TWI812856B

TWI812856B - 用於缺陷偵測之系統及電腦實施方法，非暫時性電腦可讀媒體，及用於產生參考影像之系統

Info

Publication number: TWI812856B
Application number: TW109111555A
Authority: TW
Inventors: 張晶; 袁周寧; 董宇杰; 克里斯畢海斯卡
Original assignee: 美商科磊股份有限公司
Priority date: 2019-04-09
Filing date: 2020-04-06
Publication date: 2023-08-21
Also published as: KR20210138116A; IL299819A; IL299819B1; US20230118839A1; US20200327654A1; US11551348B2; TW202105264A; IL299819B2; CN113678236A; IL286407B1; IL286407B2; IL286407A; WO2020210178A1

Abstract

本發明提供用於半導體應用之可學習缺陷偵測方法及系統。一種系統包含一深度度量學習缺陷偵測模型，其經組態以用於將一樣品之一測試影像及一對應參考影像投影至潛在空間中，判定在該潛在空間中該測試影像之一或多個不同部分與該對應參考影像之對應部分之間的一距離，及基於該等經判定距離而偵測該測試影像之該一或多個不同部分中之缺陷。另一系統包含一可學習低秩參考影像產生器，其經組態以用於自一樣品之一或多個測試影像移除雜訊，藉此產生對應於該一或多個測試影像之一或多個參考影像。

Description

用於缺陷偵測之系統及電腦實施方法，非暫時性電腦可讀媒體，及用於產生參考影像之系統

本發明大體而言係關於用於半導體應用之可學習缺陷偵測方法及系統。某些實施例係關於用於使用一深度度量學習缺陷偵測模型及/或一可學習低秩參考影像產生器來偵測一樣品上之缺陷之系統及方法。

以下說明及實例並不由於其包含於此章節中而被認為是先前技術。

製作諸如邏輯及記憶體裝置等半導體裝置通常包含使用眾多半導體製作製程來處理諸如一半導體晶圓之一基板以形成半導體裝置之各種特徵及多個層級。舉例而言，微影係涉及將一圖案自一光罩轉印至配置於一半導體晶圓上之一抗蝕劑之一半導體製作製程。半導體製作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。可將多個半導體裝置製作於一單個半導體晶圓上之一配置中且然後將其分離成個別半導體裝置。

在一半導體製造製程期間在各個步驟處使用檢測製程來偵測晶圓上之缺陷以促成在製造製程中之較高良率及因此較高利潤。檢測一直是製作半導體裝置之一重要部分。然而，隨著半導體裝置之尺寸減小，檢測對可接受半導體裝置之成功製造變得甚至更加重要，此乃因較小缺陷可導致裝置不合格。

大多數檢測方法包含兩個主要步驟：產生一參考影像，後續接著執行缺陷偵測。存在用以執行每一步驟之諸多不同方式。舉例而言，可藉由判定多個影像之一中值或平均值而產生一參考影像。在另一實例中，參考影像可係基於低秩近似之一經建構參考及替代物。缺陷偵測亦可以若干種不同方式執行。舉例而言，缺陷偵測可係無監督式的，使用一基於減法之偵測演算法(例如，MDAT、LCAT等)。另一選擇係，缺陷偵測可係監督式的，使用一像素級偵測演算法(例如，使用一深度學習(DL)模型及電子束影像執行之單個影像偵測)。

然而，當前使用之各種缺陷偵測方法存在若干個缺點。舉例而言，藉由計算一中值或平均值而產生一參考影像通常不足以處理晶粒間製程差異，儘管基於低秩近似之經建構參考及替代物部分地解決此問題。然而，經建構參考及替代物對於一晶圓上之子區可能無效且可能毀壞缺陷信號。當前使用之無監督式缺陷偵測方法係不利的，此乃因偵測取決於參考影像及測試影像之品質。此類無監督式缺陷偵測方法亦不提供針對目標缺陷類型或相對小的缺陷之選擇性靈敏度增強。監督式缺陷偵測方法需要大量經標記缺陷候選者來進行訓練，此在實踐中對於處方設置可係耗時的。

因此，開發用於半導體應用之不具有上文所闡述之缺點中之一或多者之可學習缺陷偵測系統及方法將係有利的。

各項實施例之以下說明不應以任何方式被視為限制隨附申請專利範圍之標的物。

一項實施例係關於一種經組態以偵測一樣品上之缺陷之系統。該系統包含一或多個電腦系統及由該一或多個電腦系統執行之一或多個組件。該一或多個組件包含一深度度量學習(DML)缺陷偵測模型，該DML缺陷偵測模型經組態以用於將針對一樣品產生之一測試影像及一對應參考影像投影至潛在空間中。針對該測試影像之一或多個不同部分，該DML缺陷偵測模型亦經組態以用於判定在該潛在空間中該一或多個不同部分與該對應參考影像之對應一或多個部分之間的一距離。另外，該DML缺陷偵測模型經組態以用於基於針對該測試影像之該一或多個不同部分判定之該等距離而偵測該測試影像之該一或多個不同部分中之缺陷。可如本文中所闡述地進一步組態該系統。

另一實施例係關於一種用於偵測一樣品上之缺陷之電腦實施之方法。該方法包含將針對一樣品產生之一測試影像及一對應參考影像投影至潛在空間中。該方法亦包含針對該測試影像之一或多個不同部分，判定在該潛在空間中該一或多個不同部分與該對應參考影像之對應一或多個部分之間的一距離。另外，該方法包含分別基於針對該測試影像之該一或多個不同部分判定之距離而偵測該測試影像之該一或多個不同部分中之缺陷。該等投影、判定及偵測步驟係由包含於由一或多個電腦系統執行之一或多個組件中之一DML缺陷偵測模型執行。

可如本文中進一步所闡述執行上文所闡述之方法之步驟中之每一者。另外，上文所闡述之方法之實施例可包含本文中所闡述之任何其他方法之任何其他步驟。此外，上文所闡述之方法可由本文中所闡述之系統中之任一者來執行。

一額外實施例係關於一種非暫時性電腦可讀媒體，其儲存可在一或多個電腦系統上執行以執行用於偵測一樣品上之缺陷之一電腦實施之方法之程式指令。該電腦之實施方法包含上文所闡述之方法之步驟。可如本文中所闡述地進一步組態該電腦可讀媒體。可如本文中進一步所闡述地執行該電腦實施之方法之步驟。另外，可為其執行該等程式指令之該電腦實施之方法可包含本文中所闡述之任何其他方法之任何其他步驟。

又一實施例係關於一種經組態以產生一樣品之一參考影像之系統。該系統包含一或多個電腦系統及由該一或多個電腦系統執行之一或多個組件。該一或多個組件包含一低秩參考影像產生器。該一或多個電腦系統經組態以用於將一樣品之一或多個測試影像輸入至該可學習低秩參考影像產生器中。該一或多個測試影像係針對該樣品上之不同位置產生，該等不同位置對應於該樣品之一設計中之同一位置。該可學習低秩參考影像產生器經組態以用於自該一或多個測試影像移除雜訊，藉此產生對應於該一或多個測試影像之一或多個參考影像。一缺陷偵測組件基於該一或多個測試影像及其對應一或多個參考影像而偵測該樣品上之缺陷。可如本文中所闡述地進一步組態該系統。

另一實施例係關於一種用於產生一樣品之一參考影像之電腦實施之方法。該方法包含將一樣品之一或多個測試影像輸入至一可學習低秩參考影像產生器中。該可學習低秩參考影像產生器包含於由一或多個電腦系統執行之一或多個組件中。該一或多個測試影像係針對該樣品上之不同位置產生，該等不同位置對應於該樣品之一設計中之同一位置。該可學習低秩參考影像產生器經組態以用於自該一或多個測試影像移除雜訊，藉此產生對應於該一或多個測試影像之一或多個參考影像。一缺陷偵測組件基於該一或多個測試影像及其對應一或多個參考影像而偵測該樣品上之缺陷。

一額外實施例係關於一種非暫時性電腦可讀媒體，其儲存可在一或多個電腦系統上執行以執行用於產生一樣品之一參考影像之一電腦實施之方法之程式指令。該電腦實施之方法包含上文所闡述之方法之步驟。可如本文中所闡述地進一步組態該電腦可讀媒體。可如本文中進一步所闡述地執行該電腦實施之方法之步驟。另外，可為其執行該等程式指令之該電腦實施之方法可包含本文中所闡述之任何其他方法之任何其他步驟。

10:成像系統

14:樣品

16:光源/源

18:光學元件

20:透鏡

22:載台

24:聚光器

26:元件

28:偵測器

30:聚光器

32:元件

34:偵測器

36:電腦子系統

102:電腦子系統

122:電子柱

124:電腦子系統

126:電子束源

128:樣品

130:元件

132:元件

134:偵測器

200:設計影像

202:寬頻電漿影像/光學影像

204:寬頻電漿影像/光學影像

206:迴旋神經網路

208:區塊A

210:迴旋神經網路

212:迴旋神經網路

214:切割層

216:切割層

218:批次正規化層

220:批次正規化層

222:批次正規化層

224:級聯層

226:級聯層

228:網路

230:網路

232:區塊B

234:完全連接層與SoftMax層組合

236:區塊C

238:輸出

300:可學習主分量分析區塊

302:晶粒影像

304:參考影像

306:測試影像

308:對應可學習主分量分析產生之參考影像

310:深度學習特徵發現器

312:特徵

314:特徵

316:深度學習潛在投影

318:潛在空間

400:非暫時性電腦可讀媒體/電腦可讀媒體

402:程式指令

404:電腦系統

在受益於對較佳實施例之以下詳細說明之情況下且在參考附圖之後，熟習此項技術者將明瞭本發明之進一步優點，附圖中：圖1及圖1a係圖解說明如本文中所闡述地組態之一系統之實施例之側視圖的示意圖；圖2及圖3係圖解說明可用於本文中所闡述之一或多個組件之網路架構之實施例之示意圖；及圖4係圖解說明儲存用於致使電腦系統執行本文中所闡述之一電腦實施之方法之程式指令的一非暫時性電腦可讀媒體之一項實施例之一方塊圖。

雖然易於對本發明做出各種修改及替代形式，但其特定實施例係以實例方式展示於圖式中且將在本文中詳細地闡述。該等圖式可未按比例。然而，應理解，圖式及對其之詳細說明並非意欲將本發明限制於所揭示之特定形式，而是相反，本發明將涵蓋歸屬於如由隨附申請專利範圍所定義之本發明之精神及範疇內之所有修改、等效形式及替代形式。

現在轉到圖式，應注意各圖並未按比例繪製。特定而言，該等圖之元件中之某些元件之比例被大為放大以強調該等元件之特性。亦應注意，該等圖並未按同一比例繪製。已使用相同元件符號指示可類似地組態之在多於一個圖中展示之元件。除非本文中另外提及，否則所闡述及所展示之元件中之任一者可包含任何適合可商購元件。

一項實施例係關於一種經組態以偵測一樣品上之缺陷之系統。本文中所闡述之實施例大體而言係關於用於諸如光學檢測工具等工具之基於深度學習(DL)及機器學習(ML)之缺陷偵測方法。某些實施例通常經組態以用於半導體檢測及計量應用之可學習低秩缺陷偵測。

本文中所闡述之系統可包含一成像系統，該成像系統包含至少一能量源及一偵測器。能量源經組態以產生被引導至一樣品之能量。偵測器經組態以偵測來自樣品之能量且回應於所偵測能量而產生影像。在一項實施例中，成像系統係組態為一光學成像系統。圖1中展示此一成像系統之一項實施例。

在一項實施例中，樣品係一晶圓。該晶圓可包含半導體技術領域中已知之任何晶圓。儘管本文中可關於一晶圓或若干晶圓闡述某些實施例，但實施例不在其可用於的樣品上受限制。舉例而言，本文中所闡述之實施例可用於諸如光罩、平板、個人電腦(PC)板及其他半導體樣品等樣品。在另一實施例中，樣品係一光罩。該光罩可包含本技術領域中已知的任何光罩。

圖1中所展示之成像系統藉由將光引導至樣品或使光在樣品上方掃描且偵測來自樣品之光而產生光學影像。在於圖1中展示之系統之實施例中，成像系統10包含經組態以將光引導至樣品14之一照明子系統。照明子系統包含至少一個光源。舉例而言，如在圖1中所展示，照明子系統包含光源16。照明子系統可經組態而以一或多個入射角(其可包含一或多個傾斜角及/或一或多個法向角)將光引導至樣品。舉例而言，如圖1中所展示，以一傾斜入射角將來自光源16之光引導穿過光學元件18且接著穿過透鏡20而至樣品14。該傾斜入射角可包含任何適合傾斜入射角，其可隨例如樣品之特性而變化。

成像系統可經組態以在不同時間以不同入射角將光引導至樣品。舉例而言，成像系統可經組態以更改照明子系統之一或多個元件之一或多個特性，使得可以不同於圖1中展示之入射角之一入射角將光引導至樣品。在一項此類實例中，成像系統可經組態以移動光源16、光學元件18及透鏡20，使得以一不同傾斜入射角或一法向(或接近法向)入射角將光引導至樣品。

在某些例項中，成像系統可經組態而同時以多於一個入射角將光引導至樣品。舉例而言，照明子系統可包含多於一個照明通道，該等照明通道中之一者可包含如圖1中所展示之光源16、光學元件18及透鏡20，且該等照明通道中之另一者(未展示)可包含可不同地或相同地組態之類似元件，或者可包含至少一光源以及可能地一或多個其他組件(諸如本文中進一步闡述之彼等組件)。若此光與其他光同時被引導至樣品，則以不同入射角被引導至樣品之光之一或多個特性(例如，波長、偏光等)可係不同的，使得由以不同入射角之對樣品之照明引起之光可在偵測器處彼此區別開。

在另一例項中，照明子系統可包含僅一個光源(例如，圖1中展示之源16)，且來自光源之光可藉由照明子系統之一或多個光學元件(未展示)而被分離至不同光路徑中(例如，基於波長、偏光等)。不同光路徑中之每一者中之光可接著被引導至樣品。多個照明通道可經組態以同時或在不同時間(例如，當使用不同照明通道來依序照明樣品時)將光引導至樣品。在另一例項中，同一照明通道可經組態以在不同時間將具有不同特性之光引導至樣品。舉例而言，光學元件18可經組態為一光譜濾光器，且光譜濾光器之性質可以各種不同方式(例如，藉由換出光譜濾光器)被改變，使得可在不同時間將不同波長之光引導至樣品。照明子系統可具有本技術領域中已知的用於以不同或相同入射角依序或同時將具有不同或相同特性之光引導至樣品之任何其他適合組態。

在一項實施例中，光源16係一寬頻電漿(BBP)光源。以此方式，由光源產生且被引導至樣品之光可包含寬頻光。然而，該光源可包含本技術領域中已知的經組態以產生處於任何適合波長之光之任何其他適合光源，諸如任何適合雷射。另外，雷射可經組態以產生單色或幾乎單色的光。以此方式，該雷射可係一窄頻雷射。該光源亦可包含產生處於多個離散波長或波帶之光之一多色光源。

來自光學元件18之光可藉由透鏡20聚焦至樣品14上。儘管透鏡20在圖1中展示為一單個折射光學元件，但應理解，實務上，透鏡20可包含組合地將來自光學元件之光聚焦至樣品之若干個折射及/或反射光學元件。照明子系統可包含任何其他適合光學元件(未展示)。此類光學元件之實例包含(但不限於)偏光組件、光譜濾光器、空間濾波器、反射光學元件、切趾器、分束器、光圈以及類似者，其等可包含本技術領域中已知的任何此類適合光學元件。另外，成像系統可經組態以基於將用於成像之照明之類型而更改照明子系統之元件中之一或多者。

成像系統亦可包含經組態以致使光在樣品上方進行掃描之一掃描子系統。舉例而言，成像系統可包含載台22，在成像期間將樣品14安置於載台22上。掃描子系統可包含可經組態以移動樣品使得光可在樣品上方進行掃描之任何適合機械及/或機器人總成(其包含載台22)。另外，或另一選擇係，成像系統可經組態使得成像系統之一或多個光學元件執行光在樣品上方之某一掃描。光可以任何適合方式(諸如在一蛇形路徑中或在一螺旋形路徑中)在樣品上方進行掃描。

成像系統進一步包含一或多個偵測通道。一或多個偵測通道中之至少一者包含一偵測器，該偵測器經組態以偵測歸因於對樣品之照明之來自樣品之光且回應於所偵測光而產生輸出。舉例而言，圖1中展示之成像系統包含兩個偵測通道，其中一者係由聚光器24、元件26及偵測器28形成且另一者係由聚光器30、元件32及偵測器34形成。如圖1中所展示，該兩個偵測通道經組態而以不同收集角度收集且偵測光。在某些例項中，兩個偵測通道皆經組態以偵測經散射光，且該等偵測通道經組態以偵測以不同角度自樣品散射之光。然而，偵測通道中之一或多者可經組態以偵測來自樣品之另一類型之光(例如，經反射光)。

如圖1中進一步展示，兩個偵測通道皆展示為定位於紙的平面中，且照明子系統亦展示為定位於紙的平面中。因此，在此實施例中，兩個偵測通道皆定位於入射平面中(例如，在其中居中)。然而，偵測通道中之一或多者可定位於入射平面外。舉例而言，由聚光器30、元件32及偵測器34形成之偵測通道可經組態以收集且偵測散射出入射平面外之光。因此，此一偵測通道可通常稱為一「側」通道，且此一側通道可在實質上垂直於入射平面之一平面中居中。

儘管圖1展示包含兩個偵測通道之成像系統之一實施例，但成像系統可包含不同數目個偵測通道(例如，僅一個偵測通道或者兩個或多於兩個偵測通道)。在一項此類例項中，由聚光器30、元件32及偵測器34形成之偵測通道可形成如上文所闡述之一個側通道，且成像系統可包含一額外偵測通道(未展示)作為定位於入射平面之相對側上之另一側通道。因此，成像系統可包含包括聚光器24、元件26及偵測器28且在入射平面中居中並且經組態以收集並偵測處於法向於樣品表面或接近法向於樣品表面之散射角度之光的偵測通道。此偵測通道可因此通常稱為一「頂部」通道，且成像系統亦可包含如上文所闡述地組態之兩個或更多個側通道。如此，成像系統可包含至少三個通道(亦即，一個頂部通道及兩個側通道)，且至少三個通道中之每一者具有其自身的聚光器，該等聚光器中之每一者經組態以相比於其他聚光器中之每一者收集處於不同散射角度之光。

如上文進一步闡述，包含於成像系統中之偵測通道中之每一者可經組態以偵測經散射光。因此，圖1中所展示之成像系統可經組態以用於樣品之暗視野(DF)成像。然而，成像系統亦可或替代地包含經組態以用於樣品之亮視野(BF)成像之偵測通道。換言之，成像系統可包含經組態以偵測自樣品鏡面反射之光之至少一個偵測通道。因此，本文中所闡述之成像系統可經組態以用於僅DF成像、僅BF成像或DF成像及BF成像兩者。儘管聚光器中之每一者在圖1中展示為單個折射光學元件，但應理解聚光器中之每一者可包含一或多個折射光學元件及/或一或多個反射光學元件。

一或多個偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、時間延遲積分(TDI)相機及本技術領域中已知的任何其他適合偵測器。該等偵測器亦可包含非成像偵測器或成像偵測器。若該等偵測器係非成像偵測器，則偵測器中之每一者可經組態以偵測經散射光之某些特性(諸如強度)但不可經組態以依據在成像平面內之位置而偵測此類特性。如此，由偵測器中之每一者產生之輸出可係信號或資料，但非影像信號或影像資料。在此類例項中，一電腦子系統(諸如電腦子系統36)可經組態以自偵測器之非成像輸出產生樣品之影像。然而，在其他例項中，偵測器可經組態為成像偵測器，該等成像偵測器經組態以產生成像信號或影像資料。因而，成像子系統可經組態而以若干種方式產生本文中所闡述之影像。

應注意，本文中提供圖1以大體圖解說明可包含於本文中所闡述之系統實施例中或可產生本文中所闡述之系統實施例所使用之影像之一光學成像系統之一組態。顯然地，可更改本文中所闡述之光學成像系統組態以最佳化系統之效能，如在設計一商業成像系統時通常所執行。另外，本文中所闡述之系統可使用諸如可自KLA(加利福尼亞州苗必達市)商購之29xx/39xx系列工具之一現有系統來實施(例如，藉由將本文中所闡述之功能性添加至一現有系統)。針對某些此等系統，本文中所闡述之實施例可經提供作為系統之選用功能性(例如，作為系統之其他功能性之補充)。另一選擇係，可「從頭開始」設計本文中所闡述之光學成像系統以提供一全新光學成像系統。

電腦子系統36可以任何適合方式(例如，經由一或多個傳輸媒體，其可包含「有線」及/或「無線」傳輸媒體)耦合至成像系統之偵測器，使得電腦子系統可接收由偵測器針對樣品產生之輸出。電腦子系統36可經組態以使用偵測器之輸出來執行本文中進一步闡述之若干個功能。

系統亦可包含可以不同方式或以相同方式組態之多於一個電腦子系統(例如，圖1中所展示之電腦子系統36及電腦子系統102)。圖1中所展示之電腦子系統(以及本文中所闡述之其他電腦子系統)亦可稱為電腦系統。電腦子系統或系統中之每一者可採用各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路器具、網際網路器具或其他裝置。大體而言，術語「電腦系統」可廣泛定義為涵蓋執行來自一記憶體媒體之指令之具有一或多個處理器之任何裝置。電腦子系統或系統亦可包含本技術領域中已知的任何適合處理器，諸如一並行處理器。另外，電腦子系統或系統可包含具有高速度處理及軟體之一電腦平台作為一獨立工具或一經網路連線工具。

若該系統包含多於一個電腦子系統，則不同電腦子系統可彼此耦合使得影像、資料、資訊、指令等可在電腦子系統之間發送，如本文中進一步闡述。舉例而言，電腦子系統36可藉由可包含本技術領域中已知的任何適合有線及/或無線傳輸媒體之任何適合傳輸媒體而耦合至電腦子系統102(如圖1中之虛線所展示)。此類電腦子系統中之兩者或多於兩者亦可藉由一共用電腦可讀儲存媒體(未展示)而有效地耦合。

儘管成像系統在上文闡述為一光學或基於光之成像系統，但在另一實施例中，成像系統係組態為一電子束成像系統。舉例而言，系統亦可或替代地包含經組態以產生樣品之電子束影像之一電子束成像系統。電子束成像系統可經組態以將電子引導至樣品或使電子在樣品上方掃描且偵測來自樣品之電子。在圖1a中所展示之一項此類實施例中，電子束成像系統包含耦合至電腦子系統124之電子柱122。

亦如圖1a中所展示，電子柱包含電子束源126，電子束源126經組態以產生藉由一或多個元件130而聚焦至樣品128之電子。電子束源可包含(舉例而言)一陰極源或發射體尖端，且一或多個元件130可包含(舉例而言)一槍透鏡、一陽極、一限束孔徑、一閘閥、一束電流選擇孔徑、一物鏡透鏡以及一掃描子系統，所有該等元件皆可包含本技術領域中已知的任何此類適合元件。

自樣品返回之電子(例如，次級電子)可藉由一或多個元件132而聚焦至偵測器134。一或多個元件132可包含(舉例而言)一掃描子系統，該掃描子系統可係包含於元件130中之相同掃描子系統。

電子柱可包含本技術領域中已知的任何其他適合元件。另外，電子柱可如以下美國專利中所闡述地進一步組態：2014年4月4日頒發給Jiang等人之第8,664,594號、2014年4月8日頒發給Kojima等人之第8,692,204號、2014年4月15日頒發給Gubbens等人之第8,698,093號及2014年5月6日頒發給MacDonald等人之第8,716,662號，該等專利如同完全陳述一般以引用方式併入本文中。

儘管電子柱在圖1a中展示為經組態使得電子以一傾斜入射角被引導至樣品且以另一傾斜角自該樣品散射，但應理解電子束可以任何適合角度被引導至樣品及自樣品散射。另外，電子束成像系統可經組態以使用如本文中進一步闡述之多個模式(例如，以不同照明角度、收集角度等)來產生樣品之影像。電子束成像系統之多個模式可在電子束成像系統之任何影像產生參數方面係不同的。

電腦子系統124可如上文所闡述地耦合至偵測器134。偵測器可偵測自樣品之表面返回之電子，藉此形成樣品之電子束影像。該等電子束影像可包含任何適合電子束影像。電腦子系統124可經組態以使用由偵測器134產生之輸出來針對樣品執行本文中進一步闡述之一或多個功能。電腦子系統124可經組態以執行本文中所闡述之任何額外步驟。可如本文中所闡述地進一步組態包含圖1a中所展示之電子束成像系統之一系統。

應注意，本文中提供圖1a以大體上圖解說明可包含於本文中所闡述之實施例中之一電子束成像系統之一組態。正如上文所闡述之光學成像系統，可更改本文中所闡述之電子束成像系統以最佳化成像系統之效能，如在設計一商業成像系統時通常所執行。另外，本文中所闡述之系統可使用諸如可自KLA商購之工具之一現有系統來實施(例如，藉由將本文中所闡述之功能性添加至一現有系統)。針對某些此類系統，本文中所闡述之實施例可經提供作為系統之選用功能性(例如，作為對系統之其他功能性之補充)。另一選擇係，可「從頭開始」設計本文中所闡述之系統以提供一全新系統。

儘管成像系統在上文闡述為一光束或電子束成像系統，但成像系統可係一離子束成像系統。此一成像系統可如圖1a中所展示地組態，除了電子束源可被替換為本技術領域中已知的任何適合離子束源以外。另外，成像系統可係任何其他適合離子束成像系統，諸如包含於可商購聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統以及次級離子質譜學(SIMS)系統中之彼等系統。

如上文所提及，成像系統可經組態以用於將能量(例如，光、電子)引導至樣品之一實體版本及/或使能量在樣品之一實體版本上方掃描，藉此產生樣品之實體版本之實際影像。以此方式，成像系統可組態為一「實際」成像系統，而非一「虛擬」系統。然而，一儲存媒體(未展示)及圖1中所展示之電腦子系統102可組態為一「虛擬」系統。特定而言，儲存媒體及電腦子系統並非係成像系統10之一部分且不具有處置樣品之實體版本之任何能力，但可經組態為使用所儲存偵測器輸出執行類似於檢測之功能之一虛擬檢測器。組態為「虛擬」檢測系統之系統及方法闡述於以下共同讓與之美國專利中：在2012年2月28日頒發給Bhaskar等人之第8,126,255號、在2015年12月29日頒發給Duffy等人之第9,222,895號及在2017年11月14日頒發給Duffy等人之第9,816,939號，該等專利如同完全陳述一般以引用方式併入本文中。可如此等專利中所闡述地進一步組態本文中所闡述之實施例。舉例而言，可如此等專利中所闡述地進一步組態本文中所闡述之一或多個電腦子系統。

如上文進一步提及，成像系統可經組態而以多個模式產生樣品之影像。大體而言，一「模式」可由用於產生一樣品之影像之成像系統之參數值或用於產生樣品之影像之輸出來定義。因此，不同之模式可在成像系統之成像參數中之至少一者之值上係不同的。舉例而言，在一光學成像系統中，不同模式可使用不同波長之光進行照明。模式可在照明波長方面係不同的，如本文中針對不同模式進一步闡述(例如，藉由使用不同光源、不同光譜濾光器等)。在另一實施例中，不同模式使用成像系統之不同照明通道。舉例而言，如上文所提及，成像系統可包含多於一個照明通道。如此，不同照明通道可用於不同模式。

本文中所闡述之成像系統可經組態為檢測子系統。若情形如此，則電腦子系統可經組態以自如上文所闡述之檢測子系統(例如，自成像系統之偵測器)接收輸出，且可經組態以基於該輸出而偵測樣品上之缺陷，如本文中進一步闡述。

本文中所闡述之成像系統可經組態為另一類型之半導體相關製程/品質控制型系統，諸如一缺陷再檢測系統及一計量系統。舉例而言，本文中所闡述及圖1及圖1a中所展示之成像系統之實施例可在一或多個參數上修改以取決於其將用於的應用而提供不同成像能力。在一項實施例中，成像系統係組態為一電子束缺陷再檢測系統。舉例而言，若圖1a中所展示之成像系統將用於缺陷再檢測或計量而非檢測，則其可經組態以具有一較高解析度。換言之，圖1及圖1a中所展示之成像系統之實施例闡述一成像系統之某些大體及各種組態，該成像系統可以熟習此項技術者將顯而易見之若干個方式修整以產生具有較適合於或較不適合於不同應用之不同成像能力之成像系統。

經組態以偵測一樣品上之缺陷之系統包含一或多個電腦系統及由一或多個電腦系統執行之一或多個組件。一或多個電腦系統可如上文所闡述地組態。一或多個組件包含一深度度量學習(DML)缺陷偵測模型。DML缺陷偵測模型可具有本文中進一步闡述之若干個不同架構。一或多個組件可由電腦系統以本技術領域中已知的任何適合方式執行。

DML缺陷偵測模型經組態以用於將針對一樣品產生之一測試影像及一對應參考影像投影至潛在空間中。以此方式，當被提供兩個影像(測試及參考)時，DML缺陷偵測模型將把該等影像投影至潛在空間中。舉例而言，如下文所闡述，DML缺陷偵測模型可包含分別用於輸入至模型之不同影像之不同CNN。不同CNN中之每一者可將其輸入影像投影至潛在空間中。如本文中所使用之術語「潛在空間」係指DML缺陷偵測模型中含有輸入之隱藏表示之隱藏層。對術語潛在空間之額外說明(如其在本技術領域中通常所使用)可在Chang於2018年12月在arXiv上公開之「Latent Variable Modeling for Generative Concept Representations and Deep Generative Models」(18頁)中找到，該文獻如同完全陳述一般以引用方式併入本文中。關於圖2中所展示之區塊A進一步闡述此類CNN。儘管可關於「一測試影像」闡述投影步驟(及其他步驟)，但可針對為樣品產生之多於一個測試影像執行此等步驟。舉例而言，對於針對一樣品產生之每一測試影像(或至少一或多個測試影像)，可獨立地且單獨地執行投影步驟。可針對樣品上之任何適合測試(例如，檢測、再檢測、計量)區域產生測試影像。測試影像可具有不同大小(例如，分塊影像，晶粒影像、作業圖框等)，且可以像素為單位(例如，一分塊影像之32像素×32像素)或以任何其他適合方式量測該等大小。亦可針對不同測試影像單獨地且獨立地執行本文中所闡述之其他步驟。

若使用DML缺陷偵測模型來偵測在樣品上之不同位置處產生之測試影像中之缺陷，則可在投影步驟中使用不同參考影像(例如，在不同測試影像對應於具有一或多個不同特性(諸如不同經圖案化特徵、具有一或多個不同特性之相同經圖案化特徵等)的樣品之一設計之不同部分時)。換言之，不同參考影像可對應於不同測試影像，且可基於在樣品上之何處及/或在樣品之一設計中之何處產生測試影像及參考影像而判定針對任何測試影像投影至潛在空間中之參考影像。參考影像亦可包含本文中進一步闡述之不同類型之參考影像，其等可以本文中所闡述之各種方式產生。

在一項實施例中，測試影像及對應參考影像係針對樣品上之不同晶粒中之對應位置。在另一實施例中，測試影像及對應參考影像係針對樣品上之不同單元中之對應位置。舉例而言，本文中所闡述之DML可用於晶粒間類型檢測或單元間類型檢測。傳統晶粒間檢測需要自工具收集且可能已經處理之參考影像。本文中所闡述之實施例可針對測試影像及對應參考影像使用晶粒影像或針對測試影像及對應參考影像使用單元影像來執行。可如本文中進一步闡述地產生及/或獲取來自不同晶粒及不同單元之對應影像。可如本文中所闡述地進一步組態晶粒影像及單元影像。以此方式，可使用樣品產生測試影像及參考影像兩者。

在某些實施例中，在不使用樣品之設計資料之情況下針對樣品產生測試影像及對應參考影像。舉例而言，本文中所闡述之缺陷偵測可在無設計資料之情況下執行，且用於缺陷偵測之影像可全部藉由將樣品成像而產生。在此類例項中，缺陷偵測亦可獨立於樣品之設計資料而執行。換言之，出於缺陷偵測目的而對影像執行之任何步驟可不使用或不基於樣品之設計資料而執行。舉例而言，本文中所闡述之缺陷偵測可在針對樣品產生之所有測試影像(及針對樣品產生之任一測試影像中之所有像素)中以相同方式(利用相同參數)執行，而無論樣品之設計資料如何。以此方式，缺陷偵測可以相同方式執行，而無論對應於測試影像(或測試影像中之像素)之設計資料如何。

在一額外實施例中，由將能量引導至樣品及偵測來自樣品之能量之一成像系統針對樣品產生測試影像，且在不使用樣品之情況下產生對應參考影像。在一項此類實施例中，自含有樣品之設計資料之一資料庫獲取對應參考影像。舉例而言，本文中所闡述之DML可用於晶粒對資料庫缺陷偵測。以此方式，本文中所闡述之實施例可利用測試影像之晶粒影像及對應參考影像之資料庫影像而非來自樣品之參考影像來執行。可如本文中進一步闡述地針對樣品產生且可如本文中所闡述地進一步組態測試影像。在不使用一樣品之情況下產生一參考影像可藉由依據一樣品之一設計或設計資訊模擬一參考影像或以本技術領域中已知的任何其他適合方式來執行。參考影像較佳地模擬一樣品之一測試影像在產生該測試影像所針對的樣品部分不含缺陷的情況下將是什麼樣的。設計、設計資料或設計資訊可包含本技術領域中已知的任何適合設計、設計資料或設計資訊，且此等術語在本文中互換地使用。可以任何適合方式自資料庫獲取參考影像，且該資料庫可具有任何適合組態。

在另一實施例中，一或多個電腦系統經組態以用於將樣品之設計資料輸入至DML缺陷偵測模型中，且DML缺陷偵測模型經組態以用於使用設計資料執行偵測。以此方式，所呈現設計可係至DML缺陷偵測模型之輸入之部分。另外，設計資料可被DML缺陷偵測模型視為一額外影像通道。然後，DML缺陷偵測模型可使用所呈現設計執行缺陷偵測。DML缺陷偵測模型可以若干個不同方式使用所呈現設計。舉例而言，DML缺陷偵測模型可經組態以使用所呈現設計來將不同影像彼此對準(例如，藉由將多個影像與設計對準，藉此將該等影像與一共同參考對準)。所呈現設計亦可如本文中進一步闡述地用作參考影像，或用於產生本文中所闡述之一參考影像。DML缺陷偵測模型亦可使用所呈現設計來在偵測缺陷步驟中設定或調整缺陷偵測參數，及將缺陷分類。DML缺陷偵測模型亦可經組態而以缺陷偵測領域中已知的任何其他方式使用設計資料。

在一額外實施例中，利用自樣品之關注區域判定之一或多個參數執行偵測。在某些此類實施例中，一或多個電腦系統經組態以用於將關注區域之資訊輸入至DML缺陷偵測模型中。以此方式，DML缺陷偵測模型可將關注區域視為一額外影像通道。可以任何適合方式依據樣品之設計資料判定關注區域。另外，可由組態有以實質上高的準確度及精確度將測試影像及/或參考影像與設計資料對準之能力之一可商購系統(諸如來自KLA之彼等系統)產生關注區域。關注區域可界定樣品上之將被檢測之區域，藉此固有地亦界定樣品上之將不被檢測之區域。關注區域亦可經設計或經組態以指示樣品上之哪些區域將利用不同參數(例如，不同偵測靈敏度)來檢測。樣品之關注區域可由一或多個電腦系統以任何適合方式依據設計來判定且然後可由一或多個電腦系統輸入至DML缺陷偵測模型中，使得DML缺陷偵測模型可識別測試影像及對應參考影像中之關注區域。用於執行偵測之一或多個參數亦可由一或多個電腦系統判定且輸入至DML缺陷偵測模型。因此，當一測試影像中之一關注區域由DML缺陷偵測模型使用由電腦系統輸入之關於關注區域之資訊而識別出時，DML缺陷偵測模型可依據來自電腦系統之輸入判定用於彼關注區域中之缺陷偵測之一或多個參數且相應地執行缺陷偵測。

在另一實施例中，在無樣品之關注區域之資訊之情況下執行偵測。舉例而言，儘管使用關注區域對本文中所闡述之樣品執行諸多檢測製程，但本文中所闡述之缺陷偵測不必使用任何關注區域來執行。在此類情形中，可針對為樣品產生之所有測試影像執行本文中所闡述之缺陷偵測。另外，可針對為樣品產生之所有測試影像中之所有像素利用相同參數執行本文中所闡述之缺陷偵測。舉例而言，用於所有測試影像中之所有像素之缺陷偵測靈敏度可係相同的。

在某些實施例中，測試影像係在樣品之一邏輯區域中產生。在另一實施例中，測試影像係在樣品之一陣列區域中產生。舉例而言，本文中所闡述之實施例可被使用且經組態以用於樣品之邏輯區域及陣列區域兩者中之缺陷偵測。樣品之邏輯區域及陣列區域可包含本技術領域中已知的任何此類區域。

針對測試影像之一或多個不同部分，DML缺陷偵測模型經組態以用於判定在潛在空間中該一或多個不同部分與對應參考影像之對應一或多個部分之間的一距離。舉例而言，測試特徵及參考特徵兩者通過本文中進一步闡述之區塊B以基於來自區塊B之輸出而量測在潛在空間中其等之間的距離。換言之，DML缺陷偵測模型基於測試影像與參考影像之特徵之差異程度(藉由在潛在空間中之距離而量測)而判定測試影像與參考影像之相似程度，該相似程度然後可如本文中進一步闡述地用於判定哪些部分含有一缺陷(或缺陷候選者)或係有缺陷的(或潛在地有缺陷的)。

藉由DML缺陷偵測模型判定之在潛在空間中之距離可係各種不同距離。舉例而言，可由DML缺陷偵測模型判定及使用之距離度量包含歐幾裡得(Euclidean)距離、L1距離、L_infinity距離、人的距離(亦即，互相關)、曼哈頓(Manhattan)距離、廣義Lp範數(Lp-norm)、餘弦距離等。此等距離可以本技術領域中已知的任何適合方式來判定。

在一項實施例中，測試影像之不同部分包含測試影像中之不同像素。舉例而言，測試影像之不同部分可包含任何適合部分，諸如個別像素或相對小的像素陣列(例如，一9×9像素鄰域)。測試影像之不同部分亦可以像素為單位或以任何其他適合量度來量測。以此方式，DML缺陷偵測模型逐測試影像部分地判定在潛在空間中之距離。換言之，可針對測試影像之不同部分單獨地且獨立地判定在潛在空間中之距離，使得彼等距離可用於偵測測試影像之不同部分中之每一者中之缺陷。

DML缺陷偵測模型進一步經組態以用於分別基於針對測試影像之一或多個不同部分判定之距離而偵測測試影像之一或多個不同部分中之缺陷。舉例而言，使用在潛在空間中之距離來決定測試影像中之每一部分(例如，每一像素)相對於參考影像是否係有缺陷的。以此方式，DML缺陷偵測模型可做出每一像素是否係一缺陷之一個二進位決策。然而，DML缺陷偵測模型亦可判定每一缺陷像素之缺陷類型。因此，DML缺陷偵測模型可執行偵測(是或否)及分類(哪一缺陷類型)兩者。在本技術領域中，此應用稱作缺陷偵測，且該方法稱作分類。可進一步如本文中所闡述地執行基於在潛在空間中之距離而偵測缺陷。

在一項實施例中，DML缺陷偵測模型具有一孿生網路架構。在另一實施例中，DML缺陷偵測模型具有一個三元組網路架構。在一額外實施例中，DML缺陷偵測模型具有一個四元組網路架構。舉例而言，DML可由孿生網路、三元組網路、四元組網路等建構而成。

可將一經典孿生分類模型擴展為與晶粒間偵測使用情形及本文中所闡述之其他使用情形一起工作。一孿生網路在本技術領域中通常定義為含有兩個相同子網路組件之一神經網路。發明人針對本文中所闡述之實施例利用此概念，此乃因孿生模型對於涉及找出兩個相當的事物之間的相似度或一關係之任務係有用的，此自然適用於可自KLA商購之某些檢測系統所使用之多晶粒自動臨限值(MDAT)缺陷偵測演算法所使用之晶粒間比較方案。藉由使用一非線性模型(例如，一迴旋神經網路(CNN))，可將測試影像及參考(分塊)影像兩者變換成潛在空間，且如本文中進一步所闡述，可將其等之間的距離(亦即，其相似度之一量度)建構為缺陷性之一指示符。

由圖2圖解說明，在可用於本文中所闡述之實施例中之一孿生偵測模型之一種建構中，測試影像可包含來自N個鄰近晶粒之N個BBP影像202及204以及一個設計影像200。此等影像可選自具有相同視野(FOV)之相同晶粒座標(亦即，多個晶粒中在晶粒位置內以同一晶粒為中心的相同晶粒座標)。區塊A、B及C係三個不同深度CNN。區塊B中所展示之兩個網路具有相同架構組態。除了區塊B中具有相同架構之兩個網路外，兩個網路之權重必須由網路共用以使網路具有一孿生架構。首先，測試影像通過區塊A以計算為來自區塊A之N個輸出之平均值之參考特徵。其次，測試特徵及參考特徵通過區塊B以基於來自區塊B之輸出而量測其間的距離。第三，應用區塊C以針對每一影像像素位置產生最後標記(有缺陷的對比無缺陷的)。

舉例而言，如圖2中所展示，設計影像200被輸入至區塊A 208中之第一CNN 206，光學影像202被輸入至區塊A中之CNN 210，且光學影像204被輸入至區塊A中之CNN 212。CNN 206、210及212分別針對輸入影像中之每一者產生參考特徵。此等CNN可具有本技術領域中已知的任何適合組態。

CNN 206及210之輸出可輸入至切割層214且CNN 210及212之輸出可輸入至切割層216。切割層可具有本技術領域中已知的任何適合組態。切割層214及216之輸出可分別輸入至批次正規化(BN)層218及222，且CNN 210之輸出可輸入至BN層220。批次正規化可以例如Ioffe等人之「Batch Normalization：Accelerating Deep Network Training by Reducing Internal Covariate Shift」(arXiv：1502.03167，2015年3月2日，11頁)中所闡述地執行，該文獻如同完全陳述一般以引用方式併入本文中。可如此參考中所闡述地進一步組態本文中所闡述之實施例。BN層218及220之輸出可輸入至級聯層224，且BN層220及222之輸出可輸入至級聯層226。級聯層可具有本技術領域中已知的任何適合組態。

級聯層224及226之輸出可分別輸入至區塊B 232中之網路228及230。儘管網路228及230在圖2中示意性地展示為在本技術領域中通常定義為其中某些層之間存在跳過其間的層之捷徑之一網路的殘差神經網路(ResNet)，但該等網路可具有本技術領域中已知的任何適合組態，包含普通網路(不包含捷徑之網路)及包含捷徑之各種類型的網路(例如，高速公路網路及密集網路(DenseNet))。某些此類適合網路組態之實例闡述於Huang等人之「Densely Connected Convolutional Networks」(arXiv：1608.06993，2018年1月28日，9頁)及He等人之「Deep Residual Learning for Image Recognition」(arXiv：1512.03385，2015年12月10日，12頁)中，該等文獻如同完全陳述一般以引用方式併入本文中。如上文所闡述，為了使網路228與230具有一孿生組態，該等網路將具有相同組態且共用相同權重。

如上文亦提及，區塊B中之網路可具有一種三元組或四元組網路組態。可用於區塊B中之網路之適合三元組網路架構之實例可在Hoffer等人之「Deep Metric Learning Using Triplet Network」(arXiv：1412.6622，2018年12月4日，8頁)中找到，該文獻如同完全陳述一般以引用方式併入本文中。可用於區塊B中之網路之適合四元組網路架構之實例可在Dong等人之「Quadruplet Network with One-Shot Learning for Fast Visual Object Tracking」(arXiv：1705.07222，12頁)中找到，該文獻如同完全陳述一般以引用方式併入本文中。可如此等參考中所闡述地進一步組態本文中所闡述之實施例。

網路228及230之輸出輸入至區塊C 236中之完全連接層與SoftMax層組合234，完全連接層與SoftMax層組合234產生包含上文所闡述之最終標記(亦即，有缺陷的或無缺陷的)之輸出238。完全連接層及SoftMax層可具有本技術領域中已知的任何適合組態。舉例而言，完全連接層及SoftMax層可如He等人之2019年3月7日公開之美國專利申請公開案第2019/0073568號中所闡述地組態，該專利申請公開案如同完全陳述一般以引用方式併入本文中。

在另一實施例中，DML缺陷偵測模型包含一或多個DL迴旋濾波器，且一或多個電腦系統經組態以用於基於產生測試影像時所涉及之物理現象而判定一或多個DL迴旋濾波器之一組態。DL迴旋濾波器(未展示)可位於神經網路之開始或神經網路之任何其他層處。舉例而言，DL迴旋濾波器可位於圖2中所展示之區塊A之前。產生影像時所涉及之物理現象可包含用於產生測試影像之成像製程中所涉及之任何已知參數、經模擬參數、經量測參數、所估計參數、經計算參數等，可能地與樣品之任何已知或經模擬特性(例如，材料、尺寸等)之組合。舉例而言，產生測試影像時所涉及之物理現象可包含用於產生測試影像之成像工具之硬體組態及用於產生測試影像之成像工具之元件之任何硬體設定。樣品之已知或經模擬特性可以本技術領域中已知的任何適合方式獲取、產生、判定或模擬。

在又一實施例中，DML缺陷偵測模型包含一或多個DL迴旋濾波器，且一或多個電腦系統經組態以用於基於用於產生測試影像之成像硬體而判定一或多個DL迴旋濾波器之一組態。舉例而言，DL迴旋濾波器可基於光學(或其他，例如，電子束、離子束)硬體(包含硬體之參數，諸如孔徑、波長、數值孔徑(NA)等)而設計。此類DL迴旋濾波器可以其他方式如本文中所闡述地組態。

在一項此類實施例中，判定DL迴旋濾波器之組態包含基於成像硬體之一點擴散函數(PSF)而判定一或多個DL迴旋濾波器之一或多個參數。舉例而言，光學硬體資訊可用於基於工具之一經量測或經模擬PSF而判定DL迴旋濾波器之一或多個參數。工具之PSF可以本技術領域中已知的任何適合方式來量測或模擬。以此方式，本文中所闡述之實施例可經組態以用於基於PSF之缺陷偵測。不同於取決於像素級資訊之偵測演算法(例如，MDAT)，本文中所闡述之實施例可依賴於一PSF級簽章來執行缺陷偵測。基本假設為，一缺陷信號(亦即，資訊內容)係侷限在由PSF近似地定義的光學相互作用所支配之局域鄰近脈絡內。藉由在一CNN中利用濾波器大小來控制FOV，發明人研究相對於PSF上之截止半徑之偵測準確度。發明人發現隨著FOV被放大直至其達到與經計算PSF面積一致之一面積，偵測準確度增加。該等面積可以像素或任何其他適合量度為單位來判定。

在一項此類實施例中，DL迴旋濾波器之一或多個參數包含濾波器大小、濾波器對稱性及濾波器深度中之一或多者。舉例而言，成像硬體資訊可用於決定濾波器大小、濾波器對稱性、濾波器深度等(基於工具之一經量測或經模擬PSF)。在一項此類實例中，濾波器大小可設定為等於或粗略地等於成像工具之PSF。

在另一此類實施例中，判定一或多個DL迴旋濾波器之一或多個參數包含藉由最佳化一損失函數而學習該一或多個參數。舉例而言，諸如上文所闡述之彼等之一或多個參數可基於諸如上文所闡述之彼資訊之資訊藉由學習該等參數(藉由最佳化一損失函數)來判定。最佳化一損失函數可以本技術領域中已知的任何適合方式來執行，且損失函數可係本技術領域中已知的任何適合損失函數。

在某些此類實施例中，判定該組態包含基於成像硬體之一PSF而自一預定組DL迴旋濾波器選擇一或多個DL迴旋濾波器。舉例而言，判定該組態可包含決定濾波器本身(例如，基於工具之一經量測或經模擬PSF)。預定組DL迴旋濾波器可包含任何或所有適合已知DL迴旋濾波器。在一項此類實施例中，該預定組中之一或多個DL迴旋濾波器之一或多個參數係固定的。舉例而言，濾波器參數可係固定的。換言之，DL迴旋濾波器可在不對預定參數進行任何調整之情況下使用。在另一此類實施例中，判定該組態包含藉由最佳化一損失函數而精細調諧一或多個DL濾波器之一或多個初始參數。舉例而言，可藉由最佳化一損失函數而精細調諧濾波器參數。最佳化損失函數可以任何適合方式執行，且損失函數可包含本技術領域中已知的任何適合損失函數。被最佳化之濾波器參數可包含任何適合濾波器參數，包含上文所闡述之彼等。

在又一實施例中，一或多個組件包含經組態以用於產生對應參考影像之一可學習低秩參考影像產生器，一或多個電腦系統經組態以用於將針對樣品產生之一或多個測試影像輸入至可學習低秩參考影像產生器中，該一或多個測試影像係針對樣品上之不同位置而產生，該等不同位置對應於用於樣品之一設計中之同一位置，且可學習低秩參考影像產生器經組態以用於自一或多個測試影像移除雜訊，藉此產生對應參考影像。可如本文中所闡述地進一步組態可學習低秩參考影像產生器。

在另一實施例中，DML缺陷偵測模型經組態以用於將一額外對應參考影像投影至潛在空間中且判定對應參考影像及額外對應參考影像與潛在空間中之一參考區之一平均值，且用於判定距離的對應參考影像之一或多個部分包含該參考區。舉例而言，若被提供了測試影像及多個參考影像(亦即，1+N個影像)，則DML缺陷偵測模型將把所有影像投影至潛在空間中且使用潛在空間中之N個參考點來估計「經平均」參考點及可能參考區，該等「經平均」參考點及可能參考區用於決定測試影像中之每一部分相對於參考區是否係一缺陷。多個參考影像可包含本文中所闡述之參考影像(例如，來自鄰近於測試晶粒或單元之多個晶粒或單元之影像)之任何組合及/或本技術領域中已知的任何其他適合參考影像。

在又一實施例中，對應參考影像包含樣品之一無缺陷測試影像，投影對應參考影像包含學習潛在空間中之一參考區，且用於判定距離的對應參考影像之一或多個部分包含該參考區。舉例而言，若僅被提供了一測試影像，則DML缺陷偵測模型可將「有缺陷的」測試影像及「無缺陷的」測試影像兩者投影至潛在空間中，學習潛在空間中之參考區，且使用其來判定測試影像之一或多個部分相對於參考區是否係一缺陷。「無缺陷的」測試影像可使用樣品例如藉由將樣品之一已知無缺陷部分成像而產生。「無缺陷的」測試影像亦可或替代地自具有一未知缺陷性之一測試影像(利用經組態以自具有未知缺陷性之一測試影像產生一參考影像之一網路或模型)產生。此類網路或模型之實例闡述於在2019年7月23日頒發給Bhaskar等人之美國專利第10,360,477號中，該專利如同完全陳述一般以引用方式併入本文中。可如此參考中所闡述地進一步組態本文中所闡述之實施例。

在某些實施例中，分別利用一成像系統之不同模式針對樣品產生測試影像及一額外測試影像；DML缺陷偵測模型經組態以用於將測試影像及對應參考影像投影至一第一潛在空間中，將額外測試影像及一額外對應參考影像投影至一第二潛在空間中，且將第一潛在空間及第二潛在空間組合成一聯合潛在空間；且用於判定距離之潛在空間係聯合潛在空間。舉例而言，本文中所闡述之實施例可經組態以用於多模態DML。特定而言，可將多個模式影像作為額外通道輸入至DML缺陷偵測模型。另外，可將獨立DML應用於每一模式影像以建構多個獨立潛在空間且將其組合為用於距離計算之一聯合潛在空間。成像系統之不同多個模式可包含本文中所闡述之任何模式(例如，BF及DF、不同偵測通道，諸如一頂部通道及一個或兩個側通道等)。

在另一實施例中，一或多個電腦系統經組態以用於將樣品之設計資料輸入至DML缺陷偵測模型中；分別利用一成像系統之不同模式針對樣品產生測試影像及一額外測試影像；DML缺陷偵測模型進一步經組態以用於將測試影像及對應參考影像投影至一第一潛在空間中，將額外測試影像及一額外對應參考影像投影至一第二潛在空間中，將設計資料投影至一第三潛在空間中，且將第一潛在空間、第二潛在空間及第三潛在空間組合成一聯合潛在空間；且用於判定距離之潛在空間係聯合潛在空間。舉例而言，可藉由將DML缺陷偵測模型組態成將設計資料、關注區域等投影至其自身之一潛在空間中而將設計或關注區域作為一額外影像「模式」來處理，然後將該潛在空間與來自兩個或更多個模式之測試影像(及其對應參考影像)之潛在空間組合以產生用於缺陷偵測之一聯合潛在空間。特定而言，可將獨立DML單獨地應用於每一模式影像及每一其他輸入(設計資料、關注區域等)以建構多個獨立潛在空間，然後將該等獨立潛在空間組合成用於距離計算之一聯合潛在空間。此實施例中所使用之成像系統之不同多個模式可包含本文中所闡述之模式中之任一者。此實施例之步驟可以其他方式如本文中進一步闡述地執行。

在一額外實施例中，一或多個電腦系統經組態以用於將樣品之設計資料輸入至DML缺陷偵測模型中；DML缺陷偵測模型進一步經組態以用於將測試影像及對應參考影像投影至一第一潛在空間中，將設計資料投影至一第二潛在空間中，且將第一潛在空間及第二潛在空間組合成一聯合潛在空間；且用於判定距離之潛在空間係聯合潛在空間。舉例而言，即使僅有一個模式用於缺陷偵測，DML缺陷偵測模型亦可投影設計資料。以此方式，DML缺陷偵測模型可經組態以用於其中將設計資料投影至一單獨潛在空間中之單模式缺陷偵測，該單獨潛在空間與測試影像被投影到其中的潛在空間組合以產生接著用於缺陷偵測之一聯合潛在空間。此實施例之步驟可以其他方式如本文中所闡述地執行。

在又一實施例中，一或多個電腦系統經組態以用於將樣品之設計資料輸入至DML缺陷偵測模型中；分別利用一成像系統之不同模式針對樣品產生測試影像及一額外測試影像；DML缺陷偵測模型進一步經組態以用於將包含測試影像及對應參考影像、額外測試影像及一額外對應參考影像以及設計資料中之一或多者之一第一集合投影至一第一潛在空間中，將包含測試影像及對應參考影像、額外測試影像及額外對應參考影像以及設計資料中之一或多者之一第二集合投影至一第二潛在空間中，且將第一潛在空間及第二潛在空間組合成一聯合潛在空間；且用於判定距離之潛在空間係聯合潛在空間。舉例而言，DML缺陷偵測模型可將一第一模式之影像及設計資料投影至一第一潛在空間中，將一第二模式之影像及設計資料投影至一第二潛在空間中，將該兩個潛在空間組合成一聯合潛在空間，且使用聯合潛在空間來進行缺陷偵測。以此方式，用於投影步驟之第一及第二集合可係至DML缺陷偵測模型之輸入之不同組合，且該等不同組合中之某些可包含相同輸入中之一或多者。另一選擇係，用於投影步驟之第一及第二集合可係互斥的，因為不同組合中之任一者皆不包含相同輸入。舉例而言，第一集合可包含兩個或更多個模式之影像，且第二集合可僅包含設計資料。在其他方面，此實施例之步驟可如本文中進一步闡述地執行。

因此，總而言之，在本文中所闡述之實施例中，存在DML缺陷偵測模型可經組態以使用各種可能輸入之若干個不同方式。舉例而言，DML缺陷偵測模型可將設計資料、關注區域等及其他非樣品影像輸入視為一額外影像通道。若將設計資料、關注區域等視為用於單模式檢測之一額外影像通道，則DML缺陷偵測模型可經組態以組合單個通道影像與設計、關注區域等且然後將其投影至一潛在空間中。若將設計資料，關注區域等視為用於多模式檢測之一額外影像通道，則DML缺陷偵測模型可經組態以將影像之多個通道與設計資料、關注區域等組合為一多通道張量且然後將其投影至一潛在空間中。以此方式，可在將資料之多個通道投影至一潛在空間中之前組合資料之多個通道。

在替代實施例中，可將資料之不同通道個別地投影至單獨潛在空間中，藉此將不同通道視為不同模式。舉例而言，在無設計、關注區域等之情況下，DML缺陷偵測模型可將不同模式之影像投影至其各別潛在空間中、組合潛在空間，且計算距離。當設計、關注區域等可用時，DML缺陷偵測模型可將每一成像模式影像投影至其各別潛在空間，將設計投影至另一潛在空間，然後組合所有成像潛在空間與設計潛在空間以進行距離計算。

在以上實施例中，存在所有通道被投影到其中之僅一個潛在空間，或者不同通道被單獨且獨立地投影到其中之潛在空間之數目等於輸入通道之數目(例如，組合成一聯合潛在空間之潛在空間數目=用於檢測之模式之數目+與設計相關之輸入之數目)。然而，如上文所闡述，在某些實施例中，DML缺陷偵測模型可經組態使得群組(影像及/或設計、關注區域等)被定義為多通道輸入，且每一群組可被投影至一個潛在空間。以此方式，經組合以形成一聯合潛在空間之潛在空間數目可大於一個且亦不同於輸入之總數目。

使用DML缺陷偵測模型可存在兩個階段：設置及運行時間。在設置時，可以一像素標記方式提供缺陷候選者。針對一給定訓練影像，為每一像素預定缺陷。使用此等像素級訓練資料來在像素級下訓練DML模型。在運行時間，使用DML缺陷偵測模型來決定「每一像素是否係一缺陷」及可能地檢測區域之每一作業圖框之「缺陷類型」。本文中所闡述之步驟亦可針對像素、作業圖框或本文中所闡述之任何其他測試影像部分執行。

本文中所闡述之實施例可經組態以訓練DML缺陷偵測模型。然而，另一系統或方法可替代地經組態以訓練DML缺陷偵測模型。以此方式，本文中所闡述之實施例可以或可以不執行DML缺陷偵測模型之訓練。

在一項實施例中，一或多個電腦系統經組態以用於利用一或多個訓練影像及一或多個訓練影像之像素級實況資訊來訓練DML缺陷偵測模型。在一項此類實施例中，一或多個訓練影像及像素級實況資訊係自一製程窗鑑定(PWQ)晶圓產生。舉例而言，一PWQ晶圓係上面之不同裝置區域係利用一或多個不同參數(諸如一微影製程之曝光及劑量)形成之一晶圓。用於形成不同裝置區域之一或多個不同參數可經選擇使得使用此一晶圓產生之缺陷偵測相關資料模擬製程差異及漂移。然後，可將來自一PWQ晶圓之經收集資料用作訓練資料來訓練DML缺陷偵測模型以針對製程差異達成模型穩定性。換言之，藉由利用擷取可能製程差異及漂移之一訓練資料集合訓練DML缺陷偵測模型，DML缺陷偵測模型將相比於不利用PWQ類型資料對其進行訓練的情況針對彼等製程差異更穩定。使用此資料之訓練可在其他方面如本文中所闡述地執行。

PWQ方法可如以下美國專利中所描述地執行：在2005年6月7日頒發給Peterson等人之第6,902,855號、在2008年8月26日頒發給Peterson等人之第7,418,124號、在2010年6月1日頒發給Wu等人之第7,729,529號、在2010年8月3日頒發給Kekare等人之第7,769,225號、在2011年10月18日頒發給Pak等人之第8,041,106號、在2012年2月7日頒發給Wu等人之第8,111,900號及在2012年7月3日頒發給Peterson等人之第 8,213,704號，該等專利如同完全陳述一般以引用方式併入本文中。本文中所闡述之實施例可包含在此等專利中闡述之任何方法之任何步驟且可如此等專利中所闡述地進一步組態。可如在此等專利中所闡述地印刷一PWQ晶圓。

在另一實施例中，一或多個電腦系統經組態以用於執行主動學習來訓練DML缺陷偵測模型。舉例而言，可針對低缺陷候選者情況或一半導體工廠內部之線上學習情況將DML缺陷偵測模型之訓練製程與主動學習組合。主動學習可如Zhang等人之2019年12月5日公開之美國專利申請公開案第2019/0370955號中所闡述地執行，該專利申請公開案如同完全陳述一般以引用方式併入本文中。可如此公開案中所闡述地進一步組態本文中所闡述之實施例。

用於訓練DML缺陷偵測模型之訓練資料亦可包含任何其他實況資料，諸如藉由電子束系統、基於光之系統、使用者及物理模擬產生之資訊，包含本文中進一步闡述之此資料。訓練資料亦可包含此資料之任何組合。

至經訓練DML模型之輸入可如本文中所闡述地變化。舉例而言，輸入影像可包含每模式1個測試圖框影像及1個參考圖框影像，無論存在僅一個模式還是多個模式。在另一實例中，輸入影像可包含每模式1個測試圖框影像及N個參考圖框影像，無論存在僅一個模式還是多個模式。在一額外實例中，輸入影像可包含每模式1個測試圖框(且無參考影像)，無論存在僅一個模式還是多個模式。至DML缺陷偵測模型之輸入亦可視情況包含關注區域(亦即，其中將執行檢測或另一測試功能之區域)。至DML缺陷偵測模型之另一選用輸入包含樣品之設計資訊。若將DML缺陷偵測模型與可學習主分量分析(LPCA)參考影像產生(本文中進一步闡述)一起使用，則使用測試及參考影像來形成LPCA參考影像，LPCA參考影像然後被饋送至DML缺陷偵測模型。DML缺陷偵測模型之輸出可針對一測試圖框(或另一適合測試影像部分)中之每一像素包含像素是否係一缺陷及像素係哪一類型之缺陷(在一像素係一缺陷之一決策之情形中)之一決策。該輸出可在其他方面具有本技術領域中已知的任何適合檔案或格式。

另一實施例係關於經組態以產生一樣品之一參考影像之一系統。該系統包含一或多個電腦系統及由該一或多個電腦系統執行之一或多個組件。可如本文中進一步所闡述地組態該一或多個電腦系統。該一或多個組件可由該一或多個電腦系統以任何適合方式執行。在此等系統中，該一或多個組件包含一可學習低秩參考影像(LLRI)產生器。

一或多個電腦系統經組態以用於將一樣品之一或多個測試影像輸入至LLRI產生器中。該一或多個測試影像係針對該樣品上之不同位置產生，該等不同位置對應於樣品之一設計中之同一位置。舉例而言，可在樣品上之不同晶粒、樣品上之不同單元中之對應位置處產生一或多個測試影像等。因此，除相同FOV(樣品上或影像中之區域)外，對應位置亦可具有相同晶粒座標、相同單元座標等。電腦系統可以任何適合方式將測試影像輸入至LLRI產生器中。

LLRI產生器經組態以用於自一或多個測試影像移除雜訊，藉此產生對應於一或多個測試影像之一或多個參考影像。舉例而言，一測試影像之對應於缺陷之部分可比測試影像之其他部分顯現為具更多雜訊(例如，其可具有相對於影像之其他部分係離群值之信號，且一信號無論是否係一離群值皆可以本技術領域中已知的若干個不同方式來定義)。因此，藉由自一或多個測試影像識別及移除雜訊，所得影像可適合用作用於缺陷偵測(及其他)目的之一參考。一或多個參考影像可然後如本文中進一步闡述地用於缺陷偵測。LLRI產生器可具有本文中所闡述之各種組態中之一者且可如本文中進一步闡述地執行雜訊移除。

本技術領域中稱作「低秩約束」之一技術可在離群值偵測演算法(諸如計算參考(CR)及張量分解(TD))中使用。本文中所闡述之實施例可將低秩約束技術擴展至空間脈絡且在DL分類中利用此概念。

主分量分析(PCA)係發明人針對CR中之低秩約束開發之一種工具。當將PCA應用於多影像重構問題時，問題陳述可總結為如下。在給出X係具有(w＊h,c)之維度之一3D張量(通常移除了DC分量)(其中w、h及c分別係影像寬度、高度及數目)之情況下，PCA嘗試找出具有(c,1)之維度之主分量向量w，此將方差估計最大化，

其中T係矩陣轉置運算子。主分量係定義為：p.c.=XW (方程式2)

多個主分量向量可經由迭代PCA、矩陣正交化、奇異值分解(SVD)等來計算。低秩近似通常經由基於主分量之特徵值對主分量進行濾波來應用。一較大特徵值對應於影像資料之較大方差方向。依據低秩近似，X之重構可藉由以下方程式達成：X'=(XW)W ^T (方程式3)

其中W係由呈行格式(亦即，{w ₁,w ₂,...})之選定主分量向量組成之2D矩陣。

以上問題陳述係非常經典的且係本技術領域中已知的。此一問題陳述之一個缺點係其將一影像中之像素視為一獨立值群組。因此，若重新排列同一影像中之像素，則PCA將產生完全相同的主分量及重構，此通常被認為不足以描述2D影像中之空間資訊。

在另一實施例中，LLRI產生器包含一空間低秩神經網路模型。舉例而言，LPCA可係一空間神經PCA。為了擴展PCA以擷取空間相關，下文介紹具有空間脈絡之PCA或SpatialPCA。首先，將X重新定義為具有(w,h,c)之維度之一3D張量，且將主分量向量w定義為具有(w’,h’,c,1)之維度的X之空間內核之一集合。類似於PCA，可經由2D迴旋層將主分量計算為

SpatialPCA之目標係

等效地，藉由使用自動相關AC(．)，

自動相關函數AC(．)計算輸入X與其自身之一經移位版本之協方差矩陣。主分量向量可類似地藉由迭代PCA、正交化及SVD而求解。

針對可學習PCA，將SpatialPCA擴展為併入有一監督式分類器，以便調適DL分類中之低秩約束。

在演示經組合解決方案之前，需要使用2D迴旋運算調適SpatialPCA實施方案。有三個計算需要映射至conv2d：

˙計算X之自動相關。

˙在給出X及w之情況下，計算主分量。

˙在給出經截斷p.c.及w之情況下，計算X之重構。

在給出具有(n,w,h,c)之維度之X之輸入影像及具有(w’,h’,c,o)之維度之可學習主分量向量w之情況下，其中w及h(或w’及h’)係輸入(或濾波器)之寬度及高度，n係微型批次之大小，c係用於輸入之通道數目(w之第三維度等於c)，且o係conv2D之輸出維度，其在未截斷PCA中滿足o=w’＊h’＊c。

主分量及X之重構可經由張量流或替代DL框架而計算。

在給出濾波器w截斷至i之情況下，X可重構為如下。

因此，SpatialPCA可藉由以下最佳化而求解

s.t.w ^T ．w=I (方程式8b)

發明人在數值實驗中做出之數個觀察包含：

˙正交化約束係強的，以使模型保持更接近於PCA。

˙重構之L1損失比L2更佳。

˙模型可用於取決於目標而增強差信號。

在一項實施例中，LLRI產生器包含一可學習主分量分析(PCA)模型。在本文中所闡述之實施例中引入可學習PCA(LPCA)以在存在色彩差異之情況下增強較弱信號。傳統上，PCA係一種藉由移除較高階主分量而選擇性地建構低頻參考之方法。LPCA之焦點比PCA稍微更廣泛；除移除色彩差異外，LPCA亦被預期同時增強顯著信號。

LPCA係藉由將原始PCA重構公式擴展至空間2D PCA而自原始PCA重構公式衍生的，如方程式9所演示。(注意，方程式9中之＊運算子係一迴旋運算子。)T係矩陣轉置運算子。因此，PCA重構可表達為具有兩個迴旋層之一淺CNN。

LPCA經由最佳化(參見方程式10)而非對角化來對低秩濾波器求解。此方法提供直接鏈接LPCA網路，隨後鏈接任何偵測或分類網路之自由。

在另一實施例中，LLRI產生器包含一可學習獨立分量分析(ICA)模型或一可學習典型相關分析(CCA)模型。以此方式，LLRI產生器可係一PCA、ICA、CCA等類型之模型。另外，LLRI產生器可係一張量分解模型。供在本文中所闡述之實施例中使用之適合ICA模型組態之實例可在Hyvärinen等人之「Independent Component Analysis：Algorithms and Applications」(神經網路，13(4-5)：411-430，2000年)中找到，該文獻如同完全陳述一般以引用方式併入本文中。可經調適以供在本文中所闡述之實施例中使用之CCA模型之實例之說明闡述於UUrtio等人之「A Tutorial on Canonical Correlation Methods」(arXiv：1711.02391，2017年11月7日，33頁)中，該文獻如同完全陳述一般以引用方式併入本文中。可經調適以供在本文中所闡述之實施例中使用之適合張量分解模型之實例闡述於Rabanser等人之「Introduction to Tensor Decompositions and their Applications in Machine Learning」(arXiv：1711.10781，2017年11月29日，13頁)中，該文獻如同完全陳述一般以引用方式併入本文中。可如此等參考中所闡述地進一步組態本文中所闡述之實施例。

在某些實施例中，LLRI產生器包含一線性或非線性迴歸模型。本技術領域中已知的任何適合線性或非線性迴歸模型可經調適以用作本文中所闡述之LLRI產生器。

在又一實施例中，LLRI產生器包含一空間低秩概率模型。舉例而言，LLRI產生器可係一貝葉斯(Bayesian)CNN。貝葉斯CNN之實例可在Shridhar等人之「A Comprehensive guide to Bayesian Convolutional Neural Network with Variational Inference」(arXiv：1901.02731，2019年1月8日，38頁)中找到，該文獻如同完全陳述一般以引用方式併入本文中。空間低秩概率模型亦可係一概率PCA模型，概率PCA模型之實例可經調適以供在本文中所闡述之實施例中使用，可在Tipping及Bishop之「Probabilistic Principal Component Analysis」(皇家統計學會雜誌，系列B，61，第3部分，第611-622頁，1999年9月27日)及Zhao等人之「Probabilistic Principal Component Analysis for 2D data」(統計研究所：第58界世界統計大會，2011年8月，都柏林，第4416-4421頁)中找到，該等文獻如同完全陳述一般以引用方式併入本文中。可如此等參考中所闡述地進一步組態本文中所闡述之實施例。

在一項實施例中，不同位置包含樣品上之不同晶粒中之位置。在另一實施例中，不同位置包含樣品上之僅一個晶粒中之多個位置。舉例而言，可針對樣品上之不同晶粒中之對應位置、樣品上之不同單元中之對應位置等產生一或多個測試影像。多個單元可位於樣品上之每一晶粒中。因此，可在樣品上之僅一個晶粒中在該晶粒中之一或多個單元之一或多個位置處產生測試影像。

在又一實施例中，一或多個測試影像對應於由一成像系統針對樣品產生之一作業圖框，且一或多個電腦系統經組態以用於針對與由成像系統為樣品產生之一不同作業圖框對應之一或多個其他測試影像重複輸入，使得LLRI產生器針對該作業圖框及該不同作業圖框單獨地產生一或多個參考影像。舉例而言，使用LLRI產生器可存在兩個階段：設置及運行時間。在設置時，可使用缺陷候選者來針對每一晶粒學習LLRI產生。若無缺陷候選者可用，則將LPCA精簡為正常PCA。在運行時間，針對檢測區域之每一作業圖框產生LLRI。換言之，可分別針對不同作業圖框產生不同參考影像。產生參考影像所針對之作業圖框可包含其中執行一測試(檢測、缺陷再檢測、計量等)之所有作業圖框。以此方式，至經訓練LLRI產生器之輸入可包含在晶粒間類型檢測之情形中針對不同晶粒在相同相對晶粒位置處之N個圖框影像或針對單元間類型檢測來自不同單元之N個單元影像，且經訓練LLRI產生器可輸出N個參考影像。

在某些實施例中，由一成像系統使用成像系統之僅一單個模式針對樣品產生一或多個測試影像。舉例而言，產生一參考影像所針對之測試影像可僅包含使用相同模式產生之測試影像。成像系統之模式可包含本文中所闡述之模式中之任一者。

在另一實施例中，由一成像系統使用成像系統之僅一單個模式針對樣品產生一或多個測試影像，且一或多個電腦系統經組態以用於重複針對由成像系統使用成像系統之一不同模式針對樣品產生之一或多個其他測試影像之輸入，使得LLRI產生器針對一或多個其他測試影像產生一或多個參考影像。以此方式，可針對以不同模式產生之測試影像產生不同參考影像。針對以不同模式產生之測試影像單獨地且獨立地產生參考影像將對於多模式檢測及其他測試係重要的，此乃因測試影像及測試影像中之雜訊可自一種模式至另一模式發生顯著變化。因此，適合於與一種模式一起使用之一經產生參考影像可能不亦適合於與一不同模式一起使用。產生參考影像所針對之不同模式可包含本文中所闡述之多個模式中之任一者。

一缺陷偵測組件基於一或多個測試影像及其對應一或多個參考影像偵測樣品上之缺陷。因此，由LLRI產生器產生之參考影像可用於偵測樣品上之缺陷。利用所產生參考影像執行之缺陷偵測可包含本文中所闡述之缺陷偵測或本技術領域中已知的任何其他適合缺陷偵測。換言之，由LLRI產生器產生之參考影像可在任何缺陷偵測方法中以與任何其他參考影像相同之方式使用。

在一項實施例中，缺陷偵測組件包含於由一或多個電腦系統執行之一或多個組件中。以此方式，實施例可包含一LLRI產生器與一缺陷偵測組件之一組合，該缺陷偵測組件可係本文中所闡述之監督式或無監督式偵測器/分類器中之一者。缺陷偵測組件可因此包含於由包含於系統中之一或多個電腦系統執行之組件中。換言之，本文中所闡述之系統可使用所產生參考影像執行缺陷偵測。另一選擇係，缺陷偵測組件可包含於執行缺陷偵測之另一系統中。舉例而言，如本文中所闡述地產生之參考影像可儲存於可由另一系統存取之一電腦可讀媒體中或以其他方式傳輸至其他系統或可由其他系統使用，使得其他系統可使用所產生參考影像執行缺陷偵測。

在一項此類實施例中，一或多個電腦系統經組態以用於利用一或多個訓練影像及一或多個訓練影像之像素級實況資訊聯合地訓練LLRI產生器及缺陷偵測組件。像素級實況資訊可包含藉由手動分類、電子束偵測模型或混合檢測器產生之標記。混合檢測可如Bhaskar等人之 2017年7月6日公開之美國專利申請公開案第2017/0194126號中所闡述地執行，該專利申請公開案如同完全陳述一般以引用方式併入本文中。然後，可使用影像(例如，光學影像)及像素級實況資訊訓練經組合LLRI產生器及缺陷偵測組件。訓練經組合LLRI產生器及/或缺陷偵測組件可以本技術領域中已知的任何適合方式執行(例如，修改產生器及/或缺陷偵測組件之一或多個參數直至由產生器及/或缺陷偵測組件產生之偵測及/或分類結果匹配輸入之實況資訊為止)。

在某些此類實施例中，一或多個訓練影像包含由一使用者選擇之一或多個缺陷類別之影像。舉例而言，一使用者可決定一給定樣品層中之關鍵缺陷類型；否則，按照預設，所有缺陷類型被視為同等重要。可例如自使用者藉由BBP缺陷發現或電子束檢測缺陷發現而獲得選定關鍵缺陷類型之候選缺陷樣本。以此方式，可將選定(並非所有)或所有缺陷類型指派給模型學習以實現目標靈敏度增強。以一類似方式，可將選定(或並非所有)或所有缺陷類型指派給模型學習以實現目標擾亂減少。

在另一此類實施例中，一或多個訓練影像包含由一使用者選擇之樣品上的一或多個熱點之影像。「熱點」通常在本技術領域中定義為一樣品之一設計中已知(或被懷疑)更易於出現缺陷之位置。可由一使用者以任何適合方式選擇熱點。熱點亦可如以下美國專利中所闡述地定義及發現：在2009年8月4日頒發給Zafar等人之第7,570,796號及在2010年3月9日頒發給Kulkarni等人之第7,676,077號，該等專利如同完全陳述一般以引用方式併入本文中。可如此等專利中所闡述地進一步組態本文中所闡述之實施例。

在一額外此類實施例中，一或多個訓練影像包含由一使用者選擇的樣品之一設計中之一或多個弱圖案之影像。「弱圖案」通常在本技術領域中定義為一樣品之一設計中已知(或被懷疑)比該設計中之其他圖案更易於出現缺陷之圖案。弱圖案可由一使用者以任何適合方式選擇。弱圖案亦可如上文所參考之Zafar及Kulkarni之專利中所闡述地定義及發現。在某些例項中，弱圖案亦可指定為熱點(且反之亦然)，儘管其未必總是真的(亦即，一弱圖案可識別為一設計中之一熱點，但一熱點未必必須在一弱圖案處定義，且反之亦然)。

在一項實施例中，由一電子束成像系統產生像素級實況資訊。舉例而言，訓練實況資料可來自一電子束系統，諸如一電子束檢測系統、一電子束缺陷再檢測系統、一SEM、一透射式電子顯微鏡(TEM)等。電子束成像系統可如文中所闡述地進一步組態且可係或可並非係系統的部分。舉例而言，本文中所闡述之系統可經組態以使用電子束成像產生像素級實況資訊，且本文中所闡述之電腦系統可產生電子束影像之實況資訊。另一選擇係，另一系統或方法可產生電子束實況資訊，且此資訊可藉由本文中所闡述之實施例來獲取。

在另一實施例中，由一基於光之系統產生像素級實況資訊。舉例而言，訓練實況資料可來自一基於光之系統，諸如一基於光之檢測系統(可能地，經組態以用於實質上高解析度或在一高解析度模式中使用之系統)、一基於光之缺陷再檢測系統等。基於光之系統可如本文中所闡述地進一步組態且可係或可並非係系統之部分。舉例而言，本文中所闡述之系統可經組態以使用基於光之成像產生像素級實況資訊，且本文中所闡述之電腦系統可產生基於光之影像之實況資訊。另一選擇係，另一系統或方法可產生基於光之實況資訊，且此資訊可藉由本文中所闡述之實施例來獲取。

在某些實施例中，像素級實況資訊包含自一使用者接收之資訊。舉例而言，系統可自一使用者接收針對一訓練樣品產生之一或多個訓練影像之實況資訊。在一項此類實例中，可將一訓練樣品之電子束影像顯示給一使用者，且使用者可輸入電子束影像之資訊，諸如影像是否包含一缺陷及可能地在影像中展示何種類型之缺陷。此資訊可由本文中所闡述之系統藉由將影像顯示給一使用者及為使用者提供輸入資訊之能力而獲取。此資訊亦可或替代地藉由本文中所闡述之實施例自另一方法或系統獲取，該另一方法或系統自使用者獲取資訊。

在又一實施例中，像素級實況資訊包含自利用一或多個訓練影像執行之物理模擬之結果產生之一或多個訓練影像之資訊。物理模擬可包含本技術領域中已知的任何模擬。舉例而言，針對在一訓練影像中展示之一缺陷，物理模擬可包含模擬彼缺陷將如何影響使用缺陷位於上面的樣品形成之一裝置之物理現象。此等模擬可以本技術領域中已知的任何適合方式執行。然後，可使用物理模擬之結果來產生缺陷之額外資訊，該額外資訊用作像素級實況資訊。舉例而言，物理模擬之結果可展示缺陷將在裝置中導致一種類型之問題(例如，短路、斷開等)，且然後可為缺陷指派指示彼類型之問題之一分類。然後，可將此等分類用作缺陷之像素級實況資訊。可自此物理模擬產生之任何其他資訊亦可或替代地用作像素級實況資訊。此像素級實況資訊可藉由本文中所闡述之實施例執行。另一選擇係，使用物理模擬產生之像素級實況資訊可自產生此像素級實況資訊之另一方法或系統獲取。

在又一實施例中，像素級實況資訊包含自呈不同於一第一格式之一第二格式之已知缺陷位置轉換成第一格式之資訊。舉例而言，可將已知缺陷位置轉換成像素級實況資料。另外，可將呈一種格式之缺陷資訊(例如，一KLARF檔案(其係由可自KLA商購之工具使用之一專屬檔案格式)、由係可自商購之一工具之Klarity產生之一結果檔案、一批量結果等)轉換成像素級實況資料。缺陷資訊被轉換成的格式(亦即，像素級實況資訊)可係將在使用期間輸入至DML缺陷偵測模型之影像及將由DML缺陷偵測模型藉由影像產生之輸出(亦即，一輸入影像及將由DML缺陷偵測模型針對輸入影像產生之標記)之格式。

已知缺陷位置可以若干個不同方式經由檢測及再檢測、經由經程式化缺陷或合成缺陷、經由模擬等「知曉」。可以任何適合方式將已知缺陷位置轉換成像素級實況資料。可藉由本文中所闡述之實施例之一或多個電腦系統將已知缺陷位置轉換成像素級實況資料。另一選擇係，另一系統或方法可將已知缺陷資訊轉換成像素級實況資料，且本文中所闡述之實施例可以任何適合方式自其他方法或系統獲取彼像素級實況資料。可獲取可轉換成像素級實況資料以供在本文中所闡述之實施例中使用之已知缺陷位置資料之系統及方法之一些實例闡述於Bhaskar等人之2019年10月3日公開之美國專利申請公開案第2019/0303717號中，該專利申請公開案如同完全陳述一般以引用方式併入本文中。可如此公開案中所闡述地進一步組態本文中所闡述之實施例。

在一項實施例中，缺陷偵測組件包含一DL缺陷偵測組件。在此一實施例中，DL偵測組件可係或可並非係如本文中進一步闡述之一DML缺陷偵測模型。以此方式，在基於LLRI之偵測之一項實施例中，可將LLRI產生器與一DL CNN組合以形成一端對端學習系統，以同時學習「最佳」近似低秩變換及用於使用者選擇之缺陷類別之像素級偵測/分類器。此一實施例因此將低秩之穩定性與一DL偵測器/分類器之能力結合在一起。DL缺陷偵測組件亦可係一基於機器學習(ML)特徵之偵測模型，諸如一決策樹、隨機森林、支援向量機器(SVM)等。DL缺陷偵測組件亦可係一基於DL之偵測模型，諸如一CNN、貝葉斯CNN、度量CNN、記憶體CNN等。記憶體CNN之實例闡述於Braman等人之「Disease Detection in Weakly Annotated Volumetric Medical Images using a Convolutional LSTM Network」(arXiv：1812.01087，2018年12月3日，4頁)及Luo等人之「LSTM Pose Machines」(arXiv：1712.06316，2018年3月9日，9頁)中，該等文獻如同完全陳述一般以引用方式併入本文中。度量CNN係使用一相似度量度(度量)來判定兩個事物(例如，影像)是否匹配之一類型之CNN。度量CNN之實例闡述於Bell等人之「Learning visual similarity for product design with convolutional neural networks」(ACM圖形學會刊(TOG)，第34卷，第4期，2015年7月，論文編號：98，第1-10頁)及Wang等人之「DARI：Distance Metric and Representation Integration for Person Verification」(第三十界AAAI人工智慧會議之會議記錄，第3611-3617頁，2016年2月，由加利福尼亞州帕洛阿爾托AAAI出版社公開)中，該等文獻如同完全陳述一般以引用方式併入本文中。可如以上參考中之任一者或全部中所闡述地進一步組態本文中所闡述之實施例。

在某些實施例中，缺陷偵測組件不被組態為一缺陷分類器。換言之，缺陷偵測組件可偵測樣品上之事件但不識別事件係任一類型之缺陷。此一缺陷偵測組件亦可或可不執行經偵測事件之擾亂性濾波。然而，該缺陷偵測組件亦可如本文中進一步闡述地執行缺陷分類及擾亂性濾波。另一選擇係，一缺陷分類組件(其可以或可以不包含於由包含於系統中之一或多個電腦系統執行之組件中)可執行由缺陷偵測組件偵測之缺陷之分類。亦可執行缺陷分類且係基於ML之缺陷偵測組件之一些實例闡述於He等人之2019年3月7日公開之美國專利申請公開案第2019/0073568號中，該專利申請公開案如同完全陳述一般以引用方式併入本文中。基於ML之缺陷偵測器之一些實例闡述於Karsenti等人之2019年1月22日頒發之美國專利第10,186,026號，該專利如同完全陳述一般以引用方式併入本文中。可如此等參考中所闡述地進一步組態本文中所闡述之實施例。

在又一實施例中，缺陷偵測組件包含一非DL缺陷偵測組件。舉例而言，缺陷偵測組件可執行一經典缺陷偵測，諸如自一對應測試影像減去一LLRI以產生一差影像且然後使用差影像來偵測樣品上之缺陷。在一項此類實例中，缺陷偵測組件可係一基於臨限值之缺陷偵測組件，其中自一對應測試影像減去如本文中所闡述地產生之一參考影像，且比較所得差影像與一臨限值。在一臨限值演算法之最簡單版本中，可將具有高於臨限值之一值之任何信號或輸出識別為潛在缺陷或缺陷候選者，且不將不具有高於臨限值之一值之任何信號或輸出識別為潛在缺陷或缺陷候選者。然而，與可用於可自KLA商購之一些系統上之上文在一MDAT演算法及/或一LCAT演算法中所闡述的相比，臨限值演算法可係相對複雜的。

在另一實施例中，缺陷偵測組件包含一DML缺陷偵測模型。以此方式，可組合LLRI產生器與DML偵測。在一項此類實施例中，將LLRI產生器展示為圖3中之包含用於數學之兩個迴旋層之LPCA區塊300。至LPCA區塊之輸入係相同相對晶粒位置但不同晶粒(或單元，取決於將如何執行缺陷偵測)之N個晶粒影像。舉例而言，如圖3中所展示，至 LPCA區塊300之輸入可包含N個晶粒影像302，N個晶粒影像302中之每一者係在相對相對晶粒位置但不同晶粒處獲取。LPCA區塊之輸出係在移除低頻及高頻雜訊兩者之後之N個參考影像。舉例而言，如圖3中所展示，LPCA區塊之輸出係N個參考影像304，針對輸入晶粒影像中之每一者有一個參考影像304。

在此構造(其他構造係可能的)中，原始晶粒影像及LPCA後參考影像兩者被輸入至DML偵測模型。舉例而言，如圖3中所展示，一對測試與對應LPCA產生之參考影像(例如，一對測試影像306與對應LPCA產生之參考影像308)可輸入至DL特徵發現器310，DL特徵發現器310可輸出測試影像之特徵312及參考影像之特徵314。判定潛在空間中之距離以決定測試影像中之每一像素是否係一缺陷。舉例而言，如圖3中所展示，特徵312及314可輸入至可將特徵投影於潛在空間318中之DL潛在投影316。然後，可基於潛在空間中特徵之間的距離執行缺陷偵測，如本文中進一步闡述。偵測區塊中之層不同於LPCA區塊中之層。損失函數係LPCA損失及DML損失之一組合(例如，孿生損失)。儘管與其他偵測方法及系統相比，使用LPCA產生之參考影像與DML偵測可提供一相對高靈敏度，但LPCA產生之參考影像可與任何其他缺陷偵測演算法(諸如本文中進一步闡述之彼等)一起使用。

在一項實施例中，LLRI產生器及缺陷偵測組件經組態以用於線上缺陷偵測。舉例而言，可在由一成像系統掃描樣品時(亦即，在產生測試影像時即時地)產生參考影像且可使用所產生參考影像執行缺陷偵測。以此方式，可不在樣品掃描之前產生參考影像。

在另一實施例中，LLRI產生器及缺陷偵測組件經組態以用於離線缺陷偵測。舉例而言，可在成像系統已掃描樣品之後(亦即，在已產生測試影像之後)產生參考影像且可使用所產生參考影像執行缺陷偵測。在一項此類實例中，可產生測試影像且由包含產生測試影像之成像系統之一系統將其儲存於一電腦可讀儲存媒體中。本文中所闡述之實施例可然後存取儲存媒體中之測試影像且如本文中所闡述地使用測試影像。

在某些實施例中，一或多個組件包含一缺陷分類組件，該缺陷分類組件經組態以用於將所偵測缺陷分成兩個或更多個類型，且該缺陷分類組件係一DL缺陷分類組件。DL缺陷分類組件可如Bhaskar等人之在2018年8月7日頒發之美國專利第10,043,261號及Bhaskar等人之在2019年7月23日頒發之美國專利第10,360,477號以及He等人之2019年3月7日公開之美國專利申請公開案第2019/0073568號中所闡述地組態，該等專利如同完全陳述一般以引用方式併入本文中。可如此等公開案中所闡述地進一步組態本文中所闡述之實施例。

在一項實施例中，樣品係一晶圓，已使用多個微影曝光步驟在該晶圓上形成經圖案化特徵之一層。舉例而言，樣品可係一經雙重圖案化晶圓或其他經圖案化晶圓，其中在一個微影曝光步驟中在晶圓之一個層上形成一組經圖案化特徵且在另一微影曝光步驟中在晶圓之同一層上形成另一組經圖案化特徵。多個微影曝光步驟可以本技術領域中已知的任何適合方式執行。在另一實施例中，樣品係一晶圓，已使用極紫外線(EUV)微影在該晶圓上形成經圖案化特徵之一層。EUV微影可以本技術領域中已知的任何適合方式執行。舉例而言，本文中所闡述之實施例提供具有針對目標缺陷、尤其針對雙重/四重圖案以及光學及其他檢測工具上之EUV微影中之較小缺陷之經增強靈敏度之一近似低秩監督式/半監督式缺陷偵測演算法。

本文中所闡述之實施例之構造之實施方案可完全在GPU加速度上實施。舉例而言，可將LPCA區塊實施為兩個迴旋層，該兩個迴旋層可建構為一相對小的神經網路。訓練(設置)及推理兩者可直接在GPU上運行。該構造亦可在CPU或其他加速度器晶片上運行。

上文所闡述之系統中之每一者之實施例中之每一者可一起組合成單一項實施例。本文中所闡述之實施例亦可如以下美國專利申請公開案中所闡述地進一步組態：Bhaskar等人之2017年7月6日公開之第2017/0194126號及Sezginer等人之2018年11月19日公開之第2018/0342051號，該等專利申請公開案如同完全陳述一般以引用方式併入本文中。

本文中所闡述之實施例具有優於用於缺陷偵測之其他方法及系統之若干個優點。舉例而言，本文中所闡述之實施例可處理晶圓內及(可能地)晶圓間製程差異(例如，此乃因如本文中所闡述地產生之參考影像將實質上不受晶圓內及晶圓間製程差異影響)。另一優點係藉由本文中所闡述之實施例產生之參考影像可被學習以實現針對使用者規定之缺陷、熱點或弱圖案之最佳缺陷偵測。此方法將限制不可預測的靈敏度降級。另外，本文中所闡述之實施例可增強針對目標缺陷類型之缺陷靈敏度，從而擴展BBP缺陷靈敏度限制。此外，本文中所闡述之實施例可藉由在研究及開發以及大量製造使用情形中提供目標靈敏度之較佳可用性而極大地增強BBP靈敏度且減少BBP工具之購置成本。本文中所闡述之實施例亦可有利地將缺陷分類器學習與參考產生結合，此准許選擇性靈敏度增強。此外，在應用近似低秩約束時，本文中所闡述之實施例具有對經標記缺陷候選者之一低得多的需求。本文中所闡述之實施例之一額外優點係其可用於各種不同檢測類型。舉例而言，如本文中進一步闡述，系統可經組態以用於晶粒間檢測、單元間檢測及標準參考檢測，其中之每一者可在僅一單個光學模式或多個光學模式下執行。

另一實施例係關於一種用於偵測一樣品上之缺陷之電腦實施之方法。該方法包含將針對一樣品產生之一測試影像及一對應參考影像投影至潛在空間中。該方法亦包含針對該測試影像之一或多個不同部分，判定在該潛在空間中該一或多個不同部分與該對應參考影像之對應一或多個部分之間的一距離。另外，該方法包含分別基於針對該測試影像之該一或多個不同部分判定之該等距離而偵測該測試影像之該一或多個不同部分中之缺陷。該等投影、判定及偵測步驟係由包含於由一或多個電腦系統執行之一或多個組件中之一DML缺陷偵測模型執行。

可如本文中進一步闡述地執行該方法之步驟中之每一者。該方法亦可包含本文中所闡述之任何其他步驟。電腦系統可根據本文中所闡述之實施例中之任一者來組態，例如，電腦子系統102。另外，上文所闡述之方法可由本文中所闡述之系統實施例中之任一者執行。

又一實施例係關於一種用於產生一樣品之一參考影像之方法。該方法包含藉由將一樣品之一或多個測試影像輸入至一LLRI產生器中而自該一或多個測試影像移除雜訊，藉此產生對應於該一或多個測試影像之一或多個參考影像。該一或多個測試影像係針對該樣品上之不同位置產生，該等不同位置對應於該樣品之一設計中之同一位置。該LLRI產生器包含於由一或多個電腦系統執行之一或多個組件中。該方法亦可包含基於該一或多個測試影像及其對應一或多個參考影像而偵測該樣品上之缺陷。該偵測可由可以或可以不包含於由該一或多個電腦系統執行之該一或多個組件中之一缺陷偵測組件執行。

可如本文中進一步闡述地執行此方法之步驟中之每一者。此方法亦可包含本文中所闡述之任何其他步驟。此等電腦系統可根據本文中所闡述之實施例中之任一者來組態，例如，電腦子系統102。另外，上文所闡述之方法可由本文中所闡述之系統實施例中之任一者執行。

一額外實施例係關於一種非暫時性電腦可讀媒體，其儲存程式指令，該等程式指令可在一或多個電腦系統上執行以執行用於偵測一樣品上之缺陷及/或產生一樣品之一參考影像之一電腦實施之方法。圖4中展示一項此實施例。特定而言，如圖4中所展示，非暫時性電腦可讀媒體400包含可在電腦系統404上執行之程式指令402。電腦實施之方法可包含上文所闡述之任何方法之任何步驟。

實施諸如本文中所闡述之方法的方法之程式指令402可儲存於電腦可讀媒體400上。電腦可讀媒體可係諸如一磁碟或光碟、一磁帶之一儲存媒體，或本技術領域中已知的任何其他適合非暫時性電腦可讀媒體。

可以包含基於程序之技術、基於組件之技術及/或物件導向技術以及其他技術之各種方式中之任一者來實施程式指令。舉例而言，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE(串流化SIMD擴展)或其他技術或方法來實施該等程式指令。

電腦系統404可根據本文中所闡述之實施例中之任一者而組態。

鑒於此說明，熟習此項技術者將明瞭本發明之各項態樣之進一步修改及替代實施例。舉例而言，提供用於半導體應用之可學習缺陷偵測方法及系統。因此，此說明應視為僅係說明性的，且係出於教示熟習此項技術者實施本發明之一般方式之目的。應理解，本文中所展示及所闡述之本發明之形式應視為目前較佳之實施例。如熟習此項技術者在受益於本發明之此說明之後將全部明瞭，元件及材料可替代本文中所圖解說明及闡述之彼等元件及材料，部件及製程可顛倒，且本發明之某些特徵可獨立地利用。可在不背離如隨附申請專利範圍中所闡述之本發明之精神及範圍之情況下對本文中所闡述之元件做出改變。