[go: up one dir, main page]

CN111837225B - 使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制 - Google Patents

使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制 Download PDF

Info

Publication number
CN111837225B
CN111837225B CN201980016474.6A CN201980016474A CN111837225B CN 111837225 B CN111837225 B CN 111837225B CN 201980016474 A CN201980016474 A CN 201980016474A CN 111837225 B CN111837225 B CN 111837225B
Authority
CN
China
Prior art keywords
defect
image
processor
defect type
final
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
CN201980016474.6A
Other languages
English (en)
Other versions
CN111837225A (zh
Inventor
H·S·帕特汉吉
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 CN111837225A publication Critical patent/CN111837225A/zh
Application granted granted Critical
Publication of CN111837225B publication Critical patent/CN111837225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H10P74/203—
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based 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
    • G01N21/8851—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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/08—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
    • G06N3/09—Supervised learning
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • H10P74/23—
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • 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
    • G06—COMPUTING OR CALCULATING; 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)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Image Analysis (AREA)

Abstract

可基于半导体晶片的图像中的像素将所述图像中的缺陷分类为初始缺陷类型。可从电子数据存储单元检索与所述缺陷类型相关联的临界尺寸均匀性参数。可基于所述临界尺寸均匀性参数量化所述缺陷的缺陷率水平。还可基于临界尺寸属性、形貌属性或对比度属性来将缺陷分类以确定最终缺陷类型。

Description

使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制
相关申请案的交叉参考
本申请案主张于2018年3月14日提出申请并指配第201841009298号申请案的印度专利申请案以及于2018年5月2日提出申请并指配第62/665,903号美国申请案的临时专利申请案的优先权，所述申请案的揭露内容以引用方式并入本文中。
技术领域
本发明涉及半导体晶片上的缺陷检测及分类。
背景技术
半导体制造工业的演化对合格率管理及(特定来说)对计量与检验系统提出越来越高的要求。临界尺寸继续收缩。经济正驱动所述工业减少用于实现高合格率、高价值产物的时间。最小化从检测合格率问题到解决问题的总时间确定半导体制造者的投资回报。
制作例如逻辑及存储器装置的半导体装置通常包含使用较大数目个制作工艺来处理半导体晶片以形成半导体装置的各种特征及多个层级。举例来说，光刻是涉及将图案从光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制作工艺。半导体制作工艺的额外实例包含但不限于化学机械抛光(CMP)、蚀刻、沉积及离子植入。可在单个半导体晶片上的布置中制作多个半导体装置且接着将其分离成若干个别半导体装置。
在半导体制造期间在各个步骤处使用检验工艺来检测晶片上的缺陷以促成在制造工艺中的较高合格率及因此较高利润。检验始终是制作例如积体电路(IC)的半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对可接受半导体装置的成功制造变得甚至更加重要，这是因为较小缺陷可导致装置不合格。举例来说，随着半导体装置的尺寸减小，对减小大小的缺陷的检测变得有必要，这是因为甚至相对小的缺陷可在半导体装置中造成非想要的像差。
缺陷再检测通常涉及通过使用高放大率光学系统或扫描电子显微镜(SEM)的检验工艺标记的缺陷的高分辨率成像及分类。通常在其中已通过检验检测到缺陷的样本上的离散位置处执行缺陷再检测。通过缺陷再检测产生的缺陷的较高分辨率数据更适合于确定缺陷的属性，例如轮廓、粗糙度或更准确的大小信息。
缺陷再检测是再检测工具借以再检测由检验员或检验工具获取的缺陷的工艺。缺陷再检测还导致基于一组经计算缺陷属性的缺陷分类及缺陷类型的区分或分离。机器学习(或深度学习)方法的进步使其成为用于缺陷检测及分类的有吸引力的框架。虽然已证明此类框架对缺陷分类及其它功能有用，但所述框架本身还使得难以知晓机器学习框架是否正确操作。举例来说，在缺陷分类的情形中，用于在分类器上执行质量保证的当前使用方法包含机器学习中的经典度量，例如关于离线测试数据集及在线及/或现场评估的准确度、混淆矩阵以及敏感度。另外，用于执行数据扩增的当前使用方法包含使领域专家或算法专家指导所述过程。然而，用于质量保证及数据扩增的当前使用方法及系统存在若干缺点。举例来说，上文所描述的当前使用质量保证方法不能识别其中分类器基于错误因果特征做出正确预测的情况，尤其在使用深度学习分类器的情况下。在另一实例中，上文所描述的当前使用质量保证方法将机器学习算法视为黑箱。在额外实例中，用于执行数据扩增的当前使用方法不能用于直接改进或校正训练不良的分类器。
因此，需要经改进的缺陷检测及分类。
发明内容
在第一实施例中，提供一种方法。在处理器处接收在定界框中具有缺陷的半导体晶片的图像。使用所述处理器基于所述图像中的像素将所述图像中的所述缺陷分类为初始缺陷类型。使用所述处理器从电子数据存储单元检索与所述缺陷类型相关联的临界尺寸均匀性参数。使用所述处理器基于所述临界尺寸均匀性参数量化所述缺陷的缺陷率水平。
所述方法可包含：使用所述处理器获得所述图像中的所述缺陷的形貌属性及对比度属性，以及基于所述形貌属性及所述对比度属性将所述缺陷分类为最终缺陷类型。可将所述缺陷的性质及所述最终缺陷类型添加到数据库。所述性质包含所述形貌属性及所述对比度属性。
分类为所述最终缺陷类型可使用机器学习算法。可用所述最终缺陷类型及所述缺陷的性质来训练所述机器学习算法。所述性质包含(举例来说)临界尺寸属性。
可使用所述处理器识别所述图像中的所述缺陷。举例来说，可使用与所述半导体晶片上的相邻裸片的图像的图像减法来识别所述缺陷。可使用所述处理器围绕所述缺陷绘制所述定界框。
所述图像可为扫描电子显微镜图像。
非暂时性计算机可读媒体可存储程序，其经配置以指示所述处理器执行所述第一实施例的所述方法。
在第二实施例中，提供一种方法。在处理器处接收在定界框中具有缺陷的半导体晶片的图像。在所述处理器处接收所述图像中的所述缺陷的初始缺陷类型。使用所述处理器针对所述图像中的所述缺陷获得形貌属性及对比度属性。使用所述处理器基于所述形貌属性及所述对比度属性将所述缺陷分类为最终缺陷类型。
可将所述缺陷的性质及所述最终缺陷类型添加到数据库。
分类为所述最终缺陷类型可使用机器学习算法。可用所述最终缺陷类型及所述缺陷的性质来训练所述机器学习算法。所述性质包含(举例来说)临界尺寸属性。
所述图像可为扫描电子显微镜图像。
非暂时性计算机可读媒体可存储程序，其经配置以指示所述处理器执行所述第二实施例的所述方法。
在第三实施例中，提供一种系统。所述系统包含：载台，其经配置以固持半导体晶片；电子源，其将电子引导到所述载台上的所述半导体晶片处；检测器，其从所述载台上的所述半导体晶片的表面接收电子；电子数据存储单元；及处理器，其与所述检测器及所述电子数据存储单元进行电子通信。所述处理器经配置以：接收在定界框中具有缺陷的所述半导体晶片的图像；基于所述图像中的像素将所述图像中的所述缺陷分类为初始缺陷类型；从所述电子数据存储单元检索与所述缺陷类型相关联的临界尺寸均匀性参数；及基于所述临界尺寸均匀性参数量化所述缺陷的缺陷率水平。
所述处理器可进一步经配置以获得所述图像中的所述缺陷的形貌属性及对比度属性，以及基于所述形貌属性及所述对比度属性将所述缺陷分类为最终缺陷类型。
所述系统可包含机器学习模块。分类为所述最终缺陷类型可使用所述机器学习算法模块。
所述处理器可进一步经配置以识别所述图像中的所述缺陷。
所述处理器可进一步经配置以围绕所述缺陷绘制所述定界框。
附图说明
出于对本发明的本质及目标的更全面理解，应联合附图参考以下详细说明，附图中：
图1是根据本发明的方法的流程图；
图2是根据本发明的另一方法的流程图；
图3是图解说明图案失效的示范性图像；
图4包含图解说明图案失效的四个示范性图像；
图5包含图解说明图案失效的四个示范性图像；
图6包含量化图案失效概率的三个示范性图像；
图7包含量化图案失效概率的两个示范性图像；及
图8是根据本发明的系统的实施例。
具体实施方式
尽管将依据特定实施例描述所主张的标的物，但包含不提供本文中所陈述的全部益处及特征的实施例的其它实施例也在本发明的范围内。可在不背离本发明的范围的情况下做出各种结构、逻辑、工艺步骤及电子改变。因此，本发明的范围仅参考所附权利要求书来定义。
可将SEM再检测或检验平台上的临界尺寸均匀性(CDU)特征的输出集成到缺陷分类练习中。如临界尺寸均匀性的计量特征测量图案保真度指标，如图案宽度、长度、直径、面积、角度、粗糙度、边缘放置误差等。自动化缺陷分类平台可基于特定缺陷属性自动将缺陷分类或可使用已经训练以识别特定缺陷类型的神经网络。
图1图解说明方法100。在101处，在处理器处接收在定界框中具有缺陷的半导体晶片的图像。所述图像可为扫描电子显微镜图像。可通过获取参考图像与缺陷图像之间的图像差异而将定界框报告为再检测SEM中的缺陷检测流程的结果。还可通过使用深度学习技术用于相对于设计的单个图像检测或缺陷检测而将定界框报告为缺陷检测流程的结果。
在102处，使用处理器基于图像中的像素将图像中的缺陷分类为初始缺陷类型。因此，可从缺陷提取属性且可基于这些属性将缺陷分类。这可基于预训练的分类器流程。可为每一缺陷类型指配特定类别代码。
预训练的分类器流程可使用一组预定义(基于输入训练数据集)的滤波器或基于图像及/或设计属性的准则。新图像可流动通过此逻辑序列。可取决于新图像与现有分类流程的匹配成功来指配类别代码。
在103处，使用处理器从电子数据存储单元检索与缺陷类型相关联的临界尺寸均匀性参数。可将在102处指配的缺陷类别代码映射到一或多个测量类型。测量类型可包含线临界尺寸(CD)、沟槽CD、接触直径、接触CDU、距离、粗糙度或其它类型。映射可作为工具中或CDU平台中的处方设置的一部分来完成，其中特定类别代码被映射到特定测量类型。
在104处，使用处理器量化基于临界尺寸均匀性参数的缺陷的缺陷率水平。可通过将在晶片上发现的缺陷的总数目相对于晶片的面积正规化来确定缺陷率水平。举例来说，可将晶片上的缺陷的总数目相对于晶片上每cm2面积正规化。还可通过将所测量的临界尺寸与缺陷率的严重性相关联来量化缺陷率水平。举例来说，然后可通过定义良好、不良及可接受临界尺寸范围来确定良好、不良及可接受缺陷率水平。
在实例中，目标是以100nm的目标CD将线印刷在晶片上。100nm±2％的变化可视为良好的。>±2％及<±5％可视为可接受的。>±5％可视为不良的。
在另一实例中，可检索并检查沟槽宽度以发现因平均沟槽宽度改变导致的桥接缺陷。如果桥接缺陷被标记，那么可开始沟槽宽度搜索。
在另一实例中，接触直径可用于量化开接点及/或经合并接点。两个结构之间的距离可用于量化经桥接电路或开路。
在一例子中，可使用处理器获得图像中的缺陷的形貌属性及对比度属性。可从由SEM产生的图像集获得形貌及对比度属性。具有缺陷的图像可具有一组预定义属性，所述属性可由SEM计算以确定形貌及对比度属性。可使用处理器基于形貌属性及对比度属性将缺陷分类为最终缺陷类型。可将缺陷的性质及最终缺陷类型添加到数据库。所述性质可包含形貌属性及对比度属性。
分类为最终缺陷类型可使用机器学习算法。可用缺陷的性质及最终缺陷类型训练机器学习算法。所述性质可包含一或多个临界尺寸属性。虽然此可包含对比度及形貌属性，但此还可包含图案宽度、长度、直径、面积、角度、粗糙度或边缘放置误差。临界尺寸属性可基于严重性来将缺陷分类。
可使用处理器识别图像中的缺陷。在实例中，可使用与半导体晶片上的相邻裸片的图像的图像减法来识别缺陷。可使用处理器围绕缺陷绘制定界框。
图2图解说明方法200。在201处，在处理器处接收在定界框中具有缺陷的半导体晶片的图像。所述图像可为扫描电子显微镜图像。
在202处，在处理器处接收图像中的缺陷的初始缺陷类型。可从用于再检测的SEM的预训练分类器流程获得初始缺陷类型。
在203处，使用处理器获得图像中的缺陷的形貌属性及对比度属性。还可获得其它成像参数，例如设计情境、形状情境或背景。
在204处，使用处理器基于形貌属性、对比度属性或其它成像参数将缺陷分类为最终缺陷类型。这可使用机器学习流程中的预训练分类器或深度学习技术中的单个图像检测来执行。最终缺陷类型可与初始缺陷类型相同。最终缺陷类型还可与初始缺陷类型不同。如果最终缺陷类型与初始缺陷类型不同，那么可基于临界尺寸测量之后的临界尺寸结果来改变缺陷分类的严重性，这是因为临界尺寸测量可比初始分类揭露更多信息。
可将缺陷的性质及最终缺陷类型添加到数据库。所述性质可包含形貌属性及对比度属性。
将缺陷分类为最终缺陷类型可使用机器学习算法。可用缺陷的性质及最终缺陷类型训练机器学习算法。
图3到7图解说明来自工艺窗口鉴定(PWQ)或焦点曝光矩阵(FEM)晶片的10nm节点代表性后端M1层上的示范性热点，其中已在特定裸片上调变曝光剂量及焦点。将缺陷圈绕在虚线中。在PWQ及/或FEM晶片上搜集SEM图像。使用离线CDU公用设施，跨越晶片在数个裸片上测量特定图案宽度。基于在热点上测量的临界尺寸，可基于如遗漏特征、图案断裂、桥接等的不同失效模式来判断不同裸片上的图案化成功。可通过CDU特征的输出来实现图案化失效模式的此分类。因此，将CDU特征的输出集成到自动缺陷分类平台的属性空间中将有助于基于此定量属性的缺陷/热点分类。CDU与自动化缺陷分类特征的此集成在FEM、PWQ或工艺窗口居中(PWC)应用中可为有用的。
图3是图解说明图案失效的示范性图像。在FEM的端处可能存在遗漏特征或空白图像。在此例子中，最小CD可为0nm。
图4包含图解说明图案失效的四个示范性图像。如果平均CD是小于10nm，那么可能存在图案断裂的高倾向。如果平均CD是从10nm到13nm，那么可能存在图案断裂的较小倾向。如果平均CD是从10nm到13nm，那么图案断裂的倾向可为中等或低的。
图5包含图解说明图案失效的四个示范性图像。如果最大CD是大于20nm，那么可能存在对角桥接的高倾向。如果最大CD是从16nm到20nm，那么可能存在对角桥接的较小倾向。如果最大CD是从16nm到20nm，那么对角桥接的倾向可为中等或低的。
图6包含量化图案失效概率的三个示范性图像。具有小于15nm的热点CD的裸片具有断裂图案。
图7包含量化图案失效概率的两个示范性图像。具有大于27nm的热点CD的裸片具有变更相邻结构(即，接近效应)的图案。
在实例中，用于基于通过本文中所揭示的实施例实现的定量滤波器的热点工艺窗口鉴定的结果的时间可为少于10分钟。
基于机器学习的缺陷检测及/或分类平台还可与本文中所揭示的实施例搭配使用。经集成计量平台可提供多个益处。首先，除检测随机工艺缺陷之外，这还可使得能够使用CDU输出范围来检测基于计量、基于设计或基于图案化的缺陷。其次，在经集成的计量平台的训练阶段中集成计量臂可提供额外参数以构建用于初始缺陷检测及/或背景学习的母模型，以便针对新层启动初始检测/分类阶段。经集成计量臂可使用临界尺寸计量输出作为分类器的训练属性。所述母模型是通用模型，当待遭遇的缺陷类型是未知的时其可用于将检验的任一新层或缺陷类型。
用于缺陷检测及分类的机器学习的成功可取决于预训练，其通常是耗时的手动过程。用于机器学习训练的通用模型通常开始于可经执行以改进先前技术的已知实例。这称为启动。一旦CDU相关属性已用于分类流程中且其与分类过程的关系是已知的，那么这可用于启动过程中以进行起动模型CDU感知。
图8是系统300的实施例的框图。系统300包含经配置以产生晶片304的图像的晶片检验工具(其包含电子柱301)。
晶片检验工具包含输出获取子系统，其至少包含能量源及检测器。输出获取子系统可为基于电子束的输出获取子系统。举例来说，在一个实施例中，被引导到晶片304的能量包含电子，且从晶片304所检测的能量包含电子。以此方式，能量源可为电子束源。在图8中展示的一个此实施例中，输出获取子系统包含电子柱301，其被耦合到计算机子系统302。载台310可固持晶片304。
还如图8中所展示，电子柱301包含电子束源303，其经配置以产生通过一或多个元件305聚焦到晶片304的电子。电子束源303可包含(举例来说)阴极源或发射器尖端。一或多个元件305可包含(举例来说)枪透镜、阳极、射束限制孔径、门阀、束流选择孔径、物镜及扫描子系统，所有其等可包含此项技术中已知的任何此类适合元件。
从晶片304返回的电子(例如，次级电子)可通过一或多个元件306而聚焦到检测器307。一或多个元件306可包含(举例来说)扫描子系统，所述扫描子系统可为包含于元件305中的相同扫描子系统。
电子柱还可包含此项技术中已知的任何其它适合元件。
尽管电子柱301在图8中展示为经配置以使得电子以倾斜入射角引导到晶片304且以另一倾斜角从晶片散射，但电子束可以任何适合角度引导到晶片304及从晶片304散射。另外，基于电子束的输出获取子系统可经配置以使用多个模式产生晶片304的图像(例如，以不同照明角度、收集角度等)。基于电子束的输出获取子系统的多个模式可在输出获取子系统的任何图像产生参数上是不同的。
计算机子系统302可如上文所描述耦合到检测器307。检测器307可检测从晶片304的表面返回的电子，借此形成晶片304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302可经配置以使用检测器307的输出及/或电子束图像执行本文中所描述的功能中的任一者。计算机子系统302可经配置以执行本文中所描述的任何额外步骤。包含图8中展示的输出获取子系统的系统300可如在本文所描述而进一步配置。
应注意，本文中提供图8以大体上图解说明可在本文中所描述的实施例中使用的基于电子束的输出获取子系统的配置。可变更本文中所描述的基于电子束的输出获取子系统配置以优化输出获取子系统的性能，这通常在设计商用输出获取系统时执行。另外，本文中所描述的系统可使用现有系统(例如，通过将本文中所描述的功能性添加到现有系统)来实施。针对一些此类系统，可将本文中所描述的方法作为系统的任选功能性(例如，除系统的其它功能性之外)而提供。或者，本文中所描述的系统可设计为全新系统。
尽管上文将输出获取子系统描述为是基于电子束的输出获取子系统，但所述输出获取子系统可为基于离子束的输出获取子系统。此输出获取子系统可如图8中所展示而配置，除电子束源可被替换为此项技术中已知的任何适合离子束源之外。另外，输出获取子系统可为任何其它适合的基于离子束的输出获取子系统，例如包含于可商用购得的聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统以及次级离子质谱学(SIMS)系统中的那些基于离子束的输出获取子系统。
计算机子系统302包含处理器308及电子数据存储单元309。处理器308可包含微处理器、微控制器或其它装置。处理器308及/或电子数据存储单元309任选地可与晶片检验工具或晶片再检测工具(未图解说明)进行电子通信以接收额外信息。
可以任何适合方式(例如，经由一或多个传输媒体，其可包含有线及/或无线传输媒体)将计算机子系统302耦合到系统300的组件，使得处理器308可接收输出。处理器308可经配置以使用输出执行若干个功能。晶片检验工具可从处理器308接收指令或其它信息。处理器308及/或电子数据存储单元309任选地可与另一晶片检验工具、晶片计量工具或晶片再检测工具(未图解说明)进行电子通信以接收额外信息或发送指令。
处理器308与晶片检验工具(例如检测器307)进行电子通信。处理器308可经配置以处理使用来自检测器307的测量产生的图像。举例来说，处理器可执行方法100或方法200的实施例。
本文中所描述的计算机子系统302、其它系统或其它子系统可为各种系统的一部分，包含个人计算机系统、图像计算机、大型计算机系统、工作站、网络器具、因特网器具或其它装置。子系统或系统还可包含此项技术中已知的任何适合处理器，例如并行处理器。另外，子系统或系统可包含具有高速度处理及软件的平台作为独立工具或经联网工具。
处理器308及电子数据存储单元309可安置在系统300或另一装置中或以其它方式可为系统300或另一装置的一部分。在实例中，处理器308及电子数据存储单元309可为独立控制单元的一部分或在集中式质量控制单元中。可使用多个处理器308或电子数据存储单元309。
实务上，处理器308可通过硬件、软件及固件的任一组合来实施。此外，本文中所描述的其功能可由一个单元执行，或在不同组件间进行划分，所述组件中的每一者又可通过硬件、软件及固件的任一组合来实施。用于使处理器308实施各种方法及功能的程序代码或指令可存储于可读存储媒体中，例如电子数据存储单元309中的存储器或其它存储器。
如果系统300包含一个以上计算机子系统302，那么不同子系统可彼此耦合使得图像、数据、信息、指令等可在子系统之间发送。举例来说，一个子系统可通过任何适合传输媒体耦合到额外子系统，所述传输媒体可包含此项技术中已知的任何适合有线及/或无线传输媒体。此类子系统中的两者或更多者还可通过共享计算机可读存储媒体(未展示)来有效耦合。
处理器308可经配置以使用系统300的输出或其它输出执行若干个功能。举例来说，处理器308可经配置以将输出发送到电子数据存储单元309或另一存储媒体。可如本文中所描述进一步配置处理器308。
处理器308或计算机子系统302可为缺陷再检测系统、检验系统、计量系统或一些其它类型的系统的一部分。因此，本文中所揭示的实施例描述一些配置，其等可以若干种方式修整以用于具有更多或更少地适合于不同应用的不同能力的系统。
如果所述系统包含一个以上子系统，那么不同子系统可彼此耦合使得图像、数据、信息、指令等可在子系统之间发送。举例来说，一个子系统可通过任何适合传输媒体耦合到额外子系统，所述传输媒体可包含此项技术中已知的任何适合有线及/或无线传输媒体。此类子系统中的两者或更多者还可通过共享计算机可读存储媒体(未展示)来有效耦合。
可根据本文中所描述的实施例中的任一者配置处理器308。处理器308还可经配置以使用系统300的输出或使用来自其它源的图像或数据来执行其它功能或额外步骤。
处理器308可以此项技术中已知的任一方式通信地耦合到系统300的各种组件或子系统中的任一者。此外，处理器308可经配置以通过可包含有线及/或无线部分的传输媒体接收及/或获取来自其它系统的数据或信息(例如，来自例如再检测工具的检验系统的检验结果、包含设计数据的远程数据库等等)。以此方式，所述传输媒体可用作处理器308与系统300的其它子系统或系统300外部的系统之间的数据链路。
由以下各项中的一或多者执行各种步骤、功能及/或系统300的操作以及本文中所揭示的方法：电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控件/开关、微控制器或计算系统。实施方法的程序指令(例如本文中所描述的那些指令)可经由载体媒体传输或存储于载体媒体上。载体媒体可包含存储媒体，例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带等等。载体媒体可包含传输媒体，例如导线、缆线或无线传输链路。举例来说，遍及本发明所描述的各种步骤可通过单个处理器308(或计算机子系统302)或替代地多个处理器308(或多个计算机子系统302)来执行。此外，系统300的不同子系统可包含一或多个计算或逻辑系统。因此，以上说明不应解释为对本发明的限制而仅是图解说明。
额外实施例涉及存储可在处理器上执行的程序指令的非暂时性计算机可读媒体。特定来说，处理器(例如处理器308)可耦合到包含可执行程序指令的具有非暂时性计算机可读媒体的电子数据存储媒体(例如电子数据存储媒体309)中的存储器。计算机实施的方法可包含本文中所描述的任何方法的任何步骤。举例来说，处理器308可经编程以执行方法100或图3的方法的一些或所有步骤。电子数据存储媒体309中的存储器可为存储媒体，例如磁盘或光盘、磁带或此项技术中已知的任何其它适合非暂时性计算机可读媒体。
可以包含基于程序的技术、基于组件的技术及/或对象导向的技术以及其它技术的各种方式中的任一者来实施程序指令。举例来说，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式传输SIMD扩展(SSE)或者其它技术或方法来实施所述程序指令。
在实施例中，一或多个程序包含于例如电子数据存储媒体309的非暂时性计算机可读存储媒体上。所述一或多个程序是用于在例如处理器308的一或多个计算装置上执行步骤。所述程序可包含：接收在定界框中具有缺陷的半导体晶片的图像；基于图像中的像素将图像中的缺陷分类为初始缺陷类型；从电子数据存储单元(例如，电子数据存储媒体309)检索与缺陷类型相关联的临界尺寸均匀性参数；及基于临界尺寸均匀性参数量化缺陷的缺陷率水平。所述程序还可包含获得图像中的缺陷的形貌属性及对比度属性以及基于形貌属性及对比度属性将缺陷分类为最终缺陷类型。
计算机子系统302可进一步包含机器学习模块。将缺陷分类为最终缺陷类型可使用机器学习算法模块。机器学习算法模块可存储于电子数据存储媒体309上及/或在处理器308上运行。
在实施例中，基于学习的模型包含机器学习模型。机器学习可大体上定义为在未明确编程的情况下使计算机具备学习能力的类型的人工智能(AI)。机器学习聚焦于计算机程序的开发，所述计算机程序可自学以在暴露于新数据时成长及改变。换句话说，机器学习可定义为在未明确编程的情况下赋予计算机学习能力的计算机科学的子领域。机器学习探索可从数据学习及对数据进行预测的算法的研究及构造。通过经由从样本输入构建模型进行数据驱动的预测或决策，此类算法克服严格遵循静态程序指令。
在一个实施例中，基于学习的模型包含深度学习模型。大体来说，“深度学习”(还称为深度结构化学习、阶层式学习或深度机器学习)是基于尝试将数据中的高水平抽象建模的一组算法的机器学习的分支。在简单情形中，可存在两组神经元：一组接收输入信号且一组发送输出信号。当输入层接收输入时，其将输入的经修改版本传递到下一层。在深度网络中，输入与输出之间存在许多层，从而允许算法使用由多个线性及非线性变换组成的多个处理层。
深度学习是基于学习数据表示的较宽泛族系的机器学习方法的一部分。观察(例如，图像)可以许多方式表示，例如每像素强度值的向量，或以更抽象的方式表示为一组边缘、特定形状的区域等。一些表示在简化学习任务(例如，面部辨识或面部表情辨识)方面比其它表示更佳。深度学习的前景中的一者是将手工制作的特征替换为高效算法，以用于非监督式或半监督式特征学习及阶层式特征提取。
在另一实施例中，基于学习的模型包含神经网络。举例来说，所述模型可为具有一组权重的深度神经网络，所述权重根据数据(所述数据已经馈送以对其进行训练)来将世界建模。神经网络大体上可定义为基于相对大的神经单元集合的计算方法，其松散地将生物大脑利用通过轴突连接的相对大的生物神经元群集解决问题的方式建模。每一神经单元与许多其它神经单元连接，且连结可强迫或抑制其对经连接的神经单元的激活状态的效应。这些系统是自学及训练的而不是明确编程的，且擅长于以传统计算机程序难以表达解决方案或特征检测的领域。
神经网络通常由多个层组成，且信号路径从前向后穿越。神经网络的目标是以与人脑相同的方式解决问题，尽管数个神经网络要抽象得多。现代神经网络项目通常使用几千到几百万个神经单元及数百万个连接来工作。神经网络可具有此项技术中已知的任何适合架构及/或配置。
在另一实施例中，基于学习的模型包含卷积神经网络(CNN)。举例来说，本文中所描述的实施例可利用深度学习概念(例如，CNN)来解决通常难解的表示转换问题(例如，再现)。所述模型可具有此项技术中已知的任一CNN配置或架构。
在另一实施例中，基于学习的模型包含深度神经网络。举例来说，所述模型可经配置以具有深度学习架构，其中所述模型可包含多个层，所述层执行若干个算法或变换。大体来说，模型中的层的数目并不重要且是使用情形相依的。出于实务的目的，包含于模型中的层的适合范围是从两个层到数十个层。如本文中所描述，可以其它方式配置深度神经网络。在一个此类实施例中，基于学习的模型可配置为深度CNN(DCNN)。
在额外实施例中，基于学习的模型包含判别模型。判别模型(还称为条件模型)是机器学习中用于将未观察变量y对观察变量x的相依性建模的一类模型。在概率框架内，这是通过将条件概率分布P(y x)建模来完成，条件概率分布P(y x)可用于从x预测y。与生成模型相反，判别模型不允许从x与y的联合分布产生样本。然而，对于不需要联合分布的例如分类及回归的任务，判别模型可产生优异性能。相比来说，生成模型在表达复杂学习任务中的相依性时通常比判别模型更灵活。另外，多数判别模型本质上是监督式的且不能容易地扩展到非监督式学习。应用特定的细节最终决定选择判别模型与生成模型的适合性。以此方式，本文中所描述的实施例可使用判别类型的深度学习网络用于本文中所描述的应用(分类或回归目的)。
在一些实施例中，基于学习的模型包含生成模型。生成模型可大体上定义为本质上是概率的模型。换句话说，生成模型并非执行正向模拟或基于规则的方法的模型，且如此，产生实际输出(为此产生模拟输出)所涉及的过程的物理模型是不必要的。替代地，如本文中进一步所描述，可使生成模型基于适合训练数据集来学习(其中可学习其参数)。以此方式，本文中所描述的实施例可使用例如深度生成网络的深度学习网络用于本文中所描述的应用(分类或回归目的)。
在一个实施例中，基于学习的模型包含深度生成模型。举例来说，所述模型可经配置以具有深度学习架构，其中所述模型可包含多个层，所述层执行若干个算法或变换。大体来说，生成模型的一个或两个侧上的层的数目并不重要且是使用情形相依的。出于实务目的，两个侧上的层的适合范围是从两个层到数十个层。
在另一实施例中，基于学习的模型经配置用于具有经增加取样的滤波器的卷积。举例来说，在最初设计用于图像分类的连续DCNN层处执行的最大池化及减少取样(“跨步”)的重复组合可导致当DCNN以完全卷积方式使用时具有显著减少的空间分辨率的特征图。为克服此障碍且高效地产生更密集特征图，可从最后数个最大池化DCNN层移除减少取样运算符且替代地在后续卷积层中对滤波器进行增加取样，从而导致以较高取样率计算的特征图。
滤波器增加取样相当于在非零滤波器抽头之间嵌入孔。此技术在信号处理方面具有长久历史，最初为非抽选小波变换的高效计算而开发。此方案提供在密集预测任务中使用解卷积层的简单但强大的替代方案。与具有较大滤波器的常规卷积相比，非取样滤波器(“带孔卷积”)允许在不增加参数的数目或计算的量的情况下有效地放大滤波器的视场。
以此方式，本文中所描述的实施例可经配置用于使用机器学习的缺陷检测及识别。特定来说，在不同应用(例如，缺陷检测、CAD再现)中，可将图像层级分析转换为像素层级分类问题。
本文中所描述的实施例可或不可经配置用于训练本文中所描述的基于学习的模型。举例来说，另一方法及/或系统可经配置以产生经训练的基于学习的模型，其接着可通过本文中所描述的实施例存取及使用。
如本文中所使用，术语“晶片”通常是指由半导体或非半导体材料形成的衬底。此半导体或非半导体材料的实例包含但不限于单晶硅、氮化镓、砷化镓、磷化铟、蓝宝石及玻璃。此类衬底通常可存在于半导体制作设施中及/或在其中处理。
晶片可包含形成于衬底上的一或多个层。举例来说，此些层可包含但不限于光致抗蚀剂、介电材料、导电材料及半导电材料。许多不同类型的此些层是此项技术中已知的，且如本文中所使用的术语晶片打算囊括包含所有类型的此些层的晶片。
形成于晶片上的一或多个层可为经图案化或未经图案化的。举例来说，晶片可包含多个裸片，每一裸片具有可重复的经图案化特征或周期性结构。此些材料层的形成及处理可最终导致所完成的装置。可在晶片上形成许多不同类型的装置，且如本文中所使用的术语晶片打算囊括上面制作有本项技术中已知的任一类型的装置的晶片。
还可使用其它类型的晶片。举例来说，晶片可用于制造LED、太阳能电池、磁盘、扁平面板或抛光板。还可使用本文中所揭示的技术及系统来将其它对象上的缺陷分类。
可如本文中所描述执行所述方法的所述步骤中的每一者。所述方法还可包含可由本文中所描述的处理器及/或计算机子系统或系统执行的任何其它步骤。所述步骤可由一或多个计算机系统执行，所述一或多个计算机系统可根据本文中所描述的实施例中的任一者而配置。另外，可通过本文中所描述的系统实施例中的任一者来执行上文所描述的方法。
尽管已关于一或多个特定实施例描述本发明，但应理解可在不背离本发明的范围的情况下做出本发明的其它实施例。因而，本发明被视为仅受所附权利要求书及其合理阐释限制。

Claims (11)

1.一种方法，其包括：
在处理器处接收在定界框中具有缺陷的半导体晶片的图像；
使用所述处理器基于所述图像中的像素将所述图像中的所述缺陷分类为初始缺陷类型；
使用所述处理器从电子数据存储单元检索与所述初始缺陷类型相关联的临界尺寸均匀性参数；
使用所述处理器基于所述临界尺寸均匀性参数量化所述缺陷的缺陷率水平；
使用所述处理器获得所述图像中的所述缺陷的形貌属性及对比度属性；
使用所述处理器基于所述形貌属性及所述对比度属性将所述缺陷分类为最终缺陷类型，其中分类为所述最终缺陷类型使用机器学习算法；及
使用所述最终缺陷类型及所述缺陷的性质训练所述机器学习算法，其中所述性质包含临界尺寸属性。
2.根据权利要求1所述的方法，其进一步包括在将所述缺陷分类为所述最终缺陷类型后，将所述缺陷的性质及所述最终缺陷类型添加到数据库，其中所述性质包含所述形貌属性及所述对比度属性。
3.根据权利要求1所述的方法，其进一步包括在将所述缺陷分类为所述最终缺陷类型后，使用所述处理器识别所述图像中的所述缺陷。
4.根据权利要求3所述的方法，其中使用与所述半导体晶片上的相邻裸片的图像的图像减法来识别所述缺陷。
5.根据权利要求3所述的方法，其进一步包括在识别所述图像中的所述缺陷后，使用所述处理器围绕所述缺陷绘制所述定界框。
6.根据权利要求1所述的方法，其中所述图像是扫描电子显微镜图像。
7.一种非暂时性计算机可读媒体，其存储经配置以指示处理器执行根据权利要求1所述的方法的程序。
8.一种系统，其包括：
载台，其经配置以固持半导体晶片；
电子源，其将电子引导到所述载台上的所述半导体晶片处；
检测器，其从所述载台上的所述半导体晶片的表面接收电子；
电子数据存储单元；及
处理器，其与所述检测器及所述电子数据存储单元进行电子通信，其中所述处理器经配置以：
接收在定界框中具有缺陷的所述半导体晶片的图像；
基于所述图像中的像素将所述图像中的所述缺陷分类为初始缺陷类型；
从所述电子数据存储单元检索与所述初始缺陷类型相关联的临界尺寸均匀性参数；
基于所述临界尺寸均匀性参数量化所述缺陷的缺陷率水平；
获得所述图像中的所述缺陷的形貌属性及对比度属性；
基于所述形貌属性及所述对比度属性将所述缺陷分类为最终缺陷类型，其中使用机器学习算法将所述缺陷分类为所述最终缺陷类型；及
使用所述最终缺陷类型及所述缺陷的性质训练所述机器学习算法，其中所述性质包含临界尺寸属性。
9.根据权利要求8所述的系统，其中所述系统进一步包括存储于所述电子数据存储单元上且在所述处理器上运行的机器学习算法模块，且其中分类为所述最终缺陷类型使用所述机器学习算法模块。
10.根据权利要求8所述的系统，其中所述处理器进一步经配置以在将所述缺陷分类为所述最终缺陷类型后识别所述图像中的所述缺陷。
11.根据权利要求10所述的系统，其中所述处理器进一步经配置以在识别所述图像中的所述缺陷后围绕所述缺陷绘制所述定界框。
CN201980016474.6A 2018-03-14 2019-03-05 使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制 Active CN111837225B (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN201841009298 2018-03-14
IN201841009298 2018-03-14
US201862665903P 2018-05-02 2018-05-02
US62/665,903 2018-05-02
US16/046,171 2018-07-26
US16/046,171 US10679333B2 (en) 2018-03-14 2018-07-26 Defect detection, classification, and process window control using scanning electron microscope metrology
PCT/US2019/020629 WO2019177800A1 (en) 2018-03-14 2019-03-05 Defect detection, classification, and process window control using scanning electron microscope metrology

Publications (2)

Publication Number Publication Date
CN111837225A CN111837225A (zh) 2020-10-27
CN111837225B true CN111837225B (zh) 2021-12-24

Family

ID=67905893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980016474.6A Active CN111837225B (zh) 2018-03-14 2019-03-05 使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制

Country Status (5)

Country Link
US (1) US10679333B2 (zh)
KR (1) KR102468982B1 (zh)
CN (1) CN111837225B (zh)
TW (1) TWI769371B (zh)
WO (1) WO2019177800A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018213056A1 (de) * 2018-08-03 2020-02-06 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln einer Erklärungskarte
US12114989B2 (en) 2018-12-04 2024-10-15 Brainvivo Ltd. Apparatus and method for utilizing a brain feature activity map database to characterize content
US20210241065A1 (en) * 2018-12-04 2021-08-05 Brainvivo Ltd. Classifying Discipline-Specific Content Using a General-Content Brain-Response Model
US12045969B2 (en) * 2019-10-01 2024-07-23 Carl Zeiss Smt Gmbh Automated root cause analysis for defect detection during fabrication processes of semiconductor structures
US11615993B2 (en) * 2019-11-21 2023-03-28 Kla Corporation Clustering sub-care areas based on noise characteristics
US11922613B2 (en) * 2019-12-30 2024-03-05 Micron Technology, Inc. Apparatuses and methods for determining wafer defects
WO2021165941A1 (en) * 2020-02-23 2021-08-26 Nova Measuring Instruments Ltd. Measuring local critical dimension uniformity of an array of two-dimensional structural elements
KR102914783B1 (ko) 2020-10-05 2026-01-19 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
CN112036514B (zh) * 2020-11-04 2021-07-13 腾讯科技（深圳）有限公司 一种图像分类方法、装置、服务器及计算机可读存储介质
EP4277515A4 (en) * 2021-01-14 2024-08-21 Brainvivo Ltd. CLASSIFICATION OF DISCIPLINE-SPECIFIC CONTENT USING A CONTENT-GENERAL BRAIN RESPONSE MODEL
CN112991259B (zh) * 2021-01-29 2023-04-18 合肥晶合集成电路股份有限公司 一种半导体制程缺陷的检测方法及系统
KR20220153839A (ko) 2021-05-12 2022-11-21 삼성전자주식회사 노광 공정의 최적 포커스 및 최적 도즈를 결정하는 방법
CN113658125B (zh) * 2021-08-11 2024-02-23 全芯智造技术有限公司 用于评估版图热点的方法、设备和存储介质
US12191806B2 (en) * 2021-09-01 2025-01-07 Arizona Board Of Regents On Behalf Of Arizona State University Autonomous polarimetric imaging for photovoltaic module inspection and methods thereof
KR102405557B1 (ko) 2021-10-14 2022-06-07 라이트비전 주식회사 컴퓨터가 구분하기 용이한 회절패턴 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법
KR102535327B1 (ko) 2021-11-16 2023-05-26 라이트비전 주식회사 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
KR20230071772A (ko) 2021-11-16 2023-05-23 라이트비전 주식회사 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
CN114199892B (zh) * 2021-12-10 2022-11-18 江苏雷默智能科技有限公司 一种基于机器视觉的板材测量方法及系统
WO2023108547A1 (en) * 2021-12-16 2023-06-22 Jade Bird Display (Shanghai) Company System for constructing defect level classification model
CN114648528B (zh) * 2022-05-19 2022-09-23 江苏第三代半导体研究院有限公司 一种半导体检测方法、装置以及计算机可读存储介质
US20230386015A1 (en) * 2022-05-31 2023-11-30 Siemens Industry Software Inc. Layout-based wafer defect identification and classification
CN115829951B (zh) * 2022-11-21 2025-02-18 东方晶源微电子科技(北京)股份有限公司 基于设计版图的扫描电子显微镜图像缺陷分类方法、装置
CN116344378B (zh) * 2023-03-31 2024-01-23 江苏神州新能源电力有限公司 一种光伏板生产用智能检测系统及其检测方法
KR20250083791A (ko) * 2023-12-01 2025-06-10 엘에스일렉트릭(주) 영상데이터를 이용한 불량 확인 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
WO2017087646A1 (en) * 2015-11-17 2017-05-26 Kla-Tencor Corporation Single image detection
US9739728B1 (en) * 2016-06-20 2017-08-22 International Business Machines Corporation Automatic defect detection and classification for high throughput electron channeling contrast imaging

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6122397A (en) * 1997-07-03 2000-09-19 Tri Path Imaging, Inc. Method and apparatus for maskless semiconductor and liquid crystal display inspection
US6148099A (en) * 1997-07-03 2000-11-14 Neopath, Inc. Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification
US7229845B1 (en) * 2004-01-26 2007-06-12 Si Glaz Automated sourcing of substrate microfabrication defects using defects signatures
JP5537282B2 (ja) * 2009-09-28 2014-07-02 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
US8995747B2 (en) 2010-07-29 2015-03-31 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection and classification
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
US8718353B2 (en) * 2012-03-08 2014-05-06 Kla-Tencor Corporation Reticle defect inspection with systematic defect filter
US9589086B2 (en) 2014-01-27 2017-03-07 Macronix International Co., Ltd. Method for measuring and analyzing surface structure of chip or wafer
US10539612B2 (en) * 2015-05-20 2020-01-21 Kla-Tencor Corporation Voltage contrast based fault and defect inference in logic chips
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10598617B2 (en) * 2017-05-05 2020-03-24 Kla-Tencor Corporation Metrology guided inspection sample shaping of optical inspection results
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
US11237872B2 (en) 2017-05-23 2022-02-01 Kla-Tencor Corporation Semiconductor inspection and metrology systems for distributing job among the CPUs or GPUs based on logical image processing boundaries
US10387755B2 (en) * 2017-06-28 2019-08-20 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
US10607119B2 (en) 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
US11016035B2 (en) * 2017-09-18 2021-05-25 Elite Semiconductor Inc. Smart defect calibration system and the method thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
WO2017087646A1 (en) * 2015-11-17 2017-05-26 Kla-Tencor Corporation Single image detection
US9739728B1 (en) * 2016-06-20 2017-08-22 International Business Machines Corporation Automatic defect detection and classification for high throughput electron channeling contrast imaging
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统

Also Published As

Publication number Publication date
WO2019177800A1 (en) 2019-09-19
TWI769371B (zh) 2022-07-01
CN111837225A (zh) 2020-10-27
KR20200122401A (ko) 2020-10-27
US10679333B2 (en) 2020-06-09
TW201941162A (zh) 2019-10-16
KR102468982B1 (ko) 2022-11-18
US20190287238A1 (en) 2019-09-19

Similar Documents

Publication Publication Date Title
CN111837225B (zh) 使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制
JP7122386B2 (ja) 低解像度画像における欠陥検出のためのニューラルネットワークのトレーニング
JP7216822B2 (ja) 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用
TWI906018B (zh) 檢查方案的自動最佳化
CN108463876B (zh) 为样品产生模拟输出
TWI710763B (zh) 經組態以偵測一樣品上之缺陷之系統及用於偵測一樣品上之缺陷之電腦實施方法
CN108475649B (zh) 通过异常值检测的特征选择及自动化工艺窗监测
CN108463874B (zh) 基于图像的样品过程控制
US10186026B2 (en) Single image detection
CN108475351A (zh) 用于半导体应用的基于机器学习的模型的加速训练
TWI809094B (zh) 用於損害篩選之跨層共同-獨特分析
TW202240637A (zh) 基於半導體製程之晶圓層級分析及根本原因分析之資料驅動預測與失效模式識別
KR102812587B1 (ko) 반도체 기반 애플리케이션을 위한 시맨틱 이미지 분할
TW202334641A (zh) 用於基於半導體應用之無監督或自我監督之深度學習
CN119168939A (zh) 用于半导体样本的基于机器学习的缺陷检查
TWI907687B (zh) 基於半導體應用之語義圖像分割
CN121437360A (zh) 用于半导体查验的无标签缺陷检测

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