計空間中產生多個區域；在運行時從所述檢驗工具接收一個或多個雜訊圖，該等雜訊圖指示在針對所述樣本的第二晶粒的一個或多個部分捕獲的一個或多個第二圖像上的雜訊分佈，所述第一晶粒和所述第二晶粒具有相同設計資料；在運行時對所述一個或多個雜訊圖中的每個執行分割，其中透過以下執行對所述一個或多個雜訊圖中的給定雜訊圖的所述分割：計算所述多個區域中的每個區域的評分，其中所述給定雜訊圖與所述多個區域對準，並且所述多個區域中的每個區域與其中對準的雜訊資料相關聯，並且其中所述多個區域中的給定區域的所述評分至少基於與所述給定區域相關聯的所述雜訊資料來計算；以及基於所計算的評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域；其中所述片段組可用於基於所述給定雜訊圖來進行對所述樣本的缺陷檢測。
本公開的標的的這一態樣可以以技術上可能的任何期望的組合或置換包括以上關於系統列出的特徵(i)至(xii)中的一個或多個並加以必要的變更。
根據本公開的標的的另一個態樣，提供了一種非暫態電腦可讀存儲介質，所述非暫態電腦可讀存儲介質有形地體現當由電腦執行時致使所述電腦執行對樣本的缺陷檢測的方法的指令程式，所述方法包括：對所述樣本的第一晶粒的一個或多個部分中的每個部分執行分區，其中基於以下中的至少一個執行對所述一個或多個部分中的給定部分的所述分區：i)表徵所述給定部分的圖像資料，從而在圖像空間中產生多個區域，以及ii)表徵所述給定部分的設計資料，從而在設計空間中產生多個區域；在運行時從檢驗工具接收一個或多個雜訊圖，該等雜訊圖指示在針對所述樣本的第二晶粒的一個或多個部分捕獲的一個或多個第二圖像上的雜訊分佈，所述第一晶粒和所述第二晶粒具有相同設計資料；在運行時對所述一個或多個雜訊圖中的每個執行分割，其中透過以下執行對所述一個或多個雜訊圖中的給定雜訊圖的所述分割：計算所述多個區域中的每個區域的評分，其中所述給定雜訊圖與所述多個區域對準，並且所述多個區域中的每個區域與其中對準的雜訊資料相關聯，並且其中所述多個區域中的給定區域的所述評分至少基於與所述給定區域相關聯的所述雜訊資料來計算；以及基於所計算的評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域；其中所述片段組可用於基於所述給定雜訊圖來進行對所述樣本的缺陷檢測。
本公開的標的的這一態樣可以以技術上可能的任何期望的組合或置換包括以上關於系統列出的特徵(i)至(xii)中的一個或多個並加以必要的變更。
在以下詳述中，闡述了許多具體細節，以便提供對本發明的透徹理解。然而，本領域的技術人員將理解，本公開的標的可以在沒有這些具體細節的情況下實踐。在其他情況下，沒有詳細地描述所熟知的方法、過程、部件和電路，以免模糊本公開的標的。
除非另外具體地說明，否則如從以下討論中顯而易見，將瞭解，貫穿本說明書討論，利用用語諸如「執行」、「分區」、「捕獲」、「接收」、「計算」、「對準」、「提供」、「關聯」、「生成」、「獲得」、「配准」、「掃描」、「使用」、「應用」、「訓練」、「排名」、「配置」等是指電腦的操縱資料和/或將資料變換為成其他資料的電腦的操作和/或處理，所述資料被表示為物理(諸如電子)量，且/或所述資料表示物理物件。用語「電腦」應當廣泛地解釋為覆蓋具有資料處理能力的任何種類的基於硬體的電子元件，作為非限制性示例，包括本申請中公開的對樣本的缺陷檢測的電腦化系統或電腦化系統的部分以及在電腦化系統中的處理單元。
本文使用的用語「非暫態記憶體」和「非暫態存儲介質」應當廣泛地解釋為覆蓋適合本公開的標的的任何易失性或非易失性電腦記憶體。
本說明書中使用的用語「缺陷」應當廣泛地解釋為覆蓋在樣本上或樣本內形成的任何種類的異常或不期望的特徵或孔隙。
本說明書中使用的用語「設計資料」應當廣泛地解釋為覆蓋指示樣本的分層物理設計(佈局)的任何資料。設計資料可以由相應設計者提供和/或可以源於物理設計(例如，透過複雜模擬、簡單幾何和布林操作等)。設計資料可以以不同格式提供，作為非限制性示例，如GDSII格式、OASIS格式等。設計資料可以以向量格式、灰度級強度圖像格式或以其他方式呈現。
將瞭解，除非另外具體地說明，否則在單獨的實施方式的上下文中描述的本公開的標的的某些特徵也可以在單一實施方式中組合地提供。相反，在單一實施方式的上下文中描述的本公開的標的的各種特徵也可以單獨地提供或以任何合適的子組合提供。在以下詳述中，闡述了許多具體細節，以便提供對方法和設備的透徹理解。
考慮到這一點，參看圖1，示出了根據本公開的標的的某些實施方式的對樣本的缺陷檢測的系統的方塊圖。
圖1中所示的系統100可以用於對樣本(例如，晶圓、晶圓上的晶粒和/或晶圓的部分)的缺陷檢測。如前所述，本說明書中使用的用語「樣本」應當廣泛地解釋為覆蓋用於製造半導體積體電路、磁頭、平板顯示器和其他半導體製造的製品的任何種類的晶圓、掩模、掩模版和其他結構、以上項的組合和/或部分。根據某些實施方式，本文中所用的樣本可以選自包括以下項的組：晶圓、掩模版、掩模、積體電路和平板顯示器(或平板顯示器的至少一部分)。
僅出於說明目的，關於晶粒和晶圓提供以下描述的某些實施方式。實施方式同樣地適用於樣本的其他類型、大小和表示。
根據某些實施方式，系統100可以包括、或可操作地連接到一個或多個檢驗查工具120。本文使用的用語「檢驗工具」應當廣泛地解釋為涵蓋可用於檢驗相關製程的任何工具，透過非限制性示例，包括成像、掃描(以單次掃描或多次掃描)、採樣、查驗、測量、分類和/或關於樣本或樣本的部分提供的其他製程。一個或多個檢驗工具120可以包括一個或多個檢查工具和/或一個或多個查驗工具。在一些情況下，檢驗工具120中的至少一個可以是被配置為掃描樣本(例如，整個晶圓、整個晶粒或整個晶粒的一部分)以捕獲檢查圖像(典型地以相對高的速度和/或低的解析度)來檢測潛在缺陷的檢查工具。在一些情況下，檢驗工具120中的至少一個可以是查驗工具，所述查驗工具被配置為捕獲由檢查工具檢測到的缺陷中的至少一些的查驗圖像以確定潛在缺陷是否確實是缺陷。這種查驗工具通常被配置為一次檢查一個晶粒的片段(典型地以相對低的速度和/或高的解析度)。檢查工具和查驗工具可以是位於相同或不同位置的不同工具，或以兩種不同模式操作的單一工具。在一些情況下，至少一種檢驗工具可以具有計量能力。
在不以任何方式限制本公開的範圍的情況下，還應當注意，檢驗工具120可以被實現為各種類型的檢查機器，諸如光學成像機器、電子束檢查機器等。
根據某些實施方式，檢驗工具120可以被配置為捕獲圖像資料，該圖像資料包括樣本的晶粒的一個或多個部分的一個或多個圖像。檢驗工具120還可以被配置為獲得指示一個或多個圖像上的雜訊分佈的一個或多個雜訊圖。圖像可以從不同檢驗模態產生，並且本公開不受用於生成圖像的檢查和計量技術限制。在一些實施方式中，檢驗工具120可以是被配置為掃描樣本以捕獲一個或多個圖像的檢查工具。在一些情況下，可以處理樣本的所捕獲的圖像(例如，透過影像處理模組處理，該模組的功能性可以集成在檢驗工具120內或處理單元102內，或可作為獨立電腦實施)，以便生成指示樣本上的很有可能是感興趣的缺陷(DOI)的疑似位置的缺陷圖，如將關於圖2更詳細地描述。由於DOI相對稀少並且缺陷圖中反映的疑似缺陷中的大多數更可能是雜訊或錯誤警報，因此缺陷圖在本文中也被稱為雜訊圖。
本文所用的用語「感興趣的缺陷(DOI)」是指使用者感興趣的任何要檢測的真實缺陷。例如，如與危害類型的缺陷相比，可能導致成品率損失的任何「致命」缺陷可以被指示為DOI，這也是真實缺陷，但是不會影響成品率，因此應當忽略。
本文所用的用語「雜訊」應當廣泛地解釋為包括任何不想要的或不感興趣的缺陷(也被稱為非DOI或危害)、以及在檢查期間由不同變化(例如，製程變化、顏色變化、機械和電變化等)導致的隨機雜訊。
系統100可以包括可操作地連接到I/O介面126和檢驗工具120的處理單元102。處理單元102是被配置為提供作業系統100所需的所有處理的處理電路，這在下面參照圖2更詳細地描述。處理單元102包括處理器(未單獨地示出)和記憶體(未單獨地示出)。處理單元102的處理器可以被配置為根據在包括在處理單元中的非暫態電腦可讀記憶體上實現的電腦可讀指令來執行若干功能模組。此類功能模組在下面被稱為包括在處理單元102中。
處理單元102中包括的功能模組可以包括分區模組104和分割模組106，它們可操作地彼此連接。分區模組104可以被配置為對樣本的第一晶粒的一個或多個部分中的每個部分執行分區。可以基於以下中的至少一個執行對樣本的第一晶粒的一個或多個部分中的給定部分的分區：i)表徵給定部分的圖像資料，從而在圖像空間中產生多個區域，以及ii)表徵給定部分的設計資料，從而在設計空間中產生多個區域。
根據某些實施方式，在一些情況下，系統100可以經由基於硬體的I/O介面126可操作地連接到設計資料伺服器110(例如，CAD伺服器)。設計資料伺服器110被配置為存儲和提供表徵樣本的設計資料。樣本的設計資料可以採用以下格式中的任一種：樣本的物理設計佈局(例如，CAD裁剪)、光柵影像以及從設計佈局衍生的模擬圖像。根據某些實施方式，I/O介面126可以被配置為從設計資料伺服器110接收表徵晶粒的一個或多個部分中的給定部分的設計資料。在基於設計資料來執行分區的情況下，設計空間中的多個區域可以是多個設計組，每個設計組對應於給定部分中的具有同一設計模式的一個或多個晶粒區域，如下面參考圖2和圖3更詳細地描述。
分割模組106可以被配置為在運行時從檢驗工具接收一個或多個雜訊圖，該等雜訊圖指示在針對樣本的第二晶粒的一個或多個部分捕獲的一個或多個第二圖像上的雜訊分佈。第一晶粒和第二晶粒由相同設計資料表徵。分割模組106還可以被配置為對一個或多個雜訊圖中的每個執行分割。具體地，對一個或多個雜訊圖中的給定雜訊圖的分割包括計算多個區域中的每個區域的評分，其中給定雜訊圖與多個區域對準，並且多個區域的每個區域與其中對準的雜訊資料相關聯。在一些實施方式中，可以至少基於與給定區域相關聯的雜訊資料來計算多個區域中的給定區域的評分。
一旦計算出評分，對一個或多個雜訊圖中的給定雜訊圖的分割可以包括基於所計算的評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域。該組片段構成分割資料，所述分割資料可用於樣本的進一步檢驗。作為示例，可以將分割資料提供到檢驗工具120和/或任何其他檢驗工具，以基於給定雜訊圖來檢測樣本上的缺陷。在一些情況下，分割資料可以用於調整給定雜訊圖(例如，透過重新計算差值圖像和/或等級圖像中的至少某些圖元)，並且可以基於調整後的雜訊圖來對樣本執行缺陷檢測。作為另一個示例，分割資料可以由處理單元用來基於給定雜訊圖來執行對樣本的缺陷檢測(在這種情況下，處理單元102還可以包括缺陷檢測模組(圖1中未示出))。在一些實施方式中，分割資料可以包括分割佈局，所述分割佈局可以被發送到基於電腦的圖形化使用者介面(GUI)124以呈現結果。下面將參考圖2更詳細地描述分割。
根據某些實施方式，系統100可以包括存儲單元122。存儲單元122可以被配置為存儲作業系統100所需的任何資料，例如，與系統100的輸入和輸出有關的資料，以及由系統100生成的中間處理結果。作為示例，存儲單元122可以被配置為存儲由檢驗工具120產生的圖像和/或圖像的衍生物。因此，可以從存儲單元122檢索一個或多個圖像並將所述一個或多個圖像提供到處理單元102以進行進一步處理。另外地或另選地，存儲單元122可以被配置為存儲樣本的設計資料，所述樣本的設計資料可以從存儲單元中檢索並作為輸入來提供到處理單元102。另外地或另選地，存儲單元122可以被配置為存儲分區結果，即，多個區域，所述分區結果可以從存儲單元中檢索並提供到處理單元102以進行進一步處理。
在一些情況下，系統100可以可操作地連接到一個或多個外部資料儲庫(圖1中未示出)，所述一個或多個外部資料儲庫被配置為存儲由檢驗工具120和/或設計資料伺服器110產生的資料(和/或所述資料的衍生物)。樣本的圖像資料、雜訊圖和/或設計資料可以被提供到處理單元102以進行進一步處理。
在一些實施方式中，系統100可以任選地包括基於電腦的圖形化使用者介面(GUI)124，所述基於電腦的圖形化使用者介面被配置為啟用與系統100有關的使用者指定的輸入。例如，可以向使用者呈現樣本的視覺表示(例如，透過形成GUI 124的一部分的顯示器)，包括樣本的設計資料和/或圖像資料。可以透過GUI向使用者提供限定某些操作參數的選項。使用者還可以在GUI上查看分割結果以及其他操作結果(諸如像缺陷檢測結果)。
將注意，儘管圖1中示出了檢驗工具120被實現為系統100的一部分，但是在某些實施方式中，系統100的功能性可以作為獨立電腦實施，並可以可操作地連接到檢驗工具120以與檢驗工具120一起操作。在這種情況下，可以直接地或經由一個或多個中間系統從檢驗工具120接收樣本的圖像資料，並且可以將所述圖像資料提供到處理單元102以進行進一步處理。在一些實施方式中，系統100的相應功能性可以至少部分地與一個或多個檢驗工具120集成在一起，從而促進和增強在檢查相關製程中檢驗工具120的功能性。在這種情況下，系統100的部件或其至少一部分可以形成檢驗工具120的部分。作為一個示例，分區模組104和/或分割模組106可以被實現或集成為檢驗工具120的部分。作為另一個示例，處理單元102和存儲單元122可以分別形成檢驗工具120的處理單元和存儲裝置的部分；並且檢驗工具120的I/O介面和GUI可以用作I/O介面126和GUI 124。
本領域的技術人員將容易地理解，本公開的標的的教導不受圖1中所示的系統束縛；等效和/或修改的功能性可以以另一種方式合併或分區並可以以軟體與韌體和硬體的任何適當的組合來實現。
將注意，圖1中所示的系統可以在分散式運算環境中實現，其中圖1中所示的前述功能模組可以分佈在若干本端和/或遠端裝置上，並且可以透過通信網路進行連結。還將注意，儘管檢驗工具120、存儲單元122和GUI 124在圖1中被示出為是系統100的一部分，但是在一些其他實施方式中，前述單元中的至少一些可以在系統100的外部實施並可以配置為經由I/O介面126與系統100進行資料通信。
現在參照圖2，示出了根據本公開的標的的某些實施方式的對樣本的缺陷檢測的概括性流程圖。
可以執行對樣本的第一晶粒的一個或多個部分中的每個部分的分區(202)(例如，透過處理單元102中包括的分區模組104)。具體地，可以基於以下中的至少一個執行對一個或多個部分中的給定部分的分區：i)表徵給定部分的圖像資料，從而在圖像空間中產生多個區域，以及ii)表徵給定部分的設計資料，從而在設計空間中產生多個區域。在一些實施方式中，一個或多個部分可以是指晶粒的一個或多個塊。將注意，塊可以具有各種大小和尺寸，諸如像圖像空間中的100*200、100*1000、200*2000圖元等，並且本公開不應當被解釋為受本公開的具體實現方式的限制。
根據某些實施方式，在一些情況下，可以基於設計資料來執行分區。在這種情況下，多個區域在設計空間中產生為多個設計組，每個設計組對應於具有同一設計模式的一個或多個晶粒區域(在給定部分中)。
在以上情況下，可以接收給定部分或一個或多個部分的設計資料、或第一晶粒的設計資料(例如，透過I/O介面126、從設計資料伺服器110中)。如前所述，設計資料可以採用以下格式中的任一種：物理設計佈局(例如，CAD裁剪)、光柵影像以及從設計佈局衍生的模擬圖像。晶粒(或晶粒的部分)的設計資料可以包括具有特定幾何結構和佈置的各種設計模式。可以將設計模式限定為由一個或多個結構元素組成，每個結構元素具有帶有某種輪廓的幾何形狀(例如，一個或多個多邊形)。
在一些實施方式中，接收到的設計資料可以表示多個設計組，每個設計組對應於具有同一設計模式的一個或多個晶粒區域。可以預先執行設計組的聚類(即，從CAD資料劃分到多個設計組)，並且可以將設計組資訊預存儲在設計資料伺服器110中。因此，由系統100獲得的設計資料可能已經包括設計組資訊。在一些情況下，由系統100接收的設計資料可以僅包括設計組資訊(例如，不同設計組的設計座標)而不包括物理設計佈局(例如，CAD裁剪)資訊。在一些其他情況下，由系統100接收的設計資料可以包括設計組資訊和具體設計佈局資訊兩者。
在這些實施方式中，分區為多個區域可以是根據設計組資訊來進行，例如，多個區域可以對應於多個設計組。將注意，當設計模式相同時，或當設計模式高度相關或彼此類似時，可以將設計模式視為是「相同」的。可以將各種相似性度量和演算法應用來將類似設計模式匹配和聚類，並且本公開不應當被解釋為受用於源於設計組的任何具體度量的限制。
在一些實施方式中，另選地和可選地，在從設計資料伺服器接收到晶粒(或晶粒的部分)的物理設計佈局後，可由系統100的處理單元102執行設計組的聚類。將注意，參考方塊202描述的分區可以在設置階段(即，在生產中/運行時之前)或在運行時階段中執行。
現在參照圖3，示出了根據本公開的標的的某些實施方式的設計組的示意圖。
僅出於說明目的，圖3中示意性地示出了晶粒(或晶粒的部分)的設計資料。不同種類的「樹」表示在設計資料上的不同設計模式。在將類似設計模式聚類/分組之後，將設計資料劃分為四個設計組302、304、306和308，每個設計組對應於具有同一設計模式的一個或多個晶粒區域。將注意，在一些設計組中，設計模式不是完全地一樣或相同的，而是具有高相似性。例如，在設計組304中，可以看出，在左側的兩個區域中的圖案和在右側的區域中的圖案略有不同(例如，在相反方向上)。如前所述，在一些情況下，由系統100接收的設計資料可以是圖3中的左側表示的形式，所述形式包括分組資訊以及具體設計佈局和模式。在另一些情況下，它可以採用圖3中的正確表示的形式，所述形式僅包括分組資訊(例如，在設計座標中組的位置)。在本示例中，從分區產生的多個區域對應於四個設計組302、304、306和308。
將注意，圖3中示出的示例僅出於說明目的，並且不應當被視為以任何方式限制本公開。本領域的任何技術人員將容易地瞭解，晶粒的實際設計模式可能複雜得多，因此類似設計模式的分組可以變化，並且在一些情況下可以比本示例複雜得多。
繼續圖2的方塊202的描述，根據某些實施方式，可以基於表徵第一晶粒的一個或多個部分中的給定部分的圖像資料來執行分區(例如，代替如上所述的設計資料作)。在這種情況下，由檢驗工具120捕獲的圖像資料可以包括表示給定部分的第一圖像。多個區域在圖像空間中產生並基於由表徵第一圖像的一組屬性指定的屬性空間中的對應位置的值在第一圖像上獲得。在這種情況下，可以在設置階段中或另選地在運行時執行分區，這取決於在下面參考方塊204詳細地描述的各種場景。由於對一個或多個部分中的每個執行分區，因此檢驗工具可以配置為捕獲包括表示第一晶粒的一個或多個部分的一個或多個第一圖像的圖像資料。使用圖像資料而不是設計資料的一個優點是無需獲取和/或處理樣本的設計資料，因為設計資料並不是一直可用的，例如，某些客戶可能不願提供此類資料，並且另外，特別是考慮到設計資料和圖像資料之間的配准，處理設計資料可能在計算上是繁瑣且困難的。
在另一些實施方式中，可以基於圖像資料和設計資料兩者來執行分區。
繼續圖2的描述，現在描述運行時分割過程。可以在運行時接收(例如，由處理單元102從檢驗工具120)一個或多個雜訊圖(204)，所述一個或多個雜訊圖指示在針對樣本的第二晶粒的一個或多個部分捕獲的一個或多個第二圖像上的雜訊分佈。第一晶粒和第二晶粒由相同設計資料表徵。
根據一些實施方式，第二晶粒可以是指與第一晶粒不同的晶粒，並且可以在運行時捕獲(例如，由檢驗工具120)表示第二晶粒的一個或多個部分的一個或多個第二圖像。可以提供一個或多個雜訊圖(例如，由檢驗工具120)以指示在一個或多個第二圖像上的雜訊分佈。
根據上述實施方式，在一些情況下，第二晶粒可以是指檢查晶粒(即，在生產中/運行時要檢查的晶粒)，而第一晶粒可以是指用於執行分區的測試晶粒或參考晶粒，這是出於服務運行時分割目的的預處理操作。在這種情況下，可以在設置階段中執行如上面參考方塊202描述的基於圖像資料的分區，因為它是基於與在運行時捕獲的檢查圖像(即，第二圖像)不同的圖像資料(即，測試晶粒或參考晶粒的圖像)。在這種情況下的優點中的一個是減少運行時檢查和/或檢測所需的計算時間和資源，從而提高系統的性能。
在一些其他情況下，第二晶粒可以是指檢查晶粒，而第一晶粒可以是指用於第二晶粒的檢查的參考晶粒(例如，諸如在晶粒-參考檢測方法中那樣)。作為示例，在晶粒-晶粒檢測方法中，參考晶粒可以是晶圓上的檢查晶粒的相鄰晶粒。在這種情況下，可以在運行時執行如上面參考方塊202描述的基於圖像資料的分區，因為它是基於在運行時捕獲的圖像資料(例如，相鄰晶粒的圖像)。在這種情況下的優點中的一個是使第一圖像(例如，第一圖像上的多個區域)與第二圖像(例如，對應於第二圖像的雜訊圖)之間的對準/配准過程更容易而在計算上不麻煩且成本低，因為參考晶粒和檢查晶粒彼此相鄰/相鄰。
根據另一些實施方式，第二晶粒和第一晶粒可以是指相同晶粒。因此，一個或多個第二圖像實際上與針對第一晶粒的一個或多個部分捕獲的一個或多個第一圖像相同。在這種情況下，第二晶粒和第一晶粒可以是指相同檢查晶粒。在這種情況下，如上面參考方塊202描述的基於圖像資料的分區可以在運行時執行，因為它是基於在運行時捕獲的檢查圖像。在這種情況下的優點中的一個是不需執行第一圖像和第二圖像之間的對準/配准，所述對準/配准如上所述在計算上是麻煩且成本高的。
在一些實施方式中，檢驗工具可以是被配置為掃描樣本以捕獲圖像資料(即，第一圖像)和/或一個或多個第二圖像的檢查工具。如前所述，在一些情況下，檢查工具可以被配置為以特定掃描配置掃描樣本。掃描配置可以包括配置以下參數中的一個或多個：照射條件、偏振、每一區域的雜訊位準(區域可以以各種方式限定，諸如像基於使用者/客戶資訊進行預限定，或限定為與設計模式相關等)、每一區域的檢測閾值以及每一區域的雜訊強度計算方法等。在一些情況下，檢查工具專門地配置有靈敏參數以使得能夠進行樣本的靈敏掃描。作為示例，靈敏掃描可以是指對指示不同雜訊位準和特性的空間模式的靈敏度，使得從靈敏掃描產生的檢查圖像和/或雜訊圖可以反映這種模式和如模式所指示的雜訊資訊。例如，可以使用靈敏掃描來獲得第一圖像，使得分區可以考慮從掃描產生的更多模式資訊。
根據某些實施方式，可以獲得指示檢查圖像(即，第二圖像)上的雜訊分佈的雜訊圖。在一些情況下，可以使用檢測閾值來獲得雜訊圖。
可以以各種方式生成(例如，透過檢測模組和/或影像處理模組生成，影像處理模組的功能性可以集成在檢驗工具120內或處理單元102內)雜訊圖。在一些實施方式中，可以透過將檢測閾值直接地應用於所捕獲的檢查圖像的圖元值來生成雜訊圖。在一些其他實施方式中，還可以處理樣本的檢查圖像，以便生成雜訊圖。可以將不同檢查和檢測方法應用於處理檢查圖像並生成雜訊圖，並且本公開不受限於在其中使用的具體檢測技術。僅出於說明目的，現在描述基於檢查圖像的缺陷檢測和雜訊圖生成的幾個示例。
在一些實施方式中，對於每個檢查圖像，可以使用一個或多個參考圖像用於缺陷檢測。可以以各種方式獲得參考圖像，並且本文所用的參考圖像的數量和獲得這種圖像的方式決不應當被理解為對本公開進行限制。在一些情況下，可以從同一個樣本的一個或多個晶粒(例如，檢查晶粒的相鄰晶粒)捕獲一個或多個參考圖像。在一些其他情況下，一個或多個參考圖像可以包括從另一個樣本(例如，與目前樣本不同但共用相同設計資料的第二樣本)的一個或多個晶粒捕獲的一個或多個圖像。作為示例，在晶粒-歷史(D2H)檢查方法中，可以在目前時間(例如，t=t')從目前樣本捕獲檢查圖像，並且一個或多個參考圖像可以包括在基線時間(例如，先前時間t=0)從第二樣本上的一個或多個晶粒捕獲的一個或多個先前圖像。在另一些實施方式中，一個或多個參考圖像可以包括表示一個或多個晶粒中的給定晶粒的至少一個模擬圖像。作為示例，可以基於晶粒的設計資料(例如，CAD資料)生成模擬圖像。
在一些實施方式中，可以基於檢查圖像的圖元值與源於一個或多個參考圖像的圖元值之間的差值來生成至少一個差值圖像。任選地，還可以基於至少一個差值圖像來生成至少一個等級圖像。等級圖像可以由圖元構成，圖元具有基於差值圖像中的對應圖元值和預限定的差值歸一化因數來計算出的值。可以基於圖元值的正態群體的行為來確定預限定的差值歸一化因數，並且可以將預限定的差值歸一化因數用於歸一化差值圖像的圖元值。作為示例，可以將圖元的等級計算為差值圖像的對應圖元值與預限定的差值歸一化因數之間的比率。可以透過使用檢測閾值基於至少一個差值圖像或至少一個等級圖像來確定疑似缺陷(雜訊)的位置來生成雜訊圖。
在本公開的標的的一些實施方式中，檢測閾值可以是零閾值，使得雜訊圖可以包括如在至少一個差值圖像或至少一個等級圖像上反映的所有雜訊資訊。
所獲得的雜訊圖可以指示第二圖像上的雜訊分佈。在一些實施方式中，雜訊分佈可以包括由檢測過程揭示的雜訊圖中的雜訊的一個或多個雜訊特性，諸如雜訊的位置(例如，在檢查圖像上)。另外，雜訊特性還可以包括以下中的至少一個：雜訊的強度和大小。在一些實施方式中，雜訊圖中的雜訊可以包括模式相關雜訊。這種類型的雜訊與雜訊所關聯的設計模式的局部密度和複雜性有關。雜訊圖中還可以包括其他類型的雜訊，例如由檢驗工具引起的雜訊(例如，散粒雜訊)、過程變化和顏色變化等。
如前所述，在基於圖像資料來執行分區的情況下，基於由表徵第一圖像的一組屬性指定的屬性空間中的對應位置的值來在圖像空間中、即在第一圖像上產生多個區域。根據某些實施方式，所述組屬性可以是從一組屬性候選中選擇的，所述組屬性候選包括一個或多個預限定的屬性以及使用機器學習生成的一個或多個屬性。作為示例，可以基於從先前檢查和檢測過程獲得的雜訊分析結果來確定預限定的屬性。在一些情況下，預限定的屬性中的一些可以從現有噪音源的理論性建模中獲得，諸如像過程變化、測量雜訊、演算法雜訊等。預限定的屬性中的一些可以從基於圖像的特徵空間分解(固定(無關資料)或資料相關的)中獲得。在一些情況下，預限定的屬性中的一些可以從已知的層中獲得。任選地，一些屬性可以由客戶基於客戶資料來提供。
根據某些實施方式，所述組屬性可以包括使用機器學習生成的一個或多個屬性。可以使用機器學習模型來生成(例如，由處理單元102)一個或多個屬性。可以透過提取表徵訓練圖像的訓練屬性並使用所提取的訓練屬性預測訓練圖像中的雜訊來訓練機器學習模型。然後，將所預測的雜訊與由缺陷檢測演算法生成的參考雜訊進行比較以將回饋(例如，藉助損失函數)提供到機器學習模型，以便調整和優化模型。一旦訓練模型(例如，所預測的雜訊與參考雜訊之間的差值在一個範圍內)，所述模型就可以在生產中/運行時用於生成/提取輸入檢查圖像的屬性，其中所生成的屬性工作表示指示輸入圖像中的不同雜訊位準的空間模式。
現在轉向圖4，示出了根據本公開的標的的某些實施方式的用於訓練機器學習模型以能夠生成表示指示不同雜訊位準的空間圖案的屬性的示意性方塊圖。
出於示例性目的，機器學習(ML)模型400可以包括可操作地彼此連接的屬性神經網路(圖4中被示出屬性卷積神經網路(CNN)404和決策神經網路(被示為決策CNN 406)。為了訓練ML模型400，每次將訓練圖像402作為輸入提供到模型400。訓練圖像在圖4中以x*y的尺寸表示。屬性CNN 404可以被配置為提取表徵訓練圖像的一組訓練屬性(例如，包括N個屬性的組)。實際上，N個屬性中的每個可以實際上都是具有與訓練圖像相同的尺寸(即，以x*y的尺寸)的屬性圖，使得對於圖像中的每個圖元，在屬性圖中有對應屬性值。換句話說，檢查圖像中的每個圖元具有來自相應屬性圖的N個對應屬性值。因此，實際上，所述組N個屬性的尺寸為x*y*n，如圖4所示。
將所述組N個屬性作為輸入提供到決策CNN 406。決策CNN 406可以被配置為僅使用一組所提取的候選屬性來預測檢查圖像中的雜訊。作為示例，所預測的雜訊408可以是對應於如上所述的訓練圖像的等級圖像(或差值圖像)的形式，指示檢查圖像中的雜訊/缺陷特性。為了評估所預測的雜訊，並行地對訓練圖像402和一個或多個參考圖像410進行常規的缺陷檢測演算法412(例如，晶粒-參考檢測方法)，並且檢測結果也採用以下形式：等級圖像(或差值圖像)可以用作參考雜訊414，以與所預測的雜訊408進行比較。參考雜訊實際上用作評估雜訊預測的基本事實。可以將比較結果作為回饋(例如，藉助損失函數)提供到ML模型400，以便調整和優化模型，使得ML模型400可以學習生成更好的屬性，以便具有更好的雜訊預測結果。可以用不同訓練圖像來重複這種訓練過程，直到正確地訓練模型為止(例如，所預測的雜訊足夠地接近參考雜訊，如比較結果所指示)。
一旦訓練ML模型400，經訓練的屬性CNN 404就能夠生成表徵每個輸入檢查圖像的一組屬性，所生成的屬性工作表示指示每個輸入檢查圖像中的雜訊位準的空間模式。因此，經訓練的屬性CNN 404可以在設置或運行時用於每個輸入檢查圖像(例如，第一圖像)的屬性生成。由於屬性提供指示每個輸入檢查圖像中的雜訊位準的空間模式的良好表示，因此如上所述的分區可以是基於這種屬性進行的，以便獲得與這種模式有關的分區區域。具體地，分區可以是基於由一組屬性指定的屬性空間中的對應位置的值。
作為示例，可以將每個屬性圖上不同位置的屬性值合併並且可以將來自不同屬性圖上的區間組合以形成分區結果，即，多個區域。然而，本公開不限於執行分區的具體方式。除了以上內容之外或作為其代替，可以使用基於一組屬性來對圖像進行分區的其他可能方式。
現在轉向圖5，示出了根據本公開的標的的某些實施方式的檢查圖像和表徵檢查圖像的一組屬性的示例。
示出了檢查圖像502，表示晶粒的一部分。生成表徵檢查圖像502的一組屬性504、506和508。一組屬性可以例如透過從一組屬性候選中選擇來生成，所述組屬性候選包括一個或多個預限定的屬性以及使用機器學習生成的一個或多個屬性，如上所述。為了示例性和說明性目的，屬性504可以指示圖像中包括的圓形模式，屬性506可以指示圖像中包括的位準線模式，並且屬性508可以指示圖像中包括的豎直線模式。例如，可以透過使檢查圖像透過對應特徵提取篩檢程式來生成這些屬性。510中展示了分割結果，示出了根據附接到多個區域上的灰度來標記有不同灰度級的多個區域。如前所述，可以基於所述組屬性以各種方式生成這些區域。如圖所示，一個示例是組合所述組屬性(例如，將它們彼此重疊並組合對應位置的值)以形成分區區域。
將注意，模式、屬性和分區的以上示例僅出於說明性目的，而不應當以任何方式解釋為限制本公開。例如，在一些情況下，所生成的屬性可以指示除以上內容之外或作為替代而具有不同類型和大小的其他空間模式，諸如像矩形模式、三角形模式等。在一些情況下，某些屬性(尤其是由機器學習模型生成的屬性)可能不一定展示空間模式的簡單明瞭的圖示(例如，與空間模式的相關性可能對人眼不明顯)。然而，由於以此方式專門地訓練機器學習模型，因此這些所生成的屬性仍可以指示檢查圖像中的雜訊位準，並且因此在本公開的範圍內。
再次參考圖2，可以在運行時執行對一個或多個雜訊圖中的每個的分割(206)(例如，由分割模組106)。具體地，可以透過以下來執行一個或多個雜訊圖中的給定雜訊圖(即，任何給定雜訊圖)的分割：計算(208)多個區域中的每個區域的評分，以及基於所計算的評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯(210)。
為了計算評分(208)，給定雜訊圖需要與多個區域對準，使得多個區域中的每個區域與其中對準的雜訊資料(即，來自雜訊圖的落在從對準產生的區域內的雜訊資料)相關聯。可以至少基於與給定區域相關聯的雜訊資料來計算多個區域中的給定區域的評分。
如以上參考方塊202所述，可以基於用於分區的資料在設計空間或圖像空間中產生多個區域。在其中多個區域是設計空間中的多個設計組的情況下，每個設計組對應於具有同一設計模式的一個或多個晶粒區域，那麼給定雜訊圖需要與設計資料對準，使得多個設計組中的每個給定設計組可以與對應於所述設計組的晶粒區域內的雜訊資料相關聯。在其中多個區域在圖像空間中的情況下(例如，基於由表徵第一圖像的一組屬性指定的屬性空間中的對應位置的值來在第一圖像上獲得區域，並且第一圖像與第二圖像)，給定雜訊圖需要與圖像資料(即，第一圖像)對準。
對準(如與以上情況中的任一種一樣)都可以在不同階段中執行。根據一些實施方式，可以例如在設置階段中預先由可能不同的系統來執行對準，並且對準的結果可以由系統100接收以進行進一步處理。在一些其他實施方式中，可以透過將雜訊圖與多個區域配准來在運行時由處理單元102執行對準。可以根據本領域中已知的任何合適的配准演算法(例如，如US2007/0280527、US2013/204569等中所述)來實現配准過程。
作為示例，在多個區域位於設計空間中的情況下，可以將在檢查座標中的雜訊圖(檢查空間中的座標被稱為檢查座標)與設計資料(例如，CAD裁剪)配准，從而獲得檢查空間中的設計資料座標。雜訊圖的檢查座標與設計座標中的相應位置之間可能因各種原因而出現一些差值，這些原因如掃描條件(例如，照射)以及在掃描過程中的疏忽、偏移和完全錯誤、在印刷在晶圓上的電路的製造過程中的錯誤等。可以生成位置校準資料，所述位置校準資料告知雜訊圖與設計資料之間的全域(例如，平均)偏移和/或多個偏移，每個偏移都與具體區域或模式或感興趣的物件有關。任選地，位置校準資料可以包括為每個感興趣的物件(或所述物件的組)指定相應偏移的資料結構。位置校準資料可以存儲在如處理單元102或存儲單元122中包括的記憶體中。
現在參考圖6，示出了根據本公開的標的的某些實施方式的對準的雜訊圖和設計資料的示意性示例。
使用如上所述的配准演算法，將源於圖3的設計組與雜訊圖對準。雜訊圖中的雜訊或雜訊資料在圖6中被示為位於不同位置且具有不同大小的黑點601。大小可以指示雜訊信號的強度或雜訊的實際空間大小。例如，如上所述，在檢測過程中，如果基於等級圖像來生成雜訊圖，那麼雜訊圖中的雜訊的強度可以由與等級圖像中的雜訊相對應的圖元值來表示。在對準之後，四個設計組302、304、306和308與落在分別對應於設計組的晶粒區域內的雜訊資料(例如，由黑點表示)相關聯。對準的設計組及所述對準的設計組的相關聯的雜訊資料被標記為602、604、606和608，它們被提供為分割過程的輸入，如以下參考方塊208和210所述。在一些情況下，在對準之後，具有雜訊資料的對準的設計組可以在檢查座標中。
將注意，儘管以上參考圖6所示的對準被例示為在設計資料與雜訊圖之間，但是區域302、304、306和308也可以表示圖像空間中的分區區域(即，第一圖像)，並且可以類似地在雜訊圖與第一圖像中的區域之間應用上述對準。
繼續圖2的描述，如前所述，可以至少基於與給定區域相關的雜訊資料來計算多個區域中的給定區域的評分。作為示例，可以將評分計算為給定區域中的雜訊密度。雜訊密度可以例如計算為與給定區域相關聯的雜訊量與該區域的面積之比。作為另一個示例，可以基於所述區域內的雜訊資料中所指示的最大/最小圖元值來產生評分。
根據一些實施方式，可以基於與給定區域相關聯的雜訊資料和為給定區域的面積分配的缺陷預算來計算評分。在檢查和檢測過程中，通常將總缺陷預算分配給整個晶圓。總缺陷預算是指在檢查和檢測過程之後預期將檢測到的期望缺陷候選總數。在假設DOI在晶粒上具有均勻分佈的情況下，整個晶粒的總缺陷預算可以例如根據區域的面積被分區並分配給晶粒的多個區域。例如，可以將分配給給定區域的缺陷預算計算為整個晶粒的總缺陷預算和給定區域的面積與整個晶粒的面積之比的乘積。
在一些實施方式中，可以基於與區域相關聯的雜訊資料為給定區域創建雜訊長條圖。可以透過在雜訊長條圖上應用為該給定區域分配的缺陷預算來將給定區域的評分計算為閾值。作為示例，可以將雜訊長條圖創建為圖元計數(y軸)對雜訊圖中的指示雜訊/缺陷(x軸)的強度(例如，等級)的圖元值。透過將分配的缺陷預算應用於長條圖，可以產生一個閾值，以將等於缺陷預算的疑似DOI的量與其餘者分開。該閾值可以用作給定區域的評分。
將注意，上述的是計算評分的可能示例，並且可以作為以上的替代或附加而應用其他合適的方法。
在一些情況下，分割結果、即多個區域之間可能存在重疊。例如，在區域為設計組的情況下，這可能是由於樣本的不同層中的某些結構之間的重疊的空間關係而導致的，或在區域是基於圖像資料來獲得的情況下，可能是由於分區演算法的特定設計而導致的。因此，一旦將雜訊圖與多個區域對準，那麼在將雜訊資料與區域相關聯或計算所述區域的評分時，需要考慮落在不同區域之間的重疊區域內的雜訊資料。作為示例，位於兩個(或更多個)區域之間的重疊區域中的雜訊資料應當在一個區域內僅被計數一次，因此需要判斷該雜訊資料實際上屬於哪個區域並將它們從另一個重疊區域中排除，例如當計算此類區域的評分時。
一旦為每個區域計算了評分，就可以基於所計算的評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯(210)，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域。在一些實施方式中，一組片段可以構成分割資料，所述分割資料可用於樣本的進一步檢驗。作為示例，可以將分割資料提供到檢驗工具120和/或任何其他檢驗工具或處理單元，以基於給定雜訊圖來執行對樣本的缺陷檢測(212)。在一些實施方式中，分割資料可以包括分割佈局，所述分割佈局可以被發送到基於電腦的圖形化使用者介面(GUI)124以呈現結果。
在一些實施方式中，為了執行區域與分割標籤之間的關聯，可以根據它們的評分來對多個區域進行排名，並且可以基於排名來將區域分組為一組片段(即，所排名的區域可以基於它們的排名來劃分為一組預限定的片段)。作為示例，一組預限定的分割標籤可以包括指示安靜、嘈雜和非常嘈雜的雜訊位準的三個標籤。按照分割，每個區域可以根據它們在所有評分中的相應評分的排名來分別標記為安靜區域、嘈雜區域和非常嘈雜區域中的一個。將注意，本公開不限於所述組中的預限定的分割標籤的數量。
可以以各種方式將分割資料用於樣本的進一步檢驗(例如，基於給定雜訊圖來執行對樣本的缺陷檢測)。作為示例，分割資料可以用於為每個晶粒段配置檢測閾值。例如，與被標記為安靜的晶粒段相比，標記為非常嘈雜的晶粒段可以具有更高的閾值。作為另一個示例，分割資料可以用於配置差值圖像和/或等級圖像的計算。例如，可以根據不同片段的雜訊位準對差值圖像和/或等級圖像中的圖元值進行歸一化或調適。
現在參考圖7，現在示出了根據本公開的標的的某些實施方式的分割的示例。
示出了檢查圖像702(對應於圖5中的檢查圖像502)，表示晶粒的一部分。示出了分割結果704和706的兩個示例，分別對應於共用相同設計(例如，可能從共用相同設計資料的不同晶粒中的相同部分獲得)的兩個檢查圖像(為了簡單起見，圖7中僅示出了一個檢查圖像702)。如704和706兩者中所示，獲得分別用黑色和白色標記的兩個片段，其中黑色片段表示安靜片段，而白色片段表示嘈雜片段。可以基於圖5所示的分區結果510獲得片段。例如，可以將分割結果510中獲得的多個區域與在運行時獲得的雜訊圖對準，並且可以根據以上參考方塊208的描述來為每個區域計算評分。根據以上參考方塊210的教導，可以基於評分來為每個區域分配分割標籤(安靜或嘈雜的)。作為示例，兩個分割結果704和706之間的差值可以源自從檢查工具獲得的對應於兩個檢查圖像的不同雜訊圖。
現在轉向圖8，示出了根據本公開的標的的某些實施方式的在運行時檢驗中使用分割的示例。
如圖8所示，出於比較目的，示出了兩個圖，其中左圖示出了在不使用分割的情況下在運行時缺陷檢測中生成和使用的雜訊長條圖802，而右圖示出了替代一個雜訊長條圖生成並在使用分割的運行時缺陷檢測中使用的兩個雜訊長條圖808和810。具體地，兩個雜訊長條圖808和810對應於透過如上所述的運行時分割過程獲得的兩個片段(例如，圖7所示的兩個片段)。因此，代替在雜訊長條圖802上施加單個檢測閾值804，可以分別為兩個長條圖808和810分配兩個不同的檢測閾值812和814。在本示例中，對應於雜訊長條圖810的片段比與對應於雜訊長條圖808的片段相對更噪雜。因此，較高閾值814被應用於雜訊長條圖810，而較低閾值812被應用於雜訊長條圖808。透過對不同片段應用不同閾值，對於具有不同雜訊位準的片段可以實現不同檢測靈敏度，從而提高整體檢測靈敏度和缺陷檢測率。特別地，在本示例中，在先前在原始缺陷檢測過程中被忽略(如左長條圖所示)而沒有分割(例如，由於該DOI的強度(例如，等級)與嘈雜片段中的雜訊相比相對低)的較安靜的片段中的DOI 806現在因該片段中已應用了相對低的閾值這一事實而被檢測到(如右長條圖所示)。
根據本公開的標的的某些實施方式，提出了一種運行時分割過程，其中對在運行時檢查和檢測過程中獲得的雜訊圖執行樣本(例如，晶粒或其一部分)的分割。與在設置階段中對僅提供統計/平均雜訊資訊的一個或多個測試晶粒或參考晶粒執行的分割相比，這是有利的。在設置階段分割的情況下，一旦基於這些晶粒來確定分割，它就將成為檢查方案的一部分，該檢查方案將保持「靜態」(即，不可更改)並在運行時用於檢查每個晶粒，不管特定晶粒的具體雜訊特性如何。相比之下，如本文提出的運行時分割是基於特定被檢查的晶粒中的實際雜訊資訊(即，運行時雜訊圖)，因此它是特定於晶粒的，即，分割是動態的，並且可能因晶粒而變化，這使分割結果更準確並與具體晶粒有關，從而提高檢測靈敏度。
另外，在一些實施方式中，可以僅基於圖像資料而沒有設計資料(即，無CAD)來執行如上所述的將樣本分區來準備進行分割。這不僅使分割更適應和更容易使用(尤其是在沒有設計資料的情況下)，而且還可以節省先前用於處理CAD和/或與圖像資料相關的CAD的計算時間和資源。
在一些其他實施方式中，可以基於使用機器學習技術生成的一些圖像屬性來執行分區。可以以如上所述的具體方式來訓練在該方面中使用的機器學習模型，以便能夠生成表徵給定檢查圖像並表示給定檢查圖像的指示不同雜訊位準的空間模式的一個或多個屬性。這使得能夠在沒有CAD資料的情況下執行分區並仍然提供準確結果。
將注意，本文所指的機器學習模型可以根據各種機器學習架構來實現。作為非限制性示例，在一些情況下，機器學習模型可以是深度學習神經網路(DNN)，其中的層可以根據卷積神經網路(CNN)架構、迴圈神經網路架構、遞迴神經網路架構、GAN架構等進行組織。將注意，本公開的標的的教導不受特定機器學習架構束縛。
還將注意，儘管參考系統100的元件來描述圖2中所示的流程圖，但是這絕不是進行束縛，並且可以由除本文所述的彼等各者之外的元件執行操作。
將理解，本發明的應用不限於在本文包含的描述中闡述或在附圖中示出的細節。本發明能夠具有其他實施方式並能夠以各種方式進行實踐或實施。因此，將理解，本文中所用的措辭和用語是出於描述目的，並且不應當被視為限制性的。因此，本領域的技術人員將瞭解，本公開所基於的概念可以容易地用作設計用於實施本公開的標的的若干目的的其他結構、方法和系統的基礎。
還將理解，根據本發明的系統可以至少部分地在實施在合適地程式設計的電腦上。同樣地，本發明設想了電腦程式，所述電腦程式可由電腦讀取以執行本發明的方法。本發明還設想了非暫態電腦可讀存儲介質，所述非暫態電腦可讀存儲介質有形地體現可由電腦執行以執行本發明的方法的指令程式。
本領域的技術人員將容易地瞭解，在不脫離本發明的在所附申請專利範圍中並由所附申請專利範圍限定的範圍的情況下，可以對如上所述的本發明的實施方式應用各種修改和改變。
100:系統 102:處理單元 104:分區模組 106:分割模組 110:設計資料伺服器 120:檢驗工具 122:存儲單元 124:圖形化使用者介面(GUI) 126:I/O介面 202:步驟 204:步驟 206:步驟 208:步驟 210:步驟 212:步驟 302:設計組 304:設計組 306:設計組 308:設計組 400:機器學習(ML)模型 402:訓練圖像 404:屬性CNN 406:決策CNN 408:預測的雜訊 410:參考圖像 412:缺陷檢測演算法 414:參考雜訊 502:檢查圖像 504:屬性 506:屬性 508:屬性 510:分割結果 601:黑點 602:雜訊資料 604:雜訊資料 606:雜訊資料 608:雜訊資料 702:檢查圖像 704:分割結果 706:分割結果 802:雜訊長條圖 804:檢測閾值 806:DOI 808:雜訊長條圖 810:雜訊長條圖 812:檢測閾值 814:檢測閾值
為了理解本發明並知曉在實踐中如何實施本發明，現在將參考附圖僅透過非限制性示例來描述實施方式，其中：
圖1示出了根據本公開的標的的某些實施方式的對樣本的缺陷檢測的系統的方塊圖；
圖2示出了根據本公開的標的的某些實施方式的對樣本的缺陷檢測的概括性流程圖；
圖3示出了根據本公開的標的的某些實施方式的設計組的示意圖；
圖4示出了根據本公開的標的的某些實施方式的用於訓練機器學習模型以能夠生成表示指示不同雜訊位準的空間圖案的屬性的示意性方塊圖；
圖5示出了根據本公開的標的的某些實施方式的檢查圖像和表徵檢查圖像的一組屬性的示例；
圖6示出了根據本公開的標的的某些實施方式的對準的雜訊圖和設計資料的示意性示例。
圖7示出了根據本公開的標的的某些實施方式的分割的示例；以及
圖8示出了根據本公開的標的的某些實施方式的在運行時檢驗中使用分割的示例。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
202:步驟
204:步驟
206:步驟
208:步驟
210:步驟
212:步驟

Claims (20)

  1. 一種對一樣本的缺陷檢測的電腦化系統，該系統包括：一處理單元，該處理單元可操作地連接到一檢驗工具，該處理單元包括一記憶體和可操作地耦接到該記憶體的一處理器，該處理單元被配置為：對該樣本的一第一晶粒的一個或多個部分中的每個部分執行分區，其中基於以下中的至少一個執行對該一個或多個部分中的一給定部分的該分區：i)表徵該給定部分的圖像資料，從而在一圖像空間中產生多個區域，以及ii)表徵該給定部分的設計資料，從而在一設計空間中產生多個區域；其中該處理單元還被配置為在運行時：從該檢驗工具接收一個或多個雜訊圖，該等雜訊圖指示在針對該樣本的一第二晶粒的一個或多個部分捕獲的一個或多個第二圖像上的雜訊分佈，該第一晶粒和該第二晶粒具有相同設計資料；對該一個或多個雜訊圖中的每個執行分割，其中透過以下執行對該一個或多個雜訊圖中的一給定雜訊圖的該分割：計算該多個區域中的每個區域的一評分，其中該給定雜訊圖與該多個區域對準並且該多個區域中的每個區域與其中對準的雜訊資料相關聯，並且其中該多個區域中的一給定區域的該評分至少基於與該 給定區域相關聯的該雜訊資料來計算；以及基於所計算的該評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域；其中該片段組可用於基於該給定雜訊圖來進行對該樣本的該缺陷檢測。
  2. 根據請求項1所述的電腦化系統，其中基於該設計資料來執行該分區，並且其中該設計空間中的該多個區域是多個設計組，每個設計組對應於該給定部分中的具有同一設計模式的一個或多個晶粒區域。
  3. 根據請求項1所述的電腦化系統，該電腦化系統還包括該檢驗工具，該檢驗工具被配置為捕獲包括表示該給定部分的一第一圖像的圖像資料，其中基於該圖像資料來執行該分區，並且基於由表徵該第一圖像的一組屬性指定的一屬性空間中的對應位置的值來在該第一圖像上獲得該圖像空間中的該多個區域。
  4. 根據請求項3所述的電腦化系統，其中該第二晶粒是與該第一晶粒不同的一晶粒，並且其中該檢驗工具還被配置為在運行時捕獲表示該第二晶粒的該一個或多個部分的該一個或多個第二圖像並提供指示該一個或多個第二圖像上的雜訊分佈的該一個或多個雜訊圖。
  5. 根據請求項4所述的電腦化系統，其中該第一晶粒是用於執行該分區的一參考晶粒，該第二晶粒是 一檢查晶粒，並且其中在一設置階段中執行該分區。
  6. 根據請求項4所述的電腦化系統，其中該第一晶粒是用於該第二晶粒的檢查的一參考晶粒，該第二晶粒是一檢查晶粒，並且其中在運行時執行該分區。
  7. 根據請求項3所述的電腦化系統，其中該第二晶粒是該第一晶粒，並且該一個或多個第二圖像是針對該第一晶粒的該一個或多個部分捕獲的一個或多個第一圖像，並且其中在運行時執行該分區。
  8. 根據請求項1所述的電腦化系統，其中該檢驗工具是被配置為掃描該樣本以捕獲該圖像資料和該一個或多個第二圖像的一檢查工具。
  9. 根據請求項3所述的電腦化系統，其中該屬性組是從一組屬性候選中選擇的，該屬性候選包括一個或多個預限定的屬性以及使用機器學習模型生成的一個或多個屬性。
  10. 根據請求項9所述的電腦化系統，其中該屬性組包括使用該機器學習模型生成的該一個或多個屬性，並且其中該處理單元還被配置為使用該機器學習模型生成該一個或多個屬性。
  11. 根據請求項10所述的電腦化系統，其中透過生成訓練屬性並使用該等訓練屬性預測雜訊來訓練該機器學習模型，其中將所預測的該雜訊與由一缺陷檢測演算法生成的一參考雜訊進行比較以優化該機器學習模型，使得經訓練的該機器學習模型能夠生成表徵該第一 圖像並表示其指示不同雜訊位準的空間模式的該一個或多個屬性。
  12. 根據請求項1所述的電腦化系統，其中該將每個區域與一個分割標籤相關聯包括對為每個區域計算的該評分進行排名並基於該排名來將該多個區域分組到該該片段組。
  13. 根據請求項1所述的電腦化系統，其中該缺陷檢測包括為每個片段配置一檢測閾值。
  14. 一種對一樣本的缺陷檢測的電腦化方法，該方法由可操作地連接到一檢驗工具的一處理單元執行，該處理單元包括一記憶體和可操作地耦接到該記憶體的一處理器，該方法包括：對一樣本的一第一晶粒的一個或多個部分中的每個部分執行分區，其中基於以下中的至少一個執行對該一個或多個部分中的一給定部分的該分區：i)表徵該給定部分的圖像資料，從而在一圖像空間中產生多個區域，以及ii)表徵該給定部分的設計資料，從而在一設計空間中產生多個區域；在運行時從該檢驗工具接收一個或多個雜訊圖，該等雜訊圖指示在針對該樣本的一第二晶粒的一個或多個部分捕獲的一個或多個第二圖像上的雜訊分佈，該第一晶粒和該第二晶粒具有相同設計資料；在運行時對該一個或多個雜訊圖中的每個執行分割，其中透過以下執行對該一個或多個雜訊圖中的一給定雜 訊圖的該分割：計算該多個區域中的每個區域的一評分，其中該給定雜訊圖與該多個區域對準並且該多個區域中的每個區域與其中對準的雜訊資料相關聯，並且其中該多個區域中的一給定區域的該評分至少基於與該給定區域相關聯的該雜訊資料來計算；以及基於所計算的該評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域；其中該該片段組可用於基於該給定雜訊圖來進行對該樣本的缺陷檢測。
  15. 根據請求項14所述的電腦化方法，該電腦化方法還包括由該檢驗工具捕獲包括表示該給定部分的一第一圖像的圖像資料，其中基於該圖像資料來執行該分區，並且基於由表徵該第一圖像的一組屬性指定的一屬性空間中的對應位置的值來在該第一圖像上獲得該圖像空間中的該多個區域。
  16. 根據請求項15所述的電腦化方法，其中該第二晶粒是與該第一晶粒不同的晶粒，該方法還包括在運行時由該檢驗工具捕獲表示該第二晶粒的該一個或多個部分的該一個或多個第二圖像並提供指示該一個或多個第二圖像上的雜訊分佈的該一個或多個雜訊圖。
  17. 根據請求項16所述的電腦化方法，其中該 第一晶粒是用於執行該分區的一參考晶粒，該第二晶粒是一檢查晶粒，並且其中在一設置階段中執行該分區。
  18. 根據請求項15所述的電腦化方法，其中該屬性組包括使用一機器學習模型生成的一個或多個屬性，該方法還包括使用該機器學習模型生成該一個或多個屬性。
  19. 根據請求項18所述的電腦化方法，其中透過生成訓練屬性並使用該等訓練屬性預測雜訊來訓練該機器學習模型，其中將所預測的該雜訊與由一缺陷檢測演算法生成的一參考雜訊進行比較以優化該機器學習模型，使得經訓練的該機器學習模型能夠生成表徵該第一圖像並表示該第一圖像的指示不同雜訊位準的空間模式的該一個或多個屬性。
  20. 一種非暫態電腦可讀存儲介質，該非暫態電腦可讀存儲介質有形地體現當由電腦執行時致使該電腦執行對一樣本的缺陷檢測的一方法的一指令程式，該方法包括：對該樣本的一第一晶粒的一個或多個部分中的每個部分執行分區，其中基於以下中的至少一個執行對該一個或多個部分中的一給定部分的該分區：i)表徵該給定部分的圖像資料，從而在一圖像空間中產生多個區域，以及ii)表徵該給定部分的設計資料，從而在一設計空間中產生多個區域；在運行時接收一個或多個雜訊圖，該等雜訊圖指示在 針對該樣本的一第二晶粒的一個或多個部分捕獲的一個或多個第二圖像上的雜訊分佈，該第一晶粒和該第二晶粒具有相同設計資料；在運行時對該一個或多個雜訊圖中的每個執行分割，其中透過以下執行對該一個或多個雜訊圖中的一給定雜訊圖的該分割：計算該多個區域中的每個區域的一評分，其中該給定雜訊圖與該多個區域對準並且該多個區域中的每個區域與其中對準的雜訊資料相關聯，並且其中該多個區域中的一給定區域的該評分至少基於與該給定區域相關聯的該雜訊資料來計算；以及基於所計算的該評分來將每個區域與指示不同雜訊位準的一組預限定的分割標籤中的一個分割標籤相關聯，從而獲得一組片段，每個片段對應於與同一分割標籤相關聯的一個或多個區域；其中該片段組可用於基於該給定雜訊圖來進行對該樣本的該缺陷檢測。
TW108146107A 2019-01-16 2019-12-17 對樣本的缺陷檢測的方法及其系統 TWI750553B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/249,857 US10853932B2 (en) 2019-01-16 2019-01-16 Method of defect detection on a specimen and system thereof
US16/249,857 2019-01-16

Publications (2)

Publication Number Publication Date
TW202105549A TW202105549A (zh) 2021-02-01
TWI750553B true TWI750553B (zh) 2021-12-21

Family

ID=71516683

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108146107A TWI750553B (zh) 2019-01-16 2019-12-17 對樣本的缺陷檢測的方法及其系統

Country Status (4)

Country Link
US (1) US10853932B2 (zh)
KR (1) KR102388365B1 (zh)
CN (1) CN111539908B (zh)
TW (1) TWI750553B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3591613B1 (en) * 2017-02-28 2021-12-15 NEC Solution Innovators, Ltd. Mobile entity detector, mobile entity detection method, and computer-readable recording medium
CN110278366B (zh) * 2018-03-14 2020-12-01 虹软科技股份有限公司 一种全景图像虚化方法、终端及计算机可读存储介质
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
US11580650B2 (en) * 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11328435B2 (en) * 2020-06-08 2022-05-10 KLA Corp. Image alignment setup for specimens with intra- and inter-specimen variations using unsupervised learning and adaptive database generation methods
TWI749714B (zh) * 2020-08-17 2021-12-11 宜谷京科技實業有限公司 瑕疵檢測方法、瑕疵分類方法及其系統
DE102020123979A1 (de) 2020-09-15 2022-03-17 Carl Zeiss Smt Gmbh Defekterkennung für Halbleiterstrukturen auf einem Wafer
US11828714B2 (en) * 2020-09-30 2023-11-28 Applied Materials Israel Ltd. Image acquisition by an electron beam examination tool for metrology measurement
WO2022099121A1 (en) * 2020-11-09 2022-05-12 Canon U.S.A., Inc. Using luminance distributions to detect best areas of an image for prediction of noise levels
US20220301133A1 (en) * 2021-03-16 2022-09-22 Kla Corporation Segmentation of design care areas with a rendered design image
US20220318986A1 (en) * 2021-04-05 2022-10-06 Kla Corporation Semantic image segmentation for semiconductor-based applications
TWI771983B (zh) * 2021-04-14 2022-07-21 國立中山大學 氮化鎵高電子移動率電晶體的缺陷檢測方法
CN117291921B (zh) * 2023-11-27 2024-03-12 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7801353B2 (en) * 2006-02-01 2010-09-21 Applied Materials Israel, Ltd. Method for defect detection using computer aided design data
US20130343632A1 (en) * 2006-07-14 2013-12-26 Hitachi High-Technologies Corporation Defect inspection method and apparatus
US9599575B2 (en) * 2012-02-07 2017-03-21 Applied Materials Israel, Ltd. System, a method and a computer program product for CAD-based registration
US20180232596A1 (en) * 2015-08-12 2018-08-16 Yada Research And Development Co. Ltd. Detection of point sources with variable emission intensity in sequences of images with different point spread functions
US10127651B2 (en) * 2016-01-15 2018-11-13 Kla-Tencor Corporation Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837745B (zh) * 2004-10-04 2010-05-26 应用材料以色列公司 用于减少非随机噪声效应的测量系统和方法
JP4065893B1 (ja) * 2006-12-04 2008-03-26 東京エレクトロン株式会社 欠陥検出装置、欠陥検出方法、情報処理装置、情報処理方法及びそのプログラム
JP5427609B2 (ja) * 2006-12-19 2014-02-26 ケーエルエー−テンカー・コーポレーション 検査レシピ作成システムおよびその方法
US8112241B2 (en) * 2009-03-13 2012-02-07 Kla-Tencor Corp. Methods and systems for generating an inspection process for a wafer
JP5460662B2 (ja) * 2011-09-07 2014-04-02 株式会社日立ハイテクノロジーズ 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US10074167B2 (en) * 2015-12-06 2018-09-11 Kla-Tencor Corporation Reducing registration and design vicinity induced noise for intra-die inspection
JP6625475B2 (ja) * 2016-04-22 2019-12-25 株式会社 東京ウエルズ 欠陥検査方法および欠陥検査システム
US10290087B2 (en) * 2017-09-11 2019-05-14 Applied Materials Israel Ltd. Method of generating an examination recipe and system thereof

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7801353B2 (en) * 2006-02-01 2010-09-21 Applied Materials Israel, Ltd. Method for defect detection using computer aided design data
US20130343632A1 (en) * 2006-07-14 2013-12-26 Hitachi High-Technologies Corporation Defect inspection method and apparatus
US9599575B2 (en) * 2012-02-07 2017-03-21 Applied Materials Israel, Ltd. System, a method and a computer program product for CAD-based registration
US20180232596A1 (en) * 2015-08-12 2018-08-16 Yada Research And Development Co. Ltd. Detection of point sources with variable emission intensity in sequences of images with different point spread functions
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10127651B2 (en) * 2016-01-15 2018-11-13 Kla-Tencor Corporation Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data

Also Published As

Publication number Publication date
TW202105549A (zh) 2021-02-01
US20200226744A1 (en) 2020-07-16
KR20200089621A (ko) 2020-07-27
KR102388365B1 (ko) 2022-04-18
US10853932B2 (en) 2020-12-01
CN111539908A (zh) 2020-08-14
CN111539908B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
TWI750553B (zh) 對樣本的缺陷檢測的方法及其系統
TWI797699B (zh) 半導體試樣的基於深度學習之檢查的方法及其系統
TWI684000B (zh) 產生檢查配方的方法及其系統
TWI798516B (zh) 取樣檢驗的方法及其系統與非暫態電腦可讀取儲存媒體
TW201935590A (zh) 半導體樣品的基於深度學習的檢查的方法及其系統
WO2017123888A1 (en) Improving defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
US9851714B2 (en) Method of inspecting a specimen and system thereof
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
US10296702B2 (en) Method of performing metrology operations and system thereof
TW201606854A (zh) 用於晶粒對資料庫光罩檢查之自動校準樣本選擇
JP7475901B2 (ja) 試験片上の欠陥検出の方法およびそのシステム
US11443420B2 (en) Generating a metrology recipe usable for examination of a semiconductor specimen
CN116823711A (zh) 基于机器学习的半导体样品的检查及其训练
KR20220002084A (ko) 반도체 시편의 이미지의 세그먼트화