TWI844784B - 偵測缺陷之系統、非暫時性電腦可讀媒體、及偵測缺陷之電腦實施方法 - Google Patents
偵測缺陷之系統、非暫時性電腦可讀媒體、及偵測缺陷之電腦實施方法 Download PDFInfo
- Publication number
- TWI844784B TWI844784B TW110124909A TW110124909A TWI844784B TW I844784 B TWI844784 B TW I844784B TW 110124909 A TW110124909 A TW 110124909A TW 110124909 A TW110124909 A TW 110124909A TW I844784 B TWI844784 B TW I844784B
- Authority
- TW
- Taiwan
- Prior art keywords
- design data
- sample
- image
- simulated
- data image
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013461 design Methods 0.000 claims abstract description 219
- 238000003384 imaging method Methods 0.000 claims abstract description 164
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 87
- 230000003287 optical effect Effects 0.000 claims description 45
- 238000010894 electron beam technology Methods 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 12
- 238000000059 patterning Methods 0.000 claims 1
- 238000005286 illumination Methods 0.000 description 45
- 239000004065 semiconductor Substances 0.000 description 26
- 238000007689 inspection Methods 0.000 description 25
- 238000013135 deep learning Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 17
- 230000002950 deficient Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000012552 review Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 8
- 238000001878 scanning electron micrograph Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010884 ion-beam technique Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 2
- 238000001433 helium-ion microscopy Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013519 translation Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本發明提供用於偵測一樣本上之缺陷之方法及系統。一個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(等)組件包含經組態用於針對一樣本上之一位置自由一高解析度成像系統在該位置處產生之一高解析度影像產生一灰階模擬設計資料影像之一深度學習模型。該(等)電腦系統經組態用於自該灰階模擬設計資料影像產生該位置之一模擬二進制設計資料影像。該(等)電腦系統亦經組態用於藉由自該模擬二進制設計資料影像減去該位置之設計資料來偵測該樣本上該位置處之缺陷。
Description
本發明大體上係關於用於偵測一樣本上之缺陷之方法及系統。
藉由其等包含於本章節中,因此不承認以下描述及實例係先前技術。
製造半導體裝置(諸如邏輯及記憶體裝置)通常包含使用大量半導體製程來處理一基板(諸如一半導體晶圓)以形成半導體裝置之各種特徵及多層級。例如,光微影係一半導體製程,其涉及將來自一光罩之一圖案轉譯成配置於一半導體晶圓上之一光阻劑。半導體製程之額外實例包含(但不限於)化學機械拋光(CMP)、蝕刻、沈積及離子植入。多個半導體裝置可在一單一半導體晶圓上之一配置中製造且接著分離成個別半導體裝置。
在一半導體製程中之各個步驟處使用檢測程序來偵測晶圓上之缺陷以提高製程中之產量且因此提高利潤。檢測一直係製造半導體裝置之一重要部分。然而,隨著半導體裝置尺寸之減小,檢測對於成功製造可接受半導體裝置變得更重要,因為較小缺陷可導致裝置失效。
檢測結果通常使用掃描電子顯微鏡(SEM)影像審查用於缺
陷分類。此操作之關鍵步驟之一者係SEM影像內之缺陷偵測。用於偵測SEM審查影像中之缺陷之當前使用之方法使用SEM影像本身及可行一參考SEM影像。當使用機器學習演算法時,亦可包含設計影像以增強偵測並提高效能。歸因於諸如影像雜訊及缺陷圖案相對於正常圖案之微妙性之因數,缺陷偵測通常很困難。因此,當前使用之方法之一個缺點包含由可導致缺失缺陷或誤報影像雜訊及圖案雜訊引起之問題。SEM參考影像減法可協助,但以額外掃描時間之一成本為代價。
據此,開發不具有上文所描述之缺點之一或多者之用於偵測一樣本上之缺陷之系統及方法將係有利的。
各種實施例之以下描述不應依任何方式解釋為限制隨附技術方案之標的物。
一個實施例係關於一種經組態以偵測一樣本上之缺陷之系統。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經組態用於針對一樣本上之一位置自在該位置處產生之一高解析度影像產生一灰階模擬設計資料影像之一深度學習模型,且該高解析度影像係由一高解析度成像系統在該位置處產生。該一或多個電腦系統經組態用於自該灰階模擬設計資料影像產生該位置之一模擬二進制設計資料影像。該一或多個電腦系統亦經組態用於藉由自該模擬二進制設計資料影像減去該位置之設計資料來偵測該樣本上該位置處之缺陷。該系統可進一步如本文中所描述組態。
另一實施例係關於一種用於偵測一樣本上之缺陷之電腦實施方法。該方法包含:對於一樣本上之一位置,自在該位置處產生之一高
解析度影像產生一灰階模擬設計資料影像。該高解析度影像係由一高解析度成像系統在該位置處產生。產生該灰階模擬設計資料影像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深度學習模型執行。該方法亦包含:自該灰階模擬設計資料影像產生該位置之一模擬二進制設計資料影像。另外,該方法包含:藉由自該模擬二進制設計資料影像減去該位置之設計資料來偵測該樣本上該位置處之缺陷。產生該模擬二進制設計資料影像及偵測該等缺陷係由該一或多個電腦系統執行。
上文所描述之方法之步驟之各者可進一步如本文中所描述執行。另外,上文所描述之方法之實施例可包含本文中所描述之任何其他方法之任何其他步驟。上文所描述之方法可由本文中所描述之系統之任何者執行。
另一實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體,該等程式指令可在一或多個電腦系統上執行用於執行用於偵測一樣本上之缺陷之一電腦實施方法。該電腦實施方法包含上文所描述之方法之步驟。該電腦可讀媒體可進一步如本文中所描述組態。該電腦實施方法之該等步驟可如本文中進一步所描述執行。另外,可執行該等程式指令之該電腦實施方法可包含本文中所描述之任何其他方法之任何其他步驟。
10:工具
12:樣本
14:光源
16:光學元件
18:分束器
20:透鏡
22:載物台
24:分束器
26:元件
28:偵測器
30:光學元件
32:偵測器
36:電腦子系統
38:光源
40:光學元件
42:分束器
44:透鏡
46:光學元件
48:偵測器
100:組件
102:電腦子系統
104:深度學習(DL)模型
108:半導體製造系統
122:電子柱
124:電腦子系統
126:電子束源
128:樣本
130:元件
132:元件
134:偵測器
200:輸入影像
202:GAN產生器
204:假影像
206:鑑別器
208:假結果
210:真影像
212:真結果
300:輸入影像x
302:層
304:層
306:瓶頸層
308:層
310:層
312:輸出影像y
314:鏡像層
316:鏡像層
400:高解析度影像
402:灰階模擬設計資料影像
404:二值化步驟
406:模擬二進制設計資料影像
408:區域
410:設計資料
412:減法步驟
414:差值影像
416:對應區域
500:非暫時性電腦可讀媒體
502:程式指令
504:電腦系統
熟習技術者將藉由較佳實施例之以下詳細描述之優點且在參考附圖後明白本發明之進一步優點,其中:圖1及圖1a係繪示如本文中所描述配置之一系統之實施例之側視圖之示意圖;圖2及圖3係繪示可包含於本文中所之系統中之一深度學習
模型之實施例之方塊圖;圖4係繪示可由本文中所描述之實施例執行之步驟之一流程圖;及圖5係繪示儲存程式指令用於使電腦系統執行本文中所描述之一電腦實施方法之一非暫時性電腦可讀媒體之一個實施例之一方塊圖。
儘管本發明易受各種修改及替代形式影響,但其特定實施例以實例方式在圖式中展示且在本文中詳細描述。圖式可不按比例繪製。然而,應瞭解圖式及其詳細描述不意欲將本發明限於所揭示之特定形式,但相反,本發明涵蓋落入如藉由隨附申請專利範圍所界定之本發明之精神及範疇內之所有修改、等效物及替代方式。
如本文中可互換使用之術語「設計」、「設計資料」及「設計資訊」通常係指一IC或其他半導體裝置之實體設計(佈局)及通過複雜模擬或簡單幾何形狀及布林(Boolean)運算自實體設計導出之資料。另外,由一光罩檢測系統獲取之一光罩之一影像及/或其之衍生物可用作為用於該設計之一「代理」或「若干代理」。此一光罩影像或其之一衍生物可充當本文中所描述之任何實施例中的設計佈局之使用一設計的一替代。該設計可包含在2009年8月4日授予Zafar等人之共同擁有之美國專利第7,570,796號及2010年3月9日授予Kulkarni等人之第7,676,077號中所描述之任何其他設計資料或設計資料代理,該兩案之內容以引用的方式併入,如在本文中完全闡述。另外,設計資料可為標準單元庫資料、整合佈局資料、一或多層之設計資料、設計資料之衍生物及全部或部分晶片設計資
料。
另外,本文中所描述之「設計」、「設計資料」及「設計資訊」係指由半導體裝置設計者在一設計程序中產生之資訊及資料且因此可提前在任何實體樣本(諸如光罩及晶圓)上印刷設計很好地用於本文中所描述之實施例中。
「滋擾」(其有時可與「滋擾缺陷」互換使用),因為本文中使用之該術語通常經界定為一使用者不關心之缺陷及/或在一樣本上偵測但並非樣本上之真正實際缺陷之事件。歸因於樣本上之非缺陷雜訊源(例如,樣本上金屬線中之顆粒、來自樣本上底層或材料之信號、線邊緣粗糙度(LER)、圖案化特徵中之相對較小臨界尺寸(CD)變化、厚度變化等等)及/或歸因於成像系統本身或其用於成像之組態之邊緣性實際上並非缺陷之幹擾可經偵測為事件。
如本文中所使用之術語「感興趣之缺陷(DOI)」可界定為在一樣本上偵測之缺陷且實際上係樣本上之實際缺陷。因此,DOI係一使用者感興趣,因為使用者通常關心被檢測之樣本上有多少及什麼種類之實際缺陷。在一些上下文中,術語「DOI」用於指樣本上所有實際缺陷之一子集,其僅包含一使用者關心之實際缺陷。例如,在任何給定樣本上可能有多種類型之DOI,且一使用者可能對DOI之一或多者比一或多種其他類型更感興趣。然而,在本文中所描述之實施例之上下文中,術語「DOI」用於指一樣本上之任何及所有真實缺陷。
現轉至圖式,應注意圖不按比例繪製。特定言之,圖之一些元件之比例非常誇大以強調元件之特性。亦應注意圖未按相同比例繪製。可相似地組態之一個以上圖中展示之元件已使用相同元件符號指示。
除非本文中另有規定,否則所描述及展示之元件之任一者可包含任何適合可購得元件。
一個實施例係關於一種經組態以在一樣本上偵測缺陷之系統。在一些實施例中,樣本係一晶圓。晶圓可包含半導體技術中已知之任何晶圓。儘管本文中可關於一或多個晶片描述一些實施例,但實施例不限於其等可用於之樣本。例如,本文中所描述之實施例可用於諸如光罩、平板、個人電腦(PC)板及其他半導體樣本之樣本。
此一系統之一個實施例展示於圖1中。系統包含一或多個電腦子系統(例如電腦子系統36及102)及由一或多個電腦子系統執行之一或多個組件100。一或多個組件包含深度學習(DL)模型104,其如本文中進一步描述組態。在圖1中所展示之實施例中,系統包含工具10,其可包含一高解析度成像子系統及/或一低解析度成像子系統。在一些實施例中,工具經組態為一光學(基於光之)檢測工具。然而,工具可經組態為本文中進一步所描述之另一類型之檢測或其他成像工具。
如本文中所使用,術語「低解析度」通常界定為無法解析樣本上之所有圖案化特徵之一解析度。例如,若樣本上之一些圖案化特徵之大小足夠大以使其可解析,則可以一「低」解析度解析。然而,如本文中所使用之術語「低解析度」係指不使本文中所描述之樣本上之所有圖案化特徵可解析之一解析度。依此方式,如本文中所使用之術語之一「低解析度」不能用於產生關於樣本上之圖案化特徵之資訊,該資訊足以用於應用(諸如缺陷審查),其可包含缺陷分類及/或驗證,及計量學。另外,如本文中所使用之彼等術語之一「低解析度」成像系統、子系統、工具等等通常係指具有一相對較低解析度(例如,低於缺陷檢查及/或計量系統)之一成
像系統、子系統、工具等等以具有相對較快輸送量。依此方式,一「低解析度影像」通常亦可指稱一高輸送量或HT影像。可針對一低解析度組態不同種類之成像系統。例如,為了以較高輸送量產生影像,一掃描電子顯微鏡(SEM)之e/p及圖框數可低於其能夠達到之最高解析度,藉此導致較低品質SEM影像。
「低解析度」亦可為「低解析度」,因為其低於本文中所描述之一「高解析度」。如本文中所使用之術語一「高解析度」通常可界定為可以相對較高準確度解析樣本之所有圖案化特徵之一解析度。依此方式,樣本上之所有圖案化特徵可以高解析度解析,而不管其等大小。因而,如本文中所使用之術語一「高解析度」可用於產生關於樣本之圖案化特徵之資訊,該資訊足以用於諸如缺陷審查之應用中,其可包含缺陷分類及/或驗證,及計量學。另外,如本文中所使用之術語一「高解析度」係指在常規操作期間檢測系統通常不使用之一解析度,其經組態以犧牲解析度能力以增加輸送量。一「高解析度影像」在本技術中亦可指稱一「高靈敏度影像」,其係一「高品質影像」之另一術語。可為一高解析度組態不同種類之成像系統。例如,為了產生高品質影像,可增加一SEM之e/p、圖框等等,其產生高品質SEM影像,但大大降低輸送量。接著,此等影像係「高靈敏度」影像,因為其等可用於高靈敏度缺陷偵測。
高及/或低解析度成像子系統至少包含一能量源及一偵測器。能量源經組態以產生經引導至一樣本之能量。偵測器經組態以偵測來自樣本之能量且回應於所偵測之能量產生輸出(例如影像)。高及/或低解析度成像子系統之各種組態在本文中進一步描述。
一般而言,高解析度成像子系統及低解析度成像子系統可
共用工具之一些影像形成元件或不共用工具之影像形成元件。例如,高解析度成像子系統及低解析度成像子系統可共用相同能量源及偵測器,且可取決於高解析度成像子系統或低解析度成像子系統正在產生樣本之影像改變能量源、偵測器及/或工具之其他影像形成元件之一或多個參數。在另一實例中,高解析度成像子系統及低解析度成像子系統可共用工具之一些影像形成元件(諸如能源)且可具有其他非共用影像形成元件(諸如單獨偵測器)。在一進一步實例中,高解析度成像子系統及低解析度成像子系統可不共用共同影像形成元件。在此一實例中,高解析度成像子系統及低解析度成像子系統可各具有其等自身能量源、偵測器及未由其他成像子系統使用或共用之任何其他影像形成元件。
在圖1中所展示之系統之實施例中,高解析度成像子系統包含經組態以將光引導至樣本12之一照明子系統。照明子系統包含至少一個光源。例如,如圖1中所展示,照明子系統包含光源14。照明子系統經組態以以一或多個入射角將光引導至樣本,該入射角可包含一或多個斜角及/或一或多個法線角。例如,如圖1中所展示,來自光源14之光透過光學元件16引導至分束器18。分束器18將來自光學元件16之光引導至透鏡20,透鏡20將光以一法線入射角聚焦至樣本12。入射角可包含任何合適入射角,其可取決於(例如)樣本之特性變化。
照明子系統可經組態以在不同時間以不同入射角將光引導至樣本。例如,工具可經組態以改變照明子系統之一或多個元件之一或多個特性,使得光可以不同於圖1中所展示之一入射角之一入射角引導至樣本。在此一實例中,工具可經組態以使用一或多個孔(未展示)來控制光自透鏡20引導至樣本之角度。
在一個實施例中,光源14可包含一寬頻光源,諸如一寬頻電漿(BBP)光源。依此方式,由光源產生且引導至樣本之光可包含寬頻光。然而,光源可包含任何其他合適光源,諸如一雷射,其可包含本技術已知之任何合適雷射且可經組態以產生本技術已知之任何合適波長之光。另外,雷射可經組態以產生單色或接近單色之光。依此方式,雷射可為一窄帶雷射。光源亦可包含產生多個離散波長或波段之光之一多色光源。
來自分束器18之光可由透鏡20聚焦至樣本12上。儘管透鏡20在圖1中展示為一單一折射光學元件,但應理解,實際上,透鏡20可包含組合將光聚焦至樣本之數個折射及/或反射光學元件。高解析度成像子系統之照明子系統可包含任何其他合適光學元件(未展示)。此等光學元件之實例包含(但不限於)偏振組件、光譜濾波器、空間濾波器、反射光學元件、變跡器、分束器、孔及其類似者,其可包含本技術已知之任何此等合適光學元件。另外,工具可經組態以基於用於成像之照明之類型來改變照明子系統之元件之一或多者。
儘管高解析度成像子系統在上文經描述為在其照明子系統中包含一個光源及一個照明通道,但照明子系統可包含一個以上照明通道,照明通道之一者可包含如圖1中所展示之光源14、光學元件16及透鏡20且照明通道之另一者(未展示)可包含類似元件,該等元件可不同地或相同地組態,或可包含至少一光源及可行一或多個其他組件,諸如在本文中進一步描述之組件。若來自不同照明通道之光同時引導至樣本,則由不同照明通道引導至樣本之光之一或多個特性(例如,波長、偏振等等)可不同,使得由不同照明通道對樣本之照明所致之光可在偵測器處彼此區分。
在另一例項中,照明子系統可僅包含一個光源(例如,圖1
中所展示之光源14)且來自光源之光可由照明子系統之一或多個光學元件(未展示)分離至不同路徑中(例如,基於波長、偏振等等)。接著可將不同路徑之各者中之光引導至樣本。多個照明通道可經組態以同時或不同時(例如,當不同照明通道用於循序照明樣本時)將光引導至樣本。在另一例項中,相同照明通道可經組態以不同時將光引導至具有不同特性之樣本。例如,在一些例項中,光學元件16可經組態為一光譜濾波器且可依多種不同方式改變光譜濾波器之性質(例如,藉由更換光譜濾波器),使得不同波長之光可不同時引導至樣本。照明子系統可具有本技術已知之用於將具有不同或相同特性之光以不同或相同入射角循序或同時引導至樣本之任何其他合適組態。
工具亦可包含經組態以使光在樣本上方掃描之一掃描子系統。例如,工具可包含在成像期間樣本12安置於其上之載物台22。掃描子系統可包含任何合適機械及/或機器人總成(其包含載物台22),其可經組態以移動樣本,使得光可在樣本上方掃描。另外或替代地,工具可組態成使得高解析度成像子系統之一或多個光學元件在樣本上方執行光之一些掃描。光可依任何合適方式(諸如以一蛇形路徑或以一螺旋路徑)在樣本上方掃描。
高解析度成像子系統進一步包含一或多個偵測通道。一或多個偵測通道之至少一者包含一偵測器,該偵測器經組態以偵測歸因於由照明子系統對樣本之照明而來自樣本之光且回應於所偵測之光產生輸出。例如,圖1中所展示之高解析度成像子系統包含由透鏡20、元件26及偵測器28形成之一偵測通道。儘管高解析度成像子系統在本文中描述為包含用於照明及收集/偵測兩者之一共同透鏡,照明子系統及偵測通道可包含單
獨透鏡(未展示)用於在照明之情況下聚焦及在偵測之情況下收集。偵測通道可經組態以以不同收集角度收集及偵測光。例如,可使用定位於來自樣本之光之一路徑中之一或多個孔(未展示)來選擇及/或改變由偵測通道收集及偵測之光之角度。由高解析度成像子系統之偵測通道偵測之來自樣本之光可包含鏡面反射光及/或散射光。依此方式,圖1中所展示之高解析度成像子系統可經組態用於暗場(DF)及/或明場(BF)成像。
元件26可為一光譜濾波器、一孔或可用於控制由偵測器28偵測之光之任何其他合適元件或元件之組合。偵測器28可包含本技術已知之任何合適偵測器,諸如光電倍增管(PMT)、電荷耦合裝置(CCD)及延時積分(TDI)相機。偵測器亦可包含一非成像偵測器或成像偵測器。若偵測器係一非成像偵測器,則偵測器可經組態以偵測光之特定特性(諸如強度),但可不經組態以偵測此等特性作為成像平面內之位置之一函數。因而,由偵測器產生之輸出可為信號或資料,而非影像信號或影像資料。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本之影像。然而,偵測器可經組態為經組態以產生成像信號或影像資料之一成像偵測器。因此,高解析度成像子系統可經組態以依多種方式產生本文中所描述之影像。
高解析度成像子系統亦可包含另一偵測通道。例如,由透鏡20收集之來自樣本之光可引導透過分束器18至分束器24,分束器24可將光之一部分傳輸至光學元件26且將光之另一部分反射至光學元件30。光學元件30可為一光譜濾波器、一孔或可用於控制由偵測器32偵測之光之任何其他合適元件或元件之組合。偵測器32可包含上文所描述之偵測器之任何者。高解析度成像子系統之不同偵測通道可經組態以產生樣本之不
同影像(例如,用具有不同特性之光產生之樣本之影像,諸如偏振、波長等等或其一些組合)。
在一不同實施例中,由透鏡20、光學元件30及偵測器32形成之偵測通道可為工具之低解析度成像子系統之部分。在此情況下,低解析度成像子系統可包含相同於上文詳細描述之高解析度成像子系統之照明子系統(例如,包含光源14、光學元件16及透鏡20之照明子系統)。因此,高解析度成像子系統及低解析度成像子系統可共用一共同照明子系統。然而,高解析度成像子系統及低解析度成像子系統可包含不同偵測通道,其等之各者經組態以偵測歸因於共用照明子系統之照明而來自樣本之光。依此方式,高解析度偵測通道可包含透鏡20、光學元件26及偵測器28,且低解析度偵測通道可包含透鏡20、光學元件30及偵測器32。依此方式,高解析度偵測通道及低解析度偵測通道可共用一共同光學元件(透鏡20)但亦具有非共用光學元件。
高解析度成像子系統及低解析度成像子系統之偵測通道可經組態以分別產生高解析度樣本影像及低解析度樣本影像,即使其等共用一照明子系統。例如,光學元件26及30可為分別控制由偵測器28及32偵測之光之部分之經不同組態之孔及/或光譜濾波器以藉此分別控制由偵測器28及32產生之影像之解析度。在一不同之實例中,高解析度成像子系統之偵測器28可經選擇以具有高於偵測器32之一解析度。偵測通道可依任何其他合適方式組態以具有不同解析度能力。
在另一實施例中,高解析度成像子系統及低解析度成像子系統可共用所有相同影像形成元件。例如,高解析度成像子系統及低解析度成像子系統兩者可共用由光源14、光學元件16及透鏡20形成之照明子
系統。高解析度成像子系統及低解析度成像子系統亦可共用相同偵測通道(例如,一者由透鏡20、光學元件26及偵測器28形成及/或另一者由透鏡20、光學元件30及偵測器32形成)。在此一實施例中,可取決於針對樣本產生高解析度影像或低解析度影像來改變此等影像形成元件之任何者之一或多個參數或特性。例如,透鏡20之一數值孔徑(NA)可取決於針對樣本形成高解析度影像或低解析度影像而改變。
在一進一步實施例中,高解析度成像子系統及低解析度成像子系統可不共用任何影像形成元件。例如,高解析度成像子系統可包含上文所描述之影像形成元件,該等影像形成元件可不由低解析度成像子系統共用。代替地,低解析度成像子系統可包含其自身照明及偵測子系統。在此一實例中,如圖1中所展示,低解析度成像子系統可包含包含光源38、光學元件40及透鏡44之一照明子系統。來自光源38之光穿過光學元件40且由分束器42反射至透鏡44,透鏡44將光引導至樣本12。此等影像形成元件之各者可如上文所描述組態。低解析度成像子系統之照明子系統可進一步如本文中所描述組態。樣本12可安置於載物台22上,該載物台可如上文所描述經組態以在成像期間引起光在樣本上方掃描。依此方式,即使高解析度成像子系統及低解析度成像子系統不共用任何影像形成元件,其等亦可共用工具之其他元件,諸如載物台、掃描子系統、電源(未展示)、外殼(未展示)等等。
低解析度成像子系統亦可包含由透鏡44、光學元件46及偵測器48形成之一偵測通道。歸因於由照明子系統之照明而來自樣本之光可由透鏡44收集且經引導通過分束器42,分束器42將光傳輸至光學元件46。穿過光學元件46之光接著由偵測器48偵測。此等影像形成元件之各
者可進一步如上文所描述組態。低解析度成像子系統之偵測通道及/或偵測子系統可進一步如本文中所描述組態。
應注意,本文提供圖1以大體上繪示可包含於工具中或可產生由本文中所描述之系統或方法使用之影像之高解析度成像子系統及低解析度成像子系統之組態。可改變本文中所描述之高解析度成像子系統及低解析度成像子系統之組態以最佳化高解析度成像子系統及低解析度成像子系統之效能,如在設計一商業工具時通常執行般。另外,本文中所描述之系統可使用一現有系統(例如,藉由將本文中所描述之功能添加至一現有系統)來實施,諸如可自加利福尼亞州(Calif)米爾皮塔斯(Milpitas)之KLA購得之Altair及29xx/39xx系列工具。對於一些此等系統,本文中所描述之實施例可作為系統之可選功能提供(例如,除系統之其他功能之外)。替代地,本文中所描述之工具可「從頭開始」設計以提供一全新檢測或其他工具。
系統亦包含一或多個電腦子系統,其經組態用於獲取由高解析度成像子系統及低解析度成像子系統產生之樣本之影像。例如,電腦子系統36可依任何合適方式(例如,經由一或多種傳輸媒體,其可包含「有線」及/或「無線」傳輸媒體)耦合至工具之偵測器,使得電腦子系統可接收由偵測器為樣本產生之輸出或影像。電腦子系統36可經組態以使用由偵測器產生之輸出或影像來執行本文中進一步所描述之數個功能。
圖1中所展示之電腦子系統(以及本文中所描述之其他電腦子系統)在本文中亦可指稱電腦系統。本文中所描述之電腦子系統或系統之各者可採用各種形式,包含一個人電腦系統、影像電腦、大型電腦系統、工作站、網路設備、網際網路設備或其他裝置。一般而言,術語「電
腦系統」可廣義地界定為涵蓋具有一或多個處理器之任何裝置,其執行來自一儲存媒體之指令。電腦子系統或系統亦可包含本技術已知之任何合適處理器,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處理及軟體之一電腦載物台,作為一獨立或一聯網工具。
若系統包含一個以上電腦子系統,則不同電腦子系統可彼此耦合,使得可在電腦子系統之間發送影像、資料、資訊、指令等等。例如,電腦子系統36可由任何合適傳輸媒體耦合至電腦子系統102,如由圖1中之虛線所展示,該傳輸媒體可包含本技術已知之任何合適有線及/或無線傳輸媒體。兩個或兩個以上此等電腦子系統亦可由一共用電腦可讀儲存媒體(未展示)有效地耦合。
儘管高解析度成像子系統及低解析度成像子系統在上文經描述為光學或基於光之成像子系統,但高解析度成像子系統及低解析度成像子系統亦可或替代地包含經組態以產生樣本之電子束影像之電子束成像子系統。在此一實施例中,高解析度成像系統經組態為一電子束成像系統。電子束成像系統可經組態以將電子引導至樣本或掃描樣本上方之電子且偵測來自樣本之電子。在圖1a中所展示之此一實施例中,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,其經組態以產生由一或多個元件130聚焦至樣本128之電子。電子束源可包含(例如)一陰極源或一發射器尖端,且一或多個元件130可包含(例如)一槍透鏡、一陽極、一光束限制孔、一閘閥、一光束電流選擇孔、一物鏡及一掃描子系統,所有其等可包含本技術已知之任何此等合適元件。
自樣本返回之電子(例如二次電子)可由一或多個元件132聚
焦至偵測器134。一或多個元件132可包含(例如)一掃描子系統,其可為包含於元件130中之相同掃描子系統。
電子柱可包含本技術已知之任何其他合適元件。另外,電子柱可進一步如2014年4月4日授予Jiang等人之美國專利案第8,664,594號、2014年4月8日授予Kojima等人之美國專利案第8,692,204號、2014年4月15日授予Gubbens等人之美國專利案第8,698,093號及2014年5月6日授予MacDonald等人之美國專利案第8,716,662號中所描述組態,該等案以引用的方式併入,如在本文中完全闡述。
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引導至樣本且以另一傾斜角自樣本返回,但應理解,電子束可以任何合適角度引導至樣本及自樣本偵測。另外,電子束成像系統可經組態以使用多種模式來產生如本文中進一步所描述之樣本之影像(例如,具有不同照明角度、收集角度等等)。電子束成像系統之多種模式可在任何影像產生參數上不同。圖1a中所展示之電子柱亦可經組態以依本技術已知之任何合適方式(例如,藉由改變包含於電子柱中之一或多個元件之一或多個參數或特性,使得可為樣本產生高解析度影像或低解析度影像)用作高解析度成像子系統及低解析度成像子系統。
如上文所描述,電腦子系統124可耦合至偵測器134。偵測器可偵測自樣本之表面返回之電子,藉此形成樣本之電子束影像。電子束影像可包含任何合適電子束影像。電腦子系統124可經組態以使用由偵測器134產生之輸出為樣本執行本文中進一步所描述之一或多個功能。包含圖1a中所展示之電子束成像系統之一系統可進一步如本文中所描述組態。
應注意,本文提供圖1a以大體上繪示可包含於本文中所描
述之實施例中之一電子束成像系統之一組態。與上文所描述之光學成像子系統一樣,本文中所描述之電子束成像系統組態可改變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執行般。另外,本文中所描述之系統可使用一現有系統(例如,藉由將本文中所描述之功能添加至一現有系統中)(諸如可自KLA商業購得之工具)來實施。對於一些此等系統,本文中所描述之實施例可作為系統之可選功能提供(例如,除系統之其他功能之外)。替代地,本文中所描述之系統可「從頭開始」設計以提供一全新系統。
儘管成像系統在上文經描述為光或電子束成像系統,但成像系統可為離子束成像系統。此一成像系統可如圖1a中所展示組態,除了電子束源可用本技術已知之任何合適離子束源代替。另外,成像系統可為任何其他合適基於離子束之成像系統,諸如包含於商業購得之聚焦離子束(FIB)系統、氦離子顯微術(HIM)系統及二次離子質譜(SIMS)系統中之彼等。
儘管成像系統在上文經描述為包含基於光學、電子束或帶電粒子束之高解析度成像子系統及低解析度成像子系統,但高解析度成像系統及低解析度成像系統並不一定必須使用相同類型之能量。例如,高解析度成像系統可為一電子束型成像系統,而低解析度成像系統可為一基於光之光學型成像系統。可依本技術已知之任何合適方式將使用不同類型之能量之成像系統組合成一單一工具。
如上文所提及,成像系統可經組態用於將能量(例如,光、電子)引導至樣本之一實體版本及/或在樣本之一實體版本上方掃描能量,藉此為樣本之實體版本產生實際影像。依此方式,成像系統可經組態為
「實際」成像系統,而非「虛擬」系統。然而,圖1中所展示之一儲存媒體(未展示)及電腦子系統102可經組態為一「虛擬」系統。經組態為「虛擬」檢測系統之系統及方法描述於2012年2月28日授予Bhaskar等人之共同轉讓美國專利案第8,126,255號及2015年12月29日授予Duffy等人之第9,222,895號中,該兩案以引用的方式併入,如在本文中完全闡述。本文中所描述之實施例可進一步如此等專利中所描述組態。
如上文進一步提及,成像系統可經組態以以多種模式產生樣本之影像。一般而言,一「模式」可由用於產生一樣本之影像之一成像系統之參數值或用於產生樣本之影像之輸出界定。因此,不同之模式可在成像系統之成像參數之至少一者之值上不同。例如,在一光學成像系統中,不同模式可使用不同波長之光用於照明。對於不同模式,如本文中進一步描述之(例如,藉由使用不同光源、不同光譜濾波器等等),模式在照明波長上可不同。高解析度成像系統及低解析度成像系統兩者可能夠為具有不同模式之樣本產生輸出或影像。
一般而言,如本文中進一步所描述,實施例可經組態用於使用自高解析度影像(例如SEM審查影像)產生之模擬設計資料影像(例如資料庫影像)及來自一檢測(例如,來自一光學檢測員)之缺陷資訊來缺陷偵測。深度學習(DL)模型經組態用於針對一樣本上之一位置,自在該位置處產生之一高解析度影像產生一灰階模擬設計資料影像。該高解析度影像係由一高解析度成像系統在該位置處產生。依此方式,本文中所描述之實施例經組態用於影像至影像變換以直接自一有缺陷高解析度影像(例如一有缺陷SEM影像)演現一模擬設計或資料庫影像。
在一些實施例中,該位置選自樣本上先前在其處偵測一或
多個缺陷之位置。例如,本文中所描述之實施例可用於缺陷審查,其中可使用由一缺陷審查系統產生之高解析度影像實際重新偵測(而非簡單地偵測)先前在一樣本上偵測之缺陷。特定言之,術語「檢測」通常係指其中掃描一樣本上之一區域以搜索可存在但在檢測之前未詢問其存在或不存在之任何缺陷之程序。因此,檢測不基於關於先前在經檢測樣本層上偵測之任何缺陷之任何資訊執行。相比之下,「缺陷審查」作為本技術中通常使用之術語係指其中重新訪問一樣本上已偵測缺陷之離散位置以收集更多資訊(例如一更高解析度影像)之程序,使得可驗證缺陷之存在且使得額外資訊可用於判定關於缺陷之額外資訊,若經重新偵測,諸如缺陷類型、缺陷特性等等。由於可針對兩種缺陷偵測執行本文中所描述之實施例(針對先前未執行檢測之一位置)或重新偵測(針對先前偵測一缺陷之一位置),將偵測或重新偵測簡稱為偵測。
依此方式,本文中所描述之步驟可針對樣本上偵測到缺陷之一或多個位置(例如,藉由檢測、另一缺陷審查程序等等)單獨且獨立執行。然而,本文中所描述之步驟亦可或替代地執行之位置可為先前沒有偵測到缺陷及/或儘管已對樣本執行一檢測或因為尚未對樣本執行檢測缺陷之存在仍未知之位置。依此方式,本文中所描述之實施例可用於檢測型應用,其中檢查一樣本(一先前未檢測樣本)之至少一部分之缺陷及/或搜索具有其他未知缺陷之位置中之缺陷。在此等實施例中,用於本文中所描述之步驟之高解析度影像可為由一高解析度檢測系統(諸如經組態用於一樣本之高解析度檢測之一電子束系統或用於檢測之一高解析度模式中之另一系統)產生之高解析度影像。在任何情況下,儘管本文中關於位置描述一些步驟及/或實施例,但可針對樣本上之不同位置單及獨立執行本文中所描
述之步驟。
可依任何合適方式自所有缺陷位置選擇執行本文中所描述之步驟之位置。例如,可對偵測到缺陷之所有位置執行本文中所描述之步驟。然而,歸因於通常在一樣本上偵測到之缺陷之數目,此一方法可能不切實際。依此方式,執行本文中所描述之步驟之位置可選定為少於(且通常實質上少於)偵測到缺陷之所有位置。可依任何合適方式(例如,隨機地、基於缺陷之一或多個特性、基於缺陷位置、基於作為缺陷之特性之一函數的位置之一預定分佈、缺陷位置或藉由檢測判定之任何其他資訊)來選擇(即採樣)。本文中所描述之實施例可執行此類缺陷位置選擇。然而,本文中所描述之實施例可自選擇缺陷位置之另一方法或系統(諸如未包含於系統中之一檢測工具)接收選定缺陷位置。
執行本文中所描述之步驟之(該等)位置亦可由本文中所描述之實施例判定及/或自另一系統或方法接收。例如,樣本上偵測缺陷之位置(及可能為缺陷及/或位置產生之任何資訊)可由本文中所描述之實施例自判定位置之另一方法或系統(例如,藉由檢測或藉由為本文中所描述之實施例產生一採樣計劃)或其中位置已藉由另一方法或系統儲存之一儲存媒體獲得。然而,本文中所描述之實施例可判定位置(例如,若本文中所描述之實施例執行樣本之檢測藉此識別在樣本上偵測之缺陷之位置或若本文中所描述之實施例產生在其處執行本文中所描述之步驟之樣本上之(該等)位置之一採樣計劃)。
在此一實施例中,由一基於光之檢測系統在樣本上之位置處偵測一或多個缺陷。例如,執行本文中所描述之步驟之位置可為由一樣本之基於光之檢測偵測之缺陷之位置。本文中所描述之實施例可或可不經
組態以執行此檢測。例如,圖1中所展示及上文所描述之基於光之工具可用於一檢測模式(例如,使用低解析度成像子系統執行之一或多種模式)中,其中基於光之工具在樣本上方掃描光同時偵測來自樣本之光。圖1中所展示之電腦系統可使用回應於所偵測之光之輸出來偵測樣本上之缺陷。在此一實例中,電腦系統可將一缺陷偵測方法或演算法應用於輸出。在一合適缺陷偵測方法或演算法之最簡單版本中,可將輸出與一缺陷偵測臨限值進行比較。高於臨限值之輸出可經指定為缺陷(或潛在缺陷),且未高於臨限值之輸出可不經指定為缺陷。當然,電腦系統可使用由本文中所描述之工具之任何者產生之輸出依任何其他合適方式偵測晶圓上之缺陷。
在另一此實施例中,一或多個缺陷由高解析度成像系統在樣本上之位置處偵測。例如,高解析度成像系統可用於一檢測類應用,其中歸因於高解析度成像系統相較於通常用於檢測之系統之低得多之輸送量,因此檢測樣本上之缺陷區域小得多及/或檢測僅在樣本上之離散區域處執行。依此方式,高解析度成像系統可用於掃描其中缺陷率未知之區域及判定缺陷是否位於彼等區域中。依此方式,可在一高解析度成像模式下用一高解析度成像系統執行樣本之檢測。然而,如上文進一步所描述,本文中所描述之成像系統可經組態用於多種模式。例如,本文中所描述之光及電子束工具兩者能夠進行多模式成像,模式之一者可為一低解析度模式且另一模式可為一高解析度模式。依此方式,高解析度成像系統可使用低解析度模式對樣本執行一類似檢測功能且接著可使用高解析度模式來獲取本文中所描述之步驟將針對其執行之選定位置之高解析度影像。
在一些實施例中,高解析度成像系統經組態為一電子束成像系統。例如,一電子束成像系統(諸如圖1a中所展示及上文所描述)可產
生本文中所描述之步驟將針對其執行之樣本上之位置處的高解析度影像。
在一些實施例中,系統包含高解析度成像系統。例如,如圖1及圖1a中所展示,系統之一或多個電腦系統可耦合至包含於系統中之一高解析度成像系統。依此方式,本文中所描述之步驟可由電腦系統在工具上執行(例如,在一檢測程序中偵測樣本上之缺陷之檢測工具上及/或在一缺陷審查程序中重新偵測樣本上之缺陷之缺陷審查工具上)。然而,本文中所描述之一或多個電腦系統無需包含於包含一成像系統之一系統中。例如,本文中所描述之電腦系統可自產生影像之一高解析度成像系統或自一儲存媒體(諸如本文中進一步所描述)獲取選定位置之高解析度影像,其中高解析度成像系統儲存高解析度影像。依此方式,電腦系統可為不具有或需要具有樣本處理能力之一系統之部分。因而,電腦系統可經組態以依通常指稱「工具外」之一方式來執行本文中所描述之步驟,因為該等步驟不「在」一成像工具上執行。
DL模型可為具有基於用於訓練其之資料判定之一組權重之一深度神經網路。神經網路通常可界定為一計算方法,其基於一相對較大神經單元集合,鬆散模型化一生物大腦解決問題之方式,該方法具有由軸突連接之相對較大生物神經元集群。各神經單元與許多其他神經單元連接,且鏈接可強制或抑制其等對所連接之神經單元之啟動狀態之影響。此等系統係自學及訓練,而非明確程式化且在解決方案或特徵偵測難以用一傳統電腦程式表達之領域表現出色。
神經網路通常由多層組成,且信號路徑自前至後遍歷。多個層執行許多演算法或轉換。一般而言,層數並不重要且取決於用例。出於實用目的,一合適層數範圍係自2層至幾十層。現代神經網路項目通常
使用幾千至幾百萬個神經單元及數百萬個連接工作。神經網路之目標係依與人腦相同之方式解決問題,儘管若干神經網路抽象得多。
本文中所描述之DL模型屬於通常指稱機器學習(ML)之一類計算。ML通常可界定為一種類型之人工智慧(AI),其為電腦提供學習能力,而無需明確程式化。ML專注於電腦程式之開發,其可在接觸新資料時自學成長及改變。換言之,ML可經界定為電腦科學之子領域,其「賦予電腦學習之能力,而無需明確程式化。」ML探索可自資料學習及預測之演算法之研究及構建──此等演算法透過自樣本輸入構建一模型,藉由做出資料驅動之預測或決策來克服嚴格遵守靜態程式指令之問題。
本文中所描述之DL模型可進一步組態為「Introduction to Statistical Machine Learning」,Sugiyama,Morgan Kaufmann,2016年,534頁;「Discriminative,Generative,and Imitative Learning」,Jebara,麻省理工學院出版社,2002年,212頁;及「Principles of Data Mining(Adaptive Computation and Machine Learning)」Hand等人,麻省理工學院出版社,2001年,578頁中所描述;該等案以引用的方式併入,如在本文中完全闡述。本文中所描述之實施例可進一步組態為如此等參考文獻中所描述。
一般而言,「DL」(亦稱為深度結構化學習、分層學習或深度機器學習)係基於試圖模型化資料中之高級抽象之一組演算法之ML之一分支。在一簡單情況下,可存在兩組神經元:接收一輸入信號之一組及發送一輸出信號之另一組。當輸入層接收一輸入時,其將輸入之一修改版本傳遞至下一層。在一基於DL之模型中,輸入與輸出之間存在很多層(且該等層並非由神經元組成,但其可協助如此思考),允許演算法使用由多個
線性及非線性轉換組成之多個處理層。
在DL中,一觀察(例如一影像)可依許多方式表示,諸如每像素之一強度值向量,或依一更抽象方式表示為一組邊緣、特定形狀之區域等等。一些表示在簡化學習任務(例如,面部識別或面部表情識別)方面優於其他者。DL之承諾之一者係用有效演算法替換手工製作之特徵用於無監督或半監督之特徵學習及分層特徵提取。
在一個實施例中,DL模型經組態為一生成對抗網路。依此方式,本文中所描述之影像至影像轉換可由一生成對抗網路(generative adversarial network;GAN)執行。一「生成」模型通常可界定為具有概率性質之一模型。換言之,一「生成」模型並非執行前向模擬或基於規則之方法之一模型,且因而,生成一實際影像或輸出所涉及之程序之實體之一模型(針對其正產生一模擬影像)並非必需。代替地,如本文中進一步所描述,可基於一合適訓練資料集來學習產生模型(因為可學習其參數)。生成模型可經組態以具有一DL架構,其可包含執行數個演算法或轉換之多個層。
GAN最近在產生模擬現實影像方面取得成功。此等網路已經推廣至允許像素至像素映射,其中輸入影像經轉換成與輸入顯著不同之輸出影像。此等網路具有許多應用,包含自基元及著色之場景演現。GAN框架交替訓練兩個模型。產生器係一編碼器/解碼器網路,其經訓練以產生「假」影像,該等「假」影像無法由經交替饋送假影像及真影像用於分類之一鑑別器網路將其與「真」影像區分。鑑別器網路繼而經訓練以正確分類真實例及假實例。
該兩個對抗性目標繪示於圖2中。特定言之,圖2以輸入(x)
及真影像(y)繪示GAN產生器(G)及鑑別器(D)網路之訓練目標。例如,如圖2中所展示,輸入影像200可輸入至G 202,G 202可如本文中進一步所描述組態。在此一實例中,G可包含具有任何合適組態及配置之數個卷積層及其他層。G 202之輸出係假影像204,其與輸入影像200一起輸入至D 206。D 206亦可包含具有任何合適組態及配置之數個卷積層及其他層。依一類似方式,真影像210可與輸入影像200一起輸入至D 206。因而,不同影像元組(真,輸入)及(虛假,輸入)可在不同時間輸入至鑑別器。D接著學習在真影像與假影像之間進行分類。例如,當假影像及輸入影像輸入至鑑別器時,D學習產生分類:假208結果。另外,當真影像及輸入影像輸入至鑑別器時,D學習產生分類:真結果212。目標函數以以下等式表示,其中GAN產生器(G)嘗試使用假影像最小化此函數(最大鑑別器不確定性)及鑑別器(D)嘗試使用真影像及假影像(最小不確定性)最大化函數。
G *=argmin G max D L GAN (G,D)+λL L1(G),其中L GAN (G,D)=E x,y [logD(x,y)]+E x,z [(1-D(x,G(x,z)))]應注意,鑑別器之輸入以輸入影像x為條件,且z係一隨機變量。最後,亦教導產生器最小化假影像與真實(例如SEM)影像之間的L1距離。
鑑別器網路架構可為一標準卷積神經網路分類器。產生器網路可為使用旨在藉由旁通編碼器/解碼器瓶頸來保留輸出影像中之細節之跳躍連接之一U-Net架構。一U-Net架構之一個實施例展示於圖3中。如圖3中所展示,U-Net架構可包含在圖3中由層302及304一般展示之一編碼器堆疊及在圖3中由層308及310一般展示之一解碼器堆疊。儘管編碼器及解碼器堆疊在圖3中展示為包含2層,但編碼器及解碼器堆疊可包含任何合
適數目個層。輸入影像x 300輸入至層302,導致隱藏表示306(通常亦指稱瓶頸層)由層304或編碼器堆疊中之最後一層產生。隱藏表示輸入至層308或解碼器堆疊之第一層,導致層310或解碼器堆疊之最後一層產生輸出影像y 312。
此組態中之跳過連接使架構成為一U-Net架構。特定言之,該架構包含在編碼器及解碼器堆疊中之鏡像層之間的跳過連接。例如,在圖3中,層302與其鏡像層(圖3中示意性地展示為鏡像層314)之間存在一跳躍連接。另外,層304與其鏡像層(圖3中示意性地展示為鏡像層316)之間存在一跳躍連接。跳過連接經組態以將一個編碼器層處之所有通道與在解碼器堆疊中鏡像之編碼器層處之所有通道連接起來。依此方式,輸入與輸出之間共用之低級資訊可經由跳過連接直接跨網路穿梭。
本文中所描述之DL模型可進一步組態為Goodfellow等人之「Generative Adversarial Nets」,arXiv:1406.2661v1,2014年6月10日,第1至9頁及Isola等人之「Image-to-Image Translation with Conditional Adversarial Networks」,arXiv:1611.07004v2,2017年11月22日,17頁,該等案以引用的方式併入,如在本文中完全闡述。本文中所描述之實施例可進一步組態為如此等參考文獻中所描述。儘管在本文中所描述之一些實施例中,DL模型經描述為一GAN,但DL模型不限於GAN且可使用任何合適影像至影像變換來構建,諸如一獨立自動編碼器或一傳統基於模型之方法(例如,求解一轉換函數)。
本文中所描述之GAN執行反向功能。通常,GAN演現「假」(即模擬)高解析度,例如SEM,來自設計輸入之影像。使用設計剪輯(多個設計層之二元或多灰階)作為訓練資料及對應於設計剪輯之高解析
度影像作為訓練資料之標籤(即「地面實況」)執行訓練。接著,經訓練之GAN使用設計剪輯作為輸入執行一推理以輸出GAN「假」高解析度影像。相比之下,在本文中所描述之實施例中,GAN可為一個種類之「反向GAN」,其自高解析度影像輸入演現「假」設計影像。可使用參考高解析度影像(例如,無缺陷SEM影像)作為訓練資料執行一反向GAN之訓練,其中對應於參考高解析度影像之設計剪輯作為訓練資料之標籤。依此方式,可使用一組無缺陷高解析度影像及其對應設計影像作為地面實況標籤來訓練反向GAN。反向GAN訓練可依其他方式如本文中進一步所描述或依本技術已知之任何其他方式執行。經訓練之反向GAN接著可使用高解析度影像(例如,有缺陷高解析度影像)作為輸入來執行一推理以藉此輸出GAN「假」設計剪輯(例如,GAN「假」有缺陷設計剪輯)。依此方式,一旦針對一特定程序層級訓練反向GAN,則藉由在本文中所描述之位置處產生之高解析度影像上運行經訓練GAN來執行推理。反向GAN之輸出係輸入高解析度影像之一演現設計影像之一灰階版本。例如,如圖4中所展示,可將高解析度影像400輸入至一反向GAN(未展示於圖4中)以藉此產生灰階模擬設計資料影像402。
在一個實施例中,DL模型經組態以將高解析度影像中之一或多個缺陷之假影轉譯成灰階模擬設計資料影像。例如,DL模型未經訓練來嘗試使來自樣本之高解析度影像看起來像一無缺陷設計資料影像。代替地,儘管DL模型將來自樣本之高解析度影像轉譯成一灰階模擬設計資料影像(例如,藉由減少高解析度影像中之圓角,藉由減少相對較小線邊緣粗糙度等等),但灰階比例模擬設計資料影像將歸因於樣本上之任何缺陷而與一設計者最初創建之設計資料不同且出現在高解析度影像中。依此
方式,自一高解析度樣本影像(例如,一有缺陷SEM影像)產生之模擬資料庫影像將含有高解析度影像中之缺陷之假影(通常係設計影像中之缺失圖案或額外圖案)。此等假影繼而可用於偵測缺陷,如本文中進一步所描述,而非原始SEM或其他高解析度影像。因此,此等實施例之一個優點係大大降低影像複雜性(在模擬設計資料影像中與高解析度影像相比),產生一簡單得多之缺陷偵測演算法(當使用模擬設計資料影像代替高解析度影像執行缺陷偵測時)。
一或多個電腦系統經組態用於自灰階模擬設計資料影像產生該位置之一模擬二進制設計資料影像。例如,如圖4中所展示,電腦系統可對灰階模擬設計資料影像402執行二值化步驟404以藉此產生模擬二進制設計資料影像406。儘管在本文中進一步描述用於產生模擬二進制設計資料影像之一個特別合適方式,但電腦系統可依本技術已知之任何其他合適方式產生模擬二進制設計資料影像。
在一個實施例中,產生模擬二進制設計資料影像包含對灰階模擬設計資料影像臨限值化以將灰階模擬設計資料影像二值化且將灰階模擬設計資料影像中之圖案化特徵之標稱尺寸與樣本之設計資料中之圖案化特徵之標稱尺寸相匹配。例如,通常地面實況設計影像係二值或三值(取決於設計影像係僅用於樣本上之一層或樣本上之兩層),且由DL模型產生之演現灰階設計影像可具有對應於地面實況影像值之實質上大直方圖峰值。為了使用由DL模型產生之演現設計影像執行偵測,電腦系統可將演現設計影像臨限值化成對應於地面實況之二值或三值。在一些此等例項中,電腦系統可在灰階模擬設計資料影像中產生灰階值之一直方圖且接著對直方圖應用一臨限值以藉此對影像進行二值化。選擇臨限值以匹配設計
中特徵之圖案寬度(或其他尺寸)。依此方式,電腦系統可對模擬資料庫影像臨限值化以二值化及匹配標稱真實設計圖案寬度(或其他尺寸)且接著,如本文中進一步所描述,自真實設計圖案減去其。換言之,為了使用反向GAN影像用於缺陷偵測,電腦系統可對反向GAN產生之設計剪輯臨限值化以匹配高解析度影像設計規則(DR)寬度。
在另一實施例中,設計資料僅用於樣本之一層級上之圖案化特徵。當設計資料僅用於樣本之一層級(例如,一晶圓上之一層或一光罩上之一層)時,模擬二進制設計資料影像可僅包含二進制值,一者用於層上之圖案(對於兩者預期圖案及任何非預期圖案(即圖案之缺陷或有缺陷部分)),且另一者用於層之背景或未圖案化區域。例如,如圖4中所展示,在模擬二進制設計資料影像406中,圖案化特徵用一個二進制值(如由影像之白色部分指示)展示且未圖案化區域用另一二進制值(如由影像之深灰色部分指示)展示。圖案化特徵或背景係由一個二進制值指示或由另一二進制值指示與本文中所描述之實施例無區別。
在一進一步實施例中,設計資料用於樣本之不同層級上之圖案化特徵,且模擬二進制設計資料影像包含樣本之不同層級上之圖案化特徵之不同灰階。例如,一些高解析度成像工具可產生回應於樣本不同層級上之圖案特徵之影像,其之一個層級形成於另一層級下方。在一些例項中,在樣本之不同層級上之成像圖案化特徵可有利。在其他例項中,其可有問題(當圖案化特徵在偵測缺陷之層級外之一層級上可依使缺陷偵測變得更加困難之方式影響影像)。無論如何,電腦系統可產生模擬二進制設計資料影像,使得樣本之不同層級上之圖案化特徵以不同灰階指示。依此方式,本文中所描述之模擬二進制設計資料影像可為三階類型影像,其中
除了二進制值之外,亦使用另一灰階來區分在樣本之不同層級上形成之特徵。
在此等例項中,可在二值化步驟中使用關於樣本之設計之資訊或設計資料本身將多灰階分配給不同層級之圖案化特徵。例如,在樣本之不同層級上形成之圖案化特徵可具有一或多個不同特徵,諸如不同標稱(或設計)尺寸、不同定向、不同形狀、相同層級或不同層級上之圖案化特徵之間的不同空間關係等等,其等可用於區分其等。依此方式,使用灰階模擬設計資料影像及設計資訊或資料,電腦系統可識別樣本之不同層級上之圖案化特徵且可在模擬二進制設計資料影像中為其等分配不同灰階。一旦已識別不同層級上之圖案化特徵,該資訊可用於識別樣本之層級上之感興趣區域(或關注區域),針對其缺陷由在本文中所描述之實施例偵測。
一或多個電腦系統經組態用於藉由自模擬二進制設計資料影像減去該位置之設計資料來偵測樣本上該位置處之缺陷。依此方式,可自真實設計減去已二值化之有缺陷反向GAN設計影像(或反之亦然)用於缺陷偵測。例如,如圖4中所展示,電腦系統可經組態以執行減去步驟412,其中自模擬二進制設計資料影像406減去設計資料410。減去之結果可包含差值影像414,其繪示設計資料與模擬二進制設計資料影像之間的任何差異。
偵測缺陷亦可包含使用差異影像來偵測樣本上之缺陷。例如,電腦系統可將一臨限值應用於差異影像且差異影像中具有高於臨限值之一值之任何像素可識別為缺陷或缺陷候選者。可依任何其他方式使用差異影像來偵測樣本上之缺陷。例如,使用差異影像來偵測樣本上之缺陷之任何缺陷偵測方法或演算法可應用於由本文中所描述之實施例產生之差異
影像。
另外或替代地,一或多個電腦系統可經組態用於藉由單影像偵測(SID)來偵測模擬二進制設計資料影像中之樣本上之缺陷。依此方式,偵測缺陷可或可不包含自模擬二進制設計資料影像減去該位置之設計資料。特定言之,在SID中,缺陷偵測無需一參考影像。代替地,僅潛在缺陷位置影像(即「測試」影像)輸入至SID方法或系統。SID可由本文中所描述之實施例執行,如Karsenti等人2017年5月18日公開之美國專利申請公開案第2017/0140524號中所描述,該案以引用的方式併入,如在本文中完全闡述。本文中所描述之實施例可進一步組態為如此公開案中所描述。
本文中所描述之實施例在模擬設計資料(資料庫)空間中執行缺陷偵測,而非使用樣本獲取之高解析度影像本身用於缺陷偵測。此缺陷偵測之一個優點係降低用於偵測之影像空間之複雜性。因而,可應用更簡單偵測及滋擾減少演算法。本文中所描述之缺陷偵測亦可用作現有缺陷偵測方法之一替代方法或可用作一額外缺陷偵測方法以提高可偵測性及滋擾抑制。作為一全新缺陷偵測方法,本文中所描述之實施例可用於擴展現有檢測載物台之權限及效能。另外,藉由透過演算法(而非硬體)擴展權限,可擴展現有檢測載物台之路線圖。
在一些實施例中,自模擬之二進制設計資料影像減去之設計資料並非藉由樣本或高解析度成像系統之模擬產生。例如,由於用於缺陷偵測之樣本資訊係在設計資料空間中演現之一模擬影像,因此自該影像減去之資訊亦係設計資料空間中之一影像。依此方式,與許多檢測方法不同,其中自一樣本產生之一影像用於檢測,藉此需要樣本空間中之一參考
影像(例如,來自樣本上之一相鄰區域(例如,晶粒、單元、場等等)之一影像或自一設計模擬之一影像(例如,基於樣本之模擬特性及高解析度成像系統)以在樣本空間中演現一影像),本文中所描述之實施例可使用設計資料用於缺陷偵測中使用之參考且不必自樣本上之另一區域獲取一參考影像或更改設計資料來創建一參考影像。
在一個實施例中,偵測缺陷包含將減去之結果中之一感興趣區域限制為模擬二進制設計資料影像中之一關注區域且僅將一偵測區域臨限值應用於感興趣限制區域中之減去之結果。例如,可藉由將感興趣區域限制為關注區域及在關注區域內應用一區域臨限值來消除差異影像中之滋擾像素。超過一區域臨限值之一缺陷像素計數經標記為一缺陷。在此一實例中,如圖4中所展示,模擬二進制設計資料影像406中之區域408可對應於樣本之一關注區域。關注區域可依任何合適方式判定且可具有任何合適組態。可使用本文中所描述之影像之任何者依任何合適方式執行模擬二進制設計資料影像中關注區域之放置或識別(例如,藉由將影像之一或多者與樣本之設計資料對準及使用關於關注區域在設計資料中之位置之資訊以識別與設計資料對準之影像之一或多者中之關注區域)。對應區域416可位於由減法步驟412產生之差異影像414中且缺陷偵測之感興趣區域可限制於此對應區域。依此方式,可自地面實況設計影像減去演現GAN、二值化設計影像(或反之亦然),且可將偵測應用於所得差異影像之關注區域部分。因而,使用一反向GAN用於缺陷偵測可包含使用一基於區域之臨限值用於檢測關注區域區中之缺陷偵測。
在一些實施例中,DL模型經組態用於,對於樣本上已知無缺陷之一額外位置,自在額外位置處產生之一額外高解析度影像產生一額
外灰階模擬設計資料影像,且一或多個電腦系統經組態用於自額外灰階模擬設計資料影像產生額外位置之一額外模擬二進制設計資料影像。可依本技術已知之任何合適方式知道額外位置係無缺陷。例如,在對樣本執行之一檢測程序中未偵測缺陷之一或多個位置可用作一或多個額外位置。在一些例項中,一或多個額外位置在用作額外位置之前可確認為無缺陷。此確認可依任何合適方式執行,諸如在潛在額外位置處獲取高解析度影像及將影像顯示給一使用者用於審查及作為額外位置接受或拒絕。產生額外灰階模擬設計資料影像可依其他方式如本文中進一步所描述執行。另外,可如本文中所描述執行產生額外模擬二進制設計資料影像。若對一個以上額外位置執行此等步驟,則可針對各額外位置單獨且獨立地執行該等步驟。在一些例項中,若針對對應於設計位置內之相同者之樣本上之一個以上額外位置執行該等步驟,則額外模擬二進制設計資料影像可依某種方式組合(例如,藉由平均、中值、平均值等等)以產生一組合額外模擬二進制設計資料影像,其接著可依本文中所描述之額外方式使用。
在此一實施例中,自用於偵測缺陷步驟之模擬二進制設計資料影像減去之設計資料包含額外模擬二進制設計資料影像。例如,GAN產生之影像可具有若干應用來協助缺陷審查或檢測,包含用於晶粒至資料庫類型減法之參考影像產生。在一些當前使用之GAN應用中,設計剪輯用作GAN之輸入,且GAN產生模擬高解析度影像。然而,在本文中所描述之實施例中,GAN經訓練且用於執行反向功能,即,GAN自高解析度樣本影像輸入產生模擬設計資料影像。額外模擬二進制設計資料影像可用於如本文中進一步所描述之偵測步驟。
在另一此實施例中,偵測缺陷包含將設計資料與使用額外
模擬二進制設計資料影像為該位置產生之模擬二進制設計資料影像對準。例如,GAN產生之影像可具有若干應用來協助缺陷審查,包含對準影像產生。在一些當前使用之GAN應用中,設計剪輯用作GAN之輸入,且GAN產生假高解析度影像。然而,在本文中所描述之實施例中,GAN經訓練且用於執行反向功能,即,GAN自高解析度樣本影像輸入產生模擬設計資料影像。額外模擬二進制設計資料影像可依本技術已知之任何合適方式(例如,經由圖案匹配)與模擬二進制設計資料影像及/或設計資料對準。
在一額外此實施例中,一或多個電腦系統經組態用於使用額外模擬二進制設計資料影像訓練一缺陷分類器。例如,GAN產生之影像可具有若干應用來協助缺陷審查,包含訓練集增強用於訓練基於高解析度影像之缺陷分類器,其當實質上很少訓練樣本可用時尤其重要。在一些當前使用之GAN應用中,設計剪輯用作GAN之輸入,且GAN產生假高解析度影像。然而,在本文中所描述之實施例中,GAN經訓練且用於執行反向功能,即,GAN自高解析度樣本影像輸入產生模擬設計資料影像。在一些例項中,由於額外模擬二進制設計資料影像用於樣本上已知無缺陷位置,電腦系統可經組態以增加具已知DOI及/或已知滋擾之人工缺陷之額外模擬二進制設計資料影像以藉此創建有缺陷額外模擬二進制設計資料影像。可如Riley等人2019年9月26日公開之美國專利申請公開案第2019/0294923號及由Bhaskar等人2019年10月3日公開之2019/0303717中所描述執行修改無缺陷影像以包含缺陷影像,該等案以引用的方式併入,如在本文中完全闡述。本文中所描述之實施例可進一步組態為如此等公開案中所描述。然而,額外模擬二進制設計資料影像亦可在沒有增強之情況
下用作缺陷分類器訓練之無缺陷影像,使得可訓練缺陷分類器以區分含有缺陷之影像及無缺陷影像。
在一些實施例中,一或多個電腦系統經組態用於使用灰階模擬設計資料影像、模擬二進制設計資料影像、設計資料及減去之結果之一或多者來訓練一缺陷分類器。例如,使用一堆疊影像用於一已知缺陷位置訓練一缺陷分類器可為有利的,該影像包含本文中針對該缺陷位置描述之影像之任何一或多者。在一些此等例項中,影像可由一使用者或使用另一經訓練缺陷分類器用接地實況資料(在此情況下係一缺陷分類)標記,該分類器可為或可不為相同於將訓練之缺陷分類器之類型。例如,用於建立接著用於訓練之缺陷分類之缺陷分類器可為一非ML型缺陷分類器,而使用此資料訓練之缺陷分類器可為一ML型缺陷分類器。在使用本文中所描述之影像之任何一或多者訓練缺陷分類器之後,可在運行時將彼等相同一或多種類型之影像輸入至訓練分類器。例如,若使用灰階模擬設計資料影像及模擬二進制設計資料影像執行訓練,則當使用缺陷分類器用於分類時,輸入至缺陷分類器之影像可為灰階模擬設計資料影像及偵測缺陷之模擬二進制設計資料影像。
如上文所描述訓練之缺陷分類器可包含本技術已知之任何合適缺陷分類器。缺陷分類器可如Brauer 2019年3月7日公開之美國專利申請公開案第2019/0073566號及He等人2019年3月7日公開之2019/0073568中所描述組態及訓練,該等案以引用的方式併入,如在本文中完全闡述。本文中所描述之實施例可進一步組態為如此等公開案中所描述。
在一個實施例中,一或多個電腦系統經組態以使用偵測之
結果發現樣本上先前未知之缺陷類型。例如,檢測結果通常使用SEM或其他高解析度影像進行審查用於缺陷分類。在缺陷發現期間,歸因於樣本上之未知缺陷,此尤其重要。缺陷發現可包含對一經訓練分類器不能分類之缺陷進行分類(意謂經訓練分類器不能對缺陷進行分類)。此分類可使用本文中所描述之影像之任何一或多者用於無法分類之一缺陷之一位置且依本技術已知之任何合適方式執行。
本文中所描述之實施例可進一步如Karsenti等人2017年5月18日公開之共同擁有之美國專利申請公開案第2017/0140524號、Zhang等人2017年5月25日公開之第2017/0148226號、Bhaskar等人2017年7月6日公開之第2017/0193400號、Zhang等人2017年7月6日公開之第2017/0193680號、Bhaskar等人2017年7月6日公開之第2017/0194126號、Bhaskar等人2017年7月13日公開之第2017/0200260號、Park等人2017年7月13日公開之第2017/0200264號、Bhaskar等人2017年7月13日公開之第2017/0200265號、Zhang等人2017年11月30日公開之第2017/0345140號、Brauer 2019年3月7日公開之第2019/0073566號及He等人2019年3月7日公開之第2019/0073568號中所描述組態,該等案以引用的方式併入,如在本文中完全闡述。另外,本文中所描述之實施例可經組態以執行此等公開案中所描述之任何步驟。
本文中所描述之所有實施例可經組態用於將實施例之一或多個步驟之結果儲存於一電腦可讀儲存媒體中。結果可包含本文中所描述之結果之任何者且可依本技術已知之任何方式儲存。儲存媒體可包含本文中所描述之任何儲存媒體或本技術已知之任何其他合適儲存媒體。在結果已經儲存之後,結果可存取於儲存媒體中且由本文中所描述之方法之任何
者或系統實施例使用,經格式化用於顯示給一使用者,由另一軟體模組、方法或系統等等使用以為樣本或另一樣本執行一或多個功能。
此等功能包含(但不限於)依一反饋或前饋方式等等改變已經或將要在樣本上執行之一程序,諸如一製程或步驟。例如,電腦系統可經組態以基於所偵測之缺陷判定對樣本執行之一程序及/或將對樣本執行之一程序之一或多個改變。對程序之改變可包含對程序之一或多個參數之任何合適改變。電腦系統較佳判定彼等變化,使得可減少或防止對其執行修改程序之其他樣本上之缺陷,可在對樣本執行之另一程序中校正或消除樣本上之缺陷,缺陷可在對樣本執行之另一程序中補償等等。電腦系統可依本技術已知之任何合適方式判定此等變化。
接著可將彼等改變發送至圖1中所展示之半導體製造系統108或電腦系統及半導體製造系統兩者可存取之一儲存媒體(未展示於圖1中)。半導體製造系統可或可不為本文中所描述之系統實施例之部分。例如,本文中所描述之高解析度成像系統及電腦系統可耦合至半導體製造系統,例如,經由一或多個共同元件,諸如一外殼、一電源、一樣本處置裝置或機構等等。半導體製造系統可包含本技術已知之任何半導體製造系統,諸如一光微影工具、一蝕刻工具、一化學機械拋光(CMP)工具、一沉積工具及其類似者。
上文所描述之系統之各者之實施例之各者可組合在一起成為一個單一實施例。
另一實施例係關於一種用於偵測一樣本上之缺陷之電腦實施方法。該方法包含:對於一樣本上之一位置,自在該位置處產生之一高解析度影像產生一灰階模擬設計資料影像。該高解析度影像係由一高解析
度成像系統在該位置處產生。產生該灰階模擬設計資料影像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深度學習模型執行。該方法亦包含:自該灰階模擬設計資料影像產生該位置之一模擬二進制設計資料影像。另外,該方法包含:藉由自該模擬二進制設計資料影像減去該位置之設計資料來偵測該樣本上該位置處之缺陷。產生該模擬二進制設計資料影像及偵測該等缺陷由該一或多個電腦系統執行。
方法之步驟之各者可如本文中進一步所描述執行。該方法亦可包含可由本文中所之系統、電腦系統、組件及/或DL模型執行之任何其他步驟。另外,上文所描述之方法可由本文中所描述之系統實施例之任何者執行。
一額外實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體,該等程式指令可在一或多個電腦系統上執行用於執行用於偵測一樣本上之缺陷之一電腦實施方法。一個此類實施例展示於圖5中。特定言之,如圖5中所展示,非暫時性電腦可讀媒體500包含可在電腦系統504上執行之程式指令502。電腦實施方法可包含本文中所描述之任何方法之任何步驟。
實施方法之程式指令502(諸如本文中所描述之彼等)可儲存在電腦可讀媒體500上。電腦可讀媒體可為一儲存媒體,諸如一磁碟或光碟、一磁帶或本技術已知之任何其他合適非暫時性電腦可讀媒體。
程式指令可依各種方式之任何者實施,包含基於程序之技術、基於組件之技術及/或物件導向之技術等。例如,程式指令可根據需要使用ActiveX控件、C++物件、JavaBean、Microsoft基礎類(「MFC」)、SSE(串流SIMD擴展)或其他技術或方法實施。
電腦系統504可根據本文中所描述之實施例之任何者組態。
鑑於此描述,熟習此項技術者將明白本發明之各個態樣之進一步修改及替代實施例。例如,提供用於偵測一樣本上之缺陷之方法及系統。據此,此描述僅被解釋為繪示性且係為了教導熟習此項技術者實施本發明之一般方式。應理解,本文中所展示及描述之本發明之形式將被視為當前較佳實施例。元件及材料可代替本文中所繪示及描述之彼等,零件及程序可倒置,且本發明之特定特徵可獨立使用,熟習此項技術者在受益於對本發明之描述之益處之後將明白所有此等。在不脫離如以下申請專利範圍中所描述之本發明之精神及範疇的情況下,可對本文中所描述之元件進行改變。
10:工具
12:樣本
14:光源
16:光學元件
18:分束器
20:透鏡
22:載物台
24:分束器
26:元件
28:偵測器
30:光學元件
32:偵測器
36:電腦子系統
38:光源
40:光學元件
42:分束器
44:透鏡
46:光學元件
48:偵測器
100:組件
102:電腦子系統
104:深度學習(DL)模型
108:半導體製造系統
Claims (22)
- 一種經組態以偵測一樣本上之缺陷之系統,其包括:一或多個電腦系統;及一或多個組件,其由該一或多個電腦系統執行,其中該一或多個組件包括經組態用於自在一位置處產生之一高解析度影像產生一樣本上之該位置之一灰階模擬設計資料影像之一深度學習模型,且其中該高解析度影像係由一高解析度成像系統在該位置處產生;其中該一或多個電腦系統經組態用於自該灰階模擬設計資料影像產生該位置之一模擬二進制設計資料影像;且其中該一或多個電腦系統進一步經組態用於藉由自該模擬二進制設計資料影像減去該位置之一設計資料來偵測該樣本上該位置處之缺陷。
- 如請求項1之系統,其中該深度學習模型進一步經組態為一生成對抗(adversarial)網路。
- 如請求項1之系統,其中該深度學習模型進一步經組態以將該高解析度影像中之一或多個缺陷之假影(artifact)轉譯成該灰階模擬設計資料影像。
- 如請求項1之系統,其中產生該模擬二進制設計資料影像包括定限該(thresholding)灰階模擬設計資料影像以二值化該灰階模擬設計資料影像且將該灰階模擬設計資料影像中之圖案化特徵之標稱尺寸(nominal dimensions)與該樣本之該設計資料中之圖案化特徵之標稱尺寸相匹配。
- 如請求項1之系統,其中該偵測包括將該減去之結果中之一感興趣區域限制至該模擬二進制設計資料影像中之一關注區域及將一偵測區域臨限值僅應用於該受限制感興趣區域中之該減去之該等結果。
- 如請求項1之系統,其中該深度學習模型進一步經組態用於,對於已知在該樣本上無缺陷之一額外位置,自在該額外位置處產生之一額外高解析度影像產生一額外灰階模擬設計資料影像,其中該一或多個電腦系統進一步經組態用於自該額外灰階模擬設計資料影像產生該額外位置之一額外模擬二進制設計資料影像,且其中自該模擬二進制設計資料影像減去之用於該偵測之該設計資料包括該額外模擬二進制設計資料影像。
- 如請求項1之系統,其中該深度學習模型進一步經組態用於,對於已知在該樣本上無缺陷之一額外位置,自在該額外位置處產生之一額外高解析度影像產生一額外灰階模擬設計資料影像,其中該一或多個電腦系統進一步經組態用於自該額外灰階模擬設計資料影像產生該額外位置之一額外模擬二進制設計資料影像,且其中該偵測包括將該設計資料與使用該額外模擬二進制設計資料影像之該位置產生之該模擬二進制設計資料影像對準。
- 如請求項1之系統,其中該深度學習模型進一步經組態用於,對於已知在該樣本上無缺陷之一額外位置,自在該額外位置處產生之一額外高解 析度影像產生一額外灰階模擬設計資料影像,其中該一或多個電腦系統進一步經組態用於自該額外灰階模擬設計資料影像產生該額外位置之一額外模擬二進制設計資料影像,且其中該一或多個電腦系統進一步經組態用於使用該額外模擬二進制設計資料影像來訓練一缺陷分類器。
- 如請求項1之系統,其中該一或多個電腦系統進一步經組態用於使用該減去之結果來訓練一缺陷分類器。
- 如請求項1之系統,其中該一或多個電腦系統進一步經組態用於使用該灰階模擬設計資料影像、該模擬二進制設計資料影像、該設計資料及該減去之結果之一或多者來訓練一缺陷分類器。
- 如請求項1之系統,其中該一或多個電腦系統進一步經組態以使用該偵測之結果發現該樣本上先前未知之缺陷類型。
- 如請求項1之系統,其中自該模擬二進制設計資料影像減去之該設計資料非藉由該樣本或該高解析度成像系統之模擬產生。
- 如請求項1之系統,其中自該模擬二進制設計資料影像及該模擬二進制設計資料影像減去之該設計資料繪示該設計資料中之光學鄰近校正特徵。
- 如請求項1之系統,其中自該模擬二進制設計資料影像及該模擬二進 制設計資料影像減去之該設計資料未繪示該設計資料中之光學鄰近校正特徵。
- 如請求項1之系統,其中該位置係選自該樣本上先前偵測到一或多個缺陷之位置,且其中由一基於光之檢測系統在該樣本上之該等位置處偵測到該一或多個缺陷。
- 如請求項1之系統,其中該位置係選自該樣本上先前偵測到一或多個缺陷之位置,且其中該一或多個缺陷由該高解析度成像系統在該樣本上之該等位置處偵測到。
- 如請求項1之系統,其中該高解析度成像系統經組態為一電子束成像系統。
- 如請求項1之系統,其中該系統包括該高解析度成像系統。
- 如請求項1之系統,其中該設計資料用於該樣本之僅一階層上之圖案化特徵。
- 如請求項1之系統,其中該設計資料用於該樣本之不同階層上之圖案化特徵,且其中該模擬二進制設計資料影像包括該樣本之該等不同階層上之該等圖案化特徵之不同灰階。
- 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之程式指令用於執行用於偵測一樣本上之缺陷之一電腦實施方法,其中該電腦實施方法包括:對於一樣本上之一位置,自在該位置處產生之一高解析度影像產生一灰階模擬設計資料影像,其中該高解析度影像係由一高解析度成像系統在該位置處產生,且其中產生該灰階模擬設計資料影像係由包含於由該一或多個電腦系統執行之一或多個組件中之一深度學習模型執行;自該灰階模擬設計資料影像產生該位置之一模擬二進制設計資料影像;及藉由自該模擬二進制設計資料影像減去該位置之一設計資料來偵測該樣本上該位置處之缺陷,其中產生該模擬二進制設計資料影像及偵測該等缺陷係由該一或多個電腦系統執行。
- 一種用於偵測一樣本上之缺陷之電腦實施方法,其包括:對於一樣本上之一位置,自在該位置處產生之一高解析度影像產生一灰階模擬設計資料影像,其中該高解析度影像係由一高解析度成像系統在該位置處產生,且其中產生該灰階模擬設計資料影像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深度學習模型執行;自該灰階模擬設計資料影像產生該位置之一模擬二進制設計資料影像;及藉由自該模擬二進制設計資料影像減去該位置之一設計資料來偵測該樣本上該位置處之缺陷,其中產生該模擬二進制設計資料影像及偵測該等缺陷係由該一或多個電腦系統執行。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063061600P | 2020-08-05 | 2020-08-05 | |
US63/061,600 | 2020-08-05 | ||
US17/155,037 US11776108B2 (en) | 2020-08-05 | 2021-01-21 | Deep learning based defect detection |
US17/155,037 | 2021-01-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202206800A TW202206800A (zh) | 2022-02-16 |
TWI844784B true TWI844784B (zh) | 2024-06-11 |
Family
ID=80113851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110124909A TWI844784B (zh) | 2020-08-05 | 2021-07-07 | 偵測缺陷之系統、非暫時性電腦可讀媒體、及偵測缺陷之電腦實施方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11776108B2 (zh) |
EP (1) | EP4222695A1 (zh) |
KR (1) | KR20230048110A (zh) |
CN (1) | CN115769254A (zh) |
IL (1) | IL299798A (zh) |
TW (1) | TWI844784B (zh) |
WO (1) | WO2022031479A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169852B1 (en) * | 2018-07-03 | 2019-01-01 | Nanotronics Imaging, Inc. | Systems, devices, and methods for providing feedback on and improving the accuracy of super-resolution imaging |
WO2022187057A1 (en) * | 2021-03-05 | 2022-09-09 | Applied Materials, Inc. | Detecting an excursion of a cmp component using time-based sequence of images |
CN114511570A (zh) * | 2022-04-20 | 2022-05-17 | 深圳市信润富联数字科技有限公司 | 伪缺陷库建立方法、缺陷检测方法、设备及存储介质 |
WO2024068203A1 (en) | 2022-09-28 | 2024-04-04 | Carl Zeiss Smt Gmbh | Computer implemented method for defect detection in an imaging dataset of a wafer, corresponding computer-readable medium, computer program product and systems making use of such methods |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170191948A1 (en) * | 2016-01-04 | 2017-07-06 | Kla-Tencor Corporation | Optical Die to Database Inspection |
US20200098101A1 (en) * | 2018-09-21 | 2020-03-26 | Kla-Tencor Corporation | Super-Resolution Defect Review Image Generation Through Generative Adversarial Networks |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US8126255B2 (en) | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
US8065116B2 (en) * | 2008-10-08 | 2011-11-22 | Robert Bosch Gmbh | Systems, methods, and tools for proofing a computer-aided design object |
US8664594B1 (en) | 2011-04-18 | 2014-03-04 | Kla-Tencor Corporation | Electron-optical system for high-speed and high-sensitivity inspections |
US8692204B2 (en) | 2011-04-26 | 2014-04-08 | Kla-Tencor Corporation | Apparatus and methods for electron beam detection |
US8716662B1 (en) | 2012-07-16 | 2014-05-06 | Kla-Tencor Corporation | Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US10186026B2 (en) | 2015-11-17 | 2019-01-22 | Kla-Tencor Corp. | Single image detection |
US9965901B2 (en) | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
US11580375B2 (en) | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
US9916965B2 (en) | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
US10648924B2 (en) | 2016-01-04 | 2020-05-12 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
US10043261B2 (en) | 2016-01-11 | 2018-08-07 | Kla-Tencor Corp. | Generating simulated output for a specimen |
US10181185B2 (en) | 2016-01-11 | 2019-01-15 | Kla-Tencor Corp. | Image based specimen process control |
US10360477B2 (en) | 2016-01-11 | 2019-07-23 | Kla-Tencor Corp. | Accelerating semiconductor-related computations using learning based models |
US10395356B2 (en) | 2016-05-25 | 2019-08-27 | Kla-Tencor Corp. | Generating simulated images from input images for semiconductor applications |
US10713534B2 (en) | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
US10607119B2 (en) | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
CN111819583B (zh) | 2018-03-21 | 2024-06-04 | 科磊股份有限公司 | 用于使用合成缺陷图像训练机器学习模型的方法和系统 |
US10599951B2 (en) | 2018-03-28 | 2020-03-24 | Kla-Tencor Corp. | Training a neural network for defect detection in low resolution images |
US11379967B2 (en) | 2019-01-18 | 2022-07-05 | Kla Corporation | Methods and systems for inspection of semiconductor structures with automatically generated defect features |
US11320357B2 (en) * | 2019-12-23 | 2022-05-03 | Chevron U.S.A. Inc. | System and method for estimation of rock properties from core images |
-
2021
- 2021-01-21 US US17/155,037 patent/US11776108B2/en active Active
- 2021-07-07 TW TW110124909A patent/TWI844784B/zh active
- 2021-07-27 WO PCT/US2021/043347 patent/WO2022031479A1/en unknown
- 2021-07-27 EP EP21854177.9A patent/EP4222695A1/en active Pending
- 2021-07-27 CN CN202180043756.2A patent/CN115769254A/zh active Pending
- 2021-07-27 KR KR1020237007718A patent/KR20230048110A/ko not_active Application Discontinuation
- 2021-07-27 IL IL299798A patent/IL299798A/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170191948A1 (en) * | 2016-01-04 | 2017-07-06 | Kla-Tencor Corporation | Optical Die to Database Inspection |
US9915625B2 (en) * | 2016-01-04 | 2018-03-13 | Kla-Tencor Corp. | Optical die to database inspection |
US20200098101A1 (en) * | 2018-09-21 | 2020-03-26 | Kla-Tencor Corporation | Super-Resolution Defect Review Image Generation Through Generative Adversarial Networks |
Also Published As
Publication number | Publication date |
---|---|
US20220044391A1 (en) | 2022-02-10 |
WO2022031479A1 (en) | 2022-02-10 |
TW202206800A (zh) | 2022-02-16 |
EP4222695A1 (en) | 2023-08-09 |
KR20230048110A (ko) | 2023-04-10 |
US11776108B2 (en) | 2023-10-03 |
CN115769254A (zh) | 2023-03-07 |
IL299798A (en) | 2023-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102321953B1 (ko) | 다양한 모댈리티들로 획득된 이미지들의 정렬을 위한 학습 기반 접근 방식 | |
JP7049331B2 (ja) | 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法 | |
CN111094952B (zh) | 使用统一神经网络进行缺陷检测及分类的方法及系统 | |
TWI711978B (zh) | 用於執行針對樣本之功能之系統及電腦實施方法,以及電腦可讀媒體 | |
US10186026B2 (en) | Single image detection | |
EP3465174B1 (en) | Generating simulated images from input images for semiconductor applications | |
TWI734724B (zh) | 針對半導體應用由低解析度影像產生高解析度影像之系統、方法及非暫時性電腦可讀媒體 | |
TWI844784B (zh) | 偵測缺陷之系統、非暫時性電腦可讀媒體、及偵測缺陷之電腦實施方法 | |
US20210272273A1 (en) | GENERATIVE ADVERSARIAL NETWORKS (GANs) FOR SIMULATING SPECIMEN IMAGES | |
KR102650301B1 (ko) | 장애물 필터링을 위한 심층 학습 네트워크 | |
US11170475B2 (en) | Image noise reduction using stacked denoising auto-encoder | |
US11328410B2 (en) | Deep generative models for optical or other mode selection | |
US11694327B2 (en) | Cross layer common-unique analysis for nuisance filtering | |
TW202211092A (zh) | 訓練機器學習模型以自檢查影像產生較高解析度影像 | |
US20220318986A1 (en) | Semantic image segmentation for semiconductor-based applications | |
TWI855263B (zh) | 用於選擇用於對樣品執行程序的工具之一模式的系統及電腦實施之方法以及相關的儲存程式指令之非暫時性電腦可讀媒體 |