TWI805875B - 使用淺層深度學習的差值濾波器及孔徑選擇之系統與方法 - Google Patents
使用淺層深度學習的差值濾波器及孔徑選擇之系統與方法 Download PDFInfo
- Publication number
- TWI805875B TWI805875B TW108144621A TW108144621A TWI805875B TW I805875 B TWI805875 B TW I805875B TW 108144621 A TW108144621 A TW 108144621A TW 108144621 A TW108144621 A TW 108144621A TW I805875 B TWI805875 B TW I805875B
- Authority
- TW
- Taiwan
- Prior art keywords
- difference
- aperture
- filter
- aperture setting
- difference filter
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims description 71
- 238000012549 training Methods 0.000 claims abstract description 107
- 230000007547 defect Effects 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims description 62
- 238000007689 inspection Methods 0.000 claims description 22
- 238000005286 illumination Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000006735 deficit Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims 1
- 238000012552 review Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 22
- 230000003287 optical effect Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003100 immobilizing effect Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/698—Matching; Classification
-
- 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
- G01N21/8851—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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
-
- 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
- G06T2207/20024—Filtering details
-
- 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]
-
- 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
- H01J2237/04—Means for controlling the discharge
- H01J2237/045—Diaphragms
-
- 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
- H01J2237/26—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Networks Using Active Elements (AREA)
Abstract
本發明揭示一種用於缺陷檢視及分類之系統。該系統可包含一控制器,其中該控制器可經組態以接收一樣品之一或多個訓練影像。該一或多個訓練影像包含複數個訓練缺陷。該控制器可進一步經組態以將複數個差值濾波器應用於該一或多個訓練影像,且接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一分類的一信號。該控制器可進一步經組態以基於該所接收分類及該複數個訓練缺陷之屬性而產生一深度學習網路分類器。該控制器可進一步經組態以提取該深度學習網路分類器之廻旋層濾波器,且基於該等所提取之廻旋層濾波器而產生一或多個差值濾波器配方。
Description
有效缺陷檢視及分類之兩個重要因素係差值濾波器之選擇、及在影像擷取期間使用之孔徑設定之選擇。用於孔徑設定之選擇之當前系統及方法通常利用一「光學器件選擇器」軟體,其中一使用者選擇一些缺陷或其他所關注區域,且反覆地/詳盡地測試全部可能孔徑設定組合。有經驗的個人可能夠直觀地選擇並測試孔徑設定組合之一較小子集。用於識別最佳成像孔徑設定之此等反覆方法通常冗長且耗時。
類似地,用於差值濾波器之選擇之當前系統及方法利用兩個不同方法:(1)預選擇差值濾波器配方,及(2)「演算法選擇器」軟體。依據預選擇差值濾波器配方方法,一使用者可嘗試藉由選擇透過一配方獲取之一組預定義差值濾波器之一者而增強缺陷信號。依據「演算法選擇器」方法,演算法選擇器軟體可估計待使用之一差值濾波器。差值濾波器選擇之兩個方法主要為手動且基於直覺的,且因此可容易出現錯誤。此外,即使針對一特定類型之缺陷最佳化一選定差值濾波器,當前方法亦可能無法選擇針對多個類型之缺陷最佳化之一差值濾波器。因此,差值濾波器選擇之當前方法可與多模式成像/偵測不相容。
因此,將期望提供一種解決上文識別之先前方法之不足之一或多者的系統及方法。
揭示一種根據本發明之一或多項實施例之系統。在一項實施例中,該系統包含一控制器。在另一實施例中,該控制器經組態以接收一樣品之一或多個訓練影像,該一或多個訓練影像包含複數個所關注訓練區域。在另一實施例中,該控制器經組態以將複數個差值濾波器應用於該一或多個訓練影像。在另一實施例中,該控制器經組態以接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一分類的一信號。在另一實施例中,該控制器經組態以基於所接收分類及該複數個所關注訓練區域之屬性而產生一深度學習網路分類器。在另一實施例中,該控制器經組態以提取深度學習網路分類器之廻旋層濾波器。在另一實施例中,控制器經組態以基於所提取之廻旋層濾波器而產生一或多個差值濾波器配方。
揭示一種根據本發明之一或多項實施例之系統。在一項實施例中,該系統包含一控制器。在另一實施例中,該控制器經組態以使用複數個孔徑設定來接收一樣品之一或多個訓練影像,該一或多個訓練影像包含複數個所關注訓練區域。在另一實施例中,該控制器經組態以接收指示複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一分類的一信號。在另一實施例中,該控制器經組態以基於所接收分類及該複數個所關注訓練區域之屬性而產生一深度學習網路分類器。在另一實施例中,該控制器經組態以提取深度學習網路分類器之廻旋層濾波器。在另一實施例中,該控制器經組態以對所提取之廻旋層濾波器執行一或多個數學分析以基於所提取之廻旋層濾波器而產生一或多個孔徑設定配方。在另一實施例中,該控制器經組態以基於所提取之廻旋層濾波器而產生一或多個孔徑設定配方。
揭示一種根據本發明之一或多項實施例之方法。在一項實施例中,該方法包含:擷取一樣品之一或多個訓練影像,該一或多個訓練影像包含複數個所關注訓練區域;將複數個差值濾波器應用於該一或多個訓練影像以產生一或多個經濾波訓練影像;接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一分類的一信號;基於該所接收分類及該複數個所關注訓練區域之屬性而產生一深度學習網路分類器;提取該深度學習網路分類器之廻旋層濾波器;基於該等所提取之廻旋層濾波器而產生一或多個差值濾波器配方;及使用該一或多個差值濾波器配方之至少一者來擷取一樣品之一或多個產品影像。
揭示一種根據本發明之一或多項實施例之方法。在一項實施例中,該方法包含:使用複數個孔徑設定來擷取一第一樣品之一或多個訓練影像,該一或多個訓練影像包含複數個所關注訓練區域;接收指示該複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一分類的一信號;基於所接收手動分類及該複數個所關注訓練區域之屬性而產生一深度學習網路分類器;提取該深度學習網路分類器之廻旋層濾波器;對該等所提取之廻旋層濾波器執行一或多個頻域分析以基於該等所提取之廻旋層濾波器而產生一或多個孔徑設定配方;及使用該一或多個孔徑設定配方之至少一者來擷取一第二樣品之一或多個產品影像。
應瞭解,前述一般描述及以下[實施方式]兩者僅為例示性及說明性,且不一定限制如所主張之本發明。併入於本說明書中且構成本說明書之一部分之隨附圖式繪示本發明之實施例且連同一般描述一起用來說明本發明之原理。
相關申請案之交叉參考
本申請案主張2018年12月7日申請之以Santosh Bhattacharyya、Jacob George、Saravanan Paramasivam及Martin Plihal為發明者之標題為SHALLOW DL BASED DIFF FILTER AND APERTURE SELECTION之印度臨時專利申請案第201841046361號之優先權,該案之全文以引用之方式併入本文中。
已關於某些實施例及其特定特徵特別地展示且描述本發明。本文中闡述之實施例被視為闡釋性而非限制性。一般技術者應容易明白,可在不脫離本發明之精神及範疇之情況下進行形式及細節之各種改變及修改。
現將詳細參考在隨附圖式中繪示之所揭示標的。
有效缺陷檢視及分類之兩個重要因素係差值濾波器之選擇、及在影像擷取期間使用之孔徑設定之選擇(例如,成像孔徑設定、返回孔徑設定)。用於孔徑設定之選擇之當前系統及方法通常利用「光學器件選擇器」軟體,其中一使用者選擇一些缺陷或其他所關注區域,且反覆/詳盡地測試全部可能孔徑設定組合。藉由詳盡地測試成像孔徑設定及/或返回孔徑設定之全部可能組合,一使用者可判定特定孔徑設定,其增強不同類型之缺陷之一信雜比(SNR),且最小化一樣品上之妨害區之一SNR。然而,用於識別最佳成像孔徑設定之此等反覆方法通常冗長且耗時。
類似地,用於差值濾波器之選擇之當前系統及方法利用兩個不同方法:(1)預選定差值濾波器配方,及(2)「演算法選擇器」軟體。依據預選定差值濾波器配方方法,一使用者可嘗試藉由選擇透過一配方獲取之一組預定義差值濾波器之一者而增強缺陷信號。依據「演算法選擇器」方法,演算法選擇器軟體可估計待使用之一差值濾波器。差值濾波器選擇之兩個方法主要為手動且基於直覺的,且因此可能容易出現錯誤。此外,即使針對一特定類型之缺陷最佳化一選定差值濾波器,當前方法亦可能無法選擇針對多個類型之缺陷最佳化之一差值濾波器。因此,差值濾波器選擇之當前方法可能與多模式成像/偵測不相容。
因此,本發明之實施例係關於一種解決上文識別之先前方法之不足之一或多者的系統及方法。本發明之實施例係關於一種利用深度學習進行差值濾波器及孔徑設定選擇的系統。本發明之額外實施例係關於一種使用一深度學習網路分類器來產生差值濾波器配方及/或孔徑設定配方的方法。
圖1繪示根據本發明之一或多項實施例之用於缺陷檢視及分析之一系統100之一簡化方塊圖。系統100可包含(但不限於)一檢測子系統102、一控制器104、及一使用者介面110。
在一項實施例中,檢測子系統102經組態以擷取一樣品112之一或多個影像(例如,訓練影像107、產品影像109)。檢測子系統102可經組態以檢測及/或量測安置於樣品112上之一或多個所關注區域之一或多個特性。樣品112可包含此項技術中已知之任何樣品,包含(但不限於)一晶圓、一半導體晶圓、一倍縮光罩、一遮罩及類似者。在此方面,所關注區域可包含(但不限於)缺陷、妨害區及類似者。
檢測子系統102可包含此項技術中已知之能夠進行缺陷檢視及分類的任何檢測組態。在一項實施例中,如圖1中描繪,檢測工具102包含一電子束缺陷檢視(EDR)工具。舉例而言,檢測子系統102可包含一掃描電子顯微鏡(SEM)檢測子系統102。例如,如圖1中展示,檢測子系統102可包含一電子源101 (例如,用以發射一或多個電子束之一或多個電子槍)、一偵測器總成103 (例如,二次電子偵測器)及此項技術中已知之用於實行缺陷檢視之任一或多個電子光學組件105。
本文中應注意,本發明之範疇一般而言不限於系統100之SEM組態或電子束檢視。在一項實施例中,檢測子系統102可經組態為一光學檢測子系統102。舉例而言,檢測子系統102可經組態以依包含(但不限於)一暗場組態、一明場組態及類似者之任何組態進行檢測。在基於光之檢測之情況中,檢測子系統102可包含經組態以照明樣品112的一或多個照明源101。照明源101可包含此項技術中已知之任何照明源101。舉例而言,照明源101可包含(但不限於)一窄頻光源(例如,雷射源)、一寬頻光源(例如,放電燈、雷射持續電漿(LSP)光源及類似者)及類似者。在另一實施例中,照明源101可經組態以將光引導至樣品112之表面。在此方面,在檢測子系統102包含一基於光之檢測子系統的實施例中,檢測子系統102可包含經組態以將來自照明源101之照明收集及/或引導至樣品101的一或多個光學元件105。此外,檢測子系統102亦可包含經組態以將從樣品112之表面反射、散射及/或繞射之光引導至偵測器總成103的額外光學元件。
偵測器總成103可包含此項技術中已知之任何偵測器。本文中應注意,偵測器總成103之形式可取決於使用之檢測子系統102之類型(例如,SEM檢測子系統102、基於光之檢測子系統102及類似者)而變化。舉例而言,在一光學檢測子系統102之情況中,偵測器總成103可包含(但不限於)一電荷耦合裝置(CCD)偵測器、一互補金屬氧化物半導體(CMOS)偵測器、一時間延遲積分(TDI)偵測器、一光電倍增管(PMT)偵測器、一雪崩光二極體(APD)及類似者。藉由另一實例,在一基於SEM之檢測子系統之情況中,偵測器總成103可包含(但不限於)一微通道板(MCP)、一PIN或p-n接面偵測器陣列(例如,一二極體陣列或雪崩光二極體(APD))、一光電倍增管(PMT)偵測器及類似者。此外,在一基於SEM之檢測子系統102之情況中,偵測器總成103可包含(但不限於)二次電子偵測器或背散射電子偵測器。
出於簡化之目的,已以一簡化方塊圖描繪檢測子系統102。包含組件及幾何組態之此描繪不為限制性的且僅出於闡釋性目的而提供。本文中應辨識,檢測子系統102可包含任何數目個組件(例如,透鏡、鏡、濾波器、光束分離器、電子偏轉器及類似者)、電子/照明源(例如,電子源101、照明源101)及偵測器(例如,電子偵測器總成103、照明偵測器總成103)以實行安置於樣本載物台115上之樣品112之一或多個部分之檢測。
檢測子系統102之樣本載物台115可包含此項技術中已知之適於固定樣品112的任何樣本載物台。在另一實施例中,樣本載物台115係一可致動載物台。舉例而言,樣本載物台115可包含(但不限於)適於沿一或多個線性方向(例如,x方向、y方向及/或z方向)可選擇地平移樣品112的一或多個平移載物台。藉由另一實例,樣本載物台115可包含(但不限於)適於沿一旋轉方向選擇性地旋轉樣品112的一或多個旋轉載物台。藉由另一實例,樣本載物台115可包含(但不限於)適於沿一線性方向可選擇地平移樣品112及/或沿一旋轉方向旋轉樣品112的一旋轉載物台及一平移載物台。
在另一實施例中,系統100包含一控制器104。在一項實施例中,控制器104通信耦合至檢測子系統102。舉例而言,控制器104可耦合至檢測子系統102之偵測器總成103。在另一實施例中,控制器104經組態以接收由檢測子系統102擷取之影像(例如,訓練影像107、產品影像109)。在另一實施例中,控制器104包含一或多個處理器106及一記憶體108。在一項實施例中,一或多個處理器106經組態以執行維持於記憶體108中之一組程式指令116,其中程式指令經組態以導致一或多個處理器106實行本發明之各個步驟。
控制器104之一或多個處理器106可包含此項技術中已知之任一或多個處理元件。在此意義上,一或多個處理器106可包含經組態以執行演算法及/或指令的任何微處理器裝置。在一項實施例中,一或多個處理器106可由以下各者組成:一桌上型電腦、主機電腦系統、工作站、影像電腦、平行處理器,或經組態以執行經組態以如在本發明各處描述般操作系統100之一程式之其他電腦系統(例如,網路電腦)。應認知,可藉由一單一電腦系統或替代地多個電腦系統實行在本發明各處描述之步驟。一般而言,術語「處理器」可廣泛定義為涵蓋具有執行來自一非暫時性記憶體媒體(例如,記憶體108)之程式指令之一或多個處理元件的任何裝置。此外,系統100之不同子系統(例如,檢測子系統102、使用者介面110、顯示器114及類似者)可包含適於實行在本發明各處描述之步驟之至少一部分的處理器或邏輯元件。因此,上文描述不應解釋為對本發明之一限制而是僅為一圖解。
記憶體108可包含此項技術中已知之適於儲存可由相關聯之一或多個處理器106執行之程式指令的任何儲存媒體。舉例而言,記憶體108可包含一非暫時性記憶體媒體。例如,記憶體108可包含(但不限於)一唯讀記憶體(ROM)、一隨機存取記憶體(RAM)、一磁性或光學記憶體裝置(例如,磁碟)、一磁帶、一固態硬碟及類似者。在另一實施例中,記憶體108經組態以儲存從檢測子系統102接收之一或多個特性及/或影像(例如,訓練影像107、產品影像109)及/或本文中描述之各個步驟之輸出。應進一步注意,記憶體108可與一或多個處理器106容置於一共同控制器外殼中。在一替代實施例中,記憶體108可相對於處理器106及控制器104之實體位置遠端地定位。例如,控制器104之一或多個處理器106可存取可透過一網路(例如,網際網路、內部網路及類似者)存取之一遠端記憶體(例如,伺服器)。在另一實施例中,記憶體媒體108儲存用於導致一或多個處理器106實行透過本發明描述之各個步驟的程式指令。
在另一實施例中,系統100之控制器104可經組態以藉由可包含有線及/或無線部分之一傳輸媒體而接收及/或擷取來自其他系統之資料或資訊(例如,來自一檢測系統之檢測結果或來自一度量衡系統之度量衡結果)。在另一實施例中,系統100之控制器104可經組態以藉由可包含有線及/或無線部分之一傳輸媒體而將資料或資訊(例如,本文中揭示之一或多個程序之輸出)傳輸至一或多個系統或子系統(例如,檢測系統或度量衡系統)。以此方式,傳輸媒體可充當控制器104與系統100之其他子系統之間之一資料鏈路。此外,控制器104可經由一傳輸媒體(例如,網路連接)將資料發送至外部系統。
在另一實施例中,系統100包含一使用者介面裝置110。在一項實施例中,使用者介面裝置110通信耦合至控制器104之一或多個處理器106。在另一實施例中,可由控制器104利用使用者介面裝置110以接受來自一使用者之選擇及/或指令。在本文中進一步描述之一些實施例中,可使用一顯示器114對一使用者顯示系統100之資料。繼而,一使用者可回應於經由顯示裝置114對使用者顯示之資料而經由使用者輸入裝置113輸入選擇及/或指令。
使用者介面裝置110可包含此項技術中已知之任何使用者介面。舉例而言,使用者介面110之使用者輸入裝置113可包含(但不限於)一鍵盤、一小鍵盤、一觸控螢幕、一控制桿、一旋鈕、一滾輪、一軌跡球、一開關、一撥盤、一滑桿、一滾動條、一滑動件、一手柄、一觸控板、一槳葉、一方向盤、一操縱桿、一邊框輸入裝置或類似者。在一觸控螢幕介面裝置之情況中,熟習此項技術者應認知,大量觸控螢幕介面裝置可適於在本發明中實施。例如,顯示裝置114可與一觸控螢幕介面(諸如(但不限於)一電容觸控螢幕、一電阻觸控螢幕、一基於表面聲學之觸控螢幕、一基於紅外線之觸控螢幕或類似者)整合。在一般意義上,能夠與一顯示裝置之顯示部分整合之任何觸控螢幕介面適於在本發明中實施。在另一實施例中,使用者輸入裝置113可包含(但不限於)一邊框安裝介面。
顯示裝置114可包含此項技術中已知之任何顯示裝置。在一項實施例中,顯示裝置可包含(但不限於)一液晶顯示器(LCD)。在另一實施例中,顯示裝置可包含(但不限於)一基於有機發光二極體(OLED)之顯示器。在另一實施例中,顯示裝置可包含(但不限於)一CRT顯示器。熟習此項技術者應認知,各種顯示裝置可適於在本發明中實施且顯示裝置之特定選擇可取決於各種因素,包含(但不限於)外觀尺寸、成本及類似者。在一般意義上,能夠與一使用者輸入裝置(例如,觸控螢幕、邊框安裝介面、鍵盤、滑鼠、觸控板及類似者)整合之任何顯示裝置適於在本發明中實施。
本文中應注意,所揭示系統之一或多個組件可以此項技術中已知之任何方式通信耦合至系統之各種其他組件。舉例而言,偵測器總成103、控制器104、使用者介面110及類似者可經由一有線(例如,銅線、光纖纜線及類似者)或無線連接(例如,RF耦合、IR耦合、資料網路通信(例如,WiFi、WiMax、藍芽及類似者))彼此通信耦合且通信耦合至其他組件。
圖2繪示根據本發明之一或多項實施例之用於產生一差值濾波器配方之一方法200之一流程圖。本文中應注意,方法200之步驟可全部或部分藉由系統100實施。然而,應進一步認知,方法200不限於系統100,此係因為額外或替代系統級實施例可實行方法200之全部或部分步驟。
在一步驟202中,擷取一樣品之一或多個訓練影像。舉例而言,控制器104經組態以導致檢測子系統102擷取樣品112之至少一部分之一或多個訓練影像107。在實施例中,一或多個訓練影像107包含樣品112上之多個所關注訓練區域。一或多個訓練影像107內之多個訓練缺陷可包含多個類型之所關注區域。如本文中使用,術語「所關注區域」可包含在執行樣品成像/特性化時所關注的任何區域,包含(但不限於)缺陷、妨害區及類似者。為了簡化,特定言之根據特性化缺陷寫入本發明之許多內容。然而,此不應被視為對本發明之限制,此係因為本發明之實施例可應用於除缺陷以外或替代缺陷之所關注區域。在另一實施例中,控制器104經組態以接收一或多個訓練影像107。在此方面,控制器104可經組態以從偵測器總成103擷取一或多個訓練影像107。在一額外及/或替代實施例中,偵測器總成103經組態以將一或多個訓練影像107傳輸至控制器104。在另一實施例中,一或多個處理器106經組態以將所接收之訓練影像107儲存於記憶體108中。
在一步驟204中,將複數個差值濾波器應用於一或多個訓練影像107以產生一或多個經濾波訓練影像。舉例而言,控制器104之一或多個處理器106可經組態以將儲存於記憶體108中之複數個差值濾波器應用於一或多個訓練影像107。可使用此項技術中之任何技術來選擇儲存於記憶體108中及/或應用於一或多個訓練影像107之複數個差值濾波器。例如,應用於一或多個訓練影像107之複數個差值濾波器可包含透過一配方獲取之預定義差值濾波器,如本文中先前描述。藉由另一實例,可藉由一或多個演算法選擇器模組(例如,演算法選擇器軟體封裝)選擇複數個差值濾波器。
本文中預期,應用於一或多個訓練影像107之複數個差值濾波器可涵蓋具有不同有效性位準之寬範圍之差值濾波器。在此方面,本文中預期,複數個差值濾波器可包含差值濾波器之一子集,其在使特定所關注區域成像方面相對有效(例如,針對缺陷展現高SNR值及/或針對妨害區展現低SNR值)。類似地,預期複數個差值濾波器亦可包含差值濾波器之一子集,其在使特定所關注區域成像方面相對無效(例如,針對缺陷展現低SNR值及/或針對妨害區展現高SNR值)。在此方面,一或多個經濾波訓練影像可能在影像品質方面不同,其中有效差值濾波器可產生較高品質經濾波訓練影像,且無效差值濾波器可產生較低品質經濾波訓練影像及類似者。
在一項實施例中,將複數個訓練缺陷之至少一部分分組。可基於複數個訓練缺陷之一或多個屬性將該複數個訓練缺陷分組成兩個或更多個缺陷群組(例如,缺陷之類型)之一者。舉例而言,控制器104之一或多個處理器106可經組態以識別一或多個訓練影像107內之複數個訓練缺陷。一或多個處理器106可進一步經組態以將複數個缺陷之至少一部分分組成兩個或更多個群組之一者,使得相似缺陷被分組成相同群組。通常在2018年3月20日發佈之美國專利第9,922,269號中描述將缺陷分組,該專利之全文以引用之方式併入。
用於將訓練缺陷分組之一或多個屬性可包含(但不限於)影像特徵量、缺陷座標、組合物分析結果、製造起始歷史資料、或機器QC (品質控制)資料。此外,可從多個類型之缺陷檢測工具或系統(諸如(但不限於)一光學或SEM雜質檢測機器、一圖案檢測機器、一缺陷檢視機器、SPM、或一元素分析機器)獲取一或多個屬性。在2009年10月13日發佈之美國專利第7,602,962號中描述適於缺陷之分類之屬性,該專利之全文以引用之方式併入本文中。
在另一實施例中,可將一或多個訓練影像107錄製至一虛擬檢測器-虛擬分析器(VIVA)網路。舉例而言,一或多個處理器107可經組態以將一或多個訓練影像106提供至一虛擬檢測器-虛擬分析器(VIVA)網路。
在一步驟206中,用一差值濾波器有效性度量對複數個差值濾波器進行分類。可基於複數個經濾波訓練影像之一或多個特性用一差值濾波器有效性度量對複數個差值濾波器進行分類。在一項實施例中,對複數個差值濾波器進行分類包含接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一分類的一或多個信號。舉例而言,一使用者可對複數個差值濾波器之至少一部分手動分類。例如,一使用者可經由使用者輸入裝置113輸入一或多個輸入命令,其中該一或多個輸入命令經組態以將一差值濾波器度量指派給一差值濾波器。
如在本發明各處使用,術語「差值濾波器有效性度量」可被視為指示一差值濾波器在使一特定所關注區域成像方面之有效程度的一度量。舉例而言,若一第一差值濾波器在使一特定所關注區域成像方面有效(例如,針對缺陷展現高SNR值及/或針對妨害區展現低SNR值),則可用一高差值濾波器有效性度量對該第一差值濾波器進行分類。藉由另一實例,若一第二差值濾波器在使一特定所關注區域成像方面無效(例如,針對缺陷展現低SNR值及/或針對妨害區展現高SNR值),則可用一低差值濾波器有效性度量對該第二差值濾波器進行分類。在此方面,「高」差值濾波器有效性度量可被視為對應於有效/高效差值濾波器,而「低」差值濾波器有效性度量可被視為對應於無效/低效差值濾波器。
本文中應注意,可使用此項技術中已知之任何技術來實行根據差值濾波器有效性度量之分類。舉例而言,差值濾波器有效性度量可包含從1至10之數值排名,其中一差值濾波器有效性度量1指示一無效差值濾波器,且一差值濾波器有效性度量10指示一有效差值濾波器。藉由另一實例,差值濾波器有效性度量可基於一二進制標度,其中一差值濾波器有效性度量0指示一無效差值濾波器,且一差值濾波器有效性度量1指示一有效差值濾波器。在此方面,本文中預期,除非本文中另有說明,否則可使用此項技術中已知之任何排名、歸類或分類系統。
此外,差值濾波器可根據其等如應用於各類型(例如,群組)之缺陷之有效性進行分類。在此方面,根據差值濾波器有效性度量對差值濾波器進行分類實際上可識別對於各種類型(例如,群組)之所關注區域(例如,缺陷、妨害區及類似者)最具生產力的差值濾波器。舉例而言,對於一缺陷群組,可用一第一差值濾波器有效性度量10對一第一差值濾波器進行分類,且可用一第二差值濾波器有效性度量1對一第二差值濾波器進行分類。比較兩個差值濾波器有效性度量,可判定如與第二差值濾波器相比,第一差值濾波器在使該特定缺陷群組成像方面更有效。
相反地,本文中應進一步注意,一單一差值濾波器可用針對一第一類型(例如,第一群組)之缺陷之一第一差值濾波器有效性度量進行分類,且可進一步用針對一第二類型(例如,第二群組)之缺陷之一第二差值濾波器有效性度量進行分類。舉例而言,若一第一差值濾波器在使一第一缺陷群組成像方面有效,則可用一第一差值濾波器有效性度量10對一第一差值濾波器進行分類,指示第一差值濾波器在使第一缺陷群組成像方面非常有效。相反地,若第一差值濾波器在使一第二缺陷群組成像方面無效,則可用一第二差值濾波器有效性度量1對第一差值濾波器進行分類,指示第一差值濾波器在使第二缺陷群組成像方面非常無效。因此,藉由根據差值濾波器在使所關注區域成像方面之有效性對差值濾波器進行分類,本發明之系統不但可識別哪些差值濾波器對各特定類型之缺陷最有效,而且識別各差值濾波器對哪些類型之缺陷有效及/或無效。
在另一實施例中,控制器104之一或多個處理器106可經組態以產生指示針對各類型(例如,群組)之缺陷之可能差值濾波器及該等差值濾波器之相關聯差值濾波器有效性度量之一資料庫並將該資料庫儲存於記憶體108中。一使用者可能夠經由使用者輸入裝置113及顯示器114對資料庫進行分類、濾波、搜尋並觀看資料庫。
在一步驟208中,產生一深度學習網路分類器。在一項實施例中,基於所接收分類(例如,差值濾波器有效性度量)及複數個訓練缺陷之屬性(例如,訓練缺陷之類型/群組及類似者)而產生或訓練深度學習網路分類器。舉例而言,控制器104之一或多個處理器106可產生或訓練深度學習網路分類器並將該深度學習網路分類器儲存於記憶體108中。在一些實施例中,深度學習網路分類器可包含一淺層深度學習網路分類器。
在一步驟210中,提取深度學習網路分類器之廻旋層濾波器。舉例而言,控制器104之一或多個處理器106可提取深度學習網路分類器之廻旋層濾波器,且將層儲存於記憶體108中。本文中應注意,在深度學習網路分類器包含一淺層深度學習網路分類器的實施例中,一或多個處理器106可僅從淺層深度學習網路分類器提取一單一廻旋層濾波器。
在一步驟212中,基於所提取之廻旋層濾波器產生一或多個差值濾波器配方。舉例而言,控制器104之一或多個處理器106可至少部分基於所提取之廻旋層濾波器而產生一或多個差值濾波器配方。一或多個處理器106可進一步經組態以將一或多個差值濾波器配方儲存於記憶體108中。
在一步驟214中,使用一或多個差值濾波器配方之至少一者來擷取一樣品之一或多個產品影像。舉例而言,控制器104之一或多個處理器106可經組態以導致檢測子系統102使用儲存於記憶體108中之一或多個差值濾波器配方之至少一者來擷取樣品112之一或多個產品影像109。一或多個處理器106可進一步經組態以將一或多個產品影像109儲存於記憶體108中。如本文中使用,差值濾波器配方可包含指示應使用以便最佳化各種類型之所關注區域之成像之差值濾波器的成像配方。
在另一實施例中,控制器104經組態以導致檢測子系統102使用多個差值濾波器配方來擷取樣品112之產品影像109。舉例而言,控制器104可經組態以導致檢測子系統102將一第一差值濾波器配方用於樣品112之一第一區,且將一第二差值濾波器配方用於樣品112之一第二區。在此方面,本發明之實施例可提供先前方法之優點,此係因為系統100可實現用於多模式檢測之更高效差值濾波器選擇。此外,藉由透過使用一深度學習網路分類器使差值濾波器之選擇自動化,本發明之概念可增強所關注區域(例如,缺陷、妨害區域)之可偵測性,且可藉由從各種光學器件模式估計差值濾波器而針對全部類型之所關注區域最佳化差值濾波器使用。此外,本發明之實施例可減少及/或消除歸因於差值濾波器之手動選擇的檢測結果之可變性。
在一步驟216中,可使用一或多個產品影像以進一步訓練深度學習網路分類器。舉例而言,控制器104之一或多個處理器106可經組態以用差值濾波器有效性度量對用於一或多個產品影像109之差值濾波器進行分類(步驟206),訓練深度學習網路分類器(步驟208),提取深度學習網路分類器之廻旋層濾波器(步驟210),且產生一或多個額外差值濾波器配方(步驟212)。本文中預期,用產品影像109重新訓練一深度學習網路分類器可促進深度學習網路分類器之進一步精細化,且可幫助產生更有效且高效差值濾波器配方。
在另一實施例中,控制器104可經組態以基於產品影像109之一或多個特性(例如,產品影像109內之缺陷或妨害區之特性)而調整一或多個程序工具。舉例而言,控制器104可經組態以基於產品影像109之一或多個特性而調整一微影工具、植入工具、拋光工具、製造工具及類似者之至少一者。
圖3繪示根據本發明之一或多項實施例之用於產生一孔徑設定配方之一方法300之一流程圖。本文中應注意,方法300之步驟可全部或部分藉由系統100實施。然而,應進一步認知,方法300不限於系統100,此係因為額外或替代系統級實施例可實行方法300之全部或部分步驟。此外,本文中應注意,除非本文中另有說明,否則與圖2中描繪之方法200相關聯之任何描述可被認為在適用程度上適用於圖3中描繪之方法300。
在一步驟302中,使用複數個孔徑設定來擷取一樣品之一或多個訓練影像。如本文中使用,術語「孔徑設定」可係指「成像」孔徑設定及/或「返回路徑」孔徑設定。本文中應注意,成像孔徑設定及返回路徑孔徑設定可與「入射」孔徑設定區分。在實施例中,一或多個訓練影像107包含樣品112上之多個訓練缺陷。一或多個訓練影像107內之多個訓練缺陷可包含多個缺陷類型。在另一實施例中,控制器104經組態以接收一或多個訓練影像107且將所接收訓練影像107儲存於記憶體108中。
在一項實施例中,將複數個訓練缺陷之至少一部分分組。可基於複數個訓練缺陷之一或多個屬性將該複數個訓練缺陷分組成兩個或更多個缺陷群組(例如,缺陷之類型)之一者。舉例而言,控制器104之一或多個處理器106可經組態以識別一或多個訓練影像107內之複數個訓練缺陷。一或多個處理器106可進一步經組態以將複數個缺陷之至少一部分分組成兩個或更多個群組之一者,使得相似缺陷被分組成相同群組。
在一步驟304中,用一孔徑設定有效性度量對複數個孔徑設定進行分類。可基於複數個訓練影像107之一或多個特性用一孔徑設定有效性度量對複數個孔徑設定進行分類。在一項實施例中,對複數個孔徑設定進行分類包含接收指示該複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一分類的一或多個信號。舉例而言,一使用者可對複數個孔徑設定之至少一部分手動分類。例如,一使用者可經由使用者輸入裝置113輸入一或多個輸入命令,其中該一或多個輸入命令經組態以將一孔徑設定有效性度量指派給一孔徑設定。本文中應注意,除非本文中另有說明,否則與差值濾波器有效性度量相關聯之任何論述可被視為適用於孔徑設定有效性度量。
在一步驟306中,產生一深度學習網路分類器。在一項實施例中,基於所接收分類(例如,孔徑設定有效性度量)及複數個訓練缺陷之屬性(例如,訓練缺陷之類型/群組及類似者)而產生或訓練深度學習網路分類器。舉例而言,控制器104之一或多個處理器106可產生或訓練深度學習網路分類器並將該深度學習網路分類器儲存於記憶體108中。在一些實施例中,深度學習網路分類器可包含一淺層深度學習網路分類器。
在一步驟308中,提取深度學習網路分類器之廻旋層濾波器。舉例而言,控制器104之一或多個處理器106可提取深度學習網路分類器之廻旋層濾波器,且將層儲存於記憶體108中。本文中應注意,在深度學習網路分類器包含一淺層深度學習網路分類器的實施例中,一或多個處理器106可僅從淺層深度學習網路分類器提取一單一廻旋層濾波器。
在一步驟310中,基於所提取之廻旋層濾波器產生一或多個孔徑設定配方。舉例而言,控制器104之一或多個處理器106可至少部分基於所提取之廻旋層濾波器而產生一或多個差值濾波器配方。在一項實施例中,產生一或多個孔徑設定配方可包含對所提取之廻旋層濾波器執行一或多個頻域分析以基於所提取之廻旋層濾波器而產生一或多個孔徑設定配方。舉例而言,執行一或多個頻域分析可包含執行一傅立葉分析。例如,一或多個處理器106可經組態以對所提取之廻旋層濾波器執行一傅立葉分析以在一頻域中分析廻旋層濾波器以便獲取最佳化照明/偵測孔徑設定(例如,產生孔徑設定配方)。
在一步驟312中,使用一或多個孔徑設定配方之至少一者來擷取一樣品之一或多個產品影像。舉例而言,控制器104之一或多個處理器106可經組態以基於一或多個孔徑設定配方而調整檢測子系統102之一或多個特性(例如,使檢測子系統102符合一孔徑設定配方)。控制器104可進一步經組態以使用儲存於記憶體108中之一或多個孔徑設定配方之至少一者來擷取樣品112之一或多個產品影像109。一或多個處理器106可進一步經組態以將一或多個產品影像109儲存於記憶體108中。
如本文中先前所述,控制器104可經組態以導致檢測子系統102使用多個孔徑設定配方來擷取樣品112之產品影像109。舉例而言,控制器104可經組態以導致檢測子系統102將一第一孔徑設定配方用於樣品112之一第一區,且將一第二孔徑設定配方用於樣品112之一第二區。在多個孔徑設定配方用於樣品112之一單一區的實施例中,控制器104可經組態以儲存及/或顯示具有最高品質之產品影像109 (例如,以最高效孔徑設定配方獲取)。
在一步驟314中,可使用一或多個產品影像以進一步訓練深度學習網路分類器。舉例而言,控制器104之一或多個處理器106可經組態以用孔徑設定有效性度量對用於一或多個產品影像109之孔徑設定進行分類(步驟304),訓練深度學習網路分類器(步驟306),提取深度學習網路分類器之廻旋層濾波器(步驟308),且產生一或多個額外孔徑設定配方(步驟310)。本文中預期,用產品影像109重新訓練一深度學習網路分類器可促進深度學習網路分類器之進一步精細化,且可幫助產生更有效且高效孔徑設定配方。
圖4繪示根據本發明之一或多項實施例之用於缺陷檢視及分析之一系統100之一簡化方塊圖。系統100可包含(但不限於)一檢測子系統102、一控制器104、一使用者介面110、一三維(3D)印表機116、及一可致動裝置118。
在一項實施例中,系統100包含通信耦合至控制器104的一3D印表機116。在另一實施例中,3D印表機116經組態以回應於從控制器104接收之一或多個控制信號而製造/列印一或多個孔徑117。一或多個控制信號可經組態以導致3D印表機116基於一或多個產生之孔徑設定配方而製造一或多個孔徑117。舉例而言,在步驟310中,一或多個處理器106可產生一或多個孔徑設定配方。接著,一或多個處理器106可經組態以產生一或多個控制信號,該一或多個控制信號經組態以導致3D印表機116基於產生之孔徑設定配方而產生一或多個孔徑117。接著,可使用由3D印表機116產生之一或多個孔徑117來檢測/特性化額外樣品112 (例如,步驟312)。本文中預期,一3D印表機116可允許根據產生之孔徑設定配方之定製及「即時」孔徑117製造。然而,本文中應進一步注意,必須仔細選擇用於經由3D印表機116自動產生孔徑117之材料以免因導致失真、在所擷取影像上產生假影及類似者而改變及/或破壞系統100之光學路徑。
在另一實施例中,系統100包含通信耦合至控制器104的一可致動裝置118。在一項實施例中,可致動裝置118經組態以接收、處置及/或輸送系統100內之孔徑117。在此方面,可致動裝置118可包含經組態以處置且輸送孔徑117及/或系統100之額外/替代元件的任何可致動裝置,包含(但不限於)一機械臂。可致動裝置118 (例如,機械臂118)可經組態以基於所儲存程式指令(例如,可程式化機械臂118)、從控制器104接收之一或多個控制信號及類似者而致動。在一項實施例中,可致動裝置118可經組態以擷取孔徑117且將孔徑117放置於系統100內之適當位置。舉例而言,一或多個處理器106可產生一或多個控制信號,該一或多個控制信號經組態以導致可致動裝置118擷取由3D印表機116製造之一孔徑117並將孔徑117放置至其在系統100內之正確位置中。
本發明之實施例係關於一種用於藉由使用一深度學習網路分類器以估計差值濾波器配方及/或孔徑設定配方而增強缺陷信號且減少信號妨害的系統及方法。本文中預期,本發明之發明概念可允許差值濾波器及孔徑設定之更高效選擇,此將最佳化影像擷取。本發明之額外實施例係關於使用一深度學習網路分類器來選擇差值濾波器配方及/或孔徑設定配方以便促進多模式檢測。
熟習此項技術者將認知,為了概念清楚使用本文中描述之組件(例如,操作)、裝置、物件及伴隨其等之論述作為實例且預期各種組態修改。因此,如本文中使用,闡述之特定範例及隨附論述意欲表示其等更一般的類別。一般而言,任何特定範例之使用意欲表示其類別,且不包含特定組件(例如,操作)、裝置及物件不應被視為限制性的。
熟習此項技術者將瞭解,存在各種運載工具,藉由該等運載工具可實現本文中描述之程序及/或系統及/或其他技術(例如,硬體、軟體及/或韌體),且較佳運載工具將隨部署程序及/或系統及/或其他技術之環境而變化。舉例而言,若一實施者判定速度及準確性最重要,則實施者可選擇一主要硬體及/或韌體運載工具;替代地,若可撓性最重要,則實施者可選擇一主要軟體實施方案;或,又替代地,實施者可選擇硬體、軟體及/或韌體之某一組合。因此,存在數個可能運載工具,藉由該等運載工具可實現本文中描述之程序及/或裝置及/或其他技術,其等本質上皆不優於另一者,此係因為任何待利用運載工具係取決於將部署運載工具之環境及實施者之特定關注點(例如,速度、可撓性或可預測性)之一選擇,故其等之任一者可變化。
關於本文中使用實質上任何複數及/或單數術語,熟習此項技術者可視上下文及/或應用從複數轉化為單數及/或從單數轉化為複數。為清楚起見,本文中未明確闡述各種單數/複數排列。
本文中描述之全部方法可包含將方法實施例之一或多個步驟之結果儲存於記憶體中。結果可包含本文中描述之結果之任一者且可以此項技術中已知之任何方式儲存。記憶體可包含本文中描述之任何記憶體或此項技術中已知之任何其他適合儲存媒體。在已儲存結果之後,結果可在記憶體中存取且由本文中所描述之方法或系統實施例之任一者使用、經格式化以對一使用者顯示、由另一軟體模組、方法或系統使用及類似者。此外,結果可「永久」、「半永久」、「暫時」或在某一時段內儲存。舉例而言,記憶體可為隨機存取記憶體(RAM),且結果可能不一定無限期地保留於記憶體中。
應進一步預期,上文描述之方法之實施例之各者可包含本文中描述之(若干)任何其他方法之(若干)任何其他步驟。另外,上文描述之方法之實施例之各者可由本文中描述之系統之任一者執行。
本文中描述之標的有時繪示含於其他組件內或與其他組件連接之不同組件。應瞭解,此等所描繪架構僅為例示性的,且事實上可實施達成相同功能性之許多其他架構。在一概念意義上,用以達成相同功能性之任何組件配置經有效「相關聯」,使得達成所要功能性。因此,在本文中組合以達成一特定功能性之任何兩個組件可被視為彼此「相關聯」,使得達成所要功能性,而與架構或中間組件無關。同樣地,如此相關聯之任何兩個組件亦可被視為彼此「連接」或「耦合」以達成所要功能性,且能夠如此相關聯之任何兩個組件亦可被視為彼此「可耦合」以達成所要功能性。可耦合之特定實例包含但不限於可實體上配接及/或實體上相互作用之組件及/或可無線相互作用及/或無線相互作用之組件及/或邏輯相互作用及/或可邏輯相互作用之組件。
此外,應理解,本發明係藉由隨附發明申請專利範圍定義。此項技術者將理解,一般而言,本文中且尤其是隨附發明申請專利範圍(例如,隨附發明申請專利範圍之主體)中所使用之術語一般意欲為「開放式」術語(例如,術語「包含(including)」應被解釋為「包含(但不限於)」,術語「具有」應被解釋為「至少具有」,術語「包含(includes)」應被解釋為「包含(但不限於)」及類似者)。此項技術者應進一步理解,若想要一引入請求項敘述之一特定數目,則此一意向將明確敘述於請求項中,且若缺乏此敘述,則不存在此意向。例如,作為理解之一輔助,以下隨附發明申請專利範圍可含有使用引導性片語「至少一」及「一或多個」來引入請求項敘述。然而,此等片語之使用不應被解釋為隱含:由不定冠詞「一」或「一個」引入之一請求項敘述將含有此引入請求項敘述之任何特定請求項限制為僅含有此一敘述之發明,即使相同請求項包含引導性片語「一或多個」或「至少一」及諸如「一」或「一個」之不定冠詞(例如,「一」及/或「一個」通常應被解釋為意指「至少一」或「一或多個」);上述內容對用於引入請求項敘述之定冠詞之使用同樣適用。另外,即使明確敘述一引入請求項敘述之一特定數目,但熟習此項技術者亦應認知,此敘述通常應被解釋為意指至少該敘述數目(例如,「兩條敘述」之基本敘述(無其他修飾語)通常意指至少兩條敘述或兩條或兩條以上敘述)。此外,在其中使用類似於「A、B及C之至少一者,及類似者」之一慣用表述的例項中,此一構造一般意指熟習此項技術者將理解之慣用表述意義(例如,「具有A、B及C之至少一者之一系統」將包含(但不限於)僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C之系統,及類似者)。在其中使用類似於「A、B或C之至少一者,及類似者」之一慣用表述的例項中,此一構造一般意指熟習此項技術者將理解之慣用表述意義(例如,「具有A、B或C之至少一者之一系統」將包含(但不限於)僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C之系統,及類似者)。此項技術者應進一步理解,無論在實施方式、發明申請專利範圍或圖式中,呈現兩個或更多個替代項之幾乎任何轉折連詞及/或片語應被理解為涵蓋以下可能性:包含該等項之一者、該等項之任一者或兩項。例如,片語「A或B」將被理解為包含「A」或「B」或「A及B」之可能性。
據信,將藉由前文描述來理解本發明及其諸多伴隨優點,且應明白,可在不背離所揭示標的或不犧牲其全部材料優點之情況下對組件之形式、構造及配置作出各種改變。所描述之形式僅供說明,且以下發明申請專利範圍意欲涵蓋及包含此等改變。此外,應理解,本發明係藉由隨附發明申請專利範圍定義。
100:系統
101:電子源/照明源
102:檢測子系統/檢測工具
103:偵測器總成
104:控制器
105:電子光學組件/光學元件
106:處理器
107:訓練影像
108:記憶體
109:產品影像
110:使用者介面
112:樣品
113:使用者輸入裝置
114:顯示器/顯示裝置
115:樣本載物台
116:程式指令/三維(3D)印表機
117:孔徑
118:可致動裝置/機械臂
200:方法
202:步驟
204:步驟
206:步驟
208:步驟
210:步驟
212:步驟
214:步驟
216:步驟
300:方法
302:步驟
304:步驟
306:步驟
308:步驟
310:步驟
312:步驟
314:步驟
藉由參考附圖,熟習此項技術者可更佳地理解本發明之許多優點,其中:
圖1繪示根據本發明之一或多項實施例之用於缺陷檢視及分析之一系統之一簡化方塊圖;
圖2繪示根據本發明之一或多項實施例之用於產生一差值濾波器配方之一方法之一流程圖;
圖3繪示根據本發明之一或多項實施例之用於產生一孔徑設定配方之一方法之一流程圖,及
圖4繪示根據本發明之一或多項實施例之用於缺陷檢視及分析之一系統之一簡化方塊圖。
100:系統
101:電子源/照明源
102:檢測子系統/檢測工具
103:偵測器總成
104:控制器
105:電子光學組件/光學元件
106:處理器
107:訓練影像
108:記憶體
109:產品影像
110:使用者介面
112:樣品
113:使用者輸入裝置
114:顯示器/顯示裝置
115:樣本載物台
Claims (38)
- 一種選擇差值濾波器之系統,其包括:一控制器,其包含一或多個處理器,該一或多個處理器經組態以執行儲存在記憶體中的程式指令,其中該等指令經組態以使得該一或多個處理器:接收一樣品之一或多個訓練影像,該一或多個訓練影像包含複數個所關注訓練區域;將複數個差值濾波器應用於該一或多個訓練影像;接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一分類的一信號;基於該所接收分類及該複數個所關注訓練區域之屬性而產生一淺層深度學習網路分類器;自該淺層深度學習網路分類器提取一單一廻旋層濾波器;及基於該所提取之單一廻旋層濾波器而產生一或多個差值濾波器配方,其中該一或多個差值濾波器配方包含一系列差值濾波器,其中該等差值濾波器的二或更多個差值濾波器是不同的大小(size)以便在暴露於寬頻照明時增進多個所關注類型之缺陷的偵測。
- 如請求項1之系統,其進一步包括一檢測子系統,其中該控制器經組態以從該檢測子系統接收該一或多個訓練影像或一或多個產品影像之至少一者。
- 如請求項1之系統,其進一步包括一檢測子系統,其中該檢測子系統經組態以使用該一或多個差值濾波器配方來擷取一樣品之至少一部分之一或多個產品影像。
- 如請求項3之系統,其中該檢測子系統包括一掃描電子顯微鏡(SEM)檢測系統。
- 如請求項3之系統,其中該檢測子系統經組態以使用針對一樣品之至少一部分之一第一區之一第一差值濾波器配方及針對該樣品之該部分之一額外區之一額外差值濾波器配方來擷取該樣品之該部分之一或多個產品影像。
- 如請求項1之系統,其中該接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一分類的一信號包括:從一使用者介面裝置接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一手動分類的一信號。
- 如請求項1之系統,其中該複數個差值濾波器之至少一部分之該差值濾波器有效性度量之該分類包括:應用於一第一所關注區域群組之一第一差值濾波器之一第一差值濾波器有效性度量;及應用於該第一所關注區域群組之一第二差值濾波器之一第二差值 濾波器有效性度量。
- 如請求項1之系統,其中該複數個差值濾波器之至少一部分之該差值濾波器有效性度量之該分類包括:應用於一所關注區域群組之一第一差值濾波器之一第一差值濾波器有效性度量;及應用於該所關注區域群組之該第一差值濾波器之一第二差值濾波器有效性度量。
- 如請求項1之系統,其中該控制器進一步經組態以將該一或多個訓練影像錄製至一虛擬檢測器-虛擬分析器(VIVA)網路。
- 如請求項1之系統,其中該複數個所關注訓練區域包含一或多個缺陷或一或多個妨害區之至少一者。
- 一種選擇孔徑設定之系統,其包括:一控制器,其包含一或多個處理器,該一或多個處理器經組態以執行儲存在記憶體中的程式指令,其中該等指令經組態以使得該一或多個處理器:使用複數個孔徑設定來接收一樣品之一或多個訓練影像,該一或多個訓練影像包含複數個所關注訓練區域;接收指示該複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一分類的一信號; 基於該所接收分類及該複數個所關注訓練區域之屬性而產生一淺層深度學習網路分類器;自該淺層深度學習網路分類器提取一單一廻旋層濾波器;對該單一廻旋層濾波器執行一或多個數學分析以基於該所提取之單一廻旋層濾波器而產生一或多個孔徑設定配方;及基於該所提取之單一廻旋層濾波器而產生一或多個孔徑設定配方,其中該一或多個孔徑設定配方包含一系列孔徑設定以便在暴露於寬頻照明時增進多個所關注類型之缺陷的偵測。
- 如請求項11之系統,其進一步包括一檢測子系統,其中該控制器經組態以從該檢測子系統接收該一或多個訓練影像或一或多個產品影像之至少一者。
- 如請求項11之系統,其進一步包括一檢測子系統,其中該檢測子系統經組態以使用該一或多個孔徑設定配方來擷取一樣品之至少一部分之一或多個產品影像。
- 如請求項13之系統,其中該檢測子系統包括一掃描電子顯微鏡(SEM)檢測系統。
- 如請求項13之系統,其中該檢測子系統經組態以使用針對一樣品之至少一部分之一第一區之一第一孔徑設定配方及針對該樣品之該部分之一額外區之一額外孔徑設定配方來擷取該樣品之該部分之一或多個產品影 像。
- 如請求項11之系統,其中該接收指示該複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一分類的一信號包括:從一使用者介面裝置接收指示該複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一手動分類的一信號。
- 如請求項11之系統,其中該複數個孔徑設定之至少一部分之該孔徑設定有效性度量之該分類包括:應用於一第一所關注區域群組之一第一孔徑設定之一第一孔徑設定有效性度量;及應用於該第一所關注區域群組之一第二孔徑設定之一第二孔徑設定有效性度量。
- 如請求項11之系統,其中該複數個孔徑設定之至少一部分之該孔徑設定有效性度量之該分類包括:應用於一所關注區域群組之一第一孔徑設定之一第一孔徑設定有效性度量;及應用於該所關注區域群組之一第二孔徑設定之一第二孔徑設定有效性度量。
- 如請求項11之系統,其中該控制器進一步經組態以將該一或多個訓練影像錄製至一虛擬檢測器-虛擬分析器(VIVA)網路。
- 如請求項11之系統,其中該一或多個數學分析包括一傅立葉分析。
- 如請求項11之系統,其中該複數個所關注訓練區域包含一或多個缺陷或一或多個妨害區之至少一者。
- 一種選擇差值濾波器之方法,其包括:擷取一樣品之一或多個訓練影像,該一或多個訓練影像包含複數個所關注訓練區域;將複數個差值濾波器應用於該一或多個訓練影像以產生一或多個經濾波訓練影像;接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一分類的一信號;基於該所接收分類及該複數個所關注訓練區域之屬性而產生一淺層深度學習網路分類器;自該淺層深度學習網路分類器提取一單一廻旋層濾波器;基於該所提取之單一廻旋層濾波器而產生一或多個差值濾波器配方,其中該一或多個差值濾波器配方包含一系列差值濾波器,其中該等差值濾波器的二或更多個差值濾波器是不同的大小(size)以便在暴露於寬頻照明時增進多個所關注類型之缺陷的偵測;及使用該一或多個差值濾波器配方之至少一者來擷取一樣品之一或多個產品影像。
- 如請求項22之方法,其中該接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一分類的一信號包括:從一使用者介面裝置接收指示該複數個差值濾波器之至少一部分之一差值濾波器有效性度量之一手動分類的一信號。
- 如請求項22之方法,其中該複數個差值濾波器之至少一部分之該差值濾波器有效性度量之該分類包括:應用於一第一所關注區域群組之一第一差值濾波器之一第一差值濾波器有效性度量;及應用於該第一所關注區域群組之一第二差值濾波器之一第二差值濾波器有效性度量。
- 如請求項22之方法,其中該複數個差值濾波器之至少一部分之該差值濾波器有效性度量之該分類包括:應用於一所關注區域群組之一第一差值濾波器之一第一差值濾波器有效性度量;及應用於該所關注區域群組之該第一差值濾波器之一第二差值濾波器有效性度量。
- 如請求項22之方法,其中該一或多個訓練影像包括一或多個掃描電子顯微鏡(SEM)影像。
- 如請求項22之方法,其中該方法進一步包括將該一或多個訓練影像 錄製至一虛擬檢測器-虛擬分析器(VIVA)網路。
- 如請求項22之方法,其中使用該一或多個差值濾波器配方之至少一者來擷取一樣品之一或多個產品影像包括:使用針對一樣品之一第一區之一第一差值濾波器配方及針對該樣品之一額外區之一額外差值濾波器配方來擷取該樣品之一或多個產品影像。
- 如請求項22之方法,其中該複數個所關注訓練區域包含一或多個缺陷或一或多個妨害區之至少一者。
- 一種選擇孔徑設定之方法,其包括:使用複數個孔徑設定來擷取一第一樣品之一或多個訓練影像,該一或多個訓練影像包含複數個所關注訓練區域;接收指示該複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一分類的一信號;基於該所接收手動分類及該複數個所關注訓練區域之屬性而產生一深度學習網路分類器;自該深度學習網路分類器提取一單一廻旋層濾波器;對該所提取之單一廻旋層濾波器執行一或多個頻域分析以基於該所提取之單一廻旋層濾波器而產生一或多個孔徑設定配方,其中該一或多個孔徑設定配方包含一系列孔徑設定以便在暴露於寬頻照明時增進多個所關注類型之缺陷的偵測;及 使用該一或多個孔徑設定配方之至少一者來擷取一第二樣品之一或多個產品影像。
- 如請求項30之方法,其中該接收指示該複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一分類的一信號包括:從一使用者介面裝置接收指示該複數個孔徑設定之至少一部分之一孔徑設定有效性度量之一手動分類的一信號。
- 如請求項30之方法,其中該複數個孔徑設定之至少一部分之該孔徑設定有效性度量之該分類包括:應用於一第一所關注區域群組之一第一孔徑設定之一第一孔徑設定有效性度量;及應用於該第一所關注區域群組之一第二孔徑設定之一第二孔徑設定有效性度量。
- 如請求項30之方法,其中該複數個孔徑設定之至少一部分之該孔徑設定有效性度量之該分類包括:應用於一所關注區域群組之一第一孔徑設定之一第一孔徑設定有效性度量;及應用於該所關注區域群組之一第二孔徑設定之一第二孔徑設定有效性度量。
- 如請求項30之方法,其中該一或多個訓練影像包括一或多個掃描電 子顯微鏡(SEM)影像。
- 如請求項30之方法,其中該方法進一步包括將該一或多個訓練影像錄製至一虛擬檢測器-虛擬分析器(VIVA)網路。
- 如請求項30之方法,其中該使用該一或多個孔徑設定配方之至少一者來擷取一樣品之一或多個產品影像包括:使用針對一樣品之一第一區之一第一孔徑設定配方及針對該樣品之一額外區之一額外孔徑設定配方來擷取該樣品之一或多個產品影像。
- 如請求項30之方法,其中該複數個所關注訓練區域包含一或多個缺陷或一或多個妨害區之至少一者。
- 如請求項30之方法,其中該一或多個頻域分析包含一傅立葉分析。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201841046361 | 2018-12-07 | ||
IN201841046361 | 2018-12-07 | ||
US16/277,769 | 2019-02-15 | ||
US16/277,769 US11151707B2 (en) | 2018-12-07 | 2019-02-15 | System and method for difference filter and aperture selection using shallow deep learning |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202037910A TW202037910A (zh) | 2020-10-16 |
TWI805875B true TWI805875B (zh) | 2023-06-21 |
Family
ID=70972606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108144621A TWI805875B (zh) | 2018-12-07 | 2019-12-06 | 使用淺層深度學習的差值濾波器及孔徑選擇之系統與方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11151707B2 (zh) |
KR (1) | KR102574356B1 (zh) |
CN (1) | CN113168695B (zh) |
TW (1) | TWI805875B (zh) |
WO (1) | WO2020118126A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11017522B2 (en) * | 2019-04-18 | 2021-05-25 | Taiwan Semiconductor Manufacturing Co., Ltd. | Inspection and cleaning system and method for the same |
JP2021026926A (ja) * | 2019-08-07 | 2021-02-22 | 株式会社日立ハイテク | 画像生成方法、非一時的コンピューター可読媒体、及びシステム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189055A1 (en) * | 2014-12-31 | 2016-06-30 | Applied Materials Israel Ltd. | Tuning of parameters for automatic classification |
WO2017136215A1 (en) * | 2016-02-01 | 2017-08-10 | Kla-Tencor Corporation | Methods and systems for selecting recipe for defect inspection |
TW201734888A (zh) * | 2016-01-11 | 2017-10-01 | 克萊譚克公司 | 使用基於學習之模型加速半導體相關計算 |
US20180075594A1 (en) * | 2016-09-14 | 2018-03-15 | Kla-Tencor Corporation | Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion |
CN107820620A (zh) * | 2015-05-08 | 2018-03-20 | 科磊股份有限公司 | 用于缺陷分类的方法和系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7602962B2 (en) | 2003-02-25 | 2009-10-13 | Hitachi High-Technologies Corporation | Method of classifying defects using multiple inspection machines |
US9734422B2 (en) * | 2014-11-12 | 2017-08-15 | Kla-Tencor Corporation | System and method for enhanced defect detection with a digital matched filter |
US10650508B2 (en) * | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
US9922269B2 (en) | 2015-06-05 | 2018-03-20 | Kla-Tencor Corporation | Method and system for iterative defect classification |
US9734567B2 (en) * | 2015-06-24 | 2017-08-15 | Samsung Electronics Co., Ltd. | Label-free non-reference image quality assessment via deep neural network |
WO2018165753A1 (en) | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
TWI606531B (zh) | 2017-03-30 | 2017-11-21 | 義守大學 | 適用於三維晶片的缺陷測試方法及系統 |
US11257207B2 (en) * | 2017-12-28 | 2022-02-22 | Kla-Tencor Corporation | Inspection of reticles using machine learning |
CN108346159B (zh) * | 2018-01-28 | 2021-10-15 | 北京工业大学 | 一种基于跟踪-学习-检测的视觉目标跟踪方法 |
-
2019
- 2019-02-15 US US16/277,769 patent/US11151707B2/en active Active
- 2019-12-06 KR KR1020217021206A patent/KR102574356B1/ko active IP Right Grant
- 2019-12-06 TW TW108144621A patent/TWI805875B/zh active
- 2019-12-06 WO PCT/US2019/064807 patent/WO2020118126A1/en active Application Filing
- 2019-12-06 CN CN201980079469.XA patent/CN113168695B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189055A1 (en) * | 2014-12-31 | 2016-06-30 | Applied Materials Israel Ltd. | Tuning of parameters for automatic classification |
CN107820620A (zh) * | 2015-05-08 | 2018-03-20 | 科磊股份有限公司 | 用于缺陷分类的方法和系统 |
TW201734888A (zh) * | 2016-01-11 | 2017-10-01 | 克萊譚克公司 | 使用基於學習之模型加速半導體相關計算 |
WO2017136215A1 (en) * | 2016-02-01 | 2017-08-10 | Kla-Tencor Corporation | Methods and systems for selecting recipe for defect inspection |
US20180075594A1 (en) * | 2016-09-14 | 2018-03-15 | Kla-Tencor Corporation | Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion |
Also Published As
Publication number | Publication date |
---|---|
CN113168695B (zh) | 2022-07-29 |
CN113168695A (zh) | 2021-07-23 |
WO2020118126A1 (en) | 2020-06-11 |
KR102574356B1 (ko) | 2023-09-01 |
KR20210090718A (ko) | 2021-07-20 |
US11151707B2 (en) | 2021-10-19 |
US20200184628A1 (en) | 2020-06-11 |
TW202037910A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102539921B1 (ko) | 자동으로 생성된 결함 피처를 가진 반도체 구조의 검사를 위한 방법 및 시스템 | |
KR102438824B1 (ko) | 3차원 반도체 구조체들의 검사를 위한 결함 발견 및 레시피 최적화 | |
KR101995618B1 (ko) | 자동화된 검사 시나리오 생성 | |
JP7026719B2 (ja) | 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング | |
TWI699521B (zh) | 用於區域可調適之缺陷偵測的系統及方法 | |
JP6342046B2 (ja) | ビット不良および仮想検査を用いたウェハ検査プロセスの生成 | |
US7903867B2 (en) | Method and apparatus for displaying detected defects | |
TWI673489B (zh) | 以使用一適應性滋擾過濾器產生針對一樣本之檢驗結果之系統及方法,以及非暫時性電腦可讀媒體 | |
KR20170082559A (ko) | 웨이퍼 결함 발견 | |
TWI744540B (zh) | 用於高效處理窗口探索之混合檢測系統 | |
TW201351346A (zh) | 用於自動化檢查半導體器件之配方產生之方法,電腦系統及裝置 | |
JP2022504505A (ja) | 半導体基板の限界寸法測定のための深層学習ベースの適応関心領域 | |
JP7376588B2 (ja) | 全ウェハカバレッジ能力を有する超高感度ハイブリッド検査 | |
TWI819229B (zh) | 用於判定缺陷之系統和方法 | |
KR20170086061A (ko) | 디지털 매칭된 필터를 사용한 향상된 결함 검출을 위한 시스템 및 방법 | |
TWI805875B (zh) | 使用淺層深度學習的差值濾波器及孔徑選擇之系統與方法 | |
KR20160084423A (ko) | 계측 최적화 검사 | |
TW202208840A (zh) | 模式選擇和缺陷偵測訓練 | |
KR20180123173A (ko) | 노이즈 경계 임계값에 의한 웨이퍼 검사 시스템 및 방법 |