[go: up one dir, main page]

KR102812577B1 - 반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝 - Google Patents

반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝 Download PDF

Info

Publication number
KR102812577B1
KR102812577B1 KR1020187021817A KR20187021817A KR102812577B1 KR 102812577 B1 KR102812577 B1 KR 102812577B1 KR 1020187021817 A KR1020187021817 A KR 1020187021817A KR 20187021817 A KR20187021817 A KR 20187021817A KR 102812577 B1 KR102812577 B1 KR 102812577B1
Authority
KR
South Korea
Prior art keywords
machine learning
samples
based model
model
subsystem
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
KR1020187021817A
Other languages
English (en)
Other versions
KR20180090385A (ko
Inventor
크리스 바스카
로랑 카르센티
스콧 에이 영
모한 마하드반
징 장
브라이언 더피
Original Assignee
케이엘에이 코포레이션
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
Priority claimed from US15/394,792 external-priority patent/US9916965B2/en
Application filed by 케이엘에이 코포레이션 filed Critical 케이엘에이 코포레이션
Publication of KR20180090385A publication Critical patent/KR20180090385A/ko
Application granted granted Critical
Publication of KR102812577B1 publication Critical patent/KR102812577B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical 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
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/0475—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
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G06N3/0895—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial 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
    • G06N3/096—Transfer 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
    • H10P74/203—
    • H10P74/23—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural 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
    • G06T2207/20—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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Medical Informatics (AREA)

Abstract

반도체 애플리케이션에 대한 기계 학습 기반의 모델의 가속화된 트레이닝을 위한 방법 및 시스템이 제공된다. 기계 학습 기반의 모델을 트레이닝하는 하나의 방법은, 프로세스가 수행되는 표본(들)의 비-공칭 인스턴스에 대한 정보를 획득하는 것을 포함한다. 기계 학습 기반의 모델은 표본에 대하여 시뮬레이션(들)을 수행하도록 구성된다. 기계 학습 기반의 모델은 추가 표본(들)의 공칭 인스턴스에 대한 정보로만 트레이닝된다. 방법은 또한, 표본(들)의 비-공칭 인스턴스에 대한 정보로 기계 학습 기반의 모델을 재트레이닝함으로써, 기계 학습 기반의 모델에 표본(들)의 비-공칭 인스턴스에 대한 정보의 전이 학습을 수행하는 것을 포함한다.

Description

반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝
본 발명은 일반적으로 반도체 애플리케이션을 위한 기계 학습(machine learning) 기반의 모델의 가속 트레이닝(accelerated training)을 위한 방법 및 시스템에 관한 것이다.
다음의 설명 및 예는 이 부분에 포함되었다고 하여 종래 기술인 것으로 인정되는 것이 아니다.
로직 및 메모리 디바이스와 같은 반도체 디바이스를 제조하는 것은 통상적으로, 반도체 디바이스의 다양한 특징부 및 복수의 레벨을 형성하기 위해 많은 수의 반도체 제조 프로세스를 사용하여 반도체 웨이퍼와 같은 기판을 처리하는 것을 포함한다. 예를 들어, 리소그래피는, 레티클로부터의 패턴을 반도체 웨이퍼 상에 배열된 레지스트에 전사하는 것을 수반하는 반도체 제조 프로세스이다. 반도체 제조 프로세스의 추가적인 예는, 화학 기계적 연마(CMP; chemical-mechanical polishing), 에칭, 퇴적, 및 이온 주입을 포함하지만, 이에 한정되는 것은 아니다. 복수의 반도체 디바이스들은 단일 반도체 웨이퍼 상에 배열되어 제조된 다음, 개별 반도체 디바이스로 분리될 수 있다.
제조 프로세스에서의 더 높은 수율 및 그에 따른 보다 높은 이익을 추구하도록 웨이퍼 상의 결함을 검출하기 위해 반도체 제조 프로세스 중의 다양한 단계에서 검사 프로세스가 사용된다. 검사는 항상 반도체 디바이스를 제조하는 것의 중요한 부분이었다. 그러나, 반도체 디바이스의 치수가 감소함에 따라, 검사는 수락가능한 반도체 디바이스의 성공적인 제조에 훨씬 더 중요해졌는데, 더 작은 결함이 디바이스를 고장시킬 수 있기 때문이다.
결함 검토는 통상적으로, 검사 프로세스에 의해 그러한 것으로 검출된 결함을 재검출하고 고배율 광학 시스템이나 SEM(scanning electron microscope)을 사용하여 더 높은 분해능으로 결함에 관한 추가 정보를 생성하는 것을 수반한다. 따라서 결함 검토는 검사에 의해 결함이 검출되었던 웨이퍼 상의 개별 위치에서 수행된다. 결함 검토에 의해 생성된 결함에 대한 더 높은 분해능 데이터는 프로파일, 거칠기, 더 정확한 크기 정보 등과 같이 결함의 속성을 결정하기에 더 적합하다.
계측 프로세스도 또한, 프로세스를 모니터하고 제어하기 위해 반도체 제조 프로세스 중의 다양한 단계에서 사용된다. 결함이 웨이퍼 상에서 검출되는 검사 프로세스와는 달리, 계측 프로세스는 현재 사용된 검사 툴을 사용하여 결정될 수 없는 웨이퍼의 하나 이상의 특성을 측정하는 데에 사용된다는 점에서, 계측 프로세스는 검사 프로세스와 상이하다. 예를 들어, 계측 프로세스는, 하나 이상의 특성으로부터 프로세스의 성능이 결정될 수 있도록, 프로세스 동안 웨이퍼 상에 형성된 특징부의 치수(예컨대, 선폭, 두께 등)와 같은 웨이퍼의 하나 이상의 특성을 측정하는 데에 사용된다. 또한, 웨이퍼의 하나 이상의 특성이 수락 불가능한 경우(예컨대, 특성(들)에 대한 미리 결정된 범위를 벗어남), 프로세스에 의해 제조되는 추가의 웨이퍼가 수락 가능한 특성(들)을 갖도록, 웨이퍼의 하나 이상의 특성의 측정은 프로세스의 하나 이상의 파라미터를 변경하는 데에 사용될 수 있다.
검사에 의해 검출되는 결함이 결함 검토에서 다시 방문되는 결함 검토 프로세스와는 달리, 계측 프로세스는 결함이 검출되지 않은 위치에서 수행될 수 있다는 점에서, 계측 프로세스는 또한 결함 검토 프로세스와 상이하다. 다르게 말하자면, 결함 검토와는 달리, 계측 프로세스가 웨이퍼 상에서 수행되는 위치는 웨이퍼 상에서 수행된 검사 프로세스의 결과와는 독립적일 수 있다. 특히, 계측 프로세스가 수행되는 위치는 검사 결과와 독립적으로 선택될 수 있다.
검사와 같은 대부분의 반도체 애플리케이션에 사용되는 현행 알고리즘은 수작업의 특징(hand crafted features)을 요구하는 경향이 있다. 시스템에 수반되어 있는 학습이 있긴 하지만, 이는 임시(ad hoc) 방식으로 그리고 매우 높은(“손실(lossy)”) 레벨로 일어나는 경향이 있는데, 검사의 결과가 진짜 결함, 오경보, 뉴슨스(nuisance) 등으로 간주되는 경우 통상적으로 SEM 검토를 수반하는 루프가 존재한다. “손실(lossy)”에 의해, 프로세스 관련 원인과 효과를 관찰할 수 있는 능력 간의 관계는 매우 복잡하여 종래의 방법은 반도체 제조 프로세스를 제어하는데 사용되는 계측 및 검사 장비의 원래 능력을 충분히 이용하는 레시피로 집중하는 데에 적합하지 않다는 것을 의미한다.
또한, 프로세스 윈도우를 통한 엄격한 프로세스 시뮬레이션 경험 설계(DOE; design of experiment)가 채용될 수도 있다는 것을 유의하여야 한다. 그러나, 이는 훨씬 더 느리고 OPC(optical proximity correction) 후의 데이터(마스크 기록기에 입력됨)를 필요로 하며, 이는 종종 팹(fab)에 이용가능하지 않다. 예를 들어, KLA-Tencor(Milpitas, Calif.)에 의해 개발된 Design Scan이라 불리는 제품은 리소그래피 프로세스 윈도우를 통해 발생하는 패턴 변형을 예측하려고 노력하였다.
신경망 학습(neural network learning) 분야는 비지도(unsupervised) 학습에서 수십년의 성공하지 못한 시도로 산재되어 있다. 그러나, 최근 2년간, 연구 단체의 일부가 문자 인식에 대한 전이 학습(transfer learning) 및 준지도 학습(semi-supervised learning)에 관련된 기술을 활용하여 자연 이미지 장면 분류에서 상당한 성공을 거둔 것을 알아내었다.
딥 러닝(deep learning) 모델은 심층(deep) 신경망이 작업할 많은 샘플들이 있다는 가정 하에 잘 작용한다. 작업할 샘플 예가 매우 적다면, 이 방법을 이용한 성공은 상당히 한정되는 경향이 있다.
따라서, 상기 기재된 단점 중의 하나 이상을 갖지 않는 기계 학습 기반의 모델을 트레이닝하기 위한 시스템 및 방법을 개발하는 것이 유리할 것이다.
다양한 실시예의 다음 설명은 어떠한 방식으로든 첨부된 청구항의 내용을 한정하는 것으로서 해석되어서는 안된다.
하나의 실시예는 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템에 관한 것이다. 시스템은 하나 이상의 컴퓨터 서브시스템 및 하나 이상의 컴퓨터 서브시스템에 의해 실행되는 하나 이상의 컴포넌트를 포함한다. 하나 이상의 컴포넌트는 표본(specimens)에 대하여 하나 이상의 시뮬레이션을 수행하도록 구성된 기계 학습 기반의 모델을 포함한다. 기계 학습 기반의 모델은 표본 중 하나 이상의 표본의 공칭 인스턴스(nominal instance)에 대한 정보로만 트레이닝된다. 하나 이상의 컴퓨터 서브시스템은 프로세스가 수행되는 표본 중 하나 이상의 표본의 비-공칭 인스턴스(non-nominal instance)에 대한 정보를 획득하도록 구성된다. 하나 이상의 컴퓨터 서브시스템은 또한, 표본 중 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보로 기계 학습 기반의 모델을 재트레이닝(re-training)함으로써, 기계 학습 기반의 모델에 표본 중 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보의 전이 학습을 수행하도록 구성된다. 시스템은 여기에 기재된 바와 같이 더 구성될 수 있다.
또 다른 실시예는 기계 학습 기반의 모델을 트레이닝하기 위한 컴퓨터 구현 방법에 관한 것이다. 방법은 프로세스가 수행되는 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보를 획득하는 단계를 포함한다. 표본에 대한 하나 이상의 시뮬레이션을 수행하도록 기계 학습 기반의 모델이 구성된다. 기계 학습 기반의 모델은 하나 이상의 추가 표본의 공칭 인스턴스에 대한 정보로만 트레이닝된다. 방법은 또한, 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보로 기계 학습 기반의 모델을 재트레이닝하는 단계로서, 그리하여 기계 학습 기반의 모델에 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보의 전이 학습을 수행하는 것인 단계를 포함한다. 획득하는 단계 및 재트레이닝하는 단계는 하나 이상의 컴퓨터 시스템에 의해 수행된다. 하나 이상의 컴퓨터 시스템에 의해 하나 이상의 컴포넌트가 실행된다. 하나 이상의 컴포넌트는 기계 학습 기반의 모델을 포함한다.
상기에 기재된 방법의 단계들 각각은 여기에 더 기재된 바와 같이 더 수행될 수 있다. 또한, 상기에 기재된 방법의 실시예는 여기에 기재된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다. 또한, 상기에 기재된 방법은 여기에 기재된 임의의 시스템에 의해 수행될 수 있다.
또 다른 실시예는 기계 학습 기반의 모델을 트레이닝하기 위한 컴퓨터 구현 방법을 수행하도록 하나 이상의 컴퓨터 시스템 상에서 실행가능한 프로그램 명령어를 저장한 비일시적 컴퓨터 판독가능한 매체에 관한 것이다. 컴퓨터 구현 방법은 상기에 기재된 방법의 단계들을 포함한다. 컴퓨터 판독가능한 매체는 여기에 기재된 바와 같이 더 구성될 수 있다. 컴퓨터 구현 방법의 단계들은 여기에 더 기재된 바와 같이 수행될 수 있다. 또한, 프로그램 명령어가 실행가능한 컴퓨터 구현 방법은 여기에 기재된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다.
바람직한 실시예의 다음의 상세한 설명 및 첨부 도면을 참조하여 본 발명의 부가의 이점들이 당해 기술 분야에서의 숙련자에게 명백하게 될 것이다.
도 1 및 도 1a는 여기에 기재된 바와 같이 구성된 시스템의 실시예의 측면도를 예시한 개략도이다.
도 2는 여기에 기재된 실시예에 의해 수행될 수 있는 단계들을 예시한 흐름도이다.
도 3은 컴퓨터 시스템(들)으로 하여금 여기에 기재된 컴퓨터 구현 방법을 수행하게 하는 프로그램 명령어를 저장한 비일시적 컴퓨터 판독가능한 매체의 하나의 실시예를 예시한 블록도이다.
본 발명은 다양한 수정 및 대안적인 형태가 가능하지만, 그의 특정 실시예가 도면에 예로써 도시되며 여기에서 상세하게 설명된다. 도면은 실축척대로 도시되지 않을 수 있다. 그러나, 도면 및 그에 대한 상세한 설명은 본 발명을 개시된 특정 형태에 한정하고자 하는 것이 아니며, 반대로 본 발명은 첨부된 청구항에 의해 정의되는 본 발명의 사상 및 범위 내에 속하는 모든 수정, 등가물 및 대안을 커버하고자 함을 이해하여야 한다.
여기에서 교환가능하게 사용되는 용어 “설계”, “설계 데이터” 및 “설계 정보”는 일반적으로, IC의 물리적 설계(레이아웃) 및 복잡한 시뮬레이션이나 단순한 기하학적 및 불(Boolean) 연산을 통해 물리적 설계로부터 도출된 데이터를 지칭한다. 또한, 레티클 검사 시스템에 의해 획득된 레티클의 이미지 및/또는 이의 유도체(derivatives)가 설계에 대한 “프록시(proxy)” 또는 “프록시들”로서 사용될 수 있다. 이러한 레티클 이미지 또는 이의 유도체는, 설계를 사용하는 여기에 기재된 임의의 실시예에서 설계 레이아웃에 대한 대체물로서 작용할 수 있다. 설계는, 2009년 8월 4일 Zafar 등에게 허여된 공동 소유의 미국 특허 번호 제7,570,796호 및 2010년 3월 9일 Kulkarni 등에게 허여된 미국 특허 번호 제7,676,077호에 기재된 임의의 다른 설계 데이터 또는 설계 데이터 프록시를 포함할 수 있으며, 이 특허는 둘 다 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 또한, 설계 데이터는 표준 셀 라이브러리 데이터, 통합된 레이아웃 데이터, 하나 이상의 레이어에 대한 설계 데이터, 설계 데이터의 유도체, 및 전체 또는 부분 칩 설계 데이터일 수 있다.
또한, 여기에 기재된 “설계”, “설계 데이터” 및 “설계 정보”는 설계 프로세스에서 반도체 디바이스 설계자에 의해 생성되는 정보 및 데이터를 지칭하며, 따라서 레티클 및 웨이퍼와 같은 임의의 물리적 표본 상의 설계의 인쇄에 앞서, 여기에 기재된 실시예에서도 사용하는 것이 가능하다.
이제 도면을 참조하면, 도면이 실축척대로 도시된 것은 아님을 유의하여야 한다. 특히, 도면의 구성요소들 중의 일부의 스케일은 그 구성요소의 특성을 강조하도록 크게 과장되어 있다. 또한 도면은 동일 스케일로 도시된 것이 아님을 유의하여야 한다. 하나보다 더 많은 도면에 도시된, 유사하게 구성될 수 있는 구성요소는 동일한 참조 번호를 사용하여 표시되었다. 여기에서 달리 명시되지 않는 한, 기재되고 도시된 임의의 구성요소들은 임의의 적합한 상업적으로 입수가능한 구성요소를 포함할 수 있다.
하나의 실시예는 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템에 관한 것이다. 여기에 기재된 실시예는 트레이닝 샘플이 비교적 한정될 때 학습 기반의 시스템을 가속화하기 위한 시스템 및 방법을 제공한다. 여기에 기재된 실시예는, 검사, 계측, 결함 검토 및 시뮬레이션을 포함하지만 이에 한정되는 것은 아닌 다양한 반도체 제조 관련 애플리케이션에 대하여 이용될 수 있다.
이러한 시스템의 하나의 실시예가 도 1에 도시되어 있다. 시스템은 하나 이상의 컴퓨터 서브시스템(예컨대, 컴퓨터 서브시스템(36 및 102)) 및 하나 이상의 컴퓨터 서브시스템에 의해 실행되는 하나 이상의 컴포넌트(100)를 포함한다. 하나 이상의 컴포넌트는 표본에 대하여 하나 이상의 시뮬레이션을 수행하도록 구성된 기계 학습 기반의 모델(104)을 포함한다. 여기에 더 기재된 바와 같이, 기계 학습 기반의 모델은 표본 중 하나 이상의 표본의 공칭 인스턴스에 대한 정보만으로 트레이닝된다.
일부 실시예에서, 시스템은 광학(optical) 기반의 이미징 서브시스템(10)을 포함한다. 일반적으로, 광학 기반의 이미징 서브시스템은 표본의 광학 이미지를 생성하도록 구성되고, 하나 이상의 컴퓨터 서브시스템은 광학 기반의 이미징 서브시스템으로부터 광학 이미지를 수신하도록 구성된다. 광학 기반의 이미징 서브시스템은 또한, 복수의 모드로 광학 이미지를 생성하도록 구성될 수 있다.
하나의 실시예에서, 표본은 웨이퍼를 포함한다. 웨이퍼는 당해 기술 분야에 공지된 임의의 웨이퍼를 포함할 수 있다. 다른 실시예에서, 표본은 레티클을 포함한다. 레티클은 당해 기술 분야에 공지된 임의의 레티클을 포함할 수 있다.
광학 기반의 이미징 서브시스템은 표본으로 광을 지향시키거나 표본에 대해 광을 스캐닝하고 표본으로부터의 광을 검출함으로써 광학 이미지를 생성할 수 있다. 하나의 이러한 예로, 도 1에 도시된 시스템의 실시예에서, 광학 기반의 이미징 서브시스템(10)은 표본(14)으로 광을 지향시키도록 구성된 조명 서브시스템을 포함한다. 조명 서브시스템은 적어도 하나의 광원을 포함한다. 예를 들어, 도 1에 도시된 바와 같이, 조명 서브시스템은 광원(16)을 포함한다. 하나의 실시예에서, 조명 서브시스템은, 하나 이상의 경사각 및/또는 하나 이상의 수직각을 포함할 수 있는 하나 이상의 입사각으로, 표본으로 광을 지향시키도록 구성된다. 예를 들어, 도 1에 도시된 바와 같이, 광원(16)으로부터의 광이 광학 소자(18) 그리고 그 다음 렌즈(20)를 통해 표본(14)으로 경사(oblique) 입사각으로 지향된다. 경사 입사각은, 예를 들어 표본의 특성에 따라 달라질 수 있는 임의의 적합한 경사 입사각을 포함할 수 있다.
광학 기반의 이미징 서브시스템은 상이한 때에 상이한 입사각으로 표본에 광을 지향시키도록 구성될 수 있다. 예를 들어, 광학 기반의 이미징 서브시스템은, 광이 도 1에 도시된 바와 상이한 입사각으로 표본으로 지향될 수 있도록, 조명 서브시스템의 하나 이상의 요소의 하나 이상의 특성을 변경하도록 구성될 수 있다. 하나의 이러한 예에서, 광학 기반의 이미징 서브시스템은, 광이 상이한 경사 입사각 또는 수직(또는 거의 수직인) 입사각으로 표본으로 지향되도록, 광원(16), 광학 소자(18) 및 렌즈(20)를 이동시키도록 구성될 수 있다.
일부 경우에, 광학 기반의 이미징 서브시스템은 동시에 하나보다 많은 입사각으로 표본으로 광을 지향시키도록 구성될 수 있다. 예를 들어, 조명 서브시스템은 하나보다 더 많은 조명 채널을 포함할 수 있고, 조명 채널 중의 하나는 도 1에 도시된 바와 같이 광원(16), 광학 소자(18) 및 렌즈(20)를 포함할 수 있으며, 조명 채널 중의 또다른 것(도시되지 않음)은 동일한 것이거나 상이하게 구성될 수 있는 유사한 요소를 포함할 수 있고, 또는 적어도 광원 그리고 어쩌면 여기에 더 기재된 바와 같은 하나 이상의 다른 컴포넌트를 포함할 수 있다. 이러한 광이 동시에 다른 광으로서 표본으로 지향되면, 상이한 입사각으로 표본으로 지향된 광의 하나 이상의 특성(예컨대, 파장, 편광 등)이 상이할 수 있고, 그리하여 상이한 입사각으로 표본의 조명으로부터 나오는 광은 검출기(들)에서 서로 구별될 수 있다.
다른 경우에, 조명 서브시스템은 하나의 광원(예컨대, 도 1에 도시된 광원(16))만 포함할 수 있고, 광원으로부터의 광이 조명 서브시스템의 하나 이상의 광학 소자(도시되지 않음)에 의해 상이한 광 경로로(예컨대, 파장, 편광 등에 기초하여) 분리될 수 있다. 그 다음, 상이한 광 경로 각각에서의 광이 표본으로 지향될 수 있다. 복수의 조명 채널이, 동시에 또는 상이한 때에(예컨대, 상이한 조명 채널들이 표본을 순차적으로 조명하도록 사용될 때) 표본으로 광을 지향시키도록 구성될 수 있다. 다른 경우에, 동일 조명 채널이 상이한 때에 상이한 특성으로 표본으로 광을 지향시키도록 구성될 수 있다. 예를 들어, 일부 경우에, 광학 소자(18)는 스펙트럼 필터로서 구성될 수 있으며, 상이한 파장의 광이 상이한 때에 표본으로 지향될 수 있도록, 스펙트럼 필터의 특성이 다양한 상이한 방식으로(예컨대, 스펙트럼 필터를 교체함으로써) 변경될 수 있다. 조명 서브시스템은 순차적으로 또는 동시에 상이하거나 동일한 입사각으로 상이하거나 동일한 특성을 갖는 광을 표본에 지향시키기 위해 당해 기술 분야에 공지된 임의의 다른 적합한 구성을 가질 수 있다.
하나의 실시예에서, 광원(16)은 광대역 플라즈마(BBP; broadband plasma) 광원을 포함할 수 있다. 이 방식에서, 광원에 의해 생성되어 표본으로 지향되는 광은 광대역 광을 포함할 수 있다. 그러나, 광원은 레이저와 같은 임의의 다른 적합한 광원을 포함할 수 있다. 레이저는 당해 기술 분야에 공지된 임의의 적합한 레이저를 포함할 수 있고, 당해 기술 분야에 공지된 임의의 적합한 파장 또는 파장들의 광을 생성하도록 구성될 수 있다. 또한, 레이저는 단색 또는 거의 단색인 광을 생성하도록 구성될 수 있다. 이 방식에서, 레이저는 협대역 레이저일 수 있다. 광원은 또한, 복수의 이산 파장 또는 파장대에서의 광을 생성하는 다색성(polychromatic) 광원을 포함할 수 있다.
광학 소자(18)로부터의 광은 렌즈(20)에 의해 표본(14)으로 포커싱될 수 있다. 렌즈(20)는 도 1에서 단일 굴절 광학 소자로서 도시되어 있지만, 실제로, 렌즈(20)는 조합하여 광학 소자로부터의 광을 표본으로 포커싱하는 다수의 굴절 및/또는 반사 광학 소자들을 포함할 수 있다는 것을 이해하여야 할 것이다. 도 1에 도시되고 여기에 기재된 조명 서브시스템은 임의의 다른 적합한 광학 소자(도시되지 않음)를 포함할 수 있다. 이러한 광학 소자의 예는, 편광 컴포넌트(들), 스펙트럼 필터(들), 공간 필터(들), 반사 광학 소자(들), 아포다이저(apodizer)(들), 빔 스플리터(들), 개구(들) 등을 포함하지만, 이에 한정되는 것은 아니며, 당해 기술 분야에 공지된 임의의 이러한 적합한 광학 소자를 포함할 수 있다. 또한, 광학 기반의 이미징 서브시스템은 이미징에 사용될 조명의 유형에 기초하여 조명 서브시스템의 요소 중의 하나 이상을 변경하도록 구성될 수 있다.
광학 기반의 이미징 서브시스템은 또한, 광을 표본에 걸쳐 스캔되게 하도록 구성된 스캐닝 서브시스템을 포함할 수 있다. 예를 들어, 광학 기반의 이미징 서브시스템은 이미징 동안 표본(14)이 그 위에 배치되는 스테이지(22)를 포함할 수 있다. 스캐닝 서브시스템은 광이 표본에 걸쳐 스캔될 수 있도록 표본을 이동시키도록 구성될 수 있는 임의의 적합한 기계적 및/또는 로봇 어셈블리(스테이지(22)를 포함함)를 포함할 수 있다. 추가적으로 또는 대안으로서, 광학 기반의 이미징 서브시스템은, 광학 기반의 이미징 서브시스템의 하나 이상의 광학 소자가 표본에 걸쳐 광의 일부 스캐닝을 수행하도록 구성될 수 있다. 광은 구불구불한 형상의 경로 또는 나선형 경로와 같은 임의의 적합한 방식으로 표본에 대해 스캔될 수 있다.
광학 기반의 이미징 서브시스템은 하나 이상의 검출 채널을 더 포함한다. 하나 이상의 검출 채널 중의 적어도 하나는, 시스템에 의한 표본의 조명으로 인한 표본으로부터의 광을 검출하도록 그리고 검출된 광에 응답하는 출력을 생성하도록 구성된 검출기를 포함한다. 예를 들어, 도 1에 도시된 광학 기반의 이미징 서브시스템은 2개의 검출 채널을 포함하며, 하나는 콜렉터(24), 요소(26) 및 검출기(28)에 의해 형성되고, 다른 하나는 콜렉터(30), 요소(32) 및 검출기(34)에 의해 형성된다. 도 1에 도시된 바와 같이, 2개의 검출 채널은 상이한 수렴각에서 광을 수렴 및 검출하도록 구성된다. 일부 경우에, 둘 다의 검출 채널은 산란된 광을 검출하도록 구성되고, 검출 채널은 표본으로부터 상이한 각도로 산란되는 광을 검출하도록 구성된다. 그러나, 검출 채널 중의 하나 이상은 표본으로부터 다른 유형의 광(예컨대, 반사된 광)을 검출하도록 구성될 수 있다.
도 1에 더 도시된 바와 같이, 둘 다의 검출 채널은 종이 평면 내에 위치된 것으로 도시되어 있고 조명 서브시스템도 또한 종이 평면 내에 위치된 것으로 도시되어 있다. 따라서, 이 실시예에서, 둘 다의 검출 채널은 입사 평면 내에 위치되어 있다(예컨대, 중심 위치되어 있음). 그러나, 검출 채널 중의 하나 이상은 입사 평면을 벗어나 위치될 수 있다. 예를 들어, 콜렉터(30), 요소(32), 및 검출기(34)에 의해 형성된 검출 채널은 입사 평면을 벗어나 산란되는 광을 수렴하고 검출하도록 구성될 수 있다. 따라서, 이러한 검출 채널은 일반적으로 “측부(side)” 채널로 지칭될 수 있고, 이러한 측부 채널은 입사 평면에 실질적으로 수직인 평면 내에 중심 위치될 수 있다.
도 1은 2개의 검출 채널을 포함하는 광학 기반의 이미징 서브시스템의 실시예를 도시하지만, 광학 기반의 이미징 서브시스템은 상이한 수의 검출 채널(예컨대, 하나의 검출 채널만 또는 둘 이상의 검출 채널)을 포함할 수 있다. 하나의 이러한 경우에, 콜렉터(30), 요소(32), 및 검출기(34)에 의해 형성된 검출 채널은 상기 기재된 바와 같이 하나의 측부 채널을 형성할 수 있고, 광학 기반의 이미징 서브시스템은 입사 평면의 반대측에 위치되어 있는 또다른 측부 채널로서 형성된 추가의 검출 채널(도시되지 않음)을 포함할 수 있다. 따라서, 광학 기반의 이미징 서브시스템은, 콜렉터(24), 요소(26) 및 검출기(28)를 포함하는 검출 채널로서, 입사 평면 내에 중심 위치되어 있고 표본 표면의 수직이거나 수직에 가까운 산란각(들)으로 광을 수렴 및 검출하도록 구성된 검출 채널을 포함할 수 있다. 그러므로 이 검출 채널은 일반적으로 "상부” 채널로 지칭될 수 있고, 광학 기반의 이미징 서브시스템은 또한 상기 기재된 바와 같이 구성된 둘 이상의 측부 채널을 포함할 수 있다. 그리하여, 광학 기반의 이미징 서브시스템은 적어도 3개의 채널(즉, 하나의 상부 채널 및 2개의 측부 채널)을 포함할 수 있고, 적어도 3개의 채널 각각은 그 각자의 콜렉터를 가지며, 이의 각각은 다른 콜렉터 각각과 상이한 산락각으로 광을 수렴하도록 구성된다.
상기에 더 기재된 바와 같이, 광학 기반의 이미징 서브시스템에 포함된 검출 채널의 각각은 산란된 광을 검출하도록 구성될 수 있다. 따라서, 도 1에 도시된 광학 기반의 이미징 서브시스템은 표본의 암시야(DF; dark field) 이미징을 위해 구성될 수 있다. 그러나, 광학 기반의 이미징 서브시스템은 또한 아니면 대안으로서 표본의 명시야(BF; bright field) 이미징을 위해 구성되는 검출 채널(들)을 포함할 수 있다. 다르게 말하자면, 광학 기반의 이미징 서브시스템은 표본으로부터 경면 반사된 광을 검출하도록 구성되는 적어도 하나의 검출 채널을 포함할 수 있다. 따라서, 여기에 기재된 광학 기반의 이미징 서브시스템은 DF 전용, BF 전용, 또는 DF 및 BF 이미징 둘 다를 위해 구성될 수 있다. 콜렉터의 각각이 도 1에서는 단일 굴절 광학 소자로서 도시되어 있지만, 콜렉터의 각각은 하나 이상의 굴절 광학 소자(들) 및/또는 하나 이상의 반사 광학 소자(들)를 포함할 수 있다는 것을 이해하여야 할 것이다.
하나 이상의 검출 채널은 당해 기술 분야에 공지된 임의의 적합한 검출기를 포함할 수 있다. 예를 들어, 검출기는 PMT(photo-multiplier tube), CCD(charge coupled device), TDI(time delay integration) 카메라 및 당해 기술 분야에 공지된 임의의 다른 적합한 검출기를 포함할 수 있다. 검출기는 또한 비-이미징 검출기 또는 이미징 검출기를 포함할 수 있다. 이 방식에서, 검출기가 비-이미징 검출기인 경우, 검출기의 각각은 산란된 광의 강도와 같은 특정 특성을 검출하도록 구성될 수 있지만, 이미징 평면 내의 위치의 함수로서 이러한 특성을 검출하도록 구성되지 않을 수 있다. 그리하여, 광학 기반의 이미징 서브시스템의 검출 채널 각각에 포함된 검출기 각각에 의해 생성되는 출력은 이미지 신호 또는 이미지 데이터가 아니라 신호 또는 데이터일 수 있다. 이러한 경우에, 컴퓨터 서브시스템(36)과 같은 컴퓨터 서브시스템은 검출기의 비-이미징 출력으로부터 표본의 이미지를 생성하도록 구성될 수 있다. 그러나, 다른 경우에, 검출기는 이미징 신호 또는 이미지 데이터를 생성하도록 구성되는 이미징 검출기로서 구성될 수 있다. 따라서, 광학 기반의 이미징 서브시스템은 다수의 방식으로 여기에 기재된 광학 이미지를 생성하도록 구성될 수 있다.
도 1은 여기에 기재된 시스템 실시예에 포함될 수 있거나 또는 여기에 기재된 시스템 실시예에 의해 사용되는 이미지를 생성할 수 있는 광학 기반의 이미징 서브시스템의 구성을 전반적으로 예시하고자 제공된 것임을 유의하여야 한다. 명백하게, 여기에 기재된 광학 기반의 이미징 서브시스템 구성은 상업용 이미징 시스템을 설계할 때 보통 수행되는 대로 광학 기반의 이미징 서브시스템의 성능을 최적화하도록 변경될 수 있다. 또한, 여기에 기재된 시스템은 KLA-Tencor(Milpitas, Calif.)로부터 상업적으로 입수가능한 29xx/28xx 시리즈의 툴과 같은 기존의 시스템을 사용하여(예컨대, 기존의 시스템에 여기에 기재된 기능을 추가함으로써) 구현될 수 있다. 일부 이러한 시스템에 대하여, 여기에 기재된 실시예는 시스템의 선택적 기능으로서 제공될 수 있다(예컨대, 시스템의 다른 기능에 추가하여). 대안으로서, 여기에 기재된 광학 기반의 이미징 서브시스템은 완전히 새로운 광학 기반의 이미징 서브시스템을 제공하도록 “처음부터” 설계될 수 있다.
광학 기반의 이미징 서브시스템에 연결된 컴퓨터 서브시스템(36)은, 컴퓨터 서브시스템이 표본에 대하여 검출기에 의해 생성된 출력을 수신할 수 있도록, 임의의 적합한 방식으로(예컨대, “유선” 및/또는 “무선” 전송 매체를 포함할 수 있는 하나 이상의 전송 매체를 통해) 광학 기반의 이미징 서브시스템의 검출기에 연결될 수 있다. 컴퓨터 서브시스템(36)은 검출기의 출력을 사용하여 여기에 더 기재된 다수의 기능을 수행하도록 구성될 수 있다.
도 1에 도시된 컴퓨터 서브시스템은(그 뿐만 아니라 여기에 기재된 다른 컴퓨터 서브시스템도), 여기에서 컴퓨터 시스템(들)으로도 지칭될 수 있다. 여기에 기재된 컴퓨터 서브시스템(들) 또는 시스템(들)의 각각은, 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 어플라이언스, 인터넷 어플라이언스, 또는 다른 디바이스를 포함한 다양한 형태를 취할 수 있다. 일반적으로, 용어 “컴퓨터 시스템”은 메모리 매체로부터의 명령어를 실행하는 하나 이상의 프로세서를 갖는 임의의 디바이스를 망라하도록 넓게 정의될 수 있다. 컴퓨터 서브시스템(들) 또는 시스템(들)은 또한, 병렬 프로세서와 같이 당해 기술 분야에 공지된 임의의 적합한 프로세서를 포함할 수 있다. 또한, 컴퓨터 서브시스템(들) 또는 시스템(들)은 단독형으로든 아니면 네트워킹된 툴로서 고속 프로세싱 및 소프트웨어를 갖춘 컴퓨터 플랫폼을 포함할 수 있다.
시스템이 하나보다 많은 컴퓨터 서브시스템을 포함하는 경우, 상이한 컴퓨터 서브시스템들이 서로 연결될 수 있으며, 그리하여 이미지, 데이터, 정보, 명령어 등이 여기에 더 기재되는 바와 같이 컴퓨터 서브시스템들 간에 보내질 수 있다. 예를 들어, 컴퓨터 서브시스템(36)은, 당해 기술 분야에 공지된 임의의 적합한 유선 및/또는 무선 전송 매체를 포함할 수 있는 임의의 적합한 전송 매체에 의해, 도 1에서 점선으로 도시된 바와 같이, 컴퓨터 서브시스템(들)(102)에 연결될 수 있다. 이러한 컴퓨터 서브시스템의 둘 이상은 또한 공유하는 컴퓨터 판독가능한 저장 매체(도시되지 않음)에 의해 효과적으로 연결될 수 있다.
이미징 서브시스템은 광학 또는 광 기반의 이미징 시스템인 것으로서 상기에 기재되어 있지만, 시스템은 또한 아니면 대안으로서 표본의 전자 빔 이미지를 생성하도록 구성된 전자 빔 기반의 이미징 서브시스템을 포함할 수 있고, 하나 이상의 컴퓨터 서브시스템은 전자 빔 기반의 이미징 서브시스템으로부터 전자 빔 이미지를 수신하도록 구성된다. 하나의 이러한 실시예에서, 전자 빔 기반의 이미징 서브시스템은 표본으로 전자를 지향시키거나 표본에 대해 전자를 스캐닝하도록 그리고 표본으로부터의 전자를 검출하도록 구성될 수 있다. 도 1a에 도시된 하나의 이러한 실시예에서, 전자 빔 기반의 이미징 서브시스템은 컴퓨터 서브시스템(124)에 연결된 전자 컬럼(electron column)(122)을 포함한다.
도 1a에 또한 도시된 바와 같이, 전자 컬럼은 하나 이상의 요소(130)에 의해 표본(128)으로 포커싱되는 전자들을 생성하도록 구성된 전자 빔 소스(126)를 포함한다. 전자 빔 소스는 예를 들어 캐소드 소스 또는 이미터 팁을 포함할 수 있고, 하나 이상의 요소(130)는 예를 들어 건 렌즈, 애노드, 빔 한정 개구, 게이트 밸브, 빔 전류 선택 개구, 대물 렌즈, 및 스캐닝 서브시스템을 포함할 수 있으며, 이들의 전부는 당해 기술 분야에 공지된 임의의 이러한 적합한 요소를 포함할 수 있다.
표본으로부터 돌아온 전자(예컨대, 이차 전자)는 하나 이상의 요소(132)에 의해 검출기(134)로 포커싱될 수 있다. 하나 이상의 요소(132)는 예를 들어 스캐닝 서브시스템을 포함할 수 있으며, 이는 요소(들)(130)에 포함된 동일한 스캐닝 서브시스템일 수 있다.
전자 컬럼은 당해 기술 분야에 공지된 임의의 다른 적합한 요소를 포함할 수 있다. 또한, 전자 컬럼은 2014년 4월 4일 Jiang 등에게 허여된 미국 특허 번호 제8,664,594호, 2014년 4월 8일 Kojima 등에게 허여된 미국 특허 번호 제8,692,204호, 2014년 4월 15일 Gubbens 등에게 허여된 미국 특허 번호 제8,698,093호, 및 2014년 5월 6일 미국 특허 번호 제8,716,662호에 기재된 바와 같이 더 구성될 수 있으며, 이들은 여기에 완전히 서술된 것처럼 참조에 의해 포함된다.
전자 컬럼은 도 1a에서 전자들이 경사 입사각으로 표본으로 지향되고 또다른 경사각으로 표본으로부터 산란되도록 구성된 것으로서 도시되어 있지만, 전자 빔은 임의의 적합한 각도로 표본에 지향되고 표본으로부터 산란될 수 있다는 것을 이해하여야 할 것이다. 또한, 전자 빔 기반의 이미징 서브시스템은 여기에 더 기재된 바와 같이 복수의 모드를 사용하여(예컨대, 상이한 조명 각도, 수렴 각도 등으로) 표본의 이미지를 생성하도록 구성될 수 있다. 전자 빔 기반의 이미징 서브시스템의 복수의 모드는 전자 빔 기반의 이미징 서브시스템의 임의의 이미지 생성 파라미터가 상이할 수 있다.
컴퓨터 서브시스템(124)은 상기에 기재된 바와 같이 검출기(134)에 연결될 수 있다. 검출기는 표본의 표면으로부터 돌아온 전자를 검출함으로써 표본의 전자 빔 이미지를 형성할 수 있다. 전자 빔 이미지는 임의의 적합한 전자 빔 이미지를 포함할 수 있다. 컴퓨터 서브시스템(124)은 검출기(134)에 의해 생성된 출력을 사용하여 표본에 대하여 여기에 더 기재된 하나 이상의 기능을 수행하도록 구성될 수 있다. 컴퓨터 서브시스템(124)은 여기에 기재된 임의의 추가 단계(들)를 수행하도록 구성될 수 있다. 도 1a에 도시된 전자 빔 기반의 이미징 서브시스템을 포함하는 시스템은 여기에 기재된 바와 같이 더 구성될 수 있다.
도 1a는 여기에 기재된 실시예에 포함될 수 있는 전자 빔 기반의 이미징 서브시스템의 구성을 전반적으로 예시하고자 여기에 제공된 것임을 유의하여야 한다. 상기에 기재된 광학 기반의 이미징 서브시스템과 같이, 여기에 기재된 전자 빔 기반의 이미징 서브시스템의 구성은 상업용 이미징 서브시스템을 설계할 때 보통 수행되는 대로 이미징 서브시스템의 성능을 최적화하도록 변경될 수 있다. 또한, 여기에 기재된 시스템은 KLA-Tencor로부터 상업적으로 입수가능한 eSxxx 및 eDR-xxxx 시리즈의 툴과 같은 기존의 시스템을 사용하여(예컨대, 기존의 시스템에 여기에 기재된 기능을 추가함으로써) 구현될 수 있다. 일부 이러한 시스템에 대하여, 여기에 기재된 실시예는 시스템의 선택적 기능으로서 제공될 수 있다(예컨대, 시스템의 다른 기능에 추가하여). 대안으로서, 여기에 기재된 시스템은 완전히 새로운 시스템을 제공하도록 “처음부터” 설계될 수 있다.
이미징 서브시스템이 광 기반의 또는 전자 빔 기반의 이미징 서브시스템인 것으로서 상기에 기재되어 있지만, 이미징 서브시스템은 이온 빔 기반의 이미징 서브시스템일 수 있다. 이러한 이미징 서브시스템은, 전자 빔 소스가 당해 기술 분야에 공지된 임의의 적합한 이온 빔 소스로 교체될 수 있다는 것을 제외하고는, 도 1a에 도시된 바와 같이 구성될 수 있다. 또한, 이미징 서브시스템은, 상업적으로 입수가능한 FIB(focused ion beam) 시스템, HIM(helium ion microscopy) 시스템, 및 SIMS(secondary ion mass spectroscopy) 시스템에 포함된 것들과 같은 임의의 다른 적합한 이온 빔 기반의 이미징 서브시스템일 수 있다.
상기에 언급한 바와 같이, 광학 및 전자 빔 기반의 이미징 서브시스템은 표본의 물리적 버전으로 에너지(예컨대, 광, 전자)를 지향시키고 그리고/또는 이에 대해 에너지를 스캐닝함으로써 표본의 물리적 버전에 대한 실제 이미지를 생성하도록 구성될 수 있다. 이 방식에서, 광학 및 전자 빔 기반의 이미징 서브시스템은 “가상” 시스템이라기보다는 “실제” 이미징 시스템으로서 구성될 수 있다. 예를 들어, 저장 매체(도시되지 않음) 및 도 1에 도시된 컴퓨터 서브시스템(들)(102)은 “가상” 시스템으로서 구성될 수 있다. 특히, 저장 매체 및 컴퓨터 서브시스템(들)은 이미징 서브시스템(10)의 일부가 아니고 표본의 물리적 버전을 취급할 수 있는 어떠한 능력도 갖지 않는다. 다르게 말하자면, 가상 시스템으로서 구성된 시스템에서, 그의 하나 이상의 “검출기”의 출력은, 실제 시스템의 하나 이상의 검출기에 의해 이전에 생성되었으며 가상 시스템에 저장된 출력일 수 있고, “이미징 및/또는 스캐닝” 동안, 가상 시스템은 저장된 출력을, 표본을 통해 이미징 및/또는 스캐닝되고 있는 것으로서 재생할 수 있다. 이 방식에서, 가상 시스템으로 표본을 이미징 및/또는 스캐닝하는 것은 물리적 표본을 통해 실제 시스템으로 이미징 및/또는 스캐닝되고 있는 것과 동일한 것으로 보일 수 있지만, 실제로는 “이미징 및/또는 스캐닝”은 표본이 이미징 및/또는 스캐닝되는 것과 동일한 방식으로 표본에 대한 출력을 단순히 재생하는 것을 수반한다. “가상” 검사 시스템으로서 구성된 시스템 및 방법은, 2012년 2월 28일 Bhaskar 등에게 허여된 공동 소유의 미국 특허 번호 제8,126,255호 및 2015년 12월 29일 Duffy 등에게 허여된 미국 특허 번호 제9,222,895호에 기재되어 있으며, 이 출원 둘 다 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이들 특허에 기재된 바와 같이 더 구성될 수 있다. 예를 들어, 여기에 기재된 하나 이상의 컴퓨터 서브시스템은 이들 특허에 기재된 바와 같이 더 구성될 수 있다.
상기에 더 언급한 바와 같이, 이미징 서브시스템은 복수의 모드로 표본의 이미지를 생성하도록 구성될 수 있다. 일반적으로, “모드”는 표본의 이미지를 생성하기 위해 사용된 이미징 서브시스템의 파라미터의 값 또는 표본의 이미지를 생성하도록 사용된 출력에 의해 정의될 수 있다. 따라서, 상이한 모드는 이미징 서브시스템의 이미징 파라미터 중의 적어도 하나에 대한 값이 상이할 수 있다. 예를 들어, 광학 기반의 이미징 서브시스템의 하나의 실시예에서, 복수의 모드 중 적어도 하나의 모드는 조명을 위해 광의 적어도 하나의 파장을 사용하며, 이는 복수의 모드 중 적어도 하나의 다른 모드에 사용된 조명에 대한 광의 적어도 하나의 파장과는 상이하다. 모드는 상이한 모드의 경우 여기에 더 기재된 바와 같이 조명 파장이 상이할 수 있다(예컨대, 상이한 광원, 상이한 스펙트럼 필터 등을 사용함으로써). 다른 실시예에서, 복수의 모드 중 적어도 하나의 모드는 이미징 서브시스템의 조명 채널을 사용하며, 이는 복수의 모드 중 적어도 하나의 다른 모드에 사용된 이미징 서브시스템의 조명 채널과는 상이하다. 예를 들어, 상기에 언급한 바와 같이, 이미징 서브시스템은 하나보다 많은 조명 채널을 포함할 수 있다. 그리하여, 상이한 조명 채널이 상이한 모드에 대하여 사용될 수 있다.
하나의 실시예에서, 시스템은 표본에 대한 출력을 생성하도록 구성된 검사 서브시스템을 포함하고, 하나 이상의 컴퓨터 서브시스템은 검사 서브시스템으로부터 출력을 수신하고 출력에 기초하여 표본 상의 결함을 검출하도록 구성된다. 예를 들어, 여기에 기재된 광학 및 전자 빔 이미징 서브시스템이 검사 서브시스템으로서 구성될 수 있다. 컴퓨터 서브시스템(들)은 상기에 기재된 바와 같이 검사 서브시스템으로부터 출력을 수신하도록 구성될 수 있고(예컨대, 이미징 서브시스템의 검출기(들)로부터), 임의의 적합한 방식으로 출력에 기초하여 표본 상의 결함을 검출하도록 구성될 수 있다. 예를 들어, 컴퓨터 서브시스템(들)은 출력을 하나 이상의 임계치와 비교하도록 구성될 수 있으며, 하나 이상의 임계치를 넘는 임의의 출력은 컴퓨터 서브시스템(들)에 의해 결함 또는 잠재적 결함으로서 식별될 수 있고, 하나 이상의 임계치를 넘지 않는 임의의 출력은 컴퓨터 서브시스템에 의해 결함이 아닌 것 또는 잠재적 결함이 아닌 것으로서 식별될 수 있다. 그러나, 컴퓨터 서브시스템(들)은 임의의 적합한 알고리즘(들) 및/또는 방법(들)을 사용하여 출력에 기초하여 표본 상의 결함을 검출하도록 구성될 수 있다.
다른 실시예에서, 시스템은 표본 상에서 검출된 결함에 대한 출력을 생성하도록 구성된 결함 검토 서브시스템을 포함하고, 컴퓨터 서브시스템(들)은 결함 검토 서브시스템으로부터 출력을 수신하고 출력에 기초하여 표본 상에서 검출된 결함의 특성을 결정하도록 구성된다. 예를 들어, 여기에 기재된 광학 및 전자 빔 이미징 서브시스템이 결함 검토 서브시스템으로서 구성될 수 있다. 컴퓨터 서브시스템(들)은 상기에 기재된 바와 같이 결함 검토 서브시스템으로부터 출력을 수신하도록 구성될 수 있고(예컨대, 이미징 서브시스템의 검출기(들)로부터), 임의의 적합한 방식으로 출력에 기초하여 표본 상의 결함의 특성을 결정하도록 구성될 수 있다. 예를 들어, 컴퓨터 서브시스템(들)은 당해 기술 분야에 공지된 임의의 적합한 알고리즘(들) 및/또는 방법(들)을 사용하여 결함의 크기 및 형상과 같은 하나 이상의 특성을 결정하기 위해 출력을 사용하도록 구성될 수 있다.
부가의 실시예에서, 시스템은 표본에 대한 출력을 생성하도록 구성된 계측 서브시스템을 포함하고, 하나 이상의 컴퓨터 서브시스템은 계측 서브시스템으로부터 출력을 수신하고 출력에 기초하여 표본의 특성을 결정하도록 구성된다. 예를 들어, 여기에 기재된 광학 및 전자 빔 이미징 서브시스템이 계측 서브시스템으로서 구성될 수 있다. 컴퓨터 서브시스템(들)은 상기에 기재된 바와 같이 계측 서브시스템으로부터 출력을 수신하도록 구성될 수 있고(예컨대, 이미징 서브시스템의 검출기(들)로부터), 임의의 적합한 방식으로 출력에 기초하여 표본의 특성을 결정하도록 구성될 수 있다. 예를 들어, 컴퓨터 서브시스템(들)은 당해 기술 분야에 공지된 임의의 적합한 알고리즘(들) 및/또는 방법(들)을 사용하여 표본 상에 형성된 패터닝된 특징부의 크기 및 형상과 같은 하나 이상의 특성을 결정하기 위해 출력을 사용하도록 구성될 수 있다.
여기에 기재되며 도 1 및 도 1a에 도시된 이미징 서브시스템의 실시예는, 그것들이 사용될 애플리케이션에 따라 상이한 이미징 능력을 제공하도록 하나 이상의 파라미터가 수정될 수 있다. 하나의 이러한 예에서, 도 1에 도시된 이미징 서브시스템은, 검사보다는 결함 검토 또는 계측을 위해 사용될 경우, 더 높은 분해능을 갖도록 구성될 수 있다. 다르게 말하자면, 도 1 및 도 1a에 도시된 이미징 서브시스템의 실시예는 이미징 서브시스템에 대해 다소 일반적이고 다양한 구성을 기재한 것이며, 이는 상이한 애플리케이션에 더 적합하거나 덜 적합한 상이한 이미징 능력을 갖는 이미징 서브시스템을 생성하도록 당해 기술 분야에서의 숙련자에게 명백할 다수의 방식으로 맞춤화될 수 있다.
검사 서브시스템, 결함 검토 서브시스템, 및 계측 서브시스템은 또한 웨이퍼 및 레티클과 같은 표본의 검사, 결함 검토 및 계측을 위해 구성될 수 있다. 예를 들어, 여기에 기재된 실시예는 마스크 검사, 웨이퍼 검사, 및 웨이퍼 계측의 목적으로 하나 이상의 시뮬레이션을 수행하는 기계 학습 기반의 모델을 트레이닝하도록 구성될 수 있다. 특히, 여기에 기재된 실시예는, 광대역 플라즈마 검사기, 전자 빔 검사기 또는 결함 검토 툴, 마스크 검사기, 가상 검사기 등과 같은 이미징 서브시스템의 컴포넌트이거나 이미징 서브시스템에 연결되는 컴퓨터 노드 또는 컴퓨터 클러스터 상에 설치될 수 있다. 이 방식에서, 여기에 기재된 실시예는, 웨이퍼 검사, 마스크 검사, 전자 빔 검사 및 검토, 계측 등을 포함하지만 이에 한정되는 것은 아닌 다양한 애플리케이션에 사용될 수 있는 시뮬레이션을 수행할 수 있다. 도 1 및 도 1a에 도시된 이미징 서브시스템의 특성은 실제 이미지를 생성할 표본에 기초하여 상기에 기재된 바와 같이 수정될 수 있다.
다른 실시예에서, 시스템은 표본에 대해 하나 이상의 제조 프로세스를 수행하도록 구성된 반도체 제조 서브시스템을 포함한다. 예를 들어, 도 1에 도시된 바와 같이, 시스템은 반도체 제조 서브시스템(106)을 포함할 수 있고, 이는 컴퓨터 서브시스템(들)(102) 및/또는 여기에 기재된 시스템의 임의의 다른 요소에 연결될 수 있다. 반도체 제조 서브시스템은 리소그래피 트랙, 에칭 챔버, 화학 기계적 연마(CMP; chemical mechanical polishing) 툴, 증착 챔버, 스트립핑 또는 세척 챔버 등과 같이 당해 기술 분야에 공지된 임의의 반도체 제조 툴 및/또는 챔버를 포함할 수 있다. 여기에 기재된 실시예에 포함될 수 있는 적합한 반도체 제조 툴의 예는, 2005년 5월 10일 Levy 등에게 허여된 미국 특허 번호 제6,891,627호에 기재되어 있으며, 이는 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이 특허에 기재된 바와 같이 더 구성될 수 있다.
따라서, 상기에 기재된 바와 같이, 여기에 기재된 하나 이상의 컴퓨터 서브시스템은 실제 웨이퍼 취급 및/또는 프로세싱 능력을 갖는 하나 이상의 다른 서브시스템(예컨대, 이미징 서브시스템, 검사 서브시스템, 결함 검토 서브시스템, 계측 서브시스템, 반도체 제조 프로세스 서브시스템)을 구비한 시스템에 포함될 수 있다. 이 방식에서, 여기에 기재된 실시예는 그 세계의 모델(예컨대, 반도체 검사기의 경우 웨이퍼 상의 결함)을 학습하도록 검출기(들) 및 연산 플랫폼을 갖는, 계측 툴, 검사 툴, 에칭 챔버 등과 같은 임의의 반도체 플랫폼 내에 인시추(in situ) 데이터를 포함하는 예측 시스템으로서 구성될 수 있다. 그러나, 여기에 기재된 하나 이상의 컴퓨터 서브시스템은 실제 웨이퍼 취급 및/또는 프로세싱 능력을 갖는 하나 이상의 서브시스템을 포함하지 않는 시스템에 포함될 수 있다. 이 방식에서, 여기에 기재된 실시예는 엑스시추(ex situ) 데이터를 포함하는 예측 시스템으로서 구성될 수 있으며, 데이터가 영구 저장 메커니즘으로 엑스포트(export)된다. 예를 들어, 시스템은 여기에 더 기재된 바와 같은 가상 시스템으로서 구성될 수 있으며, 이는 다른 시스템 및/또는 방법에 의해 생성된 실제 물리적 웨이퍼로부터의 정보를 획득하거나 획득하지 않을 수 있다. 특히, 또다른 시스템 또는 방법은 실제 물리적 표본을 사용하여 하나 이상의 표본의 공칭 및/또는 비-공칭 인스턴스에 대한 정보를 생성할 수 있고 저장 매체에 그 정보를 저장할 수 있다. 그 다음, 여기에 기재된 하나 이상의 컴퓨터 서브시스템은 저장 매체로부터 이러한 정보를 획득할 수 있다.
컴퓨터 서브시스템(들), 예컨대 컴퓨터 서브시스템(36 및/또는 102)에 의해 실행되는 컴포넌트(들), 예컨대 도 1에 도시된 컴포넌트(들)(100)는 기계 학습 기반의 모델(104)을 포함한다. 기계 학습 기반의 모델은 표본에 대하여 하나 이상의 시뮬레이션을 수행하도록 구성되고, 기계 학습 기반의 모델은 표본 중 하나 이상의 표본의 공칭 인스턴스에 대한 정보만으로 트레이닝된다. 하나 이상의 표본의 공칭 인스턴스만으로의 트레이닝은 일종의 초기 트레이닝으로서 간주될 수 있으며, 그 다음에 여기에 더 기재되는 재트레이닝(re-training)이 이어진다. 예를 들어, 예측을 제공할 수 있기 전에, 이러한 기계 학습 기반의 모델은 통상적으로 학습할 예의 세트를 받은 후에 트레이닝되어야 할 것이다. 공칭 인스턴스로만 기계 학습 기반의 모델을 트레이닝하는 것은 여기에 기재된 하나 이상의 컴퓨터 서브시스템에 의해 수행될 수 있다. 그러나, 공칭 인스턴스로만 기계 학습 기반의 모델을 트레이닝하는 것은 또다른 시스템 또는 방법에 의해 수행될 수 있고, 트레이닝된 기계 학습 기반의 모델이 다른 시스템 또는 방법(또는 다른 시스템 또는 방법에 의해 트레이닝된 기계 학습 기반의 모델이 저장된 저장 매체)으로부터 획득된 다음, 여기에 기재된 컴퓨터 서브시스템(들)에 의해 재트레이닝될 수 있다.
기계 학습은 일반적으로, 명시적으로 프로그램되지 않고서 학습할 수 있는 능력을 컴퓨터에 제공하는 인공 지능(AI; artificial intelligence)의 유형으로서 정의될 수 있다. 기계 학습은 새로운 데이터에 노출될 때 자신을 성장시켜 변화하도록 가르칠 수 있는 컴퓨터 프로그램의 개발에 집중한다. 다르게 말하자면, 기계 학습은 “명시적으로 프로그램되지 않고서 학습할 수 있는 능력을 컴퓨터에게 주는” 컴퓨터 과학의 하위분야로서 정의될 수 있다. 기계 학습은 데이터로부터 학습하고 데이터에 대해 예측을 행할 수 있는 알고리즘의 연구 및 구성을 탐구하며, 이러한 알고리즘은 샘플 입력으로부터 모델을 구축하는 것을 통해 데이터가 유도하는 예측 또는 결정을 행함으로써 엄격하게 정적인 프로그램 명령어를 따르는 것을 극복한다.
여기에 기재된 기계 학습 기반의 모델은, Sugiyama, Morgan Kaufmann, 2016, 534 pages의 “Introduction to Statistical Machine Learning”, Jebara, MIT Thesis, 2002, 212 pages의 “Discriminative, Generative, and Imitative Learning”, 및 Hand et al., MIT Press, 2001, 578 pages의 “Principles of Data Mining (Adaptive Computation and Machine Learning)”에 기재된 바와 같이 더 구성될 수 있으며, 이들은 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이들 문헌에 기재된 바와 같이 더 구성될 수 있다.
표본의 하나 이상의 공칭 인스턴스 및 하나 이상의 공칭 인스턴스를 사용하여 수행되는 트레이닝은 기계 학습 기반의 모델에 의해 수행될 시뮬레이션 및 기계 학습 기반의 모델 자체에 따라 달라질 수 있다. 예를 들어, 기계 학습 기반의 모델이 이미징 시스템에 의해 생성된 표본의 이미지에서 표본이 어떻게 나타날 것인지의 시뮬레이션을 수행하도록 사용될 경우, 표본(들)의 공칭 인스턴스는 표본(들)에 대한 설계 데이터 뿐만 아니라 설계 데이터가 인쇄되어 있는 표본(들)의 생성된 실제 이미지를 포함할 수 있다. 그 다음, 트레이닝은 기계 학습 기반의 모델에 공칭 인스턴스를 제공하는 것을 수반할 수 있으며, 그리하여 기계 학습 기반의 모델은 기계 학습 기반의 모델로 하여금 대응하는 실제 이미지와 실질적으로 동일한 대응하는 설계 정보로부터의 시뮬레이트된 이미지를 생성하게 하는 기계 학습 기반의 모델의 하나 이상의 파라미터(예컨대, 가중치)를 찾을 수 있다(즉, 학습 또는 식별). 여기에 기재된 다른 시뮬레이션에 따라 기계 학습 기반의 모델을 트레이닝하기 위해 사용된 공칭 인스턴스에 대한 정보에 다른 유형의 정보가 포함될 수 있다(예컨대, 대응하는 표본 설계 정보를 갖는 계측 시스템 출력 및/또는 측정). 또한, 공칭 인스턴스에 대한 정보의 특성은 기계 학습 기반의 모델 자체에 따라 달라질 수 있으며, (여기에 더 기재된 바와 같은) 상이한 유형의 기계 학습 기반의 모델은 트레이닝을 위해 상이한 양의 정보(예컨대, 상이한 수의 공칭 인스턴스)를 필요로 할 수 있다. 임의의 특정 기계 학습 기반의 모델의 충분한 트레이닝을 위해 필요한 공칭 인스턴스에 대한 정보의 특성은 당해 기술 분야에 공지된 임의의 적합한 방식으로 결정될 수 있다.
“공칭 인스턴스”는 여기에서 이 용어가 사용될 때 일반적으로, 어떠한 결함도 존재하지 않는 것으로 알려진 표본의 “인스턴스”로서 정의된다. 예를 들어, 공칭인 표본(들)은 결함없는 표본을 생성하는 것으로 알려진 표본(들) 상의 설계를 형성하도록 사용되는 하나 이상의 프로세스의 하나 이상의 파라미터로 처리될 수 있다. 다르게 말하자면, 표본(들)을 생성하는 데에 사용된 프로세스(들)는 알려진 양호한 프로세스(들)일 수 있다. 추가적으로, 표본(들)의 “공칭 인스턴스”는 어떠한 결함도 존재하지 않는 것으로 결정된 인스턴스(예컨대, 표본 상의 위치, 전체 표본 등)를 포함할 수 있다. 예를 들어, 표본(들)의 공칭 인스턴스는 검사 또는 다른 품질 제어 관련 프로세스(예컨대, 결함 검토, 계측 등)가 어떠한 결함도 검출하지 않은 위치 및/또는 표본을 포함할 수 있다. 그에 반해, 표본(들)의“비-공칭 인스턴스”는 이 용어가 여기에서 사용될 때 일반적으로, 의도적으로(여기에 더 기재된 바와 같이 프로그램된 또는 합성(synthetic) 결함을 통해) 아니면 의도치 않게(검사, 결함 검토, 계측 등에 의해 하나 이상의 표본 상에서 발견된 결함을 통해), 어떤 식으로든 “결함이 있는” 것인 표본(들)의 “인스턴스”로서 정의된다. 또한, 표본은 표본 상에 어떠한 “결함” 자체가 검출되지 않은 경우에도 “결함있을 수” 있다는 것을 유의하여야 한다. 예를 들어, 하나 이상의 측정에서, 표본 상에 형성된 설계의 하나 이상의 특성이 그 하나 이상의 특성에 대한 원하는 값 범위에서 벗어난 것을 나타내는 경우, “결함있는” 것으로 간주될 수 있다.
하나의 실시예에서, 하나 이상의 시뮬레이션을 수행하는 것은, 표본 중 하나의 표본에 대하여 하나 이상의 시뮬레이트된 이미지를 생성하는 것을 포함하고, 하나 이상의 시뮬레이트된 이미지는, 표본 중 하나의 표본이 이미징 시스템에 의해 생성된 하나 이상의 표본의 하나 이상의 실제 이미지에서 어떻게 나타나는지 보여준다. 예를 들어, 기계 학습 기반의 모델에 의해 수행된 하나 이상의 시뮬레이션은, 여기에 기재된 이미징 시스템 중의 하나에 의해 생성된 실제 이미지(들)에서 표본이 어떻게 나타나는지 보여주는 시뮬레이트된 이미지(들)를 생성할 수 있다. 이 방식에서, 시뮬레이트된 이미지(들)는 여기에 기재된 검사 시스템, 결함 검토 시스템, 또는 다른 이미징 시스템에 의해 표본의 생성될 수 있는 이미지를 나타낼 수 있다. 하나의 이러한 예에서, 기계 학습 기반의 모델에 의해 수행되는 하나 이상의 시뮬레이션에의 입력은 표본에 대한 설계 정보(예컨대, 여기에 더 기재된 임의의 설계 데이터)를 포함할 수 있고, 하나 이상의 시뮬레이션의 출력은 설계 정보가 형성된 표본이 이 이미지에서 어떻게 나타날지 보여주는 하나 이상의 시뮬레이트된 광학 또는 전자 빔 이미지를 포함할 수 있다.
하나의 이러한 실시예에서, 이미징 시스템은 광학 기반의 이미징 시스템이다. 또다른 이러한 실시예에서, 이미징 시스템은 전자 빔 기반의 이미징 시스템이다. 이들 이미징 시스템은 여기에 더 기재된 바와 같이 구성될 수 있다. 일부 이러한 실시예에서, 기계 학습 기반의 모델에 의해 수행된 하나 이상의 시뮬레이션은 표본(들)의 검사에 사용되는 하나 이상의 기준 이미지를 생성하도록 수행될 수 있다. 이 방식에서, 여기에 기재된 실시예는 연구 및 개발 그리고 제조 시나리오에 적용하도록 매우 효율적인 방식으로 다이-데이터베이스 결함 검출 방법 및/또는 알고리즘과 같은 진보된 검사 알고리즘을 가능하게 할 수 있다. 이러한 결함 검출을 가능하게 하는 것은, 쓰루풋이 영역 커버리지의 비율에 의해 제약되는 전자 빔 기반의 검사의 경우 특히 유용하다. 이미지 획득을 “테스트” 이미지만으로 한정함으로써, 쓰루풋은 현재 사용되는 다이-다이 검사 방법에 비해 두배 또는 세배가 될 수 있다. 여기에 기재된 실시예는, 2016년 11월 16일 출원된 Bhaskar 등의 미국 특허 출원 번호 제15/353,210호에 기재된 바와 같이 더 구성될 수 있으며, 이는 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 예를 들어, 여기에 기재된 실시예는 이 특허 출원에 기재된 바와 같이 단일 이미지 검출을 수행하도록 구성될 수 있다.
또다른 실시예에서, 하나 이상의 시뮬레이션을 수행하는 것은, 표본 중 하나의 표본에 대하여 하나 이상의 시뮬레이트된 측정을 생성하는 것을 포함하고, 하나 이상의 시뮬레이트된 측정은 계측 시스템에 의해 표본 중 하나의 표본에 대하여 생성된 출력을 나타낸다. 예를 들어, 기계 학습 기반의 모델에 의해 수행된 하나 이상의 시뮬레이션은 표본(들)에 대하여 여기에 기재된 시스템 중의 하나에 의해 생성된 출력을 나타내는 시뮬레이트된 측정(들)(예컨대, 이미지(들), 출력, 데이터 등)을 생성할 수 있다. 이 방식에서, 시뮬레이트된 측정(들)은 여기에 기재된 계측 시스템에 의해 표본에 대하여 생성될 수 있는 측정, 이미지, 출력, 데이터 등을 나타낼 수 있다. 하나의 이러한 예에서, 기계 학습 기반의 모델에 의해 수행되는 하나 이상의 시뮬레이션에의 입력은 표본에 대한 설계 정보(예컨대, 여기에 더 기재된 임의의 설계 데이터)를 포함할 수 있고, 하나 이상의 시뮬레이션의 출력은 이 시스템에 의해 표본에 대하여 생성된 출력을 나타내는 하나 이상의 시뮬레이트된 광학 또는 전자 빔 측정을 포함할 수 있다.
컴퓨터 서브시스템은 프로세스가 수행되고 있는 표본 중 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보를 획득하도록 구성된다. 여기에 더 기재될 바와 같이, 비-공칭 인스턴스에 대한 정보는 기계 학습 기반의 모델의 재트레이닝에 사용될 것이며, 그리하며 기계 학습 기반의 모델에 비-공칭 인스턴스의 전이 학습을 수행할 것이다. 따라서, 비-공칭 인스턴스에 대한 정보를 획득하는 것은 본질적으로 전이 학습 트레이닝 입력 생성일 수 있다. 전이 학습 트레이닝 입력 생성은, a) 프로세스 DOE(design of experiment)를 사용하는 웨이퍼 및 마스크 상의 실제 결함 이벤트의 경험적 시뮬레이션, b) 합성 접근을 사용함으로써 설계/시뮬레이션 공간에서의 가상 결함 이벤트의 도입, 및 c) 경험적 방법에 합성 방법을 협력하여 사용한 하이브리드 접근을 포함하여, 여기에 더 기재된 다수의 방식으로 수행될 수 있다. 이 방식에서, 여기에 기재된 실시예는 신경망 및 여기에 기재된 다른 기계 학습 기반의 모델에 대한 트레이닝 세트를 생성하도록 프로세스 DOE, 시뮬레이션 및 프로그램된 결함을 사용할 수 있다.
표본(들)의 비-공칭 인스턴스에 대한 정보를 획득하는 것은 정보를 생성하는 것을 포함할 수 있다. 예를 들어, 여기에 기재된 시스템은, 실제 표본에 대해 하나 이상의 프로세스를 수행함(예컨대, 실제 물리적 표본에 대해 하나 이상의 제조 프로세스를 수행한 다음, 실제 물리적 표본에 대해 하나 이상의 측정 및/또는 이미징 프로세스를 수행함)으로써 비-공칭 인스턴스에 대한 정보를 생성하도록 구성될 수 있다. 따라서, 비-공칭 인스턴스에 대한 정보를 생성하는 것은 여기에 기재된 하나 이상의 다른 서브시스템(예컨대, 하나 이상의 반도체 제조 서브시스템, 하나 이상의 이미징 서브시스템, 하나 이상의 계측 서브시스템 등)을 갖는 여기에 기재된 컴퓨터 서브시스템(들)을 사용하여 수행될 수 있다. 다른 예에서, 여기에 기재된 시스템은 하나 이상의 시뮬레이션을 수행함으로써(실제 물리적 표본이 있거나 없이) 비-공칭 인스턴스에 대한 정보를 생성하도록 구성될 수 있다. 하나의 이러한 예에서, 여기에 더 기재된 바와 같이, 하나 이상의 컴퓨터 서브시스템은 표본(들)의 비-공칭 인스턴스에 대한 정보를 생성하기 위해 또다른 모델을 사용하도록 구성될 수 있다. 대안으로서, 여기에 기재된 실시예는 정보를 생성한 하나 이상의 다른 방법 및/또는 시스템에 의해 정보가 저장된 저장 매체로부터 표본의 비-공칭 인스턴스에 대한 정보를 획득하도록 구성될 수 있다.
하나의 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함한다. 이 방식에서, 비-공칭 인스턴스에 대한 정보는 하나 이상의 표본 상의 하나 이상의 결함에 대한 정보를 포함할 수 있다. 이러한 정보는 여기에 더 기재된 다양한 방식으로 생성될 수 있다.
다른 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함하고, 하나 이상의 표본은 프로세스의 하나 이상의 파라미터의 둘 이상의 상이한 값으로 프로세스가 수행되는 하나 이상의 실제 표본을 포함한다. 예를 들어, DOE를 사용하여 웨이퍼 및 레티클 상의 실제 결함 이벤트의 경험적 시뮬레이션을 포함하는 전이 학습 트레이닝 입력 생성에 대하여, 여기에 더 기재된 바와 같이 실세계 웨이퍼가 결함에 대하여 활용될 수 있다.
하나의 이러한 실시예에서, 프로세스는 프로세스 윈도우 인정(PWQ; process window qualification) 방법에서 프로세스의 하나 이상의 파라미터의 둘 이상의 상이한 값들로 수행된다. 예를 들어, 전이 학습 트레이닝 입력을 생성하기 위한 하나의 전략은 계통 결함(systematic defect)의 생성자로서 PWQ와 같은 DOE를 사용하는 것이다. PWQ 방법에서 달라지는 프로세스의 하나 이상의 파라미터는 포커스 및 노출을 포함할 수 있다(예컨대, 포커스-노출 PWQ 프로세스에서와 같이). PWQ 방법은 또한, 2005년 6월 7일 Peterson 등에 허여된 미국 특허 번호 제6,902,855호, 2008년 8월 26일 Peterson 등에 허여된 미국 특허 번호 제7,418,124호, 2010년 6월 1일 Wu 등에 허여된 미국 특허 번호 제7,729,529호, 2010년 8월 3일 Kekare 등에 허여된 미국 특허 번호 제7,769,225호, 2011년 10월 18일 Pak 등에 허여된 미국 특허 번호 제8,041,106호, 2012년 2월 7일 Wu 등에 허여된 미국 특허 번호 제8,111,900호, 및 2012년 7월 3일 Peterson 등에 허여된 미국 특허 번호 제8,213,704호에 기재된 바와 같이 수행될 수 있으며, 이들은 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이들 특허에 기재된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있고 이들 특허에 기재된 바와 같이 더 구성될 수 있다. PWQ 웨이퍼는 이들 특허에 기재된 바와 같이 인쇄될 수 있다.
또다른 이러한 실시예에서, 프로세스는 오버레이 마진 결정을 위해 설계된 PWQ 방법에서 프로세스의 하나 이상의 파라미터의 둘 이상의 상이한 값들로 수행된다. 예를 들어, 전이 학습 트레이닝 입력을 생성하기 위한 하나의 전략은 계통 결함의 생성자로서 오버레이-PWQ 웨이퍼와 같은 DOE를 사용하는 것이다. 오버레이 마진 결정은 상기 인용한 특허에 기재된 바를 포함한 임의의 적합한 방식으로 수행될 수 있다. 따라서, 오버레이-PWQ 방법은 표본 상에 이러한 다이를 인쇄하도록 사용될 수 있고, 비-공칭 인스턴스는 이러한 표본 상에서 검출된 임의의 결함의 인스턴스를 포함할 수 있다.
추가의 이러한 실시예에서, 프로세스는 포커스 노출 매트릭스(FEM; focus exposure matrix) 방법에서 프로세스의 하나 이상의 파라미터의 둘 이상의 상이한 값들로 수행된다. 예를 들어, 전이 학습 트레이닝 입력을 생성하기 위한 하나의 전략은 계통 결함의 생성자로서 FEM 방법 및/또는 웨이퍼와 같은 DOE를 사용하는 것이다. FEM 방법은 일반적으로 리소그래피 프로세스의 포커스 및 노출 파라미터 값의 상이한 조합으로 웨이퍼 상에 다수의 다이를 인쇄하는 것을 수반한다. 그 다음, 상이한 다이들은 상이한 다이들 내의 결함을 검출하도록 임의의 적합한 방식으로 검사될 수 있다. 이 정보는 그 다음 통상적으로 리소그래피 프로세스의 포커스 및 노출을 위한 프로세스 윈도우를 결정하는 데에 사용된다. 따라서, FEM 방법은 표본 상에 이러한 다이를 인쇄하도록 사용될 수 있고, 비-공칭 인스턴스는 이러한 표본 상에서 검출된 임의의 결함의 인스턴스를 포함할 수 있다.
따라서, 상기에 기재된 바와 같이, 전이 학습 트레이닝 입력 생성은 계통 결함의 생성자로서 PWQ, FEM 및 오버레이-PWQ 웨이퍼 중의 하나 이상과 같은 하나 이상의 DOE를 사용할 수 있다. 다르게 말하자면, 기계 학습 기반의 모델은 계통 결함의 생성자로서 작용할 수 있는 PWQ 또는 FEM 웨이퍼로부터 생성된 정보를 사용함으로써 트레이닝될 수 있다. 일반적으로, PWQ는 리소그래피 포커스 및 노출 프로세스 윈도우 특성화를 위해 2000년대 초에 KLA-Tencor에 의해 발명된 기술이며 하나의 형태 또는 또다른 형태로 널리 채용되고 있다. PWQ에 대한 기본은, 검사기에 대한 신호를 최대화하도록 체계적(systematic) 방식으로 서로 옆에 있는 공칭 다이들과 변조된 다이들이 존재하는 검사기 호환가능한 웨이퍼를 생성하는 것이다. 마찬가지의 웨이퍼가 오버레이 마진을 결정하기 위해 형성될 수 있다. PWQ 및 그의 “커즌(cousin)” FEM 웨이퍼는 오늘날 주로 프로세스 마진을 결정하기 위해 사용되지만, 이는 소정의 웨이퍼 상에 다량으로 일어날 것이기에 실제 결함으로 심층 신경망(또는 여기에 기재된 임의의 다른 기계 학습 기반의 모델)을 트레이닝하기 위해 용도변경될 수 있다(repurposed). 그러면, 이들 웨이퍼 및 이로부터 생성된 정보는 여기에 더 기재된 재트레이닝을 위한 트레이닝 샘플 세트로서 사용될 수 있다. 그러나, 이러한 샘플들은 이러한 웨이퍼 상의 모든 결함 유형을 보는 것을 보장하지 못하기에 가능한 결함의 완전한 세트를 제공하지 못할 수 있다. 따라서, 이러한 웨이퍼로부터 생성된 정보는 여기에 더 기재된 바와 같이 다수의 상이한 방식으로 수행될 수 있는 합성 결합 생성에 의해 생성된 다른 정보로 보완될 수 있다.
일부 실시예에서, 획득된 정보는 EDA(electron design automation) 툴에 의해 생성된 하나 이상의 표본에 대한 합성 설계 데이터로부터 생성된다. 이 방식에서, 여기에 기재된 실시예는 EDA CAD(computer aided design) 툴로 생성된 합성 데이터를 활용하여 추가된 차원을 가질 수 있다. EDA 툴은 임의의 적합한 상업적으로 입수가능한 EDA 툴을 포함할 수 있다. 일부 이러한 실시예에서, 여기에 기재된 컴퓨터 서브시스템(예컨대, 컴퓨터 서브시스템(들)(102))의 하나 이상은 EDA 툴로서 구성될 수 있거나 또는 EDA 툴에 포함된 컴퓨터 서브시스템일 수 있다.
부가의 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함하고, 결함은 설계에 합성 결함을 만들도록 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 하나 이상의 합성 결함을 포함한다. “합성” 결함은 이 용어가 여기에서 사용될 때 일반적으로, 예컨대 표본에 대한 설계 정보의 조작에 의해, 표본 상의 의도적으로 야기된 하나 이상의 결함으로서 정의된다. 따라서, “합성” 결함은 또한 “가설(hypothetical)” 결함 또는 “프로그램된” 결함으로도 지칭될 수 있다. 하나의 이러한 실시예에서, 합성 접근을 사용함으로써 설계/시뮬레이션 공간에서의 가상 결함 이벤트의 도입을 통한 전이 학습 트레이닝 입력 생성에 대하여, 결함(예컨대, 개구, 쇼트, 돌출부, 선단부, 계측 마커 등)을 합성적으로 생성하도록 CAD 설계가 사용될 수 있고, 그 다음 (트레이닝 이미지 상의 실제 결함을 만들도록) 여기에 더 기재된 바와 같이 심층 생성적(deep generative) 또는 기타 모델에 의해 취급될 수 있고 그리고/또는 하나 이상의 표본 상에 합성적으로 생성된 결함을 인쇄하는 데에 사용될 수 있으며, 이는 이어서 표본(들) 상의 합성적으로 생성된 결함의 이미지를 생성하는 데에 사용될 수 있다. CAD 작업은, 임의의 적합한 EDA 소프트웨어, 하드웨어, 시스템 또는 방법을 포함할 수 있는 프로그램가능/그래픽 EDA 편집기로 자동화될 수 있다.
하나의 이러한 실시예에서, 하나 이상의 컴포넌트는 설계에 합성 결함을 만들도록 설계를 변경하도록 구성된 인셉션(inception) 모듈을 포함한다. 예를 들어, 여기에 기재된 기계 학습 기반의 모델은 자연 장면 이미지에 대하여 GoogLeNet 인셉션에 의해 제안된 바와 같은 결함 환각(hallucination) 시스템에 의해 트레이닝될 수 있다. 결함에 대해 사전트레이닝되는(pre-trained) 종래의 신경망은, 그 다음 이를 역방향으로 재생하여 다른 기하학적 구조 상의 새로운 결함 유형을 만들 수 있다. GoogLeNet 인셉션을 수행하기 위한 시스템 및 방법의 예는 Szegedy et al., 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 2015, 9 pages의 “Going Deeper with Convolutions”에서 찾아볼 수 있으며, 이는 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이 문헌에 기재된 바와 같이 더 구성될 수 있다.
일부 실시예에서, 하나 이상의 표본의 공칭 인스턴스는 자연 장면 이미지를 포함한다. 예를 들어, 자연 장면 이미지를 사용하여 생성된 모델은 반도체 데이터(광학 또는 SEM 또는 여기에 기재된 임의의 다른 비-공칭 인스턴스 정보)에 대해 트레이닝되는 모델을 미세 조정하기 위한 시작점으로서 사용될 수 있다. 이는 비교적 많은 양의 자연 이미지에 대한 트레이닝으로부터 학습되는 저레벨 피처가 반도체 결함 데이터를 분류하는 것을 돕는 전이 학습의 예이다. 자연 이미지로부터 반도체 데이터로의 전이 학습을 활용할 때 트레이닝 시간의 10배 감소를 입증하였다. 이 방식에서, 자연 이미지는 반도체 데이터에 대한 트레이닝 시간을 단축시키도록 사용될 수 있다. 트레이닝 시간의 이 감소는 반도체 데이터를 사용하는 트레이닝 세션에 대한 초기화 포인트로서 자연 이미지로부터의 모델 가중치를 사용함으로써 달성된다. 자연 이미지와 반도체 데이터 간의 이 가중치 공유는 여기에 기재된 임의의 전이 학습을 통해 달성될 수 있다. 추가된 이점으로서, 자연 이미지로부터 초기화된 가중치로 모델을 트레이닝할 때 분류 정확도의 7% 증가를 달성하였다. 공칭 인스턴스에 대하여 사용된 자연 장면 이미지는 표준 자연 장면 이미지를 포함하여 당해 기술 분야에 공지된 임의의 적합한 자연 장면 이미지를 포함할 수 있다. 이 방식에서, 표본의 공칭 인스턴스는 반도체가 아닌 표본(즉, 웨이퍼 또는 레티클이 아님)을 포함할 수 있지만, 표본의 비-공칭 인스턴스는 반도체 표본(즉, 웨이퍼 및 레티클)을 포함할 수 있다. 따라서, 트레이닝 및 재트레이닝은 상이한 유형의 표본을 사용하여 수행될 수 있다. 또한, 표본의 공칭 인스턴스는 자연 장면의 상이한 유형의 이미지를 포함할 수 있다(예컨대, 동물, 사람, 물체 등).
다른 실시예에서, 하나 이상의 표본의 공칭 인스턴스는 하나보다 많은 유형의 데이터를 포함한다. 하나보다 많은 유형의 데이터는 동일한 유형의 표본에 대하여(예컨대, 웨이퍼만 또는 레티클만) 생성될 수 있다. 또한, 하나보다 많은 유형의 데이터는 상이한 이미징 유형(예컨대, 광학 및 전자 빔)을 사용하여 생성될 수 있다. 이 방식에서, 다양한 반도체 데이터가 타겟 데이터세트에 대한 트레이닝 시간을 단축시키도록 사용될 수 있다. 예를 들어, 상기 실시예의 변형에서, 타겟 반도체 데이터세트에 대한 모델을 트레이닝하기 위한 시작점으로서 사용될 수 있는 모델을 트레이닝하도록 다양한 반도체 데이터(광학 및 SEM)로부터의 데이터가 사용될 수 있다. 이 접근은 자연 이미지로부터 저레벨 특징을 학습하고 이를 반도체 데이터에 미세 조정하는 것과 유사한 영향을 미친다. 다양한 반도체 데이터로부터의 트레이닝 데이터는 모델 또는 네트워크가, 그 다음에 타겟 데이터세트로 전이될 수 있는 반도체 데이터의 저레벨 표현을 학습하는 것을 돕는다. 이 전이 학습의 발현(manifestation)은 또한 트레이닝 시간을 상당히 단축시킨다.
일부 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함하고, 결함은 설계에 합성 결함을 만들도록 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 하나 이상의 합성 결함을 포함하고, 비-공칭 인스턴스에 대한 정보는 합성 결함이 인쇄되어 있는 하나 이상의 표본에 대하여 이미징 또는 계측 시스템에 의해 생성된 출력을 포함한다. 예를 들어, 경험적 및 합성 방법을 조합하여 수반하는 하이브리드 접근을 사용하는 전이 학습 트레이닝 입력 생성 방법의 예는, 설계 공간에 상기에 기재된 바와 같이 합성 레이아웃 결함을 생성하고, 수정된 설계를 갖는 마스크를 형성하여 이 마스크로 웨이퍼를 처리함으로써 이 합성 레이아웃 결함이 웨이퍼에 미치는 경험적 영향을 결정하는 것을 포함할 수 있다. 이 방식에서, 기계 학습 기반의 모델은 프로그램된 결함의 실제 이미지에 의해 트레이닝될 수 있다.
하나의 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함하고, 결함은 설계에 합성 결함을 만들도록 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 하나 이상의 합성 결함을 포함하고, 비-공칭 인스턴스에 대한 정보는 변경된 설계를 포함한다. 예를 들어, 설계에서의 합성 결함은 이를 생성적 모드에 공급하지 않고서 별개로 소비될 수 있다. 설계에서 만들어진 결함은, 네트워크가 학습하기 위해 공칭 패턴이 깨지는 구조의 예로서 작용하기 때문에, 반드시 리걸(legal) 구조일 필요는 없다. 이 합성 결함은 실제 패턴 결함의 필요성에 대한 의존도를 감소시킴으로써 데이터 획득 주기를 감소시키고 이는 이어서 모델 트레이닝 시간을 단축시킨다. 이 방식에서, 여기에 기재된 실시예는 트레이닝 시간을 감소시키도록 직접(생성적 모델이 없을 때에) 합성 설계 결함을 사용할 수 있다.
상기에 기재된 전이 학습 트레이닝 입력 생성 방법 b) 및 c)에 대한 설계 프로세스는 프로세스, 리소그래피, 및 툴 시뮬레이션 능력을 활용할 수 있다. 예를 들어, 또다른 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함하고, 결함은 설계에 합성 결함을 만들도록 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 하나 이상의 합성 결함을 포함하고, 비-공칭 인스턴스에 대한 정보는 또다른 모델의 출력을 포함하고, 다른 모델의 출력은 합성 결함이 인쇄되어 있는 하나 이상의 표본을 나타낸다. 경험적으로 트레이닝되는 프로세스 모델의 하나의 예는 Coventor, Inc.(Cary, NC)로부터 상업적으로 입수가능한 SEMulator 3D를 포함한다. 엄격한 리소그래피 시뮬레이션 모델의 예로는, SEMulator 3D 제품과 함께 사용될 수 있는, KLA-Tencor로부터 상업적으로 입수가능한 Prolith가 있다. 그러나, 이 실시예에서 사용되는 다른 모델은 설계 데이터로부터 실제 표본을 생성하는 데에 수반되는 임의의 프로세스(들)의 임의의 적합한 모델을 포함할 수 있다. 이 방식에서, 변경된 설계(하나 이상의 합성 결함을 포함하도록 변경됨)는, 변경된 설계가 형성된 표본이 표본 공간에서 어떻게 보일 것인지 시뮬레이트하는 데에 사용될 수 있다(반드시 이러한 표본이 이미징 또는 계측 시스템과 같은 시스템에 보이는 것인 것은 아님). 따라서, 다른 모델의 출력은 표본이 표본의 2D 또는 3D 공간에서 어떻게 보일 것인지를 나타낼 수 있다.
추가의 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함하고, 결함은 설계에 합성 결함을 만들도록 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 하나 이상의 합성 결함을 포함하고, 비-공칭 인스턴스에 대한 정보는 또다른 모델의 출력을 포함하고, 다른 모델의 출력은 합성 결함이 인쇄되어 있는 하나 이상의 표본이 이미징 시스템에 의해 생성된 표본의 하나 이상의 실제 이미지에서 어떻게 나타나는지 보여준다. 예를 들어, 적용될 수 있는 추가의 능력은 레시피가 개발되고 있는 검사기의 시뮬레이션이다. 이러한 모델의 예로는 WINsim이 있으며, 이는 KLA-Tencor로부터 상업적으로 입수가능하고, 전자기(EM; electromagnetic)파 솔버(solver)를 사용하여 검사기의 응답을 엄격하게 모델링할 수 있다. 이 방식에서, 프로그램된 결함에 대한 결함 거동(defect behavior)이 하나의 모델에서 학습되고 다른 모델에 적용될 수 있다. 이러한 시뮬레이션은 여기에 기재된 임의의 다른 이미징 서브시스템 또는 시스템에 대하여 수행될 수 있다. 또한, 이러한 시뮬레이션은 당해 기술 분야에 공지된 임의의 다른 적합한 소프트웨어, 알고리즘(들), 방법(들), 또는 시스템을 사용하여 수행될 수 있다.
부가의 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함하고, 결함은 설계에 합성 결함을 만들도록 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 하나 이상의 합성 결함을 포함하고, 비-공칭 인스턴스에 대한 정보는 또다른 모델의 출력을 포함하고, 다른 모델의 출력은 합성 결함이 인쇄되어 있는 하나 이상의 표본에 대하여 계측 시스템에 의해 생성된 출력을 나타낸다. 예를 들어, 적용될 수 있는 추가의 능력은 레시피가 개발되고 있는 계측 툴의 시뮬레이션이다. 이 방식에서, 프로그램된 결함에 대한 결함 거동이 하나의 모델에서 학습되고 다른 모델에 적용될 수 있다. 합성 결함이 인쇄되어 있는 하나 이상의 표본에 대한 계측 시스템의 출력은 당해 기술 분야에 공지된 계측 시스템의 임의의 적합한 모델을 사용하여 생성될 수 있다.
일부 실시예에서, 비-공칭 인스턴스는 하나 이상의 표본 상의 결함의 인스턴스를 포함하고, 결함은 설계에 합성 결함을 만들도록 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 하나 이상의 합성 결함을 포함하고, 비-공칭 인스턴스에 대한 정보는 또다른 모델의 출력을 포함하고, 다른 모델의 출력은 합성 결함이 인쇄되어 있는 하나 이상의 표본에 대하여 또다른 시스템에 의해 생성된 출력을 나타내고, 다른 모델은 심층 생성적 모델이다. 하나의 이러한 실시예에서, 합성 접근을 사용함으로써 설계/시뮬레이션 공간에서의 가상 결함 이벤트의 도입을 통한 전이 학습 트레이닝 입력 생성에 대하여, 결함(예컨대, 개구, 쇼트, 돌출부, 선단부, 계측 마커 등)을 합성적으로 생성하도록 CAD 설계가 사용될 수 있고, 그 다음 (트레이닝 이미지 상의 실제 결함을 만들도록) 여기에 더 기재된 바와 같이 심층 생성적 모델에 의해 취급될 수 있다. 이 방식에서, 프로그램된 결함에 대한 결함 거동이 하나의 모델에서 학습되고 다른 모델에 적용될 수 있다. 생성적 모델은 여기에 기재된 임의의 시스템(예컨대, 반도체 제조 시스템, 검사 시스템, 결함 검토 시스템, 계측 시스템 등)에 의해 생성된 출력을 나타내는 시뮬레이트된 출력을 생성하는 데에 사용될 수 있다.
“생성적” 모델은 일반적으로, 사실상 확률적인 모델로서 정의될 수 있다. 다르게 말하자면, “생성적” 모델은 정방향(forward) 시뮬레이션 또는 규칙 기반의 접근을 수행하는 것이 아니며, 그리하여 실제 이미지 또는 출력(이에 대하여 시뮬레이트된 이미지 또는 출력이 생성되고 있음)을 생성하는 데에 수반되는 프로세스의 물리학 모델이 필요하지 않다. 대신에, 여기에 더 기재된 바와 같이, 생성적 모델은 데이터의 적합한 트레이닝 세트에 기초하여 학습될 수 있다(그의 파라미터가 학습될 수 있음). 여기에 더 기재된 바와 같이, 이러한 생성적 모델은 여기에 기재된 실시예에 대하여 다수의 이점을 갖는다. 또한, 생성적 모델은, 생성적 모델이 다수의 알고리즘 또는 변환을 수행하는 복수의 레이어를 포함할 수 있는 딥 러닝 아키텍처를 갖도록 구성될 수 있다. 생성적 모델에 포함되는 레이어의 수는 유즈 케이스에 따라 좌우될 수 있다. 실제로, 레이어의 적합한 범위는 2개의 레이어 내지 수십 개의 레이어이다.
하나의 실시예에서, 하나 이상의 컴포넌트는 하나 이상의 표본의 공칭 인스턴스에 대한 정보를 만들도록 구성된 심층 생성적 모델을 포함한다. 예를 들어, SEM(실제 웨이퍼의 이미지)과 설계(예컨대, 의도한 레이아웃의 CAD 또는 벡터 표현) 간의 결합 확률 분포(joint probability distribution)(평균 및 분산)를 학습하는 심층 생성적 모델은, 기계 학습 기반의 모델을 트레이닝하는 데에 사용되는 공칭 인스턴스를 생성하도록 사용될 수 있다. 생성적 모델은 또한, 표본의 비-공칭 인스턴스에 대하여 여기에 기재된 다른 시뮬레이션 결과를 생성하는 데에 사용될 수 있다. 기계 학습 기반의 모델이 공칭(의도한/결함없는) 샘플에 대하여 트레이닝되면, 여기에 더 기재된 바와 같이, 결함있는 이미지 또는 여기에 기재된 다른 비-공칭 인스턴스를 포함하는 전이 학습 트레이닝 입력 데이터세트가 기계 학습 기반의 모델을 재트레이닝하는 데에 사용될 수 있다. 또한, 기계 학습 기반의 모델은 반도체 웨이퍼를 제조하는 데에 사용되는 설계 데이터(예컨대, CAD 또는 EDA 데이터)를 수정함으로써 생성되는 합성 데이터를 사용함으로써 사전트레이닝될 수 있다. 개구, 쇼트, 돌출부, 칩입부 등과 같은 결함 인공물은 라인 엔드 풀백(line end pull back)과 같은 계측 마커와 함께 CAD 안에 삽입된 다음, 실제 결함을 만들도록 Zhang 등에 의한 상기 인용한 특허 출원에 기재된 네트워크에 의해 트레이닝된 생성적 모델로 공급될 수 있다.
상기에 더 기재된 바와 같이, 심층 생성적 모델은 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보를 생성하도록 사용될 수 있다. 동일한 심층 생성적 모델이 하나 이상의 표본의 공칭 인스턴스에 대한 정보를 생성하도록 사용될 수 있다. 이 방식에서, 심층 생성적 모델은 공칭(기준) 및 결함있는(테스트) 이미지 또는 여기에 기재된 다른 정보를 생성하기 위해 사용될 수 있다.
하나의 실시예에서, 기계 학습 기반의 모델은 판별(discriminative) 모델이다. 이 방식에서, 실시예는 판별 모델을 트레이닝하도록 구성될 수 있다. 또한, 판별 모델은 검사 시스템(예컨대, 광 기반의 협대역 또는 광대역 검사기, 전자 빔 기반의 검사기 등) 또는 여기에 기재된 다른 시스템(예컨대, 계측 시스템, 결함 검토 시스템 등)의 일부일 수 있다. 그리하여, 여기에 기재된 실시예는 판별 학습을 위해 다양한 검사 및/또는 기타 시스템을 트레이닝하도록 구성될 수 있다. 판별 모델은 당해 기술 분야에 공지된 임의의 적합한 아키텍처 및/또는 구성을 가질 수 있다.
조건부(conditional) 모델로도 불리는 판별 모델은, 관찰하지 않은 변수 y의 관찰한 변수 x에 대한 의존성을 모델링하기 위해 기계 학습에 사용되는 모델의 부류이다. 확률적 프레임워크 내에서, 이는 x로부터 y를 예측하기 위해 사용될 수 있는 조건부 확률 분포 P(y|x)를 모델링함으로써 행해진다. 판별 모델은 생성적 모델과는 달리 x 및 y의 결합 분포로부터 샘플을 생성할 수 없다. 그러나, 결합 분포를 요구하지 않는 분류 및 회귀와 같은 작업에 대하여, 판별 모델은 우수한 성능을 제공할 수 있다. 반면에, 생성적 모델은 통상적으로, 복잡한 학습 작업에서의 의존성을 표현하는데 있어서 판별 모델보다 더 융통성있다. 또한, 대부분의 판별 모델은 본질적으로 지도형이며(supervised), 비지도형(unsupervised) 학습으로 쉽게 확장될 수가 없다. 애플리케이션 특유의 세부사항은 판별 모델 대 생성적 모델을 선택하는 것의 적합성을 궁극적으로 결정한다(dictate).
다른 실시예에서, 기계 학습 기반의 모델은 신경망이다. 예를 들어, 기계 학습 기반의 모델은 그것을 트레이닝하도록 공급받은 데이터에 따라 세계를 모델링하는 가중치 세트를 갖는 심층 신경망일 수 있다. 신경망은 일반적으로, 축색에 의해 연결되어 있는 생물학적 뉴런의 비교적 큰 클러스터로 생물학적 뇌가 문제를 해결하는 방식을 느슨하게 모델링하는, 비교적 큰 집단의 신경 단위에 기초하는 연산 접근으로서 정의될 수 있다. 각각의 신경 단위는 많은 다른 것들과 연결되고, 링크는 연결된 신경 단위의 활성화 상태에 미치는 영향을 강화하거나 억제하는 것일 수 있다. 이 시스템은 명시적으로 프로그램되기보다는 자체 학습형(self-learning)이고 트레이닝되며, 솔루션 또는 특징부 검출이 종래의 컴퓨터 프로그램에서 표현하기가 어려운 영역에서 뛰어나다.
신경망은 통상적으로 복수의 레이어로 구성되고, 신호 경로는 앞에서 뒤로 횡단한다. 신경망의 목표는, 여러 신경망들이 훨씬 더 추상적이기는 하지만, 인간의 뇌가 하는 것과 동일한 방식으로 문제를 해결하는 것이다. 현대 신경망 프로젝트는 통상적으로 수천 내지 수백만의 신경 단위 및 수백만의 연결로 작업한다. 신경망은 당해 기술 분야에 공지된 임의의 적합한 아키텍처 및/또는 구성을 가질 수 있다.
부가의 실시예에서, 기계 학습 기반의 모델은 콘볼루션(convolution) 및 디콘볼루션(deconvolution) 신경망이다. 예를 들어, 여기에 기재된 실시예는 보통 난해한 표현 변환 문제(예컨대, 렌더링)을 해결하도록 콘볼루션 및 디콘볼루션 신경망과 같은 딥 러닝 개념을 이용할 수 있다. 기계 학습 기반의 모델은 당해 기술 분야에 공지된 임의의 콘볼루션 및 디콘볼루션 신경망 구성 또는 아키텍처를 가질 수 있다.
컴퓨터 서브시스템(들)은 또한, 표본 중 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보로 기계 학습 기반의 모델을 재트레이닝함으로써, 기계 학습 기반의 모델에 표본 중 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보의 전이 학습을 수행하도록 구성된다. 예를 들여, 여기에 기재된 실시예의 일반적인 목적은, 한정된 트레이닝 세트로 효율적으로 트레이닝가능한 기계 학습 기반의 모델을 사용하여 반도체 디바이스의 시뮬레이트된 및/또는 경험적 검사 및/또는 계측을 위한 시스템 및 방법을 제공하는 것이다. 이를 위해, 원리적인 방식으로 기계 학습 기반의 모델의 효율적인 트레이닝을 가능하게 하고 가속화하도록 일련의 전이 학습 방법이 사용될 수 있다. 이들 전이 학습 방법 및 기계 학습 기반의 모델은 다수의 검사 및 계측 애플리케이션에 사용될 수 있다.
전이 학습은 일반적으로 이미 학습된 관련 작업(하나 이상의 소스 작업)으로부터의 지식의 전이를 통해 새로운 작업(또는 타겟 작업)에서의 학습의 개선으로서 정의될 수 있다. 따라서, 여기에 기재된 실시예에서, 공칭 인스턴스로만 기계 학습 기반의 모델을 트레이닝하는 것은 하나 이상의 소스 작업을 학습하는 것을 수반하고, 비-공칭 인스턴스로 기계 학습 기반의 모델을 재트레이닝하는 것은 소스 작업으로부터의 지식(공칭 인스턴스)을 타겟 작업(비-공칭 인스턴스)으로 전이한다. 전이 학습에서, 에이전트는 소스 작업을 학습하고 있는 동안 타겟 작업에 관한 아무것도 알지 못한다(또는 심지어 타겟 작업이 있을 것이라는 것도). 예를 들어, 여기에 기재된 실시예에서, 기계 학습 기반의 모델은 공칭 인스턴스로 트레이닝되고 있는 동안 비-공칭 인스턴스에 관하여 아무 것도 알지 못한다.
그러나 일반적으로 여기에 기재된 전이 학습은 당해 기술 분야에 공지된 임의의 적합한 방식으로 수행될 수 있다. 예를 들어, 귀납적 학습(inductive learning) 작업에 있어서, 목적은 트레이닝 예들의 세트로부터 예측 모델을 추론하는 것이다. 귀납적 학습에서의 전이는 소스-작업 지식이 타겟 작업의 귀납 편향(inductive bias)에 영향을 미칠 수 있게 함으로써 작업한다. 귀납적 전이 방법에서, 타겟-작업 귀납 편향은 소스-작업 지식에 기초하여 선택되거나 조정된다. 이것이 행해지는 방식은 소스 및 타겟 작업을 학습하는 데에 어떤 귀납적 학습 알고리즘이 사용되는지에 따라 달라진다.
귀납적 전이는 표준 지도-학습 작업에서의 학습을 개선할 방식 뿐만 아니라 비교적 작은 데이터세트를 수반하는 작업에 의해 제기된 어려움을 상쇄할 방식으로서 볼 수 있다. 즉, 작업을 위한 비교적 작은 양의 데이터 또는 클래스 라벨이 있는 경우, 타겟 작업으로서 이를 취급하고 관련 소스 작업으로부터 귀납적 전이를 수행하면 보다 정확한 모델로 이어질 수 있다. 따라서 이들 접근은, 2개의 데이터세트가 상이한 확률 분포로부터 온다고 가정하는 사실에도 불구하고, 소스-작업 데이터를 사용하여 타겟-작업 데이터를 강화한다.
여기에 기재된 바와 같은 전이 학습은, Torrey et al., Handbook of Research on Machine Learning Applications, published by IGI Global, edited by E. Soria, J. Martin, R. Magdalena, M. Martinez and A. Serrano, 2009, 22 pages의 “Transfer Learning”, 및 Yosinski et al., NIPS 2014, November 6, 2014, 14 pages의 “How transferable are features in a deep neural network?”에 기재된 바와 같이 더 수행될 수 있으며, 이들은 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이들 문헌에 기재된 바와 같이 더 구성될 수 있다.
여기에 기재된 실시예에 의해 사용된 재트레이닝(및 트레이닝) 아키텍처는 바람직하게 최소 수의 샘플로 실측 자료(ground truth)(유효 샘플의 경우)로 수렴하도록 설계된다. 하나의 실시예에서, 하나 이상의 컴포넌트는 하나 이상의 추가 컴포넌트를 포함하고, 재트레이닝은 하나 이상의 추가 컴포넌트를 사용하여 수행되고, 하나 이상의 추가의 컴포넌트는 표본 상의 모든 레이어에 대한 커먼 마더 네트워크(common mother network), 표본 상의 모든 레이어에 대한 그랜드 커먼 마더 네트워크(grand common mother network), 적대 네트워크(adversarial network), 심층 적대 생성적 네트워크(deep adversarial generative network), 적대 오토인코더(adversarial autoencoder), 베이지안 신경망(Bayesian Neural Network), 변분 베이지안 방법(variational Bayesian method)을 위해 구성된 컴포넌트, 또는 이들의 조합을 포함한다. 예를 들어, 전이 학습 방법은 기계 학습 기반의 모델을 트레이닝하도록 여기에 기재된 임의의 전이 학습 트레이닝 입력 생성 방법을 사용하여 생성된 트레이닝 세트(들)에 적용될 수 있다. 여기에 적용하는 많은 잠재적 개념이 존재한다. 반도체 웨이퍼와 작업할 확률이 상당히 높은 것들은, FEOL(front end of line), MOL(middle of line), 및 BEOL(back end of line) 레이어 각각에 대하여 커먼 마더 네트워크를 사용하는 것, 모든 레이어에 대하여 그랜드 커먼 마더 네트워크를 사용하는 것(SEM에 대해 작업할 것임), 트레이닝을 가속화하도록 적대 네트워크를 사용하는 것, 훨씬 더 적은 레이어를 요구하는 베이지안 신경망(변분 베이지)을 사용하는 것, 트레이닝을 위해 사다리형 네트워크(ladder network)의 개념을 사용하는 것을 포함한다. 예를 들어, 여기에 기재된 실시예는 반도체 웨이퍼 및 마스크 검사 및 다른 애플리케이션에 대하여 그리고 샘플을 “합법적으로 증폭함”으로써 트레이닝을 가속화하도록 구성된다. 이들 방법은 또한 준지도형(semi-supervised)으로서 알려져 있다(몇몇 예가 이용가능하지만, 대다수는 사람이나 실측 자료에 의해 표기되지 않음).
하나의 이러한 예에서, 컴퓨터 서브시스템(들)은 마더 네트워크의 개념을 사용하여 가중치의 사전트레이닝된 시스템을 활용할 수 있다. 컴퓨터 서브시스템(들)은 또한 최소 수의 샘플로 이 결과를 달성하도록 베이지안 생성적 모델링을 결합하는 준지도 방법과 같은 방법을 사용할 수 있다. 이러한 방법의 예는, 2016년 6월 7일 출원된 Zhang 등의 미국 특허 출원 번호 제15/176,139호 및 Kingma 등의 NIPS 2014, October 31, 2014, pp. 1-9에서의 “Semi-supervised Learning with Deep Generative Models”에 기재되어 있으며, 이들은 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이들 문헌에 기재된 바와 같이 더 구성될 수 있다. 또한, 컴퓨터 서브시스템(들)은, Rasmus 등의 NIPS 2015, November 24, 2015, pp. 1-19에서의 “Semi-Supervised Learning with Ladder Networks”에서 제안된 것과 같은, 심층 신경망에서 지도 및 비지도 학습이 결합되는 사다리형 네트워크를 활용할 수 있다. 여기에 기재된 실시예는 이 문헌에 기재된 바와 같이 더 구성될 수 있다. 여기에 기재된 컴퓨터 서브시스템(들)은 또한, Goodfellow 등의 June 10, 2014, pp. 1-9의 “Generative Adversarial Nets”에 기재된 유형의 심층 적대 생성적 네트워크를 사용하여 기계 학습 기반의 모델을 트레이닝하도록 구성될 수 있으며, 이는 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이 문헌에 기재된 바와 같이 더 구성될 수 있다. 추가적으로 또는 대안으로서, 여기에 기재된 컴퓨터 서브시스템(들)은, Makhzani 등의 arXiv:1511.05644v2, May 25, 2016, 16 p의 “Adversarial Autoencoders”에 기재된 바와 같은 적대 오토인코더(VAE(variational autoencoder) 및 DGAN(deep generative adversarial network)을 결합한 방법)를 사용하여 기계 학습 기반의 모델을 트레이닝하도록 구성될 수 있으며, 이는 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이 문헌에 기재된 바와 같이 더 구성될 수 있다. 일부 경우에, 컴퓨터 서브시스템(들)은, Neal, Springer-Verlag New York, 1996, 204 p에서의 “Bayesian Learning for Neural Networks”에 기재된 바와 같은 베이지안 학습을 수행하도록 구성될 수 있으며, 이는 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이 문헌에 기재된 바와 같이 더 구성될 수 있다. 컴퓨터 서브시스템(들)은 또한, Smidl, Springer-Verlag Berlin Heidelberg, 2006, 228 p에서의 “The Variational Bayes Method in Signal Processing”에 기재된 바와 같은 변분 베이지 방법을 수행하도록 구성될 수 있으며, 이는 여기에 완전히 서술된 것처럼 참조에 의해 포함된다. 여기에 기재된 실시예는 이 문헌에 기재된 바와 같이 더 구성될 수 있다.
또다른 실시예에서, 재트레이닝은, 트레이닝된 기계 학습 기반의 방법의 콘볼루션 레이어의 모든 가중치를 전이하고 트레이닝된 기계 학습 기반의 방법의 완전히 이어진 레이어(fully connected layer)의 가중치를 미세 조정하는 것을 포함한다. 예를 들어, 재트레이닝은 콘볼루션 레이어(예컨대, 레이어 1-3)의 모든 가중치를 전이한 다음, 완전히 이어진 레이어만 미세 조정하는 것을 포함할 수 있다. 다른 예에서, 여기에 기재된 바와 같은 기계 학습 기반의 모델은, 초기 레이어에 대하여 마더 네트워크로부터 가중치를 카피하고 분류 구체화(classification specialization)가 일어나는 후기 레이어를 미세 조정하는 전이 학습으로서 알려진 방법에 의해 사전트레이닝될 수 있다. 그러나, 재튜레이닝은 기계 학습 기반의 모델의 임의의 하나 이상의 트레이닝가능한 파라미터를 변경하는 것을 포함할 수 있다. 또한, 여기에 기재된 실시예에 의해 트레이닝되는 기계 학습 기반의 모델의 하나 이상의 파라미터는 트레이닝가능한 가중치를 갖는 기계 학습 기반의 모델의 임의의 레이어에 대한 하나 이상의 가중치를 포함할 수 있다. 하나의 이러한 예에서, 가중치는 콘볼루션 레이어에 대한 가중치를 포함할 수 있지만 풀링(pooling) 레이어는 아니다.
도 2는 여기에 기재된 실시예에 의해 수행될 수 있는 기계 학습 기반의 모델 재트레이닝의 하나의 실시예를 예시한다. 예를 들어, 공칭(설계자 의도) 구조를 학습하고 시뮬레이트된 광학 및 SEM 이미지를 생성할 수 있는 하나 이상의 심층 생성적 방법(DGM; deep generative method)은 기계 학습 기반의 모델을 트레이닝하도록 사용되는 공칭 인스턴스에 대한 정보를 생성하기 위해 여기에 기재된 실시예에 의해 사용될 수 있다. 하나의 이러한 예에서, 생성적 모델(200)은 공칭 인스턴스에 대한 정보를 생성하도록 사용될 수 있다. 생성적 모델은 실제 웨이퍼의 실제 이미지(예컨대, SEM 이미지)와 설계(예컨대, 의도한 레이아웃의 CAD 또는 벡터 표현) 간의 결합 확률 분포(예컨대, 평균 및 분산)를 학습할 수 있다. 생성적 모델은 여기에 기재된 임의의 다른 시뮬레이션을 수행하도록 구성될 수 있고 여기에 기재된 임의의 구성을 가질 수 있다.
공칭 인스턴스에 대한 정보는 기계 학습 기반의 모델(206)을 트레이닝하도록 사용될 수 있으며, 여기에 더 기재된 바와 같이 수행될 수 있다. 신경망이 공칭(의도한/결함없는) 샘플에 대하여 트레이닝되면, 결함 유도된 설계는 (웨이퍼 상에 인쇄된 구조로 설계된 PWQ 데이터 및/또는 결함 프록시와 같은) 실세계 데이터와 실질적으로 유사하게 보이는 합성 데이터를 생성하도록 사용될 수 있다. 예를 들어, 도 2에 도시된 바와 같이, 설계 데이터(202)는 설계 데이터에 합성 결함을 생성하도록 여기에 기재된 바와 같이 변경될 수 있다. 이 변경된 설계 데이터는 변경된 설계 데이터에 기초하여 하나 이상의 표본의 비-공칭 인스턴스(즉, 합성 결함)에 대한 정보를 생성하도록 생성적 모델(200)에 입력될 수 있다. 이 방식으로 생성된 비-공칭 인스턴스에 대한 정보는 또한, 여기에 더 기재된 바와 같이 수행될 수 있는 모델의 재트레이닝을 위해 기계 학습 기반의 모델(206)에 제공될 수 있다. 설계 데이터 및/또는 변경된 설계 데이터는 또한 기계 학습 기반의 모델에 제공될 수 있으며, 그리하여 설계 데이터 및/또는 변경된 설계 데이터는 기계 학습 기반의 모델에 의해 수행되는 하나 이상의 단계에 대하여 사용될 수 있다.
도 2에 더 도시된 바와 같이, 실제 웨이퍼 데이터(204)가 여기에 더 기재된 바와 같이 생성될 수 있다(예컨대, PWQ 및/또는 FEM 트레이닝 웨이퍼를 사용하여). 이 실제 웨이퍼 데이터는 생성적 모델(200)에 제공될 수 있으며, 그리하여 실제 웨이퍼 데이터는 생성적 모델을 트레이닝 및/또는 업데이트하도록 사용될 수 있다. 이 실제 웨이퍼 데이터는 또한 기계 학습 기반의 모델(206)에 제공될 수 있으며, 그리하여 기계 학습 기반의 모델의 재트레이닝은 실제 웨이퍼 데이터를 사용하여 수행될 수 있고, 이는 여기에 더 기재된 바와 같이 수행될 수 있다.
여기에 기재된 기계 학습 기반의 모델은 특정 표본(예컨대, 특정 웨이퍼 또는 레티클), 프로세스, 이미징 파라미터 등에 대하여 생성될 수 있다. 다르게 말하자면, 여기에 기재된 기계 학습 기반의 모델은 표본 특정(specimen specific), 프로세스 특정(process specific), 이미징 파라미터 특정(imaging parameter specific) 등일 수 있다. 이 방식으로, 상이한 기계 학습 기반의 모델이 상이한 웨이퍼 레이어에 대하여 생성될 수 있다. 또한, 상이한 기계 학습 기반의 모델이 상이한 이미징 파라미터 세트에 대하여(예컨대, 상이한 이미징 모드) 생성될 수 있다. 상이한 모델의 각각은 데이터의 상이한 트레이닝 세트를 이용해 생성될 수 있다. 데이터의 상이한 트레이닝 세트 각각은 여기에 더 기재된 바와 같이 생성될 수 있다.
여기에 기재된 실시예는 여기에 더 기재된 다수의 이점을 갖는다. 또한, 여기에 기재된 실시예는 검사 및 계측 애플리케이션에 사용가능한 트레이닝된 이미지 생성 모델을 달성하는 것의 100-100x 가속을 가능하게 할 수 있다.
상기 기재된 시스템 각각의 실시예의 각각은 다같이 하나의 단일 실시예로 결합될 수 있다.
또 다른 실시예는 기계 학습 기반의 모델을 트레이닝하기 위한 컴퓨터 구현 방법에 관한 것이다. 방법은 프로세스가 수행되는 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보를 획득하는 단계를 포함한다. 표본에 대하여 하나 이상의 시뮬레이션을 수행하도록 기계 학습 기반의 모델이 구성되고, 기계 학습 기반의 모델은 하나 이상의 추가 표본의 공칭 인스턴스에 대한 정보만으로 트레이닝된다. 방법은 또한, 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보로 기계 학습 기반의 모델을 재트레이닝하는 단계로서, 그리하여 기계 학습 기반의 모델에 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보의 전이 학습을 수행하는 것인, 단계를 포함한다. 획득하는 단계 및 재트레이닝하는 단계는 하나 이상의 컴퓨터 시스템에 의해 수행된다. 하나 이상의 컴퓨터 시스템에 의해 하나 이상의 컴포넌트가 실행되며, 하나 이상의 컴포넌트는 기계 학습 기반의 모델을 포함한다.
방법의 단계들 각각은 여기에 더 기재된 바와 같이 수행될 수 있다. 방법은 또한, 여기에 기재된 시스템, 컴퓨터 시스템(들), 및/또는 기계 학습 기반의 모델에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수 있다. 컴퓨터 시스템(들)은 여기에 기재된 임의의 실시예, 예컨대 컴퓨터 서브시스템(들)(102)에 따라 구성될 수 있다. 또한, 상기에 기재된 방법은 여기에 기재된 임의의 시스템 실시예에 의해 수행될 수 있다.
추가의 실시예는 기계 학습 기반의 모델을 트레이닝하기 위한 컴퓨터 구현 방법을 수행하도록 하나 이상의 컴퓨터 시스템 상에서 실행가능한 프로그램 명령어를 저장한 비일시적 컴퓨터 판독가능한 매체에 관한 것이다. 하나의 이러한 실시예가 도 3에 도시되어 있다. 구체적으로, 도 3에 도시된 바와 같이, 비일시적 컴퓨터 판독가능한 매체(300)는 컴퓨터 시스템(304) 상에서 실행가능한 프로그램 명령어(302)를 포함한다. 컴퓨터 구현 방법은 여기에 기재된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.
여기에 기재된 바와 같은 방법을 구현하는 프로그램 명령어(302)는 컴퓨터 판독가능한 매체(300) 상에 저장될 수 있다. 컴퓨터 판독가능한 매체는 자기 또는 광학 디스크, 자기 테이프, 또는 당해 기술 분야에 공지된 임의의 다른 적합한 비일시적 컴퓨터 판독가능한 매체와 같은 저장 매체일 수 있다.
프로그램 명령어는 무엇보다도 프로시저 기반의 기술, 컴포넌트 기반의 기술, 및/또는 객체 지향 기술을 포함하는 임의의 다양한 방식으로 구현될 수 있다. 예를 들어, 프로그램 명령어는 원하는 바에 따라 ActiveX controls, C++ objects, JavaBeans, MFC(Microsoft Foundation Classes), SSE(Streaming SIMD Extension) 또는 다른 기술 또는 방법을 사용하여 구현될 수 있다.
컴퓨터 시스템(들)(304)은 여기에 기재된 임의의 실시예에 따라 구성될 수 있다.
본 명세서를 고려하여 본 발명의 다양한 양상의 부가의 수정 및 대안의 실시예가 당해 기술 분야에서의 숙련자에게 명백할 것이다. 예를 들어, 반도체 애플리케이션에 대한 기계 학습 기반의 모델의 가속화된 트레이닝을 위한 방법 및 시스템이 제공된다. 따라서, 본 명세서는 단지 설명을 위한 것으로서 해석되어야 하고, 본 발명을 수행하는 일반적인 방식을 당해 기술 분야에서의 숙련자에게 교시할 목적인 것이다. 여기에 도시되고 기재된 발명의 형태는 본 바람직한 실시예로서 취해져야 할 것임을 이해하여야 한다. 본 발명의 설명의 이점을 얻은 후에 당해 기술 분야에서의 숙련자에게 전부 명백하듯이, 요소 및 재료는 여기에 예시되고 기재된 바에 대하여 교체될 수 있고, 부분 및 프로세스는 뒤바뀔 수 있으며, 본 발명의 특정 특징은 독립적으로 이용될 수 있다. 다음 청구항에 기재된 바와 같은 본 발명의 사상 및 범위에서 벗어나지 않고서 여기에 기재된 요소의 변경이 행해질 수 있다.

Claims (37)

  1. 기계 학습(machine learning) 기반의 모델을 트레이닝하도록 구성된 시스템에 있어서,
    하나 이상의 컴퓨터 서브시스템; 및
    상기 하나 이상의 컴퓨터 서브시스템에 의해 실행되는 하나 이상의 컴포넌트를 포함하고,
    상기 하나 이상의 컴포넌트는,
    표본(specimens)에 대하여 마스크 검사, 웨이퍼 검사, 및 웨이퍼 계측의 목적으로 하나 이상의 시뮬레이션을 수행하도록 구성된 기계 학습 기반의 모델을 포함하고, 상기 표본은 반도체 웨이퍼 또는 레티클을 포함하며, 상기 기계 학습 기반의 모델은 상기 표본 중 하나 이상의 표본의 공칭 인스턴스(nominal instance)에 대한 정보로만 트레이닝되고, 상기 공칭 인스턴스는 상기 하나 이상의 표본 상에 결함이 존재하지 않는 인스턴스를 포함하고,
    상기 하나 이상의 컴퓨터 서브시스템은,
    상기 표본 중 하나 이상의 표본의 비-공칭 인스턴스(non-nominal instance)에 대한 정보를 획득하도록 구성되고 - 상기 비-공칭 인스턴스는 상기 하나 이상의 표본 상에 결함이 있는 인스턴스를 포함하고, 상기 결함은 설계에 하나 이상의 합성(synthetic) 결함을 만들도록 상기 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 상기 하나 이상의 합성 결함을 포함함 - ;
    상기 하나 이상의 컴퓨터 서브시스템은 또한,
    상기 표본 중 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보로 상기 기계 학습 기반의 모델을 재트레이닝(re-training)함으로써, 상기 기계 학습 기반의 모델에 상기 표본 중 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보의 전이 학습(transfer learning)을 수행하도록 구성되고,
    상기 기계 학습 기반의 모델의 트레이닝 및 재트레이닝은 상기 전이 학습에 대응하되, 상기 표본 중 하나 이상의 표본의 공칭 인스턴스로 수행된 상기 트레이닝이 상기 전이 학습의 소스 작업에 대한 트레이닝이고, 비-공칭 인스턴스를 이용한 상기 재트레이닝이 타겟 작업에 대한 상기 기계 학습 기반의 모델의 트레이닝에 대응하고, 상기 타겟 작업은 상기 표본에 대하여 마스크 검사, 웨이퍼 검사, 및 웨이퍼 계측의 목적으로 상기 하나 이상의 시뮬레이션을 수행하는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  2. 청구항 1에 있어서, 상기 하나 이상의 시뮬레이션을 수행하는 것은,
    상기 표본 중 하나의 표본에 대하여 하나 이상의 시뮬레이트된 이미지를 생성하는 것 - 상기 하나 이상의 시뮬레이트된 이미지는 상기 표본 중 하나의 표본이 이미징 시스템에 의해 생성된 상기 표본 중 하나의 표본의 하나 이상의 실제 이미지에서 어떻게 나타나는지 보여줌 - ; 또는
    상기 표본 중 하나의 표본에 대하여 하나 이상의 시뮬레이트된 측정을 생성하는 것 - 상기 하나 이상의 시뮬레이트된 측정은 계측 시스템에 의해 상기 표본 중 하나의 표본에 대하여 생성된 출력을 나타냄 -
    을 포함하는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  3. 청구항 2에 있어서, 상기 이미징 시스템은,
    광학 기반의 이미징 시스템; 또는
    전자 빔 기반의 이미징 시스템인 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  4. 청구항 1에 있어서,
    상기 재트레이닝은, 트레이닝된 기계 학습 기반의 방법의 콘볼루션 레이어의 모든 가중치를 전이(transferring)하고 상기 트레이닝된 기계 학습 기반의 방법의 완전히 이어진 레이어(fully connected layers)의 가중치를 미세 조정하는 것을 포함하거나;
    상기 설계 내의 합성 결함은 전자 설계 자동화 툴에 의해 생성되는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  5. 청구항 1에 있어서, 상기 시스템은 또한, 프로세스의 하나 이상의 파라미터의 둘 이상의 상이한 값들로 상기 프로세스를 수행함으로써 결함을 생성하도록 구성되는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  6. 청구항 5에 있어서, 상기 프로세스는
    프로세스 윈도우 인정 방법(process window qualification method); 또는
    오버레이 마진 결정을 위해 설계된 프로세스 윈도우 인정 방법; 또는
    포커스 노출 매트릭스 방법(focus exposure matrix method)
    에 해당하는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  7. 청구항 1에 있어서, 상기 하나 이상의 컴포넌트는, 설계에 합성 결함을 만들도록 상기 설계를 변경하도록 구성된 인셉션(inception) 모듈을 더 포함하는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  8. 청구항 1에 있어서, 상기 비-공칭 인스턴스에 대한 정보는,
    상기 합성 결함이 인쇄되어 있는 상기 하나 이상의 표본에 대하여 이미징 또는 계측 시스템에 의해 생성된 출력; 또는
    상기 합성 결함이 인쇄되어 있는 상기 하나 이상의 표본을 나타내는, 또다른 모델의 출력; 또는
    상기 합성 결함이 인쇄되어 있는 상기 하나 이상의 표본이 이미징 시스템에 의해 생성된 상기 표본의 하나 이상의 실제 이미지에서 어떻게 나타나는지 보여주는, 또다른 모델의 출력; 또는
    상기 합성 결함이 인쇄되어 있는 상기 하나 이상의 표본에 대하여 계측 시스템에 의해 생성된 출력을 나타내는, 또다른 모델의 출력; 또는
    상기 합성 결함이 인쇄되어 있는 상기 하나 이상의 표본에 대하여 또다른 시스템에 의해 생성된 출력을 나타내는, 또다른 모델의 출력 - 상기 또다른 모델은 심층 생성적 모델(deep generative model)임 - ; 또는
    상기 변경된 설계
    를 포함하는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  9. 청구항 1에 있어서,
    상기 하나 이상의 컴포넌트는, 상기 하나 이상의 표본의 공칭 인스턴스에 대한 정보를 만들도록 구성된 심층 생성적 모델을 더 포함하거나; 또는
    상기 하나 이상의 컴포넌트는 하나 이상의 추가 컴포넌트를 더 포함하고, 상기 재트레이닝은 상기 하나 이상의 추가 컴포넌트를 사용하여 수행되고, 상기 하나 이상의 추가 컴포넌트는 적대 네트워크(adversarial network), 심층 적대 생성적 네트워크(deep adversarial generative network), 적대 오토인코더(adversarial autoencoder), 베이지안 신경망(Bayesian Neural Network), 변분 베이지안 방법(variational Bayesian method)을 위해 구성된 컴포넌트, 사다리형 네트워크(ladder network), 또는 이들의 일부 조합을 포함하는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  10. 청구항 1에 있어서, 상기 하나 이상의 표본의 공칭 인스턴스는,
    자연 장면(natural scene) 이미지; 또는
    광학 빔과 전자 빔 중 적어도 하나를 포함하는 상이한 이미징 유형들을 사용하여 생성된 하나보다 많은 유형의 데이터를 포함하는 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  11. 청구항 1에 있어서, 상기 기계 학습 기반의 모델은,
    판별 모델(discriminative model); 또는
    신경망(neural network); 또는
    콘볼루션(convolution) 및 디콘볼루션(deconvolution) 신경망인 것인, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  12. 청구항 1에 있어서,
    상기 표본의 전자 빔 이미지를 생성하도록 구성된 전자 빔 기반의 이미징 서브시스템 - 상기 하나 이상의 컴퓨터 서브시스템은 또한, 상기 전자 빔 기반의 이미징 서브시스템으로부터 상기 전자 빔 이미지를 수신하도록 구성됨 - ; 또는
    상기 표본의 광학 이미지를 생성하도록 구성된 광학 기반의 이미징 서브시스템 - 상기 하나 이상의 컴퓨터 서브시스템은 또한, 상기 광학 기반의 이미징 서브시스템으로부터 상기 광학 이미지를 수신하도록 구성됨 - ; 또는
    상기 표본에 대한 출력을 생성하도록 구성된 검사 서브시스템 - 상기 하나 이상의 컴퓨터 서브시스템은 또한, 상기 검사 서브시스템으로부터 상기 출력을 수신하고 상기 출력에 기초하여 상기 표본 상의 결함을 검출하도록 구성됨 - ; 또는
    상기 표본 상에서 검출된 결함에 대한 출력을 생성하도록 구성된 결함 검토 서브시스템 - 상기 하나 이상의 컴퓨터 서브시스템은 또한, 상기 결함 검토 서브시스템으로부터 상기 출력을 수신하고 상기 출력에 기초하여 상기 표본 상에서 검출된 결함의 특성을 결정하도록 구성됨 - ; 또는
    상기 표본에 대한 출력을 생성하도록 구성된 계측 서브시스템 - 상기 하나 이상의 컴퓨터 서브시스템은 또한, 상기 계측 서브시스템으로부터 상기 출력을 수신하고 상기 출력에 기초하여 상기 표본의 특성을 결정하도록 구성됨 - ; 또는
    상기 표본에 대해 하나 이상의 제조 프로세스를 수행하도록 구성된 반도체 제조 서브시스템
    을 더 포함하는, 기계 학습 기반의 모델을 트레이닝하도록 구성된 시스템.
  13. 기계 학습 기반의 모델을 트레이닝하기 위한 컴퓨터 구현 방법에 있어서,
    하나 이상의 표본의 비-공칭 인스턴스에 대한 정보를 획득하는 단계로서, 상기 표본에 대하여 마스크 검사, 웨이퍼 검사, 및 웨이퍼 계측의 목적으로 하나 이상의 시뮬레이션을 수행하도록 기계 학습 기반의 모델이 구성되고, 상기 표본은 반도체 웨이퍼 또는 레티클을 포함하며, 상기 기계 학습 기반의 모델은 하나 이상의 추가 표본의 공칭 인스턴스에 대한 정보로만 트레이닝되고, 상기 공칭 인스턴스는 상기 하나 이상의 표본 상에 결함이 존재하지 않는 인스턴스를 포함하고, 상기 비-공칭 인스턴스는 상기 하나 이상의 표본 상에 결함이 있는 인스턴스를 포함하고, 상기 결함은 설계에 하나 이상의 합성 결함을 만들도록 상기 하나 이상의 표본에 대한 설계를 변경함으로써 생성된 상기 하나 이상의 합성 결함을 포함하는 것인, 상기 획득하는 단계; 및
    상기 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보로 상기 기계 학습 기반의 모델을 재트레이닝하는 단계로서, 그리하여 상기 기계 학습 기반의 모델에 상기 하나 이상의 표본의 비-공칭 인스턴스에 대한 정보의 전이 학습을 수행하는 것인, 상기 재트레이닝하는 단계
    를 포함하고,
    상기 획득하는 단계 및 상기 재트레이닝하는 단계는 하나 이상의 컴퓨터 시스템에 의해 수행되고, 상기 하나 이상의 컴퓨터 시스템에 의해 하나 이상의 컴포넌트가 실행되며, 상기 하나 이상의 컴포넌트는 상기 기계 학습 기반의 모델을 포함하고,
    상기 기계 학습 기반의 모델의 트레이닝 및 재트레이닝은 상기 전이 학습에 대응하되, 상기 표본 중 하나 이상의 표본의 공칭 인스턴스로 수행된 트레이닝이 상기 전이 학습의 소스 작업에 대한 트레이닝이고, 비-공칭 인스턴스를 이용한 재트레이닝이 타겟 작업에 대한 상기 기계 학습 기반의 모델의 트레이닝에 대응하고, 상기 타겟 작업은 상기 표본에 대하여 마스크 검사, 웨이퍼 검사, 및 웨이퍼 계측의 목적으로 상기 하나 이상의 시뮬레이션을 수행하는 것인, 기계 학습 기반의 모델을 트레이닝하기 위한 컴퓨터 구현 방법.
  14. 청구항 13의 기계 학습 기반의 모델을 트레이닝하기 위한 컴퓨터 구현 방법을 수행하도록 하나 이상의 컴퓨터 시스템 상에서 실행가능한 프로그램 명령어를 저장한 비일시적 컴퓨터 판독가능한 매체.
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
  21. 삭제
  22. 삭제
  23. 삭제
  24. 삭제
  25. 삭제
  26. 삭제
  27. 삭제
  28. 삭제
  29. 삭제
  30. 삭제
  31. 삭제
  32. 삭제
  33. 삭제
  34. 삭제
  35. 삭제
  36. 삭제
  37. 삭제
KR1020187021817A 2015-12-31 2016-12-30 반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝 Active KR102812577B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562273985P 2015-12-31 2015-12-31
US62/273,985 2015-12-31
US15/394,792 2016-12-29
US15/394,792 US9916965B2 (en) 2015-12-31 2016-12-29 Hybrid inspectors
PCT/US2016/069580 WO2017117568A1 (en) 2015-12-31 2016-12-30 Accelerated training of a machine learning based model for semiconductor applications

Publications (2)

Publication Number Publication Date
KR20180090385A KR20180090385A (ko) 2018-08-10
KR102812577B1 true KR102812577B1 (ko) 2025-05-23

Family

ID=59225974

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187021817A Active KR102812577B1 (ko) 2015-12-31 2016-12-30 반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝

Country Status (6)

Country Link
EP (1) EP3398123B1 (ko)
JP (1) JP6941103B2 (ko)
KR (1) KR102812577B1 (ko)
CN (1) CN108475351B (ko)
IL (1) IL259705B (ko)
WO (1) WO2017117568A1 (ko)

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10948831B2 (en) * 2017-02-24 2021-03-16 Asml Netherlands B.V. Methods of determining process models by machine learning
KR102468979B1 (ko) * 2018-03-05 2022-11-18 케이엘에이 코포레이션 3차원 반도체 구조의 시각화
US10677742B2 (en) * 2018-03-09 2020-06-09 Kla-Tencor Corp. Detecting die repeating programmed defects located in backgrounds with non-repeating features
US10969773B2 (en) * 2018-03-13 2021-04-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
US10789703B2 (en) * 2018-03-19 2020-09-29 Kla-Tencor Corporation Semi-supervised anomaly detection in scanning electron microscope images
DE102018207880A1 (de) 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
DE102018207882A1 (de) 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Vorrichtung und Verfahren zur Analyse eines Elements eines Photolithographieprozesses mit Hilfe eines Transformationsmodells
DE102018209562B3 (de) 2018-06-14 2019-12-12 Carl Zeiss Smt Gmbh Vorrichtungen und Verfahren zur Untersuchung und/oder Bearbeitung eines Elements für die Photolithographie
US10732130B2 (en) * 2018-06-19 2020-08-04 Kla-Tencor Corporation Embedded particle depth binning based on multiple scattering signals
DE102018211099B4 (de) 2018-07-05 2020-06-18 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses
KR102513707B1 (ko) * 2018-09-03 2023-03-23 가부시키가이샤 프리퍼드 네트웍스 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법
US10705514B2 (en) * 2018-10-09 2020-07-07 Applied Materials, Inc. Adaptive chamber matching in advanced semiconductor process control
US10930531B2 (en) 2018-10-09 2021-02-23 Applied Materials, Inc. Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes
US10657214B2 (en) 2018-10-09 2020-05-19 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
US20220012404A1 (en) * 2018-12-11 2022-01-13 Tasmit, Inc. Image matching method and arithmetic system for performing image matching process
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
JP7570004B2 (ja) * 2019-02-19 2024-10-21 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
US11947890B2 (en) 2019-05-10 2024-04-02 Sandisk Technologies Llc Implementation of deep neural networks for testing and quality control in the production of memory devices
US12124247B2 (en) 2019-05-10 2024-10-22 Sandisk Technologies Llc Implementation of deep neural networks for testing and quality control in the production of memory devices
CN114190103A (zh) * 2019-05-14 2022-03-15 海底Ip英国有限公司 用于石油和天然气遥测系统的具有系统在环的机器学习技术
CN113439276B (zh) * 2019-05-22 2025-03-28 应用材料以色列公司 基于机器学习的半导体样本中的缺陷分类
US12293279B2 (en) 2019-08-29 2025-05-06 Synopsys, Inc. Neural network based mask synthesis for integrated circuits
EP3796230B1 (en) * 2019-09-17 2022-03-09 Imec VZW A method for determining process limits of a semiconductor process
CN110648935A (zh) * 2019-09-25 2020-01-03 上海众壹云计算科技有限公司 一种运用ai模型的半导体制造缺陷动态随机取样方法
US11341304B2 (en) * 2019-12-10 2022-05-24 Microchip Technology Inc. Machine learning based methods and apparatus for integrated circuit design delay calculation and verification
US11816411B2 (en) 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
WO2021197730A1 (en) * 2020-04-02 2021-10-07 Asml Netherlands B.V. Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
EP3910417A1 (en) * 2020-05-13 2021-11-17 ASML Netherlands B.V. Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
WO2021205445A1 (en) * 2020-04-06 2021-10-14 Nova Ltd Machine and deep learning methods for spectra-based metrology and process control
US12051183B2 (en) * 2020-04-30 2024-07-30 KLA Corp. Training a machine learning model to generate higher resolution images from inspection images
JP7424909B2 (ja) 2020-05-18 2024-01-30 株式会社日立製作所 処理条件探索装置および処理条件探索方法
JP7492389B2 (ja) * 2020-07-03 2024-05-29 株式会社ホロン 画像検査装置および画像検査方法
US12321876B2 (en) * 2020-07-21 2025-06-03 UiPath, Inc. Artificial intelligence / machine learning model drift detection and correction for robotic process automation
US11289387B2 (en) 2020-07-31 2022-03-29 Applied Materials, Inc. Methods and apparatus for backside via reveal processing
US11328410B2 (en) * 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
US11562476B2 (en) * 2020-09-03 2023-01-24 Applied Materials Israel Ltd. Determination of a simulated image of a specimen
JP7527902B2 (ja) 2020-09-04 2024-08-05 キオクシア株式会社 情報処理装置
JP7670959B2 (ja) * 2021-04-13 2025-05-01 横浜ゴム株式会社 事前学習モデルを利用したターゲットモデル生成方法、評価データ予測方法、事前学習モデルを利用して生成されたターゲットモデルを記録したコンピュータ読取可能な記録媒体並びに事前学習モデルを利用したターゲットモデル生成方法のプログラム及び評価データ予測方法のプログラム
US12020418B2 (en) * 2021-04-22 2024-06-25 Taiwan Semiconductor Manufacturing Company, Ltd. Image processing method and system, and non-transitory computer readable medium
IL308126A (en) * 2021-05-06 2023-12-01 Asml Netherlands Bv A method for determining a stochastic index related to a lithographic process
CN113344886A (zh) * 2021-06-11 2021-09-03 长江存储科技有限责任公司 晶圆表面缺陷检测方法和设备
JP2023005735A (ja) * 2021-06-29 2023-01-18 株式会社アルバック 数理モデル取得装置、推定装置、数理モデル取得方法、推定方法及びプログラム
KR20230013995A (ko) * 2021-07-20 2023-01-27 삼성전자주식회사 공정 시뮬레이션 모델 생성 방법 및 장치
WO2023033884A1 (en) * 2021-09-02 2023-03-09 Sandisk Technologies Llc Implementation of deep neural networks for testing and quality control in the production of memory devices
US20230089092A1 (en) * 2021-09-23 2023-03-23 Applied Materials, Inc. Machine learning platform for substrate processing
US20250003899A1 (en) * 2021-11-12 2025-01-02 Asml Netherlands B.V. Method and system of image analysis and critical dimension matching for charged-particle inspection apparatus
WO2023097068A1 (en) * 2021-11-28 2023-06-01 D2S, Inc. Interactive compaction tool for electronic design automation
CN114664395B (zh) * 2022-03-25 2024-11-22 上海交通大学 基于神经网络和贝叶斯优化的热辐射材料设计方法及系统
WO2023223535A1 (ja) * 2022-05-20 2023-11-23 株式会社日立ハイテク 探索装置および探索方法並びに半導体装置製造システム
US20240353759A1 (en) * 2023-04-19 2024-10-24 Kla Corporation Full Wafer Measurement Based On A Trained Full Wafer Measurement Model
WO2025051477A1 (en) * 2023-09-05 2025-03-13 Asml Netherlands B.V. Semi-supervised, self-supervised, and reinforcement learning machine learning models for mask prediction

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080255786A1 (en) 2007-04-12 2008-10-16 Tokyo Electron Limited Optical metrology using support vector machine with profile parameter inputs
US20150204799A1 (en) 2014-01-21 2015-07-23 International Business Machines Corporation Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5212765A (en) * 1990-08-03 1993-05-18 E. I. Du Pont De Nemours & Co., Inc. On-line training neural network system for process control
JP3288066B2 (ja) * 1992-03-10 2002-06-04 富士通株式会社 ネットワーク構成データ処理装置の学習処理方法およびシステム
US7167583B1 (en) 2000-06-28 2007-01-23 Landrex Technologies Co., Ltd. Image processing system for use with inspection systems
US6891627B1 (en) 2000-09-20 2005-05-10 Kla-Tencor Technologies Corp. Methods and systems for determining a critical dimension and overlay of a specimen
KR100979484B1 (ko) 2002-07-15 2010-09-02 케이엘에이-텐코 코포레이션 다른 리소그래픽 과정 변수들을 위한 레티클의 가상 이미지를 얻는 것을 포함하는 결점 조사 방법
US6902855B2 (en) 2002-07-15 2005-06-07 Kla-Tencor Technologies Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns
US20040267397A1 (en) 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
US7729529B2 (en) 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
US7769225B2 (en) 2005-08-02 2010-08-03 Kla-Tencor Technologies Corp. Methods and systems for detecting defects in a reticle design pattern
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
WO2007120279A2 (en) * 2005-11-18 2007-10-25 Kla-Tencor Technologies Corporation 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
US8102408B2 (en) * 2006-06-29 2012-01-24 Kla-Tencor Technologies Corp. Computer-implemented methods and systems for determining different process windows for a wafer printing process for different reticle designs
US7792353B2 (en) * 2006-10-31 2010-09-07 Hewlett-Packard Development Company, L.P. Retraining a machine-learning classifier using re-labeled training samples
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US8213704B2 (en) 2007-05-09 2012-07-03 Kla-Tencor Corp. Methods and systems for detecting defects in a reticle design pattern
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
US8041106B2 (en) 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
US8533222B2 (en) * 2011-01-26 2013-09-10 Google Inc. Updateable predictive analytical modeling
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
US8468471B2 (en) * 2011-09-23 2013-06-18 Kla-Tencor Corp. Process aware metrology
US8570531B2 (en) * 2011-12-11 2013-10-29 Tokyo Electron Limited Method of regenerating diffraction signals for optical metrology systems
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
CN102937784A (zh) * 2012-10-30 2013-02-20 中冶南方工程技术有限公司 基于人工神经网络的铸坯质量在线预报的控制方法
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US10502694B2 (en) * 2013-08-06 2019-12-10 Kla-Tencor Corporation Methods and apparatus for patterned wafer characterization
US11170255B2 (en) * 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080255786A1 (en) 2007-04-12 2008-10-16 Tokyo Electron Limited Optical metrology using support vector machine with profile parameter inputs
US20150204799A1 (en) 2014-01-21 2015-07-23 International Business Machines Corporation Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services

Also Published As

Publication number Publication date
EP3398123A4 (en) 2019-08-28
IL259705B (en) 2021-07-29
CN108475351B (zh) 2022-10-04
WO2017117568A1 (en) 2017-07-06
JP6941103B2 (ja) 2021-09-29
CN108475351A (zh) 2018-08-31
JP2019508789A (ja) 2019-03-28
EP3398123A1 (en) 2018-11-07
IL259705A (en) 2018-07-31
KR20180090385A (ko) 2018-08-10
EP3398123B1 (en) 2025-03-12

Similar Documents

Publication Publication Date Title
KR102812577B1 (ko) 반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝
US11580375B2 (en) Accelerated training of a machine learning based model for semiconductor applications
TWI773888B (zh) 訓練用於低解析度影像中之缺陷偵測之神經網路
EP3350654B1 (en) Generating simulated images from design information
EP3465174B1 (en) Generating simulated images from input images for semiconductor applications
US10186026B2 (en) Single image detection
KR102321953B1 (ko) 다양한 모댈리티들로 획득된 이미지들의 정렬을 위한 학습 기반 접근 방식
CN108463876B (zh) 为样品产生模拟输出
JP2019537839A (ja) 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法

Legal Events

Date Code Title Description
PA0105 International application

St.27 status event code: A-0-1-A10-A15-nap-PA0105

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000

PN2301 Change of applicant

St.27 status event code: A-3-3-R10-R13-asn-PN2301

St.27 status event code: A-3-3-R10-R11-asn-PN2301

A201 Request for examination
PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

GRNT Written decision to grant
PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U12-oth-PR1002

Fee payment year number: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000