TWI821499B - 檢測系統及用於對度量衡缺陷分段之方法 - Google Patents
檢測系統及用於對度量衡缺陷分段之方法 Download PDFInfo
- Publication number
- TWI821499B TWI821499B TW109100578A TW109100578A TWI821499B TW I821499 B TWI821499 B TW I821499B TW 109100578 A TW109100578 A TW 109100578A TW 109100578 A TW109100578 A TW 109100578A TW I821499 B TWI821499 B TW I821499B
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- data sets
- signal
- attributes
- detection data
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 242
- 238000007689 inspection Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims description 48
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims description 187
- 238000005286 illumination Methods 0.000 claims description 57
- 238000005516 engineering process Methods 0.000 claims description 27
- 230000005855 radiation Effects 0.000 claims description 23
- 239000002245 particle Substances 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010894 electron beam technology Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims 2
- 230000003252 repetitive effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 35
- 238000003384 imaging method Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000010884 ion-beam technique Methods 0.000 description 5
- 235000012431 wafers Nutrition 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011896 sensitive detection Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- G01N21/95—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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33034—Online learning, training
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37224—Inspect wafer
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本發明揭示一種檢測系統,其可自一缺陷檢測系統接收與一或多個樣品之檢測相關聯之檢測資料集,其中與一缺陷相關聯之該複數個檢測資料集之一檢測資料集包含兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值。一檢測系統可進一步基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用一類別標記對該等檢測資料集之各者進行標記,其中各類別標記對應於該信號空間之一區域。一檢測系統可進一步藉由使用該等背景內容屬性之該等值及針對該等檢測資料集之對應類別標記訓練一分類器而將該等檢測資料集分段成兩個或兩個以上缺陷群組,其中基於該經訓練分類器識別該兩個或兩個以上缺陷群組。
Description
本發明大體上係關於缺陷檢測且更特定言之,係關於缺陷之無監督分段。
缺陷檢測系統識別及/或分類半導體晶圓上之缺陷。一給定半導體晶圓可包含數百個晶片,各晶片含有數千個所關注組件,且各所關注組件可在一晶片之一給定層上具有數百萬個例項。因此,檢測系統可產生一給定晶圓上之大量資料點。因此,將此等資料點適當地分段成不同群組以有效地產生有用資訊係用於缺陷分類之一持續挑戰。例如,缺陷分段可促進一製造程序之各種態樣(包含(但不限於)缺陷發現、缺陷分類、擾亂點過濾或選擇光學器件)以達成一所要位準之效能。
缺陷分段通常被執行為一檢測後步驟且通常係在一人類專家之輔助下實行(例如,監督式分段)。然而,對於日益收縮之裝置之需求導致對檢測系統之增加之需求。例如,隨著設計規則收縮,與所關注缺陷相關聯之雜訊底限相對於擾亂點檢測資料點之間之差異亦可收縮。因此,僅基於在一缺陷位點處產生之一信號之屬性或背景內容屬性之分段可係不足或無效的。此外,可用於缺陷分段之屬性之數目可使監督式分段無效或不實際。因此,將可期望提供一種用於解決諸如上文識別之缺點之缺點之
系統及方法。
揭示一種根據本發明之一或多項闡釋性實施例之檢測系統。在一項闡釋性實施例中,該系統包含具有一或多個處理器之一控制器。在另一闡釋性實施例中,該控制器自一缺陷檢測系統接收與一或多個樣品之檢測相關聯之檢測資料集,其中與一缺陷相關聯之一檢測資料集包含兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值。在另一闡釋性實施例中,一信號屬性代表由該缺陷檢測系統回應於一缺陷而產生之一信號。在另一闡釋性實施例中,該一或多個背景內容屬性之一背景內容屬性代表該缺陷之一或多個額外特性。在另一闡釋性實施例中,該控制器基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用一類別標記對該等檢測資料集之各者進行標記,其中各類別標記對應於該信號空間之一區域。在另一闡釋性實施例中,該控制器藉由使用該一或多個背景內容屬性之該等值及針對該等檢測資料集之對應類別標記訓練一分類器而將該複數個檢測資料集分段成兩個或兩個以上缺陷群組,其中基於該經訓練分類器識別該兩個或兩個以上缺陷群組。
揭示一種根據本發明之一或多項闡釋性實施例之檢測系統。在一項闡釋性實施例中,該系統包含一缺陷檢測系統。在另一闡釋性實施例中,該缺陷檢測系統包含用於產生一或多個照明光束之一照明源。在另一闡釋性實施例中,該缺陷檢測系統包含用於擷取回應於該一或多個照明光束而自一樣品發出之輻射之一偵測器。在另一闡釋性實施例中,該系統包含通信地耦合至該偵測器之一控制器。在另一闡釋性實施例中,該
控制器自一缺陷檢測系統接收與一或多個樣品之檢測相關聯之檢測資料集,其中與一缺陷相關聯之一檢測資料集包含兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值。在另一闡釋性實施例中,一信號屬性代表由該缺陷檢測系統回應於一缺陷而產生之一信號。在另一闡釋性實施例中,一背景內容屬性代表該缺陷之一或多個額外特性。在另一闡釋性實施例中,該控制器基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用一類別標記對該等檢測資料集之各者進行標記,其中各類別標記對應於該信號空間之一區域。在另一闡釋性實施例中,該控制器藉由使用該一或多個背景內容屬性之該等值及針對該等檢測資料集之對應類別標記訓練一分類器而將該等檢測資料集分段成兩個或兩個以上缺陷群組,其中基於該經訓練分類器識別該兩個或兩個以上缺陷群組。
揭示一種根據本發明之一或多項闡釋性實施例之用於對度量衡缺陷分段之方法。在一項闡釋性實施例中,該方法包含自一缺陷檢測系統接收與一或多個樣品之檢測相關聯之檢測資料集,其中與一缺陷相關聯之一檢測資料集包含兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值。在另一闡釋性實施例中,一信號屬性代表由該缺陷檢測系統回應於一缺陷而產生之一信號。在另一闡釋性實施例中,一背景內容屬性代表該缺陷之一或多個額外特性。在另一闡釋性實施例中,該方法包含基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用一類別標記對該等檢測資料集之各者進行標記,其中各類別標記對應於該信號空間之一區域。在另一闡釋性實施例中,該方法包含藉由使用該一或多個背景內容屬性之該等值及針對該等檢測資料集之
對應類別標記訓練一分類器而將該等檢測資料集分段成兩個或兩個以上缺陷群組,其中基於該經訓練分類器識別該兩個或兩個以上缺陷群組。
應理解,前述概述及以下詳細描述兩者僅係例示性及說明性的且未必限制如主張之本發明。被併入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與概述一起用於解釋本發明之原理。
100:檢測系統
102:缺陷檢測子系統
104:控制器
106:處理器
108:記憶體裝置
110:照明源
112:照明光束
114:樣品
116:樣品載物台
118:照明路徑
120:透鏡
122:光學組件
124:物鏡
126:偵測器
128:樣品輻射
130:集光路徑
132:集光透鏡
134:集光光學元件
136:光束分離器
200:方法
202:步驟
204:步驟
206:步驟
302:子步驟
304:子步驟
306:子步驟
400:標繪圖
402:檢測資料
404:信號空間
406:信號雲
406a:第一信號雲
406b:第二信號雲
408:多邊形
410:標繪圖
500:標繪圖
502:信號空間
504:檢測資料
506:第一片段
508:第二片段
510:直方圖
600:決策樹
700:決策樹
熟習此項技術者藉由參考附圖可更佳理解本發明之若干優點,其中:
圖1A係繪示根據本發明之一或多項實施例之一檢測系統之一概念視圖。
圖1B係繪示根據本發明之一或多項實施例之一光學缺陷檢測系統之一概念視圖。
圖1C係根據本發明之一或多項實施例之經組態為一粒子束度量衡工具之一缺陷檢測系統之一概念視圖。
圖2係繪示根據本發明之一或多項實施例之在用於對缺陷分段之一方法中執行之步驟之一流程圖。
圖3係繪示根據本發明之一或多項實施例之與基於檢測資料集之各者在一信號空間中之各自位置使用一類別標記對檢測資料集之各者進行標記相關聯之子步驟之一流程圖。
圖4A係根據本發明之一或多項實施例之與基於兩個信號屬性映射至一二維信號空間中之複數個缺陷相關聯之檢測資料之一標繪圖。
圖4B係根據本發明之一或多項實施例之被劃分為各具有一不同類別
標記之一組非重疊多邊形之一信號空間之一標繪圖。
圖5A係繪示根據本發明之一或多項實施例之包含在一信號空間中具有重疊信號雲之缺陷群組(其等可基於一背景內容屬性區分)之檢測資料之一標繪圖。
圖5B係根據本發明之一或多項實施例之依據圖5A中之背景內容屬性而變化之檢測資料之一直方圖。
圖6係根據本發明之一或多項實施例之藉由使用圖5A中之檢測資料之背景內容屬性資訊及與一信號空間之非重疊區域相關聯之對應類別標記訓練一決策樹分類器而產生之一決策樹。
圖7係根據本發明之一或多項實施例之與包含11個背景內容屬性之檢測資料相關聯之一決策樹,該等背景內容屬性之僅6個用於對檢測資料分段。
現將詳細參考在隨附圖式中繪示之所揭示標的物。已關於某些實施例及其等之特定特徵特別展示且描述本發明。將本文中闡述之實施例視為闡釋性而非限制性。將本文中闡述之實施例視為闡釋性而非限制性。一般技術者將容易瞭解,可做出形式及細節上之各種改變及修改而不脫離本發明之精神及範疇。
本發明之實施例係關於用於缺陷之無監督及自動分段之系統及方法。在此方面,缺陷分段可在無一使用者(例如,一人類專家)之輔助或不使用訓練資料之情況下發生。應認知,無監督之缺陷偵測可克服在分段期間與人類干預相關聯之限制,可促進一致分段且可導致工具權限。
本文中應認知,缺陷檢測系統可產生與一樣品上之各缺陷
(或潛在缺陷)相關聯之一檢測資料集。此檢測資料集可包含各種檢測資料點,該等檢測資料點之各者可適用於一缺陷分段技術中。例如,一檢測資料集可包含一或多個信號屬性或由一缺陷檢測系統量測之與一缺陷相關聯(例如,與一樣品上對應於一缺陷之一位置相關聯)之一信號之屬性,諸如(但不限於)經量測信號之能量、量值或極性。信號屬性可進一步包含與一缺陷偵測演算法相關聯之參數,諸如(但不限於)點狀性(spotlikeness)或一多晶粒自動定限(MDAT)偏移值。藉由另一實例,一檢測資料集可包含與缺陷相關聯之一或多個背景內容屬性。例如,一背景內容屬性可包含與一缺陷與周圍區域之間之一關係相關聯之資訊,諸如(但不限於)一缺陷相對於周圍區域之一相對亮度(例如,極性)、缺陷在樣品上之相對或絕對位置、缺陷與所關注特徵或區域之接近性、用於偵測缺陷之一參考影像之亮度或與用於偵測缺陷之一參考影像相關聯之粗糙度。背景內容屬性可進一步包含與一缺陷偵測演算法相關聯之參數,諸如(但不限於)一MDAT灰階或一MDAT雜訊位準。
本發明之實施例係關於藉由將檢測資料結構化為一監督式分類問題,訓練一監督式分類器(例如,一監督式學習技術)且基於在訓練期間識別之型樣或結構對檢測資料分段而執行無監督之分段。在此方面,可使用一廣泛範圍之監督式學習技術之任何者以基於檢測資料之信號屬性與背景內容屬性之間之多維型樣而識別不同缺陷群組。因此,可利用監督式學習技術以提供無監督之缺陷分段。
本文中應認知,可基於信號屬性對檢測資料分段。例如,檢測資料可經映射至由兩個或兩個以上信號屬性界定之一多維信號空間且基於信號空間中之位置而分段成不同缺陷群組。例如,可使用一叢集演算
法以識別信號空間中之檢測資料集之叢集以識別具有類似信號屬性之缺陷群組。然而,情況可係僅基於信號屬性之分段可不足以識別全部所要缺陷群組(例如,具有不同雜訊特性、對效能之不同影響程度或類似者之缺陷群組)。例如,多個缺陷類型可在信號空間中具有重疊分佈。此外,隨著製造技術朝向較小設計規則移動,多個類型之缺陷之信雜比可變得愈加類似,使得來自其他信號(例如,擾亂點信號)之特定DOI之識別可變得愈加具有挑戰性。
應進一步認知,可基於背景內容屬性對檢測資料分段。例如,檢測資料可依據一或多個背景內容屬性繪製於直方圖中且基於直方圖中之傾角分段。然而,僅基於背景內容屬性之缺陷分段可類似地不足以區分所要缺陷群組。
本發明之額外實施例係關於基於信號屬性及背景內容屬性兩者對檢測資料分段。在一些實施例中,基於信號空間中之位置使用類別標記(例如,適用於監督式學習演算法中之類別標記)對檢測資料進行標記。例如,可將多維信號空間劃分為一組非重疊區域,其中各區域可被指派一獨有類別標記。本發明之進一步實施例係關於基於背景內容屬性及對應類別標記訓練一監督式分類器且基於經訓練分類器將檢測資料分段成缺陷群組。因此,可訓練分類器以使檢測資料之背景內容屬性中之型樣與相關聯於經指派類別標記之信號空間內之特定位置相關。接著,可使用背景內容屬性中之此等型樣以將檢測資料分段成對應於信號空間中之可分離區域之缺陷群組。在此方面,經訓練分類器可利用背景內容屬性以識別在信號空間中可具有重疊分佈之單獨缺陷群組。因此,可識別高度粒度之缺陷群組,此可促進缺陷發現、缺陷分類、擾亂點過濾、光學器件選擇及類似
者。
此外,將多維信號空間降低至一單一維度(類別標記組)實現任何監督式學習技術之使用,諸如(但不限於)一決策樹技術、一最近鄰技術、一迴歸技術、一貝氏(Bayesian)技術、一支援向量機器技術、一類似性技術或一神經網路技術。
如本文中揭示之缺陷分段可由系統之任何組合實行。例如,缺陷分段可由適用於檢測一或多個樣品之缺陷之一檢測系統執行。藉由另一實例,缺陷分段可由通信地耦合至至少一檢測系統之一或多個專屬控制器實行。在此方面,缺陷分段操作之至少一部分可自檢測工具分流。
本發明之額外實施例係關於將包含缺陷分段資料之檢測資料提供為用於任何程序步驟(包含(但不限於)缺陷發現、缺陷分類、擾亂點過濾、配方控制或光學器件選擇)之回饋或前饋資料。例如,可利用包含關於一或多個樣品之缺陷分段資訊之檢測資料以產生一或多個額外樣品之一檢測配方(例如,包含檢測位置之界定、用於檢測之設定參數或類似者)。藉由另一實例,可將包含關於一批內之樣品之缺陷分段資訊之檢測資料提供為用於針對該批或額外批內之額外樣品之程序步驟之回饋資料。藉由一進一步實例,可將包含關於一批內之樣品之缺陷分段資訊之檢測資料提供為用於與該批中之相同樣品相關聯之後續程序步驟之前饋資料。
圖1A係繪示根據本發明之一或多項實施例之一檢測系統100之一概念視圖。在一項實施例中,檢測系統100包含一缺陷檢測子系統102。例如,缺陷檢測子系統102可產生一樣品之一或多個部分之一影像。在另一實施例中,檢測系統100包含一控制器104。在另一實施例中,控制器104包含經組態以執行維持於一記憶體裝置108(例如,記憶
體)上之程式指令之一或多個處理器106。在此方面,控制器104之一或多個處理器106可執行貫穿本發明描述之各種程序步驟之任何者。例如,控制器104可(但不限於):接收與任何數目個樣品相關聯之缺陷檢測資料;將由檢測資料內之任何數目個信號屬性界定之一信號空間劃分為不同區域;基於檢測資料映射至信號空間之哪一區域而為檢測資料指派類別標記;訓練一分類器(例如,一監督式分類器、一監督式學習技術或類似者)以基於類別標記使背景內容屬性與信號空間中之位置相關;或基於經訓練分類器識別缺陷群組。
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何處理元件。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/或指令之任何微處理器類型裝置。在一項實施例中,一或多個處理器106可由一桌上型電腦、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一程式(其經組態以操作檢測系統100)之任何其他電腦系統(例如,網路電腦)組成,如貫穿本發明所描述。應進一步認知,術語「處理器」可經廣泛定義以涵蓋具有執行來自一非暫時性記憶體裝置108之程式指令之一或多個處理元件之任何裝置。此外,貫穿本發明描述之步驟可藉由一單一控制器104或替代地多個控制器實行。另外,控制器104可包含容置於一共同外殼中或多個外殼內之一或多個控制器。以此方式,任何控制器或控制器之組合可分開封裝為適用於整合至檢測系統100中之一模組。此外,控制器104可分析自一偵測器126接收之資料且將資料饋送至缺陷檢測子系統102內或檢測系統100外部之額外組件。
記憶體裝置108可包含此項技術中已知之適用於儲存可由相關聯之一或多個處理器106執行之程式指令之任何儲存媒體。例如,記
憶體裝置108可包含一非暫時性記憶體媒體。藉由另一實例,記憶體裝置108可包含(但不限於)一唯讀記憶體、一隨機存取記憶體、一磁性或光學記憶體裝置(例如,磁碟)、一磁帶、一固態碟機及類似者。應進一步注意,記憶體裝置108可與一或多個處理器106一起容置於一共同控制器外殼中。在一項實施例中,記憶體裝置108可相對於一或多個處理器106及控制器104之實體位置遠端定位。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)。因此,不應將上文描述解譯為對本發明之一限制而僅為一圖解。
現參考圖1B及圖1C,更詳細描述檢測系統100之各種組件。
缺陷檢測子系統102可包含此項技術中已知之任何類型之度量衡裝置。例如,缺陷檢測子系統102可使用一照明光束照明一樣品且可進一步收集回應於照明光束而自樣品發出之輻射。照明光束可包含適用於探測一樣品之任何類型之照明光束,諸如(但不限於)一光束(例如,光子)、一電子束或一離子束。此外,自樣品發出之輻射可包含光子、電子、離子、中性粒子或類似者。因此,缺陷檢測子系統102可包含一光學度量衡工具、一電子束度量衡工具、一掃描電子顯微鏡(SEM)、一離子束度量衡工具或類似者。
缺陷檢測子系統102可進一步在一直接成像模式或一掃描成像模式中操作。例如,在一直接成像模式中操作之缺陷檢測子系統102可照明大於系統解析度之樣品之一部分且在一偵測器上擷取樣品之經照明部分之一影像。經擷取影像可係此項技術中已知之任何類型之影像,諸如
(但不限於)一明場影像、一暗場影像、一相位對比影像或類似者。此外,可(例如,藉由缺陷檢測子系統102、藉由控制器104或類似者)將經擷取影像拼接在一起以形成樣品之一複合影像。藉由另一實例,在一掃描模式中操作之缺陷檢測子系統102可使一聚焦光束掃描遍及樣品且在一或多個偵測器上以一或多個量測角擷取自樣品發出之輻射及/或粒子。可藉由(例如,使用一振鏡、一壓電鏡或類似者)修改光束路徑及/或藉由使樣品平移通過聚焦光束之一聚焦體積而使聚焦光束掃描遍及樣品。可(例如,藉由缺陷檢測子系統102、藉由控制器104或類似者)將經擷取輻射拼接在一起以形成樣品之一複合影像。
圖1B係繪示根據本發明之一或多項實施例之一光學缺陷檢測子系統102之一概念視圖。在一項實施例中,缺陷檢測子系統102包含經組態以產生一照明光束112之一照明源110。照明光束112可包含一或多個選定波長之光,包含(但不限於)紫外線(UV)輻射、可見輻射或紅外線(IR)輻射。
照明源110可係此項技術中已知之適用於產生一光學照明光束112之任何類型之照明源。在一項實施例中,照明源110包含一寬頻電漿(BBP)照明源。在此方面,照明光束112可包含由一電漿發射之輻射。例如,一BBP照明源110可包含(但不需要包含)經組態以將泵送光聚焦至一定體積之一氣體中,從而引起能量由氣體吸收以便產生或維持適用於發射輻射之一電漿之一或多個泵送源(例如,一或多個雷射)。此外,電漿輻射之至少一部分可用作照明光束112。在另一實施例中,照明源110可包含一或多個雷射。例如,照明源110可包含此項技術中已知之能夠發射在電磁波頻譜之紅外線、可見或紫外線部分中之輻射之任何雷射系統。
在另一實施例中,照明源110經由一照明路徑118將照明光束112引導至安置於一樣品載物台116上之一樣品114。照明路徑118可包含適用於修改及/或調節照明光束112之一或多個透鏡120或額外光學組件122。例如,一或多個光學組件122可包含(但不限於)一或多個偏光器、一或多個濾光器、一或多個光束分離器、一或多個擴散器、一或多個均質器、一或多個變跡器或一或多個光束塑形器。在另一實施例中,缺陷檢測子系統102包含用於將照明光束112引導至樣品114上之一物鏡124。
在另一實施例中,缺陷檢測子系統102包含經組態以擷取透過一集光路徑130自樣品114發出之輻射(例如,樣品輻射128)之一偵測器126。例如,一偵測器126可接收由集光路徑130中之元件(例如,物鏡124、一或多個集光透鏡132或類似者)提供之樣品114之一影像。集光路徑130可進一步包含用於引導及/或修改由物鏡124收集之照明之任何數目個集光光學元件134,包含(但不限於)一或多個濾光器、一或多個偏光器、一或多個變跡器或一或多個光束擋塊。
偵測器126可包含此項技術中已知之適用於量測自樣品114接收之輻射之任何類型之光學偵測器。例如,一偵測器126可包含(但不限於)一CCD偵測器、一TDI偵測器、一光電倍增管(PMT)、一突崩光電二極體(APD)或類似者。在另一實施例中,一偵測器126可包含適用於識別自樣品114發出之輻射之波長之一光譜偵測器。在另一實施例中,缺陷檢測子系統102可包含多個偵測器126(例如,與藉由一或多個光束分離器產生之多個光束路徑相關聯以促進藉由缺陷檢測子系統102之多個度量衡量測)。
在一項實施例中,如圖1B中繪示,缺陷檢測子系統102可
包含經定向使得物鏡124可同時將照明光束112引導至樣品114且收集自樣品114發出之輻射之一光束分離器136。在另一實施例中,照明光束112在樣品114上之入射角係可調整的。例如,可調整照明光束112通過光束分離器136及物鏡124之路徑以控制照明光束112在樣品114上之入射角。
在另一實施例中,缺陷檢測子系統102經通信地耦合至檢測系統100之控制器104。在此方面,控制器104可經組態以接收資料(包含(但不限於)度量衡影像)。
圖1C係根據本發明之一或多項實施例之經組態為一粒子束度量衡工具之一缺陷檢測子系統102之一概念視圖。在一項實施例中,照明源110包含一粒子源(例如,一電子束源、一離子束源或類似者),使得照明光束112包含一粒子束(例如,一電子束、一粒子束或類似者)。照明源110可包含此項技術中已知之適用於產生一照明光束112之任何粒子源。例如,照明源110可包含(但不限於)一電子槍或一離子槍。在另一實施例中,照明源110經組態以提供具有一可調諧能量之一粒子束。例如,包含一電子源之一照明源110可(但不限於)提供在0.1kV至30kV之範圍內之一加速電壓。作為另一實例,包含一離子源之一照明源110可(但不需要)提供具有在1keV至50keV之範圍內之一能量之一離子束。
在另一實施例中,照明路徑118包含一或多個粒子聚焦元件(例如,透鏡120或類似者)。例如,一或多個粒子聚焦元件可包含(但不限於)一單一粒子聚焦元件或形成一複合系統之一或多個粒子聚焦元件。在另一實施例中,一或多個粒子聚焦元件包含經組態以將照明光束112引導至樣品114之物鏡124。此外,一或多個粒子聚焦元件可包含此項技術中已知之任何類型之電子透鏡,包含(但不限於)靜電、磁性、單電位或雙
電位透鏡。本文中應注意,如圖1C中描繪之一成像度量衡工具之描述及上文之相關聯描述僅係為了闡釋性目的提供且不應被解譯為限制性。例如,缺陷檢測子系統102可包含此項技術中已知之適用於產生關於一樣品114之度量衡資料之任何激發源。在另一實施例中,缺陷檢測子系統102包含用於產生兩個或兩個以上粒子束之兩個或兩個以上粒子束源(例如,電子束源或離子束源)。在一進一步實施例中,缺陷檢測子系統102可包含經組態以將一或多個電壓施加至樣品114之一或多個位置之一或多個組件(例如,一或多個電極)。在此方面,缺陷檢測子系統102可產生電壓對比成像資料。
在另一實施例中,缺陷檢測子系統102包含用於成像或以其他方式偵測自樣品114發出之粒子之一或多個粒子偵測器126。在一項實施例中,偵測器126包含一電子收集器(例如,一二次電子收集器、一反向散射電子偵測器或類似者)。在另一實施例中,偵測器126包含用於自樣本表面偵測電子及/或光子之一光子偵測器(例如,一光偵測器、一x射線偵測器、耦合至光電倍增管(PMT)偵測器之一閃爍元件或類似者)。
圖2係繪示根據本發明之一或多項實施例之在用於對缺陷分段之一方法200中執行之步驟之一流程圖。申請者應注意,本文中先前在檢測系統100之背景內容中描述之實施例及賦能技術應被解譯為擴展至方法200。然而,應進一步注意,方法200不限於檢測系統100之架構。
在一項實施例中,方法200包含接收包含與缺陷相關聯之兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值之檢測資料之一步驟202。例如,可基於一或多個樣品之檢測自一缺陷檢測系統(例如,檢測系統100或類似者)接收檢測資料。此外,檢測資料可包含與各經識別
缺陷相關聯之一檢測資料集,其中各檢測資料集包含與缺陷相關聯之信號及背景內容屬性之對應值。
一信號屬性可包含與回應於一缺陷而由一缺陷檢測系統(諸如(但不限於)圖1B或圖1C中繪示之檢測系統100)產生之一信號相關聯之一可量測特性。例如,考量檢測系統100,信號屬性可包含(但不限於)與回應於照明光束112之來自樣品114之樣品輻射128相關聯之可量測特性,諸如(但不限於)樣品輻射128之一能量、量值、波長或偏振。藉由另一實例,一信號屬性可包含與一缺陷偵測演算法相關聯之一參數。例如,可利用一缺陷偵測演算法(諸如(但不限於)一MDAT技術)以基於在一給定位置處之樣品輻射128而判定一缺陷是否存在於(或一潛在缺陷是否存在於)該位置處。因此,信號屬性可包含與缺陷偵測演算法相關聯之參數,諸如(但不限於)點狀性或一MDAT偏移值。
一背景內容屬性可包含與一經識別缺陷或潛在缺陷相關聯之背景內容資訊。例如,一背景內容屬性可包含與一缺陷與周圍區域之間之一關係相關聯之資訊,諸如(但不限於)一缺陷相對於周圍區域之一相對亮度(例如,極性)、缺陷在樣品上之相對或絕對位置、缺陷與所關注特徵或區域之接近性、用於偵測缺陷之一參考影像之亮度或與用於偵測缺陷之一參考影像相關聯之粗糙度。背景內容屬性可進一步包含與一缺陷偵測演算法相關聯之參數,諸如(但不限於)一MDAT灰階或一MDAT雜訊位準。
在另一實施例中,方法200包含基於在由兩個或兩個以上信號屬性界定之一信號空間中之位置使用一類別標記對檢測資料集之至少一些進行標記之一步驟204,其中各類別標記對應於信號空間之一區域。
可基於與檢測資料相關聯之兩個或兩個以上信號屬性界定
一信號空間。在此方面,可將與一缺陷相關聯之各檢測資料集映射至信號空間中之一點。在一項實施例中,基於檢測資料集位於信號空間中之位置使用一類別標記對與一缺陷相關聯之各檢測資料集進行標記。
圖3係繪示根據本發明之一或多項實施例之與基於檢測資料集之各者在信號空間中之各自位置使用一類別標記對檢測資料集之各者進行標記相關聯(例如,與步驟204相關聯)之子步驟之一流程圖。
在一項實施例中,步驟204可包含在一選定信號空間中映射複數個檢測資料集之一子步驟302。
圖4A係根據本發明之一或多項實施例之與基於兩個信號屬性(信號屬性1及信號屬性2)映射至一二維信號空間404中之複數個缺陷相關聯之(例如,由檢測系統100或類似者產生之)檢測資料402之一標繪圖400。應理解,檢測資料402在圖4A中繪示之一二維信號空間中之映射僅係為了闡釋性目的提供且不應被解譯為限制性。在一般意義上,可基於任何數目個選定信號屬性將檢測資料402映射至任何數目個維度之一多維空間中。
此外,如圖4A中繪示,檢測資料402可(但不需要)經叢集成信號空間404中之一或多個信號雲406。此外,將圖4A中之檢測資料402分組成至少一第一信號雲406a及一第二信號雲406b。此等信號雲406可(但不需要)對應於不同缺陷群組。然而,如本文中先前描述但未展示,僅基於信號空間中之信號雲406之缺陷分段(例如,藉由叢集演算法、主分量分析或類似者)可不足以識別所關注缺陷群組。例如,具有不同雜訊特性、對生產之影響、對效能之影響或類似者之不同缺陷群組可具有重疊信號雲406。然而,如本文中描述之缺陷分段可促進基於背景內容屬性對信
號雲406中之所關注缺陷群組之識別及分離。
在另一實施例中,步驟204可包含將信號空間劃分為一組多邊形之一子步驟304。在此方面,檢測資料集可分佈於至少兩個多邊形之間。可使用此項技術中已知之任何方法將一信號空間404劃分為多邊形,諸如(但不限於)劃分為一多維柵格、德洛涅(Delaunay)三角剖分或鑲嵌。此外,子步驟304可包含(但不需要包含)將信號空間404劃分為一組非重疊多邊形,其中各多邊形表示信號空間404之一獨有區域。
可通常將一多維信號空間404劃分為任何形狀之多邊形。例如,可將圖4中繪示之二維信號空間404劃分為多邊形408(此處,矩形)之一柵格。藉由另一實例,但未展示,可將圖4A中繪示之二維信號空間404劃分為任何形狀之多邊形408,包含(但不限於)三角形、五邊形、六邊形或類似者。此外,可將圖4A中繪示之二維信號空間404劃分為具有不同形狀及/或大小之多邊形408。應理解,可將具有多於兩個維度(例如,如由多於兩個信號屬性界定)之一信號空間404類似地劃分為具有適用於表示信號空間404之任何形狀或大小之多邊形408。
在另一實施例中,步驟204可包含基於信號空間404中之位置使用一類別標記對與一缺陷相關聯之各檢測資料集進行標記之一子步驟306。例如,步驟204可包含使用對應於含有信號空間404中之各自檢測資料集之一多邊形408之一類別標記對與一缺陷相關聯之各檢測資料集進行標記。
圖4B係根據本發明之一或多項實施例之被劃分為各具有一不同類別標記之一組非重疊多邊形408(此處,矩形)之信號空間404之一標繪圖410。例如,使用在自1至285之範圍中之數值識別符標記圖4B之多
邊形408。然而,應理解,圖4B中繪示之作為類別標記之數字之使用以及信號空間404之劃分僅係為了闡釋性目的提供且不應被解譯為限制性。例如,一組類別標記可包含此項技術中已知之任何一維標記或識別符組,包含(但不限於)數字、字母或字詞。此外,不需要將一類別標記指派給與一信號空間404相關聯之各多邊形408。在一項實施例中,包含與一缺陷相關聯之至少一個檢測資料集之唯一多邊形408被指派一類別標記。
在另一實施例中,方法200包含藉由使用背景內容屬性之值及對應類別標記訓練一分類器而將檢測資料集分段成缺陷群組之一步驟206,其中基於經訓練分類器識別兩個或兩個以上缺陷群組。
步驟206可包含基於背景內容屬性及類別標記訓練此項技術中已知之任何類型之分類器以識別不同缺陷群組。例如,步驟206可包含基於背景內容屬性及類別標記訓練一監督式分類器(例如,一監督式學習技術)以識別不同缺陷群組。一監督式分類器可通常基於訓練資料識別輸入參數與類別標記之間之型樣以便基於與新輸入相關聯之輸入參數預測用於新輸入之一類別標記。在一項實施例中,步驟206包含使用來自與缺陷相關聯之檢測資料集之背景內容屬性作為至監督式分類器之輸入及與信號空間404中之對應多邊形相關聯之類別標記作為用於監督式分類器之訓練資料。因此,訓練監督式分類器可(例如,基於與類別標記相關聯之多邊形408)識別背景內容屬性與信號空間404中之位置之間之型樣,其等可用於將檢測資料分段成不同缺陷群組。在此方面,一監督式分類技術可使用背景內容屬性以識別可在信號空間404中具有重疊信號雲406及/或具有不同雜訊特性之缺陷群組。
圖5A係繪示根據本發明之一或多項實施例之包含在一信號
空間502中具有重疊信號雲406之缺陷群組(其等可基於一背景內容屬性區分)之檢測資料之一標繪圖500。標繪圖500包含在包含兩個信號屬性及一個背景內容屬性之一三維空間中映射之檢測資料504。如標繪圖500中繪示,可將檢測資料504分段成具有小於或等於15,754.5之一背景內容屬性值之一第一片段506及具有大於15,754.5之一背景內容屬性值之一第二片段508。
然而,當僅依據信號屬性或背景內容屬性分段時,可能無法區分第一片段506與第二片段508。例如,當完全在信號空間502中觀察(例如,藉由將檢測資料504投射至由圖5A之信號屬性1及信號屬性2界定之一平面上)時,信號雲406重疊,使得可能無法區分第一片段506與第二片段508。藉由另一實例,當完全在背景內容域中觀察(例如,藉由將檢測資料504投射至由背景內容屬性及信號屬性1或信號屬性2之任一者界定之一平面上)時,信號雲406亦重疊,使得可能無法區分第一片段506與第二片段508。此外,圖5B係根據本發明之一或多項實施例之依據背景內容屬性而變化之檢測資料504之一直方圖510。如圖5B中繪示,檢測資料504內之檢測資料集之數目(例如,缺陷之數目)依背景內容屬性均勻地散佈,使得第一片段506與第二片段508無法區分。
然而,使用背景內容屬性及與由圖5A中之信號屬性1及信號屬性2界定之信號空間502中之位置相關聯之對應類別標記訓練一監督式分類器可區分第一片段506與第二片段508。例如,可將具有小於或等於15,754.5之一背景內容屬性值之缺陷映射至由在近似0處居中且具有近似1之一半徑之一圓界定之信號空間502中之位置,而可將具有大於15,754.5之一背景內容屬性值之缺陷映射至由在近似0處居中且具有近似
0.5之一半徑之一圓界定之信號空間502中之位置。
步驟206可併入此項技術中已知之用於對檢測資料分段之任何監督式分類器。例如,步驟206可併入一或多個機器學習技術,包含(但不限於)一決策樹技術、最近鄰技術、一迴歸技術、一貝氏技術、一支援向量機器技術、一類似性技術或一神經網路技術。因此,與將檢測資料分段成不同缺陷群組相關聯之切割線可反映經訓練分類器之一結構。例如,訓練一決策樹分類器可產生具有界定樹之分支之與一背景內容屬性之值相關聯之切割點之一決策樹。此外,所得決策樹可界定導致一共同類別標記或具有一特定概率之類別標記群組之各種背景內容屬性之範圍。因此,步驟206可包含基於與決策樹相關聯之背景內容屬性之範圍將檢測資料分段成不同缺陷群組。此外,藉由決策樹識別之缺陷群組可對應於信號空間中之不同、潛在重疊之信號雲。
圖6係根據本發明之一或多項實施例之藉由使用檢測資料504之背景內容屬性資訊及與信號空間502之非重疊區域相關聯之對應類別標記訓練一決策樹分類器而產生之一決策樹600。如圖6中繪示,識別與15,754.5之一背景內容屬性值相關聯之一單一切割點。因此,將具有小於或等於15,754.5之一背景內容屬性值之缺陷分段成第一片段506且將具有大於15,754.5之一背景內容屬性值之缺陷分段成第二片段508,使得可準確並有效地區分第一片段506與第二片段508。
應理解,圖5A至圖6及相關聯描述僅係為了闡釋性目的提供且不應被解釋為限制性。例如,如本文中先前描述,一檢測資料集可通常包含任何數目個信號屬性及背景內容屬性。因此,兩個信號屬性及一個背景內容屬性之特定實例僅係闡釋性的。藉由另一實例,情況可係由一經
訓練分類器界定之片段不併入各背景內容屬性。在此方面,經排除背景內容屬性可不需要界定缺陷群組。圖7係根據本發明之一或多項實施例之與包含11個背景內容屬性之檢測資料相關聯之一決策樹700,該等背景內容屬性之僅6個(參考粗糙度、參考亮度、MDAT雜訊、徑向位置(PosRadius)、測試粗糙度及測試亮度)用於對檢測資料分段。基於決策樹700,使用不同範圍之背景內容屬性識別14個缺陷群組。
此外,一經訓練分類器之結構可基於分類器之類型而變動。因此,圖6及圖7中繪示之決策樹僅係為了闡釋性目的提供且不應被解釋為限制性。然而,本文中應認知,監督式學習技術應基於背景內容屬性之至少一些之經識別範圍而將檢測資料分段成群組。
方法200可進一步包含利用分段資訊作為用於任何程序步驟(包含(但不限於)缺陷發現、缺陷分類、擾亂點過濾、配方控制或光學器件選擇)之回饋或前饋資料。例如,可將關於一批內之樣品之分段資訊提供為用於針對該批或額外批內之額外樣品之程序步驟之回饋資料。藉由一進一步實例,可將關於一批內之樣品之分段資訊提供為用於與該批中之相同樣品相關聯之後續程序步驟之前饋資料。
在一項實施例中,分段資訊可用於促進新缺陷之發現。例如,如本文中描述之基於信號及背景內容屬性之缺陷分段可實現可另外被隱藏於其他缺陷之信號雲內之某些所關注缺陷之偵測且可提供優於傳統分段技術之一顯著改良。
在一項實施例中,分段資訊可用於促進將缺陷分類為任何類型之分類群組,諸如(但不限於)缺陷之實體結構、影響效能之可能性或失效之可能性。例如,如本文中描述之基於信號及背景內容屬性之缺陷分
段可實現基於一群組中之缺陷之雜訊特性(例如,與信號雲之大小相關聯)對缺陷分類。
在另一實施例中,分段資訊可用於促進光學器件選擇。例如,可期望基於一選定所關注缺陷與在一給定光學器件模式中識別之其他缺陷之間之一分離而對檢測系統中之光學器件進行選擇及組態。在一些實施例中,基於使用如本文中描述之信號及背景內容屬性產生之分段資訊產生之接收器操作特性(ROC)曲線可促進光學器件之選擇用於有效及靈敏檢測。
在另一實施例中,可利用包含關於一或多個樣品之缺陷分段資訊之檢測資料以產生一或多個額外樣品之一檢測配方(例如,包含檢測位置之界定、用於檢測之設定參數或類似者)。
在另一實施例中,分段資訊可用於促進擾亂點過濾。例如,在選擇一光學器件模式之後,一擾亂點過濾器可被包含於一檢測配方中以區分並隔離選定所關注缺陷與一樣品上之額外經識別缺陷。
本文中描述之標的物有時繪示其他組件內含有或與其他組件連接之不同組件。應理解,此等所描繪之架構僅僅係例示性,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組件之任何配置有效「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不考慮架構或中間組件。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)可實體相互作用及/或實體
相互作用組件及/或可無線相互作用及/或無線相互作用組件及/或可邏輯相互作用及/或邏輯相互作用組件。
據信本發明及許多其伴隨優點將藉由前述描述理解,且將明白,可對組件之形式、構造及配置做出多種改變而不脫離所揭示之標的物或不犧牲全部其重大優點。所描述之形式僅僅係解釋性,且以下發明申請專利範圍之意圖係涵蓋且包含此等改變。此外,應理解,本發明係由隨附發明申請專利範圍界定。
100:檢測系統
104:控制器
106:處理器
108:記憶體裝置
110:照明源
112:照明光束
114:樣品
116:樣品載物台
118:照明路徑
120:透鏡
122:光學組件
124:物鏡
126:偵測器
128:樣品輻射
130:集光路徑
132:集光透鏡
134:集光光學元件
136:光束分離器
Claims (35)
- 一種檢測系統,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經組態以引起該一或多個處理器完成以下之程式指令:自一缺陷檢測系統接收與一或多個樣品之檢測相關聯之複數個檢測資料集,其中與一缺陷相關聯之該複數個檢測資料集之一檢測資料集包含兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值,其中該兩個或兩個以上信號屬性之一信號屬性代表由該缺陷檢測系統回應於一缺陷而產生之一信號,其中該一或多個背景內容屬性之一背景內容屬性代表該缺陷之一或多個額外特性;基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用來自一組類別標記之一類別標記對該等檢測資料集之各者進行標記,其中各類別標記對應於該信號空間之一區域,其中該一或多個處理器藉由以下使用一類別標記對該等檢測資料集之各者標記:在該信號空間中映射(mapping)該複數個檢測資料集;將該信號空間劃分為一組多邊形(polygons),其中該等檢測資料集經分佈於該組多邊形之至少兩個多邊形之間;及使用來自該組類別標記之對應於來自該組多邊形之含有各檢測資料集之一多邊形之一類別標記對該複數個檢測資料集之該各自檢測資料集進行標記;及藉由使用該一或多個背景內容屬性之該等值及來自針對該複數 個檢測資料集之該組類別標記之對應類別標記訓練一分類器而將該複數個檢測資料集分段成兩個或兩個以上缺陷群組,其中基於該經訓練分類器識別該兩個或兩個以上缺陷群組。
- 如請求項1之檢測系統,其中使用該一或多個背景內容屬性之該等值及來自針對該複數個檢測資料集之該組類別標記之對應類別標記訓練該分類器包括:使用一監督式學習技術運用該一或多個背景內容屬性之該等值及來自針對該複數個檢測資料集之該組類別標記之對應類別標記訓練該分類器,其中自該經訓練分類器識別該兩個或兩個以上缺陷群組包括:基於一經學習函數或該經訓練分類器之一結構之至少一者識別該兩個或兩個以上缺陷群組。
- 如請求項2之檢測系統,其中該監督式學習技術包括:一機器學習技術。
- 如請求項2之檢測系統,其中該監督式學習技術包括:一決策樹技術、最近鄰技術、一迴歸(regression)技術、一貝氏(Bayesian)技術、一支援向量機器技術、一類似性技術或一神經網路技術之至少一者。
- 如請求項1之檢測系統,其中該組類別標記對應於該信號空間之非重 疊區域。
- 如請求項1之檢測系統,其中該組類別標記包括:由該兩個或兩個以上信號屬性界定之該信號空間之一一維表示。
- 如請求項1之檢測系統,其中基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用來自該組類別標記之一類別標記對該等檢測資料集之各者進行標記包括:產生對應於由該兩個或兩個以上信號屬性界定之一多維信號空間之非重疊區域之該組類別標記。
- 如請求項1之檢測系統,其中將該信號空間劃分為一組多邊形包括:藉由將該信號空間劃分為一常規多維柵格而將該信號空間劃分為該組多邊形。
- 如請求項1之檢測系統,其中將該信號空間劃分為一組多邊形包括:使用德洛涅三角剖分(Delaunay triangulation)或鑲嵌(tessellation)之至少一者將該信號空間劃分為該組多邊形。
- 如請求項1之檢測系統,其中該兩個或兩個以上缺陷群組對應於與由該兩個或兩個以上信號屬性界定之該信號空間相關聯之該組多邊形中之一或多個連續多邊形群組。
- 如請求項10之檢測系統,其中該一或多個處理器進一步經組態以執行引起該一或多個處理器完成以下之程式指令:提取與該兩個或兩個以上缺陷群組之至少一些相關聯之該兩個或兩個以上信號屬性之範圍。
- 如請求項1之檢測系統,其中該一或多個處理器進一步經組態以執行引起該一或多個處理器完成以下之程式指令:基於該兩個或兩個以上缺陷群組對一或多個缺陷分類。
- 如請求項1之檢測系統,其中該一或多個處理器進一步經組態以執行引起該一或多個處理器完成以下之程式指令:基於兩個或兩個以上缺陷群組之至少一者產生一檢測配方。
- 如請求項13之檢測系統,其中該缺陷檢測配方提供選定所關注缺陷之偵測。
- 如請求項13之檢測系統,其中該缺陷檢測配方提供擾亂點(nuisance)過濾。
- 如請求項1之檢測系統,其中該一或多個處理器進一步經組態以執行引起該一或多個處理器完成以下之程式指令:基於該兩個或兩個以上缺陷群組選擇一光學器件模式。
- 一種檢測系統,其包括:一缺陷檢測系統,其包括:一照明源,其經組態以產生一或多個照明光束;及一偵測器,其經組態以擷取回應於該一或多個照明光束而自一樣品發出之輻射;及一控制器,其經通信地耦合至該偵測器,該控制器包含一或多個處理器,該一或多個處理器經組態以執行經組態以引起該一或多個處理器完成以下之程式指令:自一缺陷檢測系統接收與一或多個樣品之檢測相關聯之複數個檢測資料集,其中與一缺陷相關聯之該複數個檢測資料集之一檢測資料集包含兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值,其中該兩個或兩個以上信號屬性之一信號屬性代表由該缺陷檢測系統回應於一缺陷而產生之一信號,其中該一或多個背景內容屬性之一背景內容屬性代表該缺陷之一或多個額外特性;基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用來自一組類別標記之一類別標記對該等檢測資料集之各者進行標記,其中各類別標記對應於該信號空間之一區域,其中該一或多個處理器藉由以下使用一類別標記對該等檢測資料集之各者標記:在該信號空間中映射該複數個檢測資料集;將該信號空間劃分為一組多邊形,其中該等檢測資料集經分佈於該組多邊形之至少兩個多邊形之間;及使用來自該組類別標記之對應於來自該組多邊形之含有各檢測資料集之 一多邊形之一類別標記對該複數個檢測資料集之該各自檢測資料集進行標記;及藉由使用該一或多個背景內容屬性之該等值及來自針對該複數個檢測資料集之該組類別標記之對應類別標記訓練一分類器而將該複數個檢測資料集分段成兩個或兩個以上缺陷群組,其中基於該經訓練分類器識別該兩個或兩個以上缺陷群組。
- 如請求項17之檢測系統,其中該照明源包括:一光學照明源。
- 如請求項18之檢測系統,其中該照明源包括:一寬頻電漿照明源。
- 如請求項18之檢測系統,其中該一或多個照明光束之波長包括:極紫外線波長、真空紫外線波長、深紫外線波長或紫外線波長之至少一者。
- 如請求項17之檢測系統,其中該照明源包括:一粒子束照明源。
- 如請求項21之檢測系統,其中該照明源包括:一電子束照明源。
- 如請求項17之檢測系統,其中使用該一或多個背景內容屬性之該等值及來自針對該複數個檢測資料集之該組類別標記之對應類別標記訓練該分類器包括:使用一監督式學習技術運用該一或多個背景內容屬性之該等值及來自針對該複數個檢測資料集之該組類別標記之對應類別標記訓練該分類器,其中自該經訓練分類器識別該兩個或兩個以上缺陷群組包括:基於一經學習函數或該經訓練分類器之一結構之至少一者識別該兩個或兩個以上缺陷群組。
- 如請求項23之檢測系統,其中該監督式學習技術包括:一機器學習技術。
- 如請求項23之檢測系統,其中該監督式學習技術包括:一決策樹技術、最近鄰技術、一迴歸技術、一貝氏技術、一支援向量機器技術、一類似性技術或一神經網路技術之至少一者。
- 如請求項17之檢測系統,其中該組類別標記對應於該信號空間之非重疊區域。
- 如請求項17之檢測系統,其中基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用來自該組類別標記之一類別標記對該等檢測資料集之各者進行標記包括: 產生對應於由該兩個或兩個以上信號屬性界定之一多維信號空間之非重疊區域之該組類別標記。
- 如請求項17之檢測系統,其中將該信號空間劃分為一組多邊形包括:藉由使用一多維柵格、德洛涅三角剖分或鑲嵌之至少一者劃分該信號空間而將該信號空間劃分為該組多邊形。
- 如請求項17之檢測系統,其中該一或多個處理器進一步經組態以執行引起該一或多個處理器完成以下之程式指令:提取與該兩個或兩個以上缺陷群組之至少一些相關聯之該兩個或兩個以上信號屬性之範圍。
- 如請求項17之檢測系統,其中該一或多個處理器進一步經組態以執行引起該一或多個處理器完成以下之程式指令:基於該兩個或兩個以上缺陷群組對一或多個缺陷分類。
- 如請求項17之檢測系統,其中該一或多個處理器進一步經組態以執行引起該一或多個處理器完成以下之程式指令:基於兩個或兩個以上缺陷群組之至少一者產生一檢測配方。
- 如請求項31之檢測系統,其中該缺陷檢測配方提供擾亂點過濾。
- 如請求項17之檢測系統,其中該一或多個處理器進一步經組態以執行引起該一或多個處理器完成以下之程式指令:基於該兩個或兩個以上缺陷群組選擇一光學器件模式。
- 一種用於對度量衡缺陷分段之方法,其包括:自一缺陷檢測系統接收與一或多個樣品之檢測相關聯之複數個檢測資料集,其中與一缺陷相關聯之該複數個檢測資料集之一檢測資料集包含兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值,其中該兩個或兩個以上信號屬性之一信號屬性代表由該缺陷檢測系統回應於一缺陷而產生之一信號,其中該一或多個背景內容屬性之一背景內容屬性代表該缺陷之一或多個額外特性;基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用來自一組類別標記之一類別標記對該等檢測資料集之各者進行標記,其中各類別標記對應於該信號空間之一區域,其中使用一類別標記對該等檢測資料集之各者之標記包括在該信號空間中映射該複數個檢測資料集;將該信號空間劃分為一組多邊形,其中該等檢測資料集經分佈於該組多邊形之至少兩個多邊形之間;及使用來自該組類別標記之對應於來自該組多邊形之含有各檢測資料集之一多邊形之一類別標記對該複數個檢測資料集之該各自檢測資料集進行標記;及藉由使用該一或多個背景內容屬性之該等值及來自針對該複數個檢測資料集之該組類別標記之對應類別標記訓練一分類器而將該複數個檢測資料集分段成兩個或兩個以上缺陷群組,其中基於該經訓 練分類器識別該兩個或兩個以上缺陷群組。
- 一種檢測系統,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經組態以引起該一或多個處理器完成以下之程式指令:自一缺陷檢測系統接收與一或多個樣品之檢測相關聯之複數個檢測資料集,其中與一缺陷相關聯之該複數個檢測資料集之一檢測資料集包含兩個或兩個以上信號屬性之值及一或多個背景內容屬性之值,其中該兩個或兩個以上信號屬性之一信號屬性代表由該缺陷檢測系統回應於一缺陷而產生之一信號,其中該一或多個背景內容屬性之一背景內容屬性代表該缺陷之一或多個額外特性;基於該等檢測資料集之各者在由該兩個或兩個以上信號屬性界定之一信號空間中之各自位置而使用來自一組類別標記之一類別標記對該等檢測資料集之各者進行標記,其中各類別標記對應於該信號空間之一區域;及藉由使用該一或多個背景內容屬性之該等值及來自針對該複數個檢測資料集之該組類別標記之對應類別標記訓練一分類器而將該複數個檢測資料集分段成兩個或兩個以上缺陷群組,其中基於該經訓練分類器識別該兩個或兩個以上缺陷群組。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/242,844 | 2019-01-08 | ||
US16/242,844 US11550309B2 (en) | 2019-01-08 | 2019-01-08 | Unsupervised defect segmentation |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202043744A TW202043744A (zh) | 2020-12-01 |
TWI821499B true TWI821499B (zh) | 2023-11-11 |
Family
ID=71404375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109100578A TWI821499B (zh) | 2019-01-08 | 2020-01-08 | 檢測系統及用於對度量衡缺陷分段之方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11550309B2 (zh) |
KR (1) | KR102550474B1 (zh) |
CN (1) | CN113260855A (zh) |
IL (1) | IL284122A (zh) |
TW (1) | TWI821499B (zh) |
WO (1) | WO2020146163A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11256231B2 (en) * | 2019-02-27 | 2022-02-22 | The Boeing Company | Object design using machine-learning model |
TW202316535A (zh) * | 2021-04-05 | 2023-04-16 | 美商科磊股份有限公司 | 基於半導體應用之語義圖像分割 |
US11922619B2 (en) | 2022-03-31 | 2024-03-05 | Kla Corporation | Context-based defect inspection |
US20230314336A1 (en) | 2022-03-31 | 2023-10-05 | Kla Corporation | Multi-mode optical inspection |
CN117409261B (zh) * | 2023-12-14 | 2024-02-20 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
US20130279796A1 (en) * | 2012-04-20 | 2013-10-24 | Applied Materials Israel Ltd. | Classifier readiness and maintenance in automatic defect classification |
US20170082555A1 (en) * | 2015-09-18 | 2017-03-23 | Kla-Tencor Corporation | Adaptive Automatic Defect Classification |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
US6272437B1 (en) | 1998-04-17 | 2001-08-07 | Cae Inc. | Method and apparatus for improved inspection and classification of attributes of a workpiece |
KR102359050B1 (ko) * | 2014-02-12 | 2022-02-08 | 에이에스엠엘 네델란즈 비.브이. | 프로세스 윈도우를 최적화하는 방법 |
US9582869B2 (en) | 2014-10-19 | 2017-02-28 | Kla-Tencor Corp. | Dynamic binning for diversification and defect discovery |
US10402688B2 (en) * | 2016-12-07 | 2019-09-03 | Kla-Tencor Corporation | Data augmentation for convolutional neural network-based defect inspection |
US10408764B2 (en) * | 2017-09-13 | 2019-09-10 | Applied Materials Israel Ltd. | System, method and computer program product for object examination |
-
2019
- 2019-01-08 US US16/242,844 patent/US11550309B2/en active Active
- 2019-12-30 WO PCT/US2019/069014 patent/WO2020146163A1/en active Application Filing
- 2019-12-30 CN CN201980087510.8A patent/CN113260855A/zh active Pending
- 2019-12-30 KR KR1020217025024A patent/KR102550474B1/ko active IP Right Grant
-
2020
- 2020-01-08 TW TW109100578A patent/TWI821499B/zh active
-
2021
- 2021-06-17 IL IL284122A patent/IL284122A/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
US20130279796A1 (en) * | 2012-04-20 | 2013-10-24 | Applied Materials Israel Ltd. | Classifier readiness and maintenance in automatic defect classification |
US20170082555A1 (en) * | 2015-09-18 | 2017-03-23 | Kla-Tencor Corporation | Adaptive Automatic Defect Classification |
Also Published As
Publication number | Publication date |
---|---|
KR102550474B1 (ko) | 2023-06-30 |
TW202043744A (zh) | 2020-12-01 |
US20200218241A1 (en) | 2020-07-09 |
US11550309B2 (en) | 2023-01-10 |
IL284122A (en) | 2021-08-31 |
KR20210102472A (ko) | 2021-08-19 |
CN113260855A (zh) | 2021-08-13 |
WO2020146163A1 (en) | 2020-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI821499B (zh) | 檢測系統及用於對度量衡缺陷分段之方法 | |
KR102539921B1 (ko) | 자동으로 생성된 결함 피처를 가진 반도체 구조의 검사를 위한 방법 및 시스템 | |
JP7080884B2 (ja) | 三次元半導体構造の検査用の欠陥発見およびレシピ最適化 | |
CN110383441B (zh) | 使用经预测的计量图像的计量配方产生 | |
US10887580B2 (en) | Three-dimensional imaging for semiconductor wafer inspection | |
TWI690007B (zh) | 調適性自動缺陷分類 | |
US9053390B2 (en) | Automated inspection scenario generation | |
JP6188695B2 (ja) | 表面高さ属性を用いて瑕疵を分類する方法および装置 | |
JP2022542900A (ja) | Sem画像をレンダリングし、3dデザインを用いて基板の欠陥撮像条件を予測するためのシステムと方法 | |
JP2020529123A (ja) | 効率的プロセスウィンドウ発見用ハイブリッド検査システム | |
JP2011179823A (ja) | 欠陥検査装置および欠陥検査方法 | |
TWI837296B (zh) | 螢光顯微鏡檢查系統、裝置及方法 | |
TW202407331A (zh) | 多模式光學檢測 | |
TW202129262A (zh) | 用於多模式檢測之基於統計學習模式選擇 |