TWI823174B - 非暫時性電腦可讀媒體及使用機器學習模型識別位置之設備 - Google Patents
非暫時性電腦可讀媒體及使用機器學習模型識別位置之設備 Download PDFInfo
- Publication number
- TWI823174B TWI823174B TW110140696A TW110140696A TWI823174B TW I823174 B TWI823174 B TW I823174B TW 110140696 A TW110140696 A TW 110140696A TW 110140696 A TW110140696 A TW 110140696A TW I823174 B TWI823174 B TW I823174B
- Authority
- TW
- Taiwan
- Prior art keywords
- prediction
- locations
- defect
- confidence
- location
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims description 28
- 230000007547 defect Effects 0.000 claims abstract description 209
- 239000000758 substrate Substances 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 125
- 238000007689 inspection Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims description 115
- 230000002950 deficient Effects 0.000 claims description 47
- 230000015654 memory Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 9
- 238000012804 iterative process Methods 0.000 claims description 5
- 230000008685 targeting Effects 0.000 claims description 2
- 238000010894 electron beam technology Methods 0.000 description 55
- 230000003287 optical effect Effects 0.000 description 30
- 238000003384 imaging method Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 18
- 230000007246 mechanism Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 229920002120 photoresistant polymer Polymers 0.000 description 15
- 238000003860 storage Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 239000004065 semiconductor Substances 0.000 description 14
- 235000012431 wafers Nutrition 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 11
- 239000002245 particle Substances 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 230000004075 alteration Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 239000010408 film Substances 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000004380 ashing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005530 etching Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000001878 scanning electron micrograph Methods 0.000 description 4
- 238000004626 scanning electron microscopy Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000004020 conductor Substances 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
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70681—Metrology strategies
- G03F7/706833—Sampling plan selection or optimisation, e.g. select or optimise the number, order or locations of measurements taken per die, workpiece, lot or batch
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/706835—Metrology information management or control
- G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
- G03F7/706841—Machine 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
- G06T2207/20081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
Abstract
本發明揭示一種用於識別待於一基板上檢測之位置的方法及設備。使用與其他基板相關聯之一訓練資料集來訓練一缺陷位置預測模型以基於與該等基板相關聯之程序相關資料產生針對於該等位置中之每一者的缺陷或無缺陷之一預測及與該預測相關聯之一可信度計分。將藉由該缺陷位置預測模型判定為具有滿足一可信度臨限之可信度計分的該等位置中之彼等位置新增至待藉由一檢測系統檢測之一組位置。在該組位置經檢測之後,獲得檢測結果資料,且藉由使用針對於該組位置之該檢測結果資料及該程序相關資料作為訓練資料來增量訓練該缺陷位置預測模型。
Description
本文提供之實施例係關於半導體製造,且更特定言之係關於檢測一半導體基板。
在積體電路(IC)之製造程序中,對未完成或已完成電路組件進行檢測以確保其係根據設計而製造且無缺陷。可採用利用光學顯微鏡或帶電粒子(例如電子)射束顯微鏡(諸如掃描電子顯微鏡(SEM))之檢測系統。隨著IC組件之實體大小繼續縮小,缺陷偵測中之準確度及良率變得愈來愈重要。
然而,檢測工具之成像解析度及產出量艱難地跟上IC組件之不斷減小之特徵大小。此類檢測上具之準確度、解析度及產出量可能受到在偵測晶圓位移時缺乏準確度的限制。
本文中所提供之實施例揭示一種粒子束檢測設備,且更特定言之,揭示一種使用複數個帶電粒子束之檢測設備。
在一些實施例中,提供一種具有指令之非暫時性電腦可讀媒體,該等指令在由一電腦執行時使該電腦執行用於識別待於基板上檢測
之位置的一方法。該方法包括:基於一缺陷位置預測模型之一第一子模型選擇待檢測的該基板上之複數個位置,該第一子模型係使用與其他基板相關聯之初始訓練資料集來訓練以產生針對於該等位置中之每一者的缺陷或無缺陷之一預測;使用該缺陷位置預測模型之使用該初始訓練資料集訓練的一第二子模型,基於與該基板相關聯之程序相關資料產生針對於該等位置中之每一者的一可信度計分,其中該可信度計分指示針對於對應位置之該預測的一可信度;新增可信度計分滿足複數個可信度臨限值中之一者所針對的位置中之每一者至待藉由檢測系統檢測之一組位置;獲得檢測結果資料;及藉由將用於該組位置之檢測結果資料及程序相關資料作為訓練資料提供至該缺陷位置預測模型而增量訓練該缺陷位置預測模型。
在一些實施例中,提供一種具有指令之非暫時性電腦可讀媒體,該等指令在由一電腦執行時使該電腦執行一種用於使用一機器學習模型識別待在第一基板上檢測的位置並用於基於第一基板上之位置之檢測結果訓練該機器學習模型以識別待在第二基板上檢測之位置的方法。該方法包括:輸入與基板相關聯之程序相關資料至一缺陷位置預測模型;使用該缺陷位置預測模型產生用於基板上之複數個位置中之每一者的缺陷或無缺陷之預測,其中每一預測與指示對應位置之預測可信度的可信度計分相關聯;新增可信度計分滿足複數個可信度臨限中之一者所針對的位置中之每一者至待藉由一檢測系統檢測之一組位置;自檢測系統獲得該組位置之檢測結果資料;及輸入針對於該組位置之檢測結果資料及程序相關資料至該缺陷位置預測模型以用於訓練該缺陷位置預測模型。
在一些實施例中,提供一種用於使用機器學習模型識別待在第一基板上檢測之位置及用於基於第一基板上之位置之檢測結果訓練該
機器學習模型以識別待在第二基板上檢測之位置的方法。該方法包括:輸入與基板相關聯之程序相關資料至一缺陷位置預測模型;使用該缺陷位置預測模型產生針對於基板上之複數個位置中之每一者的缺陷或無缺陷之預測,其中每一預測與指示對應位置之預測可信度的可信度計分相關聯;新增可信度計分滿足一可信度臨限所針對的位置中之每一者至待藉由一檢測系統檢測之一組位置;自檢測系統獲得針對於該組位置之檢測結果資料;及輸入針對於該組位置之檢測結果資料及程序相關資料至該缺陷位置預測模型以用於訓練該缺陷位置預測模型。
在一些實施例中,提供一種用於使用機器學習模型識別待在第一基板上檢測之位置及用於基於第一基板上之位置之檢測結果訓練該機器學習模型以識別待在第二基板上檢測之位置的設備。該設備包括:一記憶體,其儲存指令集;及至少一個處理器,其經組態以執行該指令集以使該設備執行一方法,該方法包括:輸入與基板相關聯之程序相關資料至一缺陷位置預測模型;使用該缺陷位置預測模型產生針對於基板上的複數個位置中之每一者的缺陷或無缺陷之一預測,其中每一預測與指示針對於對應位置之預測的可信度計分相關聯;新增可信度計分滿足一可信度臨限所針對的位置中之每一者至待藉由檢測系統檢測之一組位置;自該檢測系統獲得針對於該組位置之檢測結果資料;及輸入針對於該組位置之檢測結果資料及程序相關資料至該缺陷位置預測模型以用於訓練該缺陷位置預測模型。
在一些實施例中,一種儲存一組指令之非暫時性電腦可讀媒體,該組指令可由一運算裝置之至少一個處理器執行以使該運算裝置執行上文所論述之一方法。
本發明之實施例之其他優勢將自結合附圖進行之以下描述為顯而易見,在附圖中藉助於說明及實例闡述本發明的某些實施例。
1:樣本
10:主腔室
20:裝載鎖定腔室
30:裝備前端模組(EFEM)
30a:第一裝載埠
30b:第二裝載埠
40:電子束工具
50:控制器
100:電子束檢測(EBI)系統/帶電粒子束檢測系統/設備
100_1:主光軸
101:電子源
101s:交越
102:初級電子束
102_1:小射束
102_1S:探測光點
102_1se:次級電子束
102_2:小射束
102_2S:探測光點
102_2se:次級電子束
102_3:小射束
102_3S:探測光點
102_3se:次級電子束
103:槍孔徑
110:聚光透鏡
120:源轉換單元
130:初級投影光學系統
131:物鏡
132:偏轉掃描單元
140:電子偵測裝置
140_1:偵測元件
140_2:偵測元件
140_3:偵測元件
150:次級成像系統
150_1:副光軸
160:束分離器
171:槍孔徑板
172:預細射束形成機構
300:半導體處理系統
305:掃描器
310:控制單元
315:高密度焦點圖(HDFM)
320:顯影工具
325:蝕刻工具
330:灰化工具
335:監測工具
340:弱點資訊
345:點判定工具
350:驗證單元
400:系統
405:缺陷位置預測模型
410:基板
415a-n:預測
420a-n:可信度計分
425:取樣計劃
430:實際檢測結果
435:程序相關資料
450:位置預測模型
450a:位置預測模型
450b:位置預測模型
450n:位置預測模型
455:可信度模型
460:位置選擇組件
465:檢測工具
470:回饋工具
501:預測
502:預測
509:預測
511:方差
521:預測
522:預測
529:預測
531:方差
605:初始訓練資料集
610a-n:程序相關資料
615a-n:檢測結果
625ax:預測
630ax:可信度計分
650:成本函數
700:程序
705:位置
800:電腦系統
802:匯流排
804:處理器
805:處理器
806:主記憶體
808:唯讀記憶體(ROM)
810:儲存裝置
812:顯示器
814:輸入裝置
816:游標控制件
818:通信介面
820:網路鏈路
822:區域網路
824:主機電腦
826:網際網路服務提供者(ISP)
828:網際網路
830:伺服器
P701:操作
P703:操作
P705:操作
P707:操作
P709:操作
P711:操作
圖1為說明符合本發明之實施例的實例電子束檢測(EBI)系統之示意圖。
圖2為說明符合本發明之實施例的可為圖1之電子束檢測系統之一部分的實例電子束工具之示意圖。
圖3為說明符合本發明之實施例的半導體處理系統之示意圖。
圖4為符合本發明之實施例的用於預測基板上之缺陷位置的系統之方塊圖。
圖5A為符合本發明之實施例的用於使用隨機森林模型判定可信度計分的方塊圖。
圖5B為符合本發明之實施例的用於使用委員會投票方法判定可信度計分的方塊圖。
圖6為說明符合本發明之實施例的使用初始訓練資料集訓練缺陷位置預測工具的方塊圖。
圖7為符合本發明之實施例的用於預測基板上之缺陷位置的程序之流程圖。
圖8為說明可輔助實施本文中所揭示之方法、流程、模組、組件或設備的電腦系統之方塊圖。
電子裝置由形成於稱為基板之矽塊上之電路構成。許多電
路可一起形成於同一矽塊上且被稱為積體電路或IC。此等電路之大小已顯著地減小,使得電路中之許多電路可安裝於基板上。舉例而言,在智慧型電話中,IC晶片可為拇指甲大小且又可包括超過20億個電晶體,每一電晶體之大小小於人類毛髮之大小的1/1000。製造此等極小IC為經常涉及數百個個別步驟之複雜、耗時且昂貴之程序。甚至一個步驟中之錯誤亦具有導致成品IC中之缺陷的可能,該等缺陷使得成品IC為無用的。因此,製造程序之一個目標為避免此類缺陷以使在程序中製造之功能性IC的數目最大化,亦即改良程序之總體良率。
改良良率之一個組分為監視晶片製造程序,以確保其正生產足夠數目個功能性積體電路。監視程序之一種方式為在該電路結構形成之不同階段處檢測晶片電路結構。可使用掃描電子顯微鏡(SEM)來進行檢測。SEM可用於實際上將此等極小結構成像,從而獲取結構之「圖像」。影像可用於判定結構是否正常形成,且亦結構是否形成於適當位置中。若結構係有缺陷的,則可調整程序,使得缺陷不大可能再現。
檢測基板為資源密集程序且檢測基板上之全部位置可不僅消耗顯著運算資源而且消耗時間。舉例而言,檢測整個基板可要數天。使檢測程序更高效的方式中之一者(例如,最小化所消耗資源)係識別基板上之可能具有缺陷的位置及僅僅檢測彼等所識別位置而非全部位置。舉例而言,先前方法使用機器學習(ML)模型以預測可能具有缺陷的位置。先前方法判定基板上之位置是否具有缺陷。然而,先前方法具有缺點。舉例而言,此等方法中之一些係不準確的,例如,該等方法錯過缺陷位置或將無缺陷位置識別為具有缺陷。由於預測之不準確性,檢測系統可錯過檢測此類缺陷位置,因此產生有缺陷成品IC。在另一實例中,此類先前方法並非
自我修復。亦即,若方法預測所指定位置為對於特定基板具有缺陷,則其持續預測任一隨後所檢測基板上之此類類似位置為具有缺陷而無關於彼等位置是否具有缺陷,從而致使檢測程序無用或不太有效。
本發明之實施例論述指派一可信度計分(該可信度計分指示針對於基板之每一位置的缺陷預測之可信度)及選擇具有滿足可信度臨限之可信度計分的全部彼等位置用於檢測的檢測方法。舉例而言,第一預測模型可預測所指定位置不具有缺陷且第二預測模型可判定所指定位置之可信度計分,該可信度計分指示預測之可信度較低(例如,可信度計分低於所指定可信度臨限)。藉由選擇具有較低可信度計分的彼等位置,實施例可不錯過用於檢測之任一(或比先前方法錯過更少)缺陷位置。所揭示實施例之檢測方法亦係自我修復。在具有低可信度計分的位置藉由檢測系統(例如,SEM)檢測之後,自檢測系統獲得之檢測結果資料(例如,所檢測位置之SEM影像、諸如位置基於實際檢測是否有缺陷的資訊)回饋至預測模型以調整關於彼等位置之其預測。藉由輸入具有低可信度計分的彼等位置之實際檢測結果至預測模型,預測模型經進一步訓練以較大準確度預測任一隨後所檢測基板之此類位置處之缺陷的可能性。藉由運用來自隨後經檢測的每一基板之檢測結果增量訓練預測模型,預測模型可開始產生具有較大可信度計分的此類位置之預測,最小化待檢測的位置之數目,藉此改良良率。
現將詳細參考例示性實施例,其實例說明於附圖中。以下描述參考附圖,其中除非另外表示,否則不同圖式中之相同編號表示相同或相似元件。闡述於例示性實施例之以下描述中之實施並不表示全部實施。實情為,其僅為符合關於所附申請專利範圍中所敍述之所揭示實施例
的態樣的設備及方法之實例。舉例而言,儘管一些實施例係在利用電子束之內容背景中予以描述,但本發明不限於此。可相似地施加其他類型之帶電粒子束。此外,可使用其他成像系統,諸如光學成像、光偵測、x射線偵測等。
儘管在本文中可特定地參考IC之製造,但應明確地理解,本文中之描述具有許多其他可能應用。舉例而言,本文中之描述可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者應瞭解,在此等替代應用之內容背景中,本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被視為分別可與更一般之術語「光罩」、「基板」及「目標部分」互換。
在本發明文件中,術語「輻射」及「射束」用以涵蓋所有類型之電磁輻射,包括紫外線幅射(例如具有為365nm、248nm、193nm、157nm或126nm之波長)及極紫外線輻射(EUV,例如具有在約5nm至20nm之範圍內之波長)。
現在參看圖1,其說明符合本發明之實施例的實例電子束檢測(EBI)系統100。如圖1中所展示,帶電粒子束檢測系統100包括主腔室10、裝載鎖定腔室20、電子束工具40,及裝備前端模組(EFEM)30。電子束工具40位於主腔室10內。雖然描述及圖式係關於電子束,但應瞭解,實施例並非用以將本發明限制為特定帶電粒子。
EFEM 30包括第一裝載埠30a及第二裝載埠30b。EFEM 30可包括額外裝載埠。第一裝載埠30a及第二裝載埠30b收納含有待檢測之晶圓(例如,半導體晶圓或由其他材料製成之晶圓)或樣本的晶圓前開式單元匣(FOUP)(晶圓及樣本下文統稱為「晶圓」)。EFEM 30中之一或多個
機械臂(圖中未示)將晶圓輸送至裝載鎖定腔室20。
裝載鎖定腔室20連接至裝載/鎖定真空泵系統(圖中未示),其移除裝載鎖定腔室20中之氣體分子以達至低於大氣壓之第一壓力。在達至第一壓力之後,一或多個機械臂(圖中未示)將晶圓自裝載鎖定腔室20輸送至主腔室10。主腔室10連接至主腔室真空泵系統(圖中未示),其移除主腔室10中之氣體分子以達到低於第一壓力之第二壓力。在達至第二壓力之後,晶圓經受電子束工具40進行之檢測。在一些實施例中,電子束工具40可包含單束檢測工具。在其他實施例中,電子束工具40可包含多束檢測工具。
控制器50可電連接至電子束工具40,且亦可電連接至其他組件。控制器50可為經組態以執行對帶電粒子束檢測系統100之各種控制的電腦。控制器50亦可包括經組態以執行各種信號及影像處理功能之處理電路。雖然控制器50在圖1中經展示為在包括主腔室10、裝載鎖定腔室20及EFEM 30的結構外部,但應瞭解控制器50可係該結構之部分。
雖然本發明提供容納電子束檢測系統之主腔室10的實例,但應注意,本發明之態樣在其最廣泛意義上而言不限於容納電子束檢測系統之腔室。確切而言,應瞭解,前述原理亦可應用於其他腔室。
現在參看圖2,其說明符合本發明之實施例的實例電子束工具40之示意圖,該實例電子束工具可為圖1之實例帶電粒子束檢測系統100之部分。電子束工具40(在本文中亦被稱作設備40)包含電子源101、具有槍孔徑103之槍孔徑板171、預細射束形成機構172、聚光透鏡110、源轉換單元120、初級投影光學系統130、樣本載物台(圖2中未展示)、次級成像系統150及電子偵測裝置140。初級投影光學系統130可包含物鏡
131。電子偵測裝置140可包含複數個偵測元件140_1、140_2及140_3。束分離器160及偏轉掃描單元132可位於初級投影光學系統130內部。可瞭解,適當時,可新增/省略設備40之其他通常已知的組件。
電子源101、槍孔徑板171、聚光透鏡110、源轉換單元120、束分離器160、偏轉掃描單元132及初級投影光學系統130可與設備100之主光軸100_1對準。次級成像系統150及電子偵測裝置140可與設備40之副光軸150_1對準。
電子源101可包含陰極、提取器或陽極,其中初級電子可自陰極發射且經提取或加速以形成交越(虛擬或真實)101s之初級電子束102。初級電子束102可被視覺化為自交越101s發射。
源轉換單元120可包含影像形成元件陣列(圖2中未展示)、像差補償器陣列(圖中未示)、束限制孔徑陣列(圖中未示)及預彎曲微偏轉器陣列(圖中未示)。影像形成元件陣列可包含複數個微偏轉器或微透鏡以用初級電子束102之複數個小射束形成交越101s之複數個平行影像(虛擬或真實)。圖2展示作為實例之三個小射束102_1、102_2及102_3,且應瞭解,源轉換單元120可處置任何數目個小射束。
在一些實施例中,源轉換單元120可具備射束限制孔徑陣列及影像形成元件陣列(兩者均未展示)。射束限制孔徑陣列可包含射束限制孔徑。應瞭解,適當時可使用任何數目個孔徑。射束限制孔徑可經組態以限制初級電子束102之小射束102_1、102_2及102_3之大小。影像形成元件陣列可包含影像形成偏轉器(圖中未示),該等影像形成偏轉器經組態以藉由改變朝向主光軸100_1之角度而偏轉小射束102_1、102_2及102_3。在一些實施例中,更遠離主光軸100_1之偏轉器可更大程度地偏
轉小射束。此外,影像形成元件陣列可包含多個層(未說明),且偏轉器可經提供於單獨的層中。偏轉器可經組態為獨立於彼此而個別地受控制。在一些實施例中,偏轉器可經控制以調整形成於樣本1之表面上之探測光點(例如,102_1S、102_2S及102_3S)之間距。如本文中所提及,探測光點之間距可定義為樣本1之表面上之兩個緊鄰探測光點之間的距離。
影像形成元件陣列之居中定位的偏轉器可與電子束工具40之主光軸100_1對準。因此,在一些實施例中,中心偏轉器可經組態以維持小射束102_1之軌跡為筆直的。在一些實施例中,可省略中心偏轉器。然而,在一些實施例中,初級電子源101可能未必與源轉換單元120之中心對準。此外,應瞭解,雖然圖2展示設備40之側視圖,其中小射束102_1在主光軸100_1上,但當自不同側檢視時,小射束102_1可偏離主光軸100_1。亦即,在一些實施例中,所有小射束102_1、102_2及102_3可為離軸。離軸組分可相對於主光軸100_1偏移。
經偏轉小射束之偏轉角可基於一或多個準則而設定。在一些實施例中,偏轉器可朝外徑向或遠離(未說明)主光軸100_1偏轉離軸小射束。在一些實施例中,偏轉器可經組態以使離軸小射束自主光軸100_1朝內徑向或朝向主光軸100_1偏轉。小射束之偏轉角可經設定使得小射束102_1、102_2及102_3垂直著陸於樣本1上。由諸如物鏡131之透鏡所致之影像的離軸像差可藉由調整傳遞通過透鏡之小射束之路徑而縮減。因此,離軸小射束102_2及102_3之偏轉角可經設定使得探測光點102_2S及102_3S具有較小像差。小射束可經偏轉從而傳遞通過或靠近物鏡131之前焦點以減小離軸探測光點102_2S及102_3S之像差。在一些實施例中,偏轉器可經設定以使小射束102_1、102_2及102_3垂直著陸於樣本1上,同
時探測光點102_1S、102_2S及102_3S具有較小像差。
聚光透鏡110經組態以聚焦初級電子束102。在源轉換單元120下游的小射束102_1、102_2及102_3之電流可藉由調整聚光透鏡110之聚焦倍率或藉由改變束限制孔徑陣列內的對應束限制孔徑之徑向大小而變化。可藉由更改束限制孔徑之徑向大小及聚光透鏡110之聚焦倍率兩者來改變電流。聚光透鏡110可為可經組態以使得其第一主平面之位置可移動的可調整聚光透鏡。可調整聚光透鏡可經組態為磁性的,該磁性可使得離軸小射束102_2及102_3以旋轉角照明源轉換單元120。旋轉角可隨著可調整聚光透鏡之聚焦倍率或第一主面之位置而改變。因此,聚光透鏡110可為反旋轉聚光透鏡,其可經組態以在聚光透鏡110之聚焦倍率改變時使旋轉角保持不變。在一些實施例中,聚光透鏡110可為可調整反旋轉聚光透鏡,其中當聚光透鏡110之聚焦倍率以及第一主面之位置變化時,旋轉角並不改變。
電子束工具40可包含預小射束形成機構172。在一些實施例中,電子源101可經組態以發射初級電子且形成初級電子束102。在一些實施例中,槍孔徑板171可經組態以阻擋初級電子束102之周邊電子以縮減庫侖效應。在一些實施例中,預小射束形成機構172進一步切割初級電子束102之周邊電子以進一步縮減庫侖效應。初級電子束102可在傳遞通過預小射束形成機構172之後經修整為三個初級電子小射束102_1、102_2及102_3(或任何其他數目個小射束)。電子源101、槍孔徑板171、預小射束形成機構172及聚光透鏡110可與電子束工具40之主光軸100_1對準。
預小射束形成機構172可包含庫侖孔徑陣列。預小射束形
成機構172之中心孔徑(在本文中亦被稱作同軸孔徑)及源轉換單元120之中心偏轉器可與電子束工具40的主光軸100_1對準。預小射束形成機構172可具備複數個預修整孔徑(例如庫侖孔徑陣列)。在圖2中,當初級電子束102傳遞通過三個預修整孔徑時產生三個小射束102_1、102_2及102_3且切斷初級電子束102之許多剩餘部分。亦即,預小射束形成機構172可修整來自不會形成三個小射束102_1、102_2及102_3之初級電子束102的許多或大部分電子。在初級電子束102進入源轉換單元120之前,預小射束形成機構172可切斷電子,該電子將最終不用於形成探測光點102_1S、102_2S及102_3S。在一些實施例中,可靠近電子源101提供槍孔徑板171以在初期切斷電子,同時亦可提供預小射束形成機構172以進一步切斷圍繞複數個小射束之電子。儘管圖2展現預小射束形成機構172之三個孔徑,但應瞭解,適當時可存在任何數目個孔徑。
在一些實施例中,預小射束形成機構172可置放於聚光透鏡110下方。更靠近電子源101置放預小射束形成機構172可更有效地減少庫侖效應。在一些實施例中,當預小射束形成機構172能夠充分靠近光源101定位同時仍為可製造的時,可省略槍孔徑板171。
物鏡131可經組態以將小射束102_1、102_2及102_3聚焦至樣本1上以供檢測,且可在樣本1之表面上形成三個探測光點102_1s、102_2s及102_3s。槍孔徑板171可阻擋不在使用中的初級電子束102之周邊電子以縮減庫侖交互作用效應。庫侖交互作用效應可放大探測光點102_1s、102_2s及102_3s中之每一者的大小,且因此降低檢測解析度。
束分離器160可為韋恩濾光器類型之束分離器,其包含產生靜電偶極子場E1及磁偶極子場B1(兩者皆未在圖2中展示)之靜電偏轉
器。若其經施加,則藉由靜電偶極子場E1施加於小射束102_1、102_2及102_3之電子上的力可與藉由磁偶極子場B1在電子上施加的力在量值上相同且在方向上相反。因此小射束102_1、102_2及102_3可在零度偏轉角之情況下直接通過束分離器160。
偏轉掃描單元132可使小射束102_1、102_2及102_3偏轉以使探測光點102_1s、102_2s及102_3s掃描遍及樣本1之表面區段中的三個小經掃描區域。回應於小射束102_1、102_2及102_3入射於探測光點102_1s、102_2s及102_3s處,可自樣本1發射三個次級電子束102_1se、102_2se及102_3se。次級電子束102_1se、102_2se及102_3se中之每一者可包含具有能量分佈的電子,包括次級電子(能量50eV)及反向散射電子(能量在50eV與小射束102_1、102_2及102_3之著陸能量之間)。束分離器160可將次級電子束102_1se、102_2se及102_3se導向次級成像系統150。次級成像系統150可將次級電子束102_1se、102_2se及102_3se聚焦至電子偵測裝置140之偵測元件140_1、140_2及140_3上。偵測元件140_1、140_2及140_3可偵測對應的次級電子束102_1se、102_2se及102_3se且產生用以建構樣本1之對應經掃描區域之影像的對應信號。
在圖2中,分別由三個探測光點102_1S、102_2S及102_3S產生之三個次級電子束102_1se、102_2se及102_3se沿著主光軸100_1向上朝向電子源101行進,依次地傳遞通過物鏡131及偏轉掃描單元132。三個次級電子束102_1se、102_2se及102_3se由束分離器160(諸如韋恩濾光器)轉向以沿著其副光軸150_1進入次級成像系統150。次級成像系統150將三個次級電子束102_1se至102_3se聚焦至包含三個偵測元件140_1、140_2及140_3之電子偵測裝置140上。因此,電子偵測裝置140可同步產
生由三個探測光點102_1S、102_2S及102_3S分別掃描之三個經掃描區的影像。在一些實施例中,電子偵測裝置140及次級成像系統150形成一個偵測單元(圖中未示)。在一些實施例中,次級電子束之路徑上之電子光學元件(諸如但不限於,物鏡131、偏轉掃描單元132、束分離器160、次級成像系統150及電子偵測裝置140)可形成一個偵測系統。
在一些實施例中,控制器50可包含影像處理系統,該影像處理系統包括影像獲取器(圖中未示)及儲存器(圖中未示)。影像獲取器可包含一或多個處理器。舉例而言,影像獲取器可包含電腦、伺服器、大型電腦主機、終端機、個人電腦、任何種類之行動運算裝置及類似者,或其組合。影像獲取器可經由諸如以下各者之媒體通信耦接至設備40之電子偵測裝置140:電導體、光纖纜線、可攜式儲存媒體、IR、藍牙、網際網路、無線網路、無線電,以及其他,或其組合。在一些實施例中,影像獲取器可自電子偵測裝置140接收信號,且可建構影像。影像獲取器可因此獲取樣本1之影像。影像獲取器亦可執行各種後處理功能,諸如產生輪廓、疊加指示符於所獲取影像上,及類似者。影像獲取器可經組態以執行對所獲取影像之亮度及對比度等的調整。在一些實施例中,儲存器可為諸如以下各者之儲存媒體:硬碟、隨身碟、雲端儲存器、隨機存取記憶體(RAM)、其他類型之電腦可讀記憶體,及其類似者。儲存器可與影像獲取器耦接,且可用於保存作為原始影像之經掃描原始影像資料以及後處理影像。
在一些實施例中,影像獲取器可基於自電子偵測裝置140接收到之一或多個成像信號而獲取樣本之一或多個影像。成像信號可對應於用於進行帶電粒子成像之掃描操作。所獲取影像可為包含複數個成像區域之單一影像或可涉及多個影像。單一影像可儲存於儲存器中。單一影像
可為可劃分成複數個區之原始影像。區中之每一者可包含含有樣本1之特徵之一個成像區域。所獲取影像可包含在一時間序列內多次取樣的樣本1之單個成像區域之多個影像,或可包含樣本1之不同成像區域之多個影像。多個影像可儲存於儲存器中。在一些實施例中,控制器50可經組態以執行具有樣本1之相同位置的多個影像之影像處理步驟。
在一些實施例中,控制器50可包括量測電路(例如類比至數位轉換器)以獲得經偵測次級電子的分佈。在偵測時間窗期間所收集之電子分佈資料與入射於晶圓表面之初級小射束102_1、102_2及102_3中之每一者的對應掃描路徑資料的組合,可用於重建構受檢測晶圓結構之影像。經重建構影像可用以顯露樣本1之內部或外部結構的各種特徵,且藉此可用以顯露可能存在於晶圓中的任何缺陷。
在一些實施例中,控制器50可控制機動載物台(圖中未示)以在檢測期間移動樣本1。在一些實施例中,控制器50可使得機動載物台能夠在一方向上以一恆定速度連續地移動樣本1。在其他實施例中,控制器50可使得機動載物台能夠取決於掃描程序之步驟隨著時間推移改變樣本1之移動的速度。在一些實施例中,控制器50可基於次級電子束102_1se、102_2se及102_3se之影像調整初級投影光學系統130或次級成像系統150的組態。
儘管圖2展示電子束工具40使用三個初級電子束,但應瞭解,電子束工具40可使用兩個或多於兩個初級電子束。本發明並不限制用於設備40中之初級電子束之數目。
現在參看圖3,其為說明半導體處理系統之示意圖。圖3說明具有掃描器305、顯影工具320、蝕刻工具325、灰化工具330、監測工
具335、點判定工具345及驗證單元350的習知半導體處理系統300。掃描器305可包括控制單元310。半導體處理系統300可輔助基板之電腦導引檢測,如下文所描述。
掃描器305可將塗佈有光阻之基板曝光至待轉印至基板之電路圖案。控制單元310可控制用於曝光基板之曝光配方。控制單元310可調整各種曝光配方參數,例如曝光時間、源強度及曝光劑量。可對應於曝光記錄高密度焦點圖(HDFM)315。
顯影工具320可藉由自不合需要之區移除光阻而顯影經曝光基板上之圖案。對於正型光阻,在掃描器305中經曝光的光阻之部分變得可溶於光阻顯影劑,且光阻之未曝光部分保持不溶於光阻顯影劑。對於負型光阻,在掃描器305中經曝光的光阻之部分變得不溶於光阻顯影劑,且光阻之未曝光部分保持可溶於光阻顯影劑。
蝕刻工具325可藉由蝕刻來自基板之光阻已移除部分的薄膜而將圖案轉印至光阻下的一或多個薄膜。蝕刻工具325可為乾式蝕刻或濕式蝕刻工具。
灰化工具330可自經蝕刻基板移除剩餘光阻,且可完成對基板上之薄膜的圖案轉印程序。
監測工具335可檢測基板上之一或多個位置處的經處理基板以產生監測器結果。監視器結果可基於空間圖案判定、不同圖案特徵之大小量測或不同圖案特徵中之位置移位。可藉由點判定工具345判定檢測位置。在一些實施例中,監測工具為圖1之EBI系統100的部分或可為電子束工具40。
點判定工具345可包括一或多個預測模型,以基於HDFM
315及弱點資訊340判定基板上之檢測位置。在一些實施例中,點判定工具345可產生基板上之位置中之每一者的預測,其預測位置為缺陷(或無缺陷)位置之可能性。舉例而言,點判定工具345可指派機率值至位置中之每一者,該機率值指示位置為缺陷(或無缺陷)位置的機率。
弱點資訊340可包括關於具有與圖案化程序相關的問題之高機率的位置的資訊。弱點資訊340可基於經轉印圖案、各種程序參數及晶圓、掃描器305或蝕刻工具325之性質。
驗證單元350可比較來自監測工具335之監測器結果與對應設計參數以產生驗證結果。驗證單元350可將驗證結果提供至掃描器305之控制單元310。控制單元310可基於驗證結果調整後續基板之曝光配方。舉例而言,控制單元310可基於驗證結果減小掃描器305針對後續基板上之一些位置的曝光劑量。
雖然前述描述將半導體處理系統300描述為具有掃描器305、顯影工具320、蝕刻工具325、灰化工具330,但半導體處理系統300受限制於前述工具且可具有輔助將圖案列印於基板上的額外工具。在一些實施例中,兩個或多於兩個工具可經組合以形成提供多個工具之功能性的複合工具。關於半導體處理系統300之額外細節可在美國專利公開案第2019/0187670號中發現,該公開案以全文引用的方式併入本文中。
以下段落描述以比先前工具(例如,點判定工具345)大的準確度預測基板上之缺陷位置的經改良缺陷位置預測模型405。在一些實施例中,缺陷位置預測模型405係使用主動學習技術來訓練以產生具有較大準確度之預測。在主動學習技術中,經訓練缺陷位置預測模型405(例如,使用初始資料集訓練)不僅用於產生關於待檢測的基板上之缺陷位置
的預測,而且係使用經預測位置之實際檢測結果(例如,自檢測系統獲得)進一步訓練以基於經預測位置之實際檢測結果更新缺陷位置預測模型405。此訓練程序可例如運用隨後藉由缺陷位置預測模型405分析的每一基板之實際檢測結果而增量執行,其可導致缺陷位置預測模型405之預測準確度的改良。下文至少參看圖4及圖7描述基於主動學習之缺陷位置識別方法。
圖4為符合本發明之各個實施例的用於預測基板410上之缺陷位置的系統400之方塊圖。系統400包括缺陷位置預測模型405、檢測工具465及回饋工具470。缺陷位置預測模型405包括位置預測模型450、可信度模型455及位置選擇組件460。在一些實施例中,在產生基板(例如,基板410)之預測之前,使用初始訓練資料集訓練缺陷位置預測模型405,至少參看圖6描述該缺陷位置預測模型。
在一些實施例中,位置預測模型450為機器學習(ML)模型且類似於圖3之點判定工具345。位置預測模型450產生針對於基板410上的數個(n個)位置之預測415a至415n,該等預測指示位置可能為缺陷位置抑或無缺陷位置。與基板410上之「位置a」相關聯的預測415a可包括「位置a」為缺陷位置抑或無缺陷位置的可能性。舉例而言,預測可包括「0.8」之機率,該機率指示存在「位置a」具有缺陷之「80%」可能性及「位置a」不具有缺陷之「20%」可能性。因此,位置預測模型450可將「位置a」分類為缺陷位置。其他類型之分類技術(不使用機率值)可用以將位置分類成缺陷位置及無缺陷位置。在一些實施例中,位置預測模型450基於與基板410相關聯之程序相關資料435產生預測415a。在一些實施例中,程序相關資料435可類似於弱點資訊340。程序相關資料435可包括
與半導體處理系統300之各種工具及程序相關聯的資料,各種工具及程序諸如顯影工具320、蝕刻工具325、灰化工具330或其他程序。舉例而言,程序相關資料435可包括度量衡資料,諸如臨界尺寸(CD)量測值、像差、邊緣置放誤差(EPE)、基板410上的薄膜之厚度或可造成缺陷之其他此類資料。
在一些實施例中,可信度模型455為ML模型。可信度模型455分析程序相關資料435並產生指示藉由位置預測模型450針對於位置中之每一者產生的預測415a至415n之可信度等級的可信度計分420a至420n。舉例而言,可信度計分420a指示「位置a」為缺陷的預測415a之可信度等級。可信度模型455可使用數個比例中之任一者產生可信度計分。舉例而言,可信度計分420a可為在「0」至「1」範圍內的值,其中該值愈高,預測之可信度愈高。在一些實施例中,若程序相關資料435類似於先前分析之程序相關資料,則可信度模型455可指派較高可信度計分,或若程序相關資料435不類似於先前分析程序相關資料中之任一者,則指派較低可信度計分。可信度計分可使用數個主動學習方法中之任一者來判定。舉例而言,可信度計分可使用如下文參看圖5A所描述之隨機森林模型,或使用如下文參看圖5B所描述之委員會投票(QBC)主動學習方法判定。
圖5A為符合本發明之實施例的用於使用隨機森林模型判定可信度計分的方塊圖。在隨機森林模型中,位置預測模型450產生針對於每一位置之數個預測,例如,預測501至預測509,且可信度模型455依據預測501至509(例如,基於全部預測之方差511)判定針對於彼位置之可信度計分。關於隨機森林模型之額外細節可在2017年5月SEMI先進半導體
製造會議(ASMC)第28期會刊,G.A.Susto論文「A dynamic sampling strategy based on confidence level of virtual metrology predictions」中發現,該論文特此以全文引用之方式併入。
圖5B為符合本發明之實施例的用於使用QBC方法判定可信度計分的方塊圖。在QBC方法中,數個位置預測模型450a至450n(例如,位置預測模型450a至450n之不同委員會)可用以產生針對於基板410上之每一位置的預測,例如,預測521至預測529。可信度模型455可依據預測521至529例如基於預測521至529之方差531判定可信度計分。舉例而言,可信度模型455自委員會之每一位置預測模型450a至450n獲得「位置a」之預測且接著將可信度計分531計算為自委員會獲得的預測521至529之方差。關於QBC主動學習方法及其他主動學習方法的額外細節可在標題為以下各者之論文中:第12屆機器學習國際會議之會刊(ICML-95),Dagan,I.及Engelson,S.P.(1995年)之標題為「Committee-based sampling for training probabilistic classifiers」;第15屆機器學習國際會議之會刊(ICML-98),McCallum,A.及Nigam,K.(1998年)之「Employing EM and pool-based active learning for text classification」;第15屆機器學習國際會議之會刊(ICML-98),Abe,N.及Mamitsuka,H.(1998年)之「Query learning strategies using boosting and bagging」;及Jennifer Prendki(2018年)之標題為「An introduction to active learning」之電子書中發現,該等論文及電子書皆特此以全文引用之方式併入。
返回參看圖4,位置選擇組件460選擇基板410上之與具有滿足位置選擇準則之可信度計分之預測相關聯的全部彼等位置。舉例而言,位置選擇組件460可選擇經預測為有缺陷並與超過第一可信度臨限之
可信度計分相關聯的全部彼等位置。在另一實例中,位置選擇組件460可選擇與低於第二可信度臨限之可信度計分相關聯的全部彼等位置而無關於彼等位置經預測為有缺陷抑或無缺陷的。位置選擇組件460可新增所選擇位置至取樣計劃425,該取樣計劃可經輸入至檢測工具465以用於檢測所選擇位置。取樣計劃425可包括關於基板410上之待藉由檢測工具465檢測的位置之資訊(例如,(x,y)座標)。檢測工具465可基於取樣計劃425檢測基板410之位置並輸出所檢測位置之實際檢測結果430(例如,未經預測)。在一些實施例中,檢測結果430可包括所檢測位置之影像(例如,SEM影像)、所檢測位置之位置資訊(例如,(x,y)座標)及彼位置經發現為缺陷的抑或無缺陷的。在一些實施例中,檢測工具465可包括用於執行檢測的圖3之監測工具335或圖1之電子束工具40,且可包括比較檢測結果430與待印刷於基板410上的圖案之設計參數以產生檢測結果430的驗證單元350。
回饋工具470可將檢測結果430以及彼等位置之程序相關資料反向輸入至缺陷位置預測模型405以進一步運用所選擇位置之實際檢測結果430訓練缺陷位置預測模型405。藉由運用來自檢測工具465之實際檢測結果訓練缺陷位置預測模型405,缺陷位置預測模型405之成本函數可縮減且缺陷位置預測模型405之預測準確度可改良(例如,增加)。在一些實施例中,成本函數可指示預測與實際檢測結果430之間的偏差,且預測準確度可指示與預測之總數目相比正確預測的數目。藉由增量訓練缺陷位置預測模型405(例如,每當對於新的或不同基板進行預測時,運用來自檢測工具465之實際檢測結果訓練缺陷位置預測模型405),該成本函數得以最小化且因此預測準確度得以最大化。當預測準確度改良時,缺陷位置預測模型405可以較大可信度預測可能為有缺陷的位置。
在一些實施例中,位置選擇組件460可經組態以控制用於檢測的位置之選擇(例如,藉由調整一或多個可信度臨限)。舉例而言,當缺陷位置預測模型405之預測準確度低於準確度臨限時,位置選擇組件460可具有較大第一可信度臨限以使得經預測為有缺陷的具有高可信度計分(例如,s>x,其中s為計分且x為第一可信度臨限)之位置經選擇用於檢測而具有較低可信度計分(例如,s<x)之彼等位置被忽略。當預測準確度改良時,位置選擇組件460可減小第一可信度臨限以使得經預測為有缺陷的具有甚至更低可信度計分(例如,s>y且y<x,其中y為經調整第一可信度臨限)的位置經選擇用於檢測。在另一實例中,當缺陷位置預測模型405之預測準確度低於準確度臨限時,位置選擇組件460可具有較大第二可信度臨限以使得與較低可信度計分(例如,s<a且a<x,其中a為第二可信度臨限)相關聯的位置經選擇用於檢測而無關於其經預測為有缺陷抑或無缺陷的。當預測準確度改良時,位置選擇組件460可減小第二可信度臨限以使得經預測為有缺陷的具有極低可信度計分(例如,s<b且b<a,其中b為第二可信度臨限)之位置經選擇用於檢測。在一些實施例中,位置選擇組件460亦可經組態以基於用於檢測之可用資源(例如,檢測工具465之時間及運算資源)控制用於檢測之位置的選擇。位置選擇組件460可根據可用資源調整可信度臨限。舉例而言,可用資源愈低,經選擇用於檢測的位置之數目愈少。在一些實施例中,可信度臨限、準確度臨限、可用資源或待檢測的位置之數目可係使用者可組態的。
圖6為說明符合本發明之各個實施例的使用初始訓練資料集訓練缺陷位置預測模型405的方塊圖。缺陷位置預測模型405可必須在其可用於產生針對於基板(諸如圖4的基板410)之預測之前使用初始訓練資
料集605來訓練。初始訓練資料集605可為標註之資料集,其包括「n」數目個基板之程序相關資料610a至610n及檢測結果615a至615n。舉例而言,對於基板「A」,初始訓練資料集605可包括與基板「A」相關聯之程序相關資料610a及檢測結果615a。在一些實施例中,程序相關資料610a可類似於程序相關資料435且可包括度量衡資料,諸如CD量測值、像差、EPE、基板「A」上之薄膜的厚度,或可造成缺陷之其他此類資料。在一些實施例中,檢測結果615a可類似於檢測結果430且可包括所檢測位置之影像(例如,SEM影像)、所檢測位置之位置資訊(例如,(x,y)座標)及彼位置經發現為有缺陷抑或無缺陷。所標註資料集可自各種源(包括圖3之半導體處理系統300的工具)獲得。
位置預測模型450及可信度模型455(如上文至少參看圖4所提及)可為ML模型。缺陷位置預測模型405之訓練可為一反覆程序,其中每一反覆可涉及分析與基板相關聯的程序相關資料610、判定成本函數及基於該成本函數更新缺陷位置預測模型405之組態,其皆在下文更詳細地描述。在一些實施例中,缺陷位置預測模型405可以「批量」方式而非作為一反覆程序來訓練。舉例而言,具有「n」數目個基板之程序相關資料610a至610n及檢測結果615a至615n的訓練資料集605可經共同地輸入。在輸入程序相關資料610a及檢測結果615a後,位置預測模型450產生針對於基板「A」上之「x」數目個位置的預測625a1至625ax且可信度模型分別指派對於預測625a1至625ax之可信度計分630a1至630ax。缺陷位置預測模型405接著比較所預測結果與檢測結果615a以判定缺陷位置預測模型405之成本函數650,成本函數650可指示預測結果625a1至625ax與實際檢測結果615a之間的偏差。缺陷位置預測模型405可基於成本函數650或其
他參考反饋資訊(例如,準確度之使用者指示、參考標記、或其他資訊)更新其組態(例如,權重、偏置或位置預測模型450或可信度模型455之其他參數)以最小化成本函數650。以上程序係在每一反覆中運用與不同基板相關聯之程序相關資料及檢測結果反覆地重複直至滿足終止條件為止。終止條件可包括預定義數目個反覆、成本函數滿足指定臨限,或其他此類條件。在滿足終止條件之後,缺陷位置預測模型405可視為「經訓練」且可用於識別或預測新基板(例如,仍未使用缺陷位置預測模型405分析的基板)中之的缺陷位置。
在一些實施例中,儘管經訓練缺陷位置預測模型405可用以預測新基板(諸如基板410)中之缺陷位置,但經訓練缺陷位置預測模型405可使用主動學習ML方法來進一步訓練以進一步改良預測準確度。在主動學習ML方法中,經訓練缺陷位置預測模型405係運用經選擇標註之資料(例如,使用經訓練缺陷位置預測模型405產生預測所針對的位置之實際檢測結果)來訓練,以進一步改良預測準確度,例如尤其是在缺陷位置預測模型405正分析不類似於先前經分析(在缺陷位置預測模型405之訓練期間或在缺陷位置之實際預測期間)程序相關資料中之任一者的程序相關資料之情況下。此類主動學習方法可克服「概念漂移」問題,其中若ML模型未基於規則用新的訓練資料更新則ML模型可變為過時且準確度可降級的情境。在半導體處理領域中,製造程序可不斷地改變且因此與基板相關聯之程序相關資料亦可改變。在一些實施例中,即使程序相關資料未漂移,程序相關資料與缺陷/無缺陷標記之間的關係可隨時間而漂移(例如,由可並不可用於ML模型的一些隱藏程序變數所引起)。若經訓練缺陷位置預測模型405經輸入有並不類似於或顯著不同於先前分析之程序相關資料
的程序相關資料,則由該缺陷位置預測模型405產生之預測可並不準確。藉由運用使用經訓練缺陷位置預測模型405產生預測所針對的位置之實際檢測結果增量訓練經訓練缺陷位置預測模型405(例如,如至少參看圖4所描述),「概念漂移」問題可經克服且預測準確度可得以改良。
圖7為符合本發明之實施例的用於預測基板上之缺陷位置的程序700之流程圖。在一些實施例中,程序700可實施於圖4之系統400中。在操作P701處,與基板相關聯之程序相關資料經輸入至缺陷位置預測模型405。舉例而言,與基板410相關聯之程序相關資料435(其包括度量衡資料,諸如CD量測值、像差、EPE、基板410上之薄膜的厚度,或可造成缺陷之其他此類資料)可輸入至缺陷位置預測模型405。
在操作P703處,可基於藉由位置預測模型450產生的預測選擇基板410上之待檢測的位置705。舉例而言,位置預測模型450產生針對於基板410上的數個(n個)位置之預測415a至415n,該等預測指示位置可能為缺陷位置抑或無缺陷位置。在一些實施例中,位置預測模型450係使用初始訓練資料集初始地訓練以預測缺陷位置,如至少參看圖6所描述。
在操作P705處,可信度計分420a至420n經產生用於與位置705相關聯的預測中之每一者。可信度計分可指示對應預測之可信度等級。舉例而言,可信度計分420a指示「位置a」為缺陷的預測415a之可信度等級。在一些實施例中,可信度計分愈高,相關聯預測中之可信度愈高。在一些實施例中,若程序相關資料435類似於先前所分析程序相關資料中之任一者,則可信度模型455可指派較高可信度計分,或否則指派較低可信度計分。可信度計分可使用數個主動學習方法中之任一者來判定。舉例而言,可信度計分可使用如至少參看圖5A所描述之隨機森林模型,
或使用如至少參看圖5B所描述之QBC主動學習方法來判定。
在操作P707處,與具有滿足位置選擇準則之可信度計分的預測相關聯的位置705之彼等位置被新增至一組位置707以待藉由檢測工具465檢測。舉例而言,位置選擇組件460可新增經預測為有缺陷並與超過第一可信度臨限之可信度計分相關聯的全部彼等位置705至該組位置707。在另一實例中,位置選擇組件460可新增與低於第二可信度臨限之可信度計分相關聯的全部彼等位置至該組位置707而無關於針對於彼等位置之預測係有缺陷抑或無缺陷的。
在操作P709處,檢測結果430係自檢測工具465獲得以用於該組位置707。位置選擇組件460可新增關於該組位置707之資訊(例如,(x,y)座標)至取樣計劃425並輸入取樣計劃425至檢測工具465。檢測工具465可檢測基板410上之該組位置707並輸出實際檢測結果430。在一些實施例中,檢測結果430可包括所檢測位置之影像(例如,SEM影像)、所檢測位置之位置資訊(例如,(x,y)座標)及彼位置經發現為缺陷的抑或無缺陷的。
在操作P711處,該組位置707之檢測結果430及彼等位置之程序相關資料回饋至缺陷位置預測模型405以進一步運用該組位置之實際檢測結果430訓練缺陷位置預測模型405。在一些實施例中,每當對於新的或不同基板進行預測時,缺陷位置預測工具藉由執行操作P701至P711增量訓練。亦即,每當對於新的或不同基板進行預測時,缺陷位置預測模型405係運用來自檢測工具465之實際檢測結果來訓練。藉由增量訓練缺陷位置預測模型405,與缺陷位置預測模型405相關聯之成本函數經最小化,且因此缺陷位置預測模型405之預測準確度經最大化。當預測準確度
改良時,缺陷位置預測模型405可以較大可信度預測可能為有缺陷的位置。
圖8為說明可輔助實施本文中所揭示之方法、流程、模組、組件或設備的電腦系統800之方塊圖。電腦系統800包括用於傳達資訊之匯流排802或其他通信機構,及與匯流排802耦接以用於處理資訊之處理器804(或多個處理器804及805)。電腦系統800亦包括耦接至匯流排802以用於儲存待由處理器804執行之資訊及指令的主記憶體806,諸如隨機存取記憶體(RAM)或其他動態儲存裝置。主記憶體806亦可用於在待由處理器804執行之指令之執行期間儲存暫時性變數或其他中間資訊。電腦系統800進一步包括耦接至匯流排802以用於儲存用於處理器804之靜態資訊及指令的唯讀記憶體(ROM)808或其他靜態儲存裝置。提供諸如磁碟或光碟之儲存裝置810,且將該儲存裝置810耦接至匯流排802以用於儲存資訊及指令。
電腦系統800可經由匯流排802耦接至用於向電腦使用者顯示資訊之顯示器812,諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入裝置814耦接至匯流排802以用於將資訊及命令選擇傳達至處理器804。另一類型之使用者輸入裝置為用於將方向資訊及命令選擇傳達至處理器804且用於控制顯示器812上之游標移動的游標控制件816,諸如滑鼠、軌跡球或游標方向按鍵。此輸入裝置通常具有在兩個軸線(第一軸(例如,x)及第二軸(例如,y))上之兩個自由度,從而允許該裝置指定平面中之位置。觸控面板(螢幕)顯示器亦可被用作輸入裝置。
根據一個實施例,本文中所描述之一或多種方法的數個部
分可藉由電腦系統800回應於處理器804執行含有於主記憶體806中之一或多個指令的一或多個序列而執行。可將此類指令自另一電腦可讀媒體(諸如儲存裝置810)讀取至主記憶體806中。主記憶體806中含有之指令序列的執行使得處理器804執行本文中所描述之程序步驟。亦可使用多處理配置中之一或多個處理器,以執行含於主記憶體806中的指令序列。在一替代實施例中,可代替或結合軟體指令來使用硬佈線電路。因此,本文中之描述不限於硬體電路及軟體之任何特定組合。
如本文所使用之術語「電腦可讀媒體」指代參與將指令提供至處理器804以供執行之任何媒體。此媒體可採取許多形式,包括(但不限於)非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括(例如)光碟或磁碟,諸如儲存裝置810。揮發性媒體包括動態記憶體,諸如主記憶體806。傳輸媒體包括同軸纜線、銅線及光纖,包括包含匯流排802之電線。傳輸媒體亦可採取聲波或光波之形式,諸如,在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體之常見形式包括(例如)軟磁碟、軟性磁碟、硬碟、磁帶、任何其他磁媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣、如下文所描述之載波,或可供電腦讀取之任何其他媒體。
可在將一或多個指令之一或多個序列攜載至處理器804以供執行時涉及電腦可讀媒體之各種形式。舉例而言,初始地可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體內,且使用數據機經由電話線而發送指令。在電腦系統800本端之數據機可接收電話線上之資料,且使用紅外線傳輸器將資料轉換成紅外線信號。耦接至
匯流排802之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排802上。匯流排802將資料攜載至主記憶體806,處理器804自該主記憶體擷取及執行指令。由主記憶體806接收之指令可視情況在由處理器804執行前或後儲存於儲存裝置810上。
電腦系統800亦可包括耦接至匯流排802之通信介面818。通信介面818提供對網路鏈路820之雙向資料通信耦合,網路鏈路820連接至區域網路822。舉例而言,通信介面818可為整合式服務數位網路(ISDN)卡或數據機以提供對對應類型之電話線之資料通信連接。作為另一實例,通信介面818可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中,通信介面818發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光信號。
網路鏈路820通常經由一或多個網路將資料通信提供至其他資料裝置。舉例而言,網路鏈路820可經由區域網路822向主機電腦824或向由網際網路服務提供者(ISP)826操作之資料裝備提供連接。ISP 826接著經由全球封包資料通信網路(現在通常被稱作「網際網路」828)而提供資料通信服務。區域網路822及網際網路828兩者皆使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路鏈路820上且經由通信介面818之信號為輸送資訊的例示性形式之載波,該等信號將數位資料攜載至電腦系統800且自電腦系統800攜載數位資料。
電腦系統800可經由網路、網路鏈路820及通信介面818發送訊息並接收資料,包括程式碼。在網際網路實例中,伺服器830可經由網際網路828、ISP 826、區域網路822及通信介面818而傳輸用於應用程
式之所請求程式碼。舉例而言,一個此類經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在其被接收時由處理器804執行,及/或儲存於儲存裝置810或其他非揮發性儲存器中以供稍後執行。以此方式,電腦系統800可獲得呈載波形式之應用程式碼。
可使用以下條項進一步描述實施例:
1.一種具有指令之非暫時性電腦可讀媒體,該等指令在由一電腦執行時使該電腦執行用於識別待於一基板上檢測之位置的一方法,該方法包含:基於一缺陷位置預測模型之一第一子模型選擇待檢測的該基板上之複數個位置,該第一子模型係使用與其他基板相關聯之一初始訓練資料集來訓練以產生針對於該等位置中之每一者的缺陷或無缺陷之一預測;使用該缺陷位置預測模型之使用該初始訓練資料集訓練的一第二子模型,基於與該基板相關聯之程序相關資料產生針對於該等位置中之每一者的一可信度計分,其中該可信度計分指示針對於該對應位置之該預測的一可信度;新增該可信度計分滿足複數個可信度臨限中之一者所針對的該等位置中之每一者至待藉由一檢測系統檢測之一組位置;獲得檢測結果資料;及藉由將針對於該組位置之該檢測結果資料及該程序相關資料作為訓練資料提供至該缺陷位置預測模型來增量訓練該缺陷位置預測模型。
2.如條項1之電腦可讀媒體,其中增量訓練該第二子模型為每一反覆包括以下各者的一反覆程序:使用在先前反覆中之任一者中尚未檢測的一不同基板之檢測結果資
料及程序相關資料訓練該第一子模型。
3.如條項1之電腦可讀媒體,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷的該預測之該可信度計分超過該等可信度臨限中之一第一可信度臨限時新增該等位置中之每一者至該組位置。
4.如條項1之電腦可讀媒體,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷或無缺陷的該預測之該可信度計分低於該等可信度臨限中之一第二可信度臨限時新增該等位置中之每一者至該組位置。
5.如條項1之電腦可讀媒體,其進一步包含:基於正確預測之一數目及預測之一總數目判定該缺陷位置預測模型之一預測準確度。
6.如條項5之電腦可讀媒體,其中增量訓練該缺陷位置預測模型會增加該預測準確度。
7.如條項5之電腦可讀媒體,其進一步包含:基於該預測準確度之一變化調整該等可信度臨限。
8.如條項7之電腦可讀媒體,其中調整該等可信度臨限包括隨著該預測準確度改良而減小該等可信度臨限中之一第一可信度臨限,其中該第一可信度臨限用於選擇缺陷之該預測與超過該第一可信度臨限之該可信度計分相關聯所針對的該等位置中之彼等位置。
9.如條項7之電腦可讀媒體,其中調整該等可信度臨限包括隨著該預測準確度改良而減小該等可信度臨限值中之一第二可信度臨限,其中該第二可信度臨限用於選擇缺陷之該預測與低於該第二可信度臨限之該可信度計分相關聯所針對的該等位置中之彼等位置。
10.如條項7之電腦可讀媒體,其中調整該等可信度臨限包括隨著該預測準確度降級而增大該等可信度臨限中之一第一可信度臨限,其中該第一可信度臨限用於選擇缺陷之該預測與超過該第一可信度臨限之該可信度計分相關聯所針對的該等位置中之彼等位置。
11.如條項7之電腦可讀媒體,其中調整該等可信度臨限包括隨著該預測準確度降級而增大該等可信度臨限中之一第二可信度臨限,其中該第二可信度臨限用於選擇缺陷或無缺陷之該預測與低於該第二可信度臨限之該可信度計分相關聯所針對的該等位置中之彼等位置。
12.如條項1之電腦可讀媒體,其中該第一子模型經組態以產生針對於該等預測中之每一者的一機率值,該機率值指示該對應位置為缺陷位置或無缺陷位置的一機率。
13.如條項1之電腦可讀媒體,其中產生該可信度計分包括:基於與該等位置中之一指定位置相關聯之程序相關資料與該初始訓練資料集中之程序相關資料或用於訓練該缺陷位置預測模型之該訓練資料的一比較產生對於該指定位置之該可信度計分。
14.如條項1之電腦可讀媒體,其中該缺陷位置預測模型包括複數個第一子模型,且其中產生該可信度計分包括:自該等第一子模型中之每一者獲得與針對於該等位置中之一指定位置的該預測相關聯的一機率值,及依據自該等第一子模型獲得的該等機率值產生對於該指定位置之該可信度計分。
15.如條項1之電腦可讀媒體,其中獲得該檢測結果資料包括自該檢測系統獲得該檢測結果資料。
16.如條項1之電腦可讀媒體,其中該檢測結果資料包括對於該組位置中之每一位置的關於彼位置是否具有缺陷之資訊。
17.如條項16之電腦可讀媒體,其中該檢測結果資料基於該組位置中之一指定位置中偵測到之缺陷的一數目滿足一缺陷臨限而指示該指定位置具有一缺陷。
18.如條項1之電腦可讀媒體,其中該程序相關資料包括對於該等位置中之每一者的與在該基板上形成一圖案中所涉及之多個程序相關聯之資訊。
19.如條項18之電腦可讀媒體,其中該資料包括與該多個程序相關聯的度量衡資料。
20.如條項1之電腦可讀媒體,其中該初始訓練資料集包括與複數個基板相關聯之程序相關資料。
21.一種具有指令之非暫時性電腦可讀媒體,該等指令在由一電腦執行時使該電腦執行用於使用一機器學習模型識別待在一第一基板上檢測的位置並用於基於該第一基板上之該等位置之檢測結果訓練該機器學習模型以識別待在一第二基板上檢測之位置的一方法,該方法包含:輸入與一基板相關聯之程序相關資料至一缺陷位置預測模型;使用該缺陷位置預測模型產生針對於該基板上的複數個位置中之每一者的缺陷或無缺陷之一預測,其中每一預測與指示對於該對應位置之該預測之一可信度的一可信度計分相關聯;新增該可信度計分滿足複數個可信度臨限中之一者所針對的該等位置中之每一者至待藉由一檢測系統檢測之一組位置;自該檢測系統獲得該組位置之檢測結果資料;及
輸入該組位置之該檢測結果資料及該程序相關資料至該缺陷位置預測模型以用於訓練該缺陷位置預測模型。
22.如條項21之電腦可讀媒體,其進一步包含:增量訓練該缺陷位置預測模型,其中該遞增訓練為每一反覆包括以下各者的一反覆程序:使用在先前反覆中之任一者中尚未檢測的一不同基板之檢測結果資料及程序相關資料訓練該缺陷位置預測模型。
23.如條項21之電腦可讀媒體,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷的該預測之該可信度計分超過該等可信度臨限中之一第一可信度臨限時新增該等位置中之每一者至該組位置。
24.如條項21之電腦可讀媒體,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷或無缺陷的該預測之該可信度計分低於該等可信度臨限中之一第二可信度臨限時新增該等位置中之每一者至該組位置。
25.如條項21之電腦可讀媒體,其進一步包含:基於正確預測之一數目及預測之一總數目判定該缺陷位置預測模型之一預測準確度。
26.如條項25之電腦可讀媒體,其進一步包含:基於該預測準確度之一變化調整該等可信度臨限。
27.如條項21之電腦可讀媒體,其中產生該預測包括:在輸入該基板之該程序相關資料之前,使用與其他基板相關聯之一
初始訓練資料集訓練該缺陷位置預測模型以產生針對於該對應基板之該等位置中之每一者的缺陷或無缺陷之該預測,其中該初始訓練資料集包括其他基板之程序相關資料。
28.如條項21之電腦可讀媒體,其中產生該預測包括:基於與該等位置中之一指定位置相關聯之程序相關資料與用於訓練該缺陷位置預測模型之與其他基板相關聯之程序相關資料的一比較而產生對於該指定位置之該可信度計分。
29.如條項21之電腦可讀媒體,其中產生該預測包括:自複數個預測模型中之每一者獲得與針對於該等位置中之一指定位置的一缺陷或無缺陷之該預測相關聯的一機率值,及依據自該等預測模型獲得的該等機率值產生對於該指定位置之該可信度計分。
30.一種用於使用一機器學習模型識別待在一第一基板上檢測之位置及用於基於該第一基板上之位置之檢測結果訓練該機器學習模型以識別待在一第二基板上檢測之位置的方法,該方法包含:輸入與一基板相關聯之程序相關資料至一缺陷位置預測模型;使用該缺陷位置預測模型產生針對於該基板上的複數個位置中之每一者的缺陷或無缺陷之一預測,其中每一預測與指示對於該對應位置之該預測之一可信度的一可信度計分相關聯;新增該可信度計分滿足一可信度臨限所針對的該等位置中之每一者至待藉由一檢測系統檢測之一組位置;自該檢測系統獲得該組位置之檢測結果資料;及輸入該組位置之該檢測結果資料及該程序相關資料至該缺陷位置預
測模型以用於訓練該缺陷位置預測模型。
31.如條項30之方法,其進一步包含:增量訓練該缺陷位置預測模型,其中該遞增訓練為每一反覆包括以下各者的一反覆程序:使用在先前反覆中之任一者中尚未檢測的一不同基板之檢測結果資料及程序相關資料訓練該缺陷位置預測模型。
32.如條項30之方法,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷的該預測之該可信度計分超過該等可信度臨限中之一第一可信度臨限時新增該等位置中之每一者至該組位置。
33.如條項30之方法,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷或無缺陷的該預測之該可信度計分低於該等可信度臨限中之一第二可信度臨限時新增該等位置中之每一者至該組位置。
34.如條項30之方法,其進一步包含:基於正確預測之一數目及預測之一總數目判定該缺陷位置預測模型之一預測準確度。
35.如條項34之方法,其進一步包含:基於該預測準確度之一變化調整該等可信度臨限。
36.如條項30之方法,其中產生該預測包括:在輸入該基板之該程序相關資料之前,使用與其他基板相關聯之一初始訓練資料集訓練該缺陷位置預測模型以產生針對於該對應基板之該等位置中之每一者的缺陷或無缺陷之該預測。
37.如條項30之方法,其中產生該預測包括:
基於與該等位置中之一指定位置相關聯之程序相關資料與用於訓練該缺陷位置預測模型之與其他基板相關聯之程序相關資料的一比較而產生對於該指定位置之該可信度計分。
38.如條項30之方法,其中產生該預測包括:自複數個預測模型中之每一者獲得與該等位置中之一指定位置為一缺陷或無缺陷的一預測相關聯的一機率值,及依據自該等預測模型獲得的該等機率值產生對於該指定位置之該可信度計分。
39.一種用於使用一機器學習模型識別待在一第一基板上檢測之位置及用於基於該第一基板上之位置之檢測結果訓練該機器學習模型以識別待在一第二基板上檢測之位置的設備,該設備包含:一記憶體,其儲存一指令集;及至少一個處理器,其經組態以執行該指令集以使該設備執行如下一方法:輸入與一基板相關聯之程序相關資料至一缺陷位置預測模型;使用該缺陷位置預測模型產生針對於該基板上的複數個位置中之每一者的缺陷或無缺陷之一預測,其中每一預測與指示針對於該對應位置之該預測之一可信度的一可信度計分相關聯;新增該可信度計分滿足一可信度臨限所針對的該等位置中之每一者至待藉由一檢測系統檢測之一組位置;自該檢測系統獲得該組位置之檢測結果資料;及輸入該組位置之該檢測結果資料及該程序相關資料至該缺陷位置預測模型以用於訓練該缺陷位置預測模型。
40.如條項39之設備,其中該方法進一步包含:增量訓練該缺陷位置預測模型,其中該遞增訓練為每一反覆包括以下各者的一反覆程序:使用在先前反覆中之任一者中尚未檢測的一不同基板之檢測結果資料及程序相關資料訓練該缺陷位置預測模型。
41.如條項39之設備,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷的該預測之該可信度計分超過該等可信度臨限中之一第一可信度臨限時新增該等位置中之每一者至該組位置。
42.如條項39之設備,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷或無缺陷的該預測之該可信度計分低於該等可信度臨限中之一第二可信度臨限時新增該等位置中之每一者至該組位置。
43.如條項39之設備,其進一步包含:基於正確預測之一數目及預測之一總數目判定該缺陷位置預測模型之一預測準確度。
44.如條項43之設備,其進一步包含:基於該預測準確度之一變化調整該等可信度臨限。
45.如條項39之設備,其中產生該預測包括:在輸入該基板之該程序相關資料之前,使用與其他基板相關聯之一初始訓練資料集訓練該缺陷位置預測模型以產生針對於該對應基板之該等位置中之每一者的缺陷或無缺陷之該預測。
46.如條項39之設備,其中產生該預測包括:基於與該等位置中之一指定位置相關聯之程序相關資料與用於訓練
該缺陷位置預測模型之與其他基板相關聯之程序相關資料的一比較而產生對於該指定位置之該可信度計分。
47.如條項39之設備,其中產生該預測包括:自複數個預測模型中之每一者獲得與針對於該等位置中之一指定位置的缺陷或無缺陷之該預測相關聯的一機率值,及依據自該等預測模型獲得的該等機率值產生對於該指定位置之該可信度計分。
48.一種非暫時性電腦可讀媒體,其上記錄有指令,該等指令在由一電腦執行時實施如以上條項中任一項之方法。
可提供儲存供控制器(例如,圖1之控制器50)之處理器實施以下操作之指令的非暫時性電腦可讀媒體:影像檢測、影像擷取、載物台定位、射束聚焦、電場調整、射束彎曲、聚光透鏡調整、激活帶電粒子源、射束偏轉及程序600及700之至少一部分。非暫時性媒體之常見形式包括例如軟性磁碟、可撓性磁碟、硬碟、固態磁碟機、磁帶或任何其他磁性資料儲存媒體、緊密光碟唯讀記憶體(CD-ROM)、任何其他光學資料儲存媒體、具有孔圖案之任何實體媒體、隨機存取記憶體(RAM)、可程式化唯讀記憶體(PROM)及可抹除可程式化唯讀記憶體(EPROM)、FLASH-EPROM或任何其他快閃記憶體、非揮發性隨機存取記憶體(NVRAM)、快取記憶體、暫存器、任何其他記憶體晶片或卡匣,及其網路化版本。
出於清楚起見,圖式中之組件之相對尺寸可經放大。在圖式描述內,相同或類似參考編號係指相同或類似組件或實體,且僅描述相對於個別實施例之差異。如本文中所使用,除非另外特定陳述,否則術語「或」涵蓋所有可能組合,除非不可行。舉例而言,若陳述組件可包括A
或B,則除非另外特定陳述或不可行,否則組件可包括A,或B,或A及B。作為第二實例,若陳述組件可包括A、B或C,則除非另外具體陳述或不可行,否則組件可包括A,或B,或C,或A及B,或A及C,或B及C,或A及B及C。
應瞭解,本發明之實施例不限於已在上文所描述及在隨附圖式中所示出之確切構造,且可在不脫離本發明之範疇的情況下作出各種修改及改變。本發明已結合各種實施例進行了描述,藉由考慮本文中所揭示之本發明之規格及實踐,本發明之其他實施例對於熟習此項技術者將為顯而易見的。意欲本說明書及實例僅視為例示性的,其中本發明之真正範疇及精神藉由以下申請專利範圍指示。
上方描述意欲為說明性,而非限制性的。因此,對於熟習此項技術者將顯而易見,可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。
400:系統
405:缺陷位置預測模型
410:基板
415a-n:預測
420a-n:可信度計分
425:取樣計劃
430:實際檢測結果
435:程序相關資料
450:位置預測模型
455:可信度模型
460:位置選擇組件
465:檢測工具
470:回饋工具
Claims (15)
- 一種具有若干指令之非暫時性電腦可讀媒體,該等指令在由一電腦執行時使該電腦執行用於識別於一基板上檢測之位置的一方法,該方法包含:基於一缺陷位置預測模型之一第一子模型選擇檢測的該基板上之複數個位置,該第一子模型係使用與其他基板相關聯之一初始訓練資料集來訓練以產生針對於該等位置中之每一者的缺陷或無缺陷之一預測;使用該缺陷位置預測模型之使用該初始訓練資料集訓練的一第二子模型,基於與該基板相關聯之程序相關資料產生針對於該等位置中之每一者的一可信度計分(confidence score),其中該可信度計分指示針對於對應位置之該預測的一可信度;將該可信度計分滿足複數個可信度臨限中之一者所針對的該等位置中之每一者新增至待藉由一檢測系統檢測之一組位置;獲得檢測結果資料;及藉由將針對於該組位置之該檢測結果資料及該程序相關資料作為訓練資料提供至該缺陷位置預測模型來增量訓練該缺陷位置預測模型。
- 如請求項1之電腦可讀媒體,其中增量訓練該第二子模型為每一反覆包括以下各者的一反覆程序:使用在先前反覆中之任一者中尚未檢測的一不同基板之檢測結果資料及程序相關資料訓練該第一子模型。
- 如請求項1之電腦可讀媒體,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷的該預測之該可信度計分超過該等可信度臨限中之一第一可信度臨限時新增該等位置中之每一者至該組位置。
- 如請求項1之電腦可讀媒體,其中新增該等位置中之每一者包括:當針對於該對應位置之缺陷或無缺陷的該預測之該可信度計分低於該等可信度臨限中之一第二可信度臨限時新增該等位置中之每一者至該組位置。
- 如請求項1之電腦可讀媒體,其進一步包含:基於正確預測之一數目及預測之一總數目判定該缺陷位置預測模型之一預測準確度。
- 如請求項5之電腦可讀媒體,其中增量訓練該缺陷位置預測模型會增加該預測準確度。
- 如請求項5之電腦可讀媒體,其進一步包含:基於該預測準確度之一變化調整該等可信度臨限。
- 如請求項7之電腦可讀媒體,其中調整該等可信度臨限包括:隨著該預測準確度改良而減小該等可信度臨限中之一第一可信度臨限,其中該第一可信度臨限用於選擇缺陷之該預測與超過該第一可信度臨限之該可信度計分相關聯所針對的該等位置中之彼等位置。
- 如請求項7之電腦可讀媒體,其中調整該等可信度臨限包括:隨著該預測準確度改良而減小該等可信度臨限值中之一第二可信度臨限,其中該第二可信度臨限用於選擇缺陷或無缺陷之該預測與低於該第二可信度臨限之該可信度計分相關聯所針對的該等位置中之彼等位置。
- 如請求項7之電腦可讀媒體,其中調整該等可信度臨限包括:隨著該預測準確度降級而增大該等可信度臨限中之一第一可信度臨限,其中該第一可信度臨限用於選擇缺陷之該預測與超過該第一可信度臨限之該可信度計分相關聯所針對的該等位置中之彼等位置。
- 如請求項7之電腦可讀媒體,其中調整該等可信度臨限包括:隨著該預測準確度降級而增大該等可信度臨限中之一第二可信度臨限,其中該第二可信度臨限用於選擇缺陷或無缺陷之該預測與低於該第二可信度臨限之該可信度計分相關聯所針對的該等位置中之彼等位置。
- 如請求項1之電腦可讀媒體,其中該第一子模型經組態以產生針對於每一預測之一機率值,該機率值指示該對應位置為一缺陷位置或一無缺陷位置的一機率。
- 如請求項1之電腦可讀媒體,其中產生該可信度計分包括:基於與該等位置中之一指定位置相關聯之程序相關資料與該初始訓練資料集中之程序相關資料或用於訓練該缺陷位置預測模型之該訓練資料的一比較產生對於該指定位置之該可信度計分。
- 如請求項1之電腦可讀媒體,其中該缺陷位置預測模型包括複數個第一子模型,且其中產生該可信度計分包括:自該等第一子模型中之每一者獲得與針對於該等位置中之一指定位置的該預測相關聯的一機率值,及依據自該等第一子模型獲得的機率值產生對於該指定位置之該可信度計分。
- 一種用於使用一機器學習模型識別在一第一基板上檢測之位置及用於基於該第一基板上之位置之檢測結果訓練該機器學習模型以識別在一第二基板上檢測之位置的設備,該設備包含:一記憶體,其儲存一指令集;及至少一個處理器,其經組態以執行該指令集以使該設備執行如下一方法:輸入與一基板相關聯之程序相關資料至一缺陷位置預測模型;使用該缺陷位置預測模型產生針對於該基板上的複數個位置中之每一者的缺陷或無缺陷之一預測,其中每一預測與指示針對於對應位置之該預測之一可信度的一可信度計分相關聯;新增該可信度計分滿足一可信度臨限所針對的該等位置中之每一者至待藉由一檢測系統檢測之一組位置;自該檢測系統獲得該組位置之檢測結果資料;及輸入該組位置之該檢測結果資料及該程序相關資料至該缺陷位置預測模型以用於訓練該缺陷位置預測模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063113347P | 2020-11-13 | 2020-11-13 | |
US63/113,347 | 2020-11-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202234451A TW202234451A (zh) | 2022-09-01 |
TWI823174B true TWI823174B (zh) | 2023-11-21 |
Family
ID=78528949
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112142309A TW202410111A (zh) | 2020-11-13 | 2021-11-02 | 基於主動學習之缺陷位置識別 |
TW110140696A TWI823174B (zh) | 2020-11-13 | 2021-11-02 | 非暫時性電腦可讀媒體及使用機器學習模型識別位置之設備 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112142309A TW202410111A (zh) | 2020-11-13 | 2021-11-02 | 基於主動學習之缺陷位置識別 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20230401694A1 (zh) |
EP (1) | EP4244677A1 (zh) |
JP (1) | JP2023549733A (zh) |
KR (1) | KR20230104170A (zh) |
CN (1) | CN116507974A (zh) |
IL (1) | IL302789A (zh) |
TW (2) | TW202410111A (zh) |
WO (1) | WO2022101051A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230306580A1 (en) * | 2022-03-28 | 2023-09-28 | Applied Materials Israel Ltd. | Machine learning based examination of a semiconductor specimen and training thereof |
WO2024099710A1 (en) * | 2022-11-11 | 2024-05-16 | Asml Netherlands B.V. | Creating a dense defect probability map for use in a computational guided inspection machine learning model |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960185A (en) * | 1996-06-24 | 1999-09-28 | International Business Machines Corporation | Method and apparatus for wafer disposition based on systematic error modeling |
TW201704849A (zh) * | 2015-07-27 | 2017-02-01 | 達盟系統有限公司 | 在半導體製程的晶片設計佈局中發現未知問題圖案的系統與方法 |
US20180197714A1 (en) * | 2017-01-10 | 2018-07-12 | Kla-Tencor Corporation | Diagnostic Methods for the Classifiers and the Defects Captured by Optical Tools |
US20190004504A1 (en) * | 2017-06-30 | 2019-01-03 | Kla-Tencor Corporation | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process |
CN111353521A (zh) * | 2018-12-20 | 2020-06-30 | 三星显示有限公司 | 用于噪声标签的对抗训练系统和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018033511A1 (en) | 2016-08-15 | 2018-02-22 | Asml Netherlands B.V. | Method for enhancing the semiconductor manufacturing yield |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
-
2021
- 2021-11-02 US US18/033,786 patent/US20230401694A1/en active Pending
- 2021-11-02 TW TW112142309A patent/TW202410111A/zh unknown
- 2021-11-02 KR KR1020237016129A patent/KR20230104170A/ko unknown
- 2021-11-02 WO PCT/EP2021/080304 patent/WO2022101051A1/en active Application Filing
- 2021-11-02 CN CN202180076672.9A patent/CN116507974A/zh active Pending
- 2021-11-02 TW TW110140696A patent/TWI823174B/zh active
- 2021-11-02 EP EP21802689.6A patent/EP4244677A1/en active Pending
- 2021-11-02 IL IL302789A patent/IL302789A/en unknown
- 2021-11-02 JP JP2023527060A patent/JP2023549733A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960185A (en) * | 1996-06-24 | 1999-09-28 | International Business Machines Corporation | Method and apparatus for wafer disposition based on systematic error modeling |
TW201704849A (zh) * | 2015-07-27 | 2017-02-01 | 達盟系統有限公司 | 在半導體製程的晶片設計佈局中發現未知問題圖案的系統與方法 |
US20180197714A1 (en) * | 2017-01-10 | 2018-07-12 | Kla-Tencor Corporation | Diagnostic Methods for the Classifiers and the Defects Captured by Optical Tools |
US20190004504A1 (en) * | 2017-06-30 | 2019-01-03 | Kla-Tencor Corporation | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process |
CN111353521A (zh) * | 2018-12-20 | 2020-06-30 | 三星显示有限公司 | 用于噪声标签的对抗训练系统和方法 |
TW202038145A (zh) * | 2018-12-20 | 2020-10-16 | 南韓商三星顯示器有限公司 | 用於雜訊標籤的對抗訓練系統及方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202410111A (zh) | 2024-03-01 |
CN116507974A (zh) | 2023-07-28 |
IL302789A (en) | 2023-07-01 |
US20230401694A1 (en) | 2023-12-14 |
EP4244677A1 (en) | 2023-09-20 |
KR20230104170A (ko) | 2023-07-07 |
TW202234451A (zh) | 2022-09-01 |
JP2023549733A (ja) | 2023-11-29 |
WO2022101051A1 (en) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI823174B (zh) | 非暫時性電腦可讀媒體及使用機器學習模型識別位置之設備 | |
TWI750514B (zh) | 電子束檢測設備、用於對準一晶圓影像與一參考影像之方法及相關之非暫時性電腦可讀媒體 | |
US20240069450A1 (en) | Training machine learning models based on partial datasets for defect location identification | |
CN109643106B (zh) | 用于提高半导体制造产率的方法 | |
TWI758820B (zh) | 在多重帶電粒子束檢測中之串擾消除 | |
US20230117237A1 (en) | Contour extraction method from inspection image in multiple charged-particle beam inspection | |
US20240212131A1 (en) | Improved charged particle image inspection | |
TWI833505B (zh) | 用於多層結構之基於層的影像偵測及處理 | |
TWI814571B (zh) | 用於轉換度量衡資料之方法 | |
US20230162944A1 (en) | Image enhancement based on charge accumulation reduction in charged-particle beam inspection | |
US20240183806A1 (en) | System and method for determining local focus points during inspection in a charged particle system | |
US20200286710A1 (en) | Dynamic determination of a sample inspection recipe of charged particle beam inspection | |
TW202422240A (zh) | 用於多層結構之基於層的影像偵測及處理 | |
TW202142863A (zh) | 處理用於晶圓檢測之參考資料 | |
WO2024022843A1 (en) | Training a model to generate predictive data | |
JP2024519662A (ja) | フーリエ変換ベースレイアウトパターンの階層的クラスタ化 |