TWI777173B - 人工智慧辨識之半導體影像量測方法 - Google Patents

人工智慧辨識之半導體影像量測方法 Download PDF

Info

Publication number
TWI777173B
TWI777173B TW109118308A TW109118308A TWI777173B TW I777173 B TWI777173 B TW I777173B TW 109118308 A TW109118308 A TW 109118308A TW 109118308 A TW109118308 A TW 109118308A TW I777173 B TWI777173 B TW I777173B
Authority
TW
Taiwan
Prior art keywords
semiconductor
artificial intelligence
image
measurement method
original image
Prior art date
Application number
TW109118308A
Other languages
English (en)
Other versions
TW202147244A (zh
Inventor
柳紀綸
陳榮欽
黃邦浩
陳朝煒
Original Assignee
汎銓科技股份有限公司
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 汎銓科技股份有限公司 filed Critical 汎銓科技股份有限公司
Priority to TW109118308A priority Critical patent/TWI777173B/zh
Priority to CN202010855090.8A priority patent/CN113759148B/zh
Priority to US17/184,594 priority patent/US11468556B2/en
Priority to JP2021082048A priority patent/JP7179909B2/ja
Publication of TW202147244A publication Critical patent/TW202147244A/zh
Application granted granted Critical
Publication of TWI777173B publication Critical patent/TWI777173B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
    • G01Q60/00—Particular types of SPM [Scanning Probe Microscopy] or microscopes; Essential components thereof
    • G01Q60/24—AFM [Atomic Force Microscopy] or apparatus therefor, e.g. AFM probes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2255—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident ion beams, e.g. proton beams
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Immunology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

Abstract

本發明乃揭示一種人工智慧辨識之半導體影像量測方法，其步驟包括：提供一半導體之原始影像；利用人工智慧判斷該原始影像所屬之類型及/或種類；導入所屬之類型及/或種類所預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該原始影像，以獲得該原始影像的量測訊號；以及將所獲得的特定位置的量測訊號輸出，並經由計算以獲得該半導體中特定的物理參數。

Description

人工智慧辨識之半導體影像量測方法
本發明乃關於一種半導體影像量測方法，且特別是關於一種人工智慧辨識之半導體影像量測方法。
隨著產品尺寸縮小化的趨勢影響，半導體影像之尺寸量測的速度以及精準度已是目前樣品分析業者所面臨的重大課題。目前，樣品分析業者對於半導體影像之尺寸量測大多仍採用人工進行尺寸量測，對於具有各式各樣結構設計的半導體而言，利用人工進行尺寸量測，無法快速提供半導體影像尺寸量測服務。有鑑於此，一種可提供快速且精準的人工智慧辨識之半導體影像量測方法乃業界所殷切期盼。
本發明乃揭示一種人工智慧辨識之半導體影像量測方法，其步驟包括：提供一半導體之原始影像；利用人工智慧判斷該原始影像所屬之類型及/或種類；導入所屬之類型及/或種類所預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該原始影像，以獲得該原始影像的量測訊號；以及從該原始影像中抽出特定位置之物件，藉由對應於該抽出特定位置之物件的量測訊號強度之運算以獲得該半導體中特定的物理參數。
如上所述的人工智慧辨識之半導體影像量測方法，其中該半導體之原始影像是由掃描式電子顯微鏡(SEM)、穿透式電子顯微鏡(TEM)、原子力顯微鏡(AFM)、聚焦離子束顯微鏡(FIB)、以及X-光繞射結晶分析儀所構成族群其中之一所拍攝提供。
如上所述的人工智慧辨識之半導體影像量測方法，其中該特定位置為為該原始影像中的指定結構處、指定高度、指定距離、指定50%高度、最小處、最大處、最底部、最頂部。
如上所述的人工智慧辨識之半導體影像量測方法，其中該特定的物理參數為該半導體中特定層的厚度、寬度、厚度平均值、寬度平均值、厚度標準偏差、寬度標準偏差、厚度方均根、寬度方均根其中之一或其組合，及/或該半導體中特定位置的長度、寬度、高度、間距、夾角、弧長其中之一或其組合。
如上所述的人工智慧辨識之半導體影像量測方法，其中該量測訊號強度之運算為強度差運算、積分差運算或微分差運算。
如上所述的人工智慧辨識之半導體影像量測方法，其中該利用人工智慧判斷該原始影像所屬之類型及/或種類之步驟是由一類神經網路模組所執行。
如上所述的人工智慧辨識之半導體影像量測方法，其中該類神經網路模組為捲積神經網路(Convolutional Neural Networks,CNN)模組或遞歸神經網路(Recurrent Neural Networks,RNN)模組。
本發明乃揭示另一種人工智慧辨識之半導體影像量測方法，其步驟包括：提供一半導體之原始影像；優化處理該原始影像，以獲得一優化影像；利用人工智慧判斷該優化影像所屬之類型及/或種類；導入所屬之類型及/或種類 所預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該優化影像，以獲得該優化影像的量測訊號；以及從該優化影像中抽出特定位置之物件，藉由對應於該抽出特定位置之物件的量測訊號強度之運算以獲得該半導體中特定的物理參數。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該半導體之原始影像是由掃描式電子顯微鏡(SEM)、穿透式電子顯微鏡(TEM)、原子力顯微鏡(AFM)、聚焦離子束顯微鏡(FIB)、以及X-光繞射結晶分析儀所構成族群其中之一所拍攝提供。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該優化處理該原始影像之步驟所優化處理的為該原始影像的亮度、及/或對比、及/或敏銳度、及/或飽和度、及/或伽馬校正、及/或灰階、及/或色相、及/或色差、及/或色溫、及/或焦距、及/或解析度、及/或雜訊、及/或邊緣平坦化。
如上所述的人工智慧辨識之半導體影像量測方法，其中該特定位置為為該優化影像中的指定結構處、指定高度、指定距離、指定50%高度、最小處、最大處、最底部、最頂部。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該特定的物理參數為該半導體中特定層的厚度、寬度、厚度平均值、寬度平均值、厚度標準偏差、寬度標準偏差、厚度方均根、寬度方均根其中之一或其組合，及/或該半導體中特定位置的長度、寬度、高度、間距、夾角、弧長其中之一或其組合。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該量測訊號強度之運算為強度差運算、積分差運算或微分差運算。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該利用人工智慧判斷該優化影像所屬之類型及/或種類之步驟是由一類神經網路模組所執行。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該類神經網路模組為捲積神經網路(Convolutional Neural Networks,CNN)模組或遞歸神經網路(Recurrent Neural Networks,RNN)模組。
圖1為根據本發明一實施例所揭示的一種人工智慧辨識之半導體影像量測方法的流程圖。
圖2為根據本發明另一實施例所揭示的另一種人工智慧辨識之半導體影像量測方法的流程圖。
圖3為利用本發明一實施例所揭示的人工智慧辨識之半導體影像量測方法所量測的一個鰭式場效電晶體樣品的TEM原始影像剖視圖。
圖4為利用本發明一實施例所揭示的人工智慧辨識之半導體影像量測方法所量測的另一個鰭式場效電晶體樣品的TEM原始影像剖視圖。
圖5為利用本發明一實施例所揭示的人工智慧辨識之半導體影像量測方法所量測的一個鰭式場效電晶體樣品的TEM原始影像俯視圖。
圖6A為圖3所示之鰭式場效電晶體樣品的TEM原始影像剖視圖的部分放大圖，且從該TEM原始影像中抽出特定位置之物件。
圖6B為對應於圖6A所示從該TEM原始影像中抽出特定位置之物件的量測訊號強度分布圖。
圖7A為利用本發明另一實施例所揭示的人工智慧辨識之半導體影像量測方法所量測的另一個鰭式場效電晶體樣品的TEM原始影像剖視圖。
圖7B為圖7A的優化影像。
圖8A為利用本發明另一實施例所揭示的人工智慧辨識之半導體影像量測方法所量測的另一個鰭式場效電晶體樣品的TEM原始影像俯視圖。
圖8B為圖8A的優化影像。
為了使本發明揭示內容的敘述更加詳盡與完備，下文針對了本發明的實施態樣與具體實施例提出了說明性的描述；但這並非實施或運用本發明具體實施例的唯一形式。以下所揭露的各實施例，在有益的情形下可相互組合或取代，也可在一實施例中附加其他的實施例，而無須進一步的記載或說明。
在以下描述中，將詳細敘述許多特定細節以使讀者能夠充分理解以下的實施例。然而，可在無此等特定細節之情況下實踐本發明之實施例。在其他情況下，為簡化圖式，熟知的結構與裝置僅示意性地繪示於圖中。
實施例
實施例一
請參閱圖1，其為根據本發明一實施例所揭示的一種人工智慧辨識之半導體影像量測方法的流程圖。如圖1流程圖所示，本發明一實施例所揭示的一種人工智慧辨識之半導體影像量測方法，其步驟包括：提供一半導體之原始影像；利用人工智慧判斷該原始影像所屬之類型及/或種類；導入所屬之類型 及/或種類所預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該原始影像，以獲得該原始影像的量測訊號；以及從該原始影像中抽出特定位置之物件，藉由對應於該抽出特定位置之物件的量測訊號強度之運算以獲得該半導體中特定的物理參數。
如上所述的人工智慧辨識之半導體影像量測方法，其中該半導體之原始影像是由例如但不限於掃描式電子顯微鏡(SEM)、穿透式電子顯微鏡(TEM)、原子力顯微鏡(AFM)、聚焦離子束顯微鏡(FIB)、以及X-光繞射結晶分析儀所構成族群其中之一所拍攝提供。
如上所述的人工智慧辨識之半導體影像量測方法，其中該特定位置為為該原始影像中的指定結構處、指定高度、指定距離、指定50%高度、最小處、最大處、最底部、最頂部。
如上所述的人工智慧辨識之半導體影像量測方法，其中該特定的物理參數為該半導體中特定層的厚度、寬度、厚度平均值、寬度平均值、厚度標準偏差、寬度標準偏差、厚度方均根、寬度方均根其中之一或其組合，及/或該半導體中特定位置的長度、寬度、高度、間距、夾角、弧長其中之一或其組合。
如上所述的人工智慧辨識之半導體影像量測方法，其中該利用人工智慧判斷該原始影像所屬之類型及/或種類之步驟是由一類神經網路模組所執行。
如上所述的人工智慧辨識之半導體影像量測方法，其中該類神經網路模組為例如但不限於捲積神經網路(Convolutional Neural Networks,CNN)模組或遞歸神經網路(Recurrent Neural Networks,RNN)模組。
本實施例一之半導體是以鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)為例示說明，惟適用於本實施例一的半導體並不局限於此，其他的半導體元件或其他的非半導體元件之半導體也可適用，在此不再贅述。
首先，本實施例一乃利用穿透式電子顯微鏡(TEM)拍攝一鰭式場效電晶體樣品，以提供如圖3、4所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像剖視圖，或者如圖5所示之鰭式場效電晶體(FIN Field-Effect Transistor：FINFET)TEM原始影像俯視圖。此外，本實施例一之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)的原始影像剖視圖或俯視圖也可視需要利用例如但不限於掃描式電子顯微鏡(SEM)、原子力顯微鏡(AFM)、聚焦離子束顯微鏡(FIB)、以及X-光繞射結晶分析儀等所構成族群其中之一拍攝提供，在此不再贅述。
其次，利用人工智慧判斷該原始影像所屬之類型及/或種類。如前所述，本實施例中利用人工智慧判斷該原始影像所屬之類型及/或種類的步驟，乃利用類神經網路模組例如但不限於捲積神經網路或遞歸神經網路來執行。在根據本發明的其他實施例中，利用人工智慧判斷該原始影像所屬之類型及/或種類也可利用常見的非類神經網路模組的人工智慧來執行，在此不再贅述。如圖3、4所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像剖視圖，經類神經網路模組判斷後可知圖3、4所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)之鰭狀結構雖不完全相同，惟均屬於鰭式場效電晶體的TEM影像剖視圖，而圖5所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像俯視圖，經類神經網路模組判斷後可知屬於鰭式場效電晶體的TEM影像俯視圖。
然後，導入所屬之類型及/或種類所預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該原始影像，以獲得該原始影像的量測訊號。圖3、4所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像剖視圖，經類神經網路模組判斷屬於鰭式場效電晶體的TEM影像剖視圖後，便可導入鰭式場效電晶體的TEM影像剖視圖所屬之類型及/或種類預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該原始影像，以獲得該原始影像的量測訊號。圖5所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像俯視圖，經類神經網路模組判斷屬於鰭式場效電晶體的TEM影像俯視圖後，便可導入鰭式場效電晶體的TEM影像俯視圖所屬類型及/或種類之尺寸量測模式，並依照該預定的尺寸量測模式，掃描該原始影像，以獲得該原始影像的量測訊號。
最後，從該原始影像中抽出特定位置之物件，並藉由對應於原始影像中抽出特定位置之物量測訊號強度之運算，便可獲得該半導體中特定的物理參數。以圖6A、6B例示說明，其中圖6A為圖3所示之鰭式場效電晶體樣品的TEM原始影像剖視圖的部分放大圖，且從該TEM原始影像中抽出特定位置之物件，圖6B為對應於圖6A所示從該TEM原始影像中抽出特定位置之物件的量測訊號強度分布圖。如圖6A所示，從原始影像中抽出特定位置之物件的如同在如圖6A所示的黑色框圈選區域，此時在如圖6B所示的量測訊號強度分布圖中，藉由例如但不限於量測訊號的強度差、積分差或微分差等運算，便可獲得圖6A所示之鰭式場效電晶體樣品的TEM原始影像剖視圖的部分放大圖中的鰭狀結構之間的間距。同理，半導體中特定的其他物理參數也可利用此方式運算獲得。
如上所述，圖3、4所示之原始影像中鰭式場效電晶體的鰭狀結構，其高度、寬度以及間距，可在從圖3、4所示之原始影像中抽出特定位置之物件，例如但不限於為鰭式場效電晶體的鰭狀結構，並藉由量測訊號強度之運算後獲得，如以下表一所示。
Figure 109118308-A0305-02-0010-1
如上所述，圖5所示之原始影像中鰭式場效電晶體，其標準單元(cell)高度、寬度，可在從圖5所示之原始影像中抽出特定位置之物件，例如但不限於為鰭式場效電晶體的標準單元(cell)，並藉由量測訊號強度之運算後獲得，如以下表二所示。
Figure 109118308-A0305-02-0010-2
實施例二
本實施例二所揭示的另一種人工智慧辨識之半導體影像量測方法，其與本實施例一所揭示者之差異在於更包括一優化處理該原始影像的步驟，以獲得一優化影像。因此，當所提供的原始影像之畫質不佳時，可藉由此優化處理步驟以提供畫質較佳的優化影像供人工智慧辨識之半導體影像量測方法之後續步驟始用，提高尺寸量測之精準度。
請參閱圖2，其為根據本發明另一實施例所揭示的另一種人工智慧辨識之半導體影像量測方法的流程圖。如圖2流程圖所示，本發明另一實施例所揭示的另一種人工智慧辨識之半導體影像量測方法，其步驟包括：提供一半導體之原始影像；優化處理該原始影像，以獲得一優化影像；利用人工智慧判斷該優化影像所屬之類型及/或種類；導入所屬之類型及/或種類所預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該優化影像，以獲得該優化影像的量測訊號；以及從該優化影像中抽出特定位置之物件，藉由對應於該抽出特定位置之物件的量測訊號強度之運算以獲得該半導體中特定的物理參數。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該半導體之原始影像是由掃描式電子顯微鏡(SEM)、穿透式電子顯微鏡(TEM)、原子力顯微鏡(AFM)、聚焦離子束顯微鏡(FIB)、以及X-光繞射結晶分析儀所構成族群其中之一所拍攝提供。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該優化處理該原始影像之步驟所優化處理的為該原始影像的亮度、及/或對比、及/或敏銳度、及/或飽和度、及/或伽馬校正、及/或灰階、及/或色相、及/或色差、及/或色溫、及/或焦距、及/或解析度、及/或雜訊、及/或邊緣平坦化。
如上所述的人工智慧辨識之半導體影像量測方法，其中該特定位置為為該優化影像中的指定結構處、指定高度、指定距離、指定50%高度、最小處、最大處、最底部、最頂部。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該特定的物理參數為該半導體中特定層的厚度、寬度、厚度平均值、寬度平均值、厚度標準偏差、寬度標準偏差、厚度方均根、寬度方均根其中之一或其組合， 及/或該半導體中特定位置的長度、寬度、高度、間距、夾角、弧長其中之一或其組合。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該利用人工智慧判斷該優化影像所屬之類型及/或種類之步驟是由一類神經網路模組所執行。
如上所述的另一種人工智慧辨識之半導體影像量測方法，其中該類神經網路模組為捲積神經網路(Convolutional Neural Networks,CNN)模組或遞歸神經網路(Recurrent Neural Networks,RNN)模組。
本實施例二之半導體同樣可以用鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)為例示說明，惟適用於本實施例二的半導體並不局限於此，其他的半導體元件或其他的非半導體元件之半導體也可適用，在此不再贅述。
首先，本實施例二乃利用穿透式電子顯微鏡(TEM)拍攝一鰭式場效電晶體樣品，以提供如圖7A所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像剖視圖，或者如圖8A所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像俯視圖。此外，本實施例二之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)的原始影像剖視圖或俯視圖也可視需要利用例如但不限於掃描式電子顯微鏡(SEM)、原子力顯微鏡(AFM)、聚焦離子束顯微鏡(FIB)、以及X-光繞射結晶分析儀等所構成族群其中之一拍攝提供，在此不再贅述。惟，如圖7A所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像剖視圖，以及如圖8A所示之鰭式場效電晶體(Fin Field-Effect Transistor：FinFET)TEM原始影像俯視圖，此二原始影像之畫質均不理想，恐對於後續尺寸量測之精準度造成不小的影響，故本實施例二所揭 示的另一種人工智慧辨識之半導體影像量測方法更包括一步驟，優化處理如圖7A、8A所示之原始影像，以獲得一如圖7B、8B所示之優化影像。如上所述，優化處理該原始影像之步驟所優化處理的可為該原始影像的亮度、及/或對比、及/或敏銳度、及/或飽和度、及/或伽馬校正、及/或灰階、及/或色相、及/或色差、及/或色溫、及/或焦距、及/或解析度、及/或雜訊、及/或邊緣平坦化等，在此不再贅述。
其次，利用人工智慧判斷圖7B、8B所示之優化影像所屬之類型及/或種類。如前所述，本實施例中利用人工智慧判斷圖7B、8B所示之優化影像所屬之類型及/或種類的步驟乃利用類神經網路模組例如但不限於捲積神經網路或遞歸神經網路來執行。根據本發明的其他實施例中，利用人工智慧判斷優化影像所屬之類型及/或種類的步驟也可利用常見的非類神經網路模組的人工智慧來執行，在此不再贅述。
然後，導入圖7B、8B所示之優化影像所屬之類型及/或種類預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描圖7B、8B所示之優化影像，以獲得該優化影像的量測訊號。
最後，從圖7B、8B所示之優化影像中抽出特定位置之物件，並藉由對應於優化影像中抽出特定位置之物件的量測訊號強度之運算，例如但不限於量測訊號的強度差、積分差或微分差等運算，便可獲得圖7B所示之優化影像的鰭狀結構的高度、寬度以及間距，及/或圖8B所示之優化影像的標準單元(cell)的高度、寬度以及間距。
綜上所述，利用本發明所揭示的人工智慧辨識之半導體影像量測方法，藉由判斷半導體之原始像所屬之類型及/或種類，導入其所屬之類型及/或 種類預定的尺寸量測模式，可迅速且精確地量測分屬不同類型或種類的半導體的尺寸，大幅改善以往半導體的尺寸量測方法無法提供快速且精確的樣品尺寸量測服務的缺點。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (15)

  1. 一種人工智慧辨識之半導體影像量測方法，其步驟包括：提供一半導體之原始影像；利用人工智慧判斷該原始影像所屬之類型及/或種類；導入所屬之類型及/或種類所預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該原始影像，以獲得該原始影像的量測訊號；以及從該原始影像中抽出特定位置之物件，藉由對應於該抽出特定位置之物件的量測訊號強度之運算以獲得該半導體中特定的物理參數。
  2. 如請求項1所述的人工智慧辨識之半導體影像量測方法，其中該半導體之原始影像是由掃描式電子顯微鏡(SEM)、穿透式電子顯微鏡(TEM)、原子力顯微鏡(AFM)、聚焦離子束顯微鏡(FIB)、以及X-光繞射結晶分析儀所構成族群其中之一所拍攝提供。
  3. 如請求項1所述的人工智慧辨識之半導體影像量測方法，其中該特定位置為為該原始影像中的指定結構處、指定高度、指定距離、指定50%高度、最小處、最大處、最底部、最頂部。
  4. 如請求項1所述的人工智慧辨識之半導體影像量測方法，其中該特定的物理參數為該半導體中特定層的厚度、寬度、厚度平均值、寬度平均值、厚度標準偏差、寬度標準偏差、厚度方均根、寬度方均根其中之一或其組合其中之一或其組合，及/或該半導體中特定位置的長度、寬度、高度、間距、夾角、弧長其中之一或其組合其中之一或其組合。
  5. 如請求項1所述的人工智慧辨識之半導體影像量測方法，其中該量測訊號強度之運算為強度差運算、積分差運算或微分差運算。
  6. 如請求項1至5其中之一所述的人工智慧辨識之半導體影像量測方法，其中該利用人工智慧判斷該原始像所屬之類型及/或種類之步驟是由一類神經網路模組所執行。
  7. 如請求項6所述的人工智慧辨識之半導體影像量測方法，其中該類神經網路模組為捲積神經網路(Convolutional Neural Networks,CNN)模組或遞歸神經網路(Recurrent Neural Networks,RNN)模組。
  8. 一種人工智慧辨識之半導體影像量測方法，其步驟包括：提供一半導體之原始影像；優化處理該原始影像，以獲得一優化影像；利用人工智慧判斷該優化影像所屬之類型及/或種類；導入所屬之類型及/或種類所預定的尺寸量測模式，並依照該預定的尺寸量測模式，掃描該優化影像，以獲得該優化影像的量測訊號；以及從該優化影像中抽出特定位置之物件，藉由對應於該抽出特定位置之物件的量測訊號強度之運算以獲得該半導體中特定的物理參數。
  9. 如請求項8所述的人工智慧辨識之半導體影像量測方法，其中該半導體之原始影像是由掃描式電子顯微鏡(SEM)、穿透式電子顯微鏡(TEM)、原子力顯微鏡(AFM)、聚焦離子束顯微鏡(FIB)、以及X-光繞射結晶分析儀所構成族群其中之一所拍攝提供。
  10. 如請求項8所述的人工智慧辨識之半導體影像量測方法，其中該優化處理該原始影像之步驟所優化處理的為該原始影像的亮度、及/或對比、及/或敏銳度、及/或飽和度、及/或伽馬校正、及/或灰階、及/或色相、及/或色差、及/或色溫、及/或焦距、及/或解析度、及/或雜訊、及/或邊緣平坦化。
  11. 如請求項8所述的人工智慧辨識之半導體影像量測方法，其中該特定位置為為該優化影像中的指定結構處、指定高度、指定距離、指定50%高度、最小處、最大處、最底部、最頂部。
  12. 如請求項8所述的人工智慧辨識之半導體影像量測方法，其中該特定的物理參數為該半導體中特定層的厚度、寬度、厚度平均值、寬度平均值、厚度標準偏差、寬度標準偏差、厚度方均根、寬度方均根其中之一或其組合，及/或該半導體中特定位置的長度、寬度、高度、間距、夾角、弧長其中之一或其組合。
  13. 如請求項8所述的人工智慧辨識之半導體影像量測方法，其中該測訊號強度之運算為強度差運算、積分差運算或微分差運算。
  14. 如請求項8至13其中之一所述的人工智慧辨識之半導體影像量測方法，其中該利用人工智慧判斷該優化影像所屬之類型及/或種類之步驟是由一類神經網路模組所執行。
  15. 如請求項14所述的人工智慧辨識之半導體影像量測方法，其中該類神經網路模組為捲積神經網路(Convolutional Neural Networks,CNN)模組或遞歸神經網路(Recurrent Neural Networks,RNN)模組。
TW109118308A 2020-06-01 2020-06-01 人工智慧辨識之半導體影像量測方法 TWI777173B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
TW109118308A TWI777173B (zh) 2020-06-01 2020-06-01 人工智慧辨識之半導體影像量測方法
CN202010855090.8A CN113759148B (zh) 2020-06-01 2020-08-24 人工智能辨识的半导体影像量测方法
US17/184,594 US11468556B2 (en) 2020-06-01 2021-02-25 Artificial intelligence identified measuring method for a semiconductor image
JP2021082048A JP7179909B2 (ja) 2020-06-01 2021-05-14 半導体画像のための人工知能識別による測定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109118308A TWI777173B (zh) 2020-06-01 2020-06-01 人工智慧辨識之半導體影像量測方法

Publications (2)

Publication Number Publication Date
TW202147244A TW202147244A (zh) 2021-12-16
TWI777173B true TWI777173B (zh) 2022-09-11

Family

ID=78705103

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109118308A TWI777173B (zh) 2020-06-01 2020-06-01 人工智慧辨識之半導體影像量測方法

Country Status (4)

Country Link
US (1) US11468556B2 (zh)
JP (1) JP7179909B2 (zh)
CN (1) CN113759148B (zh)
TW (1) TWI777173B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4339624A1 (en) * 2022-09-15 2024-03-20 Infinitesima Limited Image data segmentation
US20240212976A1 (en) * 2022-12-22 2024-06-27 Applied Materials Israel Ltd. In-line depth measurements by afm

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075594A1 (en) * 2016-09-14 2018-03-15 Kla-Tencor Corporation Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion
CN110414492A (zh) * 2019-08-29 2019-11-05 广东工业大学 一种晶体材料图像识别方法及装置
TW201947680A (zh) * 2018-05-09 2019-12-16 華邦電子股份有限公司 臨界尺寸量測方法及用於量測臨界尺寸的影像處理裝置
CN110910445A (zh) * 2019-11-26 2020-03-24 深圳市丰巢科技有限公司 一种物件尺寸检测方法、装置、检测设备及存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3788279B2 (ja) * 2001-07-09 2006-06-21 株式会社日立製作所 パターン検査方法及び装置
KR100567622B1 (ko) * 2003-12-29 2006-04-04 삼성전자주식회사 반도체 소자의 패턴 선폭 측정 방법 및 장치
JP2009076863A (ja) * 2007-08-27 2009-04-09 Renesas Technology Corp 半導体装置の製造方法
US9418413B1 (en) * 2009-07-06 2016-08-16 Camtek Ltd. System and a method for automatic recipe validation and selection
JP5608575B2 (ja) * 2011-01-19 2014-10-15 株式会社日立ハイテクノロジーズ 画像分類方法および画像分類装置
JP5733012B2 (ja) * 2011-05-16 2015-06-10 富士通セミコンダクター株式会社 パターン寸法測定方法及びパターン寸法測定装置
JP5809997B2 (ja) * 2012-02-14 2015-11-11 株式会社日立ハイテクノロジーズ 半導体計測装置及びコンピュータープログラム
TWM550465U (zh) * 2017-06-30 2017-10-11 中華大學 半導體晶圓檢測系統
JP7087397B2 (ja) * 2018-01-17 2022-06-21 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
US10789703B2 (en) * 2018-03-19 2020-09-29 Kla-Tencor Corporation Semi-supervised anomaly detection in scanning electron microscope images
CN110553581B (zh) * 2018-06-01 2022-01-14 华邦电子股份有限公司 临界尺寸量测方法及用于量测临界尺寸的图像处理装置
KR102631031B1 (ko) * 2018-07-27 2024-01-29 삼성전자주식회사 반도체 장치의 불량 검출 방법
US11100272B2 (en) * 2018-08-17 2021-08-24 Taiwan Semiconductor Manufacturing Co., Ltd. Wafer-to-design image analysis (WDIA) system
CN109357630B (zh) * 2018-10-30 2019-10-18 南京工业大学 一种多类型工件批量视觉测量系统及方法
US11569056B2 (en) * 2018-11-16 2023-01-31 Fei Company Parameter estimation for metrology of features in an image
CN109682298A (zh) * 2019-01-14 2019-04-26 明灏科技（北京）有限公司 一种基于计算机视觉的测量装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075594A1 (en) * 2016-09-14 2018-03-15 Kla-Tencor Corporation Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion
TW201947680A (zh) * 2018-05-09 2019-12-16 華邦電子股份有限公司 臨界尺寸量測方法及用於量測臨界尺寸的影像處理裝置
CN110414492A (zh) * 2019-08-29 2019-11-05 广东工业大学 一种晶体材料图像识别方法及装置
CN110910445A (zh) * 2019-11-26 2020-03-24 深圳市丰巢科技有限公司 一种物件尺寸检测方法、装置、检测设备及存储介质

Also Published As

Publication number Publication date
US20210374927A1 (en) 2021-12-02
CN113759148B (zh) 2024-04-16
JP7179909B2 (ja) 2022-11-29
JP2021190699A (ja) 2021-12-13
US11468556B2 (en) 2022-10-11
TW202147244A (zh) 2021-12-16
CN113759148A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
TWI777173B (zh) 人工智慧辨識之半導體影像量測方法
JP4791141B2 (ja) 電子線式寸法計測装置及びそれを用いた寸法計測方法
WO2013179956A1 (ja) パターン検査装置およびパターン検査方法
US10096100B2 (en) Inspection device, inspection method, and image processing program
US20130010100A1 (en) Image generating method and device using scanning charged particle microscope, sample observation method, and observing device
US20090218491A1 (en) Sample dimension inspecting/measuring method and sample dimension inspecting/measuring apparatus
US10734294B2 (en) System and method for measuring and improving overlay using electronic microscopic imaging and digital processing
WO2011001635A1 (ja) 半導体検査装置及びそれを用いた半導体検査方法
Marabini et al. CTF challenge: result summary
TWI813871B (zh) 圖像處理程式、圖像處理裝置及圖像處理方法
CN110197479B (zh) 一种表面改性质量检测方法
US20220042936A1 (en) Image processing system
US20220319206A1 (en) Multiple image segmentation and/or multiple dynamic spectral acquisition for material and mineral classification
CN118401898A (zh) 基于机器学习模型的检查样品的缺陷检测的方法和系统
CN117291913A (zh) 一种水工混凝土结构表观裂缝测量方法
Houben et al. Training procedure for scanning electron microscope 3D surface reconstruction using unsupervised domain adaptation with simulated data
JP2005293334A (ja) テンプレートマッチング装置
TW202142863A (zh) 處理用於晶圓檢測之參考資料
CN112733775A (zh) 基于深度学习的高光谱影像分类方法
Kim et al. Universal denoiser to improve metrology throughput
Konstantinova et al. Machine learning enhances algorithms for quantifying non-equilibrium dynamics in correlation spectroscopy experiments to reach frame-rate-limited time resolution
Sharma et al. FIB-SEM investigation and auto-metrology of polymer-microlens/CFA arrays of CMOS image sensor
TWI717980B (zh) 顯微試片製備方法、裝置及記錄媒體
Kyogoku et al. A method for dynamic placement of overlay measurement area cursors using segmentation technique
US11830176B2 (en) Method of measuring a semiconductor device

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent