TWI755613B - 基於機器學習之圖案分組方法 - Google Patents

Abstract

本發明揭示一種圖案分組方法，其可包括：接收一第一圖案之一影像，使用應用於該接收之影像的經訓練模型參數產生一第一固定維度特徵向量，及指派一第一貯體ID給該第一固定維度特徵向量。該方法可進一步包括：回應於判定該第一圖案不屬於對應於缺陷圖案之複數個貯體中之一者而產生用於該第一固定維度特徵向量之一新的貯體ID，或回應於判定該第一圖案屬於對應於缺陷圖案之複數個貯體中之一者而映射該第一固定維度特徵向量至該第一貯體ID。

Description

基於機器學習之圖案分組方法

本文提供之實施例係關於圖案分組方法，且更特定言之係關於可能適用於半導體製造操作程序中之缺陷再檢測的基於機器學習之圖案分組方法，以及其他。

在積體電路(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等係根據設計而製造且無缺陷。可使用利用光學顯微鏡或帶電粒子(例如電子)光束顯微鏡(諸如掃描電子顯微鏡(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。

當技術節點降低至例如10 nm時，一些檢測工具可產生大量有礙缺陷(亦即，錯誤肯定)。舉例而言，在一些檢測系統中，90%的所識別缺陷可能會成為有礙缺陷。因此，缺陷再檢測變得愈來愈具決定性。可利用涉及晶圓上之先前經識別缺陷或懷疑部位的重新確認之缺陷再檢測。

為滿足高產出率及高良率製造程序之需求，操作者需要在觀測鑄造設備之顯示部分情況下經由顯示物件之各種圖案的圖形使用者介面(GUI)再檢測晶圓、晶片或光罩並識別在最早可能階段的圖案缺陷。令人遺憾地，識別圖案缺陷可耗費大量操作者之時間，由此對產出率有不良影響。

在本發明之一些實施例中，提供一種分組方法。該方法可包括接收第一圖案之影像，使用經訓練模型參數產生第一固定維度特徵向量，及指派一第一貯體(bucket)識別碼(ID)給第一固定維度特徵向量。模型參數可基於接收之影像。舉例而言，模型參數可包含特徵圖案之資料，諸如在對應於缺陷被偵測到之處的部位處的所偵測缺陷之SEM影像資料或來自晶圓設計規劃之圖案資料。該方法可用於半導體製造程序之缺陷圖案分組。

一種缺陷圖案可包含包括與一或多個缺陷相關聯之特徵的晶圓之影像。缺陷圖案可包含各種類型的資訊，包括經掃描原始影像資料、經處理影像、缺陷檢測中識別之經成像特徵、對應於經成像特徵之設計圖案等。

模型參數可藉由例如獲得具有所指派貯體ID的複數個圖案之複數個影像及訓練深度學習網路之模型參數來訓練。訓練可進一步包含應用在複數個影像中的一者之中心中定位的單一多邊形之參數。

現將詳細參考例示性實施例，其實例說明於附圖中。以下描述參考附圖，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。闡述於例示性實施例之以下描述中之實施並不表示符合本發明的所有實施。實情為，其僅為符合關於如所附申請專利範圍中所列舉的主題之態樣的裝置、系統及方法之實例。舉例而言，儘管一些實施例係在利用電子束之上下文中予以描述，但本發明不限於此。可類似地應用其他類型之帶電粒子束。此外，可使用其他成像系統，諸如光學成像、光偵測、x射線偵測等。

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)之填集密度來實現電子器件之增強之運算能力，同時減小器件之實體大小。舉例而言，智慧型手機之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。因此，半導體IC製造係具有數百個個別步驟之複雜且耗時程序並不出人意料。甚至一個步驟中之誤差有可能顯著影響最終產品之功能。甚至一個「致命缺陷」可造成器件故障。製造程序之目標係改良總程序良率。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%。

當在IC晶片製造設施中需要高程序良率時，亦必需維持高晶圓產出率，該高晶圓產出率經定義為每小時處理之晶圓之數目。高程序良率及高晶圓產出率可受缺陷之存在影響(尤其當存在再檢測缺陷之操作者干預時)。因此，藉由檢測工具(諸如SEM)偵測及識別微米及奈米級缺陷對於維持高良率及低成本係至關重要的。

在本文中所描述的增強之成像系統中，可執行具有改良之產出率及準確度的缺陷識別及分類。處理可藉由減小對操作者干預之依賴(例如藉由去除對操作者判定所提取圖案之類似性及將其分選成已知缺陷類型的需求)而增強。增強之成像系統可將缺陷分解成一或多個特徵，該等特徵中之每一者對應於缺陷圖案之一或多個屬性。使用此等特徵，增強之成像系統可提供用於識別及分類缺陷的改良方法。與所辨識形狀有微小偏差之圖案仍可藉由例如表示具有確定度之特定特徵的存在而被俘獲及考慮。此等方法可達成識別及分類缺陷的較佳準確度、有效效能及高速度。

圖案可藉由迴旋、集區化及子取樣處理以使得可分析個別特徵屬性。對特徵之分析可允許特徵向量產生。特徵向量可用於圖案分組。圖案之處理可不受定向、比例或遮擋之微小偏差強烈影響以使得類似圖案仍可分組在一起。此外，當缺陷影像包括除中心圖案之外的特徵時，可提取缺陷圖案之特徵。此外，運行線性分類器可需要比用於圖案分組之對應圖案類似性量測方法少的運算資源。

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，若陳述資料庫可包括A或B，則除非另有具體說明或不可行，否則資料庫可包括A，或B，或A及B。作為第二實例，若陳述資料庫可包括A、B或C，則除非另外具體說明或不可行，否則資料庫可包括A，或B，或C，或A及B，或A及C，或B及C，或A及B及C。

在以下描述內容中將部分闡述所揭示實施例的額外目標及優點，且將部分自所述描述內容顯而易見，或可藉由對該等實施例的實踐習得。所揭示實施例之目標及優點可藉由在本發明中所闡述之要素及組合來實現及獲得。然而，未必需要本發明之例示性實施例達成此類例示性目標及優點，且一些實施例可能不會達成所陳述目標及優點中之任一者。

現在參看圖1，其說明符合本發明之實施例的例示性電子束檢測(EBI)系統100。EBI系統100可用於成像。如圖1中所示，EBI系統100包括主腔室101、裝載/鎖腔室102、電子束工具104及設備前端模組(EFEM)106。電子束工具104位於主腔室101內。EFEM 106包括第一裝載埠106a及第二裝載埠106b。EFEM 106可包括額外裝載埠。第一裝載埠106a及第二裝載埠106b收納含有待檢測之晶圓(例如，半導體晶圓或由其他材料製成之晶圓)或樣本的晶圓前開式單元匣(FOUP)(晶圓及樣本本文中可統稱為「晶圓」)。一「批次」為可裝載以作為批量進行處理之複數個晶圓。

EFEM 106中之一或多個機械臂(圖中未示)可將晶圓輸送至裝載/鎖腔室102。裝載/鎖腔室102連接至裝載/鎖真空泵系統(圖中未示)，其移除裝載/鎖腔室102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)可將晶圓自裝載/鎖腔室102輸送至主腔室101。主腔室101連接至主腔室真空泵系統(圖中未示)，其移除主腔室101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，藉由電子束工具104對晶圓進行檢測。電子束工具104可為單光束系統或多光束系統。控制器109電子地連接至電子束工具104。控制器109可為經組態以執行對EBI系統100之各種控制的電腦。雖然控制器109在圖1中被展示為在包括主腔室101、裝載/鎖腔室102及EFEM 106之結構之外，但應瞭解，控制器109可為該結構之部分。

圖2說明根據本發明之實施例之成像系統200。圖2之電子束工具104可經組態以用於EBI系統100。儘管圖2將電子束工具104展示為一次可使用僅一個初級電子束來掃描晶圓230之一個部位的單光束檢測工具，但本發明之實施例不限於此。舉例而言，電子束工具104亦可為使用多個初級電子小射束來同時掃描晶圓230上之多個部位的多光束檢測工具。

系統200可用於檢測樣本台上之晶圓230，且包含電子束工具104，如上文所論述。系統200亦包含影像處理系統199，該影像處理系統包括影像獲取器120、儲存器130及控制器109。影像獲取器120可包含一或多個處理器或電路，諸如一或多個處理器之電路或其他電路。舉例而言，影像獲取器120可包含電腦、伺服器、大型電腦主機、終端機、個人電腦、任何種類之行動運算器件及其類似者，或其一組合。影像獲取器120可經由媒體(諸如電導體、光纖纜線、攜帶型儲存媒體、紅外線(IR)、藍芽、網際網路、無線網路、無線電或其組合)與電子束工具104之偵測器244連接。影像獲取器120可自偵測器244接收信號，且可建構一影像。影像獲取器120可因此獲取晶圓230之影像。影像獲取器120亦可執行各種後處理功能，諸如產生輪廓、疊加指示符於所獲取影像上，及類似者。影像獲取器120可經組態以執行對所獲取影像之亮度及對比度等的調整。儲存器130可為諸如硬碟、雲端儲存器、隨機存取記憶體(RAM)、其他類型之電腦可讀記憶體等的儲存媒體。儲存器130可與影像獲取器120耦接，且可用於保存經掃描原始影像資料作為原始影像，及後處理影像。影像獲取器120及儲存器130可連接至控制器109。在一些實施例中，影像獲取器120、儲存器130及控制器109可一起整合為一個控制單元。

在一些實施例中，影像獲取器120可基於自偵測器244接收之成像信號獲取樣本之一或多個影像。成像信號可對應於用於進行帶電粒子成像之掃描操作。所獲取影像可為包含複數個成像區域之單一經掃描原始影像。影像可儲存於儲存器130中。影像可為可劃分成複數個區之原始影像。該等區中之每一者可包含含有晶圓230之特徵的一個成像區域。

在一些實施例中，可提供電腦系統，其可識別晶圓影像中之缺陷且根據缺陷類型將缺陷分類成若干類別。舉例而言，一旦獲取晶圓影像，就可將其傳輸至電腦系統以供處理。圖3為說明符合本發明之實施例的缺陷再檢測系統300之示意圖。

參看圖3，缺陷再檢測系統300可包括晶圓檢測系統310、自動缺陷分類(ADC)伺服器320，及電耦接至ADC伺服器320之知識推薦伺服器330。晶圓檢測系統310可為關於圖1所描述之EBI系統100。應瞭解，ADC伺服器320及知識推薦伺服器330可為EBI系統100之部分或遠離EBI系統100。

晶圓檢測系統310可為產生晶圓之檢測影像的任何檢測系統。晶圓可為半導體晶圓基板，或例如具有一或多個磊晶層或程序膜之半導體晶圓基板。晶圓檢測系統310可為任何當前可用或開發中之晶圓檢測系統。本發明之實施例不限制晶圓檢測系統310之特定類型。此系統可產生具有一解析度之晶圓影像以便觀測晶圓上之關鍵特徵(例如小於20 nm)。

ADC伺服器320可包括電耦接至晶圓檢測系統310以接收晶圓影像之通信介面322。ADC伺服器320亦可包括經組態以分析晶圓影像並偵測及分類出現於晶圓影像上之缺陷，且可使用缺陷知識檔案進行此分析、偵測或分類的處理器324。缺陷知識檔案可由操作者手動提供至ADC伺服器320。替代地，根據本發明之一些實施例，缺陷知識檔案可由知識推薦伺服器330自動提供至ADC伺服器320。

舉例而言，知識推薦伺服器330可電耦接至ADC伺服器320。知識推薦伺服器330可包括處理器332及儲存器334。處理器332可經組態以建置複數個缺陷知識檔案，並將該複數個缺陷知識檔案儲存於儲存器334中。該複數個缺陷知識檔案可含有與在晶圓製造程序之各種階段期間產生的各種類型之缺陷有關的資訊。晶圓製造程序之各種階段可包括但不限於：微影程序、蝕刻程序、化學機械研磨(CMP)程序及互連成形程序。

處理器332可經組態以基於複數個缺陷斑塊影像建置複數個缺陷知識檔案。複數個缺陷斑塊影像可藉由晶圓檢測工具產生，諸如圖2中所說明之電子束工具104。缺陷斑塊影像可為含有缺陷之晶圓之一部分之小影像(例如，34×34像素)。缺陷斑塊影像可在缺陷上居中，且可包括缺陷之相鄰像素。

可經由機器學習程序訓練處理器332，以基於一特定類型之缺陷之複數個缺陷斑塊影像來建置與彼類型之缺陷有關的知識檔案。舉例而言，可訓練處理器332以基於在互連成形程序中產生之虛線缺陷之複數個缺陷斑塊影像而建置與該等虛線缺陷有關的知識檔案。

處理器332亦可經組態以回應於來自ADC伺服器320之對知識推薦之請求而搜尋匹配於包括於所接收請求中的晶圓影像之知識檔案，且將知識檔案提供至ADC伺服器320。

儲存器334可儲存含有與在晶圓製造程序之各種階段期間產生的各種類型之缺陷有關的複數個缺陷知識檔案的ADC資料中心。ADC資料中心中之複數個缺陷知識檔案可由知識推薦伺服器330之處理器332建置。替代地，儲存器334中之缺陷知識檔案之一部分可由使用者或外部電腦系統預設，且可經預裝載至儲存器334中。

缺陷知識檔案可包括關於單種類型之缺陷的一般資訊。一般資訊可包括單種類型之缺陷的斑塊影像及待用於稍後分類(例如，大小、邊緣粗糙度、深度、高度等等)之特徵參數。替代地，根據本發明之一些實施例，缺陷知識檔案可包括關於存在於晶圓之同一程序層中的複數種類型之缺陷之一般資訊。單個程序層可為例如基板層、磊晶層、薄膜層、光阻層、氧化物層、金屬互連層等。

現在參看圖4，圖4為說明用於圖案分組之例示性圖案類似性量測方法之態樣的示意圖。圖案類似性量測方法可比較成像缺陷圖案之幾何特徵與缺陷分類伺服器中之所儲存資料圖案以將缺陷圖案分組至具有最高類似性之群組中。

圖案資料可基於帶電粒子成像而判定。舉例而言，帶電粒子束裝置可經控制以對晶圓進行成像。成像可包含掃描晶圓以對晶圓之至少一部分進行成像。可獲得成像區域之一或多個經掃描原始影像。可對經掃描原始影像執行缺陷檢測。舉例而言，可識別晶圓上之一或多個特徵。一或多個特徵可包含可能的缺陷、關鍵區域、熱點、其他所關注區及其類似者。可執行包括影像處理、缺陷映射、提供對應於所識別可能缺陷之晶圓上的部位之清單等的其他處理。在一些實施例中，可執行缺陷再檢測。缺陷再檢測可包含對缺陷檢測步驟中所識別之區域進行成像以更詳細地(例如以較大解析度)分析所識別可能缺陷。在一些實施例中，缺陷再檢測可包含使用例如不同於缺陷檢測步驟中使用之技術的技術或具有不同參數集之技術來分析經掃描原始影像。用於缺陷再檢測之技術可包含例如使用影像處理演算法。

可判定對應於經識別缺陷之圖案資料。可基於在缺陷檢測期間所收集之部位資訊而自晶圓設計規劃提取圖案資料。可預先儲存晶圓之設計規劃。舉例而言，晶圓設計規劃可為晶圓表面上之特徵之圖形表示。晶圓設計規劃可基於用於建構晶圓之圖案佈局。舉例而言，晶圓設計規劃可對應於用以製造晶圓之光罩。晶圓設計規劃可儲存於資料庫中。可提取對應於所識別缺陷之個別特徵。舉例而言，基於在缺陷檢測期間所識別之缺陷部位之x-y座標，可收集包含原始特徵設計之幾何資訊的圖案資料。每一經識別之缺陷可具有一對應的原始特徵設計。

可藉由在晶圓之經掃描原始影像中疊加特徵之輪廓來提取圖案資料。影像處理技術可經應用以產生對應於經成像特徵的多邊形。可藉由在晶圓(諸如晶圓設計規劃)之圖形表示中疊加特徵之輪廓來提取圖案資料。

在採用圖案類似性量測方法之圖案分組系統中，經成像圖案可經處理以提取缺陷圖案之幾何特徵。此類幾何特徵可包括側面之數目、角數目、尺寸、形狀或其任何特徵之組合。諸如圖形資料系統(GDS)資訊之圖案資料可自此等幾何特徵導出並由以實線畫線的一或多個多邊形(例如如上覆於如圖4中所示之所成像圖案上)表示。圖案分組系統可具有一具有儲存缺陷圖案GDS資訊之知識檔案的缺陷分類伺服器。該圖案分組系統可繼續比較缺陷圖案之所提取幾何特徵的GDS資訊與儲存於缺陷分類伺服器中之表示多個缺陷圖案的缺陷圖案GDS資訊。

缺陷圖案的所提取幾何特徵之GDS資訊與儲存於缺陷分類伺服器中之多個缺陷圖案中之一者的缺陷圖案GDS資訊之間的每一比較可產生類似性參數之值。類似性參數之值可取決於根據比較的缺陷圖案之間的幾何特徵之類似性。在一些實施例中，該值愈大，所接收缺陷圖案及所儲存缺陷圖案共用的類似性愈多，且所接收缺陷圖案屬於所儲存缺陷圖案群組的可能性愈大。舉例而言，圖案影像400中之多邊形410可一個接一個地與如圖4中所示之12個缺陷圖案進行比較。每一比較可返回大於0及小於或等於1的類似性值，其中0意謂無類似性且1意謂相同。在12個比較完成之後，可判定與返回最高值之比較相關聯的缺陷圖案為所接收缺陷圖案屬於的圖案群組。

基於圖案類似性量測之方法可具有缺點。歸因於若干限制，基於類似性參數之技術的效能可為次最佳。舉例而言，一個限制可很大程度上依賴於類似性之定義，類似性之值係基於GDS多邊形圖案之屬性的幾何差之計算。圖案屬性之甚至微小變化或多邊形變形可導致顯著不同結果。因此，所計算類似性值可很大程度上取決於圖案屬性之設置，該設置一定程度上可依賴於經驗決策。另外，具有不同定向、比例或遮擋(部分圖案外觀)的類似圖案可不分組至同一圖案群組中。此外，當缺陷影像具有由其他圖案或圖案斑塊環繞的中心圖案，或包括多個GDS圖案之一組合時，缺陷圖案可未被正確地分組。另外，用於圖案分組的圖案類似性量測方法之運行複雜度可相對較高。舉例而言，運行時間複雜度可藉由O(N2)近似，其中O為函數階且N為可以位元為單位量測的輸入大小。

現在參看圖5，圖5為說明符合本發明之實施例的用於基於機器學習之圖案分組之例示性特徵提取架構的示意圖。特徵提取架構可包含迴旋神經網路500。在一些實施例中，可使用分類及圖案辨識之其他形式。舉例而言，可使用叢集分析、物件偵測及遮罩。可類似地應用基於機器學習之其他種類之監督學習系統。用於基於機器學習之圖案分組的特徵提取架構可在產生圖案特徵之前經預先訓練。

在一些實施例中，可採用深度學習架構之線性分類器網路作為開始點來訓練及建置用於圖案分組之特徵提取架構。可能已收集到大量GDS圖案影像，且該等影像可構成現有缺陷圖案之較大資料集。此等GDS圖案影像可經調整以反映居中圖案分組標記。深度學習架構之線性分類器網路的每一層中之模型參數的值可自反映居中圖案群組的現有缺陷圖案之較大資料集學習。由於線性分類器網路之每一層中存在大量GDS圖案資料，因此圖案影像之資料可藉由圖案分組系統自動地標記而非人工標記。每一層中之每一標記可表示缺陷圖案之中心多邊形的屬性。利用GDS資訊，深度學習架構之線性分類器網路之訓練可在極少人工輸入的情況下自動地完成。

可使用可包括具有多層之深度神經網路拓樸的機器學習模型。舉例而言，此網路之架構可包含輸入層、第一迴旋層、第一集區化層、第二迴旋層、第二集區化層、一或多個隱藏層、激活層及輸出層。至網路500之輸入501可包含包括經識別缺陷之圖案影像。網路500之輸出509可包含特徵向量。

取決於缺陷圖案之特徵的性質，架構之每一層可產生不同數目個子樣本。舉例而言，如圖5中所示，在第一迴旋運算之後，可存在在第一集區510中產生的小於十個樣本。而在第二迴旋運算之後，第二層可具有產生於第二集區520中之大於十個子樣本。在一些實施例中，可藉由缺陷圖案之幾何特徵之複雜度引入層之間的變化。具有更多幾何資訊之缺陷圖案可具有較高機率來產生更多子樣本。舉例而言，複雜缺陷圖案可展現可被分解且被分析為個別屬性之各種子形狀。

在已藉由大量GDS圖案影像自訓練判定模型參數之後，深度學習架構之經訓練線性分類器網路可在特徵產生步驟中處理新的圖案影像。在此特徵產生步驟中，具有GDS資料之圖案影像可通過具有經判定模型參數之經訓練網路的多層，以在架構末端產生固定維度特徵向量。在迴旋運算之每一層處，圖案影像之GDS資料可經分析以供該架構來判定圖案屬性是否存在，且若存在，則判定其幾何部位。具有GDS資料之每一所接收圖案影像可由複數個層中之計算來逐層處理。因此，輸入影像之向量表示可藉由經訓練之線性分類器網路產生。

現在參看圖6，圖6為說明符合本發明之實施例的來自由圖5之基於機器學習網路的特徵提取架構處理之圖案影像的例示性固定維度特徵向量之圖形表示的示意圖。特徵向量可包含表示複數個特徵中之每一者之量值、強度、確定性等的複數個值。舉例而言，對於複數個特徵，圖案影像可經評估以判定缺陷之屬性是否存在的確定度。在圖6中，X軸包含四個特徵。一個特徵可對應於例如線間斷開。特徵存在於圖案中之確定性可由數字值表示。確定性亦可由各種形式之圖形顯示來表示，諸如色彩、填充圖案或不同著色程度。舉例而言，如圖6中所示，複數個圖案可經評估以判定特定特徵中之每一者存在的確定性，該確定性以填充圖案表示。

在圖案影像由網路之各種層的運算處理之後，定量分析可藉由將特徵向量之每一維度分成貯體之幾個有限編號來執行。貯體可包含已基於某一準則區分及分類的同類成員。舉例而言，貯體可對應於缺陷之類別。網路之訓練可包含使用資料之訓練集將GDS圖案資料分類成複數個貯體。訓練可繼續進行直至達至某一收斂位準為止。

每一特徵向量可映射至貯體識別碼(ID)。迴旋運算結果可轉換為表示圖案特徵之固定維度向量。固定維度特徵向量(例如，一維向量)可充當貯體ID。舉例而言，在圖6中，沿著X軸，每一垂直條可表示一個特徵圖案。每一垂直條可為一維向量。每一垂直條可包括沿著Y軸之多個值，例如不同值由不同碼表示。舉例而言，碼可由填充圖案表示。可輸出特定輸入圖案(Pi)之特徵向量，且該特徵向量可轉換為貯體ID 601。由於不同值或不同值組合，因此每一特徵向量可係唯一的且可表示唯一缺陷圖案群組。因為類似圖案影像共用類似特徵分佈，因此特徵分佈可映射至相同貯體ID。因此，具有值之貯體之相同組合的特徵向量可經判定為屬於同一圖案群組。在一些實施例中，可判定具有不屬於任一貯體的特徵向量之圖案係有礙缺陷。

雖然已論述一維向量，但應瞭解，可類似地應用具有多維之向量。舉例而言，除了特徵之存在或不存在之外，其他特性(諸如特徵之部位及其定向)可包括在多維向量中及由多維向量中之值表示。因此，可俘獲並向量化缺陷圖案特徵之各種屬性。

分組圖案影像之GDS資訊之方法可達成各種優點，諸如較佳準確度、有效效能及高速度。缺陷圖案可分成具有複數個特徵之向量，該等特徵中之每一者對應於缺陷圖案之一或多個屬性。因此，分類網路可利用個別特徵，而非比較整個圖案。因此，與所識別圖案之微小偏差仍可藉由例如表示具有確定度之特定特徵的存在而被俘獲及考慮。

現在參看圖7，圖7為說明符合本發明之實施例的固定維度特徵向量、圖案分組之3D表示及缺陷圖案影像之GDS資訊之例示性相關性的示意圖。

如圖7中所示，可提供缺陷圖案影像700之所提取GDS資訊。圖案影像700可包含圖案70001、70002、70003…70010。圖案影像700可以黑色及白色運用表示各種缺陷之多個多邊形來表示。在一些實施例中，圖案影像可以色彩表示。可產生以圖形方式表示由圖案影像700產生之複數個特徵向量的圖表710。表示特徵向量之線可以複數個色彩顯示。特徵向量可用於圖案分組。

舉例而言，可在缺陷檢測操作中識別一或多個缺陷。在一些實施例中，缺陷檢測可包含識別複數個缺陷候選者及在該等缺陷候選者中區分真實缺陷與有礙缺陷。可提取對應於缺陷或缺陷候選者之圖案資料。圖案資料可包含經掃描原始影像之對應於缺陷檢測中識別之所成像特徵的部分、對應於所成像特徵的設計圖案等。可存在被分析的具有預定窗大小之複數個二維影像。在一些實施例中，缺陷圖案影像之GDS資訊可能已被處理以表示缺陷圖案之中心多邊形的屬性。在一些其他實施例中，缺陷圖案影像之GDS資訊可尚未如此處理且表示缺陷圖案影像的中心多邊形及周邊多邊形之屬性。可存在多個缺陷，包括不同類型之缺陷及在樣本上之不同部位處的缺陷。在圖7之實例中，展示十個獨立缺陷。

特徵提取架構可經建置及訓練以提取指示缺陷的複數個特徵。舉例而言，在圖7中，可基於影像圖案之32個特徵執行缺陷圖案分組。應理解，待自不同圖案影像提取的特徵之數目可係不同的。可基於訓練資料來判定特徵。為映射至特徵提取架構中，迴旋及集區化層的數目可係不同的。在固定維度特徵向量720中，存在沿著水平軸(X軸)之32個特徵以表示沿著垂直軸(Y軸)之在缺陷圖案影像700中展示的十個缺陷圖案。在X-Y平面中，不同碼可用於表示特徵之不同值。舉例而言，在圖7中之說明中，較密集填充圖案可表示特徵的存在(或特徵之存在的高確定性)且較淺填充圖案可表示特徵的不存在(或特徵之不存在的高確定性)。

採用缺陷圖案70010作為實例，圖案具有沿著X軸之32個特徵的32個值，其中32個值係由類似或不同填充圖案表示。然而，用於不同特徵之類似填充圖案可用以表示不同值或值範圍。舉例而言，缺陷圖案70010之特徵5及特徵10兩者皆具有密集填充圖案，但其可表示對應特徵之顯著不同的值或值範圍，或其可表示對應特徵之類似值或值範圍。

採用特徵20作為實例，特徵具有沿著Y軸之十個寫碼區塊，其中十個寫碼區塊中之每一者可表示與經寫碼區塊相關聯的缺陷圖案之值或值範圍。然而，不同缺陷圖案可具有特徵之不同或類似值或值範圍。應理解，單一特徵之值或值範圍可不用以識別缺陷圖案，但全部特徵之值或值範圍之組合或序列可在架構中使用以識別缺陷圖案。全部特徵的值或值範圍之此組合或序列可為固定維度向量，例如可用作貯體ID的一維(1D)向量。

圖7中的圖案分組710之三維(3D)表示可用於運用表示缺陷圖案的特徵之值或值範圍之組合或序列直觀地展現1D向量貯體ID之理念。每一波浪線可用於反映缺陷圖案。舉例而言，特徵向量可由具有等於特徵之數目的階的多項式函數表示。存在每一波浪線之多個(例如32)特徵。因此，具有適當階數之多項式可用於表示波浪線。此等32個特徵中之每一者的值或值範圍可如圖7中所示經正規化，其中全部值經正規化至零至一之範圍中。不同缺陷圖案可具有特徵之類似或不同值或值範圍。全部特徵之值或值範圍的組合或序列可用於識別一缺陷圖案及區分該缺陷圖案與其他缺陷圖案。

現在參看圖8，其說明符合本發明之實施例的例示性判定方法之流程圖。控制器可經程式化以實施圖8之流程圖之一或多個區塊。控制器可與帶電粒子束裝置耦接。控制器可控制帶電粒子束裝置之操作。控制器可經組態以接收自帶電粒子束裝置之偵測器收集的資訊且可經組態以執行處理功能。舉例而言，控制器109可經組態以執行圖8之方法的全部或一部分。

在步驟S101中，方法可開始。帶電粒子成像可經執行以獲取晶圓之影像。成像可包含掃描晶圓以對晶圓進行成像，此可包括掃描晶圓之一部分或整個晶圓。可獲得並儲存成像區域之一或多個經掃描原始影像。在步驟S102中，可對所獲取影像執行缺陷檢測。在步驟S102中，可識別晶圓上之特徵。該等特徵可包含缺陷或可能的缺陷。缺陷檢測可包含使用影像處理技術對晶圓表面之所獲取影像執行影像分析。缺陷之識別可包括判定晶圓上之部位。步驟S102可包括晶圓映射。在一些實施例中，缺陷再檢測或其他形式之確認可在初始缺陷識別之後執行。

在步驟S103中，可判定對應於經識別缺陷之圖案資料。圖案資料可基於在步驟S102中收集之部位資訊自晶圓設計規劃提取。晶圓設計規劃可經預先儲存。晶圓設計規劃可基於晶圓之GDS表示。因此，所提取圖案資料可為GDS資訊。

在步驟S104中，可執行訓練。在一些實施例中，預先訓練出現在S102之前或之後，或S103之前或之後，等等。在預先訓練期間，GDS資料之一或多個隨機或選定區可經「切斷」且可用於預先訓練。「切斷」意謂在選定區內的階層之全部位準處的全部GDS資料被識別並被合併至包括此「切斷」區之全部資料且無來自此「切斷」區外部之資料的GDS單元中。識別此切斷區之部位(諸如中心點)，且此部位或切斷區被自動地標記或另外運用此區之形狀類型來識別。形狀類型之實例包括觸點、通孔、線、線角等。GDS之此等切斷區以及標記用於預先訓練線性分類器網路。

訓練亦可出現在S104處，且可利用上文所論述之預先經訓練的線性分類器網路。S104之訓練可包含擷取複數個缺陷之圖案資料並將該等圖案分類成複數個貯體。貯體可對應於已知缺陷。資料之訓練集可經預先儲存。在一些實施例中，自步驟S103獲得的資料可被添加至資料之訓練集，或僅來自步驟S103之資料可用於執行訓練。訓練可繼續進行直至達至某一收斂位準為止。以此方式，可建置分類器網路。分類器網路可為線性分類器。分類器網路之參數可基於訓練而判定。舉例而言，可判定對應於與已知缺陷相關聯之特徵的複數個向量。

在步驟S105中，可執行分類。分類可包含諸如藉由利用上文所論述之預先經訓練線性分類器網路或藉由利用S104之分類網路針對新的資料運行內建於先前步驟中之分類器網路。舉例而言，在步驟S103中獲得的新圖案可輸入至分類器網路。輸入圖案可為可通過分類器網路之複數個層的缺陷圖案影像。此可包含迴旋、子取樣、集區化等。在運行分類器後，如在步驟S106中，就可獲得特徵向量之輸出。在步驟S106中，可產生表示輸入圖案之特徵向量。

在步驟S107中，可執行圖案分組。圖案分組可包含將缺陷分類成複數個類別。類別可為缺陷類型，諸如顆粒、凹點、刮擦、晶體缺陷、混濁、孔隙及變薄。在一些實施例中，類別可特定針對於某些幾何結構。舉例而言，類別可為四指端類型缺陷。此外，在一些實施例中，類別不限於幾何結構。特徵可為單一或多陣列向量。判定圖案屬於的群組可基於針對每一圖案產生的特徵向量。舉例而言，可基於可基於特徵向量之貯體ID將圖案指派給群組。圖案之特徵向量可轉換為貯體ID。

複數個貯體ID可儲存於資料庫中。若新圖案之貯體ID對應於資料庫中存在之貯體ID，則圖案可能與缺陷類型相關聯且因此被分組。在一些實施例中，若成像圖案之貯體ID不存在於資料庫中，則新的群組可經形成。因此，可判定圖案不屬於任何現有群組且產生對應於圖案之貯體ID之新的缺陷群組。貯體ID可被添加至對應於缺陷之貯體ID之資料庫。

圖案分組可包含將複數個輸入圖案彼此進行比較。舉例而言，兩個或大於兩個圖案可經判定以具有相同貯體ID。作為回應，兩個或大於兩個圖案可經指派給一群組。新產生之群組可對應於缺陷。兩個或大於兩個圖案之貯體ID可被添加至對應於缺陷的貯體ID之資料庫。此外，在一些實施例中，當輸入複數個圖案時，若全部圖案經分組至同一貯體中，則可產生一旗標。另外，若發現全部圖案具有不同貯體ID，則可產生一旗標。回應於旗標產生，可向使用者顯示一指示，或可執行其他處理，諸如重取樣複數個圖案。

在一些實施例中，圖案分組可包含若圖案之特徵向量不對應於與真實缺陷相關聯的任何預定向量，則判定圖案對應於有礙缺陷。舉例而言，若圖案之貯體ID不匹配與缺陷相關聯的任一貯體ID，則彼圖案可作為有礙缺陷被忽視。

圖案分組亦可包含將圖案分組至主群及子群中。在一些實施例中，貯體可對應於缺陷之子特徵。圖案可分組至對應於子特徵之複數個貯體中。接著，可基於子特徵執行其他分組。舉例而言，可判定具有子特徵之某一組合的圖案可對應於主群之貯體。因為類似圖案影像可共用類似特徵分佈，因此基於複數個貯體判定特徵分佈可能適用。

在步驟S108中，可向使用者顯示資料。資料顯示可包含基於圖案分組之結果以經組織方式顯示缺陷。舉例而言，可顯示某一類型之全部缺陷屬於同一圖案群組的晶圓，同時抑制其他缺陷。基於圖案分組之經組織顯示可適用於例如識別系統性缺陷。

在步驟S109中，程序可結束。其後，可執行其他處理。此外，程序可返回至S101且在相同或不同成像條件情況下重複。

在一些實施例中，偵測器可與控制帶電粒子束系統之控制器通信。控制器可指導帶電粒子束系統之組件執行各種功能，諸如控制帶電粒子源以產生帶電粒子束及控制偏轉器以掃描樣本上之帶電粒子束。控制器亦可執行後處理功能、亮度/對比度調整、影像細分、影像處理、產生輪廓、疊加指示符於所獲取影像上，及類似者。控制器可組合例如影像獲取器120及控制器109之功能。另外，控制器可包含諸如儲存器130之儲存器。可提供一非暫時性電腦可讀媒體，其儲存指令以供控制器109之處理器進行帶電粒子束檢測，從而運行一分類器網路、執行圖案分組，或符合本發明之其他功能及方法。舉例而言，常見形式之非暫時性媒體包括：軟碟、可撓性磁碟、硬碟、固態磁碟機、磁帶或任何其他磁性資料儲存媒體；CD-ROM；任何其他光學資料儲存媒體；具有孔圖案之任何實體媒體；RAM、PROM及EPROM、FLASH-EPROM或任何其他快閃記憶體；NVRAM；快取記憶體；暫存器；任何其他記憶體晶片或卡匣；及其聯網版本。

可使用以下條項進一步描述實施例。 1. 一種用於群組映射之方法，其包含： 接收一第一圖案之一影像； 使用經訓練模型參數產生一第一固定維度特徵向量，該等模型參數係基於該接收之影像；及 將一第一貯體識別碼(ID)指派給該第一固定維度特徵向量。 2. 如條項1之方法，其中將該第一貯體ID指派給該第一固定維度特徵向量進一步包含： 回應於該第一圖案不屬於對應於缺陷圖案的複數個貯體中之一者的一判定而產生用於該第一固定維度特徵向量之一新的貯體ID。 3. 如條項1之方法，其中將該第一貯體ID指派給該第一固定維度特徵向量進一步包含： 回應於該第一圖案屬於對應於缺陷圖案之複數個貯體中的一者的一判定而將該第一固定維度特徵向量映射至該第一貯體ID。 4. 如條項2或條項3之方法，其中該等缺陷圖案包含與缺陷相關聯之GDS資訊。 5. 如條項4之方法，其中該等缺陷圖案包含自該GDS資訊導出的資訊，其包括側面之數目、角數目、尺寸、形狀或其一組合。 6. 如條項1至3中任一項之方法，其中該固定維度特徵向量為一一維特徵向量。 7. 如條項1至3中任一項之方法，其中該等經訓練模型參數係藉由以下操作獲得： 獲得具有經指派貯體ID的複數個圖案之複數個影像；及 訓練用於一深度學習網路之模型參數。 8. 如條項7之方法，其中該等經訓練模型參數進一步藉由以下操作獲得： 應用在複數個影像中的一者之一中心中定位的一單一多邊形之參數用於該深度學習網路。 9. 一種用於圖案分組之方法，其包含： 識別一樣本之一所獲取影像中的一第一特徵； 判定對應於該第一特徵之圖案資料； 藉由一分類器判定對應於該第一特徵之一特徵向量；及 基於該特徵向量判定該第一特徵之一圖案群組。 10. 如條項9之方法，其中該圖案資料包含一樣本設計規劃。 11. 如條項9之方法，其中該分類器為一線性分類器，該方法進一步包含： 使用具有對應於缺陷特徵之複數個向量的複數個缺陷圖案訓練該線性分類器。 12. 如條項11之方法，其進一步包含： 自一儲存器擷取該複數個缺陷圖案。 13. 如條項11之方法，其進一步包含： 識別該影像中之複數個第一特徵；及 判定對應於該複數個第一特徵之圖案資料， 其中該複數個缺陷圖案包含該等第一特徵中之一或多者。 14. 如條項9至13中任一項之方法，其進一步包含： 將該特徵向量轉換成一貯體ID；及 基於該貯體ID將該第一特徵分類至複數個群組中之該圖案群組中。 15. 如條項9至14中任一項之方法，其進一步包含： 當該第一特徵之該特徵向量不匹配儲存於一資料庫中的特徵向量中之任一者時，判定用於該第一特徵之一新的圖案群組。 16. 如條項9至14中任一項之方法，其進一步包含： 當該第一特徵之該特徵向量匹配儲存於一資料庫中之一特徵向量時，添加該第一特徵至與該特徵向量相關聯的一群組。 17. 一種用於圖案分組之系統，其包含： 一帶電粒子束裝置，其包括一偵測器； 一影像獲取器，其包括自該偵測器接收一偵測信號並建構包括一第一特徵之一影像的電路；及 一控制器，其具有至少一個處理器及包含指令之一非暫時性電腦可讀媒體，該等指令在由該處理器執行時使得該系統執行以下操作： 判定對應於該第一特徵之圖案資料； 藉由一分類器判定對應於該第一特徵之一特徵向量；及 基於該特徵向量判定該第一特徵之一圖案群組。 18. 如條項17之系統，其中該圖案資料包含一樣本設計規劃。 19. 如條項17之系統，其中該分類器為一線性分類器且該等指令進一步使得該系統執行以下操作： 使用具有對應於缺陷特徵之複數個向量的複數個缺陷圖案訓練該線性分類器。 20. 如條項19之系統，其中該複數個缺陷圖案係自一儲存器擷取。 21. 如條項19之系統，其中該等指令進一步使得該系統執行以下操作： 識別該影像中之複數個第一特徵；及 判定對應於該複數個第一特徵之圖案資料， 其中該複數個缺陷圖案包含該等第一特徵中之一或多者。 22. 如條項17至21中任一項之系統，其中該等指令進一步使得該系統執行以下操作： 將該特徵向量轉換成一貯體ID；及 基於該貯體ID將該第一特徵分類至複數個群組中之該圖案群組中。 23. 如條項17至22中任一項之系統，其中該等指令進一步使得該系統執行以下操作： 當該第一特徵之該特徵向量不匹配一資料庫中的所儲存特徵向量中之任一者時，判定用於該第一特徵之一新的圖案群組。 24. 如條項17至22中任一項之系統，其中該等指令進一步使得該系統執行以下操作： 當該第一特徵之該特徵向量匹配一資料庫中之一所儲存特徵向量時，添加該第一特徵至與該所儲存特徵向量相關聯的一群組。 25. 一種儲存一指令集之非暫時性電腦可讀媒體，該指令集可由一系統之一或多個處理器執行以使得該系統執行一方法，該方法包含： 獲取一樣本之一影像； 識別該影像中之一第一特徵； 判定對應於該第一特徵之圖案資料； 藉由一線性分類器判定對應於該第一特徵之一特徵向量；及 基於該特徵向量判定該第一特徵之一圖案群組。 如條項25之電腦可讀媒體，其中該圖案資料包含一樣本設計規劃。 26. 如條項25之電腦可讀媒體，其中該指令集進一步使得該系統執行如下操作： 使用具有對應於缺陷特徵之複數個向量的複數個缺陷圖案訓練該線性分類器。 27. 如條項27之電腦可讀媒體，其中該複數個缺陷圖案係自一儲存器擷取。 28. 如條項27之電腦可讀媒體，其中該指令集進一步使得該系統執行如下操作： 識別該影像中之複數個第一特徵；及 判定對應於該複數個第一特徵之圖案資料， 其中該複數個缺陷圖案包含該等第一特徵中之一或多者。 29. 如條項25至29中任一項之電腦可讀媒體，其中該指令集進一步使得該系統執行如下操作： 將該特徵向量轉換成一貯體ID；及 基於該貯體ID將該第一特徵分類至複數個群組中之該圖案群組中。 30. 如條項25至30中任一項之電腦可讀媒體，其中該指令集進一步使得該系統執行如下操作： 當該第一特徵之該特徵向量不匹配一資料庫中的所儲存特徵向量中之任一者時，判定用於該第一特徵之一新的圖案群組。 31. 如條項25至30中任一項之電腦可讀媒體，其中該指令集進一步使得該系統執行如下操作： 當該第一特徵之該特徵向量匹配一資料庫中之一所儲存特徵向量時，添加該第一特徵至與該所儲存特徵向量相關聯的一群組。 32. 一種用於群組映射之方法，其包含： 基於一樣本之圖形資料系統(GDS)預先訓練一線性分類器網路，其中該預先訓練包括： 識別與一區相關聯的該GDS之一部分， 產生用於該GDS之該部分的標記資料，其指示該區之一部位，且指示與該GDS之該部分相關聯的多邊形資料之形狀的一類型，及 基於該GDS之該部分及基於該標記資料預先訓練該線性分類器網路； 接收一第一圖案之一影像； 使用經訓練模型參數產生一第一固定維度特徵向量，該等模型參數係基於該接收之影像；及 將一第一貯體識別碼(ID)指派給該第一固定維度特徵向量。 33. 如條項33之方法，其中該區之該部位為該區之一中心點。 34. 如條項33之方法，其中該區為一切斷區。 35. 如條項33之方法，其中該樣本之該GDS為待在一晶圓上製造的一積體電路之該GDS。

諸圖中之方塊圖說明根據本揭示內容之各種例示性實施例之系統、方法及電腦硬體/軟體產品之可能實施的架構、功能性及操作。就此而言，示意圖中之每一區塊可表示可使用硬體(諸如電子電路)實施的某一算術或邏輯運算處理。區塊亦可表示包含用於實施指定邏輯功能之一或多個可執行指令的程式碼之模組、區段或部分。應理解，在一些替代實施中，區塊中所指示之功能可不按諸圖中所提及的次序出現。舉例而言，視所涉及的功能性而定，以連續方式展示的兩個區塊可實質上同時執行或實施，或兩個區塊有時可以相反次序執行。一些區塊亦可省略。舉例而言，在一些實施例中，步驟S104可省略。此可係因為若已經執行足夠訓練，則分類器網路可原狀使用而沒有其他訓練。

亦應理解方塊圖之每一區塊及該等區塊之組合可藉由執行指定功能或動作的基於專用硬體之系統，或藉由專用硬體及電腦指令之組合來實施。雖然已經結合各種實施例描述本發明，但自本說明書之考量及本文中揭示之本發明之實踐，本發明之其他實施例對於熟習此項技術者將顯而易見。僅希望說明書及實例被視為例示性的，其中本發明之真正範疇及精神藉由以下申請專利範圍指示。

100‧‧‧電子束檢測(EBI)系統 101‧‧‧主腔室 102‧‧‧裝載/鎖腔室 104‧‧‧電子束工具 106‧‧‧設備前端模組(EFEM) 106a‧‧‧第一裝載埠 106b‧‧‧第二裝載埠 109‧‧‧控制器 120‧‧‧影像獲取器 130‧‧‧儲存器 199‧‧‧影像處理系統 200‧‧‧成像系統 230‧‧‧晶圓 244‧‧‧偵測器 300‧‧‧缺陷再檢測系統 310‧‧‧晶圓檢測系統 320‧‧‧自動缺陷分類(ADC)伺服器 322‧‧‧通信介面 324‧‧‧處理器 330‧‧‧知識推薦伺服器 332‧‧‧處理器 334‧‧‧儲存器 400‧‧‧圖案影像 410‧‧‧多邊形 500‧‧‧迴旋神經網路 501‧‧‧輸入 509‧‧‧輸出 510‧‧‧第一集區 520‧‧‧第二集區 601‧‧‧貯體ID 700‧‧‧圖案影像 710‧‧‧圖表 720‧‧‧固定維度特徵向量 70001‧‧‧圖案 70002‧‧‧圖案 70003‧‧‧圖案 70004‧‧‧圖案 70005‧‧‧圖案 70006‧‧‧圖案 70007‧‧‧圖案 70008‧‧‧圖案 70009‧‧‧圖案 70010‧‧‧圖案 Pi‧‧‧特定輸入圖案 S101‧‧‧步驟 S102‧‧‧步驟 S103‧‧‧步驟 S104‧‧‧步驟 S105‧‧‧步驟 S106‧‧‧步驟 S107‧‧‧步驟 S108‧‧‧步驟 S109‧‧‧步驟

圖1為說明符合本發明之實施例之例示性電子束檢測(EBI)系統的示意圖。

圖2為說明符合本發明之實施例的例示性電子束工具的示意圖，該例示性電子束工具可為圖1之例示性電子束檢測系統之一部分。

圖3為說明符合本發明之實施例的例示性缺陷再檢測系統之方塊圖。

圖4為說明用於圖案分組之例示性圖案類似性量測方法的示意圖。

圖5為說明符合本發明之實施例的用於基於機器學習之圖案分組之例示性特徵提取架構的示意圖。

圖6為說明符合本發明之實施例的來自由圖5的基於機器學習之特徵提取架構而處理的圖案影像之例示性固定維度特徵向量的示意圖。

圖7為說明符合本發明之實施例的固定維度特徵向量、圖案分組之3D表示及缺陷圖案影像之GDS資訊的例示性相關性的示意圖。

圖8為表示符合本發明之實施例的例示性方法的流程圖。

700‧‧‧圖案影像

710‧‧‧圖表

720‧‧‧固定維度特徵向量

70001‧‧‧圖案

70002‧‧‧圖案

70003‧‧‧圖案

70004‧‧‧圖案

70005‧‧‧圖案

70006‧‧‧圖案

70007‧‧‧圖案

70008‧‧‧圖案

70009‧‧‧圖案

70010‧‧‧圖案

Claims (15)

1. 一種用於群組映射之方法，其包含： 接收一第一圖案之一影像； 使用經訓練模型參數產生一第一固定維度特徵向量，該等模型參數係基於該接收之影像；及 將一第一貯體識別碼(ID)指派給該第一固定維度特徵向量。
2. 如請求項1之方法，其中將該第一貯體ID指派給該第一固定維度特徵向量進一步包含： 回應於該第一圖案不屬於對應於缺陷圖案的複數個貯體中之一者的一判定而產生用於該第一固定維度特徵向量之一新的貯體ID。
3. 如請求項1之方法，其中將該第一貯體ID指派給該第一固定維度特徵向量進一步包含： 回應於該第一圖案屬於對應於缺陷圖案之複數個貯體中的一者的一判定而將該第一固定維度特徵向量映射至該第一貯體ID。
4. 如請求項2之方法，其中該等缺陷圖案包含與缺陷相關聯之GDS資訊。
5. 如請求項4之方法，其中該等缺陷圖案包含自該GDS資訊導出的資訊，該導出的資訊包括側面之數目、角之數目、尺寸、形狀或其一組合。
6. 如請求項1之方法，其中該固定維度特徵向量為一一維特徵向量。
7. 如請求項1之方法，其中該等經訓練模型參數係藉由以下操作獲得： 獲得具有經指派貯體ID的複數個圖案之複數個影像；及 訓練用於一深度學習網路之模型參數。
8. 如請求項7之方法，其中該等經訓練模型參數進一步藉由以下操作獲得： 將在複數個影像中之一者之一中心中定位的一單一多邊形之參數應用於該深度學習網路。
9. 如請求項1之方法，其進一步包含： 基於一樣本之圖形資料系統(GDS)預先訓練一線性分類器網路。
10. 如請求項9之方法，其中該線性分類器網路之該預先訓練包括： 識別該GDS之與一區相關聯的一部分， 產生用於該GDS之該部分的標記資料，該標記資料指示該區之一部位，且指示與該GDS之該部分相關聯的多邊形資料之形狀的一類型，及 基於該GDS之該部分及基於該標記資料而預先訓練該線性分類器網路。
11. 一種用於圖案分組之系統，其包含： 一帶電粒子束裝置，其包括一偵測器； 一影像獲取器，其包括自該偵測器接收一偵測信號並建構包括一第一特徵之一影像的電路；及 一控制器，其具有至少一個處理器及包含指令之一非暫時性電腦可讀媒體，該等指令在由該處理器執行時使得該系統執行以下操作： 判定對應於該第一特徵之圖案資料； 藉由一分類器判定對應於該第一特徵之一特徵向量；及 基於該特徵向量判定該第一特徵之一圖案群組。
12. 如請求項11之系統，其中該圖案資料包含一樣本設計規劃。
13. 如請求項11之系統，其中該分類器為一線性分類器且該等指令進一步使得該系統執行以下操作： 使用具有複數個向量的複數個缺陷圖案訓練該線性分類器，該複數個向量對應於缺陷特徵。
14. 如請求項13之系統，其中該複數個缺陷圖案係自一儲存器擷取。
15. 一種儲存一指令集之非暫時性電腦可讀媒體，該指令集可由一系統之一或多個處理器執行以使得該系統執行一方法，該方法包含： 獲取一樣本之一影像； 識別該影像中之一第一特徵； 判定對應於該第一特徵之圖案資料； 藉由一線性分類器判定對應於該第一特徵之一特徵向量；及 基於該特徵向量判定該第一特徵之一圖案群組。

Images