[go: up one dir, main page]

CN118297906B - 使用弱标记检测半导体试样中的缺陷 - Google Patents

使用弱标记检测半导体试样中的缺陷

Info

Publication number
CN118297906B
CN118297906B CN202410416642.3A CN202410416642A CN118297906B CN 118297906 B CN118297906 B CN 118297906B CN 202410416642 A CN202410416642 A CN 202410416642A CN 118297906 B CN118297906 B CN 118297906B
Authority
CN
China
Prior art keywords
pattern
training
neural network
interest
high resolution
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
CN202410416642.3A
Other languages
English (en)
Other versions
CN118297906A (zh
Inventor
I·皮莱格
R·施莱恩
B·科恩
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.)
Applied Materials Israel Ltd
Original Assignee
Applied Materials Israel Ltd
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 Applied Materials Israel Ltd filed Critical Applied Materials Israel Ltd
Publication of CN118297906A publication Critical patent/CN118297906A/zh
Application granted granted Critical
Publication of CN118297906B publication Critical patent/CN118297906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • H10P74/203—
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Image Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)

Abstract

公开了使用弱标记检测半导体试样中的缺陷。公开了一种对半导体试样上的感兴趣图案(POI)进行分类的系统，所述系统包括处理器和存储器电路，所述处理器和存储器电路被配置为：获得所述POI的高分辨率图像，并且根据缺陷相关分类生成可用于对所述POI进行分类的数据，其中所述生成利用已经根据训练样本训练的机器学习模型，所述训练样本包括：高分辨率训练图像，所述高分辨率训练图像是通过扫描试样上的相应训练图案捕获的，所述相应训练图案与所述POI相似；以及标签，所述标签与所述图像相关联，所述标签是所述相应训练图案的低分辨率检视的衍生物。

Description

使用弱标记检测半导体试样中的缺陷
本申请是申请日为2021年4月26日、申请号为“202110455269.9”、发明名称为“使用弱标记检测半导体试样中的缺陷”的发明专利申请的分案申请。
技术领域
当前公开的主题总体上涉及晶片试样检查领域，并且更具体地涉及检测试样中的缺陷。
背景技术
当前对与制造器件的超大规模集成相关的高密度和性能的需求要求亚微米特征、增加的晶体管和电路速度以及提高的可靠性。这些需求要求形成具有高精度和均匀性的器件特征，所述具有高精度和均匀性的器件特征继而需要对制造过程进行仔细监视，包括在器件仍为半导体晶片形式时自动检查器件。
作为非限制性示例，运行时检查可以采用两阶段程序，例如检视试样，然后审查潜在缺陷的采样位置。在第一阶段期间，以高速和相对较低分辨率检视试样的表面。在第一阶段中，产生缺陷图以显示试样上具有高缺陷概率的可疑位置。在第二阶段期间，以相对较高的分辨率更彻底地分析可疑位置中的至少一些可疑位置。在一些情况下，两个阶段可以通过相同的检视工具来实现，而在一些其他情况中，通过不同的检视工具来实现这两个阶段。
在半导体制造期间的各个步骤处使用检查过程来对试样上的缺陷进行检测和分类。可以通过一个或多个过程的自动化(例如自动缺陷分类(ADC)、自动缺陷审查(ADR)等)来提高检查的有效性。
发明内容
根据当前公开的主题的一个方面，提供了一种对半导体试样上的感兴趣图案(POI)进行分类的系统，所述系统包括处理器和存储器电路(PMC)，所述处理器和存储器电路被配置为：
获得提供所述试样上的POI的高分辨率图像的信息的数据；
生成可用于根据缺陷相关分类对所述POI进行分类的数据，
其中所述生成利用已经根据至少多个训练样本训练的机器学习模型，每个训练样本包括：
高分辨率训练图像，所述高分辨率训练图像是通过扫描试样上的相应训练图案捕获的，所述相应训练图案与所述POI相似，
其中所述相应训练图案与所述相应训练图案的低分辨率检视的标签衍生物相关联。
除了上述特征以外，根据当前公开的主题的该方面的系统可以以技术上可能的任何期望的组合或排列包括下面列出的特征(i)至(xiii)中的一者或多者：
(i)所述多个训练样本中的每个训练样本的所述高分辨率训练图像是扫描电子显微镜(SEM)图像
(ii)所述多个训练样本中的每个训练样本的标签是所述相应训练图案的光学检视的衍生物
(iii)所述机器学习模型包括神经网络，所述神经网络包括：
第一系列的一个或多个神经网络层，所述第一系列的一个或多个神经网络层被配置为在给定提供POI的高分辨率图像的信息的输入数据的情况下输出特征图，和
第二系列的神经网络层，所述第二系列的神经网络层被配置为在给定输入特征图的情况下输出指示至少一个每像素块分类得分的数据，其中每个每像素块分类得分属于所述POI的由所述高分辨率图像的相应像素块的像素表示的区域，所述每像素块分类得分指示所述相应区域的缺陷可能性，从而产生可用于根据缺陷相关分类对所述POI进行分类的数据；
并且其中所述机器学习模型已经根据以下项进行了训练：
a)将所述第一系列的神经网络层应用于所述多个训练样本中的第一训练样本的第一POI的第一高分辨率图像，所述第一POI与指示缺陷的标签相关联，从而根据所述神经网络的当前训练状态产生可疑特征图；
b)将所述第二系列神经网络层应用于所述可疑特征图，从而根据所述神经网络的所述当前训练状态产生指示至少一个可疑每像素块得分的数据，
其中每个可疑每像素块得分属于由所述第一高分辨率图像的相应像素块的像素表示的所述第一POI的区域，所述可疑每像素块得分指示相应区域的缺陷可能性；
c)将所述第一系列的神经网络层应用于所述多个训练样本中的第二训练样本的第二POI的第二高分辨率图像，所述第二POI与指示无缺陷的标签相关联，从而根据所述神经网络的所述当前训练状态产生参考特征图；
d)将所述第二系列的神经网络层应用于所述参考特征图，从而根据所述神经网络的所述当前训练状态产生指示至少一个参考每像素块得分的数据，
其中每个参考每像素块得分属于由所述第二高分辨率图像的相应像素块的像素表示的所述第二POI的区域，所述参考每像素块得分指示相应区域的缺陷可能性；
e)根据损失函数调整第一系列的神经网络层和第二系列的神经网络层中的至少一个层的至少一个权重，所述损失函数利用至少以下项：
所述可疑特征图和所述参考特征图的距离度量衍生物、所述至少一个可疑每像素块得分，以及所述至少一个参考每像素块得分；以及
f)对所述多个训练样本中的一个或多个附加第一和第二训练样本重复a)-e)。
(iv)所述神经网络层是卷积层
(v)所述距离度量根据所述可疑特征图与所述参考特征图之间的欧几里德差
(vi)所述距离度量根据所述可疑特征图与所述参考特征图之间的余弦相似度
(vii)所述附加的第二训练样本是相同的训练样本
(viii)所述损失函数进一步利用：
与所述第一高分辨率图像的一组像素相关联的注释数据，所述注释数据指示由所述一组像素表示的所述第一POI的区域的缺陷。
(ix)所述注释数据是所述高分辨率图像的人类注释的衍生物
(x)由所述处理器将所述至少一个每像素块分类得分中的每个得分与缺陷阈值进行比较，从而产生所述POI是否有缺陷的指示。
(xi)由所述处理器根据所述POI是否有缺陷的所述指示来警告操作员。
(xii)由所述处理器根据至少一个每像素块分类得分来确定缺陷边界框。
(xiii)所述系统还包括：
低分辨率检查工具，所述低分辨率检查工具被配置为捕获POI的低分辨率图像并利用所述低分辨率图像的光学检视来根据缺陷相关分类对所述POI进行分类；和
高分辨率检查工具，所述高分辨率检查工具被配置为响应于所述低分辨率工具将所述POI分类为有缺陷而捕获所述POI的高分辨率图像。
根据当前公开的主题的另一方面，提供了一种根据半导体试样上的感兴趣图案(POI)的高分辨率图像对所述图案进行分类的方法，所述方法包括：
由处理器接收提供所述试样上的POI的高分辨率图像的信息的数据；以及由所述处理器生成可用于根据缺陷相关分类对所述POI进行分类的数据，其中所述生成利用已经根据至少多个训练样本训练的机器学习模型，每个训练样本包括：
高分辨率训练图像，所述高分辨率训练图像是通过扫描试样上的相应训练图案捕获的，所述训练图案类似于所述POI，
其中所述相应训练图案与所述相应训练图案的低分辨率检视的标签衍生物相关联。
所公开的主题的该方面可任选地以在细节上经必要修改后的在技术上可能的任何期望组合或排列包括以上列出的关于所述系统的特征(i)至(xii)中的一者或多者。
根据当前公开的主题的另一方面，提供了一种可由处理和存储器电路读取的非瞬态程序存储设备，所述非瞬态程序存储设备有形地体现可由所述处理和存储器电路执行以执行根据半导体试样上的感兴趣图案(POI)的高分辨率图像对所述图案进行分类的方法的计算机可读指令，所述方法包括：
接收提供所述试样上的POI的高分辨率图像的信息的数据；以及生成可用于根据缺陷相关分类对所述POI进行分类的数据，
其中所述生成利用已经根据至少多个训练样本训练的机器学习模型，每个训练样本包括：
高分辨率训练图像，所述高分辨率训练图像是通过扫描试样上的相应训练图案捕获的，所述训练图案与所述POI相似，
其中所述相应训练图案与所述相应训练图案的低分辨率检视的标签衍生物相关联。
所公开的主题的该方面可任选地以在细节上经必要修改后的在技术上可能的任何期望组合或排列包括以上列出的关于所述系统的特征(i)至(xii)中的一者或多者。
根据当前公开的主题的另一方面，提供了一种可由处理和存储器电路读取的非瞬态程序存储设备，所述非瞬态程序存储设备有形地体现了可由所述处理和存储器电路执行以执行训练神经网络以在给定提供POI的高分辨率图像的信息的输入数据的情况下生成指示至少一个每像素块分类得分的数据的方法的计算机可读指令，其中每个每像素块分类得分属于由所述高分辨率图像的相应像素块的像素表示的所述POI的区域，所述每像素块分类得分指示相应区域的缺陷可能性，从而产生可用于根据缺陷相关分类对所述POI进行分类的数据，其中所述训练利用至少多个训练样本，每个训练样本包括：
高分辨率训练图像，所述高分辨率训练图像是通过扫描试样上的相应训练图案捕获的，所述训练图案与所述POI相似，
其中所述相应训练图案与所述相应训练图案的低分辨率检视的标签衍生物相关联，
所述方法包括：
a)将第一系列的神经网络层应用于所述多个训练样本中的第一训练样本的第一POI的第一高分辨率图像，所述第一POI与指示缺陷的标签相关联，从而根据所述神经网络的当前训练状态产生可疑特征图；
b)将所述第二系列神经网络层应用于所述可疑特征图，从而根据所述神经网络的所述当前训练状态产生指示至少一个可疑每像素块得分的数据，
其中每个可疑每像素块得分属于由所述第一高分辨率图像的相应像素块的像素表示的所述第一POI的区域，所述可疑每像素块得分指示所述相应区域的缺陷可能性；
c)将所述第一系列的神经网络层应用于所述多个训练样本中的第二训练样本的第二POI的第二高分辨率图像，所述第二POI与指示无缺陷的标签相关联，从而根据所述神经网络的所述当前训练状态产生参考特征图；
d)将所述第二系列的神经网络层应用于所述参考特征图，从而根据所述神经网络的所述当前训练状态产生指示至少一个参考每像素块得分的数据，
其中每个参考每像素块得分属于由所述第二高分辨率图像的相应像素块的像素表示的所述第二POI的区域，所述参考每像素块得分指示所述相应区域的缺陷可能性；
e)根据损失函数调整第一系列的神经网络层和第二系列的神经网络层中的至少一个层的至少一个权重，所述损失函数利用至少以下项：
所述可疑特征图和所述参考特征图的距离度量衍生物、所述至少一个可疑每像素块得分以及所述至少一个参考每像素块得分；以及
f)对所述多个训练样本中的一个或多个附加第一和第二训练样本重复a)-e)。
所公开的主题的该方面可任选地以在细节上经必要修改后的在技术上可能的任何期望组合或排列包括以上列出的关于所述系统的特征(i)至(ix)中的一者或多者。
附图说明
为了理解本发明并了解其可如何在实践中实行，将通过非限制性示例的方式，参考附图来描述实施例，其中：
图1示出了根据本文公开主题的某些实施例的检查系统的通用框图；
图2示出了描述根据当前公开的主题的某些实施例，根据光学检视的弱标签衍生物对半导体试样上的感兴趣图案(POI)进行分类的示例方法的流程图。
图3示出了根据当前公开的主题的某些实施例的机器学习模型的示例性层，所述示例性层可用于接收提供POI的SEM图像(或其他高分辨率图像)的信息的数据，并生成指示可用于使用缺陷相关分类对POI进行分类的每像素块得分的数据。
图4示出了根据当前公开的主题的一些实施例，训练机器学习模型，使得所述模型可接收POI的输入SEM图像，然后生成指示可用于对POI进行分类的每像素块得分的数据的示例性方法。
图5示出了根据当前公开的主题的一些实施例的示例性机器学习模型和训练数据流。
具体实施方式
在以下详细描述中，阐述了许多具体细节以便提供对本公开的透彻理解。然而，本领域技术人员应理解，可以在没有这些具体细节的情况下实践当前公开的主题。在其他情况下，未详细描述众所周知的的方法、过程、部件和电路，以免模糊当前公开的主题。
除非另有明确说明，否则如从以下论述显而易见的，应当理解，在整个说明书论述中，利用诸如“训练”、“获得”、“生成”、“计算”、“利用”、“馈送”、“提供”、“注册”、“应用”、“调整”等术语是指处理器将数据操纵和/或转换成其他数据的动作和/或过程，所述数据表示为物理的，诸如电子的、数量和/或所述数据表示物理对象。术语“处理器”涵盖具有数据处理电路的任何计算单元或电子单元，所述数据处理电路可基于存储在存储器(诸如计算机、服务器、芯片、硬件处理器等)中的指令来执行任务。它涵盖单个处理器或多个处理器，所述处理器可以位于同一地理区域中，或者可以至少部分地位于不同的区域中并且可以能够一起通信。
本文使用的术语“非瞬态存储器”和“非瞬态介质”应被广义地解释为覆盖适用于当前公开的主题的任何易失性或非易失性计算机存储器。
在本说明书中使用的术语“缺陷”应被广义地解释为涵盖在试样上或试样内形成的任何种类的异常或不期望的特征。
在本说明书中使用的术语“试样”应被广义地解释为涵盖用于制造半导体集成电路、磁头、平板显示器和其他半导体制品的任何种类的晶片、掩模以及其他结构、它们的组合和/或部件。
本说明书中所使用的术语“检查”应被广义地解释为涵盖任何类型的计量相关操作，以及与试样制造期间所述试样中的缺陷的检测和/或分类有关的操作。在制造待检查试样期间或之后，通过使用非破坏性检查工具来提供检查。作为非限制性示例，检查过程可以包括使用相同或不同的检视工具提供的关于试样或其部分的运行时扫描(以单次或多次扫描)、采样、审查、测量、分类和/或其他操作。同样，检查可以在制造待检查试样之前提供，并且可以包括例如生成检查配方和/或其他设置操作。应注意的是，除非另外特别说明，否则本说明书中所使用的术语“检查”或其派生词在检视区域的分辨率或大小方面不受限。作为非限制性示例，各种非破坏性检查工具包括扫描电子显微镜、原子力显微镜、光学检视工具等。
当前公开的主题的实施例不是参考任何特定编程语言描述的。应当理解，可以使用多种编程语言来实现如本文所述的当前公开的主题的教导。
本发明构想了一种计算机程序，所述计算机程序可由计算机读取以执行本发明的一种或多种方法。本发明还构想了一种机器可读存储器，所述机器可读存储器有形地体现了可由计算机执行以用于执行本发明的一种或多种的方法的指令的程序。
需要牢记，注意图1，图1示出了根据当前公开的主题的某些实施例的检查系统的功能框图。图1中所示的检查系统100可用于检查试样(例如，半导体试样，诸如晶片和/或其部分)，所述检查试样是试样制造过程的一部分。所示的检查系统100包括基于计算机的系统103，所述基于计算机的系统103能够使用一个或多个试样的图像自动确定计量相关和/或缺陷相关的信息。系统103可以可操作地连接至一个或多个低分辨率检查工具101和/或一个或多个高分辨率检查工具102和/或其他检查工具。检查工具被配置为捕获试样的图像和/或审查所捕获的图像和/或实现或提供与所捕获的图像有关的测量。系统103可进一步可操作地连接至数据仓109。数据仓109可以可操作地连接至手动注释输入设备110，并且可以从所述手动注释输入设备110接收手动注释数据。
系统103包括处理器和存储器电路(PMC)104。PMC 104被配置为提供操作系统103所需的处理，如在下文描述的各种实施例中进一步详细描述的；并且包括处理器(未单独示出)和存储器(未单独示出)。在图1中，PMC 104可操作地连接至基于硬件的输入接口105和基于硬件的输出接口106。
PMC 104的处理器可被配置为根据在PMC中所包括的非瞬态计算机可读存储器上实现的计算机可读指令来执行若干个功能模块。此类功能模块在下文中被称为包含在PMC中。PMC 104中所包含的功能模块可包括机器学习单元(ML单元)112。ML单元112可被配置为使用机器学习模型/机器学习算法来实现数据处理，以便基于试样的图像输出与应用有关的数据。
ML单元112可包括有监督或无监督的机器学习模型(用于例如深度神经网络(DNN))。ML单元112的机器学习模型可包括根据相应的DNN架构组织的层。作为非限制性示例，DNN层可以根据卷积神经网络(CNN)架构、递归神经网络架构、递回神经网络架构、生成对抗网络(GAN)架构等来组织。任选地，所述层中的至少一些层可以被组织在多个DNN子网络中。机器学习模型的每个层可以包括多个基本计算元素(CE)，所述基本计算元素(CE)在本领域中通常被称为维度、神经元或节点。在一些实施例中，机器学习模型可以是神经网络，其中每个层都是神经网络层。在一些实施例中，机器学习模型可以是卷积神经网络，其中每个层都是卷积层。
通常，给定层的计算元素可以与前一层和/或后一层的CE相连接。前一层的CE与后一层的CE之间的每个连接都与加权值相关联。给定的CE可以经由相应连接从前一层的CE接收输入，每个给定的连接与可应用于给定连接的输入的加权值相关联。加权值可确定连接的相对强度，并且由此确定相应输入对给定CE的输出的相对影响。给定的CE可被配置为计算激活值(例如，输入的加权和)，并且通过将激活函数应用于所计算的激活来进一步导出输出。激活函数可以是例如恒等函数、确定性函数(例如，线性函数、S型函数、阈值函数等)、随机函数，或其他合适的函数。
来自给定CE的输出可以经由相应连接传输至下一层的CE。类似地，如上所述，在被接受作为下一层的CE的输入之前，CE的输出处的每个连接可以与可应用于CE的输出的加权值相关联。除了加权值之外，还可以有与所述连接和CE相关联的阈值(包括限制函数)。
机器学习模型的加权值和/或阈值可以在训练之前初始选择，并且可以在训练期间进一步迭代地调整或修改，以在经训练的ML网络中实现最佳的一组加权值和/或阈值。在每次迭代之后，可以确定由机器学习模型产生的实际输出和与数据的相应训练集相关联的目标输出之间的差(也称为损失函数)。该差可被称为误差值。当指示误差值的成本或损失函数小于预定值时，或者当附加迭代仅导致有限的性能改善时，可以确定训练完成。任选地，在训练整个机器学习模型网络之前，可以单独地训练机器学习模型子网络(如果有的话)中的至少一些训练机器学习模型子网络。
用于调整神经网络的权重/阈值的机器学习模型输入数据的集合在此被称为训练集。
系统103可被配置为经由输入接口105接收输入数据，所述输入数据可包括由检查工具产生的数据(和/或所述数据的衍生物和/或与所述数据相关联的元数据)和/或在一个或多个数据仓109和/或另一个相关数据仓中产生和/或存储的数据。应注意的是，输入数据可包括图像(例如，捕获的图像、从捕获的图像导出的图像、模拟图像、合成图像等)和相关联的标量数据(例如元数据、手工的/手动图像注释、自动属性等)。还应注意的是，图像数据可包括与试样的感兴趣层和/或试样的一个或多个其他层有关的数据。
在处理输入数据(例如，低分辨率图像数据和/或高分辨率图像数据，任选地连同其他数据，诸如例如设计数据、合成数据、检视数据等)时，系统103可以经由输出接口106将结果(例如与指令有关的数据)发送至检查工具中的任何检查工具，将结果(例如缺陷属性、缺陷分类等)存储在存储系统107中，经由GUI 108呈现结果和/或将所述结果发送至外部系统(例如，至FAB的产量管理系统(YMS))。GUI 108可进一步被配置为实现与系统103有关的用户指定输入。
作为非限制性示例，一个或多个低分辨率检查工具101(例如，光学检视系统、低分辨率SEM等)可检查试样。低分辨率检查工具101可以将所得低分辨率图像数据(其可提供试样的低分辨率图像的信息)(直接地或经由一个或多个中间系统)传输至系统103。替代地或另外，高分辨率工具102可以检查试样(例如，基于低分辨率图像而选择用于检查的潜在缺陷位置的子集可随后通过扫描电子显微镜(SEM)或原子力显微镜(AFM)进行审查)。高分辨率工具102可将所得高分辨率图像数据(其可提供试样的高分辨率图像的信息)(直接地或经由一个或多个中间系统)传输至系统103。
应注意的是，图像数据可以和与其相关的元数据(例如，像素大小、缺陷类型的文本描述、图像捕获过程的参数等)一起被接收和处理。
在一些实施例中，图像数据可以与注释数据一起被接收和处理。作为非限制性示例，人类审查者可选择一区域(例如：手标记的椭圆形区域)并将其标记为有缺陷或将其用指示缺陷的标签进行标记。如下所述，在训练期间可以利用手动或其他注释数据。
本领域的技术人员将容易理解，当前公开的主题的教导不受图1所示系统的约束；等效和/或修改的功能可以以另一种方式合并或划分，并且可以以软件与固件和/或硬件的任何适当组合来实现。
在不以任何方式限制本公开的范围的情况下，还应注意的是，检查工具可实现为各种类型的检视机器，诸如光学成像机器、电子束检查机器等。在一些情况下，同一检查工具可以提供低分辨率图像数据和高分辨率图像数据。在一些情况下，至少一个检查工具可具有计量能力。
应注意的是，图1所示的检查系统可以在分布式计算环境中实现，其中图1所示的上述功能模块可以分布在若干个本地和/或远程设备上，并且可以通过通信网络链接。还应注意的是，在另一实施例中，检查工具101和/或102、数据仓109、手动注释输入110、存储系统107和/或GUI 108中的至少一些可以在检查系统100的外部，并且以经由输入接口105和输出接口106与系统103进行数据通信操作。系统103可以被实现为与检查工具结合使用的独立计算机。替代地，系统的相应功能可以至少部分地与一个或多个检查工具集成。
现在关注图2，其示出了根据当前公开的主题的某些实施例的流程图，所述流程图描述了根据图案的高分辨率图像对半导体试样上的感兴趣图案(POI)进行分类的示例性基于处理器的方法。
在半导体制造过程的监视中，可以期望确定与制造的试样有关的各种数据和度量，更具体地，与试样上的图案有关的数据和度量。这些数据/度量可包括：图案的缺陷状态(例如有缺陷/无缺陷)、缺陷区域(例如高分辨率图像的表示缺陷图案的一组像素的识别)，以及关于缺陷确定的准确性的确定性程度。
这些数据可以通过例如高分辨率图像的人类注释来确定。然而，此类注释是昂贵和耗时的。
在当前公开的主题的一些实施例中，使用机器学习模型确定高分辨率图像的区域的缺陷，所述机器学习模型是使用包括“弱标记的”训练样本的训练集训练的，所述“弱标记的”训练样本即具有作为整体应用于(例如)图像的相关联标签的图像，并且所述具有相关联标签的图像例如源自低分辨率分类方法(诸如光学检视)。在本公开的上下文中，“训练”可包括任何合适的配置机器学习模型的方法，所述方法包括：训练方法，诸如下面参考图4描述的方法、基于使用利用弱标记的样本的训练集训练的另一个模型的设置来设置模型的参数等。
这些方法中的一些方法的优点有，它们可以基于可容易获得的样本提供像素区域缺陷的准确评定，而不需要注释数据。
系统103(例如：PMC 104)可接收(200)提供试样上的POI的高分辨率图像(诸如扫描电子显微镜(SEM)图像)的信息的数据。
检查系统100可被配置为使系统103(例如：PMC 104)能够接收图像。在一些实施例中：低分辨率检查工具101可被配置为捕获一组一个或多个试样(例如晶片或管芯)或试样的各部分的低分辨率图像，并且在如此做时捕获试样上的感兴趣图案的低分辨率图像。低分辨率检查工具101可进一步被配置为利用低分辨率图像的光学检视(例如，如本领域中已知的)来根据缺陷相关分类(例如，有缺陷/无缺陷)对试样的图案进行分类。高分辨率工具102可被配置为响应于由一个或多个低分辨率检查工具101将POI分类为有缺陷而(例如，使用SEM)捕获感兴趣图案(POI)的高分辨率图像。高分辨率工具102可进一步被配置为向系统103提供POI的所捕获的高分辨率图像。
基于计算机的系统103(例如：PMC 104)可随后生成(210)数据，所述数据指示高分辨率图像的至少一个像素块中的每个像素块的得分，所述得分可用于根据缺陷相关分类(诸如POI的某一区域或整个POI有缺陷/无缺陷)对POI进行分类。
更具体地，在一些实施例中，例如使用下文参考图3至图5描述的方法，基于计算机的系统103(例如：PMC 104)可生成可用于根据缺陷相关分类对POI进行分类的数据。在一些实施例中，所生成的数据提供一个或多个得分(例如得分矩阵)的信息，其中每个得分是从高分辨率图像的像素块导出的，并且所生成的数据指示所述POI的由像素块的像素表示的区域的缺陷可能性(例如缺陷可能性的估计)。此类矩阵在后文被称为“等级图”。
在一些实施例中，由系统103生成的等级图(例如：ML模型112)具有与POI的输入高分辨率图像相同的维度，并且矩阵的项是标量值(例如介于0与1之间)，所述标量值指示POI的输入图像的相应像素对应于POI的缺陷区域的可能性。在一些其他实施例中，所生成的等级图小于POI的图像(例如：可以从1024×1024图像生成512×512矩阵，其中每个矩阵项包含相应的2×2像素块的得分)，并且在这种情况下，矩阵的标量值指示POI图像的相应像素块(例如2×2或4×4块或另一维度的像素块)对应于POI的缺陷区域的可能性。应注意，本说明书中的术语“像素块”可包括单个像素以及各种维度的水平和/或竖直像素组。
在一些实施例中，系统103(例如：ML单元112)通过利用机器学习模型来生成等级图，所述机器学习模型已经根据“弱标记的”的训练示例(例如，具有作为整体应用于图像的相关联标签的图像)的集合进行了训练。更具体地，在一些此类实施例中，每个训练示例是通过扫描与POI相似的训练图案而捕获的高分辨率图像(或提供高分辨率图像的信息的数据)。在一些实施例中，与训练图案相关联的标签是从相应训练图案的光学检视(或其他低分辨率检查工具)中导出的。例如，光学检视工具可以检视图案，将被检视的图案与参考图案进行比较，并将所述被检视的图案标记为“有缺陷”或“无缺陷”。下面参考图4描述了对机器学习模型进行训练的示例性方法。
晶片或管芯可以以这样的方式制造，其中在晶片或管芯上重复图案的多个实例，然后将所述晶片或管芯分成许多器件实例。在本公开中，在一个POI与另一个POI相似的上下文中的术语“相似”应被广义地解释为包括单个晶片管芯上的图案的多个实例，以及包括同一晶片或管芯的多个实例上的图案的多个实例等。
在一些实施例中，系统103(例如：ML单元112)可生成除等级图之外的数据结构，所述数据结构仍然指示可用于根据缺陷相关分类对POI进行分类的每像素(或每像素块)得分。
任选地：系统103(例如：PMC 104)可接下来将等级图(或对应的替代数据表示)中的值中的每一个值与缺陷阈值(例如：在0至1的标度上为.5)进行比较(220)，从而产生所述POI是否有缺陷的指示，并且还根据缺陷相关分类(例如有缺陷/无缺陷)对所述POI进行分类。
任选地，如果等级图中存在满足缺陷阈值的得分，则系统103(例如：PMC 104)可采取动作。任选地，该动作可包括根据所述POI是否有缺陷(或者一系列或多个POI是否有缺陷等)的指示来警告(230)操作员。
在一些实施例中，等级图可用于根据其他缺陷相关分类来对POI进行分类。例如，系统103(例如：PMC 104)可根据输出的每像素块得分来确定缺陷的边界框。
应注意的是，当前公开的主题的教导不受图2所示的流程图的约束。还应注意的是，虽然参照图1或图3的系统的元件描述了流程图，但是这绝不是约束，并且操作可以由除了本文所述的元件之外的元件执行。
现在注意图3，图3示出了根据当前公开的主题的某些实施例的机器学习模型的示例性层，所述示例性层可例如由PMC 104(更具体地，例如：由ML单元112)用来接收提供POI的SEM图像(或其他高分辨率图像)的信息的数据，并生成指示所述图像的至少一个像素块中的每个像素块的得分的数据，所述得分可用于利用缺陷相关分类来对所述POI进行分类。
机器学习模型可以包括第一系列的机器学习网络层320(例如：神经网络层或卷积神经网络层)，所述第一系列的机器学习网络层被配置为接收POI的SEM图像(或另一种类型的高分辨率图像)310作为输入。然后，第一系列的机器学习网络层320可以基于SEM图像310生成特征图330。
特征图330可以是机器学习网络的中间输出。具体地，如上所述，机器学习网络可包括多个层L1至LN，并且特征图330可以作为层Lj的输出获得，其中1<j<N(在一些实施例中，来自层L1至层Lj的中间层可构成卷积神经网络，其中j<N)。如上所述，在机器学习模型中，每个层Lj提供中间输出，所述中间输出被馈送至下一层Lj+1，直至最后一层LN提供最终输出。假设例如SEM图像310具有维度X1、Y1、Z1，其中：
-X1对应于根据第一轴X的SEM图像310的维度；
-Y1对应于根据第二轴Y的SEM图像310的维度；并且
-Z1对应于与每个像素相关联的值的数量，其中Z1>1。例如，如果使用利用三种颜色(红色、绿色和蓝色)的表示，则Z1＝3。这不是限制性的，并且可以使用其他表示(例如，在SEM显微镜中，通过多个不同的收集器收集每个像素的电子，每个收集器具有不同的位置，并且每个通道对应于一维度，因此Z1是通道的总数)。
在一些实施例中，特征图330具有维度X2、Y2、Z2，其中X2<X1，Y2<Y1，并且Z2>Z1。Z2可取决于层Lj中存在的过滤器的数量。
机器学习模型可包括第二系列的ML网络层340(例如：神经网络层，或卷积神经网络层)，所述第二系列的ML网络层被配置为接收特征图330作为输入。然后，第二系列的ML网络层340可以基于特征图330生成例如符合上面出现的参考图2描述的等级图350。
应注意的是，当前公开的主题的教导不受参考图3描述的机器学习模型层的约束。等效和/或修改的功能可以以另一种方式合并或划分，并且可以以软件与固件和/或硬件的任何适当组合来实现并在合适的设备上执行。
现在注意图4，图4示出了对机器学习模型(例如：包括具有上面参考图3描述的结构的神经网络)进行训练，使得机器学习模型可以接收POI的输入高分辨率(例如，SEM)图像，然后生成指示图像的至少一个像素块中的每个像素块的每像素块分类得分的数据的示例性方法，所述每像素块分类得分指示由所述像素块的像素表示的所述POI的区域的缺陷可能性。根据当前公开的主题的一些实施例，每像素块分类得分可用于根据缺陷相关分类对POI进行分类。对图4所示的方法的描述参考了图5所示的训练数据流。
在一些实施例中，PMC 104(例如：ML单元112)使用来自训练集的成对的弱标记的(例如图像级标记的)训练样本来训练机器学习模型，其中一个训练样本(被称为可疑训练样本)包括先前被标记为有缺陷(或被怀疑有缺陷)的POI的高分辨率图像(例如SEM扫描)，并且第二样本(被称为参考训练样本)包括参考POI(即先前(例如通过早前分类)被标记为无缺陷的POI)的高分辨率图像(例如SEM扫描)。
高分辨率图像的标记可以从例如相应POI的低分辨率(例如光学)检视中导出。替代地，高分辨率图像的标记可以从人类检视或另一合适的方法导出。
在一些实施例中，训练集完全由训练样本组成，其中图像级标签是从光学检视或其他低分辨率检查工具导出的。在一些实施例中，训练集由此类训练样本以及其他训练样本组成。
在一些实施例中，图像级标记的训练样本中的一些或所有图像级标记的训练样本可与注释数据相关联。注释数据可以是例如人类注释(例如，人类在高分辨率图像的一区域周围标记椭圆)的衍生物。
注释数据可包括指示由高分辨率图像的注释像素组表示的试样图案的部分的缺陷性(以及，在一些实施例中，缺陷的类型)的数据。在本上下文中，术语“像素组”可以指单个像素，或者整个图像。在本上下文中，如果例如图案的试样的一部分基本上或完全由特定像素组描绘，则所述试样的所述部分可以被视为由所述像素组表示。
如下文将描述的，在一些实施例中，图4所示的训练方法根据从可疑特征图(即，从标记为有缺陷或可疑的POI的图像导出的特征图)和参考特征图(即，从标记为无缺陷的POI的图像导出的特征图)的距离度量衍生物计算的损失函数来调整机器学习模型层的权重。
在一些实施例中，损失函数可寻求使从表示POI的缺陷部分的像素导出的特征图区域的两个特征图之间的差最大化，并且寻求使从表示POI的无缺陷部分的像素导出的特征图区域的两个特征图之间的差最小化。
在一些实施例中，损失函数由此构成了注意机制。第一系列的机器学习模型层可生成能够标识语义区域的特征图，并且第二系列的机器学习模型层可对区域的缺陷可能性进行评分。
PMC 104(例如：ML单元112)可以将第一系列的神经网络层320应用于(400)POI的高分辨率图像510，所述高分辨率图像与指示缺陷性(例如，确定的或怀疑的缺陷性)的标签相关联。在一些实施例中，指示缺陷性的标签与图像相关联，因为光学检视指示POI的缺陷性。然后，第一系列的神经网络层320可以从高分辨率图像生成特征图530。特征图是根据神经网络的当前训练状态生成的，因此，随着训练的进展，所得的特征图将根据机器学习模型训练的进展而改变。从与指示缺陷的标签相关联的图像生成的特征图在本文中被称为“可疑特征图”。
PMC 104(例如：ML单元112)可随后将第二系列的神经网络层340应用于(410)可疑特征图530。第二系列的神经网络层340随后可生成等级图560(例如，高分辨率图像510的一个或多个像素块中的每一个像素块的得分，其中每个得分指示由像素块的像素表示的第一POI的区域的缺陷可能性)。图像的像素块的得分输出可以被称为每像素块得分，并且等级图因此可以被称为一组每像素块得分。等级图是根据神经网络的当前训练状态生成的，因此，随着训练的进展，所得的等级图将根据机器学习模型训练的进展而改变。从可疑特征图生成的等级图在本文中被称为“可疑等级图”。
PMC 104(例如：ML单元112)可接下来将第一系列的神经网络层320应用于(420)与指示无缺陷的标签相关联的POI的高分辨率图像520。在一些实施例中，标签与图像相关联，因为图像(例如通过光学检视)被确定为无缺陷的，或者以其他方式被确定或假定为无缺陷的。然后，第一系列的神经网络层320可以从高分辨率图像520生成特征图540(如根据机器学习模型的当前训练状态计算的)。从与指示无缺陷的标签相关联的图像生成的特征图在本文中被称为“参考特征图”。
PMC 104(例如：ML单元112)可随后将第二系列的神经网络层340应用于(430)参考特征图540。第二系列的神经网络层340随后可生成参考等级图570(例如，参考图像520的一个或多个像素块中的每一个像素块的得分，其中每个得分指示由像素块的像素表示的参考POI的区域的缺陷可能性)，如根据机器学习模型的当前训练状态计算的。
PMC 104(例如：ML单元112)可随后根据损失函数来调整第一系列的神经网络层320和第二系列的神经网络层340的权重(例如，至少一个层的至少一个权重，或者例如，所有层的所有权重)。例如，PMC 104(例如：ML单元112)可以计算(440)损失函数590，并采用例如反向传播来调整第一系列的神经网络层320和第二系列的神经网络层340的权重。
在一些实施例中，损失函数590至少利用距离度量(例如，表示参考特征图540与可疑特征图530之间的差的一个值或一组值)、可疑等级图560和参考等级图570。在一些实施例中，如下所述，距离度量可以是基于例如欧几里德距离或余弦相似度的差分特征图。
在一些实施例中，差分特征图550可以根据参考特征图540与可疑特征图530之间的欧几里德距离。例如：差分特征图550可以通过计算参考特征图540与可疑特征图530之间的欧几里德距离来计算(即，在这种情况下，差分特征图550是矩阵，其中每个项是两个特征图中的对应项之间的算术差)。
在其他实施例中，差分特征图550可以根据参考特征图540中的某一值与可疑特征图530中的对应值之间的余弦相似度。例如：差分特征图550可以是矩阵，其中每个项是通过计算参考特征图540中的一值与可疑特征图530中的相应值之间的余弦相似度计算的。
在其他实施例中，差分特征图550可以是可疑特征图530与参考特征图540之间的差的不同表示。在其他实施例中，损失函数590可以使用表示可疑特征图530与参考特征图540之间的差的不同的距离度量。
任选地，如上所述，在一些实施例中，注释数据580可以是可用的。注释数据可包括指示对应于相应POI的缺陷区域的可疑图像510中的特定像素组的数据。在此类实施例中，损失函数590可以利用注释数据580以及差分特征图550、参考等级图570和可疑等级图560。
PMC 104(例如：ML单元112)可以重复(450)将两个系列的神经网络层320、340应用于多个训练样本中的附加成对训练样本，并且可以针对每对样本而根据利用距离度量的损失函数来调整神经网络层的权重，所述距离度量为诸如差分特征图550、可疑等级图560和参考等级图570。例如，PMC 104(例如：ML单元112)可以使用所有可用的可疑训练样本进行训练，并且结合每个可疑训练样本，PMC 104(例如：ML单元112)可以利用来自训练样本集的参考训练样本。在一些实施例中，PMC 104(例如：ML单元112)在每次训练重复中使用相同的参考训练样本。
应注意的是，当前公开的主题的教导不受图4中所示的流程图的约束，并且所示的操作可以不按所示的顺序发生。例如，连续示出的操作400和420可以基本上同时执行，或者以相反的顺序执行。还应注意的是，虽然该流程图是参考图1的系统的元素、图3的神经网络层和图5的数据流描述的，但是这不意味着约束，并且操作可以由除了本文所述的元件之外的元件来执行。
应注意的是，当前公开的主题的教导不受参考图5描述的数据流的约束。等效和/或修改的功能可以以另一种方式合并或划分，并且可以以软件与固件和/或硬件的任何适当组合来实现并在合适的设备上执行。
如上所述，以这种方式(例如，使用可疑图像以及参考图像，并利用基于差分特征图的注意机制)训练机器学习模型，可以实现快速训练并提供高分类准确度。
权重的更新可以使用诸如前馈/反向传播方法的技术，并且可以依赖于任何优化器(例如随机梯度下降—SGD、ADAM等)。
应注意的是，参考图像520是试样(例如，管芯、单元等)的参考区域的图像，其中相应图像数据代表没有缺陷的参考区域。参考图像可以是从参考(金色)管芯、参考单元或被验证为没有缺陷的其他区域捕获的图像。替代地或另外，参考图像可以使用CAD数据来模拟和/或可以在捕获后被增强以排除参考区域中的缺陷(如果有的话)。
还应当注意的是，在一些实施例中，可疑图像510是与参考图像520可比较的(例如，管芯与管芯、单元与单元、管芯与数据仓等)，并且提供半导体试样的第一区域的信息。第一图像被假定为提供与第一区域相关联的多个缺陷的信息。第一图像可以是从第一区域捕获的图像。任选地，第一图像可以被进一步增强和/或可包括在捕获后引入的合成缺陷。第一区域被配置为满足关于参考区域的相似性标准，并且可以属于相同或不同的半导体试样。相似性标准可以定义为例如第一区域和参考区域对应于相同的物理部件或对应于半导体试样的相似区域(例如，相似的管芯、单元等)。
应注意的是，在一些实施例中，为了确保图像之间的兼容性，训练样本中的至少一个参考图像520和第一图像510必须经历配准程序。还应当注意的是，不同训练样本的至少部分可包括相同的参考图像。
应当注意，在各种实施例中描述的各种特征可以根据所有可能的技术组合进行组合。应当理解，本发明的应用不限于在本文包含的描述中阐述或在附图中示出的细节。本发明能够具有其他实施例并且能够以各种方式实践和执行。因此，应当理解，本文采用的措词和术语是出于描述的目的，而不应被认为是限制性的。因此，本领域技术人员应认识到，本公开所基于的概念可以容易地用作设计用于实现本文公开的主题的若干目的的其他结构、方法和系统的基础。本领域技术人员将容易意识到，可以在不脱离在所附权利要求书中和由所附权利要求书限定的本发明范围的情况下，对如前所述的本发明的实施例应用各种修改和改变。

Claims (17)

1.一种对半导体试样上的感兴趣图案进行分类的系统，所述系统包括处理器和存储器电路，所述处理器和存储器电路被配置为：
获得提供所述试样上的所述感兴趣图案的高分辨率图像的信息的数据；以及
生成可用于根据缺陷相关分类对所述感兴趣图案进行分类的数据，
其中所述生成利用已经根据至少多个训练样本训练的机器学习模型，每个训练样本通过以下各项获得：
通过利用高分辨率检查工具扫描试样上的相应训练图案捕获高分辨率训练图像，所述相应训练图案与所述感兴趣图案相似，以及
将标签与所述高分辨率训练图像相关联，所述标签是所述相应训练图案的低分辨率检视的衍生物。
2.根据权利要求1所述的系统，其中所述高分辨率检查工具是扫描电子显微镜。
3.根据权利要求1所述的系统，其中与所述多个训练样本中的每个训练样本相关联的相应标签是所述相应训练图案的光学检视的衍生物。
4.根据权利要求1所述的系统，其中所述机器学习模型包括神经网络，所述神经网络包括：
第一系列的一个或多个神经网络层，被配置为在给定提供所述感兴趣图案的所述高分辨率图像的信息的输入数据的情况下输出特征图，以及
第二系列的一个或多个神经网络层，被配置为在给定所述特征图的输入的情况下生成指示至少一个每像素块分类得分的数据，
其中每个每像素块分类得分属于由所述高分辨率图像的相应像素块的像素表示的所述感兴趣图案的区域，所述每像素块分类得分指示相应区域的缺陷可能性，从而产生可用于根据所述缺陷相关分类对所述感兴趣图案进行分类的数据。
5.根据权利要求4所述的系统，其中所述机器学习模型已经根据以下项进行了训练：
a)将所述第一系列的一个或多个神经网络层应用于所述多个训练样本中的第一训练样本的第一感兴趣图案的第一高分辨率训练图像，所述第一感兴趣图案与指示缺陷的标签相关联，以根据所述神经网络的当前训练状态产生可疑特征图；
b)将所述第二系列的一个或多个神经网络层应用于所述可疑特征图，以根据所述神经网络的所述当前训练状态产生指示至少一个可疑每像素块分类得分的数据，
其中每个可疑每像素块分类得分属于由所述第一高分辨率训练图像的相应像素块的像素表示的所述第一感兴趣图案的区域，所述可疑每像素块分类得分指示所述相应区域的缺陷可能性；
c)将所述第一系列的一个或多个神经网络层应用于所述多个训练样本中的第二训练样本的第二感兴趣图案的第二高分辨率训练图像，所述第二感兴趣图案与指示无缺陷的标签相关联，以根据所述神经网络的所述当前训练状态产生参考特征图；
d)将所述第二系列的一个或多个神经网络层应用于所述参考特征图，以根据所述神经网络的所述当前训练状态产生指示至少一个参考每像素块分类得分的数据，其中每个参考每像素块分类得分属于由所述第二高分辨率训练图像的相应像素块的像素表示的所述第二感兴趣图案的区域，所述参考每像素块分类得分指示所述相应区域的缺陷可能性；
e)根据损失函数调整所述第一系列的一个或多个神经网络层和所述第二系列的一个或多个神经网络层中的至少一个层的至少一个权重，所述损失函数根据至少以下项：
所述可疑特征图和所述参考特征图的距离度量衍生物、
所述至少一个可疑每像素块分类得分、和
所述至少一个参考每像素块分类得分；以及
f)对所述多个训练样本中的一个或多个附加第一训练样本和附加第二训练样本重复a)-e)。
6.根据权利要求4所述的系统，其中所述第一系列的一个或多个神经网络层和所述第二系列的一个或多个神经网络层是卷积层。
7.根据权利要求4所述的系统，其中所述处理器和存储器电路进一步被配置为：将所述至少一个每像素块分类得分中的每一个每像素块分类得分与缺陷阈值进行比较，从而提供所述感兴趣图案是否有缺陷的指示。
8.根据权利要求7所述的系统，其中所述处理器和存储器电路进一步被配置为：根据所述感兴趣图案是否有缺陷的所述指示来警告操作员。
9.一种根据半导体试样上的感兴趣图案的高分辨率图像对所述感兴趣图案进行分类的方法，所述方法由处理器和存储器电路执行，所述方法包括：
接收提供所述试样上的感兴趣图案的高分辨率图像的信息的数据；以及
生成可用于根据缺陷相关分类对所述感兴趣图案进行分类的数据，
其中所述生成利用已经根据至少多个训练样本训练的机器学习模型，每个训练样本通过以下各项获得：
通过利用高分辨率检查工具扫描试样上的相应训练图案捕获高分辨率训练图像，所述训练图案与所述感兴趣图案相似，以及
将所述相应训练图案与标签相关联，所述标签是所述相应训练图案的低分辨率检视的衍生物。
10.根据权利要求9所述的方法，其中所述机器学习模型包括神经网络，所述神经网络包括：
第一系列的一个或多个神经网络层，被配置为在给定提供所述感兴趣图案的所述高分辨率图像的信息的输入数据的情况下输出特征图，以及
第二系列的神经网络层，被配置为在给定所述特征图的输入的情况下生成指示至少一个每像素块分类得分的数据，
其中每一个每像素块分类得分属于由所述高分辨率图像的相应像素块的像素表示的所述感兴趣图案的区域，所述每像素块分类得分指示相应区域的缺陷可能性，从而产生可用于根据所述缺陷相关分类对所述感兴趣图案进行分类的数据；
所述方法进一步包括：将所述至少一个每像素块分类得分中的每一个得分与缺陷阈值进行比较，从而提供所述感兴趣图案是否有缺陷的指示。
11.根据权利要求10所述的方法，进一步包括：根据所述感兴趣图案是否有缺陷的所述指示来警告操作员。
12.根据权利要求9所述的方法，其中所述机器学习模型包括神经网络，所述神经网络包括：
第一系列的一个或多个神经网络层，被配置为在给定提供所述感兴趣图案的所述高分辨率图像的信息的输入数据的情况下输出特征图，以及
第二系列的神经网络层，被配置为在给定所述特征图的输入的情况下生成指示至少一个每像素块分类得分的数据，
其中每一个每像素块分类得分属于由所述高分辨率图像的相应像素块的像素表示的所述感兴趣图案的区域，所述每像素块分类得分指示相应区域的缺陷可能性，从而产生可用于根据所述缺陷相关分类对所述感兴趣图案进行分类的数据；
所述方法进一步包括根据所述至少一个每像素块分类得分来确定缺陷边界框。
13.一种计算机程序产品，所述计算机程序产品包含程序指令，所述程序指令当由处理器读取时使得所述处理器执行训练机器学习模型的方法，以在给定提供感兴趣图案的高分辨率图像的信息的输入数据的情况下生成可用于根据缺陷相关分类对所述感兴趣图案进行分类的数据，所述方法包括：
a)获得多个训练样本，每个训练样本通过以下各项获得：
通过利用高分辨率检查工具扫描试样上的相应训练图案捕获高分辨率训练图像，所述训练图案与所述感兴趣图案相似，以及
将所述相应训练图案与标签相关联，所述标签是所述相应训练图案的低分辨率检视的衍生物；以及
b)根据所述多个训练样本来训练所述机器学习模型。
14.根据权利要求13所述的计算机程序产品，其中所述机器学习模型包括神经网络，所述神经网络包括：
第一系列的一个或多个神经网络层，被配置为在给定提供所述感兴趣图案的所述高分辨率图像的信息的输入数据的情况下输出特征图，以及
第二系列的神经网络层，被配置为在给定所述特征图的输入的情况下生成指示至少一个每像素块分类得分的数据，
其中每一个每像素块分类得分属于由所述高分辨率图像的相应像素块的像素表示的所述感兴趣图案的区域，所述每像素块分类得分指示相应区域的缺陷可能性，从而产生可用于根据缺陷相关分类对所述感兴趣图案进行分类的数据。
15.根据权利要求14所述的计算机程序产品，其中所述训练所述机器学习模型包括：
a)将第一系列的神经网络层应用于所述多个训练样本中的第一训练样本的第一感兴趣图案的第一高分辨率训练图像，所述第一感兴趣图案与指示缺陷的标签相关联，以根据所述神经网络的当前训练状态产生可疑特征图；
b)将所述第二系列的神经网络层应用于所述可疑特征图，以根据所述神经网络的所述当前训练状态产生指示至少一个可疑每像素块分类得分的数据，
其中每一个可疑每像素块分类得分属于由所述第一高分辨率训练图像的相应像素块的像素表示的所述第一感兴趣图案的区域，所述可疑每像素块分类得分指示所述相应区域的缺陷可能性；
c)将所述第一系列的神经网络层应用于所述多个训练样本中的第二训练样本的第二感兴趣图案的第二高分辨率训练图像，所述第二感兴趣图案与指示无缺陷的标签相关联，以根据所述神经网络的所述当前训练状态产生参考特征图；
d)将所述第二系列的神经网络层应用于所述参考特征图，以根据所述神经网络的所述当前训练状态产生指示至少一个参考每像素块分类得分的数据，
其中每一个参考每像素块分类得分属于由所述第二高分辨率训练图像的相应像素块的像素表示的所述第二感兴趣图案的区域，所述参考每像素块分类得分指示所述相应区域的缺陷可能性；
e)根据损失函数调整所述第一系列的神经网络层和所述第二系列的神经网络层中的至少一个层的至少一个权重，所述损失函数利用至少以下项：
所述可疑特征图和所述参考特征图的距离度量衍生物、
所述至少一个可疑每像素块分类得分、和
所述至少一个参考每像素块分类得分；以及
f)对所述多个训练样本中的一个或多个附加第一训练样本和附加第二训练样本重复a)-e)。
16.根据权利要求15所述的计算机程序产品，其中所述距离度量是根据所述可疑特征图与所述参考特征图之间的欧几里德差计算的或根据所述可疑特征图与所述参考特征图之间的余弦相似度计算的差分图。
17.根据权利要求15所述的计算机程序产品，其中所述损失函数进一步利用：
与所述第一高分辨率训练图像的一组像素相关联的注释数据，所述注释数据指示由所述一组像素表示的所述第一感兴趣图案的区域的缺陷。
CN202410416642.3A 2020-06-03 2021-04-26 使用弱标记检测半导体试样中的缺陷 Active CN118297906B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/892,139 US11379972B2 (en) 2020-06-03 2020-06-03 Detecting defects in semiconductor specimens using weak labeling
US16/892,139 2020-06-03
CN202110455269.9A CN113763312B (zh) 2020-06-03 2021-04-26 使用弱标记检测半导体试样中的缺陷

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202110455269.9A Division CN113763312B (zh) 2020-06-03 2021-04-26 使用弱标记检测半导体试样中的缺陷

Publications (2)

Publication Number Publication Date
CN118297906A CN118297906A (zh) 2024-07-05
CN118297906B true CN118297906B (zh) 2025-07-29

Family

ID=78786923

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110455269.9A Active CN113763312B (zh) 2020-06-03 2021-04-26 使用弱标记检测半导体试样中的缺陷
CN202410416642.3A Active CN118297906B (zh) 2020-06-03 2021-04-26 使用弱标记检测半导体试样中的缺陷

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110455269.9A Active CN113763312B (zh) 2020-06-03 2021-04-26 使用弱标记检测半导体试样中的缺陷

Country Status (5)

Country Link
US (2) US11379972B2 (zh)
JP (1) JP7633094B2 (zh)
KR (1) KR102749767B1 (zh)
CN (2) CN113763312B (zh)
TW (1) TWI864281B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US11493901B2 (en) * 2020-09-24 2022-11-08 International Business Machines Corporation Detection of defect in edge device manufacturing by artificial intelligence
US20220101114A1 (en) * 2020-09-27 2022-03-31 Kla Corporation Interpretable deep learning-based defect detection and classification
WO2022099133A1 (en) * 2020-11-09 2022-05-12 Canon U.S.A., Inc. Using activation maps to detect best areas of an image for prediction of noise levels
US12462074B2 (en) * 2021-01-22 2025-11-04 Nvidia Corporation Object simulation using real-world environments
US12430563B2 (en) * 2021-07-29 2025-09-30 GE Precision Healthcare LLC Learning-based clean data selection
CN115706819B (zh) * 2021-08-17 2024-12-31 鸿富锦精密工业（深圳）有限公司 网页视频播放方法、装置、电子设备及存储介质
TWI767828B (zh) * 2021-08-27 2022-06-11 開必拓數據股份有限公司 應用於具有卷對卷機構的設備的馬達控制系統
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
TWI823159B (zh) * 2021-10-20 2023-11-21 開必拓數據股份有限公司 具人機互動功能的瑕疵檢測系統
US11789069B2 (en) * 2021-12-03 2023-10-17 International Business Machines Corporation Mixed high-resolution and low-resolution inspection for tamper detection
CN115061427B (zh) * 2022-06-28 2023-04-14 浙江同发塑机有限公司 吹塑机的料层均匀性控制系统及其控制方法
KR20240028665A (ko) * 2022-08-25 2024-03-05 한국전자통신연구원 딥러닝 서비스를 제공하기 위한 신경망 모델 배포 방법 및 장치
KR20240096217A (ko) * 2022-12-19 2024-06-26 삼성전자주식회사 제조 공정의 이상 여부를 판단하는 방법 및 장치
CN116046810B (zh) * 2023-04-03 2023-06-23 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法
WO2025011912A1 (en) * 2023-07-13 2025-01-16 Asml Netherlands B.V. Systems and methods for defect inspection in charged-particle systems
KR102740270B1 (ko) * 2023-10-19 2024-12-10 주식회사 에이아이비즈 웨이퍼맵의 패턴을 분류하기 위한 모델을 학습시키는 방법, 장치 및 프로그램
US20250253121A1 (en) * 2024-02-07 2025-08-07 Kla Corporation Systems and methods of sem inspection using selective scan approach

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110945528A (zh) * 2018-02-07 2020-03-31 应用材料以色列公司 产生可用于检查半导体样品的训练集的方法及其系统

Family Cites Families (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3534582B2 (ja) * 1997-10-02 2004-06-07 株式会社日立製作所 パターン欠陥検査方法および検査装置
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP4928862B2 (ja) * 2006-08-04 2012-05-09 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP5065943B2 (ja) * 2008-02-29 2012-11-07 株式会社日立ハイテクノロジーズ 製造プロセスモニタリングシステム
US8150140B2 (en) * 2008-12-22 2012-04-03 Ngr Inc. System and method for a semiconductor lithographic process control using statistical information in defect identification
JP5429869B2 (ja) * 2008-12-22 2014-02-26 株式会社 Ｎｇｒ パターン検査装置および方法
KR101342203B1 (ko) * 2010-01-05 2013-12-16 가부시키가이샤 히다치 하이테크놀로지즈 Ｓｅｍ을 이용한 결함 검사 방법 및 장치
US8669523B2 (en) * 2011-05-25 2014-03-11 Kla-Tencor Corporation Contour-based defect detection using an inspection apparatus
KR102019534B1 (ko) * 2013-02-01 2019-09-09 케이엘에이 코포레이션 결함 특유의, 다중 채널 정보를 이용한 웨이퍼 상의 결함 검출
US9171364B2 (en) * 2013-06-21 2015-10-27 Kla-Tencor Corp. Wafer inspection using free-form care areas
US9714905B1 (en) * 2013-06-23 2017-07-25 Kla-Tencor Corp. Wafer inspection recipe setup
US9355208B2 (en) * 2013-07-08 2016-05-31 Kla-Tencor Corp. Detecting defects on a wafer
US9518935B2 (en) * 2013-07-29 2016-12-13 Kla-Tencor Corporation Monitoring changes in photomask defectivity
US10410338B2 (en) * 2013-11-04 2019-09-10 Kla-Tencor Corporation Method and system for correlating optical images with scanning electron microscopy images
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
JP2016058465A (ja) * 2014-09-08 2016-04-21 株式会社日立ハイテクノロジーズ 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置
US9846934B2 (en) 2015-04-13 2017-12-19 Anchor Semiconductor Inc. Pattern weakness and strength detection and tracking during a semiconductor device fabrication process
US9767548B2 (en) * 2015-04-24 2017-09-19 Kla-Tencor Corp. Outlier detection on pattern of interest image populations
US10359371B2 (en) * 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US11010886B2 (en) * 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10706522B2 (en) * 2016-11-08 2020-07-07 Kla-Tencor Corporation System and method for generation of wafer inspection critical areas
US10451563B2 (en) * 2017-02-21 2019-10-22 Kla-Tencor Corporation Inspection of photomasks by comparing two photomasks
US10620135B2 (en) * 2017-07-19 2020-04-14 Kla-Tencor Corp. Identifying a source of nuisance defects on a wafer
US9964607B1 (en) * 2017-08-28 2018-05-08 Seagate Technology Llc Recognizing and identifying defect patterns on magnetic media
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
US11138507B2 (en) * 2017-09-28 2021-10-05 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
KR102810067B1 (ko) * 2017-10-02 2025-05-21 어플라이드 머티리얼즈 이스라엘 리미티드 패턴의 임계 치수 변동의 결정
EP3622521A1 (en) * 2017-10-16 2020-03-18 Illumina, Inc. Deep convolutional neural networks for variant classification
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
CN111512324B (zh) * 2018-02-07 2024-06-28 应用材料以色列公司 半导体样品的基于深度学习的检查的方法及其系统
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
IL281060B2 (en) * 2018-08-28 2023-11-01 Asml Netherlands Bv Methods and systems of optimal meteorological guidance
US10825650B2 (en) 2018-09-28 2020-11-03 Taiwan Semiconductor Manufacturing Co., Ltd. Machine learning on wafer defect review
CN121213390A (zh) * 2018-12-31 2025-12-26 Asml荷兰有限公司 用于电子束图像增强的全自动sem采样系统
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
CN109978764B (zh) * 2019-03-11 2021-03-02 厦门美图之家科技有限公司 一种图像处理方法及计算设备
US11151710B1 (en) * 2020-05-04 2021-10-19 Applied Materials Israel Ltd. Automatic selection of algorithmic modules for examination of a specimen
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US20220044949A1 (en) * 2020-08-06 2022-02-10 Carl Zeiss Smt Gmbh Interactive and iterative training of a classification algorithm for classifying anomalies in imaging datasets

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110945528A (zh) * 2018-02-07 2020-03-31 应用材料以色列公司 产生可用于检查半导体样品的训练集的方法及其系统

Also Published As

Publication number Publication date
US20220301151A1 (en) 2022-09-22
KR20210150970A (ko) 2021-12-13
US11379972B2 (en) 2022-07-05
CN118297906A (zh) 2024-07-05
TWI864281B (zh) 2024-12-01
CN113763312B (zh) 2024-04-19
US20210383530A1 (en) 2021-12-09
TW202147163A (zh) 2021-12-16
JP7633094B2 (ja) 2025-02-19
CN113763312A (zh) 2021-12-07
US11790515B2 (en) 2023-10-17
JP2021190716A (ja) 2021-12-13
KR102749767B1 (ko) 2025-01-07

Similar Documents

Publication Publication Date Title
CN118297906B (zh) 使用弱标记检测半导体试样中的缺陷
CN111512324B (zh) 半导体样品的基于深度学习的检查的方法及其系统
CN113269709B (zh) 探测半导体晶片中缺陷的方法及半导体晶片缺陷探测系统
TWI889675B (zh) 基於機器學習之半導體樣本中的缺陷分類之方法、系統及非暫態電腦可讀取媒體
CN115023731B (zh) 半导体样本的检查
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練
CN117274149A (zh) 用于半导体样本的检查配方优化
TW202524073A (zh) 半導體取樣的基於機器學習的缺陷檢查和排名
CN117529803A (zh) 用于主动良率管理的制造指纹
US12498333B2 (en) Defect offset correction for examination of semiconductor specimens
CN116823711B (zh) 基于机器学习的半导体样品的检查及其训练
US20250166153A1 (en) Neural network for tabular data
CN121437360A (zh) 用于半导体查验的无标签缺陷检测
TW202522630A (zh) 在半導體樣本中的陣列的識別

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