[go: up one dir, main page]

TW202339038A - 基於機器學習的半導體樣品的檢查及其訓練 - Google Patents

基於機器學習的半導體樣品的檢查及其訓練 Download PDF

Info

Publication number
TW202339038A
TW202339038A TW112104363A TW112104363A TW202339038A TW 202339038 A TW202339038 A TW 202339038A TW 112104363 A TW112104363 A TW 112104363A TW 112104363 A TW112104363 A TW 112104363A TW 202339038 A TW202339038 A TW 202339038A
Authority
TW
Taiwan
Prior art keywords
training
image
inspection
runtime
application
Prior art date
Application number
TW112104363A
Other languages
English (en)
Inventor
塔 班胥羅摩
薛隆 艾卡彥
沙爾 柯恩
托默海姆 沛雷德
Original Assignee
以色列商應用材料以色列公司
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 以色列商應用材料以色列公司 filed Critical 以色列商應用材料以色列公司
Publication of TW202339038A publication Critical patent/TW202339038A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • H10P74/203—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/303—Accessories, mechanical or electrical features calibrating, standardising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/304—Accessories, mechanical or electrical features electric circuits, signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/305—Accessories, mechanical or electrical features computer simulations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/419—Imaging computed tomograph
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6113—Specific applications or type of materials patterned objects; electronic devices printed circuit board [PCB]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Manufacturing & Machinery (AREA)
  • Image Processing (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)

Abstract

提供了一種半導體樣品的運行時檢查的系統和方法。該方法包括：獲得表示樣品的檢驗區域的運行時圖像，該運行時圖像具有相對低的訊雜比（SNR）；及使用機器學習（ML）模型處理運行時圖像以獲得特定於給定檢查應用的檢查資料，其中ML模型先前使用一或多個訓練取樣針對給定檢查應用進行訓練，每個訓練取樣表示共用與檢驗區域相同的設計模式的相應參考區域並包括：相應參考區域的具有相對低的SNR的第一訓練圖像；及標籤資料，該標籤資料指示相應參考區域中有關給定檢查應用的真值，該標籤資料藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得。

Description

基於機器學習的半導體樣品的檢查及其訓練
當前揭示的主題整體涉及半導體樣品的檢查的領域，並且更具體地，涉及使用專門訓練的機器學習模型對樣品的檢查。
與所製造的裝置的超大規模集成相關聯的對高密度和高效能的當前需求要求亞微米特徵、提高的電晶體和電路速度和改進的可靠性。隨著半導體製程發展，圖案尺寸（諸如線寬）和其他類型的臨界尺寸不斷地縮減。此類需求要求具有高精度和高均勻性的裝置特徵的形成，這進而需要仔細地監視製造製程，包括在裝置仍呈半導體晶片的形式時對裝置的自動化檢查。
運行時檢查通常可採用兩階段程序，例如，檢驗樣品，隨後審查潛在缺陷的取樣位置。檢查通常涉及藉由將光或電子導引到晶片並偵測來自晶片的光或電子來針對樣品產生某種輸出（例如，圖像、信號等）。在第一階段期間，以高速度和相對低的解析度檢驗樣品的表面。典型地藉由將缺陷偵測演算法應用於檢驗輸出來執行缺陷偵測。產生缺陷圖以示出樣品上高概率是缺陷的可疑位置。在第二階段期間，以相對高的解析度更徹底地分析可疑位置中的至少一些來決定缺陷的不同參數，諸如類、厚度、粗糙度、大小等。
可藉由在製造要檢查的樣品期間或之後使用非破壞性檢查工具來提供檢查。作為非限制性示例，多種非破壞性檢查工具包括掃瞄電子顯微鏡、原子力顯微鏡、光學檢驗工具等。在一些情況下，這兩個階段可由相同檢驗工具實施，並且在一些其他情況下，這兩個階段由不同檢驗工具實施。
檢查製程可包括複數個檢查步驟。半導體裝置的製造製程可包括各種程序，諸如蝕刻、沉積、平面化、生長（諸如外延生長）、注入等。可執行檢查步驟數次，例如在某些製程程式之後及/或在製造某些層之後等。附加地或替代地，可重複每個檢查步驟多次，例如針對不同晶片位置或針對在不同檢查設置下的相同晶片位置。
例如，在半導體製造期間的各個步驟處使用檢查製程對樣品上的缺陷進行偵測和分類，以及執行計量相關操作。可藉由（多個）製程的自動化來提高檢查的有效性，所述製程諸如例如缺陷偵測、自動化缺陷分類（ADC）、自動化缺陷審查（ADR）、圖像分割、自動化計量相關操作等。自動化檢查系統確保所製造的零件符合所預期的品質標準，並且取決於所辨識的缺陷類型而提供有關可能需要對製造工具、裝備及/或組成進行的調整的有用資訊。
在一些情況下，可使用機器學習技術輔助自動化檢查程序，以便促成更高的產量。例如，可使用監督機器學習來實現用於基於充分標注的訓練圖像來自動化特定檢查應用的準確且高效的解決方案。
根據當前揭示的主題的某些態樣，提供了一種半導體樣品的運行時檢查的電腦化系統，所述系統包括處理和記憶體電路系統（PMC），所述PMC被配置為：獲得表示半導體樣品的檢驗區域的運行時圖像，所述運行時圖像具有相對低的訊雜比（SNR）；及使用機器學習（ML）模型處理運行時圖像以獲得特定於給定檢查應用的檢查資料，其中ML模型先前使用一或多個訓練取樣針對給定檢查應用進行訓練，每個訓練取樣表示共用與檢驗區域相同的設計模式的相應參考區域並包括：相應參考區域的第一訓練圖像，所述第一訓練圖像具有與運行時圖像的低SNR類似的相對低的SNR；及標籤資料，所述標籤資料指示相應參考區域中有關給定檢查應用的真值，所述標籤資料藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得。
除了以上特徵之外，根據當前揭示的主題的這一態樣的系統可以技術上可能的任何期望組合或排列包括以下列出的特徵(i)至(xii)中的一者或多者： (i).     由電子束工具獲取運行時圖像和一或多個訓練取樣。 (ii).    給定檢查應用是以下各項中的一者：用於將運行時圖像分割成檢驗區域中的一或多個片段的分割應用、用於獲得關於檢驗區域中的結構元素的一或多個測量值的計量應用、用於偵測檢驗區域中的一或多個候選缺陷的缺陷偵測應用和用於對檢驗區域中的一或多個缺陷分類的缺陷分類應用。 (iii).   基於針對參考區域獲取的第一數量的訓練訊框來產生第一訓練圖像，並且基於針對參考區域獲取的第二數量的訓練訊框來產生第二訓練圖像。第一數量小於第二數量，並且基於第一數量的運行時訊框來產生運行時圖像。 (iv).   第二數量的訓練訊框包括第一數量的訓練訊框。 (v).    基於第一劑量的電子來產生第一訓練圖像，並且基於第二劑量的電子來產生第二訓練圖像。第一劑量小於第二劑量，並且基於第一劑量的電子來產生運行時圖像。 (vi).   基於以下各項中的至少一者來獲得標籤資料：手動標注、基於設計資料的合成產生的標籤、機器學習衍生標籤或它們的組合。 (vii).  配準第一訓練圖像和第二訓練圖像以校正兩者之間的偏移使得第一訓練圖像和標籤資料對準。 (viii). 在獲取第二訓練圖像之前獲取第一訓練圖像。 (ix).   檢驗區域是半導體樣品的僅可經由具有相對低的SNR的圖像檢查的敏感層的部分。 (x).    給定檢查應用是用於將運行時圖像分割成檢驗區域中的一或多個片段的分割應用，並且標籤資料指示一或多個片段中運行時圖像的至少部分的每個像素所屬的特定片段。 (xi).   檢驗區域來自半導體樣品的檢驗晶粒，並且相應參考區域來自半導體樣品的參考晶粒或不同半導體樣品的參考晶粒。 (xii).  相對低的SNR和相對高的SNR是相對於彼此的，或者是相對於閾值的。
根據當前揭示的主題的其他態樣，提供了一種半導體樣品的運行時檢查的方法，所述方法由處理器和記憶體電路系統（PMC）執行並包括：獲得表示半導體樣品的檢驗區域的運行時圖像，所述運行時圖像具有相對低的訊雜比（SNR）；及使用機器學習（ML）模型處理運行時圖像以獲得特定於給定檢查應用的檢查資料，其中ML模型先前使用一或多個訓練取樣針對給定檢查應用進行訓練，每個訓練取樣表示共用與檢驗區域相同的設計模式的相應參考區域並包括：相應參考區域的第一訓練圖像，所述第一訓練圖像具有與運行時圖像的低SNR類似的相對低的SNR；及標籤資料，所述標籤資料指示相應參考區域中有關給定檢查應用的真值，所述標籤資料藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得。
根據當前揭示的主題的其他態樣，提供了一種訓練可用於檢查半導體樣品的機器學習模型的方法，所述方法由處理和記憶體電路系統（PMC）執行並包括：獲得訓練集，所述訓練集包括一或多個訓練取樣，每個訓練取樣表示具有給定設計模式的相應參考區域，所述訓練取樣包括：第一訓練圖像，所述第一訓練圖像具有相對低的訊雜比（SNR）；及標籤資料，所述標籤資料指示相應參考區域中有關給定檢查應用的真值，所述標籤資料藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得；及針對給定檢查應用使用訓練集訓練ML模型；其中ML模型在經訓練後可用於處理表示樣品的共用與給定設計模式相同的設計模式的檢驗區域的運行時圖像並獲得特定於給定檢查應用的檢查資料，運行時圖像具有與第一訓練圖像的低SNR類似的相對低的SNR。
所揭示的主題的這些態樣可以技術上可能的任何期望組合或排列加以必要變更後包括以上關於系統列出的特徵(i)至(xii)中的一者或多者。
根據當前揭示的主題的其他態樣，提供了一種非暫時性電腦可讀取媒體，所述非暫時性電腦可讀取媒體包括指令，該等指令當由電腦執行時使電腦執行用於半導體樣品的運行時檢查的方法，所述方法包括：獲得表示半導體樣品的檢驗區域的運行時圖像，所述運行時圖像具有相對低的訊雜比（SNR）；及使用機器學習（ML）模型處理運行時圖像以獲得特定於給定檢查應用的檢查資料，其中ML模型先前使用一或多個訓練取樣針對給定檢查應用進行訓練，每個訓練取樣表示共用與檢驗區域相同的設計模式的相應參考區域並包括：相應參考區域的第一訓練圖像，所述第一訓練圖像具有與運行時圖像的低SNR類似的相對低的SNR；及標籤資料，所述標籤資料指示相應參考區域中有關給定檢查應用的真值，所述標籤資料藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得。
根據當前揭示的主題的其他態樣，提供了一種非暫時性電腦可讀取媒體，所述非暫時性電腦可讀取媒體包括指令，該等指令當由電腦執行時使電腦執行用於訓練可用於檢查半導體樣品的機器學習模型的方法，所述方法包括：獲得訓練集，所述訓練集包括一或多個訓練取樣，每個訓練取樣表示具有給定設計模式的相應參考區域，所述訓練取樣包括：第一訓練圖像，所述第一訓練圖像具有相對低的訊雜比（SNR）；及標籤資料，所述標籤資料指示相應參考區域中有關給定檢查應用的真值，所述標籤資料藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得；及針對給定檢查應用使用訓練集訓練ML模型；其中ML模型在經訓練後可用於處理表示樣品的共用與給定設計模式相同的設計模式的檢驗區域的運行時圖像並獲得特定於給定檢查應用的檢查資料，運行時圖像具有與第一訓練圖像的低SNR類似的相對低的SNR。
所揭示的主題的這些態樣可以技術上可能的任何期望組合或排列加以必要變更後包括以上關於系統列出的特徵(i)至(xii)中的一者或多者。
在以下詳細描述中，闡述了眾多具體細節，以便提供對本案內容的透徹理解。然而，本領域技藝人士將理解，當前揭示的主題可在沒有這些具體細節的情況下進行實踐。在其他情況下，並未詳細地描述所熟知的方法、程序、部件和電路，以免模糊當前揭示的主題。
除非另外具體地陳述，否則如從以下討論清楚，將瞭解，貫穿本說明書討論，利用諸如「獲得」、「處理」、「訓練」、「獲取」、「分割」、「偵測」、「分類」、「產生」、「配準」等術語是指電腦的將資料操縱及/或變換為其他資料的（多個）動作及/或（多個）處理，所述資料被表示為物理（諸如電子）量，並且/或者所述資料表示物理物件。術語「電腦」應當被廣義地解釋為涵蓋具有資料處理能力的任何種類的基於硬體的電子裝置，作為非限制性示例，包括本案中揭示的檢查系統、訓練系統及其相應部分。
本文使用的術語「非暫時性記憶體」和「非暫時性儲存媒體」應當被廣義地解釋為涵蓋適合於當前揭示的主題的任何揮發性或非揮發性電腦記憶體。所述術語應當被視為包括儲存一組或多組指令的單個媒體或多個媒體（例如，集中式或分散式資料庫，及/或相關聯的快取記憶體和伺服器）。所述術語還應當被視為包括能夠儲存或編碼指令集以供電腦執行並且使電腦執行本案內容的方法中的任一或多個的任何媒體。因此，所述術語應當包括但不限於唯讀記憶體（「ROM」）、隨機存取記憶體（「RAM」）、磁片儲存媒體、光學儲存媒體、快閃記憶體裝置等。
本說明書中使用的術語「樣品」應當被廣義地解釋為涵蓋用於製造半導體積體電路、磁頭、平板顯示器和其他半導體製品的任何種類的物理物件或基板，包括晶片、遮罩、模版和其他結構、以上各項的組合及/或其部分。樣品在本文中也稱為半導體樣品，並且可由製造裝備執行對應製造製程來生產。
本說明書中使用的術語「檢查」應當被廣泛解釋為涵蓋與缺陷偵測、缺陷審查及/或各種類型的缺陷分類、分割及/或在樣品製造期間及/或之後的計量操作相關的任何類型的操作程序。檢查藉由在製造要檢查的樣品期間或之後使用非破壞性檢查工具來提供。作為非限制性示例，檢查製程可包括使用相同或不同檢驗工具進行的運行時掃瞄（在單次掃瞄中或多次掃瞄中）、成像、取樣、偵測、審查、測量、分類及/或針對樣品或其部分提供的其他操作。同樣地，檢查可在製造要檢查的樣品之前提供，並且可包括例如產生（多個）檢查配方及/或其他設置操作。需注意，除非另外具體地陳述，否則本說明書中使用的術語「檢查」或其衍生詞在檢驗區域的解析度或大小方面不受限制。作為非限制性示例，多種非破壞性檢查工具包括掃瞄電子顯微鏡（SEM）、原子力顯微鏡（AFM）、光學檢驗工具等。
本說明書中使用的術語「計量操作」應當被廣泛地解釋為涵蓋用於提取與半導體樣品上的一或多個結構元素相關的計量資訊的任何計量操作程式。在一些實施例中，計量操作可包括測量操作，諸如例如關於樣品上的某些結構元素執行的臨界尺寸（CD）測量，包括但不限於以下各項：尺寸（例如，線寬度、線間距、接觸直徑、元件尺寸、邊緣粗糙度、灰階統計等）、元件形狀、元件內或元件間距離、相關角度、對應於不同的設計級別的與元件相關的疊加資訊等。例如，藉由採用影像處理技術來分析測量結果（諸如測量的圖像）。需注意，除非另有具體說明，否則本說明書中使用的術語「計量學」或其派生詞不受測量技術、測量解析度或檢驗區域的大小的限制。
本說明書中使用的術語「缺陷」應當被廣義地解釋為涵蓋形成在樣品上的任何種類的異常或不期望特徵/功能。在一些情況下，缺陷可能是感興趣缺陷（DOI），它是對所製造的裝置的功能有一定影響的真實缺陷，因此偵測此類缺陷符合客戶利益。例如，可能導致產量損失的任何「致命」缺陷都可被指示為DOI。在其他一些情況下，缺陷可能是滋擾（也稱為「誤報」缺陷），它可忽略不計，因為它對所完成的裝置的功能沒有影響，並且也不影響產量。
本說明書中使用的術語「候選缺陷」應當被廣泛地解釋為涵蓋樣品上的被偵測為具有相對高的概率是感興趣缺陷（DOI）的可疑缺陷位置。因此，在審查後，候選缺陷可能實際上是DOI，或者在一些其他情況下，它可能是如前述的滋擾，或者可能由在檢驗期間的不同變化（例如，製程變化、顏色變化、機械和電變化等）導致的隨機雜訊。
本說明書中使用的術語「設計資料」應當被廣義地解釋為涵蓋指示樣品的分層物理設計（佈局）的任何資料。設計資料可由相應設計者提供，並且/或者可從物理設計匯出（例如，藉由複雜模擬、簡單幾何和布耳運算等）。設計資料可以以不同格式提供，作為非限制性示例，諸如GDSII格式、OASIS格式等。設計資料可以以向量格式、灰階強度圖像格式或以其他方式呈現。
將瞭解，除非另外具體地陳述，否則也可在單個實施例中組合地提供在分開的實施例的上下文中描述的當前揭示的主題的某些特徵。相反地，也可單獨地或以任何合適的子群組合提供在單個實施例的上下文中描述的當前揭示的主題的各種特徵。在以下詳細描述中，闡述了許多具體細節，以便提供對方法和設備的透徹理解。
有鑑於此，將注意力轉向圖1，圖1圖示根據當前揭示的主題的某些實施例的檢查系統的功能方塊圖。
作為樣品製造製程的部分，可使用圖1示出的檢查系統100來檢查半導體樣品（例如，晶片、晶粒或其部分）。如前述，本文提及的檢查可解釋為涵蓋與缺陷檢驗/偵測、各種類型的缺陷分類、分割及/或計量操作相關的任何種類的操作，諸如例如關於樣品的臨界尺寸（CD）測量。所示出的檢查系統100包括能夠基於機器學習（ML）來實現半導體樣品的自動化檢查的基於電腦的系統101。根據當前揭示的主題的某些實施例，系統101可被配置為使用經訓練機器學習（ML）模型基於在樣品製造期間獲得的圖像（本文也稱為製造製程（FP）圖像或運行時圖像）來運行時檢查半導體樣品。在一些實施例中，系統101可被配置作為能夠在訓練/設置階段期間使用專門產生的訓練集訓練ML模型的訓練系統。
系統101可操作地連接到一或多個檢查工具120。檢查工具120被配置為擷取運行時圖像及/或訓練圖像、處理擷取圖像及/或提供與擷取圖像相關的測量。
例如，本文使用的運行時圖像及/或訓練圖像可指在製造製程期間擷取的樣品的原始圖像、藉由各種預處理階段獲得的擷取圖像的衍生物及/或基於電腦產生的設計資料的圖像。例如，圖像可選自例如由掃瞄電子顯微鏡（SEM）或光學檢驗系統擷取的樣品的部分的圖像、大致以要藉由ADC分類的缺陷為中心的SEM圖像、其中缺陷將藉由ADR來定位的更大區域的SEM圖像、對應於相同位置的不同檢查模態的配準圖像、分割圖像或高度圖圖像等。需注意，在一些情況下，本文提及的圖像可包括圖像資料（例如，擷取的圖像、處理的圖像等）和相關聯數位資料（例如，中繼資料、手工製作的屬性等）。需進一步注意，圖像資料可包括與感興趣層及/或與樣品的一或多個層相關的資料。
本文使用的術語「（多個）檢查工具」應當廣泛地解釋為涵蓋可用於檢查相關製程的任何工具，藉由非限制性示例，包括成像、掃瞄（以單次掃瞄或多次掃瞄）、取樣、審查、測量、分類及/或關於樣品或其部分提供的其他製程。一或多個檢查工具120可包括一或多個檢驗工具及/或一或多個審查工具。在一些情況下，檢查工具120中的至少一個可以是被配置為掃瞄樣品（例如，整個晶片、整個晶粒或其部分）以擷取檢驗圖像（典型地以相對高的速度及/或低的解析度）來偵測潛在缺陷（即，候選缺陷）的檢驗工具。在一些情況下，檢查工具120中的至少一個可以是審查工具，所述審查工具被配置為擷取檢驗工具偵測到的候選缺陷中的至少一些的審查圖像以決定候選缺陷是否確實是感興趣缺陷（DOI）。這種審查工具通常被配置為一次檢驗一個取樣的片段（典型地以相對低的速度及/或高的解析度）。檢驗工具和審查工具可以是位於相同或不同位置的不同工具，或以兩種不同模式操作的單個工具。在一些情況下，至少一個檢查工具可具有計量能力並且可被配置為對圖像執行計量操作。
在不以任何方式限制本案內容的範圍的情況下，還應當注意，檢查工具120可實施為各種類型的檢驗機器，諸如光學檢驗機器、電子束檢驗機器（例如，掃瞄電子顯微鏡（SEM））、原子力顯微鏡（AFM）或透射電子顯微鏡（TEM）等）等。在一些情況下，同一檢查工具可提供低解析度圖像資料和高解析度圖像資料。所得圖像資料（低解析度圖像資料及/或高解析度圖像資料）可直接或經由一或多個中間系統傳輸到系統101。本案內容不限於任何特定類型的檢查工具及/或由檢查工具產生的圖像資料的解析度。
如前述，檢查系統100包括基於電腦的系統101，系統101能夠使用經訓練機器學習（ML）模型基於在樣品製造期間獲得的運行時圖像來運行時檢查半導體樣品。為了訓練ML模型，需要足夠的訓練資料。然而，在設置階段期間，要檢驗的樣品的訓練圖像可能不可用。在一些情況下，使用的測試/參考晶片的訓練圖像可能不包括結構參數的足夠變化以產生相對於實際生產中的製程變化穩健的訓練有素的準確模型。因此，為了訓練ML以實現準確檢查，通常使用從實際生產晶片獲取的圖像在客戶現場執行ML模型的訓練。例如，生產晶片的SEM圖像可在FAB中擷取並用於訓練ML模型的目的。
可藉由聚合針對半導體樣品的區域擷取的一系列訊框來產生SEM圖像，這些訊框由諸如掃瞄電子顯微鏡（SEM）之類的電子束檢查工具順序地獲取。為了獲得更高品質的SEM圖像（例如，更高的訊雜比（SNR）），用於掃瞄晶片的電子束劑量（其可反映為針對所述區域擷取的訊框的數量及/或用於擷取訊框的電子束的強度）必須達到一定量，以便減少所得圖像中的雜訊。
另一方面，由於電子束撞擊在樣品上的衝擊，樣品可能物理上損壞。這種現象被稱為「收縮」或「瘦身」。例如，取決於樣品的不同層及/或材料，典型的收縮幅度可能在晶片上的結構特徵的尺寸的5%至10%之間，這是客戶不期望的。在一些情況下，為了減少對生產晶片、特別是晶片的某些敏感層的損壞，限制用於獲取訊框的電子束工具的電子劑量。然而，在這種限制下獲得的SEM圖像典型地是雜訊很大的，具有低SNR。在低SNR圖像上執行標注是不期望的，並且在一些情況下甚至是不可能的，在低SNR圖像上執行標注非常有挑戰性，即使對於用戶進行手動標注也是如此。此類圖像上的所得標注可能不準確且易出錯。由於標注的標籤資料在ML模型的訓練中用作真值，因此使用此類訓練資料訓練的ML模型無法提供對樣品的準確且有效的檢查。
因此，本案內容主題的某些實施例提出了能夠使用具有特定組成的訓練取樣訓練ML模型以便解決以上問題的系統（例如，系統101）。本案內容的某些實施例使用以這種方式訓練的ML模型來進行運行時檢查，如下詳述。
系統101包括處理器和記憶體電路系統（PMC）102，PMC 102可操作地連接到基於硬體的I/O介面126。PMC 102被配置為提供作業系統所需的處理，如參考圖2至圖4進一步詳述的，並且包括處理器（未單獨地示出）和記憶體（未單獨地示出）。PMC 102的處理器可被配置為根據實施在PMC中包括的非暫時性電腦可讀記憶體上的電腦可讀取指令來執行若干功能模組。此類功能模組在下文中被稱為被包括在PMC中。
如前述，在某些實施例中，系統101可被配置為能夠在訓練/設置階段期間使用訓練取樣訓練ML模型的訓練系統。在這種情況下，PMC 102中包括的功能模組可包括訓練集產生器104、訓練模組106和機器學習模型108。訓練集產生器104可被配置為獲得訓練集，所述訓練集包括一或多個訓練取樣。每個訓練取樣表示具有給定設計模式的相應參考區域。訓練取樣包括具有相對低訊雜比（SNR）的第一訓練圖像和指示相應參考區域中有關給定檢查應用的真值的標籤資料。藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得標籤資料。
訓練模組106可被配置為針對給定檢查應用使用訓練集訓練機器學習模型108。ML模型在訓練後可用於處理表示共用與給定設計模式相同的設計模式的檢驗區域的運行時圖像並獲得特定於給定檢查應用的檢查資料。運行時圖像以相對低的SNR獲取。訓練程序的細節在下文將參考圖2和圖4來描述。
根據某些實施例，系統101可被配置為使用經訓練ML模型基於在樣品製造期間獲得的運行時圖像來運行時檢查半導體樣品。在這種情況下，PMC 102中包括的一或多個功能模組可包括已經如前述訓練的ML模型108。PMC 102可被配置為經由I/O介面126獲得表示半導體樣品的檢驗區域的運行時圖像。運行時圖像以相對低的訊雜比（SNR）獲取。
經訓練ML模型108用於處理運行時圖像以獲得特定於給定檢查應用的檢查資料。如前述，先前使用包括一或多個訓練取樣的訓練集針對給定檢查應用訓練ML模型。每個訓練取樣表示共用與檢驗區域相同的設計模式的相應參考區域。類似地，如前述，每個訓練取樣包括具有相對低SNR的第一訓練圖像和指示相應參考區域中有關給定檢查應用的真值的標籤資料。藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得標籤資料。下文參考圖3描述運行時檢查製程的細節。
根據某些實施例，可基於有關相應應用的特定訓練圖像和標籤資料來針對不同檢查應用訓練ML模型。使用本案內容可適用的各種應用包括但不限於以下各項：用於將運行時圖像分割成檢驗區域中的一或多個片段的分割應用、用於獲得關於檢驗區域中的結構元素的一或多個測量值的計量應用、用於偵測檢驗區域中的一或多個候選缺陷的缺陷偵測應用和用於對檢驗區域中的一或多個缺陷分類的缺陷分類應用等。
系統101、PMC 102及其中的功能模組的操作將參考圖2至圖4進一步詳述。
根據某些實施例，本文提及的ML模型108可實施為各種類型的機器學習模型，諸如例如決策樹、支援向量機（SVM）、人工神經網路（ANN）、回歸模型、貝氏網路或它們的集成/組合等。由ML模型使用的學習演算法可以是以下各項中的任何一種：監督學習、無監督學習或半監督學習等。當前揭示的主題不限於特定類型的ML模型或特定類型或ML模型使用的學習演算法。
在一些實施例中，ML模型可實施為深度神經網路（DNN）。DNN可包括監督或非監督DNN模型，其包括根據相應DNN架構組織的層。作為非限制性示例，可根據迴旋神經網路（CNN）架構、循環神經網路架構、遞迴神經網路架構、產生性對抗網路（GAN）架構或其他架構來組織DNN的層。可選地，層中的至少一些可組織到複數個DNN子網中。DNN的每個層可包括多個基本計算元素（CE），在本領域中，CE典型地被稱為維度、神經元或節點。
一般來講，給定層的計算元素可與前一層及/或後一層的CE連接。在前一層的CE與後一層的CE之間的每個連接與加權值相關聯。給定CE可經由相應連接從前一層的CE接收輸入，每個給定連接與可應用於給定連接的輸入的加權值相關聯。加權值可決定連接的相對強度，並且由此決定相應輸入對給定CE的輸出的相對影響。給定CE可被配置為計算啟動值（例如，輸入的加權和），並且藉由將啟動函數應用於所計算的啟動來進一步匯出輸出。啟動函數可以是例如恆等函數、決定性函數（例如，線性、S型、閾值等）、隨機函數或其他合適的函數。來自給定CE的輸出可經由相應連接傳輸到後一層的CE。同樣地，如前述，在CE的輸出處的每個連接可與可在CE的輸出被接收作為後一層的CE的輸入之前應用於CE的輸出的加權值相關聯。除了加權值外，還可存在與連接和CE相關聯的閾值（包括限制函數）。
可在訓練之前初始地選擇深度神經網路的加權值及/或閾值，並且可在訓練期間進一步反覆運算地調整或修改所述加權值及/或閾值，以在經訓練的DNN中實現最佳加權值及/或閾值集。在每次反覆運算之後，可決定在由DNN模組產生的實際輸出和與相應資料訓練集相關聯的目標輸出之間的差值。所述差值可被稱為誤差值。當指示誤差值的損失/成本函數小於預定值時，或者當實現在反覆運算之間的效能的受限改變時，可決定訓練已經完成。用來調整深度神經網路的權重/閾值的輸入資料集被稱為訓練集。
需注意，當前揭示的主題的教導不受如前述的ML或DNN的特定架構的約束。
在一些情況下，除了系統101之外，檢查系統100可包括一或多個檢查模組，諸如例如缺陷偵測模組及/或自動化缺陷審查模組（ADR）及/或自動化缺陷分類別模組（ADC）及/或計量相關模組及/或可用於檢查半導體樣品的其他檢查模組。一或多個檢查模組可實施為獨立電腦，或者它們的功能（或其至少一部分）可與檢查工具120集成。在一些情況下，ML模型108可被包括在一或多個檢查模組中。可選地，ML模型108可在檢查模組之間共享，或者替代地，一或多個檢查模組中的每一個可包括它自己的ML模型108。
根據某些實施例，系統101可包括儲存單元122。儲存單元122可被配置為儲存作業系統101所需的任何資料，例如，與系統101的輸入和輸出有關的資料，以及由系統101產生的中間處理結果。例如，儲存單元122可被配置為儲存由檢查工具120產生的運行時圖像/訓練圖像及/或其衍生物。因此，可從儲存單元122檢索圖像並提供給PMC 102以供進一步處理。
在一些實施例中，系統101可以可選地包括基於電腦的圖形化使用者介面（GUI）124，GUI 124被配置為實現與系統101有關的使用者指定的輸入。例如，可向使用者呈現樣品的視覺表示（例如，藉由形成GUI 124的一部分的顯示器），包括樣品的圖像資料。可藉由GUI向用戶提供定義某些指令引數（諸如例如關於SNR的閾值、要擷取的圖像訊框的數量、特定檢查應用等）的選項。例如，在一些情況下，使用者可藉由經由GUI 124在圖像上手動地標注來提供與第二訓練圖像相關聯的標籤資料。用戶還可在GUI上查看操作結果，諸如例如特定於給定檢查應用的檢查資料。在一些情況下，系統101可被進一步配置為經由I/O介面126將檢查資料發送到檢查工具120以供進一步處理。在一些情況下，系統101可被進一步配置為將檢查資料中的一些發送到儲存單元122及/或外部系統（例如FAB的產量管理系統（YMS））。
本領域技藝人士將易於瞭解，當前揭示的主題的教導不受圖1示出的系統的束縛；等同及/或經修改的功能可以以另一種方式進行合併或劃分，並且可實現在軟體與韌體及/或硬體的任何適當組合中。
需注意，圖1示出的檢查系統可實現在分散式運算環境中，其中圖1示出的前述功能模組可跨若干本端及/或遠端裝置分佈，並且可藉由通訊網路連結。需進一步注意，在其他實施例中，檢查工具120、儲存單元122及/或GUI 124中的至少一些可在檢查系統100外部並經由I/O介面126與系統101進行資料通訊。系統101可實施為與檢查工具及/或與如前述的附加檢查模組結合使用的（多個）獨立電腦。替代地，系統101的相應功能可至少部分地與一或多個檢查工具120集成在一起，從而促進和增強在檢查相關製程中檢查工具120的功能。
雖然不一定如此，但系統101和100的操作程序可對應於關於圖2至圖4描述的方法的一些或所有階段。同樣地，關於圖2至圖4描述的方法及其可能的實施方式可由系統101和100實施。因此，需注意，針對關於圖2至圖4描述的方法討論的實施例還可在加以必要變更後實施為系統101和100的各個實施例，反之亦然。
僅出於說明目的，可提供以下描述的某些實施例以用於訓練可用於分割應用的ML模型。本領域技藝人士將易於瞭解，當前揭示的主題的教導也適用於各種其他檢查應用，諸如例如缺陷偵測、ADR、ADC、計量相關模組等。
參考圖2，圖示根據當前揭示的主題的某些實施例的訓練可用於檢查半導體樣品的機器學習模型的一般化流程圖。
用於在監督學習中訓練ML模型的訓練資料通常包括一或多個訓練取樣，每個訓練取樣包括相應訓練圖像及其相關聯的對應真值資料。真值資料可包括訓練圖像的指示應用特定資訊的標籤資料。例如，對於圖像分割的檢查應用，每個訓練取樣可包括半導體樣品的訓練圖像和指示所述訓練圖像中的一或多個片段的標籤資料。
訓練圖像可以是半導體樣品的在其製造製程中獲得的「真實世界」圖像。取決於不同檢查應用，可以多種方式獲得訓練圖像。作為非限制性示例，圖像可以是藉由使用一或多個檢驗工具檢查樣品獲得以用於候選缺陷的偵測的應用的檢驗圖像。在另一個示例中，圖像可以是藉由使用一或多個審查工具在候選缺陷位置處檢查樣品來獲得的審查圖像，所述審查圖像用於斷定由檢驗工具偵測到的候選缺陷是否確實是缺陷的缺陷審查應用及/或用於斷定缺陷的類/類型的缺陷分類應用。此類審查工具可以是例如掃瞄電子顯微鏡（SEM）等。
真值資料可以多種方式獲得，諸如例如藉由手動標注、基於設計資料的合成產生、基於機器學習的方式或以上各項的組合獲得，如下文將參考圖4來詳述的。
如上文所提及，用於檢查半導體樣品的ML模型通常在客戶現場使用生產晶片資料進行訓練。為了減少圖像獲取（例如，藉由SEM）對生產晶片造成的損壞，應當限制電子束工具用於獲取訊框的電子劑量（其可用擷取的訊框的數量及/或使用的電子束的強度表示）。然而，用更少的電子劑量獲得的SEM圖像典型地是雜訊很大的，具有低SNR。對此類圖像進行準確標注是非常困難的，並且在一些情況下甚至是不可能的。因此，本案內容提出以特定方式獲取訓練取樣來解決以上問題，如下文將參考圖2至圖4詳述的。
如圖2所描述，可獲得（202）訓練集（例如，藉由PMC 102中的訓練集產生器104），所述訓練集包括一或多個訓練取樣。每個訓練取樣表示樣品的具有給定設計模式的相應參考區域。在一些實施例中，給定設計模式可以是要在樣品上檢查的感興趣模式。
具體地，訓練取樣包括具有相對低的訊雜比（SNR）（例如，相對於如下文所描述的第二訓練圖像的更高的SNR或相對於閾值而相對更低）的第一訓練圖像（204）和指示相應參考區域中有關給定檢查應用的真值的標籤資料（206）。藉由標注相應參考區域的具有相對高的SNR（例如，相對於閾值而相對更高）的第二訓練圖像來獲得標籤資料。可針對給定檢查應用使用訓練集訓練ML模型（例如，ML模型108）（208）（例如，藉由PMC 102中的訓練模組106）。
在一些實施例中，當檢查樣品上的區域時，可藉由檢查工具（諸如電子束工具，例如SEM）順序地獲取所述區域的複數個訊框。隨後聚合由電子束工具獲取的訊框以產生最終圖像，諸如例如SEM圖像（例如，藉由組合複數個訊框/對複數個訊框求平均以便減少所得圖像中的雜訊）。如前述，出於減少圖像獲取對生產晶片造成的損壞的目的，應當限制電子束工具用於獲取生產晶片的訊框的電子劑量。例如，使用的電子的劑量可反映為針對給定區域擷取的訊框的數量及/或用於擷取訊框的電子束的強度。例如，出於減少損壞的目的，在樣品的區域的運行時檢查期間，擷取相對少量的訊框以產生SEM圖像。作為另一示例，可使用具有更小的能級的電子束來產生SEM圖像。然而，這樣產生的SEM圖像往往具有更低的SNR，並且不適合於圖像標注。
因此，提出對於樣品上共享相同給定設計模式的一或多個參考區域，可針對每個參考區域擷取兩個圖像，包括具有相對低SNR的第一訓練圖像和具有相對高的SNR的第二訓練圖像。特別地，第一訓練圖像具有與將在生產時間（在生產中訓練和部署ML模型之後）擷取的運行時圖像的SNR相同/相似的SNR並將使用經訓練ML模型進行檢查。如前述，圖像的SNR位凖通常與用於檢查樣品和產生圖像的電子劑量相關。
具體地，在一些實施例中，可基於第一劑量的電子來產生第一訓練圖像，並且可基於第二劑量的電子來產生第二訓練圖像，其中第一劑量的電子少於/小於第二劑量。特別地，用於擷取第一訓練圖像的第一劑量的電子與用於擷取將使用經訓練ML模型檢查的運行時圖像的電子的劑量相同。需注意，本文使用的術語「相同」既可指彼此相同，也可指彼此相似或高度相關。可使用各種相似性度量和演算法來決定它們之間的等同性/相似性位凖。因此，無論何處使用術語「相同」，都不應限於完全相同，而是在一定程度上相似/等同。
例如，由於電子的劑量可反映為用於擷取圖像的訊框的數量及/或電子束的強度，在一些情況下，可基於針對參考區域獲取的第一數量的訓練訊框來產生第一訓練圖像，並且可基於針對參考區域獲取的第二數量的訓練訊框來產生第二訓練圖像，其中第一數量小於第二數量。需注意，用於產生運行時圖像的運行時訊框的數量與第一數量（用於產生第一訓練圖像的訊框的數量）相同，以確保第一訓練圖像與運行時圖像之間的SNR的相似性位凖。在一些情況下，可根據給定檢查應用定義第一數量（用於產生第一訓練圖像的訊框的數量）和第二數量（用於產生第二訓練圖像的訊框的數量）。例如，對於分割應用，可基於應用的效能要求（諸如例如樣品的可接受的損壞程度、準確度、生產量等）來決定第一數量（其對應於用於產生運行時圖像的運行時訊框的數量）。可決定第二數量，以便產生具有足夠品質的第二訓練圖像以確保標注準確度位凖，同時在例如尺寸、模式等方面保持與第一訓練圖像的相關性/對應性。例如，在一些情況下，第一數量的訓練訊框可例如為10個至20個訊框左右，並且第二數量的訓練訊框可例如為50個至60個訊框左右。
可以多種方式辨識樣品上共享相同給定設計模式的一或多個參考區域。例如，晶粒（或其（多個）部分）的設計資料可包括具有特定幾何結構和佈置的各種設計模式。在一些實施例中，可接收到設計資料，並且可接收到複數個設計組，每個設計組對應於具有相同設計模式的一或多個晶粒區域。因此，可辨識晶粒中對應於相同設計模式的區域。在一些實施例中，檢驗區域來自半導體樣品的檢驗晶粒，並且參考區域可來自檢驗晶粒的參考晶粒，所述參考晶粒來自相同半導體樣品或來自不同半導體樣品。
將注意，類似地如上文所定義，當設計模式相同時，或當設計模式高度相關或彼此類似時，可將設計模式視為是「相同」的。可將各種相似性度量和演算法應用來將類似設計模式匹配和聚類，並且本案內容不應當被解釋為受限於用於匯出設計組的任何具體度量。設計組的聚類（即，從CAD資料分為複數個設計組）可預先執行，或者由PMC 102作為當前揭示的程序的預備步驟執行。
需注意，在一些情況下，相對低的SNR和相對高的SNR可相對於閾值定義，所述閾值可以是有關特定檢查應用的預定SNR位凖（例如，足以讓應用滿足關於例如靈敏度、準確性、生產量等的效能要求的SNR）。在一些情況下，相對低的SNR和相對高的SNR可相對於彼此定義，例如，只要低SNR相對低於高SNR或高SNR相對高於低SNR即可。如上文關於第一數量的訊框的決定所述，可例如基於特定檢查應用的效能要求（諸如例如樣品的可接受的損壞程度、準確度、生產量等）來定義低SNR（其對應於運行時圖像的SNR位凖）。可定義高SNR以確保第二訓練圖像的標注準確度位凖，同時維持第二訓練圖像與第一訓練圖像在例如維度、模式等方面的相關性/對應性。
圖4圖示根據當前揭示的主題的某些實施例的產生用於訓練可用於檢查半導體樣品的ML模型的訓練集的一般化流程圖。
對於（一或多個參考區域中的）給定參考區域，可獲取（402）具有低SNR的第一訓練圖像（例如，藉由檢查工具120）。可獲取（404）具有高SNR的第二訓練圖像（例如，藉由檢查工具120）。例如，如前述，可基於針對參考區域獲取的第一數量（N1）的訓練訊框（例如，10個至20個訊框）來產生第一訓練圖像，並且可基於針對參考區域獲取的第二數量（N2）（其大於第一數量，例如，是50個至60個訊框）的訓練訊框來產生第二訓練圖像。
在一些實施例中，應當在獲取第二訓練圖像之前獲取第一訓練圖像。這是因為第一訓練圖像應當表示與在生產階段獲得的運行時圖像類似的圖像條件。如所已知，在藉由電子束工具進行的圖像獲取期間，樣品的表面被聚焦的電子束掃瞄，並且樣品不斷地收集電荷。由電子束引起的表面電荷在樣品上的堆積可能導致圖像偽影（諸如例如圖像失真）、與灰階、對比度、邊緣銳度相關的變化等。因此，為了在與運行時圖像類似的條件下獲取第一訓練圖像，對於每個給定區域，應當先獲取第一訓練圖像，然後再進行在樣品上的進一步充電效應累積，類似於當運行時獲取運行時圖像時。可在獲取第一圖像後獲取第二圖像，而無需改變任何工具配置。
在一些實施例中，首先獲取第一訓練圖像，例如藉由獲取N 1個訊框來獲取。然後，獲取第二訓練圖像，例如藉由獲取N 2個訊框（N 2＞N 1）來獲取。在一些情況下，N 1個訊框可以是N 2個訊框的一部分。例如，SEM可首先獲取N 1個訊框，這些訊框將組合成第一訓練圖像。然後，SEM可繼續獲取（N 2-N 1）個訊框，這些訊框將與N 1個訊框組合在一起以形成第二訓練圖像。在一些其他情況下，可單獨地獲取N 2個訊框，這不包括N 1個訊框。
在一些實施例中，可選地，訓練圖像可包括從不同視角擷取的多個通道。例如，一個通道可由檢查工具的頂部偵測器從垂直視角拍攝，而另一個通道可由檢查工具的側偵測器從側面拍攝。在一些情況下，可存在從不同角度的超過一個側偵測器，並且因此，訓練圖像可包括多個側通道圖像。在一些情況下，多個通道圖像可組合成一個組合圖像。
然後，標注（406）具有高SNR的第二訓練圖像（例如，藉由訓練集產生器104）。如前述，優選對高SNR圖像執行標注，以便提高標注的標籤資料的準確性，所述標注的標籤資料將用作用於訓練ML模型的真值資料。可以各種方式獲得標籤資料。例如，標籤資料可藉由手動標注獲得，或者可合成產生（例如，使用設計資料，諸如基於CAD的圖像）。作為另一示例，可基於機器學習來產生真值資料。例如，機器學習模型可使用手動標注的圖像進行訓練，並且經訓練模型可用於自動地（或半自動地）產生輸入圖像的標籤資料。基於機器學習的標籤資料產生系統的示例在標題為「GENERATING TRAINING DATA USABLE FOR EXAMINATION OF A SEMICONDUCTOR SPECIMEN（產生可用於檢查半導體取樣的訓練資料）」的美國專利申請第16/942,677號中進行描述，所述申請藉由引用以其全文併入本文。在一些情況下，可將標籤資料產生為以上各項中的任一者的組合。本案內容不限於獲得第二訓練圖像的標籤資料的特定方式。
可使第一訓練圖像和第二訓練圖像配準（408）以校正它們之間的偏移，使得第一訓練圖像和標籤資料對準。兩個訓練圖像之間的偏移可能由各種因素引起，所述因素諸如例如由充電效應引起的漂移、由工具的工作點引起的漂移（例如，掃瞄器及/或平臺漂移）及/或由樣品的收縮引起的漂移等。本案內容中提到的圖像配準可包括測量兩個圖像之間的偏移，並且使一個圖像相對於另一個圖像移位以校正偏移。特別地，在本案內容中，一旦測量偏移，就可根據（相對於第一訓練圖像的）偏移使第二訓練圖像（即，高SNR圖像）中標注的標籤資料移位（連同或不連同第二圖像本身一起），以便與低SNR圖像對準。替代地，可根據（相對於第二訓練圖像的）偏移使第一訓練圖像移位，以與標籤資料（以及與第二訓練圖像）對準。
可根據本領域已知的任何合適的配準演算法來實施配準。例如，配準可使用以下演算法中的一或多個來執行：基於區域的演算法、基於特徵的配準或相位相關配準。基於區域的方法的示例是使用諸如盧卡斯-卡納德（LK）演算法之類的光流進行配準。基於特徵的方法是基於在兩個圖像中找到不同資訊點（「特徵」）並根據特徵的對應關係計算每對之間的所需轉換。這允許彈性配準（即非剛性配準），其中不同區域單獨地移動。相位相關配準（PCR）是使用頻域分析完成的（其中傅裡葉域中的相差被轉換為圖像域中的配準）。
因此，產生（410）用於訓練ML模型的訓練取樣，包括經配準的第一訓練圖像和標籤資料。在一些實施例中，可以類似方式從一或多個附加參考區域獲取一或多個附加訓練取樣。
包括如圖4所述產生的一或多個訓練取樣的訓練集可用於以監督方式訓練ML模型。ML模型在訓練後可用於處理表示取樣的共用與給定設計模式相同的設計模式的檢驗區域的運行時圖像並獲得特定於給定檢查應用的檢查資料。運行時圖像以相對低的SNR（與如前述第一訓練圖像的低SNR相同/類似）獲取。
圖5圖示根據當前揭示的主題的某些實施例的ML模型的訓練程序的示意圖。在訓練階段期間，可獲得根據圖2和圖4的描述產生的訓練集，所述訓練集包括一或多個訓練取樣。具體地，獲取作為表示樣品的參考區域的低SNR圖像的第一訓練圖像502。獲取作為相同參考區域的高SNR圖像的第二訓練圖像504。標注第二訓練圖像504以獲得其標籤資料（506）（例如，在分割應用的示例中，與第二訓練圖像相關聯的分割圖）。使兩個圖像502和504配準，使得標籤資料或第一訓練圖像502中的任一者根據它們之間的偏移而固定。由此，產生包括經配準的第一訓練圖像502和標籤資料506的訓練取樣。可使用訓練取樣來訓練（508）ML模型510，由此獲得以分割相關訓練參數為特徵的經訓練ML模型。在一些實施例中，訓練程序可以是循環的，並且可重複若干次直到ML模型被充分訓練，例如，能夠提供分割圖的滿足準確度標準的輸出。例如，可使用與分割準確度相關的成本函數（例如，真值標籤資料對預測分割圖）來訓練ML模型。
儘管圖5中僅圖示一個訓練取樣，但這並不旨在以任何方式限制本案內容。在一些實施例中，可以類似方式獲得一或多個附加訓練取樣，並且可使用附加訓練取樣重複訓練程序。在一些情況下，可選地，可使用驗證圖像集來驗證經訓練ML模型。圖像驗證集可以是與訓練集不同的圖像集，並且可包括為驗證目的而選擇的圖像。使用者可為ML模型在訓練或驗證期間達到的結果提供回饋。
現在參考圖3，圖示根據當前揭示的主題的某些實施例的使用經訓練ML對半導體樣品的運行時檢查的一般化流程圖。
在樣品的運行時檢查期間，可（例如，藉由檢查工具120）獲得（302）表示半導體樣品的檢驗區域的運行時圖像（例如，如前述的FP圖像）。運行時圖像具有相對低的訊雜比（SNR）（例如，相對於如本文所述的高SNR，或相對於閾值）。例如，可藉由電子束工具（諸如例如SEM）獲取運行時圖像。
可使用機器學習（ML）模型（例如，PMC 102中的ML模型108）處理（304）運行時圖像以獲得特定於給定檢查應用的檢查資料。可先前針對給定檢查應用使用一或多個訓練取樣訓練ML模型，每個訓練取樣表示共用與檢驗區域相同的設計模式的相應參考區域，如上文關於圖2和圖4所述。具體地，每個訓練取樣包括相應參考區域的具有相對低的訊雜比（SNR）（例如，相對於高SNR或閾值而相對更低）的第一訓練圖像（204）和指示相應參考區域中有關給定檢查應用的真值的標籤資料（206）。藉由標注相應參考區域的具有相對高的SNR的第二訓練圖像來獲得標籤資料。如前述，第一訓練圖像是在與運行時圖像相似的成像條件（在電子劑量、訊框的數量等方面）下獲取的，使得第一訓練圖像的低SNR與運行時圖像的低SNR相同/類似（例如，相同、類似或高度相關）。因此，第一訓練圖像的低SNR和運行時圖像的低SNR可在一定程度上類似/等同，而不必完全相同。可使用各種相似性度量和演算法來決定它們之間的等同性/相似性的程度/位凖。
如前述，本文提及的檢查應用可以是來自包括（但不限於）以下各項的任何應用：用於將運行時圖像分割成檢驗區域中的一或多個片段的分割應用，用於獲得檢驗區域中的結構特徵的一或多個測量值的計量應用、用於偵測檢驗區域中的一或多個候選缺陷的缺陷偵測應用和用於對檢驗區域中的一或多個候選缺陷分類的缺陷分類應用。
根據某些實施例，檢查應用可以是分割應用。本文使用的術語「分割」可指將圖像分割成有意義部分/片段（例如，背景和前景、雜訊區域和非雜訊區域、各種結構元素、缺陷和非缺陷等）而同時提供指示此類片段的每像素值或每區域值的任何程序。在此類情況下，訓練取樣可包括第一訓練圖像（例如，SEM圖像）和標籤資料，所述標籤資料可以是對應於SEM圖像的真值分割圖（例如，指示一或多個片段中運行時圖像的至少部分的每個像素所屬的特定片段）。例如，在一些情況下，片段可對應於第一訓練圖像中呈現的一或多個結構元素。本文使用的結構元素可指圖像資料上具有帶有輪廓的幾何形狀或幾何結構的任何原始物件，在一些情況下與（多個）其他物件結合。可例如以多邊形的形式呈現結構元素。
在訓練ML模型後，經訓練ML模型可用於處理運行時圖像並輸出預測分割圖，所述預測分割圖提供與運行時圖像中的對應像素相關聯的預測標籤的資訊。每個預測標籤指示相應像素所屬的運行時圖像中的片段。
圖6圖示根據當前揭示的主題的某些實施例的第一訓練圖像的示例。訓練圖像602被例示為由SEM工具擷取並且表示晶片的晶粒的區域的SEM圖像。如圖所示，圖像中存在複數個結構元素604（被示出為表示晶片上的觸點的元素的多邊形）。在本示例中，標籤資料（從第二訓練圖像上的標注獲得）可作為分割圖提供，諸如表示兩個片段的二進位圖，第一片段對應於圖像中的結構元素，並且第二片段對應於背景區域。
圖7是根據當前揭示的主題的某些實施例的使用ML模型的運行時檢查程序的示意圖。在運行時期間，藉由經訓練ML模型704獲取和處理樣品的具有低SNR的運行時圖像702以獲得特定於給定檢查應用的檢查資料。例如，在分割應用中，輸出檢查資料可以是對應於運行時圖像702的分割圖706。獲得的分割圖可提供指示圖像上的不同片段的每像素或每區域分割標籤的資訊。例如，一個層上的多邊形可具有一個分割標籤，並且另一個層上的多邊形可具有不同分割標籤，而背景可具有單獨的分割標籤。
在一些實施例中，這種分割圖可由計量工具用於對樣品執行測量。作為另一示例，它也可在構建屬性時可用於ADC（例如，以用於定義缺陷是在主圖案上、背景上還是兩者上），或者可用於ADR以用於在每個片段上應用特定於片段的偵測閾值等。
在一些實施例中，檢查應用是缺陷分類應用。在這種情況下獲取的標籤資料可提供參考區域中存在的缺陷的類（例如，顆粒、圖案變形、橋等）和可選地缺陷屬於這些類的概率的資訊。在ML訓練期間使用的成本函數可基於預測的類與其真值（類標籤）之間的分類誤差。
在一些實施例中，檢查應用是缺陷偵測應用。在這種情況下獲取的標籤資料可提供參考區域中出現的候選缺陷列表中的候選缺陷是感興趣缺陷（DOI）還是滋擾的資訊。例如，可提供標籤資料，例如，以DOI邊界框的形式，或以二進位圖像的形式，其中只有屬於DOI的像素獲得值「1」，而無缺陷像素獲得值「0」，等等。在ML訓練期間使用的成本函數可基於偵測準確度/擷取率，並且可選地，還基於誤偵測和過度偵測的懲罰。
在一些實施例中，檢查工具是計量應用。在這種情況下獲取的標籤資料可提供關於檢驗區域中的結構元素的一或多個測量值（例如，CD測量值）的資訊。在ML的訓練期間使用的成本函數可基於預測測量值相對於真值測量值的測量準確度。
根據一些實施例，ML模型可被實施為分類器。本文提及的術語「分類器」、「分類器模型」或「分類模型」應當被廣義地解釋為涵蓋能夠基於訓練集來辨識新實例屬於一組類別/類中的哪一個的任何學習模型。例如，在例示的分割應用中，可訓練分類器將候選像素分類到如使用者所定義的一組分割類中。經訓練分類器可用於圖像分割，即，用於針對圖像之每一者像素提供指示其所屬的片段的預測標籤。需注意，分類器可實施為各種類型的機器學習模型，諸如例如線性分類器、支援向量機（SVM）、神經網路、決策樹等，並且本案內容不限於由與本案內容一起實施的特定模型。
根據某些實施例，如上文參考圖2和圖4描述的訓練程序可被包括作為用於產生可由系統101及/或檢查工具120用於運行時線上檢查的檢查配方的程序的一部分（其中ML模型一旦經訓練，就可用作檢查配方的一部分）。因此，當前揭示的主題還包括用於在配方設置階段期間產生檢查配方的系統和方法，如參考圖2和圖4（及其各個實施例）所述。應當注意，術語「檢查配方」應當被廣泛解釋為涵蓋可由檢查工具用於包括如前述的實施例的任何檢查應用的任何配方。
需注意，本案內容中示出的示例，諸如例如獲得第一訓練圖像和第二訓練圖像的各種方式、例示的檢查應用和標籤資料等，是出於示例性目的示出，不應當被視為以任何方式限制本案內容。除了或代替以上內容，可使用其他適當的示例/實施方式。
如本文所述的訓練程序的某些實施例的優點之一是它使得能夠從高SNR圖像獲取標注並將其與低SNR圖像相關聯，其中標籤資料和低SNR圖像一起用作訓練取樣以供訓練ML模型。這確保了獲取的標籤資料的準確度，這些標籤資料用作用於訓練的真值，同時使ML模型能夠在與將被運行時檢查的運行時圖像具有類似的成像條件的低SNR圖像上進行訓練，從而提高在運行時檢查中的經訓練ML模型在穩健性和準確度方面的效能。
如本文所述的訓練程序的某些實施例的進一步優點在於，它使得能夠檢查樣品的先前不可能被檢查的某些敏感層，因為這些層在檢查期間需要最小的電子劑量以便減少圖案損壞，這會導致圖像的SNR非常低，並且無法對此類低SNR圖像執行標注。
如本文所述的訓練程序的某些實施例的進一步優點在於，由於在高SNR圖像上的標注更容易且更快速，這進一步改善了標注的用戶體驗和用於訓練ML的配方時間（TTR）。
將理解，本案內容在其應用方面不限於本文含有的描述中闡述的或附圖中示出的細節。
還將理解，根據本案內容的系統可至少部分地實施在適當程式設計的電腦上。同樣地，本案內容設想可由電腦讀取以用於執行本案內容的方法的電腦程式。本案內容進一步設想有形地體現可由電腦執行來執行本案內容的方法的指令程式的非暫時性電腦可讀記憶體。
本案內容能夠具有其他實施例，並且能夠以各種方式實踐或進行。因此，將理解，本文採用的措辭和術語是出於描述的目的，並且不應當被視為限制性的。因此，本領域技藝人士將瞭解，本案內容所基於的概念可易於用作設計用於進行當前揭示的主題的若干目的的其他結構、方法和系統的基礎。
本領域技藝人士將易於瞭解，可在不背離本案內容的範圍的情況下對如前文所描述的本案內容的實施例應用各種修改和改變，本案內容的範圍在所附申請專利範圍中定義並由所附申請專利範圍定義。
100:檢查系統 101:基於電腦的系統 102:處理器和記憶體電路系統 104:訓練集產生器 106:訓練模組 108:機器學習模型 120:檢查工具 122:儲存單元 124:圖形化使用者介面 126:I/O介面 202:步驟 204:步驟 206:步驟 208:步驟 302:步驟 304:步驟 402:步驟 404:步驟 406:步驟 408:步驟 410:步驟 502:第一訓練圖像 504:第二訓練圖像 506:標籤資料 508:訓練 510:ML模型 602:訓練圖像 604:結構元素 702:運行時圖像 704:經訓練ML模型 706:分割圖
為了理解本案內容並瞭解本案內容可如何進行實踐，將參考附圖僅藉由非限制性示例的方式來描述實施例，在附圖中：
圖1圖示根據當前揭示的主題的某些實施例的檢查系統的一般化方塊圖。
圖2圖示根據當前揭示的主題的某些實施例的訓練可用於檢查半導體樣品的機器學習模型的一般化流程圖。
圖3圖示根據當前揭示的主題的某些實施例的使用經訓練ML對半導體樣品的運行時檢查的一般化流程圖。
圖4圖示根據當前揭示的主題的某些實施例的產生用於訓練可用於檢查半導體樣品的ML模型的訓練集的一般化流程圖。
圖5圖示根據當前揭示的主題的某些實施例的ML模型的訓練程序的示意圖。
圖6圖示根據當前揭示的主題的某些實施例的第一訓練圖像的示例。
圖7是根據當前揭示的主題的某些實施例的使用ML模型的運行時檢查程序的示意圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
502:第一訓練圖像
504:第二訓練圖像
506:標籤資料
508:訓練
510:ML模型

Claims (20)

  1. 一種半導體樣品的運行時檢查的電腦化系統，該系統包括一處理和記憶體電路系統（PMC），該PMC被配置為： 獲得表示該半導體樣品的一檢驗區域的一運行時圖像，該運行時圖像具有一相對低的訊雜比（SNR）；及 使用一機器學習（ML）模型處理該運行時圖像以獲得特定於一給定檢查應用的檢查資料，其中該ML模型先前使用一或多個訓練取樣針對該給定檢查應用進行訓練，每個訓練取樣表示共用與該檢驗區域相同的設計模式的一相應參考區域並包括： 該相應參考區域的一第一訓練圖像，該第一訓練圖像具有與該運行時圖像的該低SNR類似的一相對低的SNR；及 標籤資料，該標籤資料指示該相應參考區域中有關該給定檢查應用的真值，該標籤資料藉由標注該相應參考區域的具有一相對高的SNR的一第二訓練圖像來獲得。
  2. 根據請求項1之電腦化系統，其中由一電子束工具獲取該運行時圖像和該一或多個訓練取樣。
  3. 根據請求項1之電腦化系統，其中該給定檢查應用是以下各項中的一者：用於將該運行時圖像分割成該檢驗區域中的一或多個片段的一分割應用、用於獲得關於該檢驗區域中的一結構元素的一或多個測量值的一計量應用、用於偵測該檢驗區域中的一或多個候選缺陷的一缺陷偵測應用和用於對該檢驗區域中的一或多個缺陷分類的一缺陷分類應用。
  4. 根據請求項1之電腦化系統，其中基於針對該參考區域獲取的一第一數量的訓練訊框來產生該第一訓練圖像，並且基於針對該參考區域獲取的一第二數量的訓練訊框來產生該第二訓練圖像，其中該第一數量小於該第二數量，並且其中基於該第一數量的運行時訊框來產生該運行時圖像。
  5. 根據請求項4之電腦化系統，其中該第二數量的訓練訊框包括該第一數量的訓練訊框。
  6. 根據請求項1之電腦化系統，其中基於一第一劑量的電子來產生該第一訓練圖像，並且基於一第二劑量的電子來產生該第二訓練圖像，其中該第一劑量小於該第二劑量，並且其中基於該第一劑量的電子來產生該運行時圖像。
  7. 根據請求項1之電腦化系統，其中基於以下各項中的至少一者來獲得該標籤資料：手動標注、基於設計資料的合成產生的標籤、機器學習衍生標籤或它們的一組合。
  8. 根據請求項1之電腦化系統，其中配準該第一訓練圖像和該第二訓練圖像以校正兩者之間的一偏移，使得該第一訓練圖像和該標籤資料對準。
  9. 根據請求項1之電腦化系統，其中在獲取該第二訓練圖像之前獲取該第一訓練圖像。
  10. 根據請求項1之電腦化系統，其中該檢驗區域是該半導體樣品的僅能經由具有一相對低的SNR的圖像檢查的一敏感層的一部分。
  11. 根據請求項1之電腦化系統，其中該給定檢查應用是用於將該運行時圖像分割成該檢驗區域中的一或多個片段的一分割應用，並且該標籤資料指示該一或多個片段中該運行時圖像的至少部分的每個像素所屬的一特定片段。
  12. 根據請求項1之電腦化系統，其中該檢驗區域來自該半導體樣品的一檢驗晶粒，並且該相應參考區域來自該檢驗晶粒的一參考晶粒，該參考晶粒來自該半導體樣品或來自一不同半導體樣品。
  13. 一種訓練能用於檢查一半導體樣品的一機器學習模型的電腦化方法，該方法由一處理和記憶體電路系統（PMC）執行並包括以下步驟： 獲得一訓練集，該訓練集包括一或多個訓練取樣，每個訓練取樣表示具有一給定設計模式的一相應參考區域，該訓練取樣包括： 一第一訓練圖像，該第一訓練圖像具有一相對低的訊雜比（SNR）；及 標籤資料，該標籤資料指示該相應參考區域中有關該給定檢查應用的真值，該標籤資料藉由標注該相應參考區域的具有一相對高的SNR的一第二訓練圖像來獲得；及 針對該給定檢查應用使用該訓練集訓練該ML模型； 其中該ML模型在經訓練後能用於處理表示該樣品的共用與該給定設計模式相同的設計模式的一檢驗區域的一運行時圖像並獲得特定於該給定檢查應用的檢查資料，該運行時圖像具有與該第一訓練圖像的該低SNR類似的一相對低的SNR。
  14. 根據請求項13之電腦化方法，其中該給定檢查應用是以下各項中的一者：用於將該運行時圖像分割成該檢驗區域中的一或多個片段的一分割應用、用於獲得關於該檢驗區域中的一結構元素的一或多個測量值的一計量應用、用於偵測該檢驗區域中的一或多個候選缺陷的一缺陷偵測應用和用於對該檢驗區域中的一或多個缺陷分類的一缺陷分類應用。
  15. 根據請求項13之電腦化方法，其中該獲得該訓練集之步驟包括以下步驟：基於針對該參考區域獲取的一第一數量的訓練訊框來產生該第一訓練圖像，並且基於針對該參考區域獲取的一第二數量的訓練訊框來產生該第二訓練圖像，其中該第一數量小於該第二數量，並且其中基於該第一數量的運行時訊框來產生該運行時圖像。
  16. 根據請求項13之電腦化方法，其中該獲得該訓練集之步驟包括以下步驟：基於一第一劑量的電子來產生該第一訓練圖像，基於一第二劑量的電子來產生該第二訓練圖像，其中該第一劑量小於該第二劑量，並且其中基於該第一劑量的電子來產生該運行時圖像。
  17. 根據請求項13之電腦化方法，其中該獲得該訓練集之步驟包括以下步驟：配準該第一訓練圖像和該第二訓練圖像以校正兩者之間的一偏移，使得該第一訓練圖像和該標籤資料對準。
  18. 根據請求項13之電腦化方法，其中在獲取該第二訓練圖像之前獲取該第一訓練圖像。
  19. 根據請求項13之電腦化方法，其中該給定檢查應用是用於將該運行時圖像分割成該檢驗區域中的一或多個片段的一分割應用，並且該標籤資料指示該一或多個片段中該運行時圖像的至少部分的每個像素所屬的一特定片段。
  20. 一種非暫時性電腦可讀取儲存媒體，該非暫時性電腦可讀取儲存媒體有形地體現一指令程式，該等指令程式當由一電腦執行時使該電腦執行一半導體樣品的運行時檢查的一方法，該方法包括以下步驟： 獲得表示該半導體樣品的一檢驗區域的一運行時圖像，該運行時圖像具有一相對低的訊雜比（SNR）；及 使用一機器學習（ML）模型處理該運行時圖像以獲得特定於一給定檢查應用的檢查資料，其中該ML模型先前使用一或多個訓練取樣針對該給定檢查應用進行訓練，每個訓練取樣表示共用與該檢驗區域相同的設計模式的一相應參考區域並包括： 該相應參考區域的具有與該運行時圖像的該低SNR類似的一相對低的SNR的一第一訓練圖像；及 標籤資料，該標籤資料指示該相應參考區域中有關該給定檢查應用的真值，該標籤資料藉由標注該相應參考區域的具有一相對高的SNR的一第二訓練圖像來獲得。
TW112104363A 2022-03-28 2023-02-08 基於機器學習的半導體樣品的檢查及其訓練 TW202339038A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/706,306 US12260543B2 (en) 2022-03-28 2022-03-28 Machine learning based examination of a semiconductor specimen and training thereof
US17/706,306 2022-03-28

Publications (1)

Publication Number Publication Date
TW202339038A true TW202339038A (zh) 2023-10-01

Family

ID=88096124

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112104363A TW202339038A (zh) 2022-03-28 2023-02-08 基於機器學習的半導體樣品的檢查及其訓練

Country Status (3)

Country Link
US (1) US12260543B2 (zh)
KR (1) KR20230140394A (zh)
TW (1) TW202339038A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12260543B2 (en) * 2022-03-28 2025-03-25 Applied Materials Israel Ltd. Machine learning based examination of a semiconductor specimen and training thereof
US12223641B2 (en) * 2022-05-19 2025-02-11 Applied Materials Israel Ltd. Defect detection of a semiconductor specimen
US12482090B2 (en) * 2022-08-30 2025-11-25 Siemens Industry Software Inc. Wafer image defect detection and characterization for manufacturing process calibration

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
US11645831B2 (en) * 2020-07-07 2023-05-09 Applied Materials Israel Ltd. Identification of an array in a semiconductor specimen
JP7430271B2 (ja) * 2020-09-17 2024-02-09 株式会社日立ハイテク エラー要因の推定装置及び推定方法
US20240069450A1 (en) * 2020-12-18 2024-02-29 Asml Netherlands B.V. Training machine learning models based on partial datasets for defect location identification
JP2022140081A (ja) * 2021-03-12 2022-09-26 オムロン株式会社 検査システム、検査管理装置、検査方法、及びプログラム
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
US20230128610A1 (en) * 2021-10-25 2023-04-27 Kla Corporation Continuous Machine Learning Model Training for Semiconductor Manufacturing
US20230136110A1 (en) * 2021-11-01 2023-05-04 Kla Corporation Knowledge distillation for semiconductor-based applications
US12080050B2 (en) * 2021-12-20 2024-09-03 KLA Corp. Machine learning using a global texture characteristic for semiconductor-based applications
US12260543B2 (en) * 2022-03-28 2025-03-25 Applied Materials Israel Ltd. Machine learning based examination of a semiconductor specimen and training thereof

Also Published As

Publication number Publication date
CN116823711A (zh) 2023-09-29
US20230306580A1 (en) 2023-09-28
KR20230140394A (ko) 2023-10-06
US12260543B2 (en) 2025-03-25

Similar Documents

Publication Publication Date Title
TWI834916B (zh) 基於機器學習的取樣缺陷檢測
US11568531B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
TWI864281B (zh) 對半導體試樣上的一感興趣圖案（ｐｏｉ）進行分類的系統與方法，及電腦程式產品執行訓練一機器學習模型的方法以生成可用於對ｐｏｉ進行分類的資料
CN118196555B (zh) 生成可用于检查半导体样本的训练数据
US12361531B2 (en) Machine learning-based classification of defects in a semiconductor specimen
CN110189288A (zh) 生成可用于半导体样本的检查的训练集的方法和其系统
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練
TWI864314B (zh) 樣本的類比圖像的決定
US12277750B2 (en) Identification of an array in a semiconductor specimen
US12511720B2 (en) Image denoising for examination of a semiconductor specimen
TW202526819A (zh) 用於半導體取樣的基於機器學習的缺陷檢查
CN118538625A (zh) 用于工艺监测的基于机器学习的检查
US12530764B2 (en) Matching based defect examination for semiconductor specimens
TW202542836A (zh) 用於對半導體取樣進行缺陷檢查的基於傅裡葉變換的機器學習
TW202501401A (zh) 用於半導體樣本的基於機器學習的缺陷檢查
CN116823711B (zh) 基于机器学习的半导体样品的检查及其训练
TWI909872B (zh) 對半導體取樣進行缺陷偵測的系統、方法和非暫時性機器可讀取儲存媒體