TW202524073A - 半導體取樣的基於機器學習的缺陷檢查和排名 - Google Patents

Abstract

提供了一種對半導體取樣進行缺陷檢查的系統和方法。該方法包括：獲得檢驗資料集，該檢驗資料集提供關於由檢驗工具檢查取樣而產生的一組缺陷候選及其屬性的資訊；藉由分類器將該組缺陷候選分類成複數個缺陷類別，使得每個缺陷候選與相應的缺陷類別相關聯；及藉由決策模型使用排序規則將該組缺陷候選排名到總順序中。每個缺陷候選與總順序中代表缺陷候選是感興趣缺陷（DOI）的可能性的不同排名相關聯。決策模型在先前被訓練以學習排序規則，該排序規則同與該組缺陷候選相關聯的複數個缺陷類別和檢驗資料中的一系列屬性有關。

Description

半導體取樣的基於機器學習的缺陷檢查和排名

當前公開的主題整體上涉及檢查半導體取樣的領域，並且更具體地涉及取樣的基於機器學習的缺陷偵測。

當前對與製造的裝置的超大規模集成相關聯的高密度和效能的需求需要亞微米特徵、增加的電晶體和電路速度、以及改善的可靠性。隨著半導體製程的進步，諸如線寬之類的圖案尺寸以及其他類型的臨界尺寸不斷縮小。這些需求要求以高精度和均勻性形成裝置特徵，這進而又需要對製造製程進行仔細監控，包括在裝置仍處於半導體晶片形式時對裝置進行自動檢查。

可以在待檢查的取樣的製造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，各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。

檢查製程可以包括複數個檢查步驟。半導體裝置的製造處理可以包括各種程序，諸如蝕刻、沉積、平坦化、生長（諸如外延生長）、注入等。檢查步驟可以執行多次，例如在某些製程程序之後及/或在製造某些層之後執行等。附加地或替代地，每個檢查步驟可以重複多次，例如針對不同的晶片位置或以不同檢查設置針對同一晶片位置。

在半導體製造期間的各個步驟使用檢查處理，以偵測和分類取樣上的缺陷，以及執行計量相關操作。檢查的有效性可以藉由（多個）製程的自動化來提高，所述製程諸如例如缺陷偵測、自動缺陷分類（ADC）、自動缺陷審查（ADR）、圖像分割、自動化計量相關操作等。

自動化檢查系統確保製造的零件符合預期的品質標準，並根據所標識的缺陷類型提供關於製造工具、裝備及/或成分可能需要的調整的有用資訊。

在一些情況下，機器學習技術可用於輔助自動化檢查製程以便促進更高的良率。例如，監督機器學習可用於基於充分註釋的訓練圖像來實現準確且高效的解決方案，以使特定的檢查應用自動化。

根據當前公開的主題的某些態樣，提供了一種對半導體取樣進行缺陷檢查的系統，所述系統包括處理器電路系統，所述處理器電路系統被配置為：獲得檢驗資料集，所述檢驗資料集提供關於由檢驗工具檢查所述半導體取樣而產生的一組缺陷候選及其屬性的資訊；藉由分類器將該組缺陷候選分類成複數個缺陷類別，使得每個缺陷候選與相應的缺陷類別相關聯；及藉由決策模型使用排序規則將所述一組缺陷候選排名到總順序中，其中每個缺陷候選與所述總順序中的不同排名相關聯，所述不同排名代表所述缺陷候選是感興趣缺陷（DOI）的可能性，其中所述決策模型先前被訓練以學習所述排序規則，所述排序規則同與所述一組缺陷候選相關聯的所述複數個缺陷類別、以及所述檢驗資料中的一系列屬性有關。

除了上述特徵之外，根據當前公開的主題的該態樣的系統可以以技術上可能的任何期望的組合或排列包括下面列出的特徵(i)至(x)中的一者或多者： (i).    所述檢驗資料集被表示為表格資料集。 (ii).   所述處理電路系統進一步被配置為從所述檢驗資料集中選擇要由審查工具審查的缺陷候選的列表，所述缺陷候選的列表是根據所述審查工具的審查預算基於所述缺陷候選的不同排名來選擇的。 (iii).  所述處理電路系統進一步被配置為根據所述總順序從所述檢驗資料集中過濾擾動。 (iv).  所述處理電路系統進一步被配置為藉由將所述屬性中的至少一些的每個給定屬性的值變換成特定分佈來對所述檢驗資料集進行正規化，以及評估所述變換的變換誤差以決定是否從所述檢驗資料集過濾所述給定屬性，從而產生具有經過濾屬性的正規化的資料集，所述經過濾屬性各自具有正規化的值。 (v).   所述處理電路系統進一步被配置為基於一或多個屬性將所述檢驗資料集劃分為複數個子空間，以及針對每個子空間執行所述正規化和分類。所述處理電路系統被配置為對從所述複數個子空間組合的經分類的缺陷候選進行排名。 (vi).  所述複數個類別包括DOI、擾動、未知和不關心（DNC）。 (vii). 所述分類器基於從缺陷候選的子集匯出的訓練資料在先前進行訓練，所述缺陷候選的子集由審查工具審查並且具有指示所述缺陷候選的地面真值缺陷類別的屬性。 (viii). 所述訓練資料是藉由基於所述缺陷候選的檢驗屬性的值將所述缺陷候選的子集聚類成複數個聚類來匯出的，並且在所述訓練資料中至少包括所述缺陷候選的所述複數個聚類。 (ix).   所述決策模型使用訓練資料集進行訓練，所述訓練資料集提供關於一組缺陷候選及其屬性的資訊，所述一組缺陷候選及其屬性是至少由檢驗工具和審查工具對一或多個半導體取樣進行檢查而產生的，所述屬性包括第一屬性，所述第一屬性指示由所述分類器產生的所述一組缺陷候選的缺陷類別，所述訓練資料集包括由所述審查工具審查並且具有第二屬性的缺陷候選的子集，所述第二屬性指示所述缺陷候選的地面真值缺陷類別。 (x).    所述決策模型藉由以下操作來進行訓練：根據所述第一屬性對所述訓練資料集進行排序，從而產生包括缺陷候選的多個子集的經排序的資料集，每個子集與所述第一屬性的相應缺陷類別相對應；對於缺陷候選的每個子集，標識要用於對所述子集內的所述缺陷候選進行排序的一或多個屬性，以便根據所述缺陷候選的所述地面真值缺陷類別得到缺陷候選的經排序的子集；及在多個經排序的子集之間進行排序，以使所述訓練資料集中的所有缺陷候選根據所述缺陷候選的地面真值缺陷類別進行排序。

根據當前公開的主題的其他態樣，提供了一種對半導體取樣進行缺陷檢查的電腦化方法，所述方法包括：獲得檢驗資料集，所述檢驗資料集提供關於由檢驗工具檢查所述半導體取樣而產生的一組缺陷候選及其屬性的資訊；藉由分類器將該組缺陷候選分類成複數個缺陷類別，使得每個缺陷候選與相應的缺陷類別相關聯；及藉由決策模型使用排序規則將所述一組缺陷候選排名到總順序中，其中每個缺陷候選與所述總順序中的不同排名相關聯，所述不同排名代表所述缺陷候選是感興趣缺陷（DOI）的可能性，其中所述決策模型先前被訓練以學習所述排序規則，所述排序規則同與所述一組缺陷候選相關聯的所述複數個缺陷類別、以及所述檢驗資料中的一系列屬性有關。

根據當前公開的主題的其他態樣，提供了一種訓練基於機器學習（ML）的檢查系統的電腦化方法，所述方法包括：獲得訓練資料集，所述訓練資料集提供關於一組缺陷候選及其屬性的資訊，所述一組缺陷候選及其屬性是至少由檢驗工具和審查工具對一或多個半導體取樣進行檢查而產生的，所述屬性包括第一屬性，所述第一屬性指示由分類器產生的所述一組缺陷候選的缺陷類別，所述分類器在先前基於從所述訓練資料集中的缺陷候選的子集匯出的訓練資料進行訓練，所述缺陷候選的子集由所述審查工具進行審查並且具有第二屬性，所述第二屬性指示所述缺陷候選的地面真值缺陷類別；及使用所述訓練資料集訓練決策模型，以學習與包括所述第一屬性的一系列屬性有關的排序規則，所述排序規則能用於根據由所述第二屬性指示的所述地面真值缺陷類別將所述一組缺陷候選排名到總順序中，其中每個缺陷候選與所述總順序中的不同排名相關聯，所述不同排名代表所述缺陷候選是感興趣缺陷（DOI）的可能性。

本案的主題的這些態樣可以加以必要的修改，以技術上可能的任何期望的組合或排列包括上面關於系統列出的特徵(i)至(x)中的一者或多者。

除了上述特徵之外，根據當前公開的主題的這些態樣的方法可以以技術上可能的任何期望的組合或排列包括下面列出的特徵(xi)至(xvi)中的一者或多者： (xi).   所述訓練資料集被表示為表格資料集。 (xii).  所述獲得訓練資料集包括：獲得原始資料集，所述原始資料集提供關於所述一組缺陷候選及其屬性的資訊，所述一組缺陷候選及其屬性是藉由至少由檢驗工具和審查工具對所述一或多個半導體取樣進行檢查而產生的，所述原始資料集包括由所述審查工具進行審查並且具有第二屬性的所述缺陷候選的子集，所述第二屬性指示所述缺陷候選的地面真值缺陷類別；基於所述缺陷候選的子集的所述屬性的值將所述缺陷候選的子集聚類成複數個聚類；及使用所述分類器將所述一組缺陷候選分類為複數個缺陷類別，其中所述分類器使用訓練資料進行預訓練，所述訓練資料至少包括所述缺陷候選的複數個聚類。 (xiii). 對所述原始資料集進行正規化包括：將所述原始資料集中的屬性中的至少一些的每個給定屬性的值變換成特定分佈，以及評估所述變換的變換誤差以決定是否從所述原始資料集中過濾所述給定屬性，從而產生具有經過濾的屬性的正規化的資料集，所述經過濾的屬性各自具有正規化的值，所述正規化的資料集包括與所述缺陷候選的子集相對應的正規化的子集，並且其中基於所述正規化的子集的所述經過濾的屬性的所述正規化的值對所述正規化的子集執行所述聚類。 (xiv). 所述方法進一步包括基於一或多個屬性將所述原始資料集劃分為複數個子空間，以及針對每個子空間執行所述正規化、聚類和分類。 (xv).  所述訓練資料是藉由以下操作產生的：驗證所述複數個缺陷類別是否各自包括足夠數量的缺陷候選，以及所述缺陷類別是否相對於彼此平衡，並且在給定缺陷類別不具有足夠候選的情況下，產生所述給定缺陷類別的合成缺陷候選，以及將每個合成缺陷候選與所述給定類別的地面真值相關聯。 (xvi). 所述一或多個半導體取樣包括一或多個半導體晶片的一或多個層。

根據當前公開的主題的其他態樣，提供了一種包括指令的非瞬態電腦可讀取儲存媒體，該等指令在由電腦執行時使電腦執行對半導體取樣進行缺陷檢查的電腦化方法，所述方法包括：獲得檢驗資料集，所述檢驗資料集提供關於由檢驗工具檢查所述半導體取樣而產生的一組缺陷候選及其屬性的資訊；藉由分類器將該組缺陷候選分類成複數個缺陷類別，使得每個缺陷候選與相應的缺陷類別相關聯；及藉由決策模型使用排序規則將所述一組缺陷候選排名到總順序中，其中每個缺陷候選與所述總順序中的不同排名相關聯，所述不同排名代表所述缺陷候選是感興趣缺陷（DOI）的可能性，其中所述決策模型先前被訓練以學習所述排序規則，所述排序規則同與所述一組缺陷候選相關聯的所述複數個缺陷類別、以及所述檢驗資料中的一系列屬性有關。

根據當前公開的主題的其他態樣，提供了一種包括指令的非瞬態電腦可讀取儲存媒體，該等指令在由電腦執行時使電腦執行訓練基於機器學習（ML）的檢查系統的電腦化方法，所述方法包括：獲得訓練資料集，所述訓練資料集提供關於一組缺陷候選及其屬性的資訊，所述一組缺陷候選及其屬性是至少由檢驗工具和審查工具對一或多個半導體取樣進行檢查而產生的，所述屬性包括第一屬性，所述第一屬性指示由分類器產生的所述一組缺陷候選的缺陷類別，所述分類器在先前基於從所述訓練資料集中的缺陷候選的子集匯出的訓練資料進行訓練，所述缺陷候選的子集由所述審查工具進行審查並且具有第二屬性，所述第二屬性指示所述缺陷候選的地面真值缺陷類別；及使用所述訓練資料集訓練決策模型，以學習與包括所述第一屬性的一系列屬性有關的排序規則，所述排序規則能用於根據由所述第二屬性指示的所述地面真值缺陷類別將所述一組缺陷候選排名到總順序中，其中每個缺陷候選與所述總順序中的不同排名相關聯，所述不同排名代表所述缺陷候選是感興趣缺陷（DOI）的可能性。

本案的主題的這些態樣可以加以必要的修改，以技術上可能的任何期望的組合或排列包括上面關於系統及/或方法列出的特徵(i)至(xvi)中的一者或多者。

半導體製造製程通常需要多個順序的處理步驟及/或層，其中每一者都可能導致錯誤，從而導致良率損失。各種處理步驟的示例可以包括光刻、蝕刻、沉積、平坦化、生長（諸如例如外延生長）和注入等。諸如缺陷相關檢查（例如，缺陷偵測、缺陷審查和缺陷分類等）及/或計量相關檢查之類的各種檢查操作可以在製造製程期間的不同處理步驟/層處執行以監測和控制製程。檢查操作可以執行多次，例如在某些處理步驟之後及/或在製造某些層之後執行等。

運行時缺陷檢查通常採用兩階段程序，例如，檢驗取樣，然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引導至晶片並偵測來自晶片的回應來產生取樣的某些輸出（例如，圖像、訊號等）。在第一階段期間，以高速和相對低的解析度檢驗取樣的表面。缺陷偵測通常藉由將缺陷偵測演算法應用於檢驗輸出來執行。產生缺陷圖以顯示取樣上有高概率是感興趣缺陷（DOI）的缺陷候選的可疑位置。

在典型的晶片中，如藉由檢驗所揭示的，缺陷候選數量的數量級可以在數萬或數百萬之間。審查每一個缺陷候選以決定它是DOI還是擾動是不切實際的。因此，選擇缺陷候選的一小部分，例如在幾十到幾千個缺陷之間，以便在第二階段以相對高的解析度更徹底地進行審查和分析，以決定缺陷的不同參數，諸如類別、厚度、粗糙度、大小等。可以基於審查結果來得出缺陷檢查結論。

隨著半導體製造製程的不斷進步，開發了具有越來越複雜的結構和減小的特徵尺寸的半導體裝置。隨著設計規則的縮減，存在更多較小的缺陷。DOI（與良率相關）和藉由檢驗偵測到的擾動的數量急劇增長，這導致了相對較高的擾動率，從而推動了更靈敏的檢驗。檢驗對於成功製造可接受的半導體裝置變得更加重要，因為較小的缺陷對裝置的電參數產生影響並且可能導致裝置失效。通常，檢驗的目標是為DOI偵測提供高靈敏度，同時抑制對晶片上揭示的缺陷候選中的擾動和雜訊的偵測。為此，非常期望選擇要審查的最可能的缺陷候選的能力（受制於審查工具的審查預算容量）。

相應地，當前公開的主題的某些實施例提出使用基於機器學習的缺陷檢查系統，該缺陷檢查系統解決了上述問題中的一或多個問題。本案提出提供一種運行時缺陷檢查系統，該運行時缺陷檢查系統能夠為藉由檢驗揭示的所有缺陷候選提供總排名順序，其中每個缺陷候選與其相應排名相關聯，相應排名代表著該缺陷候選是DOI的可能性。這種排名可用於選擇要由審查工具審查的最可能缺陷候選的列表，從而提高缺陷偵測靈敏度和擷取率，如下文將詳細描述的。

考慮到這一點，注意力轉向圖1，圖1圖示根據當前公開的主題的某些實施例的檢查系統的功能方塊圖。

圖1所示的檢查系統100可以用於作為取樣製造製程的一部分的半導體取樣（例如，晶片、晶粒或其部分）的檢查。如前述，本文所指的檢查可以被解釋為涵蓋與關於取樣的缺陷檢驗/偵測、缺陷分類、分割及/或計量操作等相關的任何種類的操作。系統100包括一或多個檢查工具120，一或多個檢查工具120被配置為掃瞄取樣並擷取其圖像以進一步處理用於各種檢查應用。

本文使用的術語「（多個）檢查工具」應被廣泛地解釋為涵蓋可用於檢查相關製程的任何工具，作為非限制性示例，包括掃瞄（在單次或多次掃瞄中）、成像、取樣、審查、測量、分類及/或關於取樣或其部分提供的其他製程。在不以任何方式限制本案的範圍的情況下，還應注意，檢查工具120可以被實現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）等等。

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檢驗工具，所述檢驗工具被配置為掃瞄取樣（例如，整個晶片、整個晶粒或其部分）以擷取檢驗圖像（通常以相對高速及/或低解析度）以用於偵測潛在缺陷（即，缺陷候選）。在檢驗期間，晶片在曝光期間可以相對於檢驗工具的偵測器以一定步長移動（或者晶片和工具可以相對於彼此在相反方向上移動），並且可以藉由檢驗工具沿著晶片的條帶逐步地對晶片進行掃瞄，其中檢驗工具一次對取樣的（條帶內的）部件/部分進行成像。作為示例，檢驗工具可以是光學檢驗工具。在每個步驟中，可以從晶片的矩形部分偵測光，並且這種偵測到的光被轉換成該部分中的多個點處的多個強度值，從而形成與晶片的該部件/部分相對應的圖像。例如，在光學檢驗中，平行雷射光束陣列可以沿著條帶掃瞄晶片表面。條帶被放置在彼此毗鄰的平行的行/列中，以一次一條帶地構建晶片表面的圖像。例如，工具可以沿著條帶從上到下掃瞄晶片，然後切換到下一條帶並從下到上掃瞄晶片，以此類推，直到掃瞄整個晶片並收集到晶片的檢驗圖像。

在一些情況下，檢查工具120中的至少一個可以是審查工具，審查工具被配置為擷取由檢驗工具偵測到的缺陷候選中的至少一些缺陷候選的審查圖像，以用於決定缺陷候選是否確實是感興趣的缺陷（DOI）。這種審查工具通常被配置為一次一個地檢驗取樣的片段（通常以相對低速及/或高解析度）。作為示例，審查工具可以是電子束工具，諸如例如，掃瞄電子顯微鏡(SEM)等。SEM是一種藉由用聚焦電子束掃瞄取樣來產生取樣圖像的電子顯微鏡。電子與取樣中的原子相互作用，產生包含取樣的表面形貌及/或成分的資訊的各種訊號。SEM能夠在半導體晶片製造期間精確地核對總和測量特徵。

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，或者以兩種不同模式操作的單個工具。在一些情況下，同一檢查工具可以提供低解析度圖像資料和高解析度圖像資料。所得的圖像資料（低解析度圖像資料及/或高解析度圖像資料）可以直接地或經由一或多個中間系統傳輸至系統101。本案不限於任何具體類型的檢查工具及/或由檢查工具產生的圖像資料的解析度。在一些情況下，檢查工具120中的至少一個具有計量能力並且可以被配置為擷取圖像並對所擷取的圖像執行計量操作。這種檢查工具也被稱為計量工具。

根據當前公開主題的某些實施例，檢查系統100包括基於電腦的系統101，基於電腦的系統101可操作地連接到檢查工具120並且能夠對半導體取樣進行自動缺陷檢查。系統101也被稱為缺陷檢查系統（也被稱為缺陷排名系統），及/或用於訓練基於機器學習的缺陷檢查系統的訓練系統。

系統101包括處理電路系統102，處理電路系統102可操作地連接到基於硬體的I/O介面126，並且被配置為提供作業系統所必需的處理，如參考圖2-圖6進一步詳細說明的。處理電路系統102可以包括一或多個處理器（未單獨示出）和一或多個記憶體（未單獨示出）。處理電路系統102的一或多個處理器可以被配置為單獨地或以任何適當的組合根據在處理電路系統中包括的非瞬態電腦可讀記憶體上實現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處理電路系統中。

本文所指的一或多個處理器可以表示一或多個通用處理設備，諸如微處理器、中央處理單元等。更具體地，給定處理器可以是以下各項中的一項：複雜指令集計算（CISC）微處理器、精簡指令集計算（RISC）微處理器、超長指令字（VLIW）微處理器、實現其他指令集的處理器、或者實現指令集的組合的處理器。一或多個處理器還可以是一或多個專用處理設備，諸如專用積體電路（ASIC）、現場可程式設計閘陣列（FPGA）、數位訊號處理器（DSP）、網路處理器等。一或多個處理器被配置成執行用於執行本文討論的操作和步驟的指令。

本文所指的記憶體可以包括以下各項中的一項或多項：內部記憶體（諸如例如處理器暫存器和緩存等）、主記憶體（諸如例如唯讀記憶體（ROM））、快閃記憶體、動態隨機存取記憶體（DRAM）（諸如同步DRAM（SDRAM）或Rambus DRAM（RDRAM）等）。

根據當前公開的主題的某些實施例，系統101可以是運行時缺陷檢查系統，該運行時缺陷檢查系統被配置為基於取樣製造期間獲得的運行時圖像使用一或多個經訓練的機器學習（ML）模型來執行缺陷檢查操作。在這種情況下，系統101的處理電路系統102中包括的功能模組可以包括分類器106和決策模型108、以及可選地資料處理模組104，分類器106和決策模型108是在其間可操作地連接的先前訓練的ML模型。

具體地，處理電路系統102可以被配置為經由I/O介面126獲得檢驗資料集，該檢驗資料集提供關於由檢驗工具檢查半導體取樣而產生的一組缺陷候選及其屬性的資訊。分類器106是預先訓練的分類器，被配置為將該組缺陷候選分類到複數個類別中。決策模型108也是預先訓練的，並且被配置為使用排序規則將該組缺陷候選排名到總順序中，其中每個缺陷候選與總順序中的代表缺陷候選是感興趣缺陷（DOI）的可能性的不同排名相關聯。在一些情況下，可選地，資料處理模組104可以被配置為預處理檢驗資料集，諸如子空間化及/或正規化等，以及將預處理的資料饋送到分類器106。

在這種情況下，以上模組（諸如分類器106和決策模型108）可以被視為可用於對運行時檢驗資料執行運行時缺陷檢查操作的缺陷檢查配方的一部分。系統101可以被視為能夠使用缺陷檢查配方執行運行時缺陷相關操作的運行時缺陷檢查系統（或缺陷排名系統）。下面參考圖6描述運行時檢查製程的細節。

在一些實施例中，系統101可以被配置為能夠在訓練/設置階段期間訓練基於ML的檢查系統的訓練系統。在這種情況下，系統101的處理電路系統102中包括的功能模組可以包括訓練模組（圖1中未示出）、要訓練的分類器106和要訓練的決策模型108。訓練模組可以被配置為獲得提供關於一組缺陷候選及其屬性的資訊的訓練資料集，該組缺陷候選及其屬性是藉由由複數個檢查工具對一或多個半導體取樣進行檢查而產生的，該等複數個檢查工具包括至少一個檢驗工具和至少一個審查工具。

屬性包括指示缺陷候選的由分類器產生的缺陷類別的第一屬性，該分類器先前基於從訓練資料集中的缺陷候選的子集匯出的訓練資料進行了訓練。缺陷候選的子集由審查工具進行審查，並且具有指示其地面真值缺陷類別的第二屬性。

訓練模組可以進一步被配置為使用訓練資料集訓練決策模型，以學習與包括第一屬性的一系列屬性有關的排序規則。排序規則可用於根據由第二屬性指示的地面真值缺陷類別將缺陷候選排名到總順序中，其中每個缺陷候選與總順序中的不同排名相關聯，該不同排名代表缺陷候選是感興趣缺陷（DOI）的可能性。

可選地，訓練系統101中的處理電路系統102可以包括一或多個附加模組，諸如例如資料處理模組104、聚類別模組（圖中未示出）和訓練資料產生器（圖中未示出）等。這些模組可以與分類器106和決策模型108一起按順序可操作地連接，其中決策模型是用於提供最終輸出的最後一個功能模組。在一些情況下，這些模組中的至少一些或全部可以是基於ML的。在這種情況下，訓練模組可以被配置為依次訓練基於ML的模組中的每一個。給定模組一旦被訓練，就可以在推理中部署，以便為訓練佇列中的下一個模組提供輸入資料。可選地，每個給定的基於ML的模組可以具有其相應的訓練模組，該訓練模組被具體地配置為訓練給定模組。

在一些實施例中，訓練系統101可以被視為用於準備訓練資料集並使用訓練集來訓練決策模型108的訓練系統，而在一些其他情況下，訓練系統101可以被視為用於訓練形成基於ML的檢查系統的至少一些或所有基於ML的模組的訓練系統。下面參考圖2-圖5描述訓練處理的細節。

系統100和系統101、處理電路系統102以及其中的功能模組的操作將參照圖2-圖6進一步詳細描述。

根據某些實施例，本文提到的各種基於ML的模組可以被實現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、貝氏網路等或其集合/組合。ML模型使用的學習演算法可以是以下各項中的任一者：監督學習、無監督學習、自監督或半監督學習等。當前公開的主題不限於特定類型的ML模型或ML模型使用的特定類型的學習演算法。

在一些實施例中，基於ML的模組中的至少一些可以被實現為深度神經網路（DNN）。DNN可以包括根據相應DNN架構組織的多個層。作為非限制性示例，DNN的層可以根據迴旋神經網路（CNN）架構、循環神經網路架構、遞迴神經網路架構、產生對抗網路（GAN）架構或其他架構來組織。可選地，層中的至少一些層可以被組織成複數個DNN子網路。DNN的每個層可以包括多個基本計算元素（CE），在本領域中通常被稱為維度、神經元或節點。

與深度神經網路的CE及其連接相關聯的權重及/或閾值可以在訓練之前初始地選擇，並且可以在訓練期間進一步反覆運算地調整或修改，以在經訓練的DNN中實現權重及/或閾值的最佳集合。每次反覆運算之後，可以決定DNN模組產生的實際輸出和與相應訓練資料集相關聯的目標輸出之間的差。所述差可以稱為誤差值。當指示誤差值的損失/成本函數小於預定值時，或者當實現反覆運算之間的效能的有限變化時，可以決定訓練完成。用於調整深度神經網路的權重/閾值的一組輸入資料被稱為訓練集。

應注意，當前公開的主題的教導不受如前述的ML模型或DNN的特定架構的約束。

應注意，雖然本案的某些實施例涉及處理電路系統102被配置為執行上述操作，但上述功能模組的功能/操作可以由處理電路系統102中的一或多個處理器以各種方式執行。作為示例，每個功能模組的操作可以由特定處理器執行，或者由處理器的組合執行。因此，各種功能模組的操作（諸如例如處理檢驗資料、對一組缺陷候選進行分類、以及對缺陷候選進行排名等）可以由處理電路系統102中的相應處理器（或處理器組合）執行，而可選地，這些操作可以由同一處理器執行。本案不應限於被解釋為始終執行所有操作的一個單個處理器。

在一些情況下，除了系統101之外，檢查系統100還可以包括一或多個檢查模組，諸如例如缺陷偵測模組、自動缺陷審查模組（ADR）、自動缺陷分類別模組（ADC）、計量操作模組，及/或可用於檢查半導體取樣的其他檢查模組。一或多個檢查模組可以被實現為獨立電腦，或者它們的功能（或至少其部分）可以與檢查工具120集成。在一些情況下，系統101的輸出（例如，經訓練的ML模型、經排名的缺陷候選等）可以被提供給一或多個檢查模組（諸如ADR、ADC等）以用於進一步處理。

根據某些實施例，系統100可以包括儲存單元122。儲存單元122可以被配置為儲存作業系統101所需的任何資料，例如，與系統101的輸入和輸出相關的資料，以及由系統101產生的中間處理結果。作為示例，儲存單元122可以被配置為儲存由檢查工具120對取樣的檢查產生的取樣的圖像、資料集及/或其衍生物。相應地，這些輸入資料可以被從儲存單元122檢取並且提供給處理電路系統102以用於進一步處理。系統101的輸出（諸如例如，經訓練的ML模型、經排名的缺陷候選等）可以被發送到儲存單元122以進行儲存。

在一些實施例中，系統100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相關的使用者指定的輸入。例如，可以（例如，藉由形成GUI 124的一部分的顯示器）向使用者呈現取樣的視覺表示，包括例如取樣的圖像、缺陷候選分佈、聚類、以及類別等。可以藉由GUI向使用者提供定義某些指令引數的選項。用戶還可以在GUI上查看操作結果或中間處理結果，諸如例如經排名的缺陷候選等。

在一些情況下，系統101可以進一步被配置為經由I/O介面126將操作結果發送到檢查工具120以用於進一步處理。在一些情況下，系統101可以進一步配置為將結果發送到儲存單元122及/或外部系統（例如，製造廠（fab）的產量管理系統（YMS））。半導體製造背景下的良率管理系統（YMS）是一種資料管理、分析和工具系統，所述系統從製造廠收集資料，尤其是在製造加速期間，並説明工程師找到提高良率的方法。YMS幫助半導體製造商和製造廠以更少的工程師管理大量生產分析。這些系統分析良率資料並產生報告。YMS可由集成裝置製造商（IMD）、製造廠、無製造廠半導體公司以及外包半導體組裝和測試（OSAT）使用。

本領域技藝人士將容易地理解，當前公開的主題的教導不受圖1中所示的系統的約束。圖1之每一者系統元件和模組可以由在合適的一或多個設備上執行的相關的軟體、硬體及/或韌體的任意組合組成，這些軟體、硬體及/或韌體執行本文定義和解釋的功能。如關於每個系統元件和模組描述的等效及/或修改的功能可以以另一種方式合併或劃分。因此，在當前公開的主題的一些實施例中，系統可以包括比圖1中所示的更少、更多、經修改及/或不同的元件、模組和功能。

圖1之每一者元件可以表示複數個特定元件，這些元件適於獨立及/或協同操作以處理各種資料和電輸入，並用於實現與電腦化檢查系統相關的操作。在一些情況下，出於效能、冗餘及/或可用性的原因，可以利用元件的多個實例。類似地，在一些情況下，出於功能性或應用的原因，可以利用元件的多個實例。例如，特定功能的不同部分可以放置在元件的不同實例中。

應注意，圖1所示的檢查系統可以在分散式運算環境中實現，其中圖1所示的前述元件和功能模組中的一者或多者可以分佈在若干本端及/或遠端設備上。作為示例，檢查工具120和系統101可以位於同一實體處（在一些情況下由同一設備託管）或分佈在不同實體上。作為另一示例，如前述，在一些情況下，系統101可以被配置為用於訓練ML模型的訓練系統，而在一些其他情況下，系統101可以被配置為使用經訓練的基於ML的系統的運行時缺陷檢查系統。取決於特定的系統組態和實施需求，訓練系統和運行時檢查系統可以位於同一實體（在某些情況下由同一設備託管）或分佈在不同實體上。

在一些示例中，某些元件利用雲實現，例如，在私有雲或公共雲中實現。在檢查系統的各個元件不完全位於一個位置或一個物理實體中的情況下，它們之間的通訊可以藉由任何訊號傳遞系統或通訊元件、模組、協定、軟體語言和驅動訊號來實現，並且可以是有線及/或無線的，視情況而定。

還應注意，在一些實施例中，檢查工具120、儲存單元122及/或GUI 124中的至少一些可以在檢查系統100的外部並且經由I/O介面126與系統100和系統101進行資料通訊。系統101可以被實現為與檢查工具及/或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的各個功能可以至少部分地與一或多個檢查工具120集成，由此促進和增強檢查工具120在檢查相關製程中的功能。

雖然不一定如此，但是系統101和系統100的操作製程可以對應於關於圖2-圖6描述的方法的階段中的一些或所有階段。同樣，關於圖2-圖6描述的方法及其可能的實現方式可以由系統101和系統100來實現。因此，應注意，與關於圖2-圖6描述的方法相關地討論的實施例可以在經必要修改後實現為系統101和系統100的各種實施例，反之亦然。

參考圖2，圖示根據當前公開的主題的某些實施例的訓練可用於對半導體取樣進行缺陷檢查的基於機器學習的檢查系統的一般化流程圖。

可以（例如，藉由處理電路系統102中的訓練模組）獲得（202）訓練資料集，該訓練資料集提供關於由複數個檢查工具（例如，由檢查工具120）檢查一或多個半導體取樣而產生的一組缺陷候選及其屬性的資訊。複數個檢查工具可以至少包括檢驗工具和審查工具。訓練資料集用於訓練決策模型的目的，如下文進一步詳細描述的。訓練資料集可以用各種資料結構和格式表示。作為示例，在一些情況下，訓練資料集可以是表格資料集，其中訓練資料以表格或類似表格的格式儲存。

圖7圖示根據當前公開的主題的某些實施例的表格資料集的示例。包括N個缺陷候選的訓練資料集儲存在表格702中，其中每行表示一組缺陷候選中的特定缺陷候選（由其缺陷ID標識），並且每列表示缺陷候選的屬性。該組缺陷候選由多個檢查工具對一或多個取樣的檢查產生，所述多個檢查工具包括諸如例如一或多個檢驗工具和一或多個審查工具。在一些實施例中，一組缺陷候選是指在檢驗期間揭示的缺陷候選的整個群體，該群體具有數萬或數百萬的數量級。這些缺陷候選的屬性包括在由檢驗工具進行缺陷檢驗期間獲得的檢驗屬性。

作為示例，在檢驗期間，檢驗工具可擷取取樣（例如，晶片、晶粒或其部分）的檢驗圖像。可以使用各種缺陷偵測演算法來處理取樣的所擷取的圖像，以產生指示取樣上的缺陷候選分佈（例如，取樣上有高概率是感興趣缺陷（DOI）的可疑位置）的缺陷圖。產生的缺陷圖可以提供關於檢驗屬性的資訊，諸如例如缺陷候選的位置、強度、大小、體積、等級、極性等。可選地，在一些情況下，還可以收集附加屬性，包括與缺陷候選相對應的圖像特性，諸如例如灰階級強度、對比度等，以及採集資訊，諸如採集時間、採集工具ID、區域ID、晶片ID等。可以組合從不同取樣及/或不同工具收集的缺陷圖和所有屬性以產生表格資料集。

如前述，在由檢驗工具揭示的所有缺陷候選中，缺陷候選的子集可以被選擇並由審查工具審查。審查工具可以擷取所選擇的缺陷候選子集的位置處的具有較高解析度的審查圖像，並且對審查圖像進行審查以決定缺陷候選是DOI還是擾動。審查工具的輸出可以包括分別與所選擇的缺陷候選相關聯並且指示缺陷候選的缺陷類別/類型的標籤。由審查工具提供的候選的子集的缺陷類別可以被視為這些候選的地面真值缺陷類別。在這種情況下，表格資料集可以包括由審查工具審查的缺陷候選的子集，對於該缺陷候選的子集，屬性被包括在表格資料集中，該屬性指示由審查工具提供的地面真值缺陷類別（未由審查工具審查的剩餘候選可以被認為對於該屬性具有「未知」值）。

此外，可以基於由審查工具審查並與其地面真值缺陷類別相關聯的缺陷候選的子集來匯出訓練資料。訓練資料可用於訓練分類器以用於缺陷分類。分類器在經訓練後可用於對表格資料集中的整組缺陷候選進行分類。由分類器提供的缺陷候選的缺陷類別可以作為屬性包括在表格資料集中。

具體地，在方塊202中獲得的訓練資料集（例如，表格資料集）可以包括第一屬性、第二屬性以及其他屬性，該第一屬性指示由分類器產生的缺陷候選的缺陷類別，其中分類器先前基於訓練資料進行了訓練，該訓練資料是從由審查工具審查的訓練資料集中的缺陷候選的子集匯出的，該第二屬性指示缺陷候選的子集的地面真值缺陷類別。下面參考圖5詳細描述分類器的訓練程序。

訓練資料集可以用於（例如，藉由處理電路系統102中的訓練模組）訓練（204）決策模型，使得決策模型學習與包括第一屬性的一系列屬性有關的排序規則。排序規則可用於根據由第二屬性指示的地面真值缺陷類別將一組缺陷候選排名到總順序中。每個缺陷候選與總順序中代表缺陷候選是感興趣缺陷（DOI）的可能性的不同排名相關聯。

如本文所使用的，總順序或完整順序是指一組候選內的順序，其中每個候選在順序中具有與其他候選不重疊的唯一/不同的排名。例如，如果組具有n個缺陷候選，在由經訓練的決策模型進行處理之後，這n個缺陷候選將相應地從1到n進行排名，其中每個候選在順序中具有唯一的排名。換言之，不會出現兩個或更多個候選在該順序中共用同一排名的情況。

圖7圖示與表示要由決策模型處理的表格資料集的表702相對應的排序表704的示例。如圖所示，與表702相比，表706添加了新的列「排名」，其中N個缺陷候選中的每一者與總順序1-n中的唯一排名相關聯。根據列「排名」的降冪對N個缺陷候選進行排序，使得是DOI的可能性最高的缺陷候選被列在頂部。例如，具有ID 701的缺陷候選排名第一，指示在所有候選中該候選最有可能是DOI。

應注意，雖然在圖7中以表格的格式示出資料集，但這僅用於示例性目的，並且不應被視為限制本案。可以使用這種資料集的代替表格格式的任何其他合適的表示，包括缺陷候選及其屬性。例如，在適當時，可以使用以下類似表格的結構中的任一者來代替表格格式：列表、圖表、矩陣或一般二元關係等。

現在轉到圖3，圖示根據當前公開的主題的某些實施例的用於產生訓練資料集（例如，方塊202中提及的訓練資料集）的資料預處理的一般化流程圖，該訓練資料集用於訓練基於機器學習的檢查系統。

可以獲得（302）原始資料集，該原始資料集提供關於至少由檢驗工具和審查工具檢查一或多個半導體取樣而產生的一組缺陷候選及其屬性的資訊。原始資料集包括缺陷候選的子集，該缺陷候選的子集由審查工具進行審查，並且具有指示其地面真值缺陷類別的第二屬性。原始資料集與上文關於方塊202描述的最終訓練資料集之間的差異在於，原始資料集是指直接從工具收集的缺陷候選及其屬性的原始資料。它不包括指示一組缺陷候選的缺陷類別的第一屬性，該缺陷類別是由分類器應用於該組缺陷候選的後續缺陷分類程序產生的（如將參考圖5進一步詳細描述的）。

缺陷候選的子集可以基於其屬性的值被聚類（308）成複數個聚類。在一些情況下，可選地，原始資料集可以在聚類之前（例如，藉由處理電路系統102中的資料處理模組104）被正規化（306）。圖4圖示根據當前公開的主題的某些實施例的資料正規化程序的一般化流程圖。

原始資料集中的屬性中的至少一些的每個給定屬性的值可以被自動擬合/變換（402）為特定分佈。經變換的資料集可以來自一或多個類型的資料分佈，諸如例如正態分佈（也稱為高斯分佈）、β分佈、γ分佈、泊松分佈、二項式分佈和指數分佈等。資料變換可以由變換模型來執行，該變換模型學習屬性值的資料特性，以便將它們擬合到不同的資料分佈。作為示例，具有被約束在任何兩個不同的數位（諸如例如-100和100）之間的值的給定屬性可以被變換為表示0和1之間的連續概率分佈的經擬合β分佈。

用於執行資料變換的變換模型可以實現為數學模型或機器學習模型。作為示例，諸如例如神經網路、支援向量機（SVM）、決策樹或高斯混合模型（GMM）等的機器學習模型可以用作變換模型。

可以評估（404）變換的變換誤差以決定是否從原始資料集過濾給定屬性。取決於特定屬性和目標分佈，可以使用各種測試來對經變換的屬性值的分佈與目標分佈進行比較，並計算衡量經變換的屬性值與目標分佈擬合的良好程度的變換誤差。作為示例，可以計算經變換的屬性值與目標分佈之間的均方誤差（MSE），MSE指示兩個分佈之間的均方差。小的MSE指示經變換的值對目標分佈的良好擬合。

變換誤差可以反映給定屬性的值相對於任何特定資料分佈的變換可行性，這進一步指示給定屬性的品質。作為示例，在給定屬性在資料變換之後不能擬合到任何資料分佈（例如，具有大的變換誤差）的情況下，可以決定要從資料集中過濾此類屬性。

在評估和可能的過濾之後，建立正規化資料集，其包括經過濾的屬性，每個屬性具有正規化的值（例如，資料變換之後的經變換值）。當對包括由審查工具審查的缺陷候選的子集的整個資料集執行資料正規化時，正規化的資料集自然地包括與缺陷候選的子集相對應的正規化的子集。在執行資料正規化的這種情況下，應當基於正規化的子集的經過濾屬性的正規化的值來對正規化的子集執行方塊308中的聚類。

圖9圖示根據當前公開的主題的某些實施例的示例性資料正規化的示意圖。

假設資料集包括從由至少兩個屬性1和2表徵的兩個晶片wf1和wf2收集的缺陷資料。由於不同的變化（諸如例如製程變化和晶片間的變化），來自兩個晶片的缺陷資料可能不在相同的標度/範圍上，如圖表902所示。在這種情況下，資料正規化是必要的，因為資料正規化可以將兩個晶片的缺陷資料變換成公共標度，而不會扭曲值範圍中的差異。作為示例，兩個屬性1和2的值可以（例如，藉由到相應分佈的資料變換）分別被正規化，從而產生正規化的缺陷資料，正規化的缺陷資料具有共享共用範圍的兩個屬性的正規化的值，如圖表906中所示。在一些情況下，可能需要變換的中間步驟，如圖表904中所例示的，其中兩個晶片的缺陷資料被縮放，然後根據經擬合的模型將缺陷資料平移或移位成圖表906中的最終經變換值。

在這種情況下，資料正規化可以使來自不同源的資料更穩定/穩健和可比較，這在用於稍後的基於ML的處理時可以改善ML演算法諸如在其穩定性和準確性方面的效能。此外，還證明了資料變換和屬性過濾可以增加DOI相似性，從而有助於將DOI與剩餘的擾動群體進行區分。

可以在多維屬性空間中表示原始資料集，在多維屬性空間中，每個維度表示一個屬性。缺陷候選可以由多維空間中的資料點表示，資料點由多個屬性的值表徵。在一些實施例中，可選地，可以基於屬性空間中的一或多個屬性（及/或其值）將原始資料集劃分（304）成複數個子空間（也稱為子空間化）。作為示例，子空間化可以基於指示不同晶片及/或不同檢查工具的屬性，以便分割來自不同資料來源的資料。作為另一示例，子空間化可以基於屬性的某些子集的一些值，諸如例如某些屬性的空隙值。

圖8圖示根據當前公開的主題的某些實施例的屬性空間中的子空間化的示意圖。在2D屬性空間中表示從晶片1收集的資料集。可以基於兩個屬性的值將資料集的屬性空間800劃分為四個子空間，在圖中表示為部分1-部分4。在子空間的情況下，可以針對每個子空間執行後續處理，諸如正規化（306）、聚類（308）和分類（310）。

繼續圖3的描述，缺陷候選的子集可以（例如，藉由處理電路系統102中的聚類別模組）基於其屬性的值被聚類（308）成複數個聚類。如前述，在聚類之前進行資料正規化的情況下，基於正規化的子集的經過濾屬性的正規化的值來對正規化的子集執行聚類。

聚類別模組可以被配置為找到在其屬性方面彼此相似的一組缺陷候選。作為示例，聚類別模組可以基於屬性空間中表示的缺陷候選的屬性將所述缺陷候選聚類成複數個聚類，使得任何給定候選與同一聚類中的另一候選之間的距離小於給定候選與分配給另一聚類的第三候選之間的距離。聚類別模組可以決定用於形成屬性空間內的聚類之間的邊界的分離平面。

儘管缺陷候選的子集已經由審查工具審查並且與地面真值缺陷類別相關聯，但是分類是由審查工具基於高解析度圖像（例如，由SEM工具擷取的SEM圖像）執行的。換句話說，子集中的缺陷候選在SEM屬性空間中的SEM設置下被分類，而原始資料集（或正規化的資料集）的缺陷候選從一或多個檢驗工具被收集，因此主要與檢驗屬性相關聯，如前述。基於檢驗屬性封包的聚類不一定與基於審查屬性產生的缺陷類別一致。

圖10圖示根據當前公開的主題的某些實施例的基於由審查工具提供的檢驗屬性和缺陷類別產生的缺陷聚類的示例。

圖表1000圖示由審查工具先前審查並給定地面真值缺陷類別的檢驗工具產生的缺陷候選的子集。缺陷候選的子集現在基於它們的檢驗屬性在屬性空間中被聚類。如圖所示，缺陷組1002先前被審查工具分類為屬於相同的缺陷類別（由圖中的相同灰階級指示）。當基於檢驗屬性進行聚類時，缺陷組1002當前被聚類為兩個聚類，如圖所示。相比之下，缺陷組1004當前被聚類為單個聚類，在先前由審查工具審查時，缺陷組1004被分類為屬於兩個不同的缺陷類別。此外，由審查工具分類的一個缺陷類別現在被分佈到幾個聚類，包括聚類1006以及聚類1004。

因此，如圖10中示例的，由審查工具基於審查屬性提供的缺陷類別在檢驗屬性空間中不一定是準確的。使用與這種類別直接地相關聯的缺陷候選的子集作為訓練資料來訓練分類器以對由檢驗工具產生的缺陷候選進行缺陷分類，可能會誤導分類器建立分離平面，分離平面在被使用時可能導致分類準確度的劣化。

因此，基於缺陷候選的子集（或正規化的子集）的屬性值將缺陷候選的子集（或正規化的子集）聚類（換句話說，重新分類）為複數個聚類是有益的，如上文參考方塊308所述。如本文所提及的缺陷類別及/或缺陷聚類可以被廣義地解釋為覆蓋任何缺陷類別，諸如例如DOI和擾動，可選地具有附加類別，諸如未知（即，分類器未知的未標記候選）和不關心（DNC）（即，對用戶無關緊要的類別）。在一些情況下，缺陷類別還可以覆蓋其特定缺陷類型（例如，作為DOI的子類別或類別代碼）。

繼續圖3的描述，分類器可用於將（原始資料集或正規化的資料集中的）一組缺陷候選分類（310）為複數個缺陷類別。分類器使用訓練資料來進行預訓練，訓練資料至少包括由上文參考方塊308描述的聚類程序提供的缺陷候選的複數個聚類。

本文提及的術語「分類器」或「分類器模組」應被廣義地解釋為涵蓋能夠基於資料的訓練集來標識新實例屬於一組類/類別中的哪個類/類別的任何學習模型。在一些情況下，分類器可以將缺陷候選分類為兩個類別：DOI或擾動。在這種情況下，分類器是二進位分類器，並且也可以被稱為篩檢程式或擾動篩檢程式，其被配置為從缺陷圖中過濾出擾動類型的缺陷候選。在一些其他情況下，分類器可以標識缺陷候選的特定缺陷類型，諸如例如橋、顆粒等。作為示例，分類器可以將缺陷候選分類為DOI和擾動，並且對於分類為DOI的候選，分類器還可以標識其特定缺陷類型。分類器可以被實現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，並且本案不受利用其實現的特定模型的限制。

參考圖5，圖示根據當前公開的主題的某些實施例的訓練可用於對由缺陷檢驗產生的一組缺陷候選進行分類的分類器的一般化流程圖。

可以（例如，由處理電路系統102中的訓練模組）產生（502）訓練資料以用於訓練分類器。具體地，可以驗證（504）缺陷候選的複數個缺陷類別（如從方塊308得到的）各自是否包括足夠數量的缺陷候選。可以進一步驗證（在缺陷候選的數量方面）缺陷類別相對於彼此是否平衡。作為示例，複數個缺陷類別應具有相對於彼此基本上相等量的缺陷候選。例如，在兩個缺陷類別DOI和擾動的情況下，這兩個缺陷類別應各自包括多於最小數量的候選，並且它們應是平衡的，例如，它們應具有相似數量的缺陷候選，以便確保分類器學習每個類別的足夠特性。

在給定缺陷類別（相對於最小數量的候選或相對於其他類別）不具有足夠的缺陷候選的情況下，可以產生合成缺陷候選（506）。存在各種產生合成缺陷的方法。作為示例，可以在屬性空間中建立一或多個合成缺陷候選，以便接近相同缺陷類別中的現有缺陷候選。可以相應地選擇合成缺陷候選的屬性值，以便在接近現有候選的同時落入相同類別。一旦為給定缺陷類別建立了足夠的候選，就可以將每個合成缺陷候選與給定缺陷類別的地面真值相關聯（508）。可以使用（510）包括複數個缺陷類別的訓練資料來訓練分類器，每個缺陷類別具有足夠數量的缺陷候選（足以訓練分類器）。

分類器一旦經過訓練後就可用於對原始資料集中（或正規化的資料集中）的整組缺陷候選進行分類。可以由分類器對組之每一者缺陷候選分配來自複數個缺陷類別的缺陷類別。在資料集被劃分為子空間的情況下，如上文參考方塊304所描述的，針對每個子空間執行正規化、聚類和分類。特別地，可以訓練分類器並將其用於每個子空間的分類。來自每個子空間的經分類的缺陷候選可以被組合並用作決策模型的輸入。

缺陷類別可以作為屬性添加到原始資料集（或正規化的資料集）中，諸如上面參考方塊202描述的第一屬性，該第一屬性指示由分類器產生的一組缺陷候選的缺陷類別。作為示例，第一屬性可以作為列添加到表格資料集中。具有添加的第一屬性的資料集形成如上文參考方塊202所描述的訓練資料集，該訓練資料集用於訓練決策模型。

如上文參考方塊204所述，可以訓練決策模型以學習與包括第一屬性的一系列屬性（即，由分類器產生的缺陷候選的缺陷類別）有關的排序規則。學習排序規則，以便根據由第二屬性指示的地面真值缺陷類別將一組缺陷候選排名到總順序中。總順序指示每個缺陷候選與順序中的不同排名相關聯。一系列屬性應該是從資料集中的所有屬性中選擇的屬性的最佳子集，使得根據序列化屬性的子集對所有缺陷候選進行排序將得到候選根據排序規則（例如，根據是DOI的概率進行排名）的總順序。存在學習排序規則的各種方式。下面描述一種可能的實現方式。

作為示例，可以首先根據第一屬性（即，由分類器產生的缺陷候選的缺陷類別）對訓練資料集進行排序。可以根據每個缺陷類別中包括的DOI的數量或百分比進行排序。例如，表格資料集可以被劃分成多個子集，每個子集與相應的缺陷類別相對應。具有DOI最多（或DOI的百分比最大）的缺陷類別的缺陷候選的子集可以放在表格的第一位。可以將具有DOI第二多的缺陷類別的缺陷候選的下一子集放置在第一子集旁邊。剩餘的候選可以以類似的方式根據其缺陷類別中的DOI的降冪進行排列，從而產生經排序的資料集（例如，經排序的表格）。

對於經排序表格中的與相應缺陷類別相對應的缺陷候選的每個子集（例如，經排序的表格中的子表格），決策模型學習哪些屬性可用於順序地對候選的子集進行排序，以便實現與子集中的候選的地面真值缺陷類別一致的子集內順序。例如，對於經排序的表格中具有最多DOI的第一子集/子表格，每個候選與第二屬性相關聯，該第二屬性指示由審查工具提供的候選的地面真值缺陷類別（要注意的是，儘管只有先前由審查工具審查的候選的子集最初具有第二屬性，但是剩餘的候選可以被自動分配第二屬性的「未知」值）。決策模型瞭解到，在所有屬性中（除了在第一排序中已經使用的第一屬性和作為地面真值的第二屬性），當以特定順序使用某些所選擇的屬性對子表格進行排序時，頂部列出的候選是具有是DOI的地面真值缺陷類別的那些候選。換句話說，決策模型學習如何選擇屬性並根據所選擇的屬性對子表格進行排序，以便將被審查為真實缺陷（DOI）的候選放在頂部。決策模型還可以學習以特定順序對剩餘類別的候選進行排序。

決策模型可以學習以類似的方式對多個子表格中的每一個進行排序，直到所有子表格都被排序，其中被審查為真實缺陷的候選被列在頂部。然後，模型可以學習在子表格之間進行排序，使得來自所有子表格的所有DOI將被列在頂部，然後是特定順序的其他類別。

以這種方式，決策模型最終可以學習以特定順序對訓練資料集中的所有候選進行排序的規則，以便與候選的地面真值缺陷類別一致。當在運行時部署如此訓練的決策模型時，可以將給定檢驗資料集排名到完整順序中，在該完整順序中，每個缺陷候選與不同排名相關聯，該不同排名代表缺陷候選是DOI的可能性，諸如圖7中的表格704中所示。

在一些實施例中，決策模型可以被實現為各種ML模型，這些ML模型能夠學習與一系列屬性有關的排序規則以將一組缺陷候選排名到總順序中。在一些情況下，決策模型的實現可以被視為根據預定義的規則或目標的排序最佳化問題。

現在轉向圖6，圖示根據當前公開的主題的某些實施例的使用經訓練的基於ML的檢查系統對半導體取樣進行運行時缺陷檢查的一般化流程圖。

一旦如參考圖2-5所描述的基於ML的檢查系統的訓練程序完成，就可以在用於運行時缺陷檢查的推理中部署基於ML的檢查系統。在推理中，運行時檢查系統包括經訓練的分類器和經訓練的決策模型。可選地，它還可以包括如前述的資料處理模組。

具體地，可以（例如，藉由處理電路系統102中的資料處理模組104）獲得（602）檢驗資料集。檢驗資料集提供關於由檢驗工具檢查半導體取樣而產生的一組缺陷候選及其屬性的資訊。類似於訓練資料集，檢驗資料集可以表示為表格資料集，如圖7中所例示的。由於檢驗資料集是在運行時檢查中由檢驗工具獲取的，因此它還沒有被審查工具審查，也沒有被分類器分類。因此，檢驗資料集不包括指示缺陷類別的任何屬性，也不包括如前述的第一屬性或第二屬性。

可選地，在一些情況下，檢驗資料集可以在被進一步處理之前（例如，由資料處理模組104）進行正規化（606）。可以以與上面參考圖3和圖4的方塊306所描述的類似的方式執行資料正規化。可以藉由將屬性中的至少一些的每個給定屬性的值變換成特定分佈、並評估變換的變換誤差來對檢驗資料集進行正規化，以決定是否從檢驗資料集過濾給定屬性。在資料正規化之後，產生正規化的資料集，正規化的資料集包括經過濾的屬性，每個經過濾的屬性具有正規化的值。

可選地，可以（例如，藉由資料處理模組104）基於一或多個屬性將檢驗資料集劃分（604）成複數個子空間。可以以與上面參考圖3的方塊304所描述的類似的方式執行子空間化。在這種情況下，對每個子空間分別執行正規化和諸如分類之類的後續處理。

一組缺陷候選可以由分類器分類（608）成複數個缺陷類別，使得每個缺陷候選與相應的缺陷類別相關聯。如圖5中所述，分類器在先前被訓練。在先前基於從（原始資料集的）缺陷候選的子集匯出的訓練資料來訓練分類器，所述缺陷候選的子集由審查工具審查並且具有指示其地面真值缺陷類別的屬性（即，上述第二屬性）。具體地，訓練資料是藉由以下操作匯出的：基於缺陷候選的檢驗屬性的值將缺陷候選的子集聚類成複數個聚類（檢驗屬性來自原始資料集，如上文關於圖3所述），並且在訓練資料中至少包括缺陷候選的複數個聚類。

在如參考方塊604描述的子空間化的情況下，分別針對每個子空間執行正規化和分類。來自每個子空間的經分類的缺陷候選可以被組合並形成一組經分類的缺陷候選作為決策模型的輸入。

可以藉由決策模型使用排序規則將一組缺陷候選排名（610）到總順序中。每個缺陷候選與總順序中代表缺陷候選是感興趣缺陷（DOI）的可能性的不同排名相關聯。決策模型在先前被訓練，以學習與該組缺陷候選相關聯的複數個缺陷類別和檢驗資料中的一系列屬性有關的排序規則。上面描述了決策模型的詳細訓練程序，為了描述簡潔，這裡不再重複。

在圖7的表格704中例示了排名的輸出，其中新列「排名」被添加到表格資料集，並且該組缺陷候選中的每一個缺陷候選與其在總順序中的唯一排名相關聯。

在一些情況下，排名可用於從檢驗資料中選擇要由審查工具（諸如例如ADR）審查的缺陷候選的列表。缺陷候選的列表是根據審查工具的審查預算基於缺陷候選的不同排名來選擇的。作為示例，如果審查預算是1000個候選，則可以選擇總順序中排名從1到1000的缺陷候選以由審查工具審查。審查工具被配置為擷取所選擇的缺陷候選位置處的審查圖像（通常具有更高解析度），並且審查審查圖像以決定缺陷候選是否確實是DOI。在這種情況下，可以保證最有可能是DOI的缺陷候選被審查，從而增加偵測靈敏度和擷取率。

在一些情況下，排名可用於根據一組缺陷候選在順序中的排名從該組缺陷候選中過濾擾動。

應當注意的是，本案中示出的示例（諸如例如例示的ML模型、表格資料集表示、排序程序等）是出於示例性目的而示出，並且不應被視為以任何方式限制本案。附加於或代替於上述示例，還可以使用其他適當的示例/實現。

如本文所述的當前公開的主題的某些實施例的優點之一是提供一種缺陷排名系統，在給定一大組缺陷候選的運行時檢驗資料（藉由檢驗揭示的缺陷候選物的數量的數量級可以在數萬或數百萬之間）的情況下，該缺陷排名系統可以將該組缺陷候選排名到總順序中，其中每個缺陷候選物與總順序中的不同排名相關聯，該不同排名代表缺陷候選是DOI的可能性。

排名可用於選擇要由審查工具審查的缺陷候選的列表，從而滿足審查預算。如此選擇的列表包括最有可能是DOI的候選，從而確保這些可能的候選被審查工具適當地審查。這可以提高偵測擷取率和靈敏度。附加地或替代地，排名也可用於從該組缺陷候選中過濾擾動。

如本文所述的當前公開的主題的某些實施例的進一步的優點之一是，檢驗資料可以在處理之前例如經由資料變換和過濾進行正規化，這可以將來自不同源的資料標準化為更穩健/穩定和可比較的。當正規化的資料用於後續基於ML的處理時，可以提高ML演算法的效能，諸如它們的穩健性、穩定性、召回率、精確度、漏報率和準確度。此外，還證明了資料變換和屬性過濾可以增加DOI相似性，從而有助於將DOI與剩餘的擾動群體進行區分。

如本文所述的當前公開的主題的某些實施例的進一步的優點之一是，基於由審查工具審查的缺陷候選的檢驗屬性的值將這些候選的子集（或正規化的子集）聚類/重新分類成複數個聚類，並且使用缺陷候選的重新分類的聚類作為訓練資料用於分類器。這可以改進分類器效能，因為由審查工具提供的缺陷類別是基於審查屬性，所以在檢驗屬性空間中不一定是準確的。使用與這種類別直接地相關聯的缺陷候選的子集作為訓練資料來訓練分類器以對由檢驗工具產生的缺陷候選進行缺陷分類，可能會誤導分類器建立分離平面，分離平面在被使用時可能導致分類準確度的劣化。聚類/重新分類可以提高訓練資料品質，這進而提高了經訓練的分類器的分類效能。

應理解，本案在其應用中不限於本文包含的描述中闡述的或附圖中示出的細節。

在本具體實施方式中，闡述了眾多具體細節以便提供對本案的透徹理解。然而，本領域技藝人士將理解，可以在沒有這些特定細節的情況下實踐當前公開的主題。在其他實例中，未詳細地描述公知的方法、程式和部件，以免混淆當前公開的主題。

除非另有明確說明，否則如從本討論顯而易見地，應理解，在整個說明書討論中，利用諸如「獲得」、「檢查」、「分類」、「排名」、「排序」、「選擇」、「正規化」、「變換」、「評估」、「劃分」、「訓練」、「使用」、「產生」、「聚類」、「包括」、「執行」、「標識」等術語是指電腦的將資料操縱及/或轉換為其他資料的（多個）動作及/或（多個）程序，所述資料表示為實體（諸如電子）量及/或所述資料表示實體物件。術語「電腦」應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設備，作為非限制性示例，包括本案中公開的檢查系統、缺陷檢查系統或缺陷排名系統、以及上述系統的各個部分。

本文使用的術語「非瞬態記憶體」和「非瞬態儲存媒體」應當被廣義地解釋為覆蓋適合於當前公開的主題的任何揮發性或非揮發性電腦記憶體。這些術語應當被理解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）。這些術語還應當被理解為包括能夠儲存或編碼一組指令以供電腦執行並且使得電腦執行本案的方法中的任何一或多個方法的任何媒體。因此，這些術語應被理解為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、快閃記憶體設備等。

本說明書中使用的術語「取樣」應被廣義地解釋為覆蓋任何種類的實體物件或基板，包括晶片、遮罩、遮罩版以及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造的製品的其他結構、其組合及/或部分。取樣在本文中也稱為半導體取樣，並且可以藉由執行對應製造製程的製造裝備來生產。

本說明書中使用的術語「檢查」應被廣義地解釋為涵蓋與取樣製造製程期間及/或之後的各種類型的缺陷偵測、缺陷審查及/或缺陷分類、分割及/或計量操作相關的任何種類的操作。在待檢查的取樣的製造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，檢查製程可以包括，使用相同或不同的檢驗工具進行的運行時掃瞄（在單次或多次掃瞄中）、成像、取樣、偵測、審查、測量、分類及/或關於取樣或其部分提供的其他操作。同樣，可以在製造待檢查的取樣之前提供檢查，並且可以包括例如產生（多個）檢查方案及/或其他設置操作。應注意，除非另有明確說明，否則本說明書中使用的術語「檢查」或其派生詞在檢驗區域的解析度或尺寸方面不受限制。作為非限制性示例，各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」應當廣泛地解釋為覆蓋用於提取與半導體取樣上的一或多個結構元件相關的計量資訊的任何計量操作程序。在一些實施例中，計量操作可以包括測量操作，諸如例如，相對於取樣上的某些結構元件執行的臨界尺寸（CD）測量，包括但不限於以下各項：尺寸（例如，線寬、線間距、接觸直徑、元件大小、邊緣粗糙度、灰階統計等）、元件形狀、元件內或元件之間的距離、相關角度、與不同設計位凖對應的元件相關的套刻資訊等。諸如所測量的圖像之類的測量結果例如藉由採用影像處理技術來進行分析。應注意，除非另有明確說明，否則本說明書中使用的術語「計量」或其派生詞在測量技術、測量解析度、或檢驗區域的大小方面不受限制。

本說明書中使用的術語「缺陷」應被廣義地解釋為涵蓋取樣上形成的任何種類的異常或不期望的特徵/功能。在一些情況下，缺陷可能是感興趣的缺陷（DOI），這是對所製造裝置的功能有一定影響的真實缺陷，因此偵測到DOI符合客戶的利益。例如，任何可能導致良率損失的「致命」缺陷都可以表示為DOI。在一些其他情況下，缺陷可能是擾動（也稱為「誤報」缺陷），這可以被忽略，因為擾動對完成的裝置的功能沒有影響並且不影響良率。

本說明書中使用的術語「缺陷候選」應被廣義地解釋為覆蓋取樣上被偵測為有相對高概率是感興趣的缺陷（DOI）的可疑缺陷位置。因此，在審查/測試時，缺陷候選實際上可能是DOI，或者在一些其他情況下，缺陷候選可能是如前述的擾動，或者由檢驗期間的不同變化（例如，製程變化、顏色變化、機械和電氣變化等）導致的隨機雜訊。

本說明書中使用的術語「設計資料」應被廣義地解釋為涵蓋指示取樣的分層實體設計（佈局）的任何資料。設計資料可以由相應的設計者提供及/或可以從實體設計匯出（例如，藉由複雜的模擬、簡單的幾何和布耳運算等）。設計資料可以以不同的格式提供，作為非限制性示例，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其他方式呈現。

說明書中使用的術語「（多個）圖像」或「圖像資料」應廣義地解釋為涵蓋在製造製程期間由檢查工具擷取的取樣的任何原始圖像/訊框、藉由各種預處理階段獲得的擷取的圖像/訊框的衍生物、及/或電腦產生的合成圖像（在某些情況下基於設計資料）。根據具體的掃瞄方式（例如，諸如線掃瞄之類的一維掃瞄、x和y方向上的二維掃瞄、或特定點的點掃瞄等），圖像資料可以用不同的格式表示，諸如例如作為灰階分佈、二維圖像或離散像素等。應注意，在一些情況下，除了圖像（例如，擷取的圖像、經處理的圖像等）之外，本文所指的圖像資料可以包括與圖像相關聯的數位資料（例如，中繼資料、手工製作的屬性等）。應進一步注意的是，圖像或圖像資料可以包括與感興趣的處理步驟/層或取樣的複數個處理步驟/層相關的資料。

應理解，除非另有具體說明，否則在分開的實施例的上下文中所描述的當前公開的主題的某些特徵也可以在單個實施例中組合提供。相反，在單個實施例的上下文中描述的當前公開的主題的各種特徵也可以單獨地或以任何合適的子群組合來提供。在本具體實施方式中，闡述了眾多具體細節以便提供對方法和裝置的透徹理解。

還應理解，根據本案的系統可以至少部分地在適當程式設計的電腦上實現。同樣，本案設想了一種可由電腦讀取的用於執行本案的方法的電腦程式。本案進一步設想了一種非瞬態電腦可讀記憶體，其有形地體現可由電腦執行的指令程式，以用於執行本案的方法。

本案能夠具有其他實施例，並且能夠以各種方式實踐或執行。因此，應理解，本文所採用的措辭和術語是為了描述的目的並且不應被視為限制性的。因此，本領域技藝人士將理解，本案所基於的構思可以容易地用作設計用於實現當前公開的主題的若干目的的其他結構、方法和系統的基礎。

本領域技藝人士將容易理解，在不脫離由所附申請專利範圍限定的本案的範圍的情況下，可以將各種修改和改變應用於上文描述的本案的實施例。

100:檢查系統 101:基於電腦的系統 102:處理電路系統 104:資料處理模組 106:分類器 108:決策模型 120:檢查工具 122:儲存單元 124:基於電腦的圖形化使用者介面（GUI） 126:基於硬體的I/O介面 202:方塊 204:方塊 302:方塊 304:方塊 306:方塊 308:方塊 310:方塊 402:方塊 404:方塊 502:方塊 504:方塊 506:方塊 508:方塊 510:方塊 602:方塊 604:方塊 606:方塊 608:方塊 610:方塊 701:ID 702:表格 704:表格 706:表 800:屬性空間 902:圖表 904:圖表 906:圖表 1000:圖表 1002:缺陷組 1004:缺陷組/聚類 1006:聚類

為了理解本案並明白可以如何在實踐中實施本案，現在將參考附圖僅藉由非限制性示例描述各實施例，在附圖中：

圖1圖示根據當前公開的主題的某些實施例的檢查系統的一般化方塊圖。

圖2圖示根據當前公開的主題的某些實施例的訓練可用於對半導體取樣進行缺陷檢查的基於機器學習的檢查系統的一般化流程圖。

圖3圖示根據當前公開的主題的某些實施例的用於產生訓練資料集的資料預處理的一般化流程圖，該訓練資料集用於訓練基於機器學習的檢查系統。

圖4圖示根據當前公開的主題的某些實施例的資料正規化程序的一般化流程圖。

圖5圖示根據當前公開的主題的某些實施例的訓練可用於對由缺陷檢驗產生的一組缺陷候選進行分類的分類器的一般化流程圖。

圖6圖示根據當前公開的主題的某些實施例的使用經訓練的基於ML的檢查系統對半導體取樣進行運行時缺陷檢查的一般化流程圖。

圖7圖示根據當前公開的主題的某些實施例的表格資料集的示例、以及與表格資料集相對應的排序表的示例的示意圖。

圖8示意性地圖示根據當前公開的主題的某些實施例的屬性空間中的子空間化。

圖9是根據當前公開的主題的某些實施例的示例性資料正規化的示意圖。

圖10圖示根據當前公開的主題的某些實施例的基於由審查工具提供的檢驗屬性和缺陷類別產生的缺陷聚類的示例。

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

100:檢查系統

101:基於電腦的系統

102:處理電路系統

104:資料處理模組

106:分類器

108:決策模型

120:檢查工具

122:儲存單元

124:基於電腦的圖形化使用者介面(GUI)

126:基於硬體的I/O介面

Claims (20)

1. 一種用於對一半導體取樣進行運行時缺陷檢查的電腦化系統，該系統包括一處理電路系統，該處理電路系統被配置為： 獲得一檢驗資料集，該檢驗資料集提供關於由一檢驗工具檢查該半導體取樣而產生的一組缺陷候選及其屬性的資訊； 藉由一分類器將該一組缺陷候選分類成複數個缺陷類別，使得每個缺陷候選與一相應的缺陷類別相關聯；及 藉由一決策模型使用一排序規則將該一組缺陷候選排名到一總順序中，其中每個缺陷候選與該總順序中的一不同排名相關聯，該不同排名代表該缺陷候選是一感興趣缺陷（DOI）的可能性，其中該決策模型先前被訓練以學習該排序規則，該排序規則同與該一組缺陷候選相關聯的該等複數個缺陷類別、以及該檢驗資料中的一系列屬性有關。
2. 如請求項1之電腦化系統，其中該檢驗資料集被表示為一表格資料集。
3. 如請求項1之電腦化系統，其中該處理電路系統進一步被配置為從該檢驗資料集中選擇要由一審查工具審查的缺陷候選的一列表，該缺陷候選的列表是根據該審查工具的一審查預算基於該缺陷候選的該不同排名來選擇的。
4. 如請求項1之電腦化系統，其中該處理電路系統進一步被配置為藉由將該屬性中的至少一些的每個給定屬性的值變換成一特定分佈來對該檢驗資料集進行正規化，以及評估該變換的變換誤差以決定是否從該檢驗資料集過濾該給定屬性，從而產生具有經過濾屬性的一正規化的資料集，該經過濾屬性各自具有正規化的值。
5. 如請求項4之電腦化系統，其中該處理電路系統進一步被配置為基於一或多個屬性將該檢驗資料集劃分為複數個子空間，以及針對每個子空間執行該正規化和分類，並且該處理電路系統被配置為對從該等複數個子空間組合的經分類的缺陷候選進行排名。
6. 如請求項1之電腦化系統，其中該等複數個類別包括DOI、擾動、未知和不關心（DNC）。
7. 如請求項1之電腦化系統，其中該分類器基於從缺陷候選的一子集匯出的訓練資料在先前進行訓練，該缺陷候選的子集由一審查工具審查並且具有指示該缺陷候選的地面真值缺陷類別的一屬性。
8. 如請求項7之電腦化系統，其中該訓練資料是藉由基於該缺陷候選的檢驗屬性的值將該缺陷候選的子集聚類成複數個聚類來匯出的，並且在該訓練資料中至少包括該缺陷候選的該等複數個聚類。
9. 如請求項1之電腦化系統，其中該決策模型使用一訓練資料集進行訓練，該訓練資料集提供關於一組缺陷候選及其屬性的資訊，該一組缺陷候選及其屬性是至少由一檢驗工具和一審查工具對一或多個半導體取樣進行檢查而產生的，該屬性包括一第一屬性，該第一屬性指示由該分類器產生的該一組缺陷候選的缺陷類別，該訓練資料集包括由該審查工具審查並且具有一第二屬性的缺陷候選的一子集，該第二屬性指示該缺陷候選的地面真值缺陷類別。
10. 如請求項9之電腦化系統，其中該決策模型藉由以下操作來進行訓練：根據該第一屬性對該訓練資料集進行排序，從而產生包括缺陷候選的多個子集的一經排序的資料集，每個子集與該第一屬性的一相應缺陷類別相對應；對於缺陷候選的每個子集，標識要用於對該子集內的該缺陷候選進行排序的一或多個屬性，以便根據該缺陷候選的該地面真值缺陷類別得到缺陷候選的一經排序的子集；及在多個經排序的子集之間進行排序，以使該訓練資料集中的所有缺陷候選根據該缺陷候選的該地面真值缺陷類別進行排序。
11. 一種訓練一基於機器學習（ML）的檢查系統的電腦化方法，該方法包括以下步驟： 獲得一訓練資料集，該訓練資料集提供關於一組缺陷候選及其屬性的資訊，該一組缺陷候選及其屬性是至少由一檢驗工具和一審查工具對一或多個半導體取樣進行檢查而產生的，該屬性包括一第一屬性，該第一屬性指示由一分類器產生的該一組缺陷候選的缺陷類別，該分類器在先前基於從該訓練資料集中的缺陷候選的一子集匯出的訓練資料進行訓練，該缺陷候選的子集由該審查工具進行審查並且具有一第二屬性，該第二屬性指示該缺陷候選的地面真值缺陷類別；及 使用該訓練資料集訓練一決策模型，以學習與包括該第一屬性的一系列屬性有關的一排序規則，該排序規則能用於根據由該第二屬性指示的該地面真值缺陷類別將該一組缺陷候選排名到一總順序中，其中每個缺陷候選與該總順序中的一不同排名相關聯，該不同排名代表該缺陷候選是一感興趣缺陷（DOI）的可能性。
12. 如請求項11之電腦化方法，其中該訓練資料集被表示為一表格資料集。
13. 如請求項11之電腦化方法，其中該獲得一訓練資料集之步驟包括以下步驟： 獲得一原始資料集，該原始資料集提供關於該一組缺陷候選及其屬性的資訊，該一組缺陷候選及其屬性是藉由至少由一檢驗工具和一審查工具對該一或多個半導體取樣進行檢查而產生的，該原始資料集包括由該審查工具進行審查並且具有第二屬性的該缺陷候選的子集，該第二屬性指示該缺陷候選的地面真值缺陷類別； 基於該缺陷候選的子集的該屬性的值將該缺陷候選的子集聚類成複數個聚類；及 使用該分類器將該一組缺陷候選分類為複數個缺陷類別，其中該分類器使用訓練資料進行預訓練，該訓練資料至少包括該缺陷候選的複數個聚類。
14. 如請求項13之電腦化方法，進一步包括以下步驟：對該原始資料集進行正規化，包括以下步驟：將該原始資料集中的該屬性中的至少一些的每個給定屬性的值變換成一特定分佈，以及評估該變換的變換誤差以決定是否從該原始資料集中過濾該給定屬性，從而產生具有經過濾的屬性的一正規化的資料集，該經過濾的屬性各自具有正規化的值，該正規化的資料集包括與該缺陷候選的子集相對應的一正規化的子集，並且其中基於該正規化的子集的該經過濾的屬性的該正規化的值對該正規化的子集執行該聚類。
15. 如請求項14之電腦化方法，進一步包括以下步驟：基於一或多個屬性將該原始資料集劃分為複數個子空間，以及針對每個子空間執行該正規化、聚類和分類。
16. 如請求項13之電腦化方法，其中該訓練資料是藉由以下操作產生的：驗證該等複數個缺陷類別是否各自包括一足夠數量的缺陷候選，以及該缺陷類別是否相對於彼此平衡，並且在一給定缺陷類別不具有足夠候選的情況下，產生該給定缺陷類別的合成缺陷候選，以及將每個合成缺陷候選與該給定類別的地面真值相關聯。
17. 如請求項11之電腦化方法，其中該訓練包括以下步驟：根據該第一屬性對該訓練資料集進行排序，從而產生包括缺陷候選的多個子集的一經排序的資料集，每個子集與該第一屬性的一相應缺陷類別相對應；對於缺陷候選的每個子集，標識要用於對該子集內的該缺陷候選進行排序的一或多個屬性，以便根據該缺陷候選的該地面真值缺陷類別得到缺陷候選的一經排序的子集；及在多個經排序的子集之間進行排序，以使該訓練資料集中的所有缺陷候選根據該缺陷候選的該地面真值缺陷類別進行排序。
18. 如請求項11之電腦化方法，其中該等複數個缺陷類別包括DOI、擾動、未知和不關心（DNC）。
19. 如請求項11之電腦化系統，其中該一或多個半導體取樣包括一或多個半導體晶片的一或多個層。
20. 一種非瞬態電腦可讀取儲存媒體，該非瞬態電腦可讀取儲存媒體有形地體現一指令程式，該等指令程式在由一電腦執行時使該電腦執行用於對一半導體取樣進行缺陷檢查的一方法，該方法包括以下步驟： 獲得一檢驗資料集，該檢驗資料集提供關於由一檢驗工具檢查該半導體取樣而產生的一組缺陷候選及其屬性的資訊； 藉由一分類器將該一組缺陷候選分類成複數個缺陷類別，使得每個缺陷候選與一相應的缺陷類別相關聯；及 藉由一決策模型使用一排序規則將該一組缺陷候選排名到一總順序中，其中每個缺陷候選與該總順序中的一不同排名相關聯，該不同排名代表該缺陷候選是一感興趣缺陷（DOI）的可能性，其中該決策模型先前被訓練以學習該排序規則，該排序規則同與該一組缺陷候選相關聯的該等複數個缺陷類別、以及該檢驗資料中的一系列屬性有關。