TWI798516B - 取樣檢驗的方法及其系統與非暫態電腦可讀取儲存媒體 - Google Patents
取樣檢驗的方法及其系統與非暫態電腦可讀取儲存媒體 Download PDFInfo
- Publication number
- TWI798516B TWI798516B TW108148498A TW108148498A TWI798516B TW I798516 B TWI798516 B TW I798516B TW 108148498 A TW108148498 A TW 108148498A TW 108148498 A TW108148498 A TW 108148498A TW I798516 B TWI798516 B TW I798516B
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- inspection
- image
- noise
- tiles
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims description 16
- 238000007689 inspection Methods 0.000 claims abstract description 303
- 230000007547 defect Effects 0.000 claims abstract description 256
- 238000012545 processing Methods 0.000 claims description 55
- 239000002131 composite material Substances 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 description 20
- 238000012986 modification Methods 0.000 description 16
- 230000004048 modification Effects 0.000 description 16
- 235000012431 wafers Nutrition 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20212—Image combination
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Signal Processing (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)
- Image Analysis (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
提供了一種在取樣上進行檢驗的系統和方法,所述方法包括:獲得晶粒的檢查圖像並使用一或多個參考圖像產生缺陷圖;從所述缺陷圖選擇多個缺陷候選;及對於每個缺陷候選,產生相應修改後的檢查圖像圖塊,包括:分別從所述檢查圖像以及每個參考圖像提取在所述缺陷候選周圍的圖像圖塊;及修改所述檢查圖像圖塊,包括:估計表示所述檢查圖像圖塊上的強度變化的雜訊,所述雜訊包括表示所述檢查圖像圖塊與所述參考圖像圖塊之間的多項式關係的第一類型的雜訊、以及表示所述檢查圖像圖塊中的空間異常的第二類型的雜訊;及基於所估計的雜訊來從所述檢查圖像圖塊去除所述第一類型的雜訊和所述第二類型的雜訊中的至少一種。
Description
本揭示案的標的整體涉及取樣檢驗領域,並且更具體地,涉及在取樣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性。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,包括在裝置仍然是半導體晶片(包括成品裝置及/或非成品裝置)的形式時對元件的頻繁且詳細的檢查。
本說明書中使用的術語「取樣」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片、遮罩和其他結構、以上項的組合及/或部分。
除非另外具體地說明,否則本說明書中使用的術語「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及/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或多個檢驗工具進行掃描(以單次掃描或多次掃描)、採樣、查驗、測量、分類及/或關於物件或物件的部分提供的其他操作。同樣地,可以在待檢驗的物件的製造之前提供檢驗,且檢驗可以包括例如產生檢驗方案。將注意,除非另外具體地說明,否則本說明書中使用的術語「檢驗」或「檢驗」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,例如針對不同晶片位置或針對在不同檢驗設定下的相同晶片位置。
作為非限制性示例,運行時檢驗可以採用兩步驟式程序,例如,先是檢查取樣,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及/或低的解析度掃描取樣或取樣的一部分(例如,感興趣的區域、熱點等)的表面。分析所擷取的檢查圖像,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及/或高的解析度擷取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片並檢測來自晶片的光或電子來為晶片產生某種輸出(例如,圖像、信號等)。一旦已經產生輸出,典型地透過將缺陷檢測方法及/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,而同時抑制對晶片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。
根據本案的標的的某些態樣,提供了一種用於取樣檢驗的電腦化系統,所述系統包括:檢驗工具,所述檢驗工具被配置為擷取所述取樣的晶粒(die)的檢查圖像並使用一或多個參考圖像產生指示所述檢查圖像上的缺陷候選分佈的缺陷圖;及處理單元,所述處理單元可操作地連接到所述檢驗工具,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:根據預限定的標準從所述缺陷圖選擇多個缺陷候選;及對於所述多個缺陷候選之每一者,產生相應修改後的檢查圖像圖塊,從而產生對應於所述多個缺陷候選的多個修改後的檢查圖像圖塊,其中所述產生包括對於所述多個缺陷候選中的給定缺陷候選:分別從所述檢查圖像以及所述一或多個參考圖像之每一者提取在所述給定缺陷候選的位置周圍的圖像圖塊,從而產生包括對應於所述給定缺陷候選的檢查
圖像圖塊和一或多個參考圖像圖塊的一組圖像圖塊;及修改所述檢查圖像圖塊以獲得修改後的檢查圖像圖塊,包括:使用所述圖像圖塊組估計表示所述檢查圖像圖塊上的強度變化的雜訊,所述雜訊包括表示所述檢查圖像圖塊的圖元值與所述參考圖像圖塊中的至少一些中的對應圖元值之間的多項式關係的第一類型的雜訊、以及表示相對於所述參考圖像圖塊中的至少一些的所述檢查圖像圖塊中的空間異常的存在的第二類型的雜訊;及基於所估計的雜訊來從所述檢查圖像圖塊去除所述第一類型的雜訊和所述第二類型的雜訊中的至少一種;其中所述修改後的檢查圖像圖塊及/或所述所估計的雜訊可用於所述取樣的進一步檢驗。
除了以上特徵之外,根據本案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(ix)中的一或多個。
(i)所述處理單元還可以被配置為相對於所述一或多個參考圖像圖塊而使用所述多個修改後的檢查圖像圖塊對所述取樣執行缺陷檢測,從而產生更新後的缺陷圖。
(ii)所述處理單元還可以被配置為使用表徵所述缺陷候選的一組屬性執行缺陷候選聚類,所述屬性組包括所估計的雜訊的至少一或多個屬性。
(iii)所述估計可以包括:估計所述空間異常的空間大小和相對於所述一或多個參考圖像圖塊之每一者的所述多項式關係的一或多個係數,從而產生所述空間大小和對應於所述一或多個參考圖像圖塊的所述係數的一或多個
估計;及基於所述一或多個估計中的至少一些執行所述去除。
(iv)所述估計還可以包括:組合所述空間大小的所述一或多個估計以產生所述空間異常的複合估計;將所述複合估計與已知的缺陷模型進行比較以決定所述複合估計是否表示在所述檢查圖像圖塊上存在所述已知的缺陷模型,並且其中所述去除包括回應於決定存在所述已知的缺陷模型,基於所述複合估計來從所述檢查圖像圖塊去除所述第二類型的雜訊。
(v)所述估計還可以包括組合所述係數的所述一或多個估計以產生所述多項式關係的複合估計,並且其中所述去除包括基於所述複合估計來從所述檢查圖像圖塊去除所述第一類型的雜訊。
(vi)對於所述一或多個參考圖像圖塊中的給定參考圖像圖塊,所述估計空間大小可以包括:提供所述空間大小的不同估計,每個估計包括所述空間異常的長度、寬度和幅值,以及提供與所述空間異常共存的潛在缺陷的幅值的不同缺陷估計;使用所述空間大小的所述不同估計與所述不同缺陷估計之間的多個組合來計算多個所估計的誤差,每個所估計的誤差指示預期修改後的檢查圖像圖塊與所述給定參考圖像圖塊之間的殘差,其中預期所述修改後的檢查圖像圖塊可透過使用相應組合修改所述檢查圖像圖塊來獲得;及
在所述多個所估計的誤差中提供最小所估計的誤差的所述多個組合中選擇一個組合,其中所述選定組合包括所述空間大小的選定估計。
(vii)所述一或多個係數可以包括所述多項式關係的增益和偏移。
(viii)所述所估計的雜訊的所述一或多個屬性可以包括所述空間大小和所述係數的一或多個估計。
(ix)所述檢驗工具是光學檢查工具。
根據本案的標的的另一態樣,提供了一種取樣檢驗的電腦化方法,所述方法包括:由檢驗工具擷取所述取樣的晶粒的檢查圖像並使用一或多個參考圖像產生指示所述檢查圖像上的缺陷候選分佈的缺陷圖;由可操作地連接到所述檢驗工具的處理單元根據預限定的標準從所述缺陷圖選擇多個缺陷候選;及由所述處理單元對於所述多個缺陷候選之每一者,產生相應修改後的檢查圖像圖塊,從而產生對應於所述多個缺陷候選的多個修改後的檢查圖像圖塊,其中所述產生包括對於所述多個缺陷候選中的給定缺陷候選:分別從所述檢查圖像以及所述一或多個參考圖像之每一者提取在所述給定缺陷候選的位置周圍的圖像圖塊,從而產生包括對應於所述給定缺陷候選的檢查圖像圖塊和一或多個參考圖像圖塊的一組圖像圖塊;及修改所述檢查圖像圖塊以獲得修改後的檢查圖像圖塊,包括:使用所述圖像圖塊組估計表示所述檢查圖像圖塊上的強度變化的雜訊,所述雜訊包括表示所述檢查圖像圖塊的圖元值與
所述參考圖像圖塊中的至少一些中的對應圖元值之間的多項式關係的第一類型的雜訊、以及表示相對於所述參考圖像圖塊中的至少一些的所述檢查圖像圖塊中的空間異常的存在的第二類型的雜訊;及基於所述所估計的雜訊來從所述檢查圖像圖塊去除所述第一類型的雜訊和所述第二類型的雜訊中的至少一種;其中所述修改後的檢查圖像圖塊及/或所述所估計的雜訊可用於所述取樣的進一步檢驗。
本案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(ix)中的一或多個並加以必要的變更。
根據本案的標的的另一態樣,提供了一種非暫態電腦可讀取儲存媒體,所述非暫態電腦可讀取儲存媒體有形地體現當由電腦執行時致使所述電腦執行取樣檢驗的方法的指令程式,所述方法包括:由檢驗工具擷取所述取樣的晶粒的檢查圖像並使用一或多個參考圖像產生指示所述檢查圖像上的缺陷候選分佈的缺陷圖;由可操作地連接到所述檢驗工具的處理單元根據預限定的標準從所述缺陷圖選擇多個缺陷候選;及由所述處理單元對於所述多個缺陷候選之每一者,產生相應修改後的檢查圖像圖塊,從而產生對應於所述多個缺陷候選的多個修改後的檢查圖像圖塊,其中所述產生包括對於所述多個缺陷候選中的給定缺陷候選:分別從所述檢查圖像以及所述一或多個參考圖像之每一者提取在所述給定缺陷候選的位置周圍的圖像圖塊,從而產生包括對應於所述給定缺陷候選的檢查圖像圖塊和一
或多個參考圖像圖塊的一組圖像圖塊;及修改所述檢查圖像圖塊以獲得修改後的檢查圖像圖塊,包括:使用所述圖像圖塊組估計表示所述檢查圖像圖塊上的強度變化的雜訊,所述雜訊包括表示所述檢查圖像圖塊的圖元值與所述參考圖像圖塊中的至少一些中的對應圖元值之間的多項式關係的第一類型的雜訊、以及表示相對於所述參考圖像圖塊中的至少一些的所述檢查圖像圖塊中的空間異常的存在的第二類型的雜訊;及基於所估計的雜訊來從所述檢查圖像圖塊去除所述第一類型的雜訊和所述第二類型的雜訊中的至少一種;其中所述修改後的檢查圖像圖塊及/或所述所估計的雜訊可用於所述取樣的進一步檢驗。
本案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(ix)中的一或多個並加以必要的變更。
100:系統
102:處理單元
104:圖塊提取模組
106:圖塊修改模組
108:雜訊估計模組
110:雜訊去除模組
120:檢驗工具
122:儲存單元
124:圖形化使用者介面
126:I/O介面
202:步驟
204:步驟
206:步驟
208:步驟
210:步驟
212:步驟
214:步驟
302:檢查圖像
304:檢查圖像圖塊
305:缺陷候選
306:參考圖像
307:參考圖塊
308:對應圖像圖塊
402:二次函數
404:線性表示
502:參考圖像圖塊
503:圓圈
504:檢查圖像圖塊
505:方形
506:線上結構
507:三角形
508:線上結構
510:缺陷
702:圖
704:圖
706:圖
708:圖
802:缺陷圖
804:缺陷圖
806:DOI
808:錯誤警報
902:檢查圖像圖塊
904:參考圖像圖塊
906:差值圖像圖塊
907:錯誤警報
908:空間異常
910:檢查圖像圖塊
912:差值圖像圖塊
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圖示根據本案的標的的某些實施方式的取樣檢驗的系統的方塊圖;圖2圖示根據本案的標的的某些實施方式的取樣檢驗的概括性流程圖;圖3圖示根據本案的標的的某些實施方式的圖像圖塊提取的示意圖;
圖4圖示根據本案的標的的某些實施方式的解釋檢查圖像圖塊的圖元與參考圖像圖塊的對應圖元之間的多項式關係的示意圖;圖5圖示根據本案的標的的某些實施方式的示出與參考圖像圖塊相比在檢查圖像圖塊上存在第一類型的雜訊、第二類型的雜訊、以及缺陷的示意圖;圖6圖示根據本案的標的的某些實施方式的示出對應於多個參考圖像圖塊的缺陷和空間異常的多個估計的示意圖;圖7圖示根據本案的標的的某些實施方式的已知的缺陷模型和空間異常的圖元分佈的示例圖;圖8圖示根據本案的標的的某些實施方式的在缺陷重新檢測之前產生的缺陷圖和在重新檢測之後產生的對應的更新後的缺陷圖的示例;及圖9圖示根據本案的標的的某些實施方式的對應於圖8中的錯誤警報808的檢查圖像圖塊的示例性修改。
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,本領域的技藝人士將理解,本案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、程序、部件和電路,以免模糊本案的標的。
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,利用術語諸如「檢驗」、
「擷取」、「產生」、「選擇」、「提取」、「修改」、「估計」、「去除」、「執行」、「組合」、「比較」、「決定」、「提供」、「計算」是指電腦的操縱資料及/或將資料變換為成其他資料的電腦的動作及/或處理,所述資料被表示為物理(諸如電子)量及/或所述資料表示物理物件。術語「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裝置,作為非限制性示例,包括本案中公開的取樣檢驗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。
本文使用的術語「非暫態記憶體」和「非暫態儲存媒體」應當廣泛地解釋為覆蓋適合本案的標的的任何揮發性或非揮發性電腦記憶體。
本說明書中使用的術語「缺陷」應當廣泛地解釋為覆蓋在取樣上或取樣內形成的任何種類的異常或不期望的特徵或空隙。
本說明書中使用的術語「設計資料」應當廣泛地解釋為覆蓋指示取樣的分層物理設計(佈局)的任何資料。設計資料可以由相應設計者提供及/或可以從物理設計匯出(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、灰階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案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案的標的的各種特徵也可以單獨地提供或以任何合適的子群組合提供。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,圖示根據本案的標的的某些實施方式的取樣檢驗的系統的方塊圖。
圖1中所示的系統100可以用於取樣(例如,晶片、晶片上的晶粒及/或晶片的部分)檢驗。如前述,本說明書中使用的術語「取樣」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片、遮罩、遮罩版和其他結構、以上項的組合及/或部分。根據某些實施方式,本文中所用的取樣可以選自包括以下項的組:晶片、遮罩版、遮罩、積體電路和平板顯示器(或以上項的至少一部分)。
僅出於說明目的,關於晶粒和晶片提供以下描述的某些實施方式。實施方式同樣地適用於取樣的其他類型、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或多個檢驗工具120。本文使用的術語「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、分類及/或關於取樣或取樣的部分提供的其他製程。一或多個檢驗工具120可以包括一或多個檢查工具及/或一或多個查驗工具。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取樣(例如,整個晶片、整個晶粒或上述的一部分)以擷取檢查圖像(典型地以相對高的速度及/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擷取檢查工具檢測到的缺陷中的至少一些的查驗圖像以決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及/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案的範圍的情況下,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可以被配置為擷取取樣的晶粒的檢查圖像。檢驗工具120還可以被配置為使用一或多個參考圖像來產生指示檢查圖像上的缺陷候選分佈的缺陷圖。檢查圖像可以從不同檢驗模態產生,並且本案不受用於產生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取樣以擷取圖像的檢查工具。在一些情況下,可以處理取樣的所擷取的圖像(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,或做為獨立電腦的影像處理模組而實施),以便產生指示缺陷候選分佈
(即,取樣上的很有可能是感興趣的缺陷(DOI)的可疑位置)的缺陷圖,如將關於圖2更詳細地描述。
本文所用的術語「感興趣的缺陷(DOI)」是指要檢測的使用者感興趣的任何真實缺陷。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。
本文所用的術語「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)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取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圖塊提取模組104和圖塊修改模組106,它們可操作地彼此連接。圖塊修改模組106可以包括彼此可操作地連接的雜訊估計模組108和雜訊去除模組110。處理單元102可以被配置為:根據預限定的標準從缺陷圖選擇多個缺陷候選;及對
於多個缺陷候選之每一者,產生相應修改後的檢查圖像圖塊,從而產生對應於多個缺陷候選的多個修改後的檢查圖像圖塊。
具體地,對於多個缺陷候選中的給定缺陷候選,圖塊提取模組104可以被配置為分別從檢查圖像以及一或多個參考圖像之每一者提取在給定缺陷候選的位置周圍的圖像圖塊,從而產生包括對應於給定缺陷候選的檢查圖像圖塊和一或多個參考圖像圖塊的一組圖像圖塊。圖塊修改模組106可以被配置為修改檢查圖像圖塊以獲得修改後的檢查圖像圖塊。根據某些實施方式,可以如下執行檢查圖塊的修改:雜訊估計模組108可以被配置為使用一組圖像圖塊估計表示檢查圖像圖塊上的強度變化的雜訊,所述雜訊包括表示檢查圖像圖塊的至少一些圖元與參考圖像圖塊中的至少一些中的對應圖元之間的多項式關係的第一類型的雜訊、以及表示相對於參考圖像圖塊中的至少一些的檢查圖像圖塊上的空間異常的存在的第二類型的雜訊,並且雜訊去除模組110可以被配置為基於所估計的雜訊來從檢查圖像圖塊去除第一類型的雜訊和第二類型的雜訊中的至少一種。
根據某些實施方式,修改後的檢查圖像圖塊及/或所估計的雜訊可用於取樣的進一步檢查。作為示例,可以將修改後的檢查圖像圖塊提供給檢驗工具120及/或任何其他檢驗工具及/或處理單元102(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))以供用於相
對於一或多個參考圖像圖塊對取樣執行缺陷檢測,從而產生更新後的缺陷圖。在一些實施方式中,可以將修改後的檢查圖像圖塊發送到基於電腦的圖形化使用者介面(GUI)124以呈現結果。作為另一個示例,可以將表徵所估計的雜訊的一或多個屬性提供給檢驗工具120及/或任何其他檢驗工具及/或處理單元102以供用作表徵缺陷候選的一組屬性的一部分,其中所述組屬性可以用於執行缺陷候選聚類,如將在下面參考圖2更詳細地描述。
根據某些實施方式,系統100可以包括儲存單元122。儲存單元122可以被配置為儲存作業系統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產生的中間處理結果。作為示例,儲存單元122可以被配置為儲存由檢驗工具120產生的一或多個圖像及/或圖像的衍生物(例如,對應於圖像的缺陷圖)。因此,可以從儲存單元122檢索一或多個圖像及/或缺陷圖並所述一或多個圖像及/或缺陷圖提供給處理單元102以進行進一步處理。另外地或另選地,儲存單元122可以被配置為儲存一組圖像圖塊、所估計的雜訊(及所估計的雜訊的屬性)及/或修改後的檢查圖像圖塊,它們可以從儲存單元檢索並提供給檢驗工具120及/或任何其他檢驗工具及/或處理單元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或多個外部資料儲庫(圖1中未示出),所述外部資料儲庫被配
置為儲存由檢驗工具120及/或處理單元102產生的資料(及/或資料的衍生物)。
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,可以向使用者呈現取樣的視覺表示(例如,透過形成GUI 124的部分的顯示器),諸如針對取樣的晶粒擷取的檢查圖像及/或對應缺陷圖。可以透過GUI向使用者提供限定某些指令引數的選項。使用者還可以在GUI上查看一些處理結果,諸如像修改後的圖像圖塊及/或所估計的雜訊,以及其他操作結果。
應當注意,儘管圖1中圖示檢驗工具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的功能性可以被實現為獨立電腦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或多個中間系統從檢驗工具120接收取樣的缺陷圖,並且可以將所述缺陷圖提供給處理單元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的部件或系統100的至少一部分可以形成檢驗工具120的部分。作為一個示例,圖塊提取模組104及/或圖塊修改模組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和儲存
單元122可以分別形成檢驗工具120的處理單元和儲存裝置的部分;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。
本領域的技藝人士將容易地理解,本案的標的的教導不受圖1中所示的系統束縛;等效及/或修改的功能性可以以另一種方式合併或劃分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及/或遠端裝置上,並且可以透過通訊網路進行連結。還將注意,儘管檢驗工具120、儲存單元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被實現為在系統100的外部並可以配置為經由I/O介面126與系統100進行資料通訊。
現在參照圖2,圖示根據本案的標的的某些實施方式的取樣檢驗的概括性流程圖。
可以擷取取樣的晶粒的檢查圖像(202)(例如,透過檢驗工具120),並且可以使用一或多個參考圖像來產生指示檢查圖像上的缺陷候選分佈的缺陷圖。如前述,檢查圖像可以從不同檢驗模態產生,並且本案不受用於產生圖像的檢查和計量技術限制。在一些實施方式中,檢驗工具可以是被配置為掃描取樣以擷取檢查圖像的光學檢查工具。
可以以各種方式產生(例如,透過檢測模組及/或影像處理模組產生,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)缺陷圖。在一些實施方式中,可以透過將檢測閾值直接地應用於所擷取的檢查圖像的圖元值來產生缺陷圖。在一些其他實施方式中,還可以處理檢查圖像,以便產生缺陷圖。可以將不同檢查和檢測方法應用於處理檢查圖像並產生缺陷圖,並且本案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缺陷圖產生的幾個非限制性示例。
在一些實施方式中,對於每個檢查圖像,可以使用一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案進行限制。在一些情況下,可以從同一個取樣的一或多個晶粒(例如,檢查晶粒的相鄰晶粒)擷取一或多個參考圖像。在一些其他情況下,一或多個參考圖像可以包括從另一個取樣(例如,與目前取樣不同但共享相同設計資料的第二取樣)的一或多個晶粒擷取的一或多個圖像。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')從目前取樣擷取檢查圖像,並且一或多個參考圖像可以包括在基線時間(例如,先前時間t=0)從第二取樣上的一或多個晶粒擷取的一或多個先前圖像。在一些其他實施方式中,一或多個參考圖像可以包括表示一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)產生模擬圖像。
在一些實施方式中,可以基於檢查圖像的圖元值與從一或多個參考圖像匯出的圖元值之間的差值來產生至少一個差值圖像。任選地,還可以基於至少一個差值圖像來產生至少一個等級圖像。在一些情況下,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正規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決定預限定的差值正規化因數,並且可以將所述預限定的差值正規化因數用於正規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正規化因數之間的比率。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決定可疑缺陷的位置來產生缺陷圖。
在一些實施方式中,所產生的缺陷圖可以指示缺陷分佈,所述缺陷分佈包括透過檢測製程在缺陷圖上顯露的缺陷候選的一或多個缺陷特徵,諸如像缺陷候選的位置、強度和大小等。
可以根據預限定的標準從缺陷圖選擇多個缺陷候選(204)(例如,透過處理單元102)。作為示例,預限定的標準可以包括選擇預決定的數量的最高等級的缺陷候選(例如,根據等級圖像中的等級的排名)。作為另一個示例,預限定的標準可以包括選擇等級高於選擇閾值的缺陷候選。作為又一個示例,預限定的標準可以包括基於表徵參
考圖像中的至少一些或對應設計資料(例如,CAD)的一或多個預限定的屬性/參數來選擇缺陷候選。例如,屬性可以包括要在圖像或CAD中檢查的特定感興趣的圖案。在一些情況下,預限定的標準可以是上述標準中的一或多個的組合。
對於多個缺陷候選之每一者,可以(例如,透過處理單元102)產生相應修改後的檢查圖像圖塊(206),從而產生對應於多個缺陷候選的多個修改後的檢查圖像圖塊。具體地,對於多個缺陷候選中的給定缺陷候選,對應修改後的檢查圖像圖塊的產生可以包括下面如將參考方塊208描述的圖像圖塊提取和將如參考方塊210描述的圖像圖塊修改。
具體地,可以分別從檢查圖像以及一或多個參考圖像之每一者提取在給定缺陷候選的位置周圍的圖像圖塊(208)(例如,透過圖塊提取模組104),從而產生包括對應於給定缺陷候選的檢查圖像圖塊和一或多個參考圖像圖塊的一組圖像圖塊。
現在參照圖3,圖示根據本案的標的的某些實施方式的圖像圖塊提取的示意圖。
當前檢查圖像302由檢驗工具擷取。可以使用一或多個參考圖像306(標為參考1至參考N)對檢查圖像302執行缺陷檢測,並且可以產生指示檢查圖像302上的缺陷候選的缺陷圖(為了簡化說明,圖3中未單獨地示出)。可以根據預限定的標準從缺陷圖選擇多個缺陷候選。對於選定候
選之每一者,可以分別從檢查圖像302以及參考圖像306之每一者提取周圍圖像圖塊。作為示例,對於缺陷候選305,可以從檢查圖像302提取在缺陷候選周圍的具有方形形狀的檢查圖像圖塊304。檢查圖像圖塊304與對應一或多個參考圖塊307一起構成針對缺陷候選305產生的一組圖像圖塊。因此,對於每個選定缺陷候選(假設有M個選定候選),產生一組對應圖像圖塊308(圖3中圖示對應於M個選定候選的M組圖像圖塊)。每組圖像圖塊將提供為圖像圖塊修改製程的輸入,如將在下面參考方塊210所述。
繼續圖2的描述,可以修改檢查圖像圖塊(210)(例如,透過圖塊修改模組106)以獲得修改後的檢查圖像圖塊。具體地,可以使用一組圖像圖塊來估計表示檢查圖像圖塊上的強度變化的雜訊(例如,透過雜訊估計模組108)(212)。
強度變化可以是指在取樣的檢查圖像之間的圖元強度差值,這可以由任何類型的變化引起,包括(但不限於)製程變化和顏色變化等。製程變化可以是指由取樣的製作製程的變化導致的變化。作為示例,製造製程可能導致取樣厚度變化,從而影響反射率,進而影響所得的檢查圖像的灰階級。例如,晶粒間材料厚度變化可能造成在兩個晶粒之間的反射率不同,從而引起兩個晶粒的圖像具有不同背景灰階級。作為另一個示例,製造製程可能導致在不同檢查圖像之間的某些結構/圖案的輕微移位/縮放,這在缺陷檢測中造成雜訊。顏色變化可能是由製程變化及/或用於
檢查取樣的檢查工具導致的。作為示例,檢查工具的變化,諸如檢查工具的不同設定(例如,光學模式、檢測器等)可能導致不同檢查圖像中的灰階級差異。
因此,由於灰階級值分佈的變化,從檢查圖像和參考圖像計算出的某些缺陷屬性是不同的,如前述,從而導致檢查不穩定和檢查結果不一致。在這種情況下,DOI可能掩埋在雜訊中,從而影響檢測靈敏度。
透過有效地估計表示這種強度變化的雜訊並將所述雜訊從檢查圖像/參考圖像去除/消除,本案可以實現雜訊降低,並且由此大大地提高缺陷檢測靈敏度。
僅出於說明目的,關於檢查圖像圖塊的修改(透過檢查圖像圖塊上的雜訊估計和去除)提供了本案的某些實施方式。實施方式同樣地適用於對應參考圖像圖塊的修改(透過以類似方式在參考圖像上應用這樣的雜訊估計和去除)。
根據本案的標的的某些實施方式,表示強度變化的雜訊可以用兩種類型的雜訊模型表示:表示檢查圖像圖塊的圖元值與參考圖像圖塊中的至少一些中的對應圖元值之間的多項式關係的第一類型的雜訊,以及表示相對於參考圖像圖塊中的至少一些的在檢查圖像圖塊中的空間異常的存在的第二類型的雜訊。第一類型的雜訊一般表示圖元值從一個圖像圖塊到另一個圖像圖塊的系統性變換(如多項式關係所表示),如將在下面參考圖4和圖5更詳細地說明。這種類型的雜訊的一個示例可以是兩個圖像圖塊之間的背
景灰階級變化。第二類型的雜訊一般表示通常構成空間圖案/結構的一組圖元的圖元值的空間移位/縮放(在圖像圖塊之間),如將在下面參考圖5更詳細地說明。
現在參照圖4,圖示根據本案的標的的某些實施方式的解釋檢查圖像圖塊的圖元與參考圖像圖塊的對應圖元之間的多項式關係的示意圖。
圖4中的X軸圖示參考圖像圖塊中的圖元中的至少一些的灰階級,並且Y軸圖示當前檢查圖像圖塊中的對應圖元的灰階級。檢查圖像圖塊對應於參考圖像圖塊。多項式關係可以用n次(n=1、2、3…)的多項式函數表示。多項式函數通常可以用變數和係數表達,諸如像,其中x和y是變數,並且本文中的係數包括ak(也被稱為增益或增益因數)和b(也被稱為偏移)。圖4圖示檢查圖像圖塊和參考圖像圖塊中的圖元的灰階級之間的二次函數402(即,二次多項式)的示例。可以理解,理想地,如果在檢查圖像圖塊和參考圖像圖塊的圖元值的灰階級之間沒有差異/變化,那麼它們之間的關係應當被表示為線性表示y=x,如404中所示。在402和404之間的偏差表示圖元值的多項式移位,這可能是由製程變化及/或顏色變化引起的,如前述。
將注意,圖4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案。出於表示第一類型的雜訊目的,可以使用任何其他類型/次的多項式函數來代替上述函數。
參照圖5,圖5圖示根據本案的標的的某些實施方式的示出與參考圖像圖塊相比在檢查圖像圖塊上存在第一類型的雜訊、第二類型的雜訊、以及缺陷的示意圖。
圖5中的左圖圖示參考圖像圖塊(由502示出)的圖元值(以梯度圖案)和檢查圖像圖塊(由504示出)的對應圖元值。在兩個圖像圖塊中都有線上結構(在參考圖像圖塊中示出為506,而在檢查圖像圖塊中示出為508)。另外,在檢查圖像圖塊中,線上結構508的頂部上存在缺陷510。出於清楚地說明在對應圖元值之間的關係目的,右圖圖示在座標中的圖元值,其中X軸圖示參考圖像圖塊中的圖元值的灰階級,而Y軸圖示當前檢查圖像圖塊中的對應圖元值的灰階級,如圖4中類似地示出。從右圖可以看出,檢查圖像圖塊中的圖元值是透過以下多項式函數從參考圖像圖塊變換的:增益*梯度+偏移(如圓圈503所示)。另外,在檢查圖像圖塊中存在空間異常,即,與參考圖像圖塊相比構成檢查圖像圖塊中的線結構的圖元的空間移位(如方形505所示,方形505偏離於多項式變換503)。從左圖也可以清楚地看出,其中檢查圖像圖塊中的線結構508的圖元值相對高於參考圖像圖塊中的線結構506的圖元值(除了多項式變換所引起的差異之外)。與線上結構上空間異常共存的缺陷(如三角形507所示)表明除空間異常和多項式變換之外還存在另外偏差。
根據某些實施方式,參考方塊212的雜訊估計可以包括估計空間異常的空間大小和相對於一或多個參考圖像
圖塊之每一者的多項式關係的一或多個係數,從而產生空間大小和對應於一或多個參考圖像圖塊的係數的一或多個估計,並且參考方塊214的雜訊去除可以基於一或多個估計中的至少一些。
作為示例,在一些情況下,可以如下執行空間異常的空間大小的估計:對於一或多個參考圖像圖塊中的給定參考圖像圖塊,提供空間大小的不同估計,所述估計包括空間異常的長度、寬度和幅值,以及提供與空間異常共存的潛在缺陷的幅值的不同缺陷估計;使用空間大小的不同估計與不同缺陷估計之間的多個組合來計算多個所估計的誤差,每個所估計的誤差指示預期修改後的檢查圖像圖塊與給定參考圖像圖塊之間的殘差,其中預期修改後的檢查圖像圖塊可透過使用相應組合修改檢查圖像圖塊來獲得;及在多個所估計的誤差中提供最小所估計的誤差的多個組合中選擇一個組合,選定組合包括空間大小的選定估計。
根據某些實施方式,假設空間異常和潛在缺陷兩者都定位在圖像圖塊的中心處並具有相應分佈(如下面參照圖7更詳細地示出和描述),可以嘗試參數(例如,空間異常的長度、寬度和幅值,以及潛在缺陷的幅值)的估計的不同組合並可以計算對應所估計的誤差。作為示例,可以透過根據所估計的第一類型的雜訊和第二類型的雜訊計算預期修改後的檢查圖像圖塊來估計誤差,例如,透過從檢查圖像圖塊減去所估計的空間異常(使用所估計的長度、寬度和幅值)並執行逆多項式變換,然後從預期修改後的檢查圖像
圖塊減去參考圖像圖塊以得到可用作所估計的誤差的殘差。在一些情況下,所估計的誤差可以是殘差的平方(在這種情況下,也被稱為平方誤差)。將注意,在估計誤差時,執行所估計的空間異常的減法和逆多項式變換的次序不限制本案的範圍。例如,在一些情況下,可以首先執行逆多項式變換,並且然後執行所估計的空間異常的減法。從多個所估計的誤差中,可以辨識最小所估計的誤差,並且可以選擇估計的對應組合。選定組合包括空間大小的估計,所述估計可以被選擇為相對於給定參考圖像圖塊的檢查圖像中的空間異常的空間大小的最佳估計。
在一些實施方式中,可以將多項式關係的一或多個係數與空間異常的空間大小的估計一起進行估計。作為示例,當如前述計算所估計的誤差時,必需逆多項式變換,以便計算殘差。因此,需要多項式關係的係數(例如,增益和偏移)才能執行計算。類似地,在執行計算時,可以提供係數的不同估計,並且可以選擇對應於最小所估計的誤差的所估計的係數。
根據某些實施方式,一旦獲得空間大小和對應於一或多個參考圖像圖塊的係數的一或多個估計(即,最佳估計),就可以組合空間大小的一或多個估計以產生空間異常的複合估計。可以將複合估計與已知的缺陷模型進行比較以決定複合估計是否表示在檢查圖像圖塊上存在已知的缺陷模型。回應於決定存在已知的缺陷模型,可以基於複合估計來從檢查圖像圖塊去除第二類型的雜訊。
現在參照圖6,圖示根據本案的標的的某些實施方式的示出對應於多個參考圖像圖塊的缺陷和空間異常的多個估計的示意圖。
圖的X軸是指參考圖像圖塊編號(標為「參考ID」,在本示例中,參考ID的範圍為從1至6)。圖的Y軸分別示出缺陷幅值(標為「缺陷高度」)、空間異常的幅值(標為「異常高度」)、空間異常的長度(標為「異常長度X」)、空間異常的寬度(標為「異常長度Y」)和所估計的誤差(標為「平方誤差」)。對於每個參考圖像圖塊1至6,根據上述計算,這些圖圖示對應於最小所估計的誤差的空間大小和缺陷幅值的選定最佳估計。作為示例,對於參考圖像圖塊1,最佳估計包括在-4處的缺陷的幅值(例如,具有負幅值的缺陷可以指示所述缺陷是凹痕)、在-7處的空間異常的幅值、在2*2.5處的空間異常的大小,並且對應於最佳估計的最小所估計的誤差為200,這是六個參考中的最小所估計的誤差。作為另一個示例,對於參考圖像圖塊2,最佳估計包括在0.5處的缺陷幅值、在2處的空間異常的幅值、在0.9*0.9處的空間異常的大小,並且對應於最佳估計的最小所估計的誤差為700,這是六個參考中的最大所估計的誤差。
可以組合對應於六個參考圖像圖塊的六個最佳估計以產生複合估計。例如,空間大小的估計可以被求平均或加權平均,其中應用於每個估計的權重與所述權重對應的所估計的誤差相關,例如,所估計的誤差的倒數。可以
將複合估計與已知的缺陷模型進行比較以決定複合估計是否表示在檢查圖像圖塊上存在已知的缺陷模型。
現在參照圖7,圖示根據本案的標的的某些實施方式的已知的缺陷模型和空間異常的圖元分佈的示例圖。
如圖所示,圖702和圖704圖示已知的缺陷模型的兩個圖元分佈。示例性缺陷模型具有固定大小的點擴散函數的形狀(所述形狀是先驗的),因為它通常可以與檢查工具的細節(諸如像檢查工具的光學裝置)有關。例如,圖702圖示3圖元×3圖元(或5圖元×5圖元)的大小的示例性圖元值分佈。圖示圖元值從中心圖元到與中心圖元相鄰的圖元的逐漸變化。圖704圖示具有不同大小的類似分佈。相比之下,圖706和圖708圖示空間異常的兩個圖元分佈。示例性空間異常具有未知幅值和大小的高斯形狀。如圖所示,至少在某些維度上,空間異常相對於缺陷模型是相對更大的。作為示例,假設空間異常的複合估計具有為20的幅值和13*4的大小,而缺陷模型被設定為具有在10-100之間的幅值和3*3的大小,透過兩者之間的比較,可以決定存在空間異常,但是因估計所指示的異常大小而不是缺陷。在這種情況下,可以基於空間異常所估計的空間大小來從檢查圖像圖塊去除空間異常。
根據某些實施方式,可以組合係數的一或多個估計以產生多項式關係的複合估計。在這種情況下,可以透過基於多項式關係的複合估計來從檢查圖像圖塊去除第一類型的雜訊來執行雜訊去除。
將注意,在一些情況下,雜訊去除可以僅包括第一類型的雜訊或第二類型的雜訊的去除,而在一些其他情況下,雜訊去除可以包括這兩種類型的雜訊的去除。本案不受本案的具體實現方式限制。
一旦對對應於給定缺陷候選的檢查圖像圖塊執行雜訊估計和雜訊去除,就會產生修改後的檢查圖像圖塊。因此,對於多個缺陷候選,可以產生多個對應修改後的檢查圖像圖塊。在一些實施方式中,在雜訊估計製程期間獲得的多個修改後的檢查圖像圖塊及/或所估計的雜訊可以用於取樣的進一步檢驗。
作為示例,可以相對於一或多個參考圖像圖塊使用多個修改後的檢查圖像圖塊對取樣執行缺陷檢測,從而產生更新後的缺陷圖。考慮到已經執行先前的缺陷檢測並如上面參考方塊202之那樣產生先前的缺陷圖,更新後的缺陷檢測也可以被稱為缺陷重新檢測。作為示例,在一些情況下,可以使用修改後的檢查圖像圖塊與檢查圖像的未修改的部分一起形成更新後的檢查圖像。可以使用一或多個參考圖像對更新後的檢查圖像執行缺陷重新檢測。作為另一個示例,缺陷重新檢測製程可以從處理修改後的檢查圖像圖塊開始,以便產生更新後的差值圖像圖塊和更新後的等級圖像圖塊。然後,可以使用更新後的等級圖像圖塊與來自先前的等級圖像的未更新的部分一起形成更新後的等級圖像。可以將檢測閾值應用於更新後的等級圖像,以便產生具有新的缺陷候選的更新後的缺陷圖。
如前述,由於本案可以從檢查圖像有效地去除表示強度變化的雜訊,因此使用修改後的檢查圖像執行的缺陷重新檢測可以極大地提高缺陷檢測靈敏度,並且更多DOI可以被顯露出。
現在參照圖8,圖示根據本案的標的的某些實施方式的在缺陷重新檢測之前產生的缺陷圖和在重新檢測之後產生的對應的更新後的缺陷圖的示例。
如圖所示,圖示在應用雜訊去除和缺陷重新檢測之前基於等級圖像產生的缺陷圖802。選擇缺陷候選並用方形標記,其中806是DOI,其餘的是錯誤警報,包括錯誤警報808。可以看出,錯誤警報808(除其他外)與DOI 806相比具有非常強的信號強度,並且缺陷圖顯得非常嘈雜。因此,在一些情況下,DOI可能被掩埋在雜訊中,而相反,錯誤警報中的一些可能被檢測到。在如前述在檢查圖像中應用雜訊去除並進行缺陷重新檢測之後,產生更新後的缺陷圖804,其中錯誤警報中的一些被去除(諸如錯誤警報808),並且一些具有較弱信號強度,而DOI 806保持相同信號強度。更新後的缺陷圖804與缺陷圖802相比相對更安靜(具有更高信噪比(SNR)),由此使得更容易檢測DOI 806(即,更高檢測靈敏度)。
現在參照圖9,圖示根據本案的標的的某些實施方式的對應於圖8中的錯誤警報808的檢查圖像圖塊的示例性修改。
如圖所示,圖示對應於錯誤警報808的檢查圖像圖塊902、參考圖像圖塊904、以及基於檢查圖像圖塊902和參考圖像圖塊904產生的差值圖像圖塊906。差值圖像圖塊906圖示對應於空間結構(例如,取樣中的線結構)的可能的錯誤警報907。這可能是由於檢查圖像圖塊和參考圖像圖塊中的灰階級差異、尤其是線條結構的位置的差異而導致的。透過如前述應用雜訊估計,檢測到在檢查圖像圖塊902中的線結構的位置處存在空間異常908。在從檢查圖像圖塊去除空間異常後,獲得修改後的檢查圖像圖塊910。每次在使用修改後的檢查圖像圖塊進行缺陷重新檢測時,都會產生更新後的差值圖像圖塊912,從中可以看到已經去除如先前所出現的錯誤警報907。
根據一些實施方式,所估計的雜訊可以用作一或多個屬性,可以與表徵缺陷候選的其他屬性一起用來執行缺陷候選聚類或聚集。作為示例,所估計的雜訊的一或多個屬性可以包括空間大小和係數的一或多個估計。本文所用的缺陷聚類是指基於表徵缺陷候選的一組屬性在屬性空間中對缺陷候選(如缺陷圖所顯露)進行群組,使得同一組(集群)中的缺陷候選與其他集群中的那些相比彼此更類似。這可以用於檢測與多數群體不符的異常/異常值,它們更可能是DOI。在一些實施方式中,可以使用機器學習實現聚類。
將注意,在一些情況下,本案可以用於缺陷重新檢測(例如,使用修改後的檢查圖像圖塊),或在一些其他情況下,用於缺陷候選聚類(例如,使用所估計的雜訊)。在
一些其他情況下,可以執行缺陷重新檢測和缺陷候選聚類兩者,以便進一步改進檢測結果。作為示例,可以執行缺陷重新檢測以得到具有新的缺陷候選的更新後的缺陷圖,並且可以對新的候選執行缺陷候選聚類,由此提高檢測的準確性和靈敏度。
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那些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術語是出於描述目的,並且不應當被視為限制性的。因此,本領域的技藝人士將瞭解,本案所基於的概念可以容易地用作設計用於實施本案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取儲存媒體,所述非暫態電腦可讀取儲存媒體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。
本領域的技藝人士將容易地瞭解,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,可以對如前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:圖塊提取模組
106:圖塊修改模組
108:雜訊估計模組
110:雜訊去除模組
120:檢驗工具
122:儲存單元
124:圖形化使用者介面
126:I/O介面
Claims (20)
- 一種對一取樣進行檢驗的電腦化系統,所述系統包括: 一檢驗工具,該檢驗工具被配置為擷取該取樣的一晶粒的一檢查圖像並使用一或多個參考圖像產生指示該檢查圖像上的缺陷候選分佈的一缺陷圖;及 一處理單元,該處理單元可操作地連接到該檢驗工具,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: 根據一預限定的標準從該缺陷圖選擇多個缺陷候選;及 對於該多個缺陷候選之每一者,產生一相應修改後的檢查圖像圖塊,從而產生對應於該多個缺陷候選的多個修改後的檢查圖像圖塊,其中該產生包括對於該多個缺陷候選中的一給定缺陷候選: 分別從該檢查圖像以及該一或多個參考圖像之每一者提取在該給定缺陷候選的一位置周圍的一圖像圖塊,從而產生包括對應於該給定缺陷候選的一檢查圖像圖塊和一或多個參考圖像圖塊的一組圖像圖塊;及 修改該檢查圖像圖塊以獲得一修改後的檢查圖像圖塊,包括:使用該圖像圖塊組估計表示該檢查圖像圖塊上的強度變化的雜訊,該雜訊包括表示該檢查圖像圖塊的圖元值與該等參考圖像圖塊中的至少一些中的對應圖元值之間的一多項式關係的一第一類型的雜訊、以及表示相對於該等參考圖像圖塊中的至少一些的該檢查圖像圖塊中的一空間異常的存在的一第二類型的雜訊;及基於所估計的該雜訊來從該檢查圖像圖塊去除該第一類型的雜訊和該第二類型的雜訊中的至少一種; 其中該等修改後的檢查圖像圖塊及/或該所估計的雜訊可用於該取樣的進一步檢驗。
- 根據請求項1之電腦化系統,其中該處理單元還被配置為相對於該一或多個參考圖像圖塊使用該多個修改後的檢查圖像圖塊對該取樣執行缺陷檢測,從而產生一更新後的缺陷圖。
- 根據請求項1之電腦化系統,其中該處理單元還被配置為使用表徵該缺陷候選的一組屬性執行缺陷候選聚類,該屬性組包括所估計的該雜訊的至少一或多個屬性。
- 根據請求項1之電腦化系統,其中該估計包括:估計該空間異常的空間大小和相對於該一或多個參考圖像圖塊之每一者的該多項式關係的一或多個係數,從而產生該空間大小和對應於該一或多個參考圖像圖塊的該等係數的一或多個估計;及基於該一或多個估計中的至少一些執行該去除。
- 根據請求項4之電腦化系統,其中該估計還包括:組合該空間大小的該一或多個估計以產生該空間異常的一複合估計;將該複合估計與一已知的缺陷模型進行比較以決定該複合估計是否表示在該檢查圖像圖塊上存在該已知的缺陷模型,並且其中該去除包括回應於決定存在該已知的缺陷模型,基於該複合估計來從該檢查圖像圖塊去除該第二類型的雜訊。
- 根據請求項4之電腦化系統,其中該估計還包括組合該等係數的該一或多個估計以產生該多項式關係的一複合估計,並且其中該去除包括基於該複合估計來從該檢查圖像圖塊去除該第一類型的雜訊。
- 根據請求項5之電腦化系統,其中該估計還包括組合該等係數的該一或多個估計以產生該多項式關係的一複合估計,並且其中該去除還包括基於該多項式關係的該複合估計來從該檢查圖像圖塊去除該第一類型的雜訊。
- 根據請求項4之電腦化系統,其中對於該一或多個參考圖像圖塊中的一給定參考圖像圖塊,該估計空間大小包括: 提供該空間大小的不同估計,每個估計包括該空間異常的長度、寬度和幅值,以及提供與該空間異常共存的一潛在缺陷的幅值的不同缺陷估計; 使用該空間大小的該不同估計與該不同缺陷估計之間的多個組合來計算多個所估計的誤差,每個所估計的誤差指示一預期修改後的檢查圖像圖塊與該給定參考圖像圖塊之間的一殘差,其中該預期修改後的檢查圖像圖塊可透過使用一相應組合修改該檢查圖像圖塊來獲得;及 在該多個所估計的誤差中提供一最小所估計的誤差的多個組合中選擇一個組合,其中該選定組合包括該空間大小的一選定估計。
- 根據請求項4之電腦化系統,其中該一或多個係數包括該多項式關係的增益和偏移。
- 根據請求項3之電腦化系統,其中該所估計的雜訊的該一或多個屬性包括該空間大小和該係數的一或多個估計。
- 根據請求項1之電腦化系統,其中該檢驗工具是一光學檢查工具。
- 一種對一取樣進行檢驗的電腦化方法,該方法包括: 由一檢驗工具擷取該取樣的一晶粒的一檢查圖像並使用一或多個參考圖像產生指示該檢查圖像上的缺陷候選分佈的一缺陷圖; 由可操作地連接到該檢驗工具的一處理單元根據一預限定的標準從該缺陷圖選擇多個缺陷候選;及 由該處理單元對於該多個缺陷候選之每一者,產生一相應修改後的檢查圖像圖塊,從而產生對應於該多個缺陷候選的多個修改後的檢查圖像圖塊,其中該產生包括對於該多個缺陷候選中的一給定缺陷候選: 分別從該檢查圖像以及該一或多個參考圖像之每一者提取在該給定缺陷候選的一位置周圍的一圖像圖塊,從而產生包括對應於該給定缺陷候選的一檢查圖像圖塊和一或多個參考圖像圖塊的一組圖像圖塊;及 修改該檢查圖像圖塊以獲得一修改後的檢查圖像圖塊,包括:使用該圖像圖塊組估計表示該檢查圖像圖塊上的強度變化的雜訊,該雜訊包括表示該檢查圖像圖塊的圖元值與該等參考圖像圖塊中的至少一些中的對應圖元值之間的一多項式關係的一第一類型的雜訊、以及表示相對於該等參考圖像圖塊中的至少一些的該檢查圖像圖塊中的一空間異常的存在的一第二類型的雜訊;及基於所估計的該雜訊來從該檢查圖像圖塊去除該第一類型的雜訊和該第二類型的雜訊中的至少一種; 其中該等修改後的檢查圖像圖塊及/或所估計的該雜訊可用於該取樣的進一步檢驗。
- 根據請求項12之電腦化方法,該電腦化方法還包括相對於該一或多個參考圖像圖塊使用該多個修改後的檢查圖像圖塊對該取樣執行缺陷檢測,從而產生一更新後的缺陷圖。
- 根據請求項12之電腦化方法,該電腦化方法還包括使用表徵該等缺陷候選的一組屬性執行缺陷候選聚類,該屬性組包括所估計的該雜訊的至少一或多個屬性。
- 根據請求項12之電腦化方法,其中該估計包括:估計該空間異常的空間大小和相對於該一或多個參考圖像圖塊之每一者的該多項式關係的一或多個係數,從而產生該空間大小和對應於該一或多個參考圖像圖塊的該等係數的一或多個估計;及基於該一或多個估計中的至少一些執行該去除。
- 根據請求項15之電腦化方法,其中該估計還包括:組合該空間大小的該一或多個估計以產生該空間異常的一複合估計;將該複合估計與一已知的缺陷模型進行比較以決定該複合估計是否表示在該檢查圖像圖塊上存在該已知的缺陷模型,並且其中該去除包括回應於決定存在該已知的缺陷模型,基於該複合估計來從該檢查圖像圖塊去除該第二類型的雜訊。
- 根據請求項15之電腦化方法,其中該估計還包括組合該等係數的該一或多個估計以產生該多項式關係的一複合估計,並且其中該去除包括基於該複合估計來從該檢查圖像圖塊去除該第一類型的雜訊。
- 根據請求項16之電腦化方法,其中該估計還包括組合該等係數的該一或多個估計以產生該多項式關係的一複合估計,並且其中該去除還包括基於該多項式關係的該複合估計來從該檢查圖像圖塊去除該第一類型的雜訊。
- 根據請求項15之電腦化方法,其中對於該一或多個參考圖像圖塊中的一給定參考圖像圖塊,該估計空間大小包括: 提供該空間大小的不同估計,每個估計包括該空間異常的長度、寬度和幅值,以及提供與該空間異常共存的一潛在缺陷的幅值的不同缺陷估計; 使用該空間大小的該不同估計與該不同缺陷估計之間的多個組合來計算多個所估計的誤差,每個所估計的誤差指示一預期修改後的檢查圖像圖塊與該給定參考圖像圖塊之間的一殘差,其中該預期修改後的檢查圖像圖塊可透過使用一相應組合修改該檢查圖像圖塊來獲得;及 在該多個所估計的誤差中提供一最小所估計的誤差的多個組合中選擇一個組合,其中該選定組合包括該空間大小的一選定估計。
- 一種非暫態電腦可讀取儲存媒體,該非暫態電腦可讀取儲存媒體有形地體現當由一電腦執行時致使該電腦對一取樣執行檢驗的方法的一指令程式,該方法包括: 獲得該取樣的一晶粒的一檢查圖像並使用一或多個參考圖像產生指示該檢查圖像上的缺陷候選分佈的一缺陷圖; 根據一預限定的標準從該缺陷圖選擇多個缺陷候選;及 對於該多個缺陷候選之每一者,產生一相應修改後的檢查圖像圖塊,從而產生對應於該多個缺陷候選的多個修改後的檢查圖像圖塊,其中該產生包括對於該多個缺陷候選中的一給定缺陷候選: 分別從該檢查圖像以及該一或多個參考圖像之每一者提取在該給定缺陷候選的一位置周圍的一圖像圖塊,從而產生包括對應於該給定缺陷候選的一檢查圖像圖塊和一或多個參考圖像圖塊的一組圖像圖塊;及 修改該檢查圖像圖塊以獲得一修改後的檢查圖像圖塊,包括:使用該圖像圖塊組估計表示該檢查圖像圖塊上的強度變化的雜訊,該雜訊包括表示該檢查圖像圖塊的圖元值與該等參考圖像圖塊中的至少一些中的對應圖元值之間的一多項式關係的一第一類型的雜訊、以及表示相對於該等參考圖像圖塊中的至少一些的該檢查圖像圖塊中的一空間異常的存在的一第二類型的雜訊;及基於所估計的該雜訊來從該檢查圖像圖塊去除該第一類型的雜訊和該第二類型的雜訊中的至少一種; 其中該修改後的檢查圖像圖塊及/或所估計的該雜訊可用於該取樣的進一步檢驗。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/250,832 US10957034B2 (en) | 2019-01-17 | 2019-01-17 | Method of examination of a specimen and system thereof |
US16/250,832 | 2019-01-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202036475A TW202036475A (zh) | 2020-10-01 |
TWI798516B true TWI798516B (zh) | 2023-04-11 |
Family
ID=71609074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108148498A TWI798516B (zh) | 2019-01-17 | 2019-12-31 | 取樣檢驗的方法及其系統與非暫態電腦可讀取儲存媒體 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10957034B2 (zh) |
JP (1) | JP7402061B2 (zh) |
KR (1) | KR20200090117A (zh) |
CN (1) | CN111443094A (zh) |
TW (1) | TWI798516B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US11493453B2 (en) * | 2019-06-28 | 2022-11-08 | Kyocera Document Solutions Inc. | Belt inspection system, belt inspection method, and recording medium for belt inspection program |
US11379972B2 (en) | 2020-06-03 | 2022-07-05 | Applied Materials Israel Ltd. | Detecting defects in semiconductor specimens using weak labeling |
US11307150B2 (en) * | 2020-08-17 | 2022-04-19 | Applied Materials Israel Ltd. | Automatic optimization of an examination recipe |
US11828714B2 (en) * | 2020-09-30 | 2023-11-28 | Applied Materials Israel Ltd. | Image acquisition by an electron beam examination tool for metrology measurement |
US11854184B2 (en) * | 2021-01-14 | 2023-12-26 | Applied Materials Israel Ltd. | Determination of defects and/or edge roughness in a specimen based on a reference image |
US20220301133A1 (en) * | 2021-03-16 | 2022-09-22 | Kla Corporation | Segmentation of design care areas with a rendered design image |
US20230306580A1 (en) * | 2022-03-28 | 2023-09-28 | Applied Materials Israel Ltd. | Machine learning based examination of a semiconductor specimen and training thereof |
EP4376049A1 (en) * | 2022-11-28 | 2024-05-29 | ASML Netherlands B.V. | Charged particle assessment method and system |
CN115791101B (zh) * | 2023-02-03 | 2023-05-09 | 海的电子科技(苏州)有限公司 | 显示屏盲测检测方法、点屏设备和存储介质 |
US20240281953A1 (en) * | 2023-02-17 | 2024-08-22 | Onto Innovation Inc. | Adaptive spatial pattern recognition for defect detection |
CN116993718B (zh) * | 2023-09-25 | 2023-12-22 | 深圳市东陆科技有限公司 | 基于机器视觉的tft阵列基板缺陷检测方法 |
CN118365639B (zh) * | 2024-06-18 | 2024-08-30 | 深圳市家鸿口腔医疗股份有限公司 | 一种义齿缺陷修复识别处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070133860A1 (en) * | 2005-12-14 | 2007-06-14 | Lin Jason Z | Methods and systems for binning defects detected on a specimen |
US20070288219A1 (en) * | 2005-11-18 | 2007-12-13 | Khurram Zafar | Methods and systems for utilizing design data in combination with inspection data |
US7558419B1 (en) * | 2003-08-14 | 2009-07-07 | Brion Technologies, Inc. | System and method for detecting integrated circuit pattern defects |
TW201706959A (zh) * | 2015-03-31 | 2017-02-16 | 克萊譚克公司 | 在圖案化晶圓上缺陷之子像素及子解析度局部化 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3092892B2 (ja) * | 1993-12-27 | 2000-09-25 | シャープ株式会社 | 半導体チップの外観検査方法および装置 |
US7294817B2 (en) * | 2004-05-06 | 2007-11-13 | Siemens Power Generation, Inc. | System and methods for determining nonuniformity correction parameters in detector-array imaging |
US7813541B2 (en) * | 2005-02-28 | 2010-10-12 | Applied Materials South East Asia Pte. Ltd. | Method and apparatus for detecting defects in wafers |
US7877722B2 (en) * | 2006-12-19 | 2011-01-25 | Kla-Tencor Corp. | Systems and methods for creating inspection recipes |
US8199248B2 (en) * | 2009-01-30 | 2012-06-12 | Sony Corporation | Two-dimensional polynomial model for depth estimation based on two-picture matching |
JP6009956B2 (ja) | 2013-01-31 | 2016-10-19 | 株式会社日立ハイテクノロジーズ | 欠陥検査装置および欠陥検査方法 |
US10186028B2 (en) | 2015-12-09 | 2019-01-22 | Kla-Tencor Corporation | Defect signal to noise enhancement by reducing die to die process noise |
KR102103853B1 (ko) | 2016-09-27 | 2020-04-24 | 주식회사 히타치하이테크 | 결함 검사 장치 및 결함 검사 방법 |
US10395358B2 (en) * | 2016-11-10 | 2019-08-27 | Kla-Tencor Corp. | High sensitivity repeater defect detection |
US10395362B2 (en) * | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
US10853932B2 (en) * | 2019-01-16 | 2020-12-01 | Applied Material Israel, Ltd. | Method of defect detection on a specimen and system thereof |
-
2019
- 2019-01-17 US US16/250,832 patent/US10957034B2/en active Active
- 2019-12-30 CN CN201911402710.6A patent/CN111443094A/zh active Pending
- 2019-12-31 TW TW108148498A patent/TWI798516B/zh active
-
2020
- 2020-01-15 KR KR1020200005369A patent/KR20200090117A/ko active Search and Examination
- 2020-01-17 JP JP2020005707A patent/JP7402061B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558419B1 (en) * | 2003-08-14 | 2009-07-07 | Brion Technologies, Inc. | System and method for detecting integrated circuit pattern defects |
US20070288219A1 (en) * | 2005-11-18 | 2007-12-13 | Khurram Zafar | Methods and systems for utilizing design data in combination with inspection data |
US20070133860A1 (en) * | 2005-12-14 | 2007-06-14 | Lin Jason Z | Methods and systems for binning defects detected on a specimen |
TW201706959A (zh) * | 2015-03-31 | 2017-02-16 | 克萊譚克公司 | 在圖案化晶圓上缺陷之子像素及子解析度局部化 |
Also Published As
Publication number | Publication date |
---|---|
KR20200090117A (ko) | 2020-07-28 |
JP7402061B2 (ja) | 2023-12-20 |
CN111443094A (zh) | 2020-07-24 |
US10957034B2 (en) | 2021-03-23 |
TW202036475A (zh) | 2020-10-01 |
JP2020115131A (ja) | 2020-07-30 |
US20200234417A1 (en) | 2020-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
TWI750553B (zh) | 對樣本的缺陷檢測的方法及其系統 | |
JP6204336B2 (ja) | ウェーハ用検査工程を生成するための方法及びシステム | |
JP6629934B2 (ja) | 試験方策を生成する方法およびそのシステム | |
US10460434B2 (en) | Method of defect detection and system thereof | |
KR20150140349A (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
KR20220014805A (ko) | 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성 | |
TW201351305A (zh) | 使用以cad為基礎之環境背景屬性之缺陷分類 | |
KR20220022091A (ko) | 검사 레시피의 자동 최적화 | |
CN114219749B (zh) | 样本的模拟图像的确定 | |
CN114930260A (zh) | 确定检验样品的缺陷位置 | |
CN113919276B (zh) | 检验半导体样本的系统、方法及非暂时性计算机可读介质 | |
CN116823711A (zh) | 基于机器学习的半导体样品的检查及其训练 | |
JP7475901B2 (ja) | 試験片上の欠陥検出の方法およびそのシステム | |
JP2001281178A (ja) | 欠陥検出方法、半導体装置の製造方法および欠陥検出装置 | |
JP7530330B2 (ja) | 半導体試料の画像のセグメンテーション | |
US11443420B2 (en) | Generating a metrology recipe usable for examination of a semiconductor specimen | |
TW202312305A (zh) | 半導體取樣中的局部形狀偏差 | |
KR20240130647A (ko) | 프로세스 모니터링을 위한 기계 학습 기반 검사 |