TWI805868B - 使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化 - Google Patents

使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化 Download PDF

Info

Publication number
TWI805868B
TWI805868B TW108141684A TW108141684A TWI805868B TW I805868 B TWI805868 B TW I805868B TW 108141684 A TW108141684 A TW 108141684A TW 108141684 A TW108141684 A TW 108141684A TW I805868 B TWI805868 B TW I805868B
Authority
TW
Taiwan
Prior art keywords
image
processor
defects
pixels
wafer
Prior art date
Application number
TW108141684A
Other languages
English (en)
Other versions
TW202033954A (zh
Inventor
哈利 帕薩吉
席娃布拉撒什 米那什桑多藍
塔納伊 班薩爾
Original Assignee
美商科磊股份有限公司
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 美商科磊股份有限公司 filed Critical 美商科磊股份有限公司
Publication of TW202033954A publication Critical patent/TW202033954A/zh
Application granted granted Critical
Publication of TWI805868B publication Critical patent/TWI805868B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • 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
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/244—Detection characterized by the detecting means
    • H01J2237/2448—Secondary particle detectors
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2803—Scanning microscopes characterised by the imaging method
    • H01J2237/2806—Secondary charged particle
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2809—Scanning microscopes characterised by the imaging problems involved
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Transforming Light Signals Into Electric Signals (AREA)

Abstract

一影像中之可能缺陷之一熱圖可表示為對應於各像素之缺陷概率指數之一矩陣。該影像可自從一掃描電子顯微鏡或其他檢測工具之一偵測器接收之資料產生。可量化該影像中之超過該矩陣中之一對應臨限值之像素之一數目。

Description

使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化
本發明係關於缺陷偵測及分類。
半導體製造行業之演變對良率管理且特定言之對度量及檢測系統寄予更高要求。臨界尺寸繼續縮小，然而行業需要減少達成高良率、高價值生產之時間。最小化從偵測一良率問題至將其修復之總時間判定對於半導體製造者之投資回報。
製造半導體裝置(諸如邏輯及記憶體裝置)通常包含使用大量製程處理一半導體晶圓以形成該等半導體裝置之各種特徵及多個層級。例如，微影係涉及將一圖案自一倍縮光罩轉印至配置於一半導體晶圓上之一光阻劑之一半導體製程。半導體製程之額外實例包含(但不限於)化學機械拋光(CMP)、蝕刻、沈積及離子植入。多個半導體裝置可製造為一單個半導體晶圓上之一配置且接著分成個別半導體裝置。
在半導體製造期間之各個步驟使用檢測程序以偵測晶圓上之缺陷以促進製程中之較高良率且因此較高收益。檢測始終係製造半導體裝置(諸如積體電路(IC))之一重要部分。然而，隨著半導體裝置之尺寸減小，檢測對於可接受半導體裝置之成功製造變得更加重要，此係因為較小缺陷可引起該等裝置故障。例如，隨著半導體裝置之尺寸減小，偵測減小尺寸之缺陷已變得必要，此係因為甚至相對較小缺陷亦可在半導體裝置中引起非所要像差。
然而，隨著設計規則縮小，半導體製程可能更接近對程序之效能能力之限制而操作。另外，在設計規則縮小時，較小缺陷可對裝置之電參數具有影響，此驅動更敏感檢測。隨著設計規則縮小，藉由檢測偵測到之潛在良率相關缺陷群急劇增加，且藉由檢測偵測之擾亂點(nuisance)缺陷群亦急劇增加。因此，可在晶圓上偵測到更多缺陷，且校正程序以消除所有缺陷可能係困難且昂貴的。判定哪些缺陷實際上對裝置之電參數及良率具有影響可容許程序控制方法集中於該等缺陷而大體上忽略其他缺陷。此外，在較小設計規則下，在一些情況中，程序引發之故障傾向於係系統性的。即，程序引發之故障傾向於在設計內常常重複多次之預定設計型樣下故障。消除空間系統的、電相關之缺陷可能會影響良率。
缺陷檢視通常涉及使用一高倍率光學系統或一掃描電子顯微鏡(SEM)對藉由一檢測程序標記之缺陷進行高解析度成像及分類。缺陷檢視通常在樣品上之其中已藉由檢測偵測到缺陷之離散位置處執行。用於藉由缺陷檢視產生之缺陷之較高解析度資料更適於判定該等缺陷之屬性(諸如輪廓、粗糙度或更準確尺寸資訊)。
在製造期間對一半導體晶圓之光學檢測通常係一緩慢、手動程序。半導體製造廠(晶圓廠)之缺陷團隊通常使用光學工具用於晶圓檢測，但通常對缺陷執行SEM檢視以進行驗證。因此，對於在一光學檢測工具上檢測之每一層，接著在一SEM工具上檢視一經取樣之缺陷群。手動分類該等經檢視缺陷既繁瑣又耗時。晶圓廠使用自動偵測及分類方案以節省缺陷分類中所涉及之時間及精力。然而，自動偵測及分類方案具有限制且不能代替人工分類。除了需要大運算能力之外，自動偵測及分類方案亦易於出現擾亂點或多個不重要缺陷之例項。用於一半導體層之一最佳檢測配方應偵測儘可能多的所關注缺陷(DOI)，同時維持一實質上低擾亂點率。
先前，缺陷之像素位準量化使用邊緣偵測及運算或基於灰階差之演算法。此等技術對於程序變動引發之所關注結構之變化不靈活。已知由成像假影所引起之灰階變化引發運算中之誤差源。在看起來相似之預期缺陷模式與程序引發之隨機缺陷模式之間進行區分可能具有挑戰性或甚至不可能的。
因此，需要用於缺陷偵測及分類之經改良技術及系統。
在一第一實施例中提供一種系統。該系統包括：一電子束源，其產生一電子束；一載物台，其經組態以將一晶圓固持於該電子束之一路徑中；一偵測器，其經組態以接收自該晶圓返回之該電子束；及一處理器，其與該偵測器電子通信。該處理器經組態以：將一影像中之可能缺陷之一熱圖表示為對應於各像素之缺陷概率指數之一矩陣；及量化該影像中之超過該矩陣中之一對應臨限值之像素之一數目。該影像係自從該偵測器接收之資料產生。
該系統可進一步包含藉由該處理器操作之一深度學習模組。該深度學習模組可經組態以：接收該影像；對該影像執行缺陷偵測；及對該影像執行缺陷分類。
在一例項中，該處理器進一步經組態以判定該熱圖。
用於該等像素之一者之該對應臨限值可處於在該影像上之與該等像素之該一者相同之一位置處。
該量化可用於像素位準影像量化中。
該等可能缺陷可為EUV隨機缺陷或臨界尺寸缺陷。
該影像可為一掃描電子顯微鏡影像。
在一第二實施例中提供一種方法。該方法包括：使用一處理器將一影像中之可能缺陷之一熱圖表示為對應於各像素之缺陷概率指數之一矩陣；及使用該處理器量化該影像中之超過該矩陣中之一對應臨限值之像素之一數目。該影像係自從一偵測器接收之資料產生。
該方法可進一步包含：在該處理器處接收該影像；使用該處理器之一深度學習模組對該影像執行缺陷偵測；及使用該處理器之該深度學習模組對該影像執行缺陷分類。
在一例項中，該方法進一步包含使用該處理器判定該熱圖。
用於該等像素之一者之該對應臨限值可處於在該影像上之與該等像素之該一者相同之一位置處。
該量化可用於像素位準影像量化中。
該等可能缺陷可為EUV隨機缺陷或臨界尺寸缺陷。
該影像可為一掃描電子顯微鏡影像。
在一例項中，該方法進一步包括：將一電子束引導於該晶圓處；使用一偵測器收集自該晶圓返回之電子；及使用該處理器產生該晶圓之該影像。
一種儲存一程式之非暫時性電腦可讀媒體可經組態以指示一處理器執行第二實施例之方法。
相關申請案之交叉參考 本申請案主張2018年11月15日申請且指定為申請案第201841042919號之印度專利申請案之優先權，該案之揭示內容以引用的方式併入本文。
儘管將依據某些實施例描述所主張之標的物，然包含未提供本文中所闡述之所有益處及特徵之實施例之其他實施例亦在本發明之範疇內。可在不脫離本發明之範疇之情況下作出各種結構、邏輯、程序步驟及電子變化。因此，本發明之範疇僅參考隨附發明申請專利範圍予以定義。
本文中所揭示之實施例使用以深度學習為基礎之缺陷偵測及/或分類網路用於像素位準影像量化。例如，深度學習可用於SEM影像之像素位準量化。此可用於如極紫外線(EUV)隨機缺陷率量化或臨界尺寸(CD)量測/比較之應用。本文中所揭示之實施例可整合於用於檢視工具或檢測工具之現有缺陷偵測或分類方案中。
以深度學習為基礎之缺陷偵測及分類演算法可提供像素位準SEM影像量化。半導體製造商可能需要影像之一像素位準量化。例如，當藉由量化一結構之兩個邊緣或邊角之間的像素數目來量測該結構之一特定幾何參數(如圖案寬度、間隙、距離或直徑)時，像素位準量化可結合臨界尺寸量測一起使用。像素位準量化亦可結合EUV隨機缺陷一起使用。一EUV隨機缺陷應用之一目標係量化一給定SEM影像中之引起特定缺陷模式之有缺陷像素之數目。此等有缺陷像素既非堅固的重複缺陷，其等亦非完全隨機的(如程序缺陷)。對於此等應用及其他應用，可能需要以一像素位準準確度量化影像(例如，SEM影像)以提供所要結果。可能需要像素位準準確度，此係因為對失效像素及良好像素之數目進行計數。例如，隨機缺陷可由圖案化程序中之分子級不準確性所引起，此導致晶圓上之像素或甚至子像素位準故障。以深度學習為基礎之缺陷偵測及分類演算法可以一像素位準準確度提供SEM影像之量化。
本文中所揭示之實施例使用以深度學習為基礎之缺陷偵測及分類(如來自KLA-Tencor公司之SMARTS)用於像素量化。此係藉由以一適當方式訓練一特定影像集，使得深度學習演算法僅標記DOI而不標記隨機程序引發之缺陷(即使其等在結構或形態上類似於DOI)來實現。
可量化來自以深度學習為基礎之缺陷偵測及分類之結果。圖1係一方法100之一實施例之一流程圖。
在101，將一影像(諸如一SEM影像)中之可能缺陷之一熱圖表示為對應於各像素之缺陷概率指數之一矩陣。該等可能缺陷可為EUV隨機缺陷、臨界尺寸缺陷、橋接缺陷、斷路、突部、缺少觸點、合併觸點、收縮觸點或其他類型之缺陷。影像係自從一偵測器(諸如一SEM中之一偵測器)接收之資料產生。
影像可為一灰階影像或可為一黑白影像。矩陣可為零及一。零可對應於缺陷。在灰階影像之情況下，差異可經人為引發(例如，假影)或程序變動。此等差異可能並非缺陷。
在102，量化影像中之超過矩陣中之一對應臨限值之像素之一數目。用於像素之一者之該對應臨限值可處於在影像上之與該像素相同之一位置處。因此，各像素可具有一臨限值，一影像之部分可具有一臨限值，或一整個影像可具有一臨限值。步驟102可量化在一影像或一影像之部分中失效之像素之一數目。該量化可表達為總像素之一數目或總像素之一百分比。在此例項中小於一臨限值之像素被視為無缺陷的而等於或大於該臨限值之像素被視為有缺陷的，但等於或小於臨限值之像素在另一例項中可被視為有缺陷的。
可使用偵測臨限參數將一擾亂點率調諧至所需位準。因此，可取決於應用或所要敏感度調諧臨限值。
量化像素可使用或包含像素位準影像量化。
步驟101及102可在缺陷偵測及缺陷分類期間即時執行。步驟101及102可在一處理器上執行。方法100可儲存於一非暫時性電腦可讀媒體(諸如圖14中之電子資料儲存單元209)上。
在一例項中，在處理器處接收影像。使用處理器之一深度學習模組對影像執行缺陷偵測及缺陷分類。可藉由處理器產生熱圖。該深度學習模組可用(例如)具有缺陷碼之例示性影像訓練。在一例項中，接觸孔影像係用於訓練深度學習模組。相對於接觸孔之一理想尺寸之接觸孔尺寸可用於識別缺陷。
缺陷偵測及分類可提供一定量輸出。該定量輸出可用於量化。非定量輸出可能更難用於量化計算。
以深度學習為基礎之像素量化可能對真實DOI敏感，而成功地忽略隨機程序引發之變動。本文中所揭示之實施例在來自一訓練集之臨界尺寸預測中可準確低至+/- 2%準確度，此遠低於現有技術中之誤差預算。在使用本文中所揭示之實施例之一例項中，超出預期或隨機程序引發之臨界尺寸調變之臨界尺寸預測中低至+/- 1%準確度之敏感度係可能的。
本文中所揭示之實施例可整合於現有偵測平台或分類平台中且可使用現有參數空間用於最佳化。
在一實例中，使用在顯影檢測(ADI)步驟之後(微影後)之EUV接觸孔(CH)陣列之一測試層。然而，本文中所揭示之技術對於任何非ADI步驟可為有效的。測試集使用具有一0.5 μm視場之一SEM影像。該SEM影像可具有100個接觸孔(如圖2中所展示之接觸孔)或可具有其他數目個接觸孔。
在尺寸上小於各自視場之平均臨界尺寸達10%以上之接觸孔針對此實例被視為有缺陷的。然而，可基於製造要求應用任何限制。
以深度學習為基礎之缺陷偵測演算法經訓練且用於識別一驗證影像集中之比一特定影像中之其餘接觸孔小達一特定百分比之接觸孔。若深度學習方法可識別有缺陷的接觸孔，則其可用於量化一影像中之有缺陷像素之數目。像素位準量化具有許多應用，包含量化EUV隨機缺陷故障率。EUV隨機缺陷故障可藉由遍及較小尺度區域之結構之臨界尺寸變動或藉由具有影像中之缺少結構(例如，像素)來展現其等自身。
藉由EUV微影曝光之接觸孔陣列之一焦點曝光矩陣(FEM)晶圓可用作此實例之一測試材料。可針對該晶圓上之每個晶粒產生一個SEM影像(0.5 μm視場)。各SEM影像可在其中具有100個接觸孔。
一旦產生熱圖，便可將此熱圖轉換成表示各像素有缺陷之概率(例如，在0至100之標度上)之概率指數之一矩陣。取決於所應用之臨限值，具有高於一特定指數之概率指數之像素被視為有缺陷的。一給定SEM影像或光學貼片影像(optical patch)中之此等像素之總數被給出為失效像素之總數。此可針對影像中之像素總數進行正規化且作為資料中之隨機缺陷故障率呈現。
可藉由(例如)考慮具有變化之平均臨界尺寸(例如，直徑)之影像來進一步最佳化一訓練集以進一步減少擾亂點。D2DB啟用之訓練(諸如以設計片段作為參考)亦可導致針對像素位準量化之擾亂點減少。D2DB係其中半導體或裝置設計用作參考之一缺陷偵測技術。比較一SEM影像或一光學貼片影像與特定位置之設計片段且將影像中相對於設計之任何異常標記為(若干)有缺陷像素。
深度學習演算法可能對小臨界尺寸變化敏感，因此其可用於評估跨一結構之局部臨界尺寸變動。除了提供量化缺陷之一方式之外，亦可實施判定量化以改良用於像素位準缺陷偵測之演算法之效能。
圖3至圖13繪示使用偵測臨限參數將一擾亂點率調諧至所需位準。取決於一群接觸孔之平均CD，臨限值(Thr)係不同的以提供最佳偵測結果。
圖3包含具有兩個底部橋接缺陷(左)、一習知演算法之結果(中心)及一SMARTS演算法之結果(右)之一例示性SEM影像。與習知演算法相比，SMARTS深度學習引擎可更佳地偵測及分類SEM影像中之缺陷。圖3中之習知演算法具有高雜訊。
圖4係來自各晶粒之一SEM影像中之100個接觸孔之平均直徑(例如，臨界尺寸)的一例示性晶圓熱圖。EUV隨機缺陷係在此實例中存在。EUV隨機缺陷可為用於大批量製造中之EUV之一控制因素。在此實例中，EUV微影(13.5 nm光)可為一縮放啟用器(＜ 7 nm節點)。隨機缺陷可為隨機(例如，局部及/或全域)結構變動。根本原因可為材料、掃描器參數或結構相依性。
在圖4之熱圖中之粗黑邊界中之三個晶粒(16.7、17.2及17.2之平均直徑)之一SEM影像中，小於來自對應影像之100個接觸孔之平均臨界尺寸之10%之所有個別接觸孔係用於訓練深度學習模型以被識別為有缺陷的。使用此深度學習模型，來自用一粗邊框標記之三個個別晶粒(15.7、17.1及19.4之平均直徑)之SEM影像係用作驗證影像以評估深度學習模型識別有缺陷接觸孔之效能。
在圖5至圖8中，右下影像展示接觸孔矩陣之一1x1 μm  SEM影像。此係具有100個觸點之一10x10矩陣。圖5至圖8中之左上影像展示個別接觸孔之直徑與1x1 μm SEM視場之平均直徑之一百分比偏差。圖5至圖8中之右上影像展示一個二進位影像，該二進位影像展示在定限之後被視為有缺陷之像素。在收縮接觸孔(若存在)上缺少之像素將使此等觸點之直徑類似於SEM視場之平均直徑。此係用於計算失效之像素之數目。圖5至圖8中之左下影像展示小於SEM視場之平均直徑達10%以上之接觸孔(其等用a -1標記)。與SEM視場之平均值相比，標記為0之觸點並未收縮達10%以上。圖5對應於圖4之具有粗框及值16.7之區域。圖6對應於圖4之具有粗框及值19.4之區域。圖7對應於圖4之具有粗框及值15.7之區域。圖8對應於圖4之具有粗框及值17.1之區域。
在圖5至圖8中，標記A至F表示以下項。A表示一真實缺陷擷取(CH收縮＞ 10%)。B表示一可接受擾亂點(CH收縮= 8%至10%)。C表示一總擾亂點(CH收縮＜＜ 10%)。D表示一可接受缺少(CH收縮= 8%至10%)。E表示未注釋之一缺陷類型。F表示一總缺少(CH收縮＞＞ 10%)。此等標記亦在圖13中展示。
圖9係圖5之SEM影像中之接觸孔之臨界尺寸直徑的一圖表。圖10係圖6之SEM影像中之接觸孔之臨界尺寸直徑的一圖表。圖11係圖7之SEM影像中之接觸孔之臨界尺寸直徑的一圖表。圖12係圖8之SEM影像中之接觸孔之臨界尺寸直徑的一圖表。
在圖5中，SFR係4.7x10-3 / Thr = 60。在圖6中，SFR係7.6x10-4 / Thr = 50。在圖7中，SFR係8.2x10-3 / Thr = 65。在圖8中，SFR係3.3x10-3 / Thr = 60。
圖13係用於圖5至圖8之影像之結果的一表。如該等結果中所見，SMARTS係對來自訓練集之約2%準確度之CD變化敏感。此等結果表明，深度學習偵測演算法可成功地量化EUV隨機缺陷率或其他像素位準量化。期望用於線/空間結構之用以量化由橋接缺陷、突部或開口引起之有缺陷像素之一數目的一類似練習將同樣成功。可進一步最佳化訓練(例如，D2DB訓練)以減少擾亂點。
圖14係一系統200之一方塊圖。系統200包含經組態以產生一晶圓204之影像之一晶圓檢測工具(其包含電子腔筒201)。系統200亦可經組態為一檢視工具來代替一檢測工具。
晶圓檢測工具包含一輸出獲取子系統，該輸出獲取子系統包含至少一能量源及一偵測器。該輸出獲取子系統可為一基於電子束之輸出獲取子系統。例如，在一項實施例中，經引導至晶圓204之能量包含電子，且自晶圓204偵測之能量包含電子。以此方式，能量源可為一電子束源。在圖14中所展示之一項此實施例中，輸出獲取子系統包含耦合至電腦子系統202之電子腔筒201。一載物台210可固持晶圓204。
亦如圖14中所展示，電子腔筒201包含一電子束源203，該電子束源203經組態以產生藉由一或多個元件205聚焦至晶圓204之電子。電子束源203可包含(例如)一陰極源或射極尖端。一或多個元件205可包含(例如)一槍透鏡、一陽極、一限束孔徑、一閘閥、一束電流選擇孔徑、一物鏡及一掃描子系統，全部其等可包含此項技術中已知之任何此等合適元件。
自晶圓204返回之電子(例如，二次電子)可藉由一或多個元件206聚焦至偵測器207。一或多個元件206可包含(例如)一掃描子系統，該掃描子系統可為包含於(若干)元件205中之相同掃描子系統。
電子腔筒201亦可包含此項技術中已知之任何其他合適元件。
儘管圖14中將電子腔筒201展示為經組態使得電子以一傾斜入射角被引導至晶圓204且以另一傾斜角自晶圓204散射，然電子束可以任何合適角度被引導至晶圓204及自晶圓204散射。另外，基於電子束之輸出獲取子系統可經組態以使用多個模式(例如，運用不同照明角、收集角等)產生晶圓204之影像。基於電子束之輸出獲取子系統之多個模式可在輸出獲取子系統之任何影像產生參數方面不同。
電腦子系統202可如上文描述般耦合至偵測器207。偵測器207可偵測自晶圓204之表面返回之電子，藉此形成晶圓204之電子束影像。電子束影像可包含任何合適電子束影像。電腦子系統202可經組態以使用偵測器207之輸出及/或電子束影像來執行本文中所描述之功能之任一者。電腦子系統202可經組態以執行本文中所描述之(若干)任何額外步驟。包含圖14中所展示之輸出獲取子系統之一系統200可如本文中所描述般進一步組態。
應注意，本文中提供圖14以大體繪示可用於本文中所描述之實施例中之一基於電子束之輸出獲取子系統之一組態。可變更本文中所描述之基於電子束之輸出獲取子系統組態以最佳化輸出獲取子系統之效能，如通常在設計一商業輸出獲取系統時所執行般。另外，可使用一現有系統(例如，藉由將本文中所描述之功能性添加至一現有系統)來實施本文中所描述之系統。對於一些此等系統，可將本文中所描述之方法提供為系統之選用功能性(例如，除了系統之其他功能性之外)。替代性地，可將本文中所描述之系統設計為一全新系統。
儘管上文將輸出獲取子系統描述為一基於電子束之輸出獲取子系統，然輸出獲取子系統可為一基於離子束之輸出獲取子系統。此一輸出獲取子系統可如圖14中所展示般組態，惟電子束源可由此項技術中已知之任何合適離子束源取代除外。另外，輸出獲取子系統可為任何其他合適基於離子束之輸出獲取子系統，諸如包含於市售聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜儀(SIMS)系統中之基於離子束之輸出獲取子系統。
電腦子系統202包含一處理器208及一電子資料儲存單元209。處理器208可包含一微處理器、一微控制器或其他裝置。
電腦子系統202可以任何合適方式(例如，經由可包含有線及/或無線傳輸媒體之一或多個傳輸媒體)耦合至系統200之組件，使得處理器208可接收輸出。處理器208可經組態以使用該輸出執行諸多功能。晶圓檢測工具可自處理器208接收指令或其他資訊。處理器208及/或電子資料儲存單元209視需要可與另一晶圓檢測工具、一晶圓度量工具或一晶圓檢視工具(未繪示)電子通信以接收額外資訊或發送指令。
處理器208係與晶圓檢測工具(諸如偵測器207)電子通信。處理器208可經組態以處理使用來自偵測器207之量測值產生之影像及量化影像中之超過矩陣中之一對應臨限值之像素之一數目。例如，處理器可執行方法100之實施例。
本文中所描述之電腦子系統202、(若干)其他系統或(若干)其他子系統可為各種系統(包含個人電腦系統、影像電腦、大型電腦系統、工作站、網路設備、網際網路設備或其他裝置)之部分。該(等)子系統或系統亦可包含此項技術中已知之任何合適處理器，諸如一平行處理器。另外，該(等)子系統或系統可包含具有高速處理及軟體之一平台作為一獨立或一網路工具。
處理器208及電子資料儲存單元209可安置於系統200或另一裝置中或以其他方式作為系統200或另一裝置之部分。在一實例中，處理器208及電子資料儲存單元209可為一獨立控制單元之部分或在一集中式品質控制單元中。可使用多個處理器208或電子資料儲存單元209。
處理器208可在實踐中藉由硬體、軟體及韌體之任何組合實施。另外，如本文中所描述之其功能可藉由一個單元執行，或在不同組件(其等之各者可繼而藉由硬體、軟體及韌體之任何組合實施)之間分配。使處理器208實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體(諸如電子資料儲存單元209中之一記憶體或其他記憶體)中。
若系統200包含一個以上電腦子系統202，則不同子系統可彼此耦合，使得可在該等子系統之間發送影像、資料、資訊、指令等。例如，一個子系統可藉由任何合適傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含此項技術中已知之任何合適有線及/或無線傳輸媒體。此等子系統之兩者或兩者以上亦可藉由一共用電腦可讀儲存媒體(未展示)有效耦合。
處理器208可經組態以使用系統200之輸出或其他輸出執行諸多功能。例如，處理器208可經組態以將輸出發送至一電子資料儲存單元209或另一儲存媒體。處理器208可如本文中所描述般進一步組態。
處理器208或電腦子系統202可為一缺陷檢視系統、一檢測系統、一度量系統或某一其他類型系統之部分。因此，本文中所揭示之實施例描述可以許多方式針對具有或多或少適於不同應用之不同能力之系統定製之一些組態。
處理器208可根據本文中所描述之實施例之任一者組態。處理器208亦可經組態以使用系統200之輸出或使用來自其他源之影像或資料執行其他功能或額外步驟。
在一例項中，處理器208係與偵測器207電子通信。處理器208經組態以將一影像中之可能缺陷之一熱圖表示為對應於各像素之缺陷概率指數之一矩陣。該影像係自從偵測器接收之資料產生。處理器208亦經組態以量化影像中之超過該矩陣中之一對應臨限值之像素之一數目。用於該等像素之一者之該對應臨限值係處於與該像素相同之一位置處。處理器208亦可經組態以判定該熱圖。
處理器208可操作一深度學習模組，該深度學習模組經組態以：接收一影像；對該影像執行缺陷偵測；及對該影像執行缺陷分類。深度學習模組可為一神經網路(諸如一卷積神經網路)或某一其他類型之深度學習系統。
處理器208可以此項技術中已知之任何方式通信地耦合至系統200之各種組件或子系統之任一者。此外，處理器208可經組態以藉由可包含有線及/或無線部分之一傳輸媒體自其他系統接收及/或獲取資料或資訊(例如，來自諸如一檢視工具、包含設計資料之一遠端資料庫及類似者之一檢測系統之檢測結果)。以此方式，該傳輸媒體可用作處理器208與系統200之其他子系統或處理器208與系統200外部之系統之間的一資料鏈路。
可藉由以下項之一或多者實行本文中所揭示之系統200及方法之各種步驟、功能及/或操作：電子電路、邏輯閘、多工器、可程式化邏輯裝置、ASIC、類比或數位控制器/切換器、微控制器或運算系統。實施方法(諸如本文中所描述之方法)之程式指令可經由載體媒體傳輸或儲存於載體媒體上。載體媒體可包含一儲存媒體，諸如一唯讀記憶體、一隨機存取記憶體、一磁碟或光碟、一非揮發性記憶體、一固態記憶體、一磁帶及類似者。一載體媒體可包含一傳輸媒體，諸如一導線、纜線或無線傳輸鏈路。例如，貫穿本發明所描述之各種步驟可藉由一單個處理器208 (或電腦子系統202)或替代性地多個處理器208 (或多個電腦子系統202)實行。此外，系統200之不同子系統可包含一或多個運算或邏輯系統。因此，以上描述不應被解釋為限制本發明而僅為一圖解說明。
方法之步驟之各者可如本文中描述般執行。方法亦可包含可藉由本文中所描述之處理器及/或(若干)電腦子系統或(若干)系統執行之(若干)任何其他步驟。步驟可藉由一或多個電腦系統執行，該一或多個電腦系統可根據本文中所描述之實施例之任一者組態。另外，上文所描述之方法可藉由本文中所描述之系統實施例之任一者執行。
儘管已參考一或多項特定實施例描述本發明，但將理解，可在不脫離本發明之範疇之情況下進行本發明之其他實施例。因此，本發明被視為僅受隨附發明申請專利範圍及其等之合理解釋所限制。
100:方法 101:步驟 102:步驟 200:系統 201:電子腔筒 202:電腦子系統 203:電子束源 204:晶圓 205:元件 206:元件 207:偵測器 208:處理器 209:電子資料儲存單元 210:載物台
為更充分理解本發明之性質及目的，應參考結合隨附圖式進行的以下詳細描述，其中： 圖1係根據本發明之一方法之一實施例的一流程圖； 圖2係一例示性SEM影像； 圖3包含具有兩個底部橋接缺陷(左)、一習知演算法之結果(中心)及一SMARTS演算法之結果(右)之另一例示性SEM影像； 圖4係一例示性晶圓熱圖； 圖5繪示個別接觸孔之直徑與1x1 μm SEM視場之平均直徑之偏差百分比(左上)、展示在經定限之後被視為有缺陷之像素之一個二進位影像(右上)、10x10接觸孔矩陣之1x1 μm SEM影像(右下)及用於圖4之具有粗框及值16.7之區域之結果(左下)的一圖表； 圖6繪示個別接觸孔之直徑與1x1 μm SEM視場之平均直徑之偏差百分比(左上)、展示在經定限之後被視為有缺陷之像素之一個二進位影像(右上)、10x10接觸孔矩陣之1x1 μm SEM影像(右下)及用於圖4之具有粗框及值19.4之區域之結果(左下)的一圖表； 圖7繪示個別接觸孔之直徑與1x1 μm SEM視場之平均直徑之偏差百分比(左上)、展示在經定限之後被視為有缺陷之像素之一個二進位影像(右上)、10x10接觸孔矩陣之1x1 μm SEM影像(右下)及用於圖4之具有粗框及值15.7之區域之結果(左下)的一圖表； 圖8繪示個別接觸孔之直徑與1x1 μm SEM視場之平均直徑之偏差百分比(左上)、展示在經定限之後被視為有缺陷之像素之一個二進位影像(右上)、10x10接觸孔矩陣之1x1 μm SEM影像(右下)及用於圖4之具有粗框及值17.1之區域之結果(左下)的一圖表； 圖9係圖5之SEM影像中之接觸孔之臨界尺寸直徑的一圖表； 圖10係圖6之SEM影像中之接觸孔之臨界尺寸直徑的一圖表； 圖11係圖7之SEM影像中之接觸孔之臨界尺寸直徑的一圖表； 圖12係圖8之SEM影像中之接觸孔之臨界尺寸直徑的一圖表； 圖13係用於圖5至圖8之影像之結果的一表；及 圖14係根據本發明之一系統之一方塊圖。

Claims (18)

  1. 一種缺陷偵測及缺陷分類的系統，其包括：一電子束源，其產生一電子束；一載物台，其經組態以將一晶圓固持於該電子束之一路徑中；一偵測器，其經組態以接收自該晶圓返回之該電子束；一處理器，其與該偵測器電子通信；及該處理器操作之一深度學習模組，其中該深度學習模組經組態以：接收自該偵測器所接收之資料所產生一影像；及對該影像執行缺陷偵測及缺陷分類，藉此判定多個可能的缺陷；其中該處理器經組態以：將一影像中從該深度學習模組來的該等可能缺陷之一熱圖表示為對應於該影像之各像素之缺陷概率指數之一矩陣，其中該熱圖包括該晶圓之至少一些而且是基於在該影像中之多個特徵之多個量測；及量化該影像中之超過該矩陣中之一對應臨限值之像素之一數目。
  2. 如請求項1之系統，其中該處理器進一步經組態以判定該熱圖。
  3. 如請求項1之系統，其中用於該等像素之一者之該對應臨限值係處於在該影像上之與該等像素之該一者相同之一位置處。
  4. 如請求項1之系統，其中該量化係用於像素位準影像量化中。
  5. 如請求項1之系統，其中該等可能缺陷係EUV隨機缺陷。
  6. 如請求項1之系統，其中該等可能缺陷係臨界尺寸缺陷。
  7. 如請求項1之系統，其中該影像係一掃描電子顯微鏡影像。
  8. 如請求項1之系統，其中該熱圖顯示多個平均直徑。
  9. 一種缺陷偵測及缺陷分類的方法，其包括：在一處理器處接收一影像；使用該處理器之一深度學習模組對該影像執行缺陷偵測及缺陷分類，藉此判定多個可能的缺陷；使用一處理器將該影像中從該深度學習模組來的該等可能缺陷之一熱圖表示為對應於各像素之缺陷概率指數之一矩陣，其中該影像係自從一偵測器接收之資料產生，以及其中該熱圖包括該晶圓之至少一些而且是基於在該影像中之多個特徵之多個量測；及使用該處理器量化該影像中之超過該矩陣中之一對應臨限值之像素之一數目。
  10. 如請求項9之方法，其進一步包括使用該處理器判定該熱圖。
  11. 如請求項9之方法，其中用於該等像素之一者之該對應臨限值係處於在該影像上之與該等像素之該一者相同之一位置處。
  12. 如請求項9之方法，其中該量化係用於像素位準影像量化中。
  13. 如請求項9之方法，其中該等可能缺陷係EUV隨機缺陷。
  14. 如請求項9之方法，其中該等可能缺陷係臨界尺寸缺陷。
  15. 如請求項9之方法，其中該影像係一掃描電子顯微鏡影像。
  16. 如請求項9之方法，其進一步包括：將一電子束引導於該晶圓處；使用一偵測器收集自該晶圓返回之電子；及使用該處理器產生該晶圓之該影像。
  17. 如請求項9之方法，其中該熱圖顯示多個平均直徑。
  18. 一種儲存一程式之非暫時性電腦可讀媒體，其經組態以指示一處理器執行如請求項9之方法。
TW108141684A 2018-11-15 2019-11-15 使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化 TWI805868B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
IN201841042919 2018-11-15
IN201841042919 2018-11-15
US16/249,337 2019-01-16
US16/249,337 US10672588B1 (en) 2018-11-15 2019-01-16 Using deep learning based defect detection and classification schemes for pixel level image quantification

Publications (2)

Publication Number Publication Date
TW202033954A TW202033954A (zh) 2020-09-16
TWI805868B true TWI805868B (zh) 2023-06-21

Family

ID=70727871

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108141684A TWI805868B (zh) 2018-11-15 2019-11-15 使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化

Country Status (7)

Country Link
US (1) US10672588B1 (zh)
EP (1) EP3870959A4 (zh)
JP (1) JP7216822B2 (zh)
KR (1) KR102513717B1 (zh)
CN (1) CN112969911B (zh)
TW (1) TWI805868B (zh)
WO (1) WO2020102611A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10803264B2 (en) 2018-01-05 2020-10-13 Datamax-O'neil Corporation Method, apparatus, and system for characterizing an optical system
US10546160B2 (en) 2018-01-05 2020-01-28 Datamax-O'neil Corporation Methods, apparatuses, and systems for providing print quality feedback and controlling print quality of machine-readable indicia
US10795618B2 (en) 2018-01-05 2020-10-06 Datamax-O'neil Corporation Methods, apparatuses, and systems for verifying printed image and improving print quality
US10834283B2 (en) * 2018-01-05 2020-11-10 Datamax-O'neil Corporation Methods, apparatuses, and systems for detecting printing defects and contaminated components of a printer
US11501424B2 (en) * 2019-11-18 2022-11-15 Stmicroelectronics (Rousset) Sas Neural network training device, system and method
US11200659B2 (en) 2019-11-18 2021-12-14 Stmicroelectronics (Rousset) Sas Neural network training device, system and method
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen
US11651981B2 (en) * 2020-08-18 2023-05-16 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for map-free inspection of semiconductor devices
US20220101114A1 (en) * 2020-09-27 2022-03-31 Kla Corporation Interpretable deep learning-based defect detection and classification
KR20220127004A (ko) 2021-03-10 2022-09-19 삼성전자주식회사 확률론적 콘투어 예측 시스템 및 확률론적 콘투어 예측 시스템의 제공 방법 및 확률론적 콘투어 예측 시스템을 이용한 EUV(Extreme Ultra violet) 마스크의 제공 방법
CN117121064A (zh) * 2021-03-30 2023-11-24 Asml荷兰有限公司 改进的带电粒子图像检测
CN112884769B (zh) * 2021-04-12 2021-09-28 深圳中科飞测科技股份有限公司 图像处理方法、装置、光学系统和计算机可读存储介质
FR3125156B1 (fr) * 2021-07-12 2023-11-10 Safran Controle non destructif d’une piece
WO2023017611A1 (ja) * 2021-08-13 2023-02-16 株式会社ハシマ 学習モデルの生成方法、学習モデル、検査装置、検査方法およびコンピュータプログラム
US20240087135A1 (en) * 2022-09-09 2024-03-14 Applied Materials, Inc. Clog detection via image analytics

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020130262A1 (en) * 2000-11-17 2002-09-19 Mamoru Nakasuji Method for inspecting substrate, substrate inspecting system and electron beam apparatus
US20030023404A1 (en) * 2000-11-22 2003-01-30 Osama Moselhi Method and apparatus for the automated detection and classification of defects in sewer pipes
US20180060702A1 (en) * 2016-08-23 2018-03-01 Dongfang Jingyuan Electron Limited Learning Based Defect Classification
TW201816670A (zh) * 2016-10-14 2018-05-01 美商克萊譚克公司 用於經組態用於半導體應用之深度學習模型之診斷系統及方法
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6292582B1 (en) 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
US6067376A (en) 1998-01-16 2000-05-23 Cognex Corporation Classifying pixels of an image
JP3749090B2 (ja) * 2000-07-06 2006-02-22 大日本スクリーン製造株式会社 パターン検査装置
US7162071B2 (en) 2002-12-20 2007-01-09 Taiwan Semiconductor Manufacturing Co., Ltd. Progressive self-learning defect review and classification method
US20050152594A1 (en) 2003-11-10 2005-07-14 Hermes-Microvision, Inc. Method and system for monitoring IC process
JP2006098152A (ja) * 2004-09-29 2006-04-13 Dainippon Screen Mfg Co Ltd 欠陥検出装置および欠陥検出方法
JP2012217139A (ja) * 2011-03-30 2012-11-08 Sony Corp 画像理装置および方法、並びにプログラム
JP5707291B2 (ja) * 2011-09-29 2015-04-30 株式会社日立ハイテクノロジーズ 画像分類支援を行う荷電粒子線装置
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
TWI737659B (zh) * 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10031997B1 (en) * 2016-11-29 2018-07-24 Taiwan Semiconductor Manufacturing Co., Ltd. Forecasting wafer defects using frequency domain analysis

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020130262A1 (en) * 2000-11-17 2002-09-19 Mamoru Nakasuji Method for inspecting substrate, substrate inspecting system and electron beam apparatus
US20030023404A1 (en) * 2000-11-22 2003-01-30 Osama Moselhi Method and apparatus for the automated detection and classification of defects in sewer pipes
US20180060702A1 (en) * 2016-08-23 2018-03-01 Dongfang Jingyuan Electron Limited Learning Based Defect Classification
TW201816670A (zh) * 2016-10-14 2018-05-01 美商克萊譚克公司 用於經組態用於半導體應用之深度學習模型之診斷系統及方法
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection

Also Published As

Publication number Publication date
EP3870959A4 (en) 2022-07-27
TW202033954A (zh) 2020-09-16
EP3870959A1 (en) 2021-09-01
CN112969911A (zh) 2021-06-15
JP7216822B2 (ja) 2023-02-01
WO2020102611A1 (en) 2020-05-22
KR20210080567A (ko) 2021-06-30
US10672588B1 (en) 2020-06-02
JP2022507543A (ja) 2022-01-18
CN112969911B (zh) 2022-09-06
US20200161081A1 (en) 2020-05-21
KR102513717B1 (ko) 2023-03-23

Similar Documents

Publication Publication Date Title
TWI805868B (zh) 使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化
TWI803595B (zh) 晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體
TWI769371B (zh) 用於半導體裝置之檢測方法及系統，以及其非暫時性電腦可讀媒體
JP5695924B2 (ja) 欠陥推定装置および欠陥推定方法並びに検査装置および検査方法
CN110770886B (zh) 用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的系统及方法
TWI683103B (zh) 於樣品上判定所關注圖案之一或多個特性
US11756187B2 (en) Systems and methods of optimal metrology guidance
US20160314578A1 (en) Outlier Detection on Pattern of Interest Image Populations
TWI782229B (zh) 在半導體製造中使用隨機失效指標
JP6391170B2 (ja) 検査装置
KR20220051216A (ko) 머신 러닝을 사용한 웨이퍼 검사용 예측 이미지 생성 시스템 및 방법
KR20220044770A (ko) 광학 및 전자빔 검사의 결합을 통한 반도체 핫-스팟 및 프로세스-윈도우의 발견
US20220059316A1 (en) Scanning Electron Microscope Image Anchoring to Design for Array
US11195268B2 (en) Target selection improvements for better design alignment
TWI823460B (zh) 計測方法、計測系統、及非暫態性電腦可讀媒體
US11631602B2 (en) Enabling scanning electron microscope imaging while preventing sample damage on sensitive layers used in semiconductor manufacturing processes
US20230326710A1 (en) Screening edge placement uniformity wafer stochastics
CN116648722A (zh) 基于半导体处理的晶片级分析和根本原因分析的数据驱动失败模式预测和标识
CN113678235A (zh) 将绝对z高度值用于工具之间的协同作用