[go: up one dir, main page]

TW201939564A - 使用設計以補償掃描電子顯微鏡束之失真引起之計量誤差 - Google Patents

使用設計以補償掃描電子顯微鏡束之失真引起之計量誤差 Download PDF

Info

Publication number
TW201939564A
TW201939564A TW108100138A TW108100138A TW201939564A TW 201939564 A TW201939564 A TW 201939564A TW 108100138 A TW108100138 A TW 108100138A TW 108100138 A TW108100138 A TW 108100138A TW 201939564 A TW201939564 A TW 201939564A
Authority
TW
Taiwan
Prior art keywords
design clip
image
storage medium
metrology
composite
Prior art date
Application number
TW108100138A
Other languages
English (en)
Other versions
TWI781272B (zh
Inventor
哈利 希里拉曼 帕薩吉
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201939564A publication Critical patent/TW201939564A/zh
Application granted granted Critical
Publication of TWI781272B publication Critical patent/TWI781272B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • H10P74/203—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • 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
    • G06N3/047—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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical, image processing or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • H10P74/23—
    • H10P74/27—
    • 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
    • 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
    • G06T2207/20216—Image averaging
    • 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
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2814—Measurement of surface topography
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/282—Determination of microscope properties
    • H01J2237/2826—Calibration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Image Processing (AREA)

Abstract

本發明揭示用於量化且校正用於計量操作之影像中之不均勻性之方法及系統。可使用一晶圓之一計量區域影像及一設計剪輯。該計量區域影像可為一掃描電子顯微鏡影像。該設計剪輯可為該晶圓之該設計剪輯或一合成設計剪輯。可量化且校正包含電子束失真之工具失真。可將該設計剪輯應用至該計量區域影像以獲得一合成影像，使得一或多個程序改變變動被抑制且一或多個工具失真被增強。

Description

使用設計以補償掃描電子顯微鏡束之失真引起之計量誤差
本發明係關於半導體晶圓計量。
半導體製造行業之演進對良率管理及特定言之計量及檢測系統提出更高要求。臨界尺寸在縮小而晶圓大小在增大。經濟性在驅動行業縮短達成高良率、高價值生產之時間。最小化從偵測到一良率問題至解決它之總時間判定一半導體製造商之投資報酬率。
製造諸如邏輯及記憶體裝置之半導體裝置通常包含使用大量製程處理一半導體晶圓以形成半導體裝置之各種特徵及多個層級。例如，微影術係涉及將一圖案從一倍縮光罩轉印至配置於一半導體晶圓上之一光阻劑之一半導體製程。半導體製程之額外實例包含(但不限於)化學機械拋光(CMP)、蝕刻、沈積及離子植入。可在一單一半導體晶圓上之一配置中製造多個半導體裝置且接著將其等分離為個別半導體裝置。
在半導體製造期間之各種步驟使用計量程序來監測且控制程序。計量程序與檢測程序不同之處在於：不同於其中在晶圓上偵測缺陷之檢測程序，計量程序用於量測無法使用現有之檢測工具判定之晶圓之一或多個特性。計量程序可用於量測晶圓之一或多個特性，使得一程序之效能可自一或多個特性判定。例如，計量程序可量測在程序期間形成於晶圓上之特徵之一尺寸(例如，線寬、厚度等)。另外，若晶圓之一或多個特性係不可接受的(例如，在該(等)特性之一預定範圍之外)，則可使用晶圓之一或多個特性之量測來更改程序之一或多個參數，使得由該程序製造之額外晶圓具有(若干)可接受特性。
隨著先進技術節點中之圖案密度及複雜度增大，使用一掃描電子顯微鏡(SEM)之自動化線內計量操作正主張先進程序控制中之一增大之份額。然而，使用SEM獲得之影像容易受到跨視野(FOV)之特定不均勻性影響。此等不均勻性之大部分對於一缺陷檢視、分類或類似練習係可容忍或可忽略的。然而，FOV內或跨FOV之此等不均勻性可導致一計量操作中之系統性或隨機量測誤差。
一些不均勻性可包含SEM束引發之失真，其等源自束位置誤差、束點大小誤差、像散校正(stigmation)誤差或其他原因。所成像之一些層亦可歸因於在FOV邊緣處之主光束偏轉而展現此行為。此等誤差通常可引發在晶圓之不同部分處之一單一FOV內或跨多個FOV之影像失真。
圖5至圖8係藉由比較示範不均勻性或程序系統性之例示性SEM影像。圖5係不具有跨FOV之可見失真之一清晰影像。圖6係具有跨FOV之失真之一失真影像。在圖6之接觸孔陣列區中，在FOV之邊緣處之接觸點歸因於用於成像之一未校準束而失真。失真接觸孔之直徑量測將歸因於失真效應而受影響。
圖7係不具有程序系統性之一清晰影像。FOV中之接觸點之平均直徑係類似的。圖8係具有程序系統性之一影像。FOV中之接觸點之平均直徑係不同的。就束失真而言，圖8之影像可被標記為一未失真清晰影像。
增加此問題之複雜度的是，跨多個圖框對許多SEM影像求平均值。此等失真可不恆定貢獻於個別圖框。SEM影像可展現帶電假影或展示所成像之結構之不實表示。
雖然此等失真可對於檢視或分類係不關鍵的，但計量操作之效能可藉由量化且校正其等而改良。因此，需要半導體晶圓度量之改良方法及系統。
在一第一實施例中，提供一種補償掃描電子顯微鏡束之失真引起之計量誤差之方法。在一處理器處接收一晶圓之一計量區域影像及來自一儲存媒體之一設計剪輯(design clip)。使用該處理器將該設計剪輯應用於該計量區域影像，藉此獲得一合成影像。一或多個程序改變變動被抑制且一或多個工具失真被增強。可對該合成影像執行計量操作。
該設計剪輯可為該晶圓之一設計或一合成設計剪輯。該合成設計剪輯可憑藉一機器演算法使用該等程序改變變動且將該合成設計剪輯傳送至該儲存媒體而產生。產生該合成設計剪輯可進一步包含在一機器學習模組處接收來自一或多個程序調變晶圓之影像及資料且在該機器學習模組處使用該機器演算法學習該等程序改變變動。該機器演算法可為一深度學習演算法。
該計量區域影像可為一掃描電子顯微鏡影像或複數個掃描電子顯微鏡影像之一平均值。
該儲存媒體可為一永久性、非暫時性儲存媒體。
可使用一掃描電子顯微鏡獲得該晶圓之該計量區域影像。
可基於該等計量操作調諧一晶圓計量工具之系統組件以減小失真。
在一第二實施例中，提供一種補償失真引起之計量誤差之系統。該系統包含：一晶圓計量工具，其經組態以產生一計量區域影像；及一處理器，其與該晶圓計量工具電子通信。該處理器經組態以接收且應用一設計剪輯至該計量區域影像，使得一或多個程序改變變動被抑制，且一或多個工具失真被增強，藉此獲得一合成影像。該晶圓計量工具可為一掃描電子顯微鏡。
該系統可包含含有該設計剪輯之一電子資料儲存媒體。該電子資料儲存媒體可與該處理器電子通信。
該處理器可經組態以對該合成影像執行計量操作。
該設計剪輯可為一合成設計剪輯。在此例項中，該系統包含一機器學習模組，該機器學習模組經組態以：接收來自一或多個程序調變晶圓之影像及資料；使用該等影像及資料學習該等程序改變變動；及使用該等程序改變變動產生該合成設計剪輯。
在一第三實施例中，提供一種非暫時性電腦可讀儲存媒體，其包括用於在一或多個運算裝置上執行步驟之一或多個程式。該等步驟可包含：應用一設計剪輯至一計量區域影像，藉此獲得一合成影像，使得一或多個程序改變變動被抑制且一或多個工具失真被增強；及發送指令以對該合成影像執行計量操作。
該設計剪輯可為一合成設計剪輯。在此例項中，該等步驟包含憑藉一機器演算法使用該等程序改變變動產生該合成設計剪輯。該機器演算法可為一深度學習演算法。
該計量區域影像可為一掃描電子顯微鏡影像或複數個掃描電子顯微鏡影像之一平均值。
相關申請案之交叉參考
此申請案主張2018年1月5日申請且指派為申請案第201841000566號之印度專利申請案及2018年2月26日申請且指派為美國申請案第62/635,316號之臨時專利申請案之優先權，該等案之揭示內容以引用的方式併入本文中。
儘管依據特定實施例描述所主張之標的物，然其他實施例(包含未提供本文中闡述之全部益處及特徵之實施例)亦在本發明之範疇內。可在不脫離本發明之範疇的情況下做出各種結構、邏輯、程序步驟及電子改變。因此，僅參考隨附發明申請專利範圍定義本發明之範疇。
本發明之實施例提供一種用於量化且校正用於計量操作中之影像中之不均勻性之方法及系統。可量化工具失真。可考慮該等失真之圖框級行為，且可酌情校正該等失真。在一例項中，SEM影像及設計剪輯用於量化且校正FOV失真。
本文揭示之實施例可藉由使用線內演算法來校正可包含電子束失真之工具失真而改良計量操作。對計量操作之改良可基於經量化失真。
然而，並非所有失真係工具失真。特定言之，隨機程序可變性可引發圖案保真度之改變，此產生程序改變變動。因此，本文揭示之實施例亦可將工具失真與程序改變變動隔離。
參考圖1，一設計剪輯101含有設計多邊形105。設計剪輯101可為進行計量量測之晶圓之一設計。圖1亦繪示藉由對多個個別圖框求平均值而編譯之一SEM影像102、SEM影像102上方之設計多邊形之一疊對103及一合成影像104。此等僅係實例。其他裝置設計、影像、疊對或合成影像係可能的。
圖2展示使用一設計剪輯來改良一計量程序之一方法200之一實施例。方法200可補償SEM束失真引發之計量誤差。
在步驟201中接收一晶圓之一計量區域影像(諸如圖1之SEM影像102)。計量區域影像可為一SEM影像或複數個SEM影像之一平均值。在步驟203中，自一電子資料儲存媒體202接收一設計剪輯，該電子資料儲存媒體202可為一永久性、非暫時性儲存媒體。設計剪輯可為晶圓之一設計。設計剪輯亦可為如相對於圖3描述之一合成設計剪輯。
雖然揭示SEM影像，但亦可使用透射電子顯微術(TEM)影像。
在步驟204中，將設計剪輯應用至計量區域影像，使得程序改變變動被抑制且工具失真被增強。例如，圖7及圖8係示範工具失真之增強及程序改變變動之抑制之例示性SEM影像。本文揭示之實施例可(例如)抑制圖6中所見之失真同時保持圖8中所見之改變。可需要識別或擷取此等改變。
可使用一影像比較及呈現程序將設計剪輯應用至計量區域影像。此可確保設計剪輯與SEM影像儘可能接近地匹配。機器學習可協助影像比較及呈現。
返回參考圖2，使用步驟204獲得一合成影像。在步驟205中，可對合成影像執行計量操作。例如，計量可用於量化且減除失真效應。可使用SEM影像來執行額外量測。
設計剪輯可用作量化計量區域影像中之失真之一參考。若計量區域影像及設計剪輯中之所有差異係由(例如) SEM束、SEM系統硬體或SEM系統軟體引起，則可隔離及/或量化失真。在隔離及/或量化失真之後，可在計量操作期間使用一演算法來校正失真。因此，可執行調諧。
圖2之實施例可改良由一檢測工具產生之計量結果之準確度及精確度，此可促成更嚴格程序控制資料。
計量區域影像可使用一SEM獲得，該SEM亦可執行計量操作。在另一例項中，不同計量系統可獲得計量區域影像且執行進一步計量操作。
計量區域影像與設計剪輯之間的差異可能並非皆來自SEM束、SEM系統硬體或SEM系統軟體。隨機程序可變性可引發圖案保真度之改變。在此等例項中，可需要隔離來源於工具失真及程序改變之計量區域影像與設計剪輯之間的差異。來自程序調變晶圓之影像及資料可用於產生一合成設計剪輯以解決此問題。
圖3展示產生且儲存一合成設計剪輯之一方法300之一實施例。在一機器學習模組處接收來自一或多個程序調變晶圓301之影像或影像及資料。資料可包含(例如)與對準程序及/或呈現相關之後設資料。在步驟302，可在機器學習模組處將影像或影像及資料輸入至一機器或深度學習演算法中以學習程序改變變動。此等程序改變變動在步驟303中用來產生一合成設計剪輯，其在步驟304中與一電子資料儲存媒體305通信及/或儲存於電子資料儲存媒體305中。可使用一疊對及呈現程序產生設計剪輯。電子資料儲存媒體305中之合成設計剪輯可接著用於一或多個計量或檢測步驟中。合成設計剪輯可在多個訓練週期內抑制跨FOV之程序變動且增強束工具引發之失真。在訓練週期之數目增加的情況下，機器學習可變得更佳且更穩健，此係因為額外影像或資料可用於學習。
機器演算法可為一深度學習演算法。深度學習演算法可係具有一組權重之一深度學習神經網路，該組權重根據已被饋送給該深度學習神經網路來訓練它之資料模型化世界。神經網路可大體上被定義為基於鬆散地模型化一生物大腦使用藉由軸突連接之生物神經元之相對大叢集解決問題之方式之神經單元之一相對大集合之一運算方法。各神經單元與許多其他神經單元連接，且連結可強制執行或抑制其等對經連接神經單元之激發狀態之效應。此等系統係自我學習且被訓練而非明確程式化且可在解決方案或特徵偵測難以在一傳統電腦程式中表達之領域中具有優勢。深度學習係具有多個神經層之一概率圖模型(通常被稱為一深度架構)。深度學習技術以一階層方式處理資訊(諸如影像、文字、語音或其他輸入)。在本發明中使用深度學習時，可使用學習資料自動完成特徵提取。此比基於專家對一組影像之理解提取特徵之先前方法更有利。
神經網路通常由多個層構成，且信號路徑從前部橫越至後部。神經網路之目標係以與人腦相同之方式解決問題。神經網路項目通常結合數千至數百萬個神經單元及數百萬連接工作。神經網路可具有此項技術中已知之任何適當架構及/或組態。
存在取決於概率規格及網路架構之具有深度架構之神經網路之許多變體，其等包含但不限於一深度信任網路(DBN)、一受限玻爾茲曼機(RBM)、一自動編碼器或一卷積神經網路(CNN)。實際實施方案可取決於可得資訊、所提供之資訊之大小及問題之性質而變化。
當然，可使用其他類型之機器學習演算法。此等僅作為實例列出。
在一例項中，機器演算法可學習多邊形形狀且在SEM影像與設計剪輯之間逐像素映射。
圖1中之合成影像104至SEM影像102之一疊對可意味著差異主要基於工具且非基於設計。
機器或深度學演算法302可在一連續程序中重複以不斷精細化該演算法以更佳地忽略隨機變動或程序改變變動，且因此，更佳地隔離且校正工具引發之失真。在重複學習週期內，模型可變得更能感知程序。
機器或深度學習演算法可與基於設計之工具引發之失真減小整合以用於工具上SEM計量操作。此可改良由SEM系統產生之計量結果之準確度及精確度，且因此促成更嚴格程序控制資料。
在本發明之另一實施例中且參考圖2及圖3，電子資料儲存媒體202及電子資料儲存媒體305係指相同電子資料儲存媒體或不同電子資料儲存媒體。
在一實施例中，圖2或圖2及圖3中繪示之方法之結果可用作用於工具調諧之一回饋迴路。例如，可識別一SEM系統中造成一失真之系統組件。可基於結果調諧或以其他方式調整此等系統組件。可在校準期間減小或消除失真。
圖4係用於補償SEM束失真引發之計量誤差之一系統400之一實施例之一方塊圖。系統400包含經組態以產生一計量區域影像之一晶圓計量工具。晶圓計量工具可為一SEM或另一類型之計量工具。
晶圓計量工具包含一輸出獲取子系統，該輸出獲取子系統包含至少一能量源及一偵測器。輸出獲取子系統可為一基於電子束之輸出獲取子系統。例如，在一項實施例中，引導至晶圓404之能量包含電子，且從晶圓404偵測之能量包含電子。以此方式，能量源可為一電子束源。在圖4中展示之一項此實施例中，輸出獲取子系統包含耦合至電腦子系統402之電子柱401。
亦如圖4中展示，電子柱401包含一電子束源403，該電子束源403經組態以產生由一或多個元件405聚焦至晶圓404之電子。電子束源403可包含例如一陰極源或發射器尖端。一或多個元件405可包含例如一槍透鏡、一陽極、一光束限制孔隙、一閘閥、一光束電流選擇孔隙、一物鏡及一掃描子系統，其等全部可包含此項技術中已知的任何此等適合元件。
可藉由一或多個元件406將從晶圓404返回之電子(例如，二次電子)聚焦至偵測器407。一或多個元件406可包含例如一掃描子系統，該掃描子系統可為包含於(若干)元件405中之相同掃描子系統。
電子柱亦可包含此項技術中已知的任何其他適合元件。
儘管電子柱401在圖4中展示為經組態使得電子按一傾斜入射角引導至晶圓404且按另一傾斜角從晶圓404散射，然應暸解電子束可按任何適合角引導至晶圓404且從晶圓404散射。另外，基於電子束之輸出獲取子系統可經組態以使用多個模式來產生晶圓404之影像(例如，用不同照明角、收集角等)。基於電子束之輸出獲取子系統之多個模式可在輸出獲取子系統之任何影像產生參數方面不同。
電腦子系統402可如上文描述般耦合至偵測器407。偵測器407可偵測從晶圓404之表面返回之電子，藉此形成晶圓404之電子束影像。電子束影像可包含任何適合電子束影像。電腦子系統402可經組態以使用偵測器407之輸出及/或電子束影像來執行本文中描述之功能之任一者。電腦子系統402可經組態以執行本文中描述之(若干)任何額外步驟。包含圖4中展示之輸出獲取子系統之一系統400可如本文中描述般進一步組態。
應注意，本文中提供圖4以大體上繪示可用於本文中描述之實施例中之一基於電子束之輸出獲取子系統之一組態。如通常在設計一商業輸出獲取系統時執行，本文中描述之基於電子束之輸出獲取子系統組態可經更改以最佳化輸出獲取子系統之效能。另外，本文中描述之系統可使用一現有系統實施(例如，藉由將本文中描述之功能性添加至一現有系統)。對於一些此等系統，本文中描述之方法可被提供為系統之選用功能性(例如，除系統之其他功能性之外)。替代地，本文中描述之系統可被設計為一全新系統。
儘管輸出獲取子系統在上文被描述為一基於電子束之輸出獲取子系統，然輸出獲取子系統可為一基於離子束之輸出獲取子系統。可如圖4中展示般組態此一輸出獲取子系統，惟可用此項技術中已知的任何適合離子束源替換電子束源除外。另外，輸出獲取子系統可為任何其他適合基於離子束之輸出獲取子系統，諸如包含於市售聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜儀(SIMS)系統中之基於離子束之輸出獲取子系統。
電腦子系統402包含一處理器408、一電子資料儲存媒體409及一機器學習模組410。處理器408可包含一微處理器、一微控制器或其他裝置。機器學習模組410經繪示為與處理器408分離，但可在處理器408上運行或以其他方式作為處理器408之部分。處理器408及/或電子資料儲存媒體409視情況可與一晶圓檢測工具或一晶圓檢視工具(未繪示)電子通信以接收額外資訊。
電腦子系統402可以任何適當方式(例如，經由一或多個傳輸媒體，其等可包含有線及/或無線傳輸媒體)耦合至系統400之組件，使得處理器408可接收輸出。處理器408可經組態以使用輸出來執行數個功能。
本文中描述之電腦子系統402、(若干)其他系統或(若干)其他子系統可為各種系統之部分，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。(若干)子系統或(若干)系統亦可包含此項技術中已知的任何適合處理器，諸如一平行處理器。另外，(若干)子系統或(若干)系統可包含作為一單獨或一網路化工具之具有高速處理及軟體之一平台。
處理器408及電子資料儲存單元409可安置於系統400或另一裝置中或以其他方式作為系統400或另一裝置之部分。在一實例中，處理器408及電子資料儲存單元409可為一單獨控制單元之部分或在一集中式品質控制單元中。可使用多個處理器408或電子資料儲存單元409。
在實踐中，處理器408可藉由硬體、軟體及韌體之任何組合實施。同樣地，如本文中描述之其功能可藉由一個單元執行，或在不同組件間劃分，該等組件之各者可繼而藉由硬體、軟體及韌體之任何組合實施。處理器408實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體(諸如電子資料儲存單元409中之一記憶體或其他記憶體)中。
若系統400包含一個以上電腦子系統402，則不同子系統可彼此耦合，使得可在子系統之間發送影像、資料、資訊、指令等。例如，一個子系統可藉由任何適合傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含此項技術中已知的任何適合有線及/或無線傳輸媒體。此等子系統之兩者或兩者以上亦可藉由一共用電腦可讀儲存媒體(未展示)有效耦合。
處理器408可經組態以使用系統400之輸出或其他輸出來執行數個功能。例如，處理器408可經組態以發送指令以對晶圓404執行計量。在另一實例中，處理器408可經組態以發送輸出至一電子資料儲存單元409或另一儲存媒體。可如本文中描述般進一步組態處理器408。
處理器408或電腦子系統402可為一缺陷檢視系統、一檢測系統、一計量系統或某其他類型之系統之部分。因此，本文中揭示之實施例描述可針對具有或多或少適合於不同應用之不同能力之系統以數個方式定製之一些組態。
處理器408可根據本文中描述之實施例之任一者組態。處理器408亦可經組態以使用系統400之輸出或使用來自其他源之影像或資料執行其他功能或額外步驟。
在另一實施例中，處理器408可以此項技術中已知的任何方式通信地耦合至系統400之各種組件或子系統之任一者。再者，處理器408可經組態以藉由可包含有線及/或無線部分之一傳輸媒體接收及/或獲取來自其他系統之資料或資訊(例如，來自諸如一檢視工具之一檢測系統之檢測結果、包含設計資料之一遠端資料庫及類似物)。以此方式，傳輸媒體可充當處理器408與系統400之其他子系統或系統400外部之系統之間的一資料鏈路。
在一些實施例中，系統400之各種步驟、功能及/或操作及本文中揭示之方法由以下之一或多者實行：電子電路、邏輯閘、多工器、可程式化邏輯裝置、ASIC、類比或數位控制/開關、微控制器或運算系統。實施方法(諸如本文中描述之方法)之程式指令可透過載體媒體傳輸或儲存於載體媒體上。載體媒體可包含一儲存媒體，諸如一唯讀記憶體、一隨機存取記憶體、一磁碟或光碟、一非揮發性記憶體、一固態記憶體、一磁帶及類似物。一載體媒體可包含一傳輸媒體，諸如一電線、電纜或無線傳輸鏈路。例如，貫穿本發明描述之各種步驟可由一單一處理器408 (或電腦子系統402)或替代地多個處理器408 (或多個電腦子系統402)實行。再者，系統400之不同子系統可包含一或多個運算或邏輯系統。因此，上文描述不應被解釋為對本發明之一限制而僅為一圖解。
在一實施例中，處理器408經組態以接收且應用一設計剪輯至一計量區域影像，使得一或多個程序改變變動被抑制，且一或多個工具失真被增強，藉此獲得一合成影像。處理器408可經組態以對該合成影像執行計量操作或發送指令以對該合成影像執行計量操作。
電子資料儲存媒體409可含有合成設計剪輯。
設計剪輯可為由機器學習模組410產生之一合成設計剪輯。機器學習模組410可經組態以：接收來自一或多個程序調變晶圓之影像及資料；使用該等影像及資料學習程序改變變動；及使用程序改變變動產生合成設計剪輯。
一額外實施例係關於一種非暫時性電腦可讀媒體，其儲存可在一處理器上執行之程式指令。特定言之，一處理器(諸如處理器408)可經耦合至具有包含可執行程式指令之非暫時性電腦可讀媒體之一電子資料儲存媒體(諸如電子資料儲存媒體409)中之一記憶體。電腦實施方法可包含本文中描述之任何(若干)方法之任何(若干)步驟。例如，處理器408可經程式化以執行圖2或圖3之一些或所有步驟。電子資料儲存媒體409中之記憶體可為一儲存媒體，諸如一磁碟或光碟、一磁帶或技術中已知的任何其他適當非暫時性電腦可讀媒體。
程式指令可以各種方式之任一者實施，尤其包含基於程序之技術、基於組件之技術及/或物件定向技術。例如，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(MFC)、串流SIMD擴展(SSE)或其他技術或方法實施程式指令。
在一實施例中，一或多個程式包含於一非暫時性電腦可讀儲存媒體上。一或多個程式係用於在一或多個運算裝置上執行步驟。該等步驟可包含：將一設計剪輯應用至一計量區域影像，藉此獲得一合成影像；及傳送指令以對該合成影像執行計量操作。在獲得該合成影像時一或多個程序改變變動被抑制且一或多個工具失真被增強。該計量區域影像可為一掃描電子顯微鏡影像或複數個掃描電子顯微鏡影像之一平均值。
該設計剪輯可為一合成設計剪輯。在此例項中，該等步驟包含使用一機器演算法使用該等程序改變變動產生該合成設計剪輯。機器演算法可為一深度學習演算法。
可如本文中描述般執行該方法之步驟之各者。該等方法亦可包含可藉由本文中描述之處理器及/或(若干)電腦子系統或(若干)系統執行之任何其他(若干)步驟。藉由一或多個電腦系統執行步驟，該一或多個電腦系統可根據本文中描述之實施例之任一者組態。另外，可藉由本文中描述之系統實施例之任一者執行上文描述之方法。
儘管已參考一或多個特定實施例描述本發明，然將理解，可在不脫離本發明之範疇的情況下製作本發明之其他實施例。因此，本發明被視為僅受隨附發明申請專利範圍及其等之合理解釋限制。
101‧‧‧設計剪輯
102‧‧‧SEM影像
103‧‧‧疊對
104‧‧‧合成影像
105‧‧‧設計多邊形
200‧‧‧方法
201‧‧‧步驟
202‧‧‧步驟
203‧‧‧步驟
204‧‧‧步驟
205‧‧‧步驟
300‧‧‧步驟
301‧‧‧步驟
302‧‧‧步驟
303‧‧‧步驟
304‧‧‧步驟
305‧‧‧步驟
400‧‧‧系統
401‧‧‧電子柱
402‧‧‧電腦子系統
403‧‧‧電子束源
404‧‧‧晶圓
405‧‧‧元件
406‧‧‧元件
407‧‧‧偵測器
408‧‧‧處理器
409‧‧‧電子資料儲存媒體
410‧‧‧機器學習模組
為更完全理解本發明之性質及目的，應參考結合附圖進行之以下實施方式，其中：
圖1繪示一例示性設計剪輯、一例示性SEM影像、SEM平均影像上之設計剪輯之一例示性疊對及一例示性合成設計剪輯；
圖2展示根據本發明之使用一經儲存合成設計剪輯來改良一計量程序之一方法之一實施例；
圖3展示根據本發明之產生且儲存一合成設計剪輯之一方法之一實施例；
圖4係根據本發明之一系統之一實施例之一方塊圖；
圖5及圖6係藉由比較示範非均勻性之例示性SEM影像；及
圖7及圖8係藉由比較示範工具失真及程序改變變動之例示性SEM影像。

Claims (20)

  1. 一種補償掃描電子顯微鏡束之失真引起之計量誤差之方法，其包括： 在一處理器處接收一晶圓之一計量區域影像； 在該處理器處接收來自一儲存媒體之一設計剪輯； 使用該處理器將該設計剪輯應用至該計量區域影像，藉此獲得一合成影像，其中一或多個程序改變變動被抑制且一或多個工具失真被增強；及 對該合成影像執行計量操作。
  2. 如請求項1之方法，其中該設計剪輯係該晶圓之一設計。
  3. 如請求項1之方法，其中該設計剪輯係一合成設計剪輯，且其中該合成設計剪輯係藉由一方法產生，該方法包括： 憑藉一機器演算法使用該等程序改變變動產生該合成設計剪輯；及 將該合成設計剪輯傳送至該儲存媒體。
  4. 如請求項3之方法，其中該合成設計剪輯係藉由一方法產生，該方法進一步包括： 在一機器學習模組處接收來自一或多個程序調變晶圓之影像及資料；及 在該機器學習模組處使用該機器演算法學習該等程序改變變動。
  5. 如請求項3之方法，其中該機器演算法係一深度學習演算法。
  6. 如請求項1之方法，其中該計量區域影像係一掃描電子顯微鏡影像。
  7. 如請求項1之方法，其中該計量區域影像係複數個掃描電子顯微鏡影像之一平均值。
  8. 如請求項1之方法，其中該儲存媒體係一永久性、非暫時性儲存媒體。
  9. 如請求項1之方法，其進一步包括使用一掃描電子顯微鏡獲得該晶圓之該計量區域影像。
  10. 如請求項1之方法，其進一步包括基於該等計量操作調諧一晶圓計量工具之系統組件以減小失真。
  11. 一種用於補償失真引起之計量誤差之系統，其包括： 一晶圓計量工具，其經組態以產生一計量區域影像；及 一處理器，其與該晶圓計量工具電子通信，其中該處理器經組態以接收且應用一設計剪輯至該計量區域影像，使得一或多個程序改變變動被抑制，且一或多個工具失真被增強，藉此獲得一合成影像。
  12. 如請求項11之系統，其中該晶圓計量工具係一掃描電子顯微鏡。
  13. 如請求項11之系統，其進一步包括含有該設計剪輯之一電子資料儲存媒體，其中該電子資料儲存媒體與該處理器電子通信。
  14. 如請求項11之系統，其中該處理器經進一步組態以對該合成影像執行計量操作。
  15. 如請求項11之系統，其中該設計剪輯係一合成設計剪輯，且其中該系統包含一機器學習模組，該機器學習模組經組態以： 接收來自一或多個程序調變晶圓之影像及資料； 使用該等影像及資料學習該等程序改變變動；及 使用該等程序改變變動產生該合成設計剪輯。
  16. 一種非暫時性電腦可讀儲存媒體，其包括用於在一或多個運算裝置上執行下列步驟之一或多個程式： 將一設計剪輯應用至一計量區域影像，藉此獲得一合成影像，其中一或多個程序改變變動被抑制且一或多個工具失真被增強；及 發送指令以對該合成影像執行計量操作。
  17. 如請求項16之非暫時性電腦可讀儲存媒體，其中該設計剪輯係一合成設計剪輯，且其中該等步驟包含憑藉一機器演算法使用該等程序改變變動產生該合成設計剪輯。
  18. 如請求項17之非暫時性電腦可讀儲存媒體，其中該機器演算法係一深度學習演算法。
  19. 如請求項16之非暫時性電腦可讀儲存媒體，其中該計量區域影像係一掃描電子顯微鏡影像。
  20. 如請求項16之非暫時性電腦可讀儲存媒體，其中該計量區域影像係複數個掃描電子顯微鏡影像之一平均值。
TW108100138A 2018-01-05 2019-01-03 用於補償掃描失真引起之計量誤差之方法及系統，以及相關之非暫時性電腦可讀儲存媒體 TWI781272B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
IN201841000566 2018-01-05
IN201841000566 2018-01-05
US201862635316P 2018-02-26 2018-02-26
US62/635,316 2018-02-26
US15/965,061 US10529534B2 (en) 2018-01-05 2018-04-27 Compensating for scanning electron microscope beam distortion-induced metrology error using design
US15/965,061 2018-04-27

Publications (2)

Publication Number Publication Date
TW201939564A true TW201939564A (zh) 2019-10-01
TWI781272B TWI781272B (zh) 2022-10-21

Family

ID=67140945

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108100138A TWI781272B (zh) 2018-01-05 2019-01-03 用於補償掃描失真引起之計量誤差之方法及系統，以及相關之非暫時性電腦可讀儲存媒體

Country Status (5)

Country Link
US (1) US10529534B2 (zh)
KR (1) KR102463962B1 (zh)
CN (1) CN111542916B (zh)
TW (1) TWI781272B (zh)
WO (1) WO2019136182A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI791191B (zh) * 2020-02-13 2023-02-01 荷蘭商Ａｓｍｌ荷蘭公司 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體
TWI801837B (zh) * 2020-04-10 2023-05-11 荷蘭商Ａｓｍｌ荷蘭公司 對準失真影像
TWI845781B (zh) * 2019-10-31 2024-06-21 美商科磊股份有限公司 半導體缺陷偵測及分類的方法及系統，以及非暫時性電腦可讀儲存媒體
TWI858602B (zh) * 2020-10-13 2024-10-11 荷蘭商Ａｓｍｌ荷蘭公司 用於產生解模糊模型及解模糊影像之設備及方法
TWI859551B (zh) * 2021-07-21 2024-10-21 荷蘭商Ａｓｍｌ荷蘭公司 用於產生及對準合成失真影像之系統及相關之檢測工具與非暫時性電腦可讀媒體

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
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
US11250199B1 (en) * 2020-09-16 2022-02-15 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for generating shape data for electronic designs
KR102909696B1 (ko) 2020-12-30 2026-01-07 삼성전자주식회사 패턴 분석 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법
KR20220130407A (ko) 2021-03-18 2022-09-27 삼성전자주식회사 주사 전자 현미경을 이용한 cd 측정 방법
IL309498A (en) * 2021-07-09 2024-02-01 Asml Netherlands Bv Correction of image distortion in charged particle testing
KR20230020818A (ko) 2021-08-04 2023-02-13 삼성전자주식회사 Sem 설비의 계측 오차 검출 방법, 및 정렬 방법
US11972923B2 (en) * 2021-12-31 2024-04-30 Fei Company Systems and methods for performing sample lift-out for highly reactive materials
KR20230106396A (ko) 2022-01-06 2023-07-13 삼성전자주식회사 결함 검출 모듈을 실행하는 프로세서를 포함하는 전자 장치, 전자 장치의 동작 방법, 그리고 반도체 집적 회로를 제조하는 방법
US20230316593A1 (en) * 2022-03-31 2023-10-05 Applied Materials, Inc. Generating synthetic microspy images of manufactured devices
US20250095955A1 (en) * 2023-09-19 2025-03-20 Applied Materials Israel Ltd. Method and system for calibration of diffraction angles
US20250307499A1 (en) * 2024-03-26 2025-10-02 Applied Materials, Inc. Mitigation of substrate deformation in device manufacturing using machine learning systems and techniques

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09167731A (ja) * 1995-12-14 1997-06-24 Mitsubishi Electric Corp 投影露光装置、収差評価用マスクパタン、収差量評価方法、収差除去フィルター及び半導体装置の製造方法
US7241993B2 (en) * 2000-06-27 2007-07-10 Ebara Corporation Inspection system by charged particle beam and method of manufacturing devices using the system
US7003758B2 (en) 2003-10-07 2006-02-21 Brion Technologies, Inc. System and method for lithography simulation
US7241538B2 (en) * 2003-11-05 2007-07-10 Promos Technologies Method for providing representative features for use in inspection of photolithography mask and for use in inspection photo-lithographically developed and/or patterned wafer layers, and products of same
WO2008049133A2 (en) * 2006-10-20 2008-04-24 Fei Company Method for creating s/tem sample and sample structure
US9047532B2 (en) 2007-01-25 2015-06-02 Applied Materials Israel, Ltd. System, method and computer program product for evaluating an actual structural element of an electrical circuit
CN101261451B (zh) * 2008-04-17 2011-06-29 上海微电子装备有限公司 光刻机成像质量及工件台定位精度的现场测量方法
JP5313069B2 (ja) 2009-07-17 2013-10-09 株式会社日立ハイテクノロジーズ 走査荷電粒子顕微鏡装置及びそれを用いたパターン寸法の計測方法
US8995746B2 (en) * 2013-03-15 2015-03-31 KLA—Tencor Corporation Image synchronization of scanning wafer inspection system
CN105093815B (zh) * 2014-05-21 2019-10-15 北大方正集团有限公司 器件设计尺寸的提取方法
CN105336635B (zh) * 2014-07-17 2019-04-09 中芯国际集成电路制造(上海)有限公司 Cd-sem装置的校正方法、应用cd-sem装置的方法及cd-sem装置
US9715724B2 (en) 2014-07-29 2017-07-25 Applied Materials Israel Ltd. Registration of CAD data with SEM images
US11010886B2 (en) 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI845781B (zh) * 2019-10-31 2024-06-21 美商科磊股份有限公司 半導體缺陷偵測及分類的方法及系統，以及非暫時性電腦可讀儲存媒體
TWI791191B (zh) * 2020-02-13 2023-02-01 荷蘭商Ａｓｍｌ荷蘭公司 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體
TWI874877B (zh) * 2020-02-13 2025-03-01 荷蘭商Ａｓｍｌ荷蘭公司 用於自檢測影像提取圖案輪廓資訊之方法、輪廓提取設備、及相關之非暫時性電腦可讀媒體
TWI801837B (zh) * 2020-04-10 2023-05-11 荷蘭商Ａｓｍｌ荷蘭公司 對準失真影像
US12259659B2 (en) 2020-04-10 2025-03-25 Asml Netherlands B.V. Aligning a distorted image
TWI858602B (zh) * 2020-10-13 2024-10-11 荷蘭商Ａｓｍｌ荷蘭公司 用於產生解模糊模型及解模糊影像之設備及方法
TWI859551B (zh) * 2021-07-21 2024-10-21 荷蘭商Ａｓｍｌ荷蘭公司 用於產生及對準合成失真影像之系統及相關之檢測工具與非暫時性電腦可讀媒體

Also Published As

Publication number Publication date
US10529534B2 (en) 2020-01-07
WO2019136182A1 (en) 2019-07-11
US20190214223A1 (en) 2019-07-11
KR20200096990A (ko) 2020-08-14
KR102463962B1 (ko) 2022-11-04
CN111542916A (zh) 2020-08-14
TWI781272B (zh) 2022-10-21
CN111542916B (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
TWI781272B (zh) 用於補償掃描失真引起之計量誤差之方法及系統，以及相關之非暫時性電腦可讀儲存媒體
US10672588B1 (en) Using deep learning based defect detection and classification schemes for pixel level image quantification
TWI774863B (zh) 用於獲得一對準晶粒對晶粒檢測影像之方法，用於半導體晶粒對晶粒檢測影像中之非暫時性電腦可讀儲存媒體，及半導體晶粒對晶粒檢測系統
TW202217750A (zh) 最佳度量衡指導之系統及方法
TW201721226A (zh) 用於在多光束掃描電子顯微鏡系統中減少雜訊之方法及系統
TW202232391A (zh) 基於機器學習之用於產生晶圓檢測之合成缺陷影像之系統及方法
TWI772449B (zh) 校準方法及系統，及非暫時性電腦可讀媒體
US11087950B2 (en) Charge control device for a system with multiple electron beams
WO2022207181A1 (en) Improved charged particle image inspection
US20240331115A1 (en) Image distortion correction in charged particle inspection
TW202520322A (zh) 用於帶電粒子系統中之缺陷檢測的系統及方法
WO2015037313A1 (ja) 走査透過電子顕微鏡及びその収差測定方法
JP6662654B2 (ja) 画像取得方法及び電子ビーム検査・測長装置
TWI907462B (zh) 用於半導體缺陷檢視之方法及系統以及相關之非暫時電腦可讀儲存媒體
US20240412944A1 (en) Autofocus method for single beam and multi-beam systems
TWI785065B (zh) 基於妨害地圖之寬帶電漿檢查
TW202407741A (zh) 於檢測期間改善影像品質之系統及方法
WO2025131571A1 (en) Metrology accuracy improvement using reference geometric parameter
TW202542643A (zh) 使用參考幾何參數之度量衡精度改進
KR20260017349A (ko) 단일 빔 및 다중 빔 시스템을 위한 오토포커스 방법
TW202544949A (zh) 用於基於圖案邊緣之量測之度量衡改進

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent