[go: up one dir, main page]

CN114096832B - 用于选择用于样本检验的缺陷检测方法的系统和方法 - Google Patents

用于选择用于样本检验的缺陷检测方法的系统和方法 Download PDF

Info

Publication number
CN114096832B
CN114096832B CN202080049170.2A CN202080049170A CN114096832B CN 114096832 B CN114096832 B CN 114096832B CN 202080049170 A CN202080049170 A CN 202080049170A CN 114096832 B CN114096832 B CN 114096832B
Authority
CN
China
Prior art keywords
sample
polygons
inspection
noise
subgroups
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202080049170.2A
Other languages
English (en)
Other versions
CN114096832A (zh
Inventor
B·布拉尔
李胡成
S·S·帕克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KLA Corp
Original Assignee
KLA Tencor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN114096832A publication Critical patent/CN114096832A/zh
Application granted granted Critical
Publication of CN114096832B publication Critical patent/CN114096832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • H10P74/203—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8835—Adjustable illumination, e.g. software adjustable screen
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N2021/9511—Optical elements other than lenses, e.g. mirrors
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20068—Projection on vertical or horizontal image axis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)

Abstract

本发明提供用于选择用于样本检验的缺陷检测方法的方法及系统。一种系统包含经配置用于基于样本上的多边形的特性将关注区域中的所述多边形区分成初始子群组且确定在由检验子系统的检测器针对所述不同初始子群组中的所述多边形产生的输出中的噪声的特性的一或多个计算机子系统。所述计算机子系统还经配置用于通过组合具有所述噪声的所述特性的基本上相同值的所述不同初始子群组的任何两者或更多者而确定所述多边形的最终子群组。另外，所述计算机子系统经配置用于选择用于应用到在所述样本或另一样本的检验期间由所述检验子系统的所述检测器产生的所述输出的第一及第二缺陷检测方法。

Description

用于选择用于样本检验的缺陷检测方法的系统和方法
技术领域
本发明大体上涉及用于选择用于样本检验的缺陷检测方法的方法及系统。
背景技术
以下描述及实例不因其包含于此节中而被承认是现有技术。
在半导体制造过程期间的各个步骤使用检验过程以检测分划板及晶片上的缺陷以促进制造过程中的更高良率及因此更高利润。检验始终是制造半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对于可接受半导体装置的成功制造变得更为重要，这是因为较小缺陷可引起装置故障。
如在所属领域中通常提及的“关注区域”是样本上针对检验目的所关注的区域。有时，关注区域用于区分样本上经检验的区域与样本上在检验过程中未检验的区域。另外，关注区域有时用于区分样本上使用一或多个不同参数检验的区域。例如，如果样本的第一区域比样本上的第二区域更关键，那么可使用高于第二区域的灵敏度检验第一区域使得在第一区域中使用更高灵敏度检测缺陷。可以类似方式随关注区域更改检验过程的其它参数。
当前使用检验关注区域的不同类别。一个类别是传统上手动绘制的旧型关注区域。在几乎全部用户采用设计导引的检验的情况下，当前使用非常少旧型关注区域。另一类别是基于设计的关注区域。这些是基于对打印于样本上的芯片设计图案的直观推断导出的关注区域。用户尝试查看芯片设计且导出将有助于导出关注区域的方法/脚本文件。存在可用于定义这些基于设计的关注区域的多个技术及工具。由于其是从地面实况(芯片设计)导出，所以其可提供高精确度、基本上微型关注区域且还允许检验系统存储大量关注区域。这些关注区域不仅从缺陷检测观点是重要的，而且其对于噪声抑制通常也是关键的。
一些当前使用的检验方法还使用关注区域的规则群组，其中具有不同噪声行为的关注区域被分组在一起且甚至一个单个关注区域可包含具有不同噪声行为的许多不同结构。为了识别其中噪声更高的区域，必须反复执行所谓的基于设计的搜索的若干迭代。此程序耗费许多时间。
因此，涉及关注区域的用于检验的当前使用的方法及系统具有数个缺点。例如，得出结果的时间基本上缓慢，这是因为必须执行搜索具有噪声的结构的若干迭代。有时，归因于复杂性，无法手动地识别全部具有噪声的结构。在此情况中，用于检验具有较少噪声的区域的灵敏度被损及，这是因为具有较多噪声的区域落在相同关注区域群组中。此降低的检验灵敏度可防止发现关键所关注缺陷(DOI)。
因此，开发用于选择用于样本检验的缺陷检测方法而无上文描述的一或多个缺点的系统及方法将是有利的。
发明内容
各个实施例的以下描述绝不应理解为限制随附技术方案的标的物。
一个实施例涉及一种经配置用于选择用于样本检验的缺陷检测方法的系统。所述系统包含一或多个计算机子系统，其经配置用于基于样本上的多边形的特性将所述样本上的关注区域中的所述多边形区分成初始子群组，使得具有所述特性的不同值的所述多边形被区分成不同初始子群组。所述计算机子系统还经配置用于确定在由检验子系统的检测器针对所述不同初始子群组中的所述样本上的所述多边形产生的输出中的噪声的特性。另外，所述计算机子系统经配置用于通过将具有所述噪声的所述特性的基本上相同值的所述不同初始子群组中的任何两者或更多者组合成所述最终子群组中的一者而确定所述多边形的最终子群组。所述计算机子系统进一步经配置用于分别针对所述最终子群组的第一者及第二者基于分别针对所述最终子群组的所述第一者及所述第二者确定的所述噪声的所述特性选择用于应用到由所述检验子系统的所述检测器在所述样本或相同类型的另一样本的检验期间产生的输出的第一及第二缺陷检测方法。可如本文中描述那样进一步配置所述系统。
另一实施例涉及一种用于选择用于样本检验的缺陷检测方法的计算机实施方法。所述方法包含上文描述的区分、确定特性、确定最终子群组及选择步骤。所述方法的步骤由一或多个计算机子系统执行。
可如本文中进一步描述那样进一步执行上文描述的方法的每一步骤。另外，上文描述的方法的实施例可包含本文中描述的任何其它方法的任何其它步骤。此外，上文描述的方法可由本文中描述的系统的任何者执行。
另一实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于选择用于样本检验的缺陷检测方法的计算机实施方法。所述计算机实施方法包含上文描述的方法的步骤。可如本文中描述那样进一步配置所述计算机可读媒体。可如本文中进一步描述那样执行所述计算机实施方法的步骤。另外，可针对其执行所述程序指令的计算机实施方法可包含本文中描述的任何其它方法的任何其它步骤。
附图说明
在受益于优选实施例的以下详细描述的情况下且在参考随附图式之后，所属领域的技术人员将明白本发明的另外优点，其中：
图1及2是说明如本文中描述那样配置的系统的实施例的侧视图的示意图；
图3是说明由本文中描述的一或多个计算机子系统执行的步骤的实施例的流程图；
图4是说明样本上的关注区域的一个实例的平面视图及展示针对关注区域中的多边形执行的投影的结果的图表的示意图；
图5是说明样本上的关注区域的一个实例的平面视图的示意图；
图6是自从由检验子系统的检测器针对图5中展示的关注区域中的多边形产生的输出确定的不同值产生的二维直方图的实例；
图7是说明具有基于多边形的特性被区分成初始子群组的关注区域中的多边形的图5中展示的关注区域的平面视图的示意图；
图8包含自从由检验子系统的检测器针对图7中展示的多边形的初始子群组产生的输出确定的不同值产生的二维直方图的实例及二维直方图的差异；
图9是说明具有基于图8中展示的二维直方图的类似性及差异被区分成最终子群组的关注区域中的多边形的图5中展示的关注区域的平面视图的示意图；及
图10是说明存储用于引起计算机系统执行本文中描述的计算机实施方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。
虽然本发明容许以各种修改及替代形式呈现，但本发明的特定实施例通过图式中的实例展示且在本文中经详细描述。图式可不按比例绘制。然而，应理解，图式及其详细描述不希望将本发明限于所揭示的特定形式，相反，本发明欲涵盖落于如由随附权利要求书界定的本发明的精神及范围内的全部修改、等效物及替代物。
具体实施方式
如本文中使用的术语“扰乱点”(其有时可与“扰乱点缺陷”互换地使用)通常被定义为用户不关心的缺陷及/或在样本上检测但实际上并非样本上的实际缺陷的事件。并非实际缺陷的扰乱点可归因于样本上的非缺陷噪声源(例如，样本上的金属线中的增益、来自样本上的底层或材料的信号、线边缘粗糙度(LER)、图案化属性的相对小临界尺寸(CD)变动、厚度变动等)及/或归因于检验系统自身或用于检验的其配置中的边缘性而被检测为事件。
如本文中使用的术语“所关注缺陷(DOI)”被定义为在样本上检测且实际上是样本上的实际缺陷的缺陷。因此，DOI为用户所关注，这是因为用户通常关心在经检验的样本上的实际缺陷的数量及种类。在一些上下文中，术语“DOI”用于指代样本上的全部实际缺陷的子集，其仅包含用户关注的实际缺陷。例如，在任何给定样本上可存在多个类型的DOI，且用户对其的一或多者可比对一或多个其它类型更关注。然而，在本文中描述的实施例的上下文中，术语“DOI”用于指代样本上的任何及全部真实缺陷。
如本文中使用的术语“设计”及“设计数据”通常是指IC的物理设计(布局)及通过复杂模拟或简单几何及布尔(Boolean)运算从物理设计导出的数据。物理设计可存储于数据结构(例如图形数据串流(GDS)文件、任何其它标准机器可读文件、所属领域中已知的任何其它适合文件及设计数据库)中。GDSII文件是用于表示设计布局数据的一种类别的文件中的一者。此类文件的其它实例包含GL1及OASIS文件及专属于加利福尼亚，米尔皮塔斯市(Milpitas)的KLA的专属文件格式，例如RDF数据。另外，由分划板检验系统获取的分划板的图像及/或其导出物可用作设计的“代理”或“若干代理”。此分划板图像或其导出物可在使用设计的本文中描述的任何实施例中用作对于设计布局的取代物。设计可包含2009年8月4日颁予扎法(Zafar)等人的共同拥有的第7,570,796号美国专利及2010年3月9日颁予库尔卡尼(Kulkarni)等人的共同拥有的第7,676,077号美国专利中描述的任何其它设计数据或设计数据代理，所述两个专利以宛如全文陈述引用的方式并入本文中。另外，设计数据可位标准单元库数据、集成布局数据、一或多个层的设计数据、设计数据的导出物及完全或部分芯片设计数据。
在一些例子中，从晶片或分划板模拟或获取的图像可用作设计的代理。图像分析还可用作设计数据的代理。例如，设计中的多边形可从打印于晶片及/或分划板上的设计的图像提取，假定晶片及/或分划板的图像是以足以使设计的多边形适当地成像的分辨率获取。另外，本文中描述的“设计”及“设计数据”是指由半导体装置设计者在设计过程中产生且因此可在将设计打印于任何物理晶片上之前良好地用于本文中描述的实施例中的信息及数据。
“设计”或“物理设计”还可为如将在晶片上理想地形成的设计。以此方式，设计可不包含将不打印于晶片上的设计的特征，例如光学近接性校正(OPC)特征，所述特征被添加到设计以增强晶片上的特征的打印而实际上自身不被打印。
现参考图式，应注意，图未按比例绘制。特定来说，在很大程度上放大图的一些元件的尺度以强调元件的特性。还应注意，所述图未按相同比例绘制。已使用相同元件符号指示可经类似配置的展示于多于一个图中的元件。除非本文中另有说明，否则所描述且展示的任何元件可包含任何适合市售元件。
一个实施例涉及一种经配置用于选择用于样本检验的缺陷检测方法的系统。一些实施例涉及用于增强缺陷检验灵敏度的统计关注区域分组。例如，本文中描述的缺陷检验中的关注区域细分及统计重新分组可用于增强对DOI的灵敏度，降低扰乱点率，改进晶片内及晶片间配方性能稳定性或其某一组合。
在一个实施例中，样本是晶片。晶片可包含半导体领域中已知的任何晶片。在另一实施例中，样本是分划板。分划板可包含半导体领域中已知的任何分划板。虽然本文中关于一晶片或若干晶片描述一些实施例，但实施例不限于可使用其的样本。例如，本文中描述的实施例可用于例如分划板、平板、个人计算机(PC)板及其它半导体样本的样本。
在图1中展示此系统的一个实施例。在一些实施例中，所述系统包含检验子系统，所述检验子系统包含至少一能量源及检测器。所述能量源经配置以产生经引导到样本的能量。所述检测器经配置以检测来自所述样本的能量且响应于所述检测到的能量而产生输出。
在一个实施例中，检验子系统是基于光的检验子系统。例如，在图1中展示的系统的实施例中，检验子系统10包含经配置以将光引导到样本14的照明子系统。照明子系统包含至少一个光源。例如，如图1中展示，照明子系统包含光源16。在一个实施例中，照明子系统经配置以按可包含一或多个倾斜角及/或一或多个法向角的一或多个入射角将光引导到样本。例如，如图1中展示，来自光源16的光经引导穿过光学元件18且接着穿过透镜20到光束分离器21，所述光束分离器按一法向入射角引导光到样本14。入射角可包含任何适合入射角，其可取决于(例如)样本及想在样本上检测的缺陷的特性而变动。
照明子系统可经配置以在不同时间按不同入射角将光引导到样本。例如，检验子系统可经配置以更改照明子系统的一或多个元件的一或多个特性使得可按不同于图1中展示的入射角的入射角将光引导到样本。在一个此实例中，检验子系统可经配置以移动光源16、光学元件18及透镜20使得按一不同入射角将光引导到样本。
在一些例子中，检验子系统可经配置以在相同时间按多于一个入射角将光引导到样本。例如，检验子系统可包含多于一个照明通道，照明通道中的一者可包含如图1中展示的光源16、光学元件18及透镜20，且照明通道中的另一者(未展示)可包含可不同或相同配置的类似元件或可包含至少一光源及可能一或多个其它组件(例如本文中进一步描述的组件)。如果在与其它光相同的时间将此光引导到样本，那么按不同入射角引导到样本的光的一或多个特性(例如，波长、偏光等)可不同，使得可在检测器处将源从按不同入射角照明样本的光彼此区分。
在另一例子中，照明子系统可仅包含一个光源(例如，图1中展示的源16)且可由照明子系统的一或多个光学元件(未展示)将来自所述光源的光区分成不同光学路径(例如，基于波长、偏光等)。接着，可将不同光学路径中的每一者中的光引导到样本。多个照明通道可经配置以在相同时间或不同时间(例如，当使用不同照明通道以依序照明样本时)将光引导到样本。在另一例子中，相同照明通道可经配置以在不同时间将具有不同特性的光引导到样本。例如，在一些例子中，光学元件18可经配置为光谱滤波器且可以各种不同方式(例如，通过调换出光谱滤波器)改变光谱滤波器的性质使得可在不同时间将不同波长的光引导到样本。照明子系统可具有所属领域中已知的用于依序或同时按不同或相同入射角将具有不同或相同特性的光引导到样本的任何其它适合配置。
在一个实施例中，光源16可包含宽带等离子体(BBP)光源。以此方式，由光源产生且引导到样本的光可包含宽带光。然而，光源可包含任何其它适合光源(例如激光器，其可为所属领域中已知的任何适合激光器)，且可经配置以产生所属领域中已知的任何适合波长的光。另外，激光器可经配置以产生单色或近单色光。以此方式，激光器可为窄带激光器。光源还可包含产生多个离散波长或波带的光的多色光源。
来自光学元件18的光可通过透镜20聚焦到光束分离器21上。虽然透镜20在图1中展示为单折射光学元件，但实际上，透镜20可包含将来自光学元件的光组合地聚焦到样本的数个折射及/或反射光学元件。图1中展示且本文中描述的照明子系统可包含任何其它适合光学元件(未展示)。此类光学元件的实例包含(但不限于)偏光组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、光束分离器、孔径及类似者，其可包含所属领域中已知的任何此类适合光学元件。另外，系统可经配置以基于用于检验的照明的类型更改照明子系统的一或多个元件。
检验子系统还可包含经配置以引起光扫描遍及样本的扫描子系统。例如，检验子系统可包含样本14在检验期间安置于其上的载物台22。扫描子系统可包含可经配置以移动样本使得光可扫描遍及样本的任何适合机械及/或机器人组合件(包含载物台22)。另外或替代地，检验子系统可经配置使得检验子系统的一或多个光学元件执行光遍及样本的某一扫描。可以任何适合方式使光扫描遍及样本。
检验子系统进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，所述检测器经配置以归因于通过检验子系统照明样本而从样本检测光且响应于检测到的光产生输出。例如，图1中展示的检验子系统包含两个检测通道，一个检测通道由集光器24、元件26及检测器28形成且另一检测通道由集光器30、元件32及检测器34形成。如图1中展示，两个检测通道经配置以按不同收集角收集且检测光。在一些例子中，一个检测通道经配置以检测镜面反射光，且另一检测通道经配置以检测未从样本镜面反射(例如，散射、绕射等)的光。然而，两个或更多个检测通道可经配置以从样本检测相同类型的光(例如，镜面反射光)。虽然图1展示包含两个检测通道的检验子系统的实施例，但检验子系统可包含不同数目个检测通道(例如，仅一个检测通道或两个或更多个检测通道)。虽然在图1中将每一集光器展示为单折射光学元件，但每一集光器可包含一或多个折射光学元件及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域中已知的任何适合检测器，例如光电倍增管(PMT)、电荷耦合装置(CCD)及延时积分(TDI)摄影机。所述检测器还可包含非成像检测器或成像检测器。如果检测器是非成像检测器，那么每一检测器可经配置以检测散射光的某些特性(例如强度)但不可经配置以检测依据成像平面内的位置而变化的此类特性。因而，由包含于每一检测通道中的每一检测器产生的输出可为信号或数据，而非图像信号或图像数据。在此类例子中，计算机子系统(例如系统的计算机子系统36)可经配置以从检测器的非成像输出产生样本的图像。然而，在其它例子中，检测器可经配置为经配置以产生成像信号或图像数据的成像检测器。因此，系统可经配置以依数个方式产生图像。
应注意，在本文中提供图1以大体上说明可包含于本文中描述的系统实施例中的检验子系统的配置。显然，可更改本文中描述的检验子系统布置以如在设计商业检验系统时通常执行那样优化系统的性能。另外，可使用例如商业上可购自KLA的29xx及39xx系列的工具的现存检验系统(例如，通过将本文中描述的功能性添加到现存检验系统)实施本文中描述的系统。对于一些此类系统，可将本文中描述的实施例提供为检验系统的任选功能性(例如，除了检验系统的其它功能性之外)。替代地，可“从头开始”设计本文中描述的检验子系统以提供全新检验系统。
系统的计算机子系统36可以任何适合方式(例如，经由一或多个传输媒体，所述一或多个传输媒体可包含“有线”及/或“无线”传输媒体)耦合到检验子系统的检测器使得计算机子系统可接收由检测器在样本的扫描期间产生的输出。计算机子系统36可经配置以使用检测器的输出执行如本文中描述的数个功能及本文中进一步描述的任何其它功能。可如本文中描述那样进一步配置此计算机子系统。
此计算机子系统(以及本文中描述的其它计算机子系统)在本文中还可称为计算机系统。本文中描述的计算机子系统或系统中的每一者可采取各种形式，包含个人计算机系统、图像计算机、主计算机系统、工作站、网络设备、因特网设备或其它装置。一般来说，术语“计算机系统”可经广泛定义以涵盖具有执行来自存储器媒体的指令的一或多个处理器的任何装置。计算机子系统或系统还可包含所属领域中已知的任何适合处理器(例如并行处理器)。另外，所述计算机子系统或所述系统可包含具有高速处理及软件的计算机平台(作为独立工具或网络工具)。
如果系统包含多于一个计算机子系统，那么不同计算机子系统可彼此耦合使得可在如本文中进一步描述的计算机子系统之间发送图像、数据、信息、指令等。例如，计算机子系统36可通过可包含所属领域中已知的任何适合有线及/或无线传输媒体的任何适合传输媒体耦合到计算机子系统102(如由图1中的虚线展示)。两个或更多个此类计算机子系统还可通过共享计算机可读存储媒体(未展示)有效地耦合。
虽然上文将检验子系统描述为光学子系统或基于光的检验子系统，但检验子系统可为基于电子的子系统。例如，在一个实施例中，经引导到样本的能量包含电子，且从样本检测的能量包含电子。以此方式，能量源可为电子束源。在图2中展示的一个此实施例中，检验子系统包含电子柱122，所述电子柱122耦合到计算机子系统124。
还如图2中展示，电子柱包含经配置以产生由一或多个元件130聚焦到样本128的电子的电子束源126。电子束源可包含(例如)阴极源或射极尖端，且一或多个元件130可包含(例如)枪透镜、阳极、限束孔径、闸阀、束电流选择孔径、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类适合元件。
从样本返回的电子(例如，二次电子)可由一或多个元件132聚焦到检测器134。一或多个元件132可包含(例如)扫描子系统，所述扫描子系统可为包含于元件130中的相同扫描子系统。
电子柱可包含所属领域中已知的任何其它适合元件。另外，可如2014年4月4日颁予蒋(Jiang)等人的第8,664,594号美国专利、2014年4月8日颁予小岛(Kojima)等人的第8,692,204号美国专利、2014年4月15日颁予固本(Gubbens)等人的第8,698,093号美国专利及2014年5月6日颁予麦克当纳(MacDonald)等人的第8,716,662号美国专利中所描述那样进一步配置电子柱，所述专利以宛如全文陈述引用的方式并入本文中。
虽然在图2中将电子柱展示为经配置使得电子按一倾斜入射角引导到样本且按另一倾斜角从样本散射，但应理解，电子束可按任何适合角度引导到样本且从样本散射。另外，电子束子系统可经配置以使用多个模式来产生样本的图像(例如，具有不同照明角、收集角等)。电子束子系统的多个模式在子系统的任何图像产生参数方面可为不同的。
计算机子系统124可耦合到检测器134，如上文描述。检测器可检测从样本的表面返回的电子，借此形成样本的电子束图像。所述电子束图像可包含任何适合电子束图像。计算机子系统124可经配置以使用检测器的输出及/或电子束图像执行本文中描述的功能的任何者。计算机子系统124可经配置以执行本文中描述的任何额外步骤。可如本文中描述那样进一步配置包含图2中展示的检验子系统的系统。
应注意，在本文中提供图2以大体上说明可包含于本文中描述的实施例中的基于电子的检验子系统的配置。如同上文描述的光学子系统，可更改本文中描述的电子束子系统布置以如在设计商业检验系统时通常执行那样优化子系统的性能。另外，可使用现存检验系统(例如，通过将本文中描述的功能性添加到现存检验系统)实施本文中描述的系统。对于一些此类系统，可将本文中描述的实施例提供为系统的任选功能性(例如，除了系统的其它功能性之外)。替代地，可“从头开始”设计本文中描述的系统以提供全新系统。
虽然上文将检验子系统描述为基于光或基于电子束的子系统，但检验子系统可为基于离子束的子系统。可如图2中展示那样配置此检验子系统，除了可使用所属领域中已知的任何适合离子束源替换电子束源外。因此，在一个实施例中，经引导到样本的能量包含离子。另外，检验子系统可为任何其它适合基于离子束的检验子系统，例如包含于市售聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及二次离子质谱仪(SIMS)系统中的离子束工具。
本文中描述的检验子系统可经配置以使用多个模式产生样本的输出(例如，图像)。一般来说，“模式”由用于产生样本的输出及/或图像的检验子系统的参数的值(或用于产生样本的图像的输出)定义。因此，(除样本上产生输出的位置之外)模式可在检验子系统的参数中的至少一者的值方面不同。例如，在光学子系统中，不同模式可使用不同波长的光进行照明。模式可在照明波长方面不同，如本文中进一步描述(例如，通过使用用于不同模式的不同光源、不同光谱滤波器等)。在另一实例中，不同模式可使用光学子系统的不同照明通道。例如，如上文提及，光学子系统可包含多于一个照明通道。因而，不同照明通道可用于不同模式。模式还可或替代地在光学子系统的一或多个收集/检测参数方面不同。模式可在检验子系统的任何一或多个可更改参数(例如，照明偏振、角度、波长等、检测偏振、角度、波长等)方面不同。例如，取决于使用多个模式同时扫描样本的能力，检验子系统可经配置以在相同扫描或不同扫描中使用不同模式扫描样本。
以类似方式，由电子束子系统产生的输出可包含由电子束子系统使用电子束子系统的参数的两个或更多个不同值产生的输出(例如，图像)。电子束子系统的多个模式可由用于产生样本的输出及/或图像的电子束子系统的参数的值定义。因此，模式可在电子束子系统的至少一个电子束参数的值方面不同。例如，不同模式可使用不同入射角进行照明。
可在一或多个参数方面修改本文中描述且在图1及2中展示的子系统以取决于将使用其的应用而提供不同输出产生能力。在一个此实例中，图1中展示的检验子系统可经配置以在其用于缺陷检视或计量而非用于检验的情况下具有较高分辨率。换句话说，图1及2中展示的检验子系统的实施例描述检验子系统的某些一般及各种配置，其可以将对所属领域的技术人员显而易见的数个方式定制以产生具有或多或少适合于不同应用的不同输出产生能力的检验子系统。
如上文提及，光学、电子及离子束子系统经配置以将能量(例如，光、电子等)扫描遍及样本的物理版本，借此针对样本的物理版本产生输出。以此方式，光学、电子及离子束子系统可经配置为“实际”子系统而非“虚拟”子系统。然而，图1中展示的存储媒体(未展示)及计算机子系统102可经配置为“虚拟”系统。特定来说，存储媒体及计算机子系统可经配置为“虚拟”检验系统，如在共同受让的以下专利中描述：在2012年2月28日颁予巴斯卡(Bhaskar)等人的第8,126,255号美国专利及2015年12月29日颁予达菲(Duffy)等人的第9,222,895号美国专利，所述两个专利以宛如全文陈述引用的方式并入本文中。可如这些专利中描述那样进一步配置本文中描述的实施例。
一或多个计算机子系统经配置用于基于样本上的多边形的特性将样本上的关注区域中的多边形区分成初始子群组，使得具有特性的不同值的多边形被区分成不同初始子群组。例如，如图3的步骤300中展示，计算机子系统可经配置用于基于样本上的多边形的特性将关注区域中的多边形区分成初始子群组。在本文中进一步描述可用于此步骤的多边形特性的若干实例。如何定义这些特性的不同值可以数个方式变动。例如，一些特性是定性而非定量的，例如，正方形形状不同于线形状，所述两个形状不同于不规则多边形形状。然而，许多特性可定量地不同，例如，以度为单位描述的定向差异、以nm为单位描述的尺寸、以nm2为单位描述的面积等。因此，在区分步骤中是否将特性的两个值确定为不同可为基于定义不同值对非不同值的值的预定范围。值之间的差的预定范围可以任何适合方式确定，例如，可由用户设置预定范围，可基于两个值必须相差多少才能使其在统计上被视为不同而在统计上确定预定范围，预定范围基于两个多边形必须不同的程度以产生噪声的统计上不同值或两个多边形必须类似的程度以产生噪声的统计上类似值的先验知识等。
虽然本文中关于多边形的特性描述实施例，但区分步骤可基于多边形的一或多个特性(例如形状、定向、尺寸等)执行。一些多边形可基于一个特性(例如，形状)的值区分，而其它多边形可基于不同特性(例如，定向)区分。在一个实施例中，多边形的特性包含多边形的物理特性。在另一实施例中，通过沿着一个轴线投影多边形而执行区分。例如，可基于设计多边形尺寸(例如多边形面积、x尺寸及y尺寸、多边形定向、多边形形状、在x方向或y方向上的投影值及关注区域尺寸)将关注区域中的多边形划分为初始子群组。以此方式，关注区域中的多边形的初始子分组可根据设计多边形的尺寸/形状/定向及/或基于投影的群组执行。
在图4中展示关注区域中的多边形的基于投影的分析的一个实例。图4展示关注区域400的设计图像。设计图像展示关注区域的设计中的多边形。确定此关注区域中的多边形的特性可包含沿着y方向的投影，其可产生投影402，从而展示依据沿着x轴的位置而变化的多边形的数目。可接着将具有相同或类似计数的多边形指派到相同关注区域初始子群组。换句话说，定位于具有基于高投影的计数的区域中的全部设计多边形隶属于关注区域初始子群组1(CAG1)且其它设计多边形隶属于关注区域初始子群组2(CAG2)。因此，基于图4中展示的投影，关注区域400中的多边形404将被区分成CAG1且关注区域400中的多边形402将被区分成CAG2。当关注区域主要包含线及其间具有其它多边形的空间图案时，多边形的基于投影的区分可尤其适合。
图5展示样本(例如晶片)的关注区域500的另一实例。如图5中展示，关注区域包含具有不同特性的多个多边形。特定来说，一些多边形是在x方向上延伸的线状结构，其它多边形是在y方向上延伸的线状结构，且一些额外多边形是正方形状结构。虽然图5(及本文中描述的其它图)展示包含特定数目个且具有特定特性的多边形的关注区域的实例，但应理解，本文中描述的实施例不限于可针对其执行本文中描述的步骤的具有任何特定特性(大小、形状、位置等)的任何特定关注区域及/或多边形。另外，虽然本文中关于关注区域(可存在其的形成于样本上的多个例子)描述实施例，但本文中描述的实施例还可针对样本上的多个关注区域单独及独立地执行。
图5中展示的关注区域中的多边形可区分成不同初始子群组，如本文中进一步描述。例如，图7展示图5的关注区域的具有具备不同特性(经展示具有不同填充图案)的多边形的版本700。特定来说，在y方向上延伸的线状结构经展示具有水平线填充图案，在x方向上延伸的线状结构经展示具有垂直线填充图案，且正方形状结构经展示具有对角线填充图案。因此，具有相同填充图案的图7中展示的多边形中的每一者属于相同初始子群组。换句话说，在y方向上延伸的线状结构可全部区分成第一初始子群组，在x方向上延伸的线状结构可全部区分成第二初始子群组，且正方形状结构可全部区分成第三初始子群组。以此方式，图5的关注区域中展示的多边形可基于其形状、大小、定向等被区分成初始子群组。
在一些实施例中，关注区域中的多边形包含样本的多于一个层上的多边形。例如，多边形不限于多边形的一个单个层而可延伸到含有多边形的多个层。多于一个层可包含将被检验的层及在将在样本上被检验的层下方的层。因此，经检验层下方的层可不一定在检验中是所关注的，但所述下伏层及/或形成于其上的多边形可影响在检验期间针对样本产生的输出。例如，下伏多边形可影响由检验子系统针对样本产生的输出中的噪声。因此，本文中描述的实施例可考虑此类多边形，这是因为相同经检验层上的两个相同多边形可归因于不同下伏多边形而在检验中具有基本上不同噪声特性。以此方式，初始子群组可经定义使得将经检验层上具有特性的不同值的多边形区分成不同初始子群组且使得将经检验层上具有特性的相同值但定位于具有多边形的特性的不同值的一或多个多边形上方的多边形区分成不同初始子群组。在一个此实例中，图5中展示的在x方向上延伸的线状结构可区分成如图7中展示的初始子群组，接着可基于线状结构形成于其上的多边形(未展示)将所述初始子群组中的多边形进一步区分成子群组。可如本文中描述那样从样本的设计获取关于样本的多于一个层上的多边形的信息。定义关注区域初始子群组可接着针对每一层独立地执行或尤其当不同层的设计多边形重叠时可为组合。
关注区域初始及最终子群组的产生还不限于分割原始关注区域但可分别基于如本文中描述的设计多边形及噪声的特性产生全新关注区域。例如，虽然为了简洁起见，关注区域中的设计多边形及各种子群组中的设计多边形在本文中展示的实例中相同，但情况不必如此，这是因为关注区域可取决于本文中描述的步骤的结果而生长或收缩。换句话说，关注区域可从其原始定义扩展以涵盖具有与原始定义关注区域中的多边形相同的多边形的特性的值及与原始定义关注区域中的多边形基本上相同的噪声的特性的值的其它附近多边形。以类似方式，关注区域可从其原始定义收缩以从原始定义消除一或多个多边形，可基于本文中描述的初始子分组及最终子分组步骤将所述一或多个多边形移动到另一关注区域或完全从全部关注区域移除。对界定关注区域的外围的此扩展、收缩或其它修改可仅基于经检验层上的多边形或基于样本的多于一个层上的多边形执行。
在另一实施例中，一或多个计算机子系统进一步经配置用于从样本的设计确定样本上的多边形的特性。例如，区分步骤可包含通过使用基于设计的图案搜索而将关注区域群组划分为初始子群组。在一个此实例中，基于IC设计(例如，图案密度、线距离等)的逻辑规则可用于确定多边形的特性且将具有不同特性的多边形彼此区分。可通过本文中描述的实施例或通过使用另一系统或方法(例如电子设计自动化(EDA)工具，其可包含所属领域中已知的任何市售EDA工具)以任何适合方式执行。
在额外实施例中，一或多个计算机子系统进一步经配置用于通过呈现样本的设计而确定样本上的多边形的特性。例如，区分步骤可包含其中使用样本的设计以模拟如将形成于样本上的多边形的特性的基于设计呈现的方法。特定来说，如经设计的多边形的特性可不同于如形成于样本上的多边形的特性。另外，由于是如形成于样本上而不一定是如经设计的多边形的特性将影响检验系统输出中的噪声的特性，因此如将形成于样本上的多边形的特性可比其如经设计特性更适合用于将多边形区分成初始子群组。
呈现设计可包含模拟在将设计打印或制造于样本上时设计的外观。例如，呈现设计可包含产生在其上打印或形成多边形的样本的经模拟表示。可用于产生经模拟样本的经经验训练的过程模型的一个实例包含SEMulator 3D，其商业上可购自Coventor,Inc.,Cary,NC。严格光刻模拟模型的实例是Prolith，其商业上可购自KLA且可与SEMulator 3D产品配合使用。然而，可执行呈现样本的设计以使用在从设计产生实际样本中涉及的过程的任何者的任何适合模型产生经模拟样本。以此方式，可使用设计以模拟已在其上形成设计的样本在样本空间中的外观(未必此样本对于成像系统的外观)。因此，设计呈现可产生可表示样本在样本的二维(2D)或三维(3D)空间中的外观的样本的经模拟表示。
计算机子系统还经配置用于确定在由检验子系统的检测器针对不同初始子群组中的样本上的多边形产生的输出中的噪声的特性。例如，如图3的步骤302中展示，计算机子系统可经配置用于确定在由检验子系统的检测器针对多边形产生的输出中的噪声的特性。由检测器产生的输出可包含本文中描述的任何输出，例如，图像信号、图像数据、非图像信号、非图像数据等。噪声的特性可以本文中描述的数个不同方式确定。
在一些例子中，整个关注区域的噪声的特性可基本上不同于关注区域内的多边形的不同初始子群组(其还可基本上彼此不同)的噪声的特性。图6及8说明此类差异及从分别从图5及7中展示的设计多边形导出的关注区域内的结构的基于晶片的差异图像导出的2D直方图。在这些图中展示的2D直方图上的轴线是参考灰阶及差异灰阶。在图6中，已将图5的关注区域中的全部多边形的参考灰阶及差异灰阶组合在一起。因此，图6中展示的2D直方图600为初始关注区域群组(参考灰阶超过差异灰阶)。多边形的初始子群组中的至少一者是基本上具有噪声的，此在2D直方图600中通过基本上大动态范围及基本上高噪声级展示(其中在此上下文中使用的“动态范围”被定义为参考图像帧中的最大-最小灰阶)。动态范围可对于本文中描述的实施例中的噪声的特性尤其有用，这是因为其通常与针对其产生2D直方图的区域(例如，相较于仅包含一个类型的多边形(其全部在样本上具有基本上类似特性)的关注区域，包含不同类型的多边形(其至少一些在样本上具有不同特性)的关注区域在此2D直方图中将通常具有更高动态范围)中的多边形的类型相关。例如，如果在参考图像帧中存在诸多不同图案(即，具有不同灰阶的图案的混合)，那么2D直方图可展示相对高动态范围。
如上文描述，在识别图5中展示的关注区域中的全部个别多边形之后，将多边形形状中的每一者分组成如图7中展示的三个初始子群组中的一者。可接着针对初始子群组中的每一者产生个别直方图。可(例如)通过基于关注区域中产生数据的位置及关注区域中多边形所处的位置区分数据而从用于产生直方图600的相同数据产生个别直方图，可针对多边形的不同初始子群组区分数据。例如，如图8中展示，可针对在x方向上延伸的线状结构产生2D直方图800，可针对正方形状结构产生2D直方图802，且可针对在y方向上延伸的线状结构产生2D直方图804。如从图8可见，通过针对初始子群组评估个别2D直方图，2D直方图802及804展示针对正方形状多边形及在y方向上延伸的线状多边形的初始子群组相对安静(例如，具有在相对小动态范围中的基本上低噪声值)、具有类似噪声特性(例如，跨噪声的基本上类似值的基本上类似噪声分布)，而针对在x方向上延伸的线状多边形的2D直方图800基本上具有噪声(例如，具有相对大动态范围)、具有与其它2D直方图基本上不同的噪声特性(例如，2D直方图800中的噪声分布基本上不同于2D直方图802及804中的噪声分布)。这些直方图可接着用于确定多边形的最终子群组，如本文中进一步描述。
在一个实施例中，由检验子系统的检测器产生的用于确定噪声的特性的输出是通过使用检验子系统扫描样本而产生。例如，使用关注区域初始子群组的全部，可执行晶片检验运行。因此，一或多个计算机子系统可经配置用于通过使用本文中描述的检验子系统中的一者(例如，通过将光或电子束引导到样本且从样本检测光或电子束)而获取用于确定噪声特性的输出。以此方式，可使用物理样本自身及某一种类的检验(例如，成像)硬件执行获取输出。然而，获取输出不一定包含使用成像硬件成像或扫描样本。例如，另一系统及/或方法可产生输出且可将经产生输出存储于一或多个存储媒体(例如，如本文中描述的虚拟检验系统或本文中描述的另一存储媒体)中。因此，获取输出可包含自已存储输出的存储媒体获取输出。
在一些实施例中，用于确定噪声的特性的输出是针对样本使用检验子系统的多于一个模式产生的输出。例如，多模式噪声信息可用于本文中进一步描述的步骤。当选择用于多模式检验的缺陷检测方法时，使用多模式噪声可为有益的。检验子系统的多个模式可包含本文中进一步描述的任何模式。在一些例子中，不同噪声特性可从在不同模式中产生的输出确定。例如，不同模式可用于样本的相同检验，且本文中描述的实施例可经配置以针对多于一个模式单独执行步骤，例如使得针对不同模式确定不同最终子群组，可接着如本文中描述那样针对所述不同模式选择不同缺陷检测方法。以此方式，当模式已知时，本文中描述的步骤可针对每一模式单独且独立地执行，且例如，当模式无法同时用于产生样本的输出时，用于所述步骤的检测器的输出可在样本的相同扫描中或样本的多个扫描中产生。
本文中描述的步骤还可针对多于一个模式执行以用于模式选择。例如，本文中描述的步骤可用于通过针对不同模式执行本文中描述的步骤且接着确定哪一或哪些模式将最适合用于样本的检验(例如，通过比较针对不同模式确定的最终子群组及在不同模式中针对最终子群组选择的缺陷检测方法)而评估不同模式，可识别并选择可检测大多数DOI、抑制大多数扰乱点等的模式或模式组合以用于样本或相同类型的其它样本的检验。以此方式，本文中描述的实施例可用于模式及算法两者的同时选择。另外，如本文中进一步描述，可独立地调谐经选择的缺陷检测方法的参数，借此实现针对每一最终子群组的检验及模式组合的优化。还可通过本文中描述的实施例针对每一模式/最终子群组/缺陷检测方法组合(例如，扰乱点过滤参数、缺陷分类参数等)独立地选择检验子系统及/或检验配方的任何其它参数。可以所属领域中已知的任何适合方式选择此类其它参数。
在另一实施例中，确定噪声的特性包含执行输出的统计分析。例如，可测量噪声，且可执行计算特性(例如不同灰阶或动态范围的标准偏差)的统计分析。另外，确定噪声的特性可包含执行每一个别关注区域初始子群组的噪声分布的统计分析，例如，在μ+/-3σ处针对差异灰阶设置0的偏移，其中μ是平均值且σ是标准偏差。噪声的特性可或替代地是噪声相对于非噪声信号或图像数据的特性。例如，通过本文中描述的实施例确定的噪声的特性可为相对于非噪声的特性描述噪声的特性的一种类型的共同信噪比。例如，噪声的特性可包含噪声及/或离群点(潜在缺陷信号或图像)分布特性或基于所述噪声及/或离群点分布特性确定。
在一些实施例中，确定噪声的特性包含确定在由检验子系统的检测器针对样本上的多边形产生的输出组合由检验子系统的检测器针对另一样本上的不同初始子群组中的多边形产生的输出中的噪声的特性。例如，可通过在若干(两个或更多个)晶片上收集数据而执行针对最终子群组的分组。以此方式，可相对于晶片间过程变动识别具有噪声及不具有噪声的关注区域及多边形。另外，可相应地对具有相对高晶片间变动的关注区域群组/子群组进行识别并分组。还可动态地确定经扫描以产生用于确定噪声的特性且确定最终子群组的输出的样本的数量。例如，如果扫描两个样本且不同样本上的相同多边形展示样本间噪声特性的基本上高变动，那么可扫描一或多个额外样本以进一步特性化样本间由所述多边形展现的噪声。另外，经扫描的样本的数目可以所属领域中已知的任何适合方式确定。
在额外实施例中，确定噪声的特性包含确定在由检验子系统的检测器针对样本上的关注区域的多于一个例子中的不同初始子群组中的样本上的多边形产生的输出中的噪声的特性。例如，虽然在本文中关于关注区域描述实施例且所述实施例可使用针对单个关注区域例子产生的输出执行，但一般来说，用于确定噪声的特性的输出可从至少一个样本上的关注区域的多于一个例子产生。可在样本上的相同分划板例子(例如，裸片、场等)及/或在样本上的多于一个分划板例子中形成关注区域的多个例子。另外，用于确定噪声的特性的关注区域例子跨样本的分布可基于(例如)跨样本的预期过程变动(其可影响检验子系统输出)、在检验运行期间将被扫描的样本上的区域等确定。此外，虽然从许多(许多两个以上)关注区域例子产生用于确定噪声特性的输出可为有利的，但从样本上的全部关注区域例子产生输出可不一定合理地特性化来自样本中的多边形的噪声。无关于如何执行扫描或输出产生，可以任何适合方式(例如，基于关注区域中的多边形的已知位置、样本上的关注区域例子的已知或经估计位置及在样本上产生各种输出的已知位置)识别针对初始子群组中的多边形产生的输出。因此，针对不同多边形产生的输出可经区分且用于确定如本文中描述的噪声的特性。
计算机子系统经配置用于通过将具有噪声的特性的基本上相同值的不同初始子群组中的任何两者或更多者组合成最终子群组中的一者而确定多边形的最终子群组。例如，如图3的步骤304中展示，计算机子系统可确定多边形的最终子群组。取决于噪声的特性，可组合关注区域初始子群组。如本文中使用的术语“基本上相同”值可与术语“非显著不同”及“统计上类似”值互换地使用。如本文中使用的术语“统计上类似”值希望具有在数学及尤其统计学的领域中使用的术语的普遍接受的定义，即，统计上类似被普遍接受为μ“在误差裕度内”且“不由非偶然因素引起”。这些定义中的两者与本文中的术语的使用一致。例如，可通过比较值的差异与误差裕度且确定在误差裕度内的差“统计上类似”而确定噪声特性的值是否是“统计上类似”。
在一个此实例中，可将具有类似动态范围值、裸片间(差异)灰阶变动等的关注区域初始子群组组合成一个关注区域最终子群组。在图8中，例如，由于针对在x方向上延伸的线状多边形的子群组产生的2D直方图800基本上不同于分别针对正方形状多边形及在y方向上延伸的线状多边形产生的2D直方图802及804，将在x方向上延伸的线状多边形与关注区域中的其它多边形区分看似非常有前景，这是因为我们可降低其它多边形的阈值(图表中的垂直线)以检测定位于噪声分布的中心部分处的DOI。另外，由于分别针对正方形状多边形及在y方向上延伸的线状多边形产生的2D直方图802及804展示这些多边形具有基本上相同噪声特性，但可将这些多边形组合成一个最终子群组。以此方式，确定最终子群组可包含将经确定具有基本上相同噪声行为的初始子群组组合成最终子群组。因此，包含在x方向上延伸的线状结构的具有多得多的噪声的初始子群组将不与其它多边形初始子群组组合且将代替性地包含于其自身的单独最终子群组中。
以此方式，如图8中展示，由于针对包含在x方向上延伸的线状结构的初始子群组A产生的2D直方图800基本上不同于针对其它初始子群组产生的2D直方图，因此在x方向上延伸的线状结构可包含于一个最终子群组中(在图8中由元件符号806指示的关注区域群组1)。另外，由于针对包含正方形状结构的初始子群组B产生的2D直方图802展示与针对包含在y方向上延伸的线状结构的初始子群组C产生的2D直方图804基本上相同的噪声特性，因此可将这些初始子群组组合成一个最终子群组(在图8中由元件符号808指示的关注区域群组2)。
这些最终子群组也在图9中展示，其中在相同最终子群组中的多边形的图案填充相同。特定来说，如图9中展示，由于正方形状多边形及在y方向上延伸的线状多边形被组合成最终子群组，但这些多边形中的两者可使用相同图案填充(图9中展示的水平线)指示。另外，由于在x方向上延伸的线状结构包含于其自身的最终子群组中，因此这些多边形在图9中被展示为具有不同于关注区域版本900中的全部其它多边形类型的图案(垂直线)。
在一个实施例中，确定噪声的特性及确定最终子群组在一或多个计算机子系统及检验子系统上实施为噪声扫描功能性。在一个此实施例中，一或多个计算机子系统及检验子系统经配置用于通过在由检验子系统的检测器产生的输出中收集图像帧数据且根据预定算法计算差异图像帧而实施噪声扫描。在另一此实施例中，预定算法与由自其选择第一及第二缺陷检测方法的适用于样本或另一样本的检验的多个缺陷检测方法中的至少一者使用的预定算法相同。
以此方式，上述确定噪声的特性及确定最终子群组步骤可在其中彼此配合执行两个步骤的计算机子系统及/或检验子系统上实施为“噪声扫描”功能性。换句话说，如果用户在本文中描述的实施例上选择“噪声扫描”选项，那么确定噪声的特性及确定最终子群组步骤两者可由本文中描述的实施例执行。接着，共同地，这些步骤可包含收集图像帧数据及根据特定算法计算差异图像帧(无论此是通过裸片间减法、单元间减法、测试图像到标准参考图像减法等)。因而，噪声扫描可使用所选取的缺陷检测算法执行。理想地，针对噪声扫描选择的相同缺陷检验算法还将用于实际缺陷检测(虽然不一定需要)。选择正确缺陷检测算法的方式可是基于检验的要求，例如，一些晶片设置使得必须使用SRD(本文中进一步描述)而其它晶片设置归因于严重过程变动而可需要MCAT+(本文中也进一步描述)等。另外，用户可决定在噪声扫描或缺陷检测中使用哪一类型的算法且在一些例子中，可选择算法中的一者(例如，MCAT(本文中进一步描述))作为预设。可接着将此差异图像帧与经细分的关注区域初始子群组重叠以鉴于其个别噪声行为识别正确最终子分组。
噪声扫描还可使用最小化系统噪声的算法执行关注区域分组。例如，通过基于多边形的初始子群组的噪声行为之间的类似性及差异将多边形的初始子群组组织成最终子群组，本文中描述的实施例可最小化用于缺陷检测的多边形的最终子群组内的系统噪声。因此，使用最终子群组作为用于检验的关注区域提供显著优点，这是因为如本文中进一步描述，针对不同最终子群组执行的缺陷检测可不同且可针对最终子群组中的每一者及其噪声行为定制。
虽然组合初始子群组以确定最终子群组可为更常见的，但本文中描述的实施例不仅仅限于此。在一些例子中，确定最终子群组可包含将初始子群组中的多边形区分成不同最终子群组。例如，取决于多边形例子附近的多边形、在多边形例子下方的多边形，多边形例子在样本上(例如，相对于样本的边缘或中心)所处的位置等，例如，相同多边形的不同例子可展现不同噪声行为。因此，在任选案例中，本文中描述的计算机子系统可经配置以分析初始子群组的噪声特性以随多边形例子识别具有基本上不同噪声特性的初始子群组。
在一个此实例中，计算机子系统可比较针对初始子群组确定的噪声特性(例如动态范围)与预定阈值且确定应评估具有超过预定阈值的动态范围的任何初始子群组以用于区分。计算机子系统可接着以各种方式(例如，取决于关注区域内位置、取决于样本内位置、取决于邻近多边形、取决于下伏多边形等)区分多边形例子。可接着针对这些初始“子子群组”或“中间子群组”确定噪声特性。取决于所述噪声特性如何类似或不同，可将初始子群组中的多边形例子区分成两个或更多个不同最终子群组。
在假设实例中，如果如本文中描述那样针对以上文描述的一或多个方式识别的各种中间子群组产生2D直方图，且全部2D直方图看似类似于图6中展示的2D直方图600(即，其全部具有基本上类似且相对大动态范围)，那么可将中间子群组重组成其原始初始子群组且指定为单个最终子群组(除非其与另一初始子群组组合以形成最终子群组)。相比之下，如果如本文中描述那样针对以上文描述的一或多个方式识别的两个中间子群组产生2D直方图且2D直方图中的一者看似类似于图8中展示的2D直方图800且2D直方图中的另一者看似类似于图8中展示的2D直方图802，那么可将中间子群组指派到不同最终子群组。另外，针对三个或三个以上中间子群组确定最终子群组可包含将一个中间子群组指派到最终子群组且将两个或更多个中间子群组指派到不同最终子群组的某一组合。此外，可比较中间子群组噪声特性与针对其它初始子群组(不仅中间子群组)确定的噪声特性，且基于噪声特性之间的类似性及差异，可将中间子群组与子群组组合成最终子群组。以此方式，在样本上具有相同特性的多边形的不同子集可与在多边形特性方面不类似的其它多边形一起包含于最终子群组中。可以其它方式如本文中进一步描述那样处理以此方式产生的最终子群组，从而允许使用不同缺陷检测方法及/或参数检验相同多边形的不同例子。
计算机子系统进一步经配置用于分别针对最终子群组的第一者及第二者基于分别针对最终子群组的第一者及第二者确定的噪声的特性选择用于应用到由检验子系统的检测器在样本或相同类型的另一样本的检验期间产生的输出的第一及第二缺陷检测方法。例如，如图3的步骤306中展示，计算机子系统可针对最终子群组选择缺陷检测方法。针对其执行检验的样本可具有相同类型，因为其可在对其执行检验之前经受相同制造过程。
由于如本文中描述那样确定最终子群组使得不同最终子群组展现不同噪声特性，因此一般来说，针对不同最终子群组选择的缺陷检测方法将最有可能是不同的(虽然不一定针对全部最终子群组)。例如，第一及第二缺陷检测方法通常将彼此不同，这是因为不同最终子群组通常将具有不同噪声特性。然而，在一些例子中，针对两个或更多个最终子群组，可选择相同缺陷检测方法。如果针对两个或更多个最终子群组选择相同缺陷检测方法，那么可针对两个或更多个最终子群组中的每一者独立且单独地调谐缺陷检测方法的参数使得针对不同最终子群组定制缺陷检测方法。
因此，可针对具有不同噪声特性的多边形的最终子群组单独且独立地选择第一及第二缺陷检测方法，此实现针对每一最终子群组使用最灵敏缺陷检测方法。例如，可针对每一最终子群组基于针对每一最终子群组确定的噪声特性独立地选择可检测大多数DOI而无禁止水平的扰乱点检测的缺陷检测方法。样本或相同类型的另一样本的检验可接着包含使用关注区域最终子群组的组合执行的缺陷检测及针对所述关注区域最终子群组选择的缺陷检测方法或算法。以此方式，本文中描述的实施例通过关注区域划分及重新分组而提供灵敏度增强。
经选择的第一及第二缺陷检测方法可为完全不同类型的缺陷检测方法(不仅具有一或多个不同参数(例如阈值)的相同缺陷检测方法)。第一及第二缺陷检测方法两者还可包含所属领域中已知的任何适合缺陷检测方法，在本文中描述所述方法的一些实例。例如，第一及第二缺陷检测方法中的一者可包含在商业上可购自KLA的一些检验系统上可用的多裸片适应性阈值(MDAT)算法。MDAT算法通过图像帧减法执行候选与参考图像比较且在相较于两个以上帧的中值参考帧时通过双检测(比较候选图像与两个参考图像)或单个检测基于信噪比识别离群点。第一及第二缺陷检测方法中的一者还可或替代地包含在商业上可购自KLA的一些检验系统上可用的多计算裸片适应性阈值(MCAT)算法。一般来说，此缺陷检测算法类似于MDAT算法但在执行图像减法之前优化参考以类似于测试图像帧。另外，第一及第二缺陷检测方法中的一者可包含MCAT+算法，其还在来自KLA的一些当前可用检验系统上可用且是类似于MCAT的算法但使用来自跨晶片的参考。第一及第二缺陷检测方法中的一者可进一步包含在来自KLA的一些市售检验系统上可用的单参考裸片(SRD)缺陷检测方法或算法。此缺陷检测算法使用来自相同或不同晶片的参考裸片作为参考(用于从测试图像的减法)。
在一个实施例中，第一及第二缺陷检测方法中的至少一者包含针对在检验期间由检验子系统的检测器产生的输出产生一维(1D)直方图。针对检测器输出产生1D直方图的缺陷检测方法可称为1D缺陷检测方法。在一个实施例中，一维直方图是自从在检验期间由检验子系统的检测器产生的输出产生的差异图像中的灰阶产生。例如，1D缺陷检测方法或算法可使用以差异灰阶为x轴的1D直方图进行离群点检测。因此，1D直方图可展示差异灰阶上的缺陷计数。以此方式，本文中描述的实施例可将关注区域修改与1D缺陷检测(即，基于1D图像直方图的阈值设置)组合。相比之下，如本文中使用的术语“2D缺陷检测算法”是使用2D直方图(其中一个轴是(例如)n>1个参考帧的中值灰阶(y轴)且x轴是参考灰阶(例如本文中描述的图中展示的直方图))的算法。另外，经执行用于确定如本文中描述的噪声的特性的噪声扫描可匹配选定缺陷检测方法(即，其可以与缺陷检测方法相同的方式产生差异图像、直方图等且从所述结果确定噪声特性)。
如本文中描述那样选择的缺陷检测方法还可包含所属领域中已知的任何2D缺陷检测方法的1D模拟。例如，每一当前使用的2D缺陷检测算法具有1D对应物。在一些此类实例中，本文中提及的缺陷检测算法可具有1D及2D版本两者(例如，1D MDAT及2D MDAT；1D MCAT及2D MCAT；1D MCAT+及2D MCAT+；1D SRD及2D SRD)，且可如本文中描述那样选择哪一版本用于最终子群组的任一者中的缺陷检测。因此，本文中描述的关注区域修改是1D缺陷检测的致能器。
在另一实施例中，第一及第二缺陷检测方法中的一者包含针对在检验期间由检验子系统的检测器产生的输出产生1D直方图，且第一及第二缺陷检测方法中的另一者包含针对在检验期间由检验子系统的检测器产生的输出产生2D直方图。例如，可选择第一及第二缺陷检测方法以将用于具有相对高动态范围的最终关注区域子群组(例如，图9中展示的群组1)的2D直方图缺陷检测方法与用于具有相对低动态范围的区域(例如，图9中展示的群组2)的1D缺陷检测。换句话说，如果多边形可划分为全部具有相对低中值灰阶范围的最终子群组且使得每一最终子群组基本上噪声纯，则一缺陷检测方法的1D版本可适合与最终子群组一起使用。如果情况并非如此或仅一些关注区域最终子群组基本上噪声纯，那么计算机子系统可选择缺陷检测方法的2D版本用于噪声“不纯”关注区域最终子群组且选择缺陷检测方法的1D版本用于噪声“纯”关注区域最终子群组。另外，可选择相同缺陷检测方法的不同版本用于不同最终子群组。例如，如果在晶片上的分划板的每一经打印例子中存在重复项缺陷(其是打印检测晶片的情况)，那么经选择用于最终子群组的两者或更多者的缺陷检测方法可为SRD方法或算法，这是因为此缺陷检测方法具有“黄金”非缺陷参考。针对为其选择SRD的两个或更多个最终子群组中的每一者，可取决于每一最终子群组的噪声纯度而针对每一最终子群组独立地选择算法的1D或2D版本。
在另一实施例中，一或多个计算机子系统经配置用于单独调谐第一及第二缺陷检测方法的一或多个参数。例如，针对每一关注区域最终子群组，例如，可基于μ+/-3*σ定义0的阈值偏移。在一个此实例中，计算机子系统可(例如)通过按差异灰阶绘制图元的数目而产生差异图像的直方图。计算机子系统可接着计算此直方图的统计矩，例如μ及σ。在大多数情况中，μ应基本上接近零的差异灰阶。如果σ值在(例如)20差异灰阶处且阈值想设置于σ的3倍处，那么此意味着阈值将在60差异图像灰阶处。当然，此仅是实例且可使用其它统计值以设置阈值。
用户可接着指定在执行缺陷检测时应应用哪一阈值。例如，如果预设设置不足，那么用户可视需要选择阈值。用户可基于使用特定阈值检测的离群点的数目及(例如)是否存在限制(例如，捕获率阈值)而设置阈值。
作为替代例，可基于每一个别关注区域最终子群组执行偏移0计算且可将阈值应用到全部所述关注区域最终子群组。经设置等于零的偏移是指差异灰阶，其中低于所述差异灰阶的所有事物被视为噪声且高于所述差异灰阶的所有事物被视为离群点。取决于所使用的缺陷检测方法，可代替μ使用此零值。
以此方式，可在检验期间定义并应用最终关注区域子群组的用户或自动定义阈值。另外，可针对不同最终子群组单独且独立地执行灵敏度调谐。还可以所属领域中已知的任何其它适合方式执行灵敏度调谐。
计算机子系统还可经配置用于存储用于样本或相同类型的另一样本的检验中的选定第一及第二缺陷检测方法的信息。计算机子系统可经配置以将信息存储于配方中或通过产生其中将应用第一及第二缺陷检测方法的检验配方。如本文中使用的“配方”被定义为可由工具使用以对样本执行过程的一组指令。以此方式，产生配方可包含产生关于待如何执行过程的信息，所述信息可接着用于产生用于执行所述程序的指令。由计算机子系统存储的第一及第二缺陷检测方法的信息可包含可用于识别、存取及/或使用选定缺陷检测方法的任何信息(例如，例如文件名及其存储之处)。经存储的选定缺陷检测方法的信息还可包含用于执行缺陷检测方法的实际缺陷检测方法程序代码、指令、算法等。
计算机子系统可经配置用于将选定缺陷检测方法的信息存储于任何适合计算机可读存储媒体中。信息可与本文中描述的任何结果一起存储且可以所属领域中已知的任何方式存储。存储媒体可包含本文中描述的任何存储媒体或所属领域中已知的任何其它适合存储媒体。在已存储信息之后，信息可在存储媒体中存取且由本文中描述的任何方法或系统实施例使用，经格式化以显示给用户，由另一软件模块、方法或系统使用等。例如，本文中描述的实施例可产生如上文描述的检验配方。所述检验配方可接着由系统或方法(或另一系统或方法)存储并使用以检验样本或其它样本以借此产生样本或其它样本的信息(例如，缺陷信息)。
通过对样本或相同类型的其它样本执行检验而产生的结果及信息可通过本文中描述的实施例及/或其它系统及方法以各种方式使用。此类功能包含(但不限于)：更改例如以回馈或前馈方式对或将对经检验样本或另一样本执行的制造过程或步骤的过程。例如，虚拟系统及其它计算机子系统可经配置以确定对如本文中描述那样检验的样本执行的过程及/或将基于检测到的缺陷对样本执行的过程的一或多个改变。过程的改变可包含过程的一或多个参数的任何适合改变。本文中描述的虚拟系统及/或其它计算机子系统优选确定所述改变使得可减少或防止对其执行经修订过程的其它样本上的缺陷，可在对样本执行的另一过程中校正或消除样本上的缺陷，可在对样本执行的另一过程中补偿缺陷等。本文中描述的虚拟系统及其它计算机子系统可以所属领域中已知的任何适合方式确定此类改变。
可接着将所述改变发送到半导体制造系统(未展示)或可供本文中描述的虚拟系统或其它计算机子系统及半导体制造系统存取的存储媒体(未展示)。半导体制造系统可或可不为本文中描述的系统实施例的部分。例如，本文中描述的虚拟系统、其它计算机子系统及/或检验子系统可(例如)经由一或多个共同元件(例如外壳、电源供应器、样本处置装置或机构等)耦合到半导体制造系统。半导体制造系统可包含所属领域中已知的任何半导体制造系统，例如光刻工具、蚀刻工具、化学-机械抛光(CMP)工具、沉积工具及类似者。
因此，如本文中描述，实施例可用于设置新检验过程或配方。实施例还可用于修改现存检验过程或配方，无论其是用于样本或针对一个样本产生且经调适用于另一样本的检验过程或配方。然而，本文中描述的实施例不仅仅限于检验配方或过程产生或修改。例如，本文中描述的实施例还可用于以类似方式设置或修改用于计量、缺陷检视等的配方或过程。特定来说，可执行本文中描述的区分多边形、确定噪声的特性及确定最终子群组步骤而无关于经设置或修订的过程。因此，取决于经设置或更改的程序或配方，可执行选择步骤以选择用于不同最终子群组的一或多个输出处理方法。此类输出处理方法可包含(例如)用于从由计量系统产生的输出确定多边形的一或多个特性的算法、用于重新检测由缺陷检视系统产生的输出中的缺陷的缺陷重新检测方法等。以类似方式，本文中描述的实施例可用于不仅选择输出处理参数及方法而且还选择输出获取参数或模式(例如，计量系统或缺陷检视系统使用其从样本检测光、电子、粒子等)。因此，本文中描述的实施例可不仅仅用于设置或修改检验过程而且还可用于设置或修改对本文中描述的样本执行的任何质量控制类型过程。
相较于用于设置使用关注区域的检验过程的先前使用的方法及系统，本文中描述的实施例提供数个优点。例如，本文中描述的实施例提供更快得出结果时间，这是因为可在初始模式/算法选择过程期间作出模式-算法组合决策。另外，本文中描述的实施例可远更可靠地识别相对具有噪声的区域且甚至可将相对小、手动难以识别的多边形正确地区分成子群组。将关注区域组合成展现不同噪声特性的群组还改进整体检验灵敏度，这是因为可针对具有较少噪声的群组实现增强的灵敏度。此外，本文中描述的实施例提供晶片内及晶片间过程变动的好得多的迁移，这是因为受晶片噪声变动影响较少的群组更稳定。本文中描述的实施例还允许增加对某些DOI的灵敏度。此选择性DOI灵敏度将允许用户改进其基于检验结果作出正确处理决策的能力。
作为本文中描述的实施例的替代例，检验设置可包含手动地识别具有噪声的结构且针对具有噪声的结构执行基于设计的搜索以产生新关注区域。此检验设置还可包含测试新关注区域设置且寻找额外噪声源。此类方法可接着包含返回且针对新识别的具有噪声的结构执行基于设计的搜索。然而，不同于本文中描述的实施例，此过程可耗费许多天且太缓慢且在关注区域噪声纯度方面通常不足。
可将上文描述的每一系统的每一实施例一起组合为一个单个实施例。
另一实施例涉及一种用于选择用于样本检验的缺陷检测方法的计算机实施方法。方法包含上文描述的区分多边形、确定特性、确定最终子群组及选择第一及第二缺陷检测方法步骤。
可如本文中进一步描述那样执行方法的每一步骤。方法还可包含可由本文中描述的检验子系统及/或计算机子系统或系统执行的任何其它步骤。区分多边形、确定特性、确定最终子群组及选择第一及第二缺陷检测方法步骤由可根据本文中描述的任何实施例配置的一或多个计算机子系统执行。另外，上文描述的方法可由本文中描述的任何系统实施例执行。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于选择用于样本检验的缺陷检测方法的计算机实施方法。在图10中展示一个此实施例。特定来说，如图10中展示，非暂时性计算机可读媒体1000包含可在计算机系统1004上执行的程序指令1002。计算机实施方法可包含本文中描述的任何方法的任何步骤。
实施例如本文中描述的方法的方法的程序指令1002可存储于计算机可读媒体1000上。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带或所属领域中已知的任何其它适合非暂时性计算机可读媒体。
可以各种方式(包含基于程序的技术、基于组件的技术及/或面向对象技术等等)的任何者实施程序指令。例如，可根据需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(串流SIMD延伸)或其它技术或方法论实施程序指令。
可根据本文中描述的任何实施例配置计算机系统1004。
鉴于此描述，所属领域的技术人员将明白本发明的各种方面的进一步修改及替代实施例。例如，提供用于选择用于样本检验的缺陷检测方法的方法及系统。因此，此描述应仅解释为说明性且是出于教示所属领域的技术人员实行本发明的一般方式的目的。应理解，本文中展示及描述的本发明的形式将视为当前优选实施例。如所属领域的技术人员在获益于本发明的此描述之后将明白，元件及材料可取代本文中说明及描述的元件及材料，部分及过程可颠倒，且可独立利用本发明的特定特征。在不脱离如在随附权利要求书中描述的本发明的精神及范围的情况下可对本文中描述的元件做出改变。

Claims (24)

1.一种经配置用于选择用于样本检验的缺陷检测方法的系统，其包括：
一或多个计算机子系统，其经配置用于：
基于样本上的多边形的特性将所述样本上的关注区域中的所述多边形区分成初始子群组，使得具有所述特性的不同值的所述多边形被区分成不同初始子群组，并且使得所述不同初始子群组中的每一者中的全部的所述多边形都具有相同的所述特性的值；
确定在由检验子系统的检测器针对所述不同初始子群组中的所述样本上的所述多边形产生的输出中的噪声的特性，其中所述样本上的所述多边形的所述特性与所述噪声的所述特性彼此之间不同；
通过将具有所述噪声的所述特性的基本上相同值的所述不同初始子群组中的任何两者或更多者组合成最终子群组中的一者而确定所述多边形的所述最终子群组，其中所述最终子群组中的至少一者包括至少两个具有所述特性的不同值的所述多边形；及
分别针对所述最终子群组中的第一者及第二者，基于分别针对所述最终子群组中的所述第一者及所述第二者确定的所述噪声的所述特性选择用于应用到由所述检验子系统的所述检测器在所述样本或相同类型的另一样本的检验期间产生的所述输出的第一及第二缺陷检测方法。
2.根据权利要求1所述的系统，其中所述多边形的所述特性包括所述多边形的物理特性。
3.根据权利要求1所述的系统，其中通过沿着一个轴线投影所述多边形而执行所述区分。
4.根据权利要求1所述的系统，其中所述关注区域中的所述多边形包括所述样本的不只一个层上的多边形。
5.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置用于从所述样本的设计确定所述样本上的所述多边形的所述特性。
6.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置用于通过呈现所述样本的设计而确定所述样本上的所述多边形的所述特性。
7.根据权利要求1所述的系统，其中由所述检验子系统的所述检测器产生的用于确定所述噪声的所述特性的所述输出是通过使用所述检验子系统扫描所述样本而产生。
8.根据权利要求1所述的系统，其中确定所述噪声的所述特性包括执行所述输出的统计分析。
9.根据权利要求1所述的系统，其中确定所述噪声的所述特性包括确定由所述检验子系统的所述检测器针对所述样本上的所述多边形产生的所述输出组合由所述检验子系统的所述检测器针对另一样本上的所述不同初始子群组中的所述多边形产生的输出中的所述噪声的所述特性。
10.根据权利要求1所述的系统，其中确定所述噪声的所述特性包括确定由所述检验子系统的所述检测器针对所述样本上的在所述样本上的所述关注区域的不只一个例子中的所述不同初始子群组中的所述多边形产生的所述输出中的所述噪声的所述特性。
11.根据权利要求1所述的系统，其中确定所述噪声的所述特性及确定所述最终子群组在所述一或多个计算机子系统及所述检验子系统上实施为噪声扫描功能性。
12.根据权利要求11所述的系统，其中所述一或多个计算机子系统及所述检验子系统经配置用于通过在由所述检验子系统的所述检测器产生的所述输出中收集图像帧数据且根据预定算法计算差异图像帧而实施所述噪声扫描。
13.根据权利要求12所述的系统，其中所述预定算法与由自其选择所述第一及第二缺陷检测方法的适用于所述样本或所述另一样本的所述检验的多个缺陷检测方法中的至少一者使用的预定算法相同。
14.根据权利要求1所述的系统，其中所述第一及第二缺陷检测方法中的至少一者包括针对在所述检验期间由所述检验子系统的所述检测器产生的所述输出产生一维直方图。
15.根据权利要求14所述的系统，其中所述一维直方图是自从在所述检验期间由所述检验子系统的所述检测器产生的所述输出产生的差异图像中的灰阶产生。
16.根据权利要求1所述的系统，其中所述第一及第二缺陷检测方法中的一者包括针对在所述检验期间由所述检验子系统的所述检测器产生的所述输出产生一维直方图，且其中所述第一及第二缺陷检测方法中的另一者包括针对在所述检验期间由所述检验子系统的所述检测器产生的所述输出产生二维直方图。
17.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置用于单独调谐所述第一及第二缺陷检测方法的一或多个参数。
18.根据权利要求1所述的系统，其中所述样本是晶片。
19.根据权利要求1所述的系统，其中所述样本是分划板。
20.根据权利要求1所述的系统，其进一步包括包括至少一能量源及所述检测器的所述检验子系统，其中所述能量源经配置以产生经引导到所述样本的能量，且其中所述检测器经配置以检测来自所述样本的能量且响应于所述检测到的能量而产生所述输出。
21.根据权利要求1所述的系统，其中所述检验子系统是基于光的检验子系统。
22.根据权利要求1所述的系统，其中所述检验子系统是基于电子的检验子系统。
23.一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于选择用于样本检验的缺陷检测方法的计算机实施方法，其中所述计算机实施方法包括：
基于样本上的多边形的特性将所述样本上的关注区域中的所述多边形区分成初始子群组，使得具有所述特性的不同值的所述多边形被区分成不同初始子群组，并且使得所述不同初始子群组中的每一者中的全部的所述多边形都具有相同的所述特性的值；
确定在由检验子系统的检测器针对所述不同初始子群组中的所述样本上的所述多边形产生的输出中的噪声的特性，其中所述样本上的所述多边形的所述特性与所述噪声的所述特性彼此之间不同；
通过将具有所述噪声的所述特性的基本上相同值的所述不同初始子群组中的任何两者或更多者组合成最终子群组中的一者而确定所述多边形的所述最终子群组，其中所述最终子群组中的至少一者包括至少两个具有所述特性的不同值的所述多边形；及
分别针对所述最终子群组中的第一者及第二者，基于分别针对所述最终子群组中的所述第一者及所述第二者确定的所述噪声的所述特性选择用于应用到由所述检验子系统的所述检测器在所述样本或相同类型的另一样本的检验期间产生的所述输出的第一及第二缺陷检测方法。
24.一种用于选择用于样本检验的缺陷检测方法的计算机实施方法，其包括：
基于样本上的多边形的特性将所述样本上的关注区域中的所述多边形区分成初始子群组，使得具有所述特性的不同值的所述多边形被区分成不同初始子群组，并且使得所述不同初始子群组中的每一者中的全部的所述多边形都具有相同的所述特性的值；
确定在由检验子系统的检测器针对所述不同初始子群组中的所述样本上的所述多边形产生的输出中的噪声的特性，其中所述样本上的所述多边形的所述特性与所述噪声的所述特性彼此之间不同；
通过将具有所述噪声的所述特性的基本上相同值的所述不同初始子群组中的任何两者或更多者组合成最终子群组中的一者而确定所述多边形的所述最终子群组，其中所述最终子群组中的至少一者包括至少两个具有所述特性的不同值的所述多边形；及
分别针对所述最终子群组中的第一者及第二者基于分别针对所述最终子群组中的所述第一者及所述第二者确定的所述噪声的所述特性选择用于应用到由所述检验子系统的所述检测器在所述样本或相同类型的另一样本的检验期间产生的所述输出的第一及第二缺陷检测方法，其中所述区分、确定所述特性、确定所述最终子群组及所述选择是通过一或多个计算机子系统执行。
CN202080049170.2A 2019-07-09 2020-06-26 用于选择用于样本检验的缺陷检测方法的系统和方法 Active CN114096832B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962871865P 2019-07-09 2019-07-09
US62/871,865 2019-07-09
US16/910,011 US11619592B2 (en) 2019-07-09 2020-06-23 Selecting defect detection methods for inspection of a specimen
US16/910,011 2020-06-23
PCT/US2020/039718 WO2021007044A1 (en) 2019-07-09 2020-06-26 Systems and methods for selecting defect detection methods for inspection of a specimen

Publications (2)

Publication Number Publication Date
CN114096832A CN114096832A (zh) 2022-02-25
CN114096832B true CN114096832B (zh) 2023-06-09

Family

ID=74103039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080049170.2A Active CN114096832B (zh) 2019-07-09 2020-06-26 用于选择用于样本检验的缺陷检测方法的系统和方法

Country Status (5)

Country Link
US (1) US11619592B2 (zh)
KR (1) KR102718646B1 (zh)
CN (1) CN114096832B (zh)
TW (1) TWI826703B (zh)
WO (1) WO2021007044A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11615993B2 (en) * 2019-11-21 2023-03-28 Kla Corporation Clustering sub-care areas based on noise characteristics
US11221300B2 (en) * 2020-03-20 2022-01-11 KLA Corp. Determining metrology-like information for a specimen using an inspection tool
US12165306B2 (en) * 2021-03-16 2024-12-10 Kla Corporation Segmentation of design care areas with a rendered design image
US11922619B2 (en) 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection
US11921052B2 (en) 2022-03-31 2024-03-05 Kla Corporation Inspection with previous step subtraction

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060280358A1 (en) * 2003-06-30 2006-12-14 Akio Ishikawa Pattern comparison inspection method and pattern comparison inspection device
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
US8041103B2 (en) * 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
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
US8112241B2 (en) * 2009-03-13 2012-02-07 Kla-Tencor Corp. Methods and systems for generating an inspection process for a wafer
US8656323B2 (en) 2011-02-22 2014-02-18 Kla-Tencor Corporation Based device risk assessment
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
JP5460662B2 (ja) * 2011-09-07 2014-04-02 株式会社日立ハイテクノロジーズ 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法
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
US9865512B2 (en) 2013-04-08 2018-01-09 Kla-Tencor Corp. Dynamic design attributes for wafer inspection
US9183624B2 (en) * 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
US9536299B2 (en) * 2014-01-16 2017-01-03 Kla-Tencor Corp. Pattern failure discovery by leveraging nominal characteristics of alternating failure modes
US9727047B2 (en) * 2014-10-14 2017-08-08 Kla-Tencor Corp. Defect detection using structural information
US10483081B2 (en) * 2014-10-22 2019-11-19 Kla-Tencor Corp. Self directed metrology and pattern classification
US9702827B1 (en) * 2014-11-20 2017-07-11 Kla-Tencor Corp. Optical mode analysis with design-based care areas
US10747830B2 (en) * 2014-11-21 2020-08-18 Mesh Labs Inc. Method and system for displaying electronic information
US10018571B2 (en) * 2015-05-28 2018-07-10 Kla-Tencor Corporation System and method for dynamic care area generation on an inspection tool
US10140698B2 (en) 2015-08-10 2018-11-27 Kla-Tencor Corporation Polygon-based geometry classification for semiconductor mask inspection
US10359371B2 (en) * 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US10181185B2 (en) 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10127651B2 (en) * 2016-01-15 2018-11-13 Kla-Tencor Corporation Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US11119060B2 (en) * 2017-09-01 2021-09-14 Kla-Tencor Corporation Defect location accuracy using shape based grouping guided defect centering
US10290087B2 (en) * 2017-09-11 2019-05-14 Applied Materials Israel Ltd. Method of generating an examination recipe and system thereof
US10832396B2 (en) 2018-10-19 2020-11-10 Kla-Tencor Corp. And noise based care areas
CN109711478A (zh) * 2018-12-29 2019-05-03 中山大学 一种基于时序密度聚类的大规模数据群组搜索方法

Also Published As

Publication number Publication date
TWI826703B (zh) 2023-12-21
US11619592B2 (en) 2023-04-04
TW202117312A (zh) 2021-05-01
WO2021007044A1 (en) 2021-01-14
CN114096832A (zh) 2022-02-25
KR20220031068A (ko) 2022-03-11
US20210010945A1 (en) 2021-01-14
KR102718646B1 (ko) 2024-10-16

Similar Documents

Publication Publication Date Title
CN114096832B (zh) 用于选择用于样本检验的缺陷检测方法的系统和方法
TWI861242B (zh) 用於控制樣本檢測之程序之系統及電腦實施方法，以及非暫時性電腦可讀媒體
US10832396B2 (en) And noise based care areas
US9767548B2 (en) Outlier detection on pattern of interest image populations
CN115943301B (zh) 设置样本的检验
TWI901896B (zh) 設置用於檢查樣品之關注區域
US12165306B2 (en) Segmentation of design care areas with a rendered design image
WO2021162884A1 (en) Detecting defects in array regions on specimens
US20250271776A1 (en) Image modeling-assisted metrology
CN119256221A (zh) 多模式缺陷检测

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant