[go: up one dir, main page]

TWI713672B - 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法 - Google Patents

為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法 Download PDF

Info

Publication number
TWI713672B
TWI713672B TW106100883A TW106100883A TWI713672B TW I713672 B TWI713672 B TW I713672B TW 106100883 A TW106100883 A TW 106100883A TW 106100883 A TW106100883 A TW 106100883A TW I713672 B TWI713672 B TW I713672B
Authority
TW
Taiwan
Prior art keywords
sample
learning
electron beam
optical
information
Prior art date
Application number
TW106100883A
Other languages
English (en)
Other versions
TW201734955A (zh
Inventor
克里斯 畢海斯卡
張晶
葛瑞斯 淑玲 陳
艾斯霍克 庫爾卡尼
勞倫特 卡森堤
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 TW201734955A publication Critical patent/TW201734955A/zh
Application granted granted Critical
Publication of TWI713672B publication Critical patent/TWI713672B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • H10P74/203—
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • G03F1/86—Inspecting by charged particle beam [CPB]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • H10P72/06—
    • H10P74/207—
    • H10P74/235—
    • H10P74/277—
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Automation & Control Theory (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本發明提供用於為一樣品產生模擬輸出之方法及系統。一種方法包含使用一或多個電腦系統獲取針對一樣品之資訊。該資訊包含該樣品之一實際光學影像、該樣品之一實際電子束影像及針對該樣品之設計資料之至少一者。該方法亦包含將針對該樣品之該資訊輸入至一基於學習之模型中。該基於學習之模型包含於由一或多個電腦系統實行之一或多個組件中。該基於學習之模型經組態以映射光學影像、電子束影像與設計資料之間之一三角關係，且該基於學習之模型將該三角關係應用至該輸入以藉此為該樣品產生模擬影像。

Description

為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法
本發明大體上係關於用於使用經組態以映射光學影像、電子束影像與設計資料之間之一三角關係之一基於學習之模型為一樣品產生模擬輸出之方法及系統。
以下描述及實例不憑藉其等包含於此章節中而被視為係先前技術。
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半導體製造程序處理諸如一半導體晶圓之一基板以形成半導體裝置之各種特徵及多個層級。例如，微影係涉及將一圖案自一倍縮光罩轉印至配置於一半導體晶圓上之一光阻之一半導體製造程序。半導體製造程序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，且接著將其等分離成個別半導體裝置。
在一半導體製造程序期間之各個步驟使用檢測程序以偵測樣品上之缺陷以驅動製造程序中之更高良率及因此更高利潤。檢測始終係製造半導體裝置之一重要部分。然而，隨著半導體裝置之尺寸減小，檢測對於成功 製造可接受半導體裝置變得更加重要，此係因為更小缺陷可導致裝置故障。
缺陷再檢測通常涉及重新偵測本身藉由一檢測程序偵測之缺陷及使用一高倍率光學系統或一掃描電子顯微鏡(SEM)而以一更高解析度產生關於缺陷之額外資訊。因此，在樣品(其中已藉由檢測偵測缺陷)上之離散位置處執行缺陷再檢測。藉由缺陷再檢測產生之缺陷之更高解析度資料更適用於判定缺陷之屬性，諸如輪廓、粗糙度、更精確之大小資訊等。
在一半導體製造程序期間之各個步驟亦使用度量衡程序來監測且控制程序。度量衡程序與檢測程序不同之處在於，不同於其中在樣品上偵測缺陷之檢測程序，度量衡程序用於量測無法使用當前所使用之檢測工具判定之樣品之一或多個特性。例如，度量衡程序用於量測樣品之一或多個特性(諸如在一程序期間形成於樣品上之特徵之一尺寸(例如，線寬、厚度等))，使得可自該一或多個特性判定程序之效能。另外，若樣品之一或多個特性係不可接受的(例如，在該(等)特性之一預定範圍外)，則可使用樣品之一或多個特性之量測以更改程序之一或多個參數，使得由該程序製造之額外樣品具有(若干)可接受特性。
度量衡程序與缺陷再檢測程序不同之處亦在於，不同於其中在缺陷再檢測中重訪由檢測偵測之缺陷之缺陷再檢測程序，可在未偵測缺陷之位置處執行度量衡程序。換言之，不同於缺陷再檢測，對樣品執行一度量衡程序之位置可獨立於對樣品執行之一檢測程序之結果。特定言之，可獨立於檢測結果選擇執行一度量衡程序之位置。
因此，如上文描述，可為一單一樣品產生不同資訊。此資訊可包含樣品之設計資訊(即，形成於樣品上之裝置之一設計之資訊)、由一或多個 工具(例如，一檢測工具)為樣品產生之(若干)光學影像、由一或多個工具(例如，一缺陷再檢測工具)為樣品產生之(若干)電子束影像。有時使用不同資訊之一組合以在樣品上或針對樣品執行一或多個程序及/或判定用於樣品之進一步資訊可係有益的。舉例而言，具有對應於一樣品之一設計內之一單一位置之光學影像及電子束影像以幫助診斷在設計內之該位置中識別之一問題可係有益的。
因此，組合使用針對一樣品之不同類型之資訊需要一種類型之資訊至另一類型之資訊之某一映射。通常，當前，可藉由使為一樣品產生之不同實際影像彼此對準(例如，使用影像中及/或樣品上之對準特徵及/或使不同實際影像對準於一共同參考(例如，設計))而執行此映射。然而，歸因於不同類型之資訊之間之差異(例如，不同解析度、像素大小、成像方法(諸如光學對電子束)等)，使一種類型之資訊對準於另一類型之資訊以建立不同類型之資訊之間之一映射可係相對困難的且易受對準方法及/或演算法中之誤差及樣品上之雜訊源(例如，色彩變動)之影響。另外，組合使用之不同類型之資訊通常必須單獨且彼此獨立地產生。舉例而言，為了建立一樣品之光學影像與電子束影像之間之一關係，可需要藉由使樣品之一實體版本成像而產生實際光學影像及電子束影像。另外，為了建立樣品之此等影像與設計資訊之間之一關係，可需要設計資訊但其並非始終可用。因此，用於判定樣品(諸如倍縮光罩及晶圓)之不同類型之資訊之間之一映射之當前使用方法及系統歸因於需要用於實際成像之樣品及用於產生影像之成像工具而可係耗時、昂貴的，歸因於映射自身之雜訊及其他誤差而易於出現誤差且在設計資訊不可用時甚至不可行。
因此，開發用於使一樣品之不同類型之資訊彼此映射而無上文描述 之一或多個缺點之系統及方法將係有利的。
各種實施例之下列描述絕不應解釋為限制隨附發明申請專利範圍之標的物。
一項實施例係關於一種經組態以為一樣品產生模擬輸出之系統。該系統包含經組態以獲取針對一樣品之資訊之一或多個電腦子系統。該資訊包含該樣品之一實際光學影像、該樣品之一實際電子束影像及針對該樣品之設計資料之至少一者。該系統亦包含由該一或多個電腦子系統實行之一或多個組件。該一或多個組件包含經組態以映射光學影像、電子束影像與設計資料之間之一三角關係之一基於學習之模型。該一或多個電腦子系統經組態以將針對該樣品之該資訊輸入至該基於學習之模型中，且該基於學習之模型將該三角關係應用至該輸入以藉此為該樣品產生模擬輸出。可如本文中描述般進一步組態該系統。
另一實施例係關於一種用於為一樣品產生模擬輸出之電腦實施方法。該方法包含使用一或多個電腦系統獲取針對一樣品之資訊。該資訊包含該樣品之一實際光學影像、該樣品之一實際電子束影像及針對該樣品之設計資料之至少一者。該方法亦包含將針對該樣品之該資訊輸入至一基於學習之模型中。該基於學習之模型包含於由一或多個電腦系統實行之一或多個組件中。該基於學習之模型經組態以映射光學影像、電子束影像與設計資料之間之一三角關係，且該基於學習之模型將該三角關係應用至該輸入以藉此為該樣品產生模擬輸出。
可如本文中進一步描述般進一步執行上文描述之方法之步驟之各者。另外，上文描述之方法之實施例可包含本文中描述之(若干)任何其他 方法之(若干)任何其他步驟。此外，可藉由本文中描述之該等系統之任一者執行上文描述之方法。
另一實施例係關於一種非暫時性電腦可讀媒體，其儲存可在一或多個電腦系統上實行以執行用於為一樣品產生模擬輸出之一電腦實施方法之程式指令。該電腦實施方法包含上文描述之方法之步驟。可如本文中描述般進一步組態該電腦可讀媒體。可如本文中進一步描述般執行該電腦實施方法之步驟。另外，該電腦實施方法(可針對其執行該等程式指令)可包含本文中描述之(若干)任何其他方法之(若干)任何其他步驟。
10:光學工具
14:樣品
16:光源
18:光學元件
20:透鏡
22:載物台
24:集光器
26:元件
28:偵測器
30:集光器
32:元件
34:偵測器
36:電腦子系統
100:組件
102:電腦子系統
104:基於學習之模型
108:虛擬系統
110:其他系統
112:單一配方
122:電子束工具
124:電腦子系統
126:電子束源
128:樣品
130:元件
132:元件
134:偵測器
136:共同樣品處置系統
138:承載模組
140:匣
200:設計
202:電子束
204:光學
300:非暫時性電腦可讀媒體
302:程式指令
304:電腦系統
熟習此項技術者在獲益於較佳實施例之以下詳細描述之情況下且在參考隨附圖式之後將變得明白本發明之進一步優點，其中：圖1係繪示如本文中描述般組態之一系統之一實施例之一側視圖之一示意圖；圖2係繪示針對其組態本文中描述之基於學習之模型之三角映射之一方塊圖；及圖3係繪示儲存用於引起一或多個電腦系統執行本文中描述之一電腦實施方法之程式指令之一非暫時性電腦可讀媒體之一項實施例之一方塊圖。
雖然本發明易具有各種修改及替代形式，但在圖式中藉由實例展示且在本文中詳細描述其之特定實施例。圖式可不按比例繪製。然而，應理解，圖式及其等之詳細描述並不意欲將本發明限於所揭示之特定形式，而相反地，意圖係涵蓋落於如由隨附發明申請專利範圍界定之本發明之精神及範疇內之全部修改、等效物及替代。
如在本文中可交換地使用之術語「設計」、「設計資料」及「設計資訊」大體上係指一IC之實體設計(佈局)及透過複雜模擬或簡單幾何及布林(Boolean)運算自該實體設計導出的資料。另外，藉由一倍縮光罩檢測系統獲取之一倍縮光罩之一影像及/或其導出物可用作用於設計之一「代理」或「若干代理」。此一倍縮光罩影像或其之一導出物可在使用一設計之本文中描述之任何實施例中充當對於設計佈局之一取代物。設計可包含2009年8月4日頒予Zafar等人之共同擁有之美國專利第7,570,796號及2010年3月9日頒予Kulkarni等人之共同擁有之美國專利第7,676,077號中描述之任何其他設計資料或設計資料代理，該兩個專利以宛如全文闡述引用之方式併入本文中。另外，設計資料可係標準單元庫資料、整合佈局資料、一或多個層之設計資料、設計資料之導出物及完全或部分晶片設計資料。
另外，本文中描述之「設計」、「設計資料」及「設計資訊」係指藉由半導體裝置設計者在一設計程序中產生且因此可在將設計印刷於諸如倍縮光罩及晶圓之任何實體樣品上之前良好地用於本文中描述之實施例中之資訊及資料。
現參考圖式，應注意，圖未按比例繪製。特定言之，在很大程度上放大圖之一些元件之尺度以強調元件之特性。亦應注意，該等圖未按相同比例繪製。已使用相同元件符號指示可經類似組態之展示於一個以上圖中之元件。除非本文中另有說明，否則所描述且展示之任何元件可包含任何適合市售元件。
一項實施例係關於一種經組態以為一樣品產生模擬輸出之系統。在圖1中展示一項此實施例。系統可包含光學工具10。一般言之，光學工具 經組態以藉由將光引導至一樣品(或使光掃描遍及樣品)且自樣品偵測光而產生樣品之光學影像。在一項實施例中，樣品包含一晶圓。晶圓可包含此項技術中已知之任何晶圓。在另一實施例中，樣品包含一倍縮光罩。倍縮光罩可包含此項技術中已知之任何倍縮光罩。
在圖1中展示之系統之實施例中，光學工具10包含經組態以將光引導至樣品14之一照明子系統。照明子系統包含至少一個光源。舉例而言，如圖1中展示，照明子系統包含光源16。在一項實施例中，照明子系統經組態以按可包含一或多個傾斜角及/或一或多個法向角之一或多個入射角將光引導至樣品。舉例而言，如圖1中展示，按一傾斜入射角引導來自光源16之光穿過光學元件18且接著穿過透鏡20至樣品14。傾斜入射角可包含可取決於(例如)樣品之特性而變化之任何適合傾斜入射角。
光學工具可經組態以在不同時間按不同入射角將光引導至樣品。舉例而言，光學工具可經組態以更改照明子系統之一或多個元件之一或多個特性，使得光可按不同於圖1中展示之入射角之一入射角引導至樣品。在一個此實例中，光學工具可經組態以移動光源16、光學元件18及透鏡20，使得光按一不同傾斜入射角或一法向(或近法向)入射角引導至樣品。
在一些例項中，光學工具可經組態以在相同時間按一個以上入射角將光引導至樣品。舉例而言，照明子系統可包含一個以上照明通道，照明通道之一者可包含如圖1中展示之光源16、光學元件18及透鏡20，且照明通道之另一者(未展示)可包含類似元件(其等可經不同或相同組態)或可包含至少一光源及可能一或多個其他組件(諸如本文中進一步描述之組件)。若在與其他光相同之時間將此光引導至樣品，則按不同入射角引導至樣品之光之一或多個特性(例如，波長、偏光等)可不同，使得可在(若干)偵測 器處將源自按不同入射角照明樣品之光彼此區分。
在另一例項中，照明子系統可包含僅一個光源(例如，在圖1中展示之光源16)且可藉由照明子系統之一或多個光學元件(未展示)將來自光源之光分至不同光學路徑中(例如，基於波長、偏光等等)。接著，可將不同光學路徑之各者中之光引導至樣品。多個照明通道可經組態以在相同時間或不同時間(例如，當使用不同照明通道以依序照明樣品時)將光引導至樣品。在另一例項中，相同照明通道可經組態以在不同時間將具有不同特性之光引導至樣品。例如，在一些例項中，光學元件18可經組態為一光譜濾光器且可以多種不同方式(例如，藉由調換出光譜濾光器)改變光譜濾光器之性質使得可在不同時間將不同波長之光引導至樣品。照明子系統可具有此項技術中已知之用於依序或同時按不同或相同入射角將具有不同或相同特性之光引導至樣品之任何其他適合組態。
在一項實施例中，光源16可包含一寬頻電漿(BBP)光源。以此方式，由光源產生且引導至樣品之光可包含寬頻光。然而，光源可包含任何其他適合光源(諸如一雷射)。雷射可包含此項技術中已知之任何適合雷射且可經組態以產生任何適合波長或此項技術中已知之波長之光。另外，雷射可經組態以產生單色或近單色光。以此方式，雷射可係一窄頻雷射。光源亦可包含產生多個離散波長或波帶之光之一多色光源。
來自光學元件18之光可藉由透鏡20聚焦至樣品14上。雖然透鏡20在圖1中展示為一單折射光學元件，但應理解，實務上，透鏡20可包含組合地將來自光學元件之光聚焦至樣品之數個折射及/或反射光學元件。在圖1中展示且在本文中描述之照明子系統可包含任何其他合適光學元件(未展示)。此等光學元件之實例包含但不限於(若干)偏光組件、(若干)光譜濾波 器、(若干)空間濾波器、(若干)反射光學元件、(若干)變迹器、(若干)束分離器、(若干)孔隙及類似物，其等可包含此項技術中已知的任何此等合適光學元件。另外，光學工具可經組態以基於用於產生光學影像之照明之類型而更改照明子系統之一或多個元件。
光學工具亦可包含經組態以引起光掃描遍及樣品之一掃描子系統。舉例而言，光學工具可包含在光學成像期間在其上安置樣品14之載物台22。掃描子系統可包含可經組態以移動樣品使得光可掃描遍及樣品之任何適合機械及/或機器人總成(其包含載物台22)。另外或替代地，光學工具可經組態使得光學工具之一或多個光學元件執行光遍及樣品之某一掃描。可以任何適合方式(諸如以一蛇形路徑或以一螺旋路徑)使光掃描遍及樣品。
光學工具進一步包含一或多個偵測通道。一或多個偵測通道之至少一者包含一偵測器，該偵測器經組態以歸因於藉由工具照明樣品而自樣品偵測光且回應於所偵測光產生輸出。例如，在圖1中展示之光學工具包含兩個偵測通道：一個通道由集光器24、元件26及偵測器28形成且另一個通道由集光器30、元件32及偵測器34形成。如在圖1中展示，兩個偵測通道經組態以按不同收集角度收集及偵測光。在一些例項中，兩個偵測通道經組態以偵測散射光，且偵測通道經組態以偵測按不同角度自樣品散射之光。然而，偵測通道之一或多者可經組態以自樣品偵測另一類型之光(例如，反射光)。
如在圖1中進一步展示，兩個偵測通道經展示定位於紙平面中且照明子系統亦經展示定位於紙平面中。因此，在此實施例中，兩個偵測通道定位(例如，居中)於入射平面中。然而，偵測通道之一或多者可定位於入射 平面外。例如，由集光器30、元件32及偵測器34形成之偵測通道可經組態以收集及偵測自入射平面散射之光。因此，此一偵測通道通常可稱為一「側」通道，且此一側通道可在實質上垂直於入射平面之一平面中居中。
儘管圖1展示包含兩個偵測通道之光學工具之一實施例，但光學工具可包含不同數目個偵測通道(例如，僅一個偵測通道或兩個或兩個以上偵測通道)。在一個此例項中，由集光器30、元件32及偵測器34形成之偵測通道可形成如上文描述之一個側通道，且光學工具可包含經形成為定位於入射平面之相對側上之另一側通道之一額外偵測通道(未展示)。因此，光學工具可包含偵測通道，其包含集光器24、元件26及偵測器28且在入射平面中居中且經組態以收集及偵測成法向於或接近法向於樣品表面之(若干)散射角之光。因此，此偵測通道通常可稱為一「頂部」通道，且光學工具亦可包含如上文描述般組態之兩個或兩個以上側通道。因而，光學工具可包含至少三個通道(即，一個頂部通道及兩個側通道)，且至少三個通道之各者具有其自身之集光器，該等集光器之各者經組態以收集成不同於其他集光器之各者之散射角之光。
如上文進一步描述，包含於光學工具中之偵測通道之各者可經組態以偵測散射光。因此，在圖1中展示之光學工具可經組態以用於樣品之暗場(DF)成像。然而，光學工具亦可或替代性地包含經組態以用於樣品之明場(BF)成像之(若干)偵測通道。換言之，光學工具可包含經組態以偵測自樣品鏡面反射之光之至少一個偵測通道。因此，本文中描述之光學工具可經組態以用於僅DF成像、僅BF成像或DF及BF成像兩者。儘管集光器之各者在圖1中經展示為單一折射光學元件，但應理解，集光器之各者可包含一或多個折射光學元件及/或一或多個反射光學元件。
一或多個偵測通道可包含此項技術中已知的任何合適偵測器。例如，偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、時延積分(TDI)相機及此項技術中已知的任何其他合適偵測器。偵測器亦可包含非成像偵測器或成像偵測器。以此方式，若偵測器係非成像偵測器，則偵測器之各者可經組態以偵測散射光之特定特性(諸如強度)但可不經組態以根據成像平面內之位置偵測此等特性。因而，藉由包含於光學工具之偵測通道之各者中之偵測器之各者產生之輸出可為信號或資料而非影像信號或影像資料。在此等例項中，一電腦子系統(諸如電腦子系統36)可經組態以自偵測器之非成像輸出產生樣品影像。然而，在其他例項中，偵測器可經組態為成像偵測器，其等經組態以產生成像信號或影像資料。因此，光學工具可經組態以按數種方式產生本文中描述之光學影像。
應注意，在本文中提供圖1以大體上繪示可包含於本文中描述之系統實施例中或可產生藉由本文中描述之系統實施例使用之光學影像之一光學工具或子系統之一組態。顯然，如通常在設計一商業光學工具時執行，本文中描述之光學工具組態可經更改以最佳化光學工具之效能。另外，可使用一現有系統(例如，藉由添加本文中描述之功能性至一現有系統)(諸如商業上可自KLA-Tencor，Milpitas，Calif購得之29xx/39xx及Puma 9xxx系列工具)實施本文中描述之系統。對於一些此等系統，本文中描述之實施例可經提供為系統之選用功能性(例如，除系統之其他功能性以外)。替代性地，本文中描述之光學工具可「從頭開始」設計以提供一全新光學工具。
耦合至光學工具之電腦子系統36可以任何適合方式(例如，經由一或多個傳輸媒體，其可包含「有線」及/或「無線」傳輸媒體)耦合至光學工 具之偵測器使得電腦子系統可接收由偵測器為樣品產生之輸出。電腦子系統36可經組態以使用偵測器之輸出執行本文中進一步描述之數個功能。
在圖1中展示之電腦子系統(以及本文中描述之其他電腦子系統)在本文中亦可稱為(若干)電腦系統。本文中描述之(若干)電腦子系統或系統之各者可呈各種形式，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。一般言之，術語「電腦系統」可經廣泛定義以涵蓋實行來自一記憶體媒體之指令之具有一或多個處理器之任何裝置。(若干)電腦子系統或系統亦可包含此項技術中已知的任何合適處理器，諸如一平行處理器。另外，(若干)電腦子系統或系統可包含作為獨立或網路工具之具有高速處理及軟體之一電腦平台。
若系統包含一個以上電腦子系統，則不同電腦子系統可彼此耦合，使得可在如本文中進一步描述之電腦子系統之間發送影像、資料、資訊、指令等等。例如，電腦子系統36可藉由任何合適傳輸媒體耦合至(若干)電腦子系統102(如藉由圖1中之虛線展示)，傳輸媒體可包含此項技術中已知的任何合適有線及/或無線傳輸媒體。亦可藉由一共用電腦可讀儲存媒體(未展示)有效地耦合此等電腦子系統之兩者或兩者以上。
系統亦可包含經組態以藉由將電子引導至樣品(或使電子掃描遍及樣品)且自樣品偵測電子而產生樣品之電子束影像之一電子束工具。在圖1中展示之一個此實施例中，電子束工具包含可耦合至電腦子系統124之電子柱。
如在圖1中亦展示，電子柱包含電子束源126，其經組態以產生藉由一或多個元件130聚焦至樣品128之電子。電子束源可包含(例如)一陰極源或射極尖端，且一或多個元件130可包含(例如)一槍透鏡、一陽極、一束 限制孔隙、一閘閥、一束電流選擇孔隙、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合適元件。
可藉由一或多個元件132將自樣品返回之電子(二次電子)聚焦至偵測器134。一或多個元件132可包含(例如)一掃描子系統，其可為包含於(若干)元件130中之相同掃描子系統。
電子柱可包含此項技術中已知的任何其他合適元件。另外，電子柱可如在以下專利中描述般進一步組態：在2014年4月4日頒予Jiang等人之美國專利第8,664,594號、在2014年4月8日頒予Kojima等人之美國專利第8,692,204號、在2014年4月15日頒予Gubbens等人之美國專利第8,698,093號及在2014年5月6日頒予MacDonald等人之美國專利第8,716,662號，該等案以宛如全文闡述引用的方式併入本文中。
儘管在圖1中將電子柱展示為經組態使得電子按一傾斜入射角引導至樣品且按另一傾斜角自樣品散射，但應理解，電子束可按任何適合角度引導至樣品且自樣品散射。另外，電子束工具可經組態以使用多個模式以產生樣品之電子束影像(例如，具有不同照明角、收集角等)，如本文中進一步描述。電子束工具之多個模式在電子束工具之任何成像參數上可係不同的。
電腦子系統124可耦合至偵測器134，如上文描述。偵測器可偵測自樣品之表面返回之電子，藉此形成樣品之電子束輸出及/或影像。電子束輸出及/或影像可包含任何適合電子束輸出及/或影像。電腦子系統124可經組態以使用由偵測器134產生之輸出針對樣品執行本文中進一步描述之一或多個功能。電腦子系統124可經組態以執行本文中描述之(若干)任何額外步驟。
應注意，在本文中提供圖1以大體上繪示可包含於本文中描述之實施例中之一電子束工具之一組態。如同上文描述之光學工具，可更改本文中描述之電子束工具組態以如在設計一商業電子束工具時通常執行般最佳化電子束工具之效能。另外，可使用諸如商業上可購自KLA-Tencor之eSxxx及eDR-xxxx系列之工具之一現有系統(例如，藉由將本文中描述之功能性添加至一現有系統)實施本文中描述之系統。對於一些此等系統，可將本文中描述之實施例提供為系統之選用功能性(例如，除了系統之其他功能性之外)。替代地，可「從頭開始」設計本文中描述之系統以提供一全新系統。
在本文中描述之實施例中，光學工具及電子束工具可以各種不同方式彼此耦合。舉例而言，在一項實施例中，光學工具及電子束工具僅經由一或多個電腦子系統而彼此耦合。在一個此實例中，如圖1中展示，光學工具10可僅經由電腦子系統36、(若干)電腦子系統102及電腦子系統124耦合至電子束工具122之電子柱。因此，(若干)電腦子系統102可為光學工具及電子束工具所共有。以此方式，電子束工具及光學工具可不必彼此直接連接，惟為了資料移動除外，資料移動可係大量的且可由(若干)電腦子系統102及/或(若干)虛擬系統108促進。因而，電子束工具及光學工具可不彼此直接連接，惟為了資料移動除外。
在另一實施例中，光學工具及電子束工具僅經由一或多個電腦子系統及一共同樣品處置子系統而彼此耦合。舉例而言，可由如上文描述之(若干)電腦子系統耦合基於光學之工具及基於電子束之工具。另外，光學工具及電子束工具可共用共同樣品處置系統136及可能其中可安置樣品之匣140之承載模組138。以此方式，樣品可進入至為光學工具及電子束工 具所共有之一承載模組中，其中樣品可經配置至一光學工具或一電子束工具之任一者(或兩者)。亦可在電子束工具與光學工具之間實質上快速移動樣品。
然而，一般言之，光學工具可藉由一共同外殼(未展示)、共同樣品處置系統136、一共同電源(未展示)、(若干)電腦子系統102或其等之某一組合耦合至電子束工具。共同外殼可具有此項技術中已知之任何適合組態。舉例而言，一外殼可經組態以容納光學工具以及電子束工具。以此方式，光學工具及電子束工具可經組態為一單一單元或工具。共同樣品處置系統可包含此項技術中已知之任何適合機械及/或機器人總成。共同樣品處置系統可經組態以在光學工具與電子束工具之間移動樣品使得一樣品可自光學工具直接移動至電子束工具(或反之亦然)而不必在程序之間將樣品放回至其匣或其他容器中。共同電源可包含此項技術中已知之任何適合電源。
光學工具及電子束工具可經安置為彼此橫向或垂直接近。舉例而言，系統可經組態為可各經組態以執行不同程序之模組(或子系統)之一叢集。另外，光學工具及電子束工具可經安置為橫向或垂直接近系統之承載模組138。承載模組可經組態以支撐欲在系統中處理之多個樣品(諸如晶圓之匣140)。共同樣品處置系統136可經組態以在量測及/或檢測之前自承載模組移除一樣品且將一經處理樣品安置於承載模組中。此外，光學工具及電子束工具可安置於彼此接近之其他位置中(諸如一機器人共同樣品處置系統可配裝之任何位置)使得可在工具之間移動一樣品。以此方式，共同樣品處置系統136、一載物台(未展示)或另一適合機械裝置可經組態以將一樣品移動至光學工具及電子束工具且自光學工具及電子束工具移動一樣品。
本文中描述之系統亦可包含經組態以為樣品產生其他輸出之一或多個額外工具(諸如一基於離子束之工具)。可如圖1中關於電子束工具展示般組態此一工具，惟可使用此項技術中已知之任何適合離子束源取代電子束源除外。另外，工具可係任何其他適合離子束工具，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)系統中之離子束工具。
系統亦包含經組態以接收為樣品產生之實際光學影像及實際電子束影像之一或多個電腦子系統(例如，圖1中展示之(若干)電腦子系統102)。舉例而言，如圖1中展示，(若干)電腦子系統102可耦合至電腦子系統36及電腦子系統124使得(若干)電腦子系統102可接收由偵測器28及34產生之實際光學影像或輸出及由偵測器134產生之實際電子束影像或輸出。儘管(若干)電腦子系統可自耦合至光學工具及電子束工具之其他電腦子系統接收光學影像或輸出及電子束影像或輸出，然(若干)電腦子系統可經組態以自產生影像或輸出之偵測器直接接收光學及電子束影像或輸出(例如，若(若干)電腦子系統102直接耦合至圖1中展示之偵測器)。
如上文提及，光學工具及電子束工具可經組態以將能量(例如，光、電子)引導至樣品之一實體版本及/或使能量掃描遍及樣品之實體版本，藉此為樣品之實體版本產生實際(即，非模擬)輸出及/或影像。以此方式，光學工具及電子束工具可經組態為「實際」工具而非「虛擬」工具。然而，圖1中展示之(若干)電腦子系統102可包含一或多個「虛擬」系統108，其等經組態以使用為樣品產生之至少一些實際光學影像及實際電子束影像執行一或多個功能(其等可包含本文中進一步描述之一或多個功能之任一者)。
一或多個虛擬系統無法使樣品安置於其中。特定言之，(若干)虛擬系統並非光學工具10或電子束工具122之部分且不具有處置樣品之實體版本之任何能力。換言之，在經組態為一虛擬系統之一系統中，其之一或多個「偵測器」之輸出可係由一實際工具之一或多個偵測器先前產生且儲存於虛擬系統中之輸出，且在「成像及/或掃描」期間，虛擬系統可如同樣品經成像及/或掃描般播放經儲存輸出。以此方式，使用一虛擬系統使樣品成像及/或掃描樣品可看似相同於使用一實際系統使一實體樣品成像及/或掃描一實體樣品，而實際上，「成像及/或掃描」僅涉及以相同於可使樣品成像及/或掃描樣品之方式播放針對樣品之輸出。
在共同受讓之以下專利中描述經組態為「虛擬」檢測系統之系統及方法：於2012年2月28日頒予Bhaskar等人之美國專利第8,126,255號及於2015年12月29日頒予Duffy等人之美國專利第9,222,895號，該等案之兩者以宛如全文闡述引用的方式併入本文中。可如在此等專利中描述般進一步組態本文中描述之實施例。例如，可如在此等專利中描述般進一步組態本文中描述之一或多個電腦子系統。
如上文進一步提及，光學工具可經組態以使用多個模式為樣品產生輸出。以此方式，在一些實施例中，實際光學影像包含由光學工具使用光學工具之一參數之兩個或兩個以上不同值產生之影像。一般言之，一「模式」可由用於為樣品產生輸出及/或影像之光學工具之參數之值定義。因此，不同模式在工具之至少一個光學參數之值上可不同。舉例而言，在一光學工具之一項實施例中，多個模式之至少一者使用用於照明之光之至少一個波長，其不同於用於多個模式之至少一其他者之照明之光之至少一個波長。模式在用於不同模式之如本文中進一步描述之照明波長上可不同 (例如，藉由使用不同光源、不同光譜濾波器等等)。在另一實施例中，多個模式之至少一者使用光學工具之一照明通道，其不同於用於多個模式之至少一其他者之光學工具之一照明通道。例如，如上文提及，光學工具可包含一個以上照明通道。因而，不同照明通道可用於不同模式。
以一類似方式，電子束影像可包含由電子束工具使用電子束工具之一參數之兩個或兩個以上不同值產生之影像。舉例而言，電子束工具可經組態以使用多個模式為樣品產生輸出。多個模式可由用於為一樣品產生輸出及/或影像之電子束工具之參數之值定義。因此，不同模式在工具之至少一個電子束參數之值上可不同。舉例而言，在一電子束工具之一項實施例中，多個模式之至少一者使用用於照明之至少一個入射角，其不同於用於多個模式之至少一其他者之照明之至少一個入射角。
在一些實施例中，(若干)電腦子系統經組態以接收由另一系統產生之針對樣品之資訊，(若干)電腦子系統或一或多個虛擬系統經組態以儲存資訊，且可基於經儲存資訊組合實際光學影像、實際電子束影像及設計資料之至少一者執行本文中描述之一或多個功能。舉例而言，如圖1中展示，(若干)電腦子系統102可耦合至其他系統110使得(若干)電腦子系統可自其他系統接收資訊。其他系統可包含各種其他系統，諸如一電子設計自動化(EDA)工具、可針對各種不同能力組態之另一電腦系統、一半導體製造工具、另一檢測系統、另一品質控制類型系統等。針對樣品之資訊可包含針對樣品之各種資訊，諸如與樣品之設計相關之資訊、對樣品執行之一或多個製造程序、對樣品或相同或不同類型之另一樣品執行之一或多個檢測、量測或其他品質控制程序、為樣品產生之模擬結果、來自另一源之為樣品產生之資訊等。以此方式，本文中描述之實施例可存取且獲取可用於本文 中描述之若干不同步驟中之各種先前資訊及參考資料。
在一個此實例中，來自其他系統之資訊可包含以各種方式產生之資訊，諸如藉由一程序窗合格性檢定(PWQ)方法、憑經驗執行之一實驗設計(DOE)、模擬、圖案保真度分析(PFA)等。此資訊亦可包含倍縮光罩PWQ分析。可如以下專利中描述般執行PWQ方法：2005年6月7日頒予Peterson等人之美國專利第6,902,855號、2008年8月26日頒予Peterson等人之美國專利第7,418,124號、2010年6月1日頒予Wu等人之美國專利第7,729,529號、2010年8月3日頒予Kekare等人之美國專利第7,769,225號、2011年10月18日頒予Pak等人之美國專利第8,041,106號、2012年2月7日頒予Wu等人之美國專利第8,111,900號及2012年7月3日頒予Peterson等人之美國專利第8,213,704號，該等專利以宛如全文闡述引用之方式併入本文中。本文中描述之實施例可包含此等專利中描述之(若干)任何方法之(若干)任何步驟且可如此等專利中描述般進一步組態。可如此等專利中描述般印刷一PWQ晶圓。
在一額外此實施例中，可藉由使用一焦點曝光矩陣(FEM)方法中之一程序之一或多個參數之兩個或兩個以上不同值執行一程序而產生資訊。舉例而言，用於為一樣品產生資訊之一個策略係使用DOE(諸如FEM方法)及/或晶圓作為系統缺陷之一產生器。FEM方法通常涉及按一微影程序之焦點及曝光參數值之不同組合在一晶圓上印刷若干晶粒。接著，可以任何適合方式使不同晶粒成像以偵測不同晶粒中之缺陷。接著通常使用該資訊以針對微影程序之焦點及曝光判定一程序窗。因此，可使用一FEM方法以在一樣品上印刷此等晶粒，且可如本文中進一步描述般產生不同晶粒之影像。
可使用商業上可購自Coventor,Inc.,Cary,NC之一憑經驗訓練之程序模型(諸如SEMulator 3D)執行本文中描述之樣品之模擬。一嚴格微影模擬模型之一實例係商業上可購自KLA-Tencor之Prolith，其可與SEMulator 3D產品配合使用。然而，可使用自設計資料產生實際樣品中所涉及之(若干)程序之任一者之任何適合模型執行模擬。以此方式，可使用一模型以模擬其上已形成一設計之一樣品在樣品空間中之外觀(不必此一樣品對於諸如一成像或度量衡系統之一系統之外觀)。因此，模型之輸出可表示樣品在樣品之2D或3D空間中之外觀。
可如2016年4月28日發表之Duffy等人之美國專利申請公開案第2016/0116420號中描述般執行PFA，該案以宛如全文闡述引用之方式併入本文中。可如此公開案中描述般進一步組態本文中描述之實施例。
在另一實例中，來自其他系統之資訊可包含為樣品產生之最新信號，諸如量測、檢測、其他良率相關分析等。最新信號亦可包含可以此項技術中已知之任何適合方式執行之邊緣置放誤差(EPE)分析及/或預測EPE(PEPE)之結果。以此方式，EPE分析可包含一或多個經驗程序及/或一或多個模擬程序。
在一額外實例中，來自其他系統之資訊可包含針對樣品之設計資訊，諸如產品資訊、面向檢測之設計(DFI)資訊、目標資訊及設計融合資訊。設計融合係一軟體開發程式，其之目標為將關鍵設計資訊自無晶圓廠客戶轉移至工廠以供無晶圓廠客戶未擁有或操作之工具使用。此關鍵設計資訊可包含(例如)針對佈局、時序關鍵網及類似者之部分之關照區域。在一些此等實例中，其他系統可包含一EDA工具。以此方式，本文中描述之實施例可具有利用使用EDA電腦輔助設計(CAD)工具產生之資料之一增加 尺寸。EDA工具可包含任何適合市售EDA工具。
在一進一步實例中，來自其他系統之資訊可包含標準參考影像及/或針對樣品上之雜訊源之資訊。可以任何適合方式產生標準參考影像。可以任何適合方式產生針對雜訊源之資訊。來自其他系統之資訊可進一步包含經產生影像。可以任何適合方式(諸如藉由一模型及/或另一模擬模型)產生經產生影像。
本文中描述之樣品可包含各種不同晶圓，諸如晶圓之標稱例項及/或晶圓之非標稱例項。如本文中使用之術語「標稱例項」通常定義為已知其上不存在缺陷之樣品之「例項」。舉例而言，可使用用於在(若干)樣品上形成一設計之一或多個程序(已知其等產生無缺陷樣品)之一或多個參數處理標稱之(若干)樣品。換言之，已知用於製造(若干)樣品之(若干)程序可係(若干)良好程序。另外，(若干)樣品之「標稱例項」可包含已判定其中不存在缺陷之例項(例如，樣品上之位置、整個樣品等)。舉例而言，(若干)樣品之標稱例項可包含一檢測或其他品質控制相關程序(例如，缺陷再檢測、度量衡等)未偵測到任何缺陷之位置及/或樣品。
相比之下，本文中使用之術語(若干)樣品之「非標稱例項」通常定義為以有意(經由程式化或合成缺陷，如本文中進一步描述)或無意(經由藉由檢測、缺陷再檢測、度量衡等在一或多個樣品上發現之缺陷)之某一方式為「有缺陷」之(若干)樣品之「例項」。另外，應注意，即使在一樣品上未偵測「缺陷」自身，該樣品仍可係「有缺陷」。舉例而言，若一或多個量測指示形成於一樣品上之一設計之一或多個特性在針對該一或多個特性之值之一所要範圍外，則可將該樣品視為「有缺陷」。
樣品亦可包含產生晶圓(可能具有形成於其上之面向檢測之設計(DFI) 結構)及/或特性化載具(即，電測試結構)。
系統包含經組態以獲取針對一樣品之資訊之一或多個電腦子系統(例如，圖1中展示之(若干)電腦子系統36、102及124)。針對樣品之資訊包含樣品之一實際光學影像、樣品之一實際電子束影像及針對樣品之設計資料之至少一者。在實際光學及/或電子束影像之情況中，電腦子系統可經組態以藉由使用本文中描述之用於將能量(例如，光或電子)引導至一樣品且自樣品偵測能量(例如，光或電子)之一或多個工具而獲取實際影像。因此，獲取實際影像可包含使用樣品之一實體版本及某種成像硬體產生影像。然而，獲取實際影像可包含自其中已藉由一實際成像系統(例如，光學工具10)儲存實際影像之一儲存媒體(包含本文中描述之任何儲存媒體)獲取實際影像。另外，在設計資料之情況中，(若干)電腦子系統可自一儲存媒體或另一系統(例如，系統110)獲取設計資料或可產生設計資料自身，藉此獲取設計資料。
系統包含由一或多個電腦子系統(例如，(若干)電腦子系統102)實行之一或多個組件100。可由一或多個電腦子系統以任何適合方式實行一或多個組件。
在一項實施例中，一或多個組件包含經組態以控制至少光學工具及電子束工具之一單一配方。舉例而言，如圖1中展示，(若干)組件100可包含單一配方112。單一配方可基本上係包含條件實行及迴路觸發之一超級配方。一單一配方之意圖可係確保系統操作流程(其比一習知檢測器更複雜)內之自我一致性。本文中描述之實施例中之主要自我一致性問題可係空間的(例如，若想要使用在一工具或多個工具之多個模式中收集之影像或輸出，則必須在相同位置中執行各影像或輸出獲取)。亦可存在擷取關 於晶圓及晶粒等之佈局之幾何資訊之可貫穿超級配方(其可涉及自不同工具收集資料)應用之可重用配方分量。如今，此可手動完成。經提出系統可藉由考量彙總地收集配方(一超級配方)而非習知地針對光學工具、電子束工具等收集單獨配方來執行此。
可將本文中描述之光學工具及電子束工具組態為檢測工具。另外或替代地，可將本文中描述之光學工具及電子束工具組態為缺陷再檢測工具。此外，可將本文中描述之光學工具及電子束工具組態為度量衡工具。特定言之，可依一或多個參數修改本文中描述且在圖1中展示之光學工具及電子束工具之實施例以取決於將使用其等之應用而提供不同成像能力。在一個此實例中，圖1中展示之光學工具可經組態以在其用於缺陷再檢測或度量衡而非用於檢測之情況中具有一較高解析度。換言之，圖1中展示之光學工具及電子束工具之實施例描述可以對於熟習此項技術者顯而易見之數個方式定製以產生具有或多或少適合於不同應用之不同成像能力之成像工具之光學工具及電子束工具之一些一般及各種組態。
由(若干)電腦子系統(例如，電腦子系統36及/或(若干)電腦子系統102)實行之(若干)組件(例如，圖1中展示之(若干)組件100)包含基於學習之模型104。基於學習之模型經組態以映射光學影像、電子束影像與設計資料之間之一三角關係。舉例而言，如圖2中展示，基於學習之模型可經組態以映射三個不同空間(設計200、電子束202及光學204)之間之一三角關係。因此，本文中描述之實施例針對用於檢測、度量衡及其他使用情況之半導體晶圓及遮罩提供光學、電子束與設計(例如，CAD)之間之一般化表示映射系統。因此，本文中描述之實施例亦提供在半導體程序控制應用中執行樣品(諸如晶圓及倍縮光罩)之不同可觀察表示之間之變換之一系統 方法。表示包含設計資料(例如，EDA設計)(具有0.1nm置放準確度)、掃描電子顯微鏡(SEM)再檢測/檢測等(具有1nm置放準確度)及來自光學工具(諸如檢測(具有10nm至100nm置放準確度))之圖塊影像。
據發明者所知，當前不存在嘗試以本文中提出之此一原理性及實際方式映射光學、電子束與設計之間之三角關係之自動化系統。當前，可以一非常不同的方式建立不同空間之間之關係。舉例而言，當前，可對一光學工具(其可以一實質上稀疏方式在一缺陷再檢測工具上加以訓練)執行離群點偵測，且接著可使用一相對簡單取樣演算法以選擇用於在生產期間再檢測之經偵測離群點之樣本。
因此，相較於本文中描述之實施例，當前使用之方法具有數個缺點。舉例而言，不存在嘗試映射光學、電子束與設計之間之三角關係之自動化系統。另外，雖然已嘗試組合來自不同模態(諸如波長)之資料，但此等方法及系統歸因於空間及計算限制而趨於粗略及點估計。此外，以一或多個離散或連續程序參數為條件之表示學習無法由一單一模型良好地模擬。再者，在光學側上，歸因於膜厚度變動(其為最基本晶圓程序雜訊)，色彩變動導致多個光學影像至相同電子束影像或設計實況之映射。
一或多個電腦子系統經組態以將針對樣品之資訊輸入至基於學習之模型中，且基於學習之模型將三角關係應用至輸入以藉此為樣品產生模擬輸出。(若干)電腦子系統可經組態以依任何適合方式將針對樣品之資訊輸入至基於學習之模型中。基於學習之模型可包含本文中描述之不同基於學習之模型之一或多者。另外，基於學習之模型可將三角關係應用至輸入，如本文中進一步描述。模擬輸出可包含本文中進一步描述之各種輸出。
一般言之且如本文中進一步描述，鑑於半導體設備系統包含(但不限 於)度量衡、檢測、蝕刻、沈積、圖案化等及半導體設計及/或模擬系統及/或演算法(可自感測器及/或模擬收集一樣品之不同表示)，本文中描述之實施例經組態用於表示之任意子集之間之表示轉換之一般及自動化實施方案。如本文中進一步描述，經收集表示可包含(但不限於)在不同工具及/或模擬設置(其等包含(但不限於)(若干)波長帶、(若干)孔徑、(若干)焦點、(若干)偏光、(若干)電子束大小、(若干)視野等)下之光學、電子束、設計、模擬等。
本文中描述之實施例可包含或經組態用於訓練及一或多個推論/預測。針對表示學習之推論可推斷包含(但不限於)高斯、t分佈等之分佈之混合中之隱藏表示。針對表示轉換之推論可自一純量值或包含(但不限於)高斯、t分佈等之一分佈中之輸入表示預測所要表示，如本文中進一步描述。亦如本文中進一步描述，實施例可預測在任意成像及程序參數下之光學及/或電子束影像。參數可係離散或連續值。本文中進一步描述之訓練可或可不指定各參數之一有效值範圍。
在一項實施例中，輸入至基於學習之模型之資訊包含樣品之實際光學影像，且模擬輸出包含表示由一電子束工具為樣品產生之一實際電子束影像之一模擬電子束影像。舉例而言，本文中描述之實施例可經組態以在解析度限制內執行自表示之任何子集至表示之另一子集之變換，此可包含將光學輸入變換為電子束模擬輸出。
在另一實施例中，輸入至基於學習之模型之資訊包含樣品之實際光學影像，且模擬輸出包含樣品之模擬設計資料。舉例而言，本文中描述之實施例可經組態以在解析度限制內執行自表示之任何子集至表示之另一子集之變換，此可包含將光學輸入變換為設計模擬輸出。
在一額外實施例中，輸入至基於學習之模型之資訊包含樣品之實際電子束影像，且模擬輸出包含針對樣品之模擬設計資料。舉例而言，本文中描述之實施例可經組態以在解析度限制內執行自表示之任何子集至表示之另一子集之變換，此可包含將電子束輸入變換為設計模擬輸出。
在一些實施例中，針對樣品之資訊包含按一光學工具之一參數之不同值產生之樣品之實際光學影像，且輸入至基於學習之模型之資訊包含樣品之實際光學影像。舉例而言，光學(例如，檢測)參數可包含一光學工具上之波長、孔徑、焦點等。在另一實施例中，針對樣品之資訊包含按一電子束工具之一參數之不同值產生之樣品之實際電子束影像，且輸入至基於學習之模型之資訊包含樣品之實際電子束影像。舉例而言，電子束(例如，檢測)參數可包含一電子束工具上之電子束大小、焦點、能階等。亦可針對對一樣品執行之一程序之一參數之不同值產生光學影像及電子束影像。一般言之，在本文中使用標記(p1,p2,...,pn)以表示一組光學、電子束或程序參數，即，p1係一組參數，p2係一組不同參數等等。可自一光學工具、一電子束工具或一程序工具記錄此等參數。舉例而言，所獲取影像可與用於產生程序(其用於製造影像中表示之樣品之部分)之影像及/或參數之工具之參數變資訊相關聯。
一光學影像堆疊(即，多個光學影像)在本文中由標記O(x,y,p1,p2,...,pn)表示，該標記係在光學及程序參數(p1,p2,...,pn)下在一光學工具上觀察到之(x,y)位置處之像素值。類似地，一電子束影像堆疊(即，多個電子束影像)在本文中由標記S(x,y,p1,p2,...,pn)表示，該標記係在電子束及程序參數(p1,p2,...,pn)下在一電子束工具上觀察到之(x,y)位置處之像素值。設計資訊在本文中由標記D(x,y,l)表示，該標記係針對第 l晶圓層之設計資訊(例如，一經呈現設計)之(x,y)位置處之像素值。樣品特徵在本文中由標記W(x,y)表示，該標記係指在一樣品之(x,y)位置處之某些特徵，例如，缺陷類別資訊、圖案化特徵、電測試結果等。此等特徵可經由當前使用之演算法自設計、光學影像及電子束影像之子集計算或可自一半導體工具直接量測。
基於學習之模型可經組態以使用固定參數執行一表示變換。舉例而言，給定光學影像、電子束影像、設計及/或特徵之一或多者作為使用一組固定參數收集之輸入，預期基於學習之模型預測在一組相同或不同固定參數下之表示之一子集。現在將描述若干此等實例。
在一些實施例中，針對樣品之資訊包含按一光學工具之一參數之不同值產生之樣品之實際光學影像，輸入至基於學習之模型之資訊包含樣品之實際光學影像，且模擬輸出包含表示由一電子束工具為樣品產生之一實際電子束影像之樣品之一模擬電子束影像。舉例而言，給定具有0、1、2及3之離散焦點之一光學影像堆疊O(x,y，焦點={0,1,2,3})，可由基於學習之模型預測S(x,y，法向束)之一電子束影像。
在一項實施例中，針對樣品之資訊包含按一光學工具之一參數之不同值產生之樣品之實際光學影像，輸入至基於學習之模型之資訊包含樣品之實際光學影像，至基於學習之模型之輸入包含光學工具之參數之另一不同值，且模擬輸出包含樣品之一模擬光學影像，其表示按光學工具之參數之另一不同值產生之一光學影像。舉例而言，給定具有0、1、2及3之離散焦點之一光學影像堆疊O(x,y，焦點={0,1,2,3})，基於學習之模型可預測一固定不同焦點=4(即，O(x,y，焦點=4))之一光學影像。在另一實例中，給定具有0、1、2及3之離散焦點之一光學影像堆疊O(x,y，焦點={0, 1,2,3})，基於學習之模型可預測一固定不同焦點=1.5(即，O(x,y，焦點=1.5))之一光學影像。
在一些實施例中，輸入至基於學習之模型之資訊包含樣品之實際光學影像及針對樣品之設計資料，且模擬輸出包含樣品之一模擬電子束影像，其表示由一電子束工具為樣品產生之一實際電子束影像。舉例而言，給定一光學影像堆疊O(x,y，焦點=1)及設計，基於學習之模型可預測樣品之一電子束影像，例如，S(x,y，法向束)。
在一進一步實施例中，針對樣品之資訊包含對應於對樣品執行之一程序之一參數之不同值之樣品之實際光學影像，輸入至基於學習之模型之資訊包含樣品之實際光學影像，至基於學習之模型之輸入包含程序之參數之另一不同值，且模擬輸出包含對應於程序之參數之另一不同值之樣品之一模擬光學影像。舉例而言，給定一光學影像堆疊O(x,y，程序焦點={-1,0,1}，程序曝光{0,1,2})，基於學習之模型可預測一固定不同程序焦點(例如，5)及曝光(例如，1.5)之一光學影像，即O(x,y，程序焦點=0.5，程序曝光=1.5)。
在一額外實施例中，針對樣品之資訊包含按一光學工具之一參數之不同值產生之樣品之實際光學影像，輸入至基於學習之模型之資訊包含樣品之實際光學影像及針對樣品之設計資料，且模擬輸出包含對在樣品上偵測之缺陷之缺陷分類。舉例而言，給定具有0、1、2及3之離散焦點之一光學影像堆疊O(x,y，焦點={0,1,2,3})及D(x,y,1=0)之設計，基於學習之模型可預測各像素(即，W(x,y))處之(若干)缺陷類別碼。因此，特徵學習亦可包含於問題闡述中。
在一項實施例中，輸入至基於學習之模型之資訊包含運行時間輸 入，且針對運行時間輸入之資訊包含用於訓練基於學習之模型之未包含於至基於學習之模型之輸入中之一圖案之資訊。在另一實施例中，基於學習之模型未經組態以藉由執行像素值內插而為樣品產生模擬輸出。在一額外實施例中，基於學習之模型未經組態以藉由執行像素值外插而為樣品產生模擬輸出。舉例而言，基於學習之模型可執行對一未見輸入或圖案(不在一訓練資料集中之一輸入或一圖案)之預測。換言之，基於學習之模型可應用至具有未包含於訓練輸入中之新圖案之運行時間輸入。因此，表示變換並非一簡單像素值內插或像素值外插問題。經學習模型可僅在具有固定經選取參數之固定經選取表示下執行預測。
如上文描述，基於學習之模型可經組態以按一單一預定成像及/或程序參數產生模擬輸出。然而，基於學習之模型可經組態以按多個預定成像及/或程序參數產生模擬輸出。舉例而言，基於學習之模型可經組態以產生依據成像及/或程序參數而變化之模擬輸出。特定言之，給定光學影像、電子束影像、設計及/或特徵之一或多者作為使用一組固定參數收集之輸入，基於學習之模型可學習至依據成像及/或程序參數而變化之表示之一子集之變換。在一個此實例中，給定具有0、1、2及3之離散焦點值之一光學影像堆疊O(x,y，焦點={0,1,2,3})，基於學習之模型可預測具有任何焦點值一光學影像(即，O(x,y，焦點))，其中焦點可在[-10,+10]之範圍中。在另一實例中，給定具有離散程序焦點及曝光值之一光學影像堆疊O(x,y，程序焦點={-1,0,1}，程序曝光={0,1,2})，基於學習之模型可預測具有任意焦點及曝光值之光學影像。
在此等實施例中，基於學習之模型不藉由像素值內插或像素值外插而產生模擬輸出。另外，基於學習之模型可在具有任意參數之固定經選取 表示下執行預測。學習程序可定義各參數之有效參數範圍以處理極端情況。
在一項實施例中，基於學習之模型經組態以映射樣品上之圖案化特徵與光學影像、電子束影像及設計資料之一或多者之間之一關係。舉例而言，如本文中進一步描述，可將樣品特徵定義為指代一樣品上之(x,y)位置處之某些特徵之W(x,y)。以此方式，如本文中進一步描述，給定一光學影像、一電子束影像、設計及/或一樣品上之特徵之一或多者作為使用一組固定成像及/或程序參數收集之輸入，本文中描述之基於學習之模型可預測在相同或不同參數下之表示之一子集。
在另一實施例中，針對樣品之資訊包含樣品之兩個或兩個以上實際光學影像，且兩個或兩個以上實際光學影像包含對應於一光學工具之一參數之不同值之兩個或兩個以上實際光學影像、對樣品執行一程序之前及之後產生之樣品上之一層之兩個或兩個以上實際光學影像、在樣品上之不同實體層之兩個或兩個以上實際光學影像、由不同光學工具產生之樣品之兩個或兩個以上實際光學影像、對應於對樣品執行之一程序之一參數之不同值之樣品之兩個或兩個以上實際光學影像或其等之一組合。舉例而言，本文中描述之實施例可經組態用於一組光學影像之資料收集。取決於使用情況，光學影像可具有各種大小，例如，一圖塊影像之大小(或約32個像素乘32個像素)至一圖框影像之大小(或約1024個像素乘1024個像素)。光學影像較佳大於光學工具之點擴散函數(PSF)之大小。可自一源(諸如一光學檢測工具、一虛檢測器或兩者)收集光學影像。另外，光學影像可藉由以下者堆疊：通過相同實體層上之焦點之z維度中之各種位置、不同程序之間之相同實體層(例如，對樣品執行一微影程序之前及之後之一個層)、不 同實體層(例如，不同金屬層，即，金屬1(M1)，金屬2(M2)等，其中不同實體層在樣品上形成於彼此上方或下方且包含不同圖案化特徵)、不同光學參數(諸如孔徑、波長、偏光等)、不同光學工具、不同程序參數(例如，焦點及曝光)或其等之任何組合。
在一額外實施例中，針對樣品之資訊包含樣品之兩個或兩個以上實際電子束影像，且兩個或兩個以上實際電子束影像包含對應於一電子束工具之一參數之不同值之兩個或兩個以上實際電子束影像、對樣品執行一程序之前及之後產生之樣品上之一層之兩個或兩個以上實際電子束影像、在樣品上之不同實體層之兩個或兩個以上實際電子束影像、由不同電子束工具產生之樣品之兩個或兩個以上實際電子束影像、對應於對樣品執行之一程序之一參數之不同值之樣品之兩個或兩個以上實際電子束影像或其等之一組合。舉例而言，本文中描述之實施例可經組態用於一組電子束影像之資料收集。電子束影像之大小可係來自一電子束工具之任何可能電子束影像大小。電子束影像源可係一電子束工具、一虛擬檢測器或兩者。電子束影像可藉由以下者堆疊：通過相同實體層上之焦點之z維度中之各種位置、不同程序之間之相同實體層(例如，對一樣品執行一蝕刻程序之前及之後之樣品上之一個層)、不同實體層(諸如上文進一步描述之實體層)、不同電子束工具條件、來自單獨偵測器之不同電子束工具通道、不同電子束工具、不同程序參數(例如，焦點及曝光)或其等之任何組合。
在一些實施例中，針對樣品之設計資料包含藉由以下者堆疊之設計資料：相同層中之不同經選擇圖案、不同層、不同材料或其等之一組合。舉例而言，本文中描述之實施例可經組態用於設計(例如，CAD)之資料收集。設計之大小可係使用情況相依的。設計源可係IC設計CAD檔案。設 計可藉由以下者堆疊(每一樣本之3D矩陣)：相同層中之不同經選擇圖案、不同層、不同材料或其等之某一組合。
在一項實施例中，針對樣品之資訊包含針對形成於樣品上之圖案化特徵之資訊，且憑經驗或憑理論產生針對圖案化特徵之資訊。舉例而言，本文中描述之實施例可經組態用於特徵影像或資料之資料收集。特徵影像或資料之大小可係使用情況相依的。特徵影像或資料之源可包含自程序應用(例如，可如本文中進一步描述般執行之PWQ、可如本文中進一步描述般執行之FEM)產生之特徵或資料、來自一程序工程師之使用者輸入等。特徵影像或資料之源亦可包含市售影像處理或信號處理演算法(例如，(若干)SEM ADC演算法、(若干)SEM輪廓演算法、(若干)光學相位回溯演算法等)。特徵影像及/或資料之另一源包含程序條件及/或參數。特徵影像及/或資料可藉由不同特徵、諸如上文描述之不同源及其等之任何組合堆疊。
由本文中描述之實施例執行之資料收集亦可包含上文描述之資料之某一組合(例如，光學影像、電子束影像、設計及特徵影像或資料之某一組合)。
本文中描述之基於學習之模型可係深度學習模型。一般言之，「深度學習」(亦稱為深度結構化學習、階層式學習或深度機器學習)係基於嘗試模型化資料中之高階抽象之一組演算法之機器學習之一分支。在一簡單情況中，可存在兩組神經元：接收一輸入信號之神經元及發送一輸出信號之神經元。當輸入層接收一輸入時，其將輸入之一經修改版本傳遞至下一層。在一深度網路中，輸入與輸出之間可存在許多層(且該等層並非由神經元製成但此有助於將該等層視為由神經元製成)，從而容許演算法使用 多個處理層(由多個線性及非線性變換組成)。
深度學習係基於資料之學習表示之機器學習方法之一更廣泛族之部分。一觀察(例如，一影像)可以許多方式(諸如每個像素之強度值之一向量)或以一更抽象方式(如一組邊緣、特定形狀之區等)呈現。一些表示優於其他表示之處在於，簡化學習任務(例如，面部辨識或面部表情辨識)。深度學習之一個承諾係使用有效演算法來取代手工特徵用於無監督或半監督式特徵學習及階層式特徵提取。
在此領域中之研究嘗試製成更佳之表示且產生模型以自大規模未標記資料學習此等表示。一些表示受神經科學中之進展啟發且鬆散地基於一神經系統中之資訊處理及通信型樣之解譯，諸如嘗試定義各種刺激與腦中之相關聯神經元回應之間的一關係之神經編碼。
各種深度學習架構(諸如深度神經網路、廻旋深度神經網路、深度信仰網路及遞迴式神經網路)已經應用至如電腦視覺、自動語音辨識、自然語言處理、自動辨識及生物資訊學之領域，其中其等已經展示以產生各種任務之最先進技術結果。
基於學習之模型亦可包含機器學習模型。機器學習可大體上經定義為對電腦提供在未經明確程式化之情況下學習之能力之人工智能(AI)之一類型。機器學習致力於開發可教示自身在曝露至新資料時生長及改變之電腦程式。換言之，機器學習可經定義為「賦予電腦在未經明確程式化之情況下學習之能力」之電腦科學之子域。機器學習探索可自資料學習且對資料作出預測之演算法之研究及構造-此等演算法藉由透過自樣品輸入建立一模型來作出資料驅動預測或決策而克服以下嚴格靜態程式指令。
可如在Sugiyama、Morgan Kaufmann之「Introduction to Statistical Machine Learning」2016年，534頁；Jebara之「Discriminative,Generative,and Imitative Learning」，MIT Thesis，2002年，212頁；及Hand等人之「Principles of Data Mining(Adaptive Computation and Machine Learning)」，MIT Press，2001年，578頁(其等以宛如全文闡述引用的方式併入本文中)中描述般進一步組態本文中描述之機器學習。可如在此等參考中描述般進一步組態本文中描述之實施例。
在另一實施例中，基於學習之模型包含一鑑別模型。舉例而言，為了如上文描述般學習在固定成像或程序參數下之一變換，可針對一鑑別方法組態基於學習之模型。鑑別模型(亦稱為條件模型)係在機器學習中用於模型化一未經觀察變量y對於一經觀察變量x之相依性之一模型類別。在一概率框架內，此藉由模型化條件概率分佈P(y|x)(其可用於自x預測y)而完成。與生成模型相反，鑑別模型不容許吾人自x及y之聯合分佈產生樣本。然而，針對不需要聯合分佈之任務(諸如分類及迴歸)，鑑別模型可產生優越效能。另一方面，生成模型通常在表達複雜學習任務中之相依性方面比鑑別模型更靈活。另外，大多數鑑別模型固有地為監督式且不容易延伸至非監督式學習。應用特定細節最終指示選擇一鑑別模型相對於生成模型之適合性。
在一項此實施例中，鑑別模型包含一支援向量機器、一支援向量迴歸、一廻旋神經網路或一遞迴式神經網路。舉例而言，學習在一組固定檢測及/或程序參數下之一變換可作為一迴歸問題或分類問題經由一鑑別方法解決且可能模型包含支援向量機器、支援向量迴歸、一廻旋神經網路(CNN)及一遞迴式神經網路(RNN)。
在機器學習中，支援向量機器(SVM，亦支援向量網路)係具有分析 用於分類及迴歸分析之資料之相關聯學習演算法之監督式學習模型。給定一組訓練實例(各標記為屬於兩個類別之一者或另一者)，一SVM訓練演算法構建將新實例指派至一個類別或另一類別之一模型，從而使其變為一非概率性二進制線性分類器。一SVM模型係作為空間中之點之實例之一表示，其經映射使得單獨類別之實例藉由儘可能寬之一清晰間隙分割。接著，將新實例映射至相同空間中且基於其等落於間隙之哪一側而預測其等屬於一類別。
除了執行線性分類之外，SVM可使用所謂的核心技巧有效執行一非線性分類，從而將其等之輸入隱含地映射至高維度特徵空間中。
當未標記資料時，監督式學習不可行，且需要一非監督式學習方法，其嘗試尋找資料至群組之自然叢集化，且接著將新資料映射至此等經形成群組。對支援向量機器提供改良之叢集化演算法被稱為支援向量叢集化且通常在未標記資料時或在僅將某一資料標記為用於一分類遍次之一預處理時用於工業應用中。
如在Basak等人之「Support Vector Regression」，Neural Information Processing-Letters and Reviews，第11卷，第10號，2007年10月，第203-224頁(該案以宛如全文闡述引用之方式併入本文中)中描述般，代替最小化經觀察訓練誤差，支援向量迴歸(SVR)嘗試最小化一般化誤差界限以便達成一般化效能。SVR之理念係基於一高維度特徵空間中之一線性迴歸函數之計算，其中經由一非線性函數映射輸入資料。SVR已應用於各種領域中：時間序列及金融(雜訊及風險)預測、複雜工程分析之近似計算、凸二次程式化及損失函數之選取等。可如本發明中描述般進一步組態本文中描述之基於學習之模型。
在一進一步實施例中，模型係一神經模型。例如，模型可係具有一組權重之一深度神經網路，該等權重根據已經饋送以訓練模型之資料模型化世界。神經網路可大體上經定義為基於神經單元之一相對大集合之一計算方法，其鬆散地模型化一生物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。各神經單元與許多其他神經單元連接，且鏈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經訓練而非明確程式化且在解決方案或特徵偵測難以按一傳統電腦程式表達之領域中具有優勢。
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，儘管若干神經網路遠遠更加抽象。當代神經網路項目通常使用數千至數百萬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。
在另一實施例中，模型係一廻旋神經模型(CNN)。例如，本文中描述之實施例可利用深度學習概念(諸如一CNN)以解決通常棘手之表示轉換問題(例如，呈現)。模型可具有此項技術中已知之任何CNN組態或架構。亦可如由Bhaskar等人在2016年11月16日申請之美國專利申請案第15/353,210號中描述般組態CNN，該案以宛如全文闡述引用之方式併入本文中。可如此專利申請案中描述般進一步組態本文中描述之基於學習之模型。
一遞迴式神經網路(RNN)係其中單元之間之連接形成一定向循環之人工神經網路之一類別。此產生容許網路展現動態時間行為之網路之一內部狀態。不同於前饋神經網路，RNN可使用其等之內部記憶體以處理輸入之任意序列。此使RNN可應用至諸如未分段連接手寫辨識或語音辨識 之任務。
在一進一步實施例中，基於學習之模型包含一參數或非參數貝氏方法。舉例而言，在固定成像或程序參數下之一學習變換可由一參數或非參數貝氏方法解決。如在Orbanz等人之「Bayesian Nonparametric Models」，2010年，第14頁(該案以宛如全文闡述引用之方式併入本文中)中描述般，一貝氏非參數模型係在一無限維度參數空間上之一貝氏模型。通常選取參數空間作為針對一給定學習問題之全部可能解決方案集。舉例而言，在一迴歸問題中，參數空間可係連續函數集，且在一密度估計問題中，空間可由全部密度組成。一貝氏非參數模型僅使用可用參數維度之一有限子集以解釋觀察之一有限樣本(其中取決於樣本選取維度集)，使得模型之有效複雜性(如由所使用之維度數目所量測)適應於資料。因此，可將典型適應性問題(諸如非參數估計及模型選擇)公式化為貝氏推論問題。貝氏非參數模型之流行實例包含其中使用增長之樣本大小細化相關結構之高斯程序迴歸及用於叢集化之狄氏(Dirichlet)程序混合模型(其等用於使叢集數目適應於資料之複雜性)。貝氏非參數模型最近已應用至各種機器學習問題，包含迴歸、分類、叢集化、潛在變量模型化、循序模型化、影像分段、源分離及語法歸納。
非參數模型構成模型化選擇及調適之一方法，其中容許模型之大小隨著資料大小增長。此與使用固定數目個參數之參數模型相反。舉例而言，密集估計之一參數方法將係依最大似然擬合一高斯或固定數目個高斯之一混合。一非參數方法將係一帕爾森窗估計器，其在各觀察處使一高斯居中(且因此每一觀察使用一個平均參數)。另一實例係具有一高斯核心之支援向量機器。表示定理展示決策函數係以每一輸入向量為中心之高斯徑 向基底函數之一線性組合，且因此具有隨著更多觀察增長之一複雜性。非參數方法已在經典(非貝氏)統計中長久地流行。其等通常在應用中令人印象深刻地執行，且雖然此等模型之理論結果通常比參數模型更難以證明，但已針對廣範圍之模型建立吸引人的理論性質。
在一項此實施例中，藉由一高斯混合模型、一狄氏混合模型、一高斯程序或一深度高斯程序針對參數或非參數貝氏方法模型化似然概率。在另一此實施例中，藉由一變分推論或一馬可夫鏈蒙地卡羅法針對參數或非參數貝氏方法模型化先驗及後驗。
在貝氏統計中，一隨機事件或一不確定命題之後驗概率係在考量相關證據或背景之後所指派之條件概率。類似地，後驗概率分佈係被視為一隨機變量之一未知量之概率分佈，其取決於自一實驗或調查獲得之證據。在此內容背景中，「後驗」意謂在考量與所檢查之特定情況相關之相關證據之後。後驗概率係在給定證據X：p(θ|X)之情況下參數θ之概率。其與似然函數(其係在給定參數p(X|θ)之情況下證據之概率)形成對比。該兩者如下般相關：吾人先前相信概率分佈函數係p(θ)及具有似然p(x|θ)之觀察x之一先驗信仰，接著將後驗概率定義為後驗概率α似然×先驗概率。
一高斯混合模型(GMM)係表示為高斯分量密度之一加權和之一參數概率密度函數。GMM通常用作一生物測定系統中之連續量測或特徵(諸如一揚聲器辨識系統中之聲道相關光譜特徵)之概率分佈之一參數模型。使用來自一良好訓練先驗模型之迭代最大預期(EM)演算法或最大後驗概率(MAP)估計自訓練資料估計GMM參數。
如在Blei等人之「Variational Inference for Dirichlet Process Mixtures」，Bayesian Analysis(2006年)，第1號，第121-144頁(該案以宛 如全文闡述引用之方式併入本文中)中描述般，蒙地卡羅法馬可夫鏈(MCMC)取樣之方法論已激勵貝氏統計達十多年，將一系統方法提供給似然及後驗分佈之計算，且允許在快速增長數目個應用問題中採用貝氏方法。然而，雖然MCMC係一毫無疑問的成功故事，但其並非一不合格故事-MCMC方法可收斂緩慢且其等之收斂可難以診斷。雖然需要對取樣進行進一步研究，但尤其在大規模問題之內容背景中探索替代品亦係重要的。
由變分推論方法提供一個此類別之替代品。如同MCMC，變分推論方法在統計物理學中具有根基，且與MCMC方法相反，其等係確定的。變分推論之基本理念係依據一最佳化問題公式化一邊際或條件概率之計算。接著，「放鬆」此(通常棘手)問題，從而產生取決於若干自由參數(稱為變分參數)之一簡化最佳化問題。針對變分參數求解給出對所關注邊際或條件概率之一近似計算。
主要在指數族之內容背景中開發變分推論方法，其中自然參數空間之凸性性質及累積量函數產生一優質一般變分形式。舉例而言，已基於一般指數族規範針對參數階層式貝氏模型開發變分方法。MCMC方法已見更廣應用。特定言之，針對非參數模型之MCMC演算法(諸如狄氏程序)之開發已導致對非參數貝氏方法之關注增加。可藉由針對狄氏程序混合開發變分方法而封閉此間隙。
狄氏程序(DP)係對量測之一量測。DP由一基礎分佈G0及一正按比例調整參數α參數化。假定吾人自一狄氏程序引出一隨機量測G，且自G獨立引出N個隨機變量ηn： G{G0,α}~DP(G0,α) ηn~G,n
Figure 106100883-A0305-02-0043-6
{1,...,N}。
邊際化出隨機量測G，{η1,...,ηN}之聯合分佈遵循P'olya urn方案。將正概率指派至其中不同ηn採取相同值之組態；再者，基礎隨機量測G具有離散概率1。此在DP之突破性(stick-breaking)表示中最直接可見，其中將G明確表示為原子量測之一無限總和。
狄氏程序混合模型藉由將ηn視為第n個觀察之分佈之參數而將一層級添加至階層。鑑於G之離散性，DP混合具有作為具有未經界定數目個混合分量之一混合模型之一解譯。
鑑於來自一DP混合之一樣本{x1,...,xN}，目標係計算預測密度：p(x｜x1,...,xN,α,G0)=ʃp(x｜η)p(η｜x1,...,xN,α,G0)dη。如在許多階層式貝氏模型中，後驗分佈p(η｜x1,...,xN,G0,α)係複雜的且不可以一封閉形式應用。MCMC為此後驗及預測密度提供一個類別之近似計算。
關於一高斯程序，如在Rasmussen等人之「Gaussian Processes for Machine Learning」，(第5章)，MIT Press，2006年，第105-128頁(該案以宛如全文闡述引用之方式併入本文中)中闡述般，貝氏原理為推論提供一說服性且一致框架。不幸地，針對用於機器學習之大多數有趣模型，所需計算(對參數空間之積分)在分析上棘手的，且不容易導出良好近似計算。具有高斯雜訊之高斯程序迴歸模型係一罕見例外：對參數之積分易於分析且同時模型非常靈活。一般貝氏推論原理可以其中最佳化超參數之簡化形式應用至特定高斯程序模型。可導出且解譯針對邊際似然之表達。
由於一高斯程序模型係一非參數模型，因此模型之參數不可立即顯而易見。一般言之，吾人可將在訓練輸入f之無雜訊潛在函數值視為參 數。存在的訓練情況愈多，參數愈多。使用權重-空間視圖，吾人可將參數等效地視為使用基底函數φ之線性模型(其可經選取為協方差函數之特徵函數)之權重。當然，此視圖係不方便或非退化協方差函數，此係因為其等接著將具有無限數目個權重。可如在Rasmussen之上文參考案中描述般進一步組態本文中描述之實施例之基於學習之模型。
關於一深度高斯程序，如在Damianou等人之「Deep Gaussian Processes」，Proceedings of the International Conference on Artificial Intelligence and Statistics(AISTATS)，2013年，第9頁(該案以宛如全文闡述引用之方式併入本文中)中闡述般，深度高斯程序(GP)模型係基於高斯程序映射之深度信仰網路。將資料模型化為一多變量GP之輸出。接著，由另一GP控管至該高斯程序之輸入。一單層模型等效於一標準GP或GP潛在變量模型(GP-LVM)。模型中之推論可由近似變分邊際化執行。此導致對可用於模型選擇(層數及每一層之節點之數目)之模型之邊際似然之一嚴格下界限。深度信仰網路通常應用至針對最佳化使用隨機梯度下降之相對大資料集。即使在資料稀缺時，一完全貝氏處理仍容許深度模型之應用。藉由變分界限之模型選擇展示即使當模型化僅含有150個實例之一數位資料集時，一五層階層仍係合理的。可如Damianou等人之上文併入之參考案中描述般進一步組態本文中描述之實施例之基於學習之模型。
在一些實施例中，基於學習之模型包含一生成模型。一「生成」模型可大體上經定義為本質上概率性之一模型。換言之，一「生成」模型並非執行順向模擬或基於規則之方法之模型，且因而，產生一實際影像(針對其產生一模擬影像)所涉及之程序之物理學之一模型並非必要。代替性地，如本文中進一步描述，可基於一適當訓練資料集學習生成模型(其中 可學習其參數)。
在一項此實施例中，生成模型包含一自動編碼器變體、一生成對抗網路、一條件式生成對抗網路或一深度生成模型。舉例而言，針對如上文描述般學習在固定成像或程序參數下之一變換，基於學習之模型可經組態用於使用一或多個生成模型之一生成方法，一或多個生成模型包含：自動編碼器變動，其中解碼器部分將最終用於表示轉換；一生成對抗網路(GAN)，其中GAN之生成部分可用於表示轉換；一條件式生成對抗網路(CGAN)，其中CGAN之生成部分可用於表示轉換；及深度生成模型(諸如由Zhang等人於2016年6月7日申請之美國專利申請案第15/176,139中所描述者)，其中生成模型之解碼器部分可用於表示轉換。可如此專利申請案中描述般進一步組態本文中描述之實施例。
一自動編碼器、自動關聯器或Diabolo網路係用於有效編碼之非監督式學習之一人工神經網路。一自動編碼器之目標係學習一資料集之一表示(編碼)，尤其為了維度縮減之目的。最近，自動編碼器概念已變得更廣泛用於學習資料之生成模型。架構上，一自動編碼器之最簡單形式係非常類似於多層感知器(MLP)(具有一輸入層、一輸出層及連接其等之一或多個隱藏層)之一前饋、非遞迴式神經網路，但其具有含與輸入層相同數目個節點之輸出層，且目的係重建其自身輸入(而非預測目標值給定輸入)。因此，自動編碼器係非監督式學習模型。一自動編碼器始終由編碼器及解碼器兩個部分組成。存在防止自動編碼器學習恆等函數且改良其等擷取重要資訊及學習較豐富表示之能力之各種技術。自動編碼器可包含任何適合自動編碼器變體，諸如一去雜訊自動編碼器、稀疏自動編碼器、變分自動編碼器及收縮自動編碼器。
可如在Goodfellow等人之「Generative Adversarial Nets」，arXiv：1406.2661，2014年6月10日，第9頁(該案以宛如全文闡述引用之方式併入本文中)中描述般組態包含於本文中描述之實施例中之GAN。Goodfellow等人描述用於經由一對抗程序估計生成模型之一新框架，其中同時訓練兩個模型：擷取資料分佈之一生成模型G及估計一樣本來自訓練資料而非G之概率之一鑑別模型D。針對G之訓練程序係最大化D犯錯誤之概率。此框架對應於一極小極大雙人遊戲。在任意函數G及D之空間中，存在一獨有解，其中G恢復訓練資料分佈且D處處等於1/2。在其中G及D由多層感知器定義之情況中，可使用反向傳播訓練整個系統。在樣本之訓練或產生期間不需要任何馬可夫鏈或展開近似推論網路。實驗透過經產生樣本之定性及定量評估而證實框架之潛力。可如Goodfellow等人描述般進一步組態本文中描述之實施例之基於學習之模型。
可如在Mirza等人之「Conditional Generative Adversarial Nets」，arXiv：1411.1784，2014年11月6日，第7頁(該案以宛如全文闡述引用之方式併入本文中)中描述般組態包含於本文中描述之實施例中之CGAN。若生成器及鑑別器兩者以某一額外資訊y為條件，則生成對抗網可延伸至一條件模型。y可係任何種類之輔助資訊，諸如類別標記或來自其他模態之資料。可藉由將y饋送至鑑別器及生成器兩者中作為一額外輸入層而執行附有條件。在生成器中，在聯合隱藏表示中組合先驗輸入雜訊pz(z)及y且對抗訓練框架容許在此隱藏表示如何構成方面之相當大靈活性。在鑑別器中，將x及y呈現為至一鑑別函數(在一些情況中由一MLP體現)之輸入。接著，一雙人極小極大遊戲之目標函數將係：
Figure 106100883-A0305-02-0046-1
可如Mirza等人之上文併入之參考案中描述般進一步組態包含於本文中描述之實施例中之基於學習之模型。
一深度生成模型可經組態以具有一深度學習架構，其中模型可包含執行數個演算法或變換之多個層。生成模型之編碼器側上之層數係使用情況相依的。另外，解碼器側上之層數係使用情況相依的且可取決於編碼器側上之層數。一般言之，生成模型之一個或兩個側上之層數並不顯著且係使用情況相依的。出於實際目的，兩個側上之層之一適當範圍係從2個層至數十層。
本文中描述之實施例可或可不經組態用於訓練基於學習之模型。舉例而言，另一方法及/或系統可經組態以產生可接著由本文中描述之實施例存取且使用之一經訓練基於學習之模型。在一般訓練程序中，可基於使用情況收集(輸入、預期輸出)之一元組之一訓練資料集。訓練資料集可用於訓練經選取模型。在運行時間期間，可收集輸入資料(例如，在經選擇成像及/或程序參數下)。接著，可使用經訓練模型對輸入資料執行預測。
在另一實施例中，一或多個電腦子系統經組態以使用一條件式生成對抗網路(CGAN)訓練基於學習之模型。舉例而言，本文中描述之實施例可經組態以經由CGAN學習在一或多個成像或程序參數之情況下之變換。舉例而言，在可如本文中進一步描述般組態之CGAN中，一生成模型G之後可為一鑑別模型D。在訓練期間，至CGAN之輸入(本文中可表示為I(x,y,...))可包含一光學影像堆疊(例如，O(x,y,...))、一電子束影像堆疊(例如，S(x,y,...))及一設計堆疊(例如，D(x,y,...))之一或多者。
在一項此實施例中，訓練包含在CGAN之一生成部分之前輸入一雜訊。舉例而言，上文描述之輸入可係至生成模型G之輸入，其可能具有雜 訊z~P(z)及/或程序或成像參數。輸入雜訊可係自一經選取分佈(例如，高斯)引出之隨機雜訊z。雜訊輸入可具有與I(x,y,...)相同之寬度及高度。輸入參數可係自程序或成像參數產生之一參數圖。參數圖可具有與輸入相同之寬度及高度。
生成模型可產生「假」影像(例如，F(x,y,...))或將使用基於學習之模型以為樣品產生之任何模擬輸出。「假」影像可係至鑑別模型D之輸入。生成模型可經組態以使用「假」影像及「真實」影像(例如，R(x,y,...))以判定生成模型執行之良好程度。以此方式，CGAN之生成部分G可學習如何預測本文中描述之預期「輸出」。經產生「假」影像係至嘗試區分「假」經產生影像與真實影像之鑑別部分D之輸入。損失函數係：
Figure 106100883-A0305-02-0048-2
藉由一起訓練D及G，預期G良好地學習變換。
參數圖可係藉由本文中描述之實施例將針對其產生模擬輸出之所要成像或程序參數之一輸入。可以兩個方式產生參數圖。舉例而言，在一第一方法中，可建構各參數之一1x1矩陣。接著，可執行恆定向上匯集(up-pooling)以產生參數圖。在一第二方法中，可產生各參數之1x1矩陣，其可係至廻旋、非線性及向上匯集操作之若干級之輸入。廻旋、非線性及向上匯集之各級亦可稱為一反廻旋層。
接著，在訓練期間，程序可係如下。可基於使用情況收集(輸入、預期輸出)之一元組之一訓練資料集。若輸出影像之參數範圍係連續的，則一成像或程序參數之可能選取基本上無限。作為一常見實務，可自參數範圍取樣若干值，且可基於經取樣值收集資料。接著，可使用訓練資料集以訓練CGAN。
在運行時間期間，程序可係如下。可在給定成像及/或程序參數下收集輸入資料。接著，可使用經訓練模型基於輸入資料執行一預測。
可如由Zhang等人於2016年6月7日申請之美國專利申請案第15/176,139號及由Bhaskar等人於2016年12月29日申請之美國專利申請案第15/394,790號(該等案以宛如全文闡述引用之方式併入本文中)中描述般進一步執行訓練基於學習之模型。可如此等專利申請案中描述般進一步組態本文中描述之實施例。用於訓練本文中描述之基於學習之模型之訓練資料集亦可針對豐富性目的而擴增及/或取樣。舉例而言，訓練資料集可經產生以包含合成訓練資料或可使用合成訓練資料擴增，可如由Bhaskar等人於2016年12月29日申請之美國專利申請案第15/394,790號(該案以宛如全文闡述引用之方式併入本文中)中描述般產生且使用合成訓練資料以用於訓練。可如此專利申請案中描述般進一步組態本文中描述之實施例。
可針對特定樣品(例如，特定晶圓或倍縮光罩)、程序及成像參數產生本文中描述之模型。換言之，本文中描述之模型可係樣品特定、程序特定及成像參數特定。舉例而言，在一項實施例中，各模型可經訓練以專用於一特定設計及晶圓層。接著，經訓練模型將僅用於針對該層執行預測。以此方式，可針對不同晶圓層產生不同模型。然而，在另一實施例中，可使用來自不同設計及晶圓類型層之資料訓練一單一模型。所得模型可用於通常針對包含於訓練資料中之全部類型之樣品執行預測。另外，可針對不同組成像參數(例如，不同成像模式)產生不同模型。一般言之，只要可跨工具重複經選擇成像模式，一模型便可獨立於工具。可使用不同訓練資料集產生不同模型之各者。可以任何適合方式產生不同訓練資料集之各者。
在另一實施例中，本文中描述之實施例可包含使光學影像、電子束 影像及資料之一或多者彼此對準。舉例而言，由於本文中描述之實施例執行光學、電子束與設計之間之變換，因此基本上將模擬輸出映射至輸入。因此，輸入及輸出基本上且固有地彼此對準。接著，可以一實質上簡單方式(基於共同x,y座標)判定對應於在任何給定x,y位置處之模擬輸出之輸入。以此方式，對應於輸入之不同部分之模擬輸出可以一實質上容易方式進行識別且用於使用輸入或對輸入執行一或多個功能。舉例而言，基於模擬輸出及其與輸入之對應性，可依據x,y位置更改用於缺陷偵測之一或多個參數。在另一實例中，若使用輸入及/或模擬輸出以更改對樣品執行之一程序之一或多個參數，則可依據x,y位置基於輸入及/或模擬輸出之特性更改一或多個參數。
本文中描述之實施例亦可用於提供用於監督式訓練之實質上現實樣本。舉例而言，模擬輸出及其對應輸入可用於一或多個不同基於學習之模型(其等可包含本文中描述之任何基於學習之模型或此項技術中已知之任何其他適合基於學習之模型)之監督式訓練。可使用如本文中進一步描述般產生之模擬輸出及其對應輸入以任何適合方式執行監督式訓練。
在另一實施例中，本文中描述之實施例可用於產生用於缺陷偵測(例如，晶粒對資料庫檢測)之一參考影像。舉例而言，本文中描述之實施例可經組態用於自本文中描述之一或多個輸入(例如，設計、(若干)電子束影像、(若干)光學影像)產生一參考影像，且可比較經產生參考與藉由將能量(例如，光或電子)引導至一樣品且自樣品偵測能量(例如，光或電子)而產生之輸出。接著可使用經產生參考與輸出之間之差異以偵測樣品上之缺陷(例如，藉由比較差異與一臨限值且將高於臨限值之差異識別為對應於樣品上之缺陷)。
本文中描述之實施例可經組態以自相對低品質(例如，低解析度)影像(例如，SEM或光學檢測影像)產生實質上高品質(例如，高解析度)缺陷再檢測影像(例如，SEM再檢測影像)，如由Zhang等人於2017年1月2日申請之美國專利申請案第15/396,800中描述，該案以宛如全文闡述引用之方式併入本文中。可如此專利申請案中描述般進一步組態本文中描述之實施例。
在一些實施例中，一或多個電腦子系統經組態用於驗證一或多個低解析度影像中偵測到之一缺陷，且使用高解析度影像執行驗證。例如，本文中描述之光學影像至SEM及/或設計變換之一個益處在於，光學檢測對於半導體製造程序中之大量生產良率而言仍係關鍵。歸因於缺少解析度，藉由光學檢測器偵測之缺陷需要缺陷驗證之SEM再檢測。將光學自動變換為SEM及/或設計之方法可潛在地降低針對良率管理之SEM再檢測需求，藉此降低總檢測循環時間。例如，本文中描述之實施例可無需在樣品檢測之後獲取一缺陷再檢測系統上之SEM影像，此係由於本文中描述之(若干)高解析度影像可(1)在無樣品及無成像硬體的情況下獲取且(2)用於缺陷再檢測應用(諸如缺陷驗證)。
在另一實施例中，一或多個電腦子系統經組態用於對一或多個低解析度影像中偵測到之一缺陷分類，且使用高解析度影像執行分類。例如，如上文描述，本文中描述之光學影像至SEM及/或設計變換之一個益處在於，光學檢測對於半導體製造程序中之大量生產良率而言仍係關鍵。歸因於缺少解析度，藉由光學檢測器偵測之缺陷需要SEM再檢測以用於缺陷分類。將光學自動變換為SEM及/或設計之方法可潛在地降低針對良率管理之SEM再檢測需求，藉此降低總檢測循環時間。例如，本文中描述之實施 例可無需在樣品檢測之後獲取一缺陷再檢測系統上之SEM影像，此係由於本文中描述之(若干)高解析度影像可(1)在無樣品及無成像硬體的情況下獲取且(2)用於缺陷再檢測應用(諸如缺陷分類)。
在一進一步實施例中，一或多個電腦子系統經組態用於基於一或多個低解析度影像及高解析度影像之一組合偵測樣品上之缺陷。例如，本文中描述之光學至SEM及光學至設計變換之一個益處在於，此等變換容許光學檢測器使用高解析度空間內容進行跨整個晶粒之妨害/缺陷鑑別。相比之下，使用空間資訊進行妨害/缺陷鑑別之當前使用方法限於熱點使用情況。特定言之，當前使用方法限於熱點使用情況，此主要歸因於光學缺陷信號不具有足夠顯著性來抵抗背景雜訊之事實。僅檢測用作熱點之像素容許系統基於空間資訊自動濾除晶圓上之大部分像素。如此做增強缺陷顯著性且最終改良缺陷偵測。如此，系統需要某人或一方法來識別檢測之重要空間位置。接著，將此等位置標記為「熱點」(即，識別檢測器之空間位置之動作使此等位置變成「熱點」)。
(若干)電腦子系統可經組態以使用一或多個低解析度影像及一或多個高解析度影像之組合而以任何適當方式偵測樣品上之缺陷。例如，可在一高解析度影像中識別在一低解析度影像中偵測到之一缺陷之一位置以判定缺陷之設計背景，其接著可用於識別缺陷是否係一妨害缺陷或一實際缺陷。另外，在一低解析度影像中偵測到之一缺陷之一位置可用於識別一高解析度影像中之缺陷之位置以判定缺陷是否存在於高解析度影像中(在高解析度影像中是否可偵測到缺陷)。若可在高解析度影像中偵測到缺陷，則將該缺陷指定為一實際缺陷。若在高解析度影像中無法偵測到缺陷，則將該缺陷指定為一妨害缺陷。
本文中描述之實施例具有若干優點。舉例而言，本文中描述之實施例建立光學影像、電子束影像與設計之間之三角關係。相比之下，當前不存在嘗試映射光學、電子束與設計之間之三角關係之自動化系統。本文中描述之實施例亦可經組態以在解析度限制內執行自表示之任何子集至表示之另一子集之變換。舉例而言，變換可包含光學至電子束、光學至設計及電子束至設計。另外，本文中描述之實施例可經組態以學習依據成像及程序參數而變化之變換。舉例而言，可使用一個模型而非若干模型(各模型係針對一組固定參數)在不同程序焦點及曝光下模擬光學影像。本文中描述之實施例亦不需要一顯式模型。舉例而言，不同於順向模擬或基於規則之方法，不存在對一預定義(實體或啟發式)模型之需求，此極其難以自第一原理物理學理解或良好地近似計算。本文中描述之實施例藉由經由一基於學習之模型學習一隱式模型而消除此需求。此外，本文中描述之實施例可產生對於色彩雜訊實質上穩健之模擬輸出。舉例而言，一深度網路(諸如GAN及CGAN)可經訓練以對色彩雜訊穩健。再者，本文中描述之實施例提供生產運行時間之實質上快速度(即，可進行相對快速預測)。
上文描述之系統之各者之實施例之各者可一起組合成一個單一實施例。
另一實施例係關於一種用於為一樣品產生模擬輸出之電腦實施方法。方法包含使用一或多個電腦系統獲取針對一樣品之資訊。資訊包含樣品之一實際光學影像、樣品之一實際電子束影像及針對樣品之設計資料之至少一者。方法亦包含將針對樣品之資訊輸入至一基於學習之模型中。基於學習之模型包含於由一或多個電腦系統實行之一或多個組件中。基於學習之模型經組態以映射光學影像、電子束影像與設計資料之間之一三角關 係，且基於學習之模型將三角關係應用至輸入以藉此為樣品產生模擬輸出。
可如本文中進一步描述般執行方法之步驟之各者。方法亦可包含可由本文中描述之系統、(若干)電腦系統、光學或電子束工具、(若干)組件、(若干)模型等執行之(若干)任何其他步驟。可根據本文中描述之實施例之任一者組態一或多個電腦系統、一或多個組件及模型(例如，(若干)電腦子系統102、(若干)組件100及基於學習之模型104)。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。
一額外實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一或多個電腦系統上實行以執行用於為一樣品產生模擬輸出之一電腦實施方法。在圖3中展示一項此實施例。特定言之，如圖3中展示，非暫時性電腦可讀媒體300包含可在(若干)電腦系統304上實行之程式指令302。電腦實施方法可包含本文中描述之(若干)任何方法之(若干)任何步驟。
實施諸如本文中描述之方法之程式指令302可儲存於電腦可讀媒體300上。電腦可讀媒體可係一儲存媒體，諸如一磁碟或光碟、一磁帶或此項技術中已知之任何其他適合非暫時性電腦可讀媒體。
可以各種方式之任一者實施程式指令，包含基於程序之技術、基於組件之技術及/或物件導向技術等等。例如，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE(串流SIMD延伸)或其他技術或方法實施程式指令。
可根據本文中描述之任何實施例組態(若干)電腦系統304。
鑑於此描述，熟習此項技術者將瞭解本發明之各種態樣之進一步修 改及替代實施例。舉例而言，提供用於為一樣品產生模擬輸出之方法及系統。因此，此描述應僅解釋為闡釋性且係出於教示熟習此項技術者實行本發明之一般方式之目的。將理解，本文中展示及描述之本發明之形式將視為當前較佳實施例。如熟習此項技術者在獲益於本發明之此描述之後將明白，元件及材料可取代本文中繪示及描述之元件及材料，部分及程序可顛倒，且可獨立利用本發明之特定特徵。在不脫離如在以下發明申請專利範圍中描述之本發明之精神及範疇之情況下可對本文中描述之元件做出改變。
10:光學工具
14:樣品
16:光源
18:光學元件
20:透鏡
22:載物台
24:集光器
26:元件
28:偵測器
30:集光器
32:元件
34:偵測器
36:電腦子系統
100:組件
102:電腦子系統
104:基於學習之模型
108:虛擬系統
110:其他系統
112:單一配方
122:電子束工具
124:電腦子系統
126:電子束源
128:樣品
130:元件
132:元件
134:偵測器
136:共同樣品處置系統
138:承載模組
140:匣

Claims (28)

  1. 一種經組態以為一樣品產生模擬輸出之系統，其包括： 一或多個電腦子系統，其等經組態以獲取針對一樣品之資訊，其中該資訊包括該樣品之一實際光學影像、該樣品之一實際電子束影像及針對該樣品之設計資料之至少一者；及 一或多個組件，其等由該一或多個電腦子系統實行，其中該一或多個組件包括一基於學習之模型，其中該基於學習之模型經組態以映射光學影像、電子束影像與設計資料之間之一三角關係，其中該一或多個電腦子系統經組態以將針對該樣品之該資訊輸入至該基於學習之模型中，且其中該基於學習之模型將該三角關係應用至該輸入以藉此為該樣品產生模擬輸出。
  2. 如請求項1之系統，其中輸入至該基於學習之模型之該資訊包括該樣品之該實際光學影像，且其中該模擬輸出包括表示由一電子束工具為該樣品產生之一實際電子束影像之一模擬電子束影像。
  3. 如請求項1之系統，其中輸入至該基於學習之模型之該資訊包括該樣品之該實際光學影像，且其中該模擬輸出包括針對該樣品之模擬設計資料。
  4. 如請求項1之系統，其中輸入至該基於學習之模型之該資訊包括該樣品之該實際電子束影像，且其中該模擬輸出包括針對該樣品之模擬設計資料。
  5. 如請求項1之系統，其中針對該樣品之該資訊進一步包括按一光學工具之一參數之不同值產生之該樣品之實際光學影像，其中輸入至該基於學習之模型之該資訊包括該樣品之該等實際光學影像，且其中該模擬輸出包括表示由一電子束工具為該樣品產生之一實際電子束影像之該樣品之一模擬電子束影像。
  6. 如請求項1之系統，其中針對該樣品之該資訊進一步包括按一光學工具之一參數之不同值產生之該樣品之實際光學影像，其中輸入至該基於學習之模型之該資訊包括該樣品之該等實際光學影像，其中至該基於學習之模型之該輸入進一步包括該光學工具之該參數之另一不同值，且其中該模擬輸出包括表示按該光學工具之該參數之該另一不同值產生之一光學影像之該樣品之一模擬光學影像。
  7. 如請求項1之系統，其中輸入至該基於學習之模型之該資訊包括該樣品之該實際光學影像及針對該樣品之該設計資料，且其中該模擬輸出包括表示由一電子束工具為該樣品產生之一實際電子束影像之該樣品之一模擬電子束影像。
  8. 如請求項1之系統，其中針對該樣品之該資訊進一步包括對應於對該樣品執行之一程序之一參數之不同值之該樣品之實際光學影像，其中輸入至該基於學習之模型之該資訊包括該樣品之該等實際光學影像，其中至該基於學習之模型之該輸入包括該程序之該參數之另一不同值，且其中該模擬輸出包括對應於該程序之該參數之該另一不同值之該樣品之一模擬光學影像。
  9. 如請求項1之系統，其中針對該樣品之該資訊進一步包括按一光學工具之一參數之不同值產生之該樣品之實際光學影像，其中輸入至該基於學習之模型之該資訊包括該樣品之該等實際光學影像及針對該樣品之該設計資料，且其中該模擬輸出包括針對在該樣品上偵測之缺陷之缺陷分類。
  10. 如請求項1之系統，其中輸入至該基於學習之模型之該資訊包括運行時間輸入，且其中針對該運行時間輸入之該資訊包括用於訓練該基於學習之模型之未包含於至該基於學習之模型之輸入中之一圖案之資訊。
  11. 如請求項1之系統，其中該基於學習之模型未經組態以藉由執行像素值內插而為該樣品產生該模擬輸出。
  12. 如請求項1之系統，其中該基於學習之模型未經組態以藉由執行像素值外插而為該樣品產生該模擬輸出。
  13. 如請求項1之系統，其中該基於學習之模型進一步經組態以映射該樣品上之圖案化特徵與該等光學影像、該等電子束影像及該設計資料之一或多者之間之一關係。
  14. 如請求項1之系統，其中針對該樣品之該資訊進一步包括該樣品之兩個或兩個以上實際光學影像，且其中該兩個或兩個以上實際光學影像包括對應於一光學工具之一參數之不同值之兩個或兩個以上實際光學影像、對該樣品執行一程序之前及之後產生之該樣品上之一層之兩個或兩個以上實際光學影像、在該樣品上之不同實體層之兩個或兩個以上實際光學影像、由不同光學工具產生之該樣品之兩個或兩個以上實際光學影像、對應於對該樣品執行之一程序之一參數之不同值之該樣品之兩個或兩個以上實際光學影像或其等之一組合。
  15. 如請求項1之系統，其中針對該樣品之該資訊進一步包括該樣品之兩個或兩個以上實際電子束影像，且其中該兩個或兩個以上實際電子束影像包括對應於一電子束工具之一參數之不同值之兩個或兩個以上實際電子束影像、對該樣品執行一程序之前及之後產生之該樣品上之一層之兩個或兩個以上實際電子束影像、在該樣品上之不同實體層之兩個或兩個以上實際電子束影像、由不同電子束工具產生之該樣品之兩個或兩個以上實際電子束影像、對應於對該樣品執行之一程序之一參數之不同值之該樣品之兩個或兩個以上實際電子束影像或其等之一組合。
  16. 如請求項1之系統，其中針對該樣品之該設計資料包括藉由以下者堆疊之該設計資料：相同層中之不同經選擇圖案、不同層或不同材料或其等之一組合。
  17. 如請求項1之系統，其中針對該樣品之該資訊進一步包括針對形成於該樣品上之圖案化特徵之資訊，且其中憑經驗或憑理論產生針對該等圖案化特徵之該資訊。
  18. 如請求項1之系統，其中該基於學習之模型包括一鑑別模型。
  19. 如請求項18之系統，其中該鑑別模型包括一支援向量機器、一支援向量迴歸、一廻旋神經網路或一遞迴式神經網路。
  20. 如請求項1之系統，其中該基於學習之模型包括一參數或非參數貝氏方法。
  21. 如請求項20之系統，其中藉由一高斯混合模型、一狄氏混合模型、一高斯程序或一深度高斯程序針對該參數或非參數貝氏方法模型化似然概率。
  22. 如請求項20之系統，其中藉由一變分推論或一馬可夫鏈蒙地卡羅法針對該參數或非參數貝氏方法模型化先驗及後驗。
  23. 如請求項1之系統，其中該基於學習之模型包括一生成模型。
  24. 如請求項23之系統，其中該生成模型包括一自動編碼器變體、一生成對抗網路、一條件式生成對抗網路或一深度生成模型。
  25. 如請求項1之系統，其中該一或多個電腦子系統經組態以使用一條件式生成對抗網路訓練該基於學習之模型。
  26. 如請求項25之系統，其中該訓練包括在該條件式生成對抗網路之一生成部分之前輸入一雜訊。
  27. 一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一或多個電腦系統上實行以執行用於為一樣品產生模擬輸出之一電腦實施方法，其中該電腦實施方法包括： 使用該一或多個電腦系統獲取針對一樣品之資訊，其中該資訊包括該樣品之一實際光學影像、該樣品之一實際電子束影像及針對該樣品之設計資料之至少一者；及 將針對該樣品之該資訊輸入至一基於學習之模型中，其中該基於學習之模型包含於由該一或多個電腦系統實行之一或多個組件中，其中該基於學習之模型經組態以映射光學影像、電子束影像與設計資料之間之一三角關係，且其中該基於學習之模型將該三角關係應用至該輸入以藉此為該樣品產生模擬輸出。
  28. 一種用於為一樣品產生模擬輸出之電腦實施方法，其包括： 使用一或多個電腦系統獲取針對一樣品之資訊，其中該資訊包括該樣品之一實際光學影像、該樣品之一實際電子束影像及針對該樣品之設計資料之至少一者；及 將針對該樣品之該資訊輸入至一基於學習之模型中，其中該基於學習之模型包含於由該一或多個電腦系統實行之一或多個組件中，其中該基於學習之模型經組態以映射光學影像、電子束影像與設計資料之間之一三角關係，且其中該基於學習之模型將該三角關係應用至該輸入以藉此為該樣品產生模擬輸出。
TW106100883A 2016-01-11 2017-01-11 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法 TWI713672B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201662277321P 2016-01-11 2016-01-11
US62/277,321 2016-01-11
US15/402,094 US10043261B2 (en) 2016-01-11 2017-01-09 Generating simulated output for a specimen
US15/402,094 2017-01-09

Publications (2)

Publication Number Publication Date
TW201734955A TW201734955A (zh) 2017-10-01
TWI713672B true TWI713672B (zh) 2020-12-21

Family

ID=59275867

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106100883A TWI713672B (zh) 2016-01-11 2017-01-11 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法

Country Status (6)

Country Link
US (1) US10043261B2 (zh)
KR (1) KR102408319B1 (zh)
CN (1) CN108463876B (zh)
IL (1) IL260101B (zh)
TW (1) TWI713672B (zh)
WO (1) WO2017123555A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI817680B (zh) * 2021-12-21 2023-10-01 鴻海精密工業股份有限公司 影像擴增方法以及裝置

Families Citing this family (137)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10706327B2 (en) * 2016-08-03 2020-07-07 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and storage medium
US10504004B2 (en) * 2016-09-16 2019-12-10 General Dynamics Mission Systems, Inc. Systems and methods for deep model translation generation
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10267748B2 (en) 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
JP6353008B2 (ja) * 2016-11-02 2018-07-04 ファナック株式会社 検査条件決定装置、検査条件決定方法及び検査条件決定プログラム
US10395358B2 (en) 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US10565702B2 (en) * 2017-01-30 2020-02-18 Dongfang Jingyuan Electron Limited Dynamic updates for the inspection of integrated circuits
US11552985B2 (en) * 2017-02-17 2023-01-10 Nec Corporation Method for predicting events using a joint representation of different feature types
JP6922284B2 (ja) * 2017-03-15 2021-08-18 富士フイルムビジネスイノベーション株式会社 情報処理装置及びプログラム
WO2018184187A1 (en) * 2017-04-07 2018-10-11 Intel Corporation Methods and systems for advanced and augmented training of deep neural networks using synthetic data and innovative generative networks
WO2018184222A1 (en) * 2017-04-07 2018-10-11 Intel Corporation Methods and systems using improved training and learning for deep neural networks
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10346974B2 (en) * 2017-05-18 2019-07-09 Toshiba Medical Systems Corporation Apparatus and method for medical image processing
US11237872B2 (en) 2017-05-23 2022-02-01 Kla-Tencor Corporation Semiconductor inspection and metrology systems for distributing job among the CPUs or GPUs based on logical image processing boundaries
US11035227B2 (en) 2017-07-14 2021-06-15 The Board Of Regents Of The University Of Oklahoma Generating spectral responses of materials
US10551827B2 (en) * 2017-07-25 2020-02-04 Kla-Tencor Corporation Hybrid inspection system for efficient process window discovery
WO2019028210A1 (en) * 2017-08-02 2019-02-07 Facet Labs, Llc INTELLIGENT DISTRIBUTED SYSTEMS FOR NETWORK DATA MANAGEMENT
US10782939B2 (en) * 2017-08-07 2020-09-22 Microsoft Technology Licensing, Llc Program predictor
US11079738B2 (en) * 2017-08-16 2021-08-03 General Electric Company Framework for rapid additive design with generative techniques
JP7014805B2 (ja) * 2017-08-29 2022-02-01 ギガフォトン株式会社 データ解析装置、半導体製造システム、データ解析方法、及び半導体製造方法
US10699926B2 (en) 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
KR102132785B1 (ko) * 2017-08-31 2020-07-13 가부시끼가이샤 히다치 세이사꾸쇼 계산기, 처리의 제어 파라미터의 결정 방법, 대용 시료, 계측 시스템, 및 계측 방법
US10713534B2 (en) 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US10607119B2 (en) 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
WO2019051356A1 (en) 2017-09-08 2019-03-14 The General Hospital Corporation SYSTEM AND METHOD FOR AUTOMATICALLY LABELING AND ANNOUNTING NON-STRUCTURED MEDICAL DATA SETS
US10726304B2 (en) * 2017-09-08 2020-07-28 Ford Global Technologies, Llc Refining synthetic data with a generative adversarial network using auxiliary inputs
US11093848B2 (en) * 2017-09-27 2021-08-17 Tibco Software Inc. Predictive engine for generating multivariate predictive responses
EP3688553A4 (en) 2017-09-29 2021-07-07 The Brigham and Women's Hospital, Inc. AUTOMATED ASSESSMENT OF HUMAN EMBRYOS
US10970363B2 (en) 2017-10-17 2021-04-06 Microsoft Technology Licensing, Llc Machine-learning optimization of data reading and writing
US11475787B2 (en) * 2017-10-20 2022-10-18 Utah Valley University Nanotechnology fabrication in a virtual reality environment
JP7023669B2 (ja) * 2017-10-26 2022-02-22 株式会社Preferred Networks 画像生成方法、画像生成装置、及び画像生成プログラム
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
US11137761B2 (en) 2017-11-20 2021-10-05 At&T Intellectual Property I, L.P. Object modeling with adversarial learning
US11022966B1 (en) * 2017-12-15 2021-06-01 Synopsys, Inc. Method of modeling e-beam photomask manufacturing process using image-based artificial neural networks
US10656518B2 (en) * 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
US10580673B2 (en) 2018-01-05 2020-03-03 Kla Corporation Semiconductor metrology and defect classification using electron microscopy
CN108171769A (zh) * 2018-01-15 2018-06-15 成都睿码科技有限责任公司 一种基于dna的序列的人脸模型生成方法及人脸生成方法
JP7002949B2 (ja) * 2018-01-22 2022-01-20 株式会社日立ハイテク 画像評価方法及び画像評価装置
CN111512324B (zh) * 2018-02-07 2024-06-28 应用材料以色列公司 半导体样品的基于深度学习的检查的方法及其系统
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US10552714B2 (en) * 2018-03-16 2020-02-04 Ebay Inc. Generating a digital image using a generative adversarial network
US11170255B2 (en) 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US10670536B2 (en) 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
CN110416111B (zh) * 2018-04-28 2022-05-27 北京北方华创微电子装备有限公司 实现多个腔室匹配的方法和实现多个腔室匹配的装置
US10620134B2 (en) 2018-05-11 2020-04-14 Kla-Tencor Corp. Creating defect samples for array regions
DE102018207882A1 (de) 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Vorrichtung und Verfahren zur Analyse eines Elements eines Photolithographieprozesses mit Hilfe eines Transformationsmodells
DE102018207880A1 (de) 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
JP6962863B2 (ja) * 2018-05-25 2021-11-05 日本電子株式会社 荷電粒子線装置
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
JP7017985B2 (ja) * 2018-06-05 2022-02-09 株式会社日立製作所 システム及び処理条件の決定方法
US10621301B2 (en) * 2018-06-06 2020-04-14 International Business Machines Corporation Coordinates-based variational autoencoder for generating synthetic via layout patterns
JP7186521B2 (ja) * 2018-06-12 2022-12-09 シチズンファインデバイス株式会社 外観検査装置の教師画像生成装置
DE102018209562B3 (de) 2018-06-14 2019-12-12 Carl Zeiss Smt Gmbh Vorrichtungen und Verfahren zur Untersuchung und/oder Bearbeitung eines Elements für die Photolithographie
US11816946B2 (en) 2018-06-28 2023-11-14 3M Innovative Properties Company Image based novelty detection of material samples
CN109061131A (zh) * 2018-06-29 2018-12-21 志诺维思（北京）基因科技有限公司 染色图片处理方法及装置
DE102018211099B4 (de) 2018-07-05 2020-06-18 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses
IL281060B2 (en) * 2018-08-28 2023-11-01 Asml Netherlands Bv Methods and systems of optimal meteorological guidance
EP3843627A4 (en) 2018-08-31 2022-05-25 QT Imaging, Inc. APPLICATION OF MACHINE LEARNING TO ITERATIVE AND MULTIMODAL IMAGE RECONSTRUCTION
CN109345469B (zh) * 2018-09-07 2021-10-22 苏州大学 一种基于条件生成对抗网络的oct成像中散斑去噪方法
KR102089014B1 (ko) * 2018-09-07 2020-03-13 연세대학교 산학협력단 피검사체의 뇌 활동을 재구성한 이미지 생성 장치 및 그 방법
US11087177B2 (en) 2018-09-27 2021-08-10 Salesforce.Com, Inc. Prediction-correction approach to zero shot learning
US10705514B2 (en) * 2018-10-09 2020-07-07 Applied Materials, Inc. Adaptive chamber matching in advanced semiconductor process control
EP3637186A1 (en) * 2018-10-09 2020-04-15 ASML Netherlands B.V. Method of calibrating a plurality of metrology apparatuses, method of determining a parameter of interest, and metrology apparatus
US10657214B2 (en) * 2018-10-09 2020-05-19 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
US10930531B2 (en) * 2018-10-09 2021-02-23 Applied Materials, Inc. Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes
KR102585137B1 (ko) * 2018-10-17 2023-10-06 에이에스엠엘 네델란즈 비.브이. 특성 패턴을 생성하고 기계 학습 모델을 트레이닝하는 방법들
US11468553B2 (en) * 2018-11-02 2022-10-11 Kla Corporation System and method for determining type and size of defects on blank reticles
JP7280356B2 (ja) * 2018-11-07 2023-05-23 エーエスエムエル ネザーランズ ビー．ブイ． プロセスに対する補正の決定
EP3650939A1 (en) * 2018-11-07 2020-05-13 ASML Netherlands B.V. Predicting a value of a semiconductor manufacturing process parameter
US10796426B2 (en) * 2018-11-15 2020-10-06 The Gillette Company Llc Optimizing a computer vision inspection station
CN109522454B (zh) * 2018-11-20 2022-06-03 四川长虹电器股份有限公司 自动生成web样本数据的方法
TWI697846B (zh) 2018-11-26 2020-07-01 財團法人工業技術研究院 物體辨識方法及其裝置
US10825148B2 (en) * 2018-11-29 2020-11-03 Adobe Inc. Boundary-aware object removal and content fill
CN109816509A (zh) * 2018-12-14 2019-05-28 平安科技（深圳）有限公司 评分卡模型的生成方法、终端设备及介质
KR102756358B1 (ko) 2018-12-18 2025-01-17 삼성전자주식회사 검출기, 객체 검출 방법, 학습기 및 도메인 변환을 위한 학습 방법
US10923318B2 (en) * 2018-12-20 2021-02-16 Fei Company Optical alignment correction using convolutional neural network evaluation of a beam image
CN109782459B (zh) * 2018-12-24 2020-11-24 惠科股份有限公司 偏光片贴附检测方法、装置和显示装置
CN121213390A (zh) * 2018-12-31 2025-12-26 Asml荷兰有限公司 用于电子束图像增强的全自动sem采样系统
CN109902709B (zh) * 2019-01-07 2020-12-08 浙江大学 一种基于对抗学习的工业控制系统恶意样本生成方法
US20200243165A1 (en) * 2019-01-28 2020-07-30 International Business Machines Corporation Prediction model for determining whether feature vector of data in each of multiple input sequences should be added to that of the other data in the sequence
CN110020593B (zh) * 2019-02-03 2021-04-13 清华大学 信息处理方法及装置、介质及计算设备
US10922808B2 (en) 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment
JP7108562B2 (ja) * 2019-02-22 2022-07-28 株式会社日立製作所 処理の制御パラメータの決定方法、及び計測システム
US11922301B2 (en) 2019-04-05 2024-03-05 Samsung Display Co., Ltd. System and method for data augmentation for trace dataset
US11551348B2 (en) 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
CN113711133A (zh) * 2019-04-22 2021-11-26 加利福尼亚大学董事会 基于深度学习的彩色全息显微镜的系统和方法
CN110163796B (zh) * 2019-05-29 2023-03-24 北方民族大学 一种无监督多模态对抗自编码的图像生成方法及框架
TWI845690B (zh) * 2019-06-06 2024-06-21 日商東京威力科創股份有限公司 基板檢查裝置、基板檢查系統、基板檢查方法及電腦程式產品
US11880193B2 (en) 2019-07-26 2024-01-23 Kla Corporation System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
US12046446B2 (en) * 2019-09-04 2024-07-23 Hitachi High-Tech Corporation Charged particle beam device
US11586982B2 (en) 2019-09-18 2023-02-21 Samsung Electronics Co., Ltd. Electronic and atomic structure computation utilizing machine learning
US11710045B2 (en) 2019-10-01 2023-07-25 Samsung Display Co., Ltd. System and method for knowledge distillation
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11537898B2 (en) 2019-10-02 2022-12-27 Samsung Electronics Co., Ltd. Generative structure-property inverse computational co-design of materials
US11087449B2 (en) 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
WO2021084587A1 (ja) * 2019-10-28 2021-05-06 株式会社安川電機 機械学習データ生成装置、機械学習装置、作業システム、コンピュータプログラム、機械学習データ生成方法及び作業機械の製造方法
CN110840482B (zh) * 2019-10-28 2022-12-30 苏州佳世达电通有限公司 超音波成像系统及其方法
KR102850134B1 (ko) * 2019-11-26 2025-08-26 삼성전자주식회사 생성적 적대망들에 기반하여 웨이퍼 맵을 생성하는 프로그램 코드를 저장하는 비일시적 컴퓨터 판독가능 매체 및 컴퓨팅 장치
KR20250065442A (ko) * 2019-12-18 2025-05-12 사이머 엘엘씨 가스 방전 광원 내의 예측 장치
CN111291639B (zh) * 2020-01-20 2023-05-16 西北工业大学 基于分层变分自编码的跨源舰船特征融合学习与识别方法
KR102697633B1 (ko) 2020-01-21 2024-08-23 삼성전자주식회사 반도체 장치의 제조 방법
US11961219B2 (en) * 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
US20210295173A1 (en) * 2020-03-23 2021-09-23 Samsung Electronics Co., Ltd. Method and apparatus for data-free network quantization and compression with adversarial knowledge distillation
US12131103B2 (en) 2020-03-30 2024-10-29 Kla Corporation Semiconductor fabrication process parameter determination using a generative adversarial network
CN111462087B (zh) * 2020-04-01 2022-07-26 腾讯医疗健康(深圳)有限公司 基于人工智能的图像检测方法、装置、系统及存储介质
KR102801221B1 (ko) * 2020-04-29 2025-04-30 삼성전자주식회사 웨이퍼 검사 장치 및 방법
US12051183B2 (en) * 2020-04-30 2024-07-30 KLA Corp. Training a machine learning model to generate higher resolution images from inspection images
US11415526B2 (en) 2020-05-06 2022-08-16 Kla Corporation Multi-controller inspection system
TWI758762B (zh) * 2020-06-24 2022-03-21 萬里雲互聯網路有限公司 兼顧不平衡資料集與高召回率要求的對抗樣本生成方法、系統及電腦可讀取記錄媒體
KR20230038764A (ko) 2020-07-14 2023-03-21 에이에스엠엘 네델란즈 비.브이. 노이즈 제거 모델 생성 장치 및 방법
US11776108B2 (en) 2020-08-05 2023-10-03 KLA Corp. Deep learning based defect detection
US11748872B2 (en) * 2020-08-31 2023-09-05 KLA Corp. Setting up inspection of a specimen
WO2022058870A1 (en) * 2020-09-17 2022-03-24 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for registering images for electronic designs
US12229930B2 (en) * 2020-10-09 2025-02-18 Nec Corporation Distortion-based filtering for image classification
US12443840B2 (en) * 2020-10-09 2025-10-14 Kla Corporation Dynamic control of machine learning based measurement recipe optimization
US20220270212A1 (en) * 2021-02-25 2022-08-25 Kla Corporation Methods for improving optical inspection and metrology image quality using chip design data
EP4050328A1 (en) * 2021-02-25 2022-08-31 ASML Netherlands B.V. Method to predict metrology offset of a semiconductor manufacturing process
WO2022195001A1 (en) * 2021-03-19 2022-09-22 Versum Materials Us, Llc Shared data induced production process improvement
US11983865B2 (en) * 2021-05-05 2024-05-14 KLA Corp. Deep generative model-based alignment for semiconductor applications
US12340967B2 (en) * 2021-07-14 2025-06-24 Applied Materials, Inc. Methods, mediums, and systems for identifying tunable domains for ion beam shape matching
CN113570565B (zh) * 2021-07-21 2024-12-13 清华大学 一种车辆外观缺陷检测方法、装置和存储介质
EP4140392A1 (en) 2021-08-23 2023-03-01 Nokia Technologies Oy Noise removal in physiological signals
US12511862B2 (en) * 2022-01-10 2025-12-30 Applied Materials, Inc. Template-based image processing for target segmentation and metrology
KR102823705B1 (ko) * 2022-05-26 2025-06-24 한국전자통신연구원 저해상도 얼굴 인식을 위한 얼굴 특징 추출기 학습 장치 및 방법
TWI844030B (zh) * 2022-06-07 2024-06-01 鴻海精密工業股份有限公司 瑕疵檢測裝置及方法
WO2024107412A1 (en) * 2022-11-14 2024-05-23 Texas Tech University System Predicting treatment outcomes and post-operative risk for cardiac surgeries
US12092966B2 (en) * 2022-11-23 2024-09-17 Kla Corporation Device feature specific edge placement error (EPE)
WO2024134913A1 (ja) * 2022-12-23 2024-06-27 株式会社日立ハイテク 欠陥検査装置
US12469124B2 (en) * 2023-02-22 2025-11-11 Applied Materials Israel Ltd. Machine learning based yield prediction
US12437372B2 (en) * 2023-04-27 2025-10-07 Etrology, Llc System and method for denoising a region of interest of a pattern
US12444174B2 (en) 2023-08-16 2025-10-14 Kla Corporation Rare event training data sets for robust training of semiconductor yield related components
US12368503B2 (en) 2023-12-27 2025-07-22 Quantum Generative Materials Llc Intent-based satellite transmit management based on preexisting historical location and machine learning
CN118734555B (zh) * 2024-06-13 2025-01-14 中国科学院、水利部成都山地灾害与环境研究所 模拟节理岩质边坡渐进破坏的改进三角形网格数值流形法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100418083C (zh) * 2003-06-27 2008-09-10 音质技术公司 使用机器学习系统的对在半导体晶片上形成的结构的光学计量
US20110276935A1 (en) * 2008-06-11 2011-11-10 Kla-Tencor Corporation Systems and methods for detecting design and process defects on a wafer, reviewing defects on a wafer, selecting one or more features within a design for use as process monitoring features, or some combination thereof
US8194968B2 (en) * 2007-01-05 2012-06-05 Kla-Tencor Corp. Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US8775101B2 (en) * 2009-02-13 2014-07-08 Kla-Tencor Corp. Detecting defects on a wafer
TWI477758B (zh) * 2010-06-17 2015-03-21 Kla Tencor Corp 離散偏光排列角散射儀、一散射儀之光學子系統及散射量測方法
TW201531698A (zh) * 2013-12-23 2015-08-16 克萊譚克公司 使用相應之電子束圖像之自動分類之缺陷發現及檢測靈敏度最佳化
US20150324965A1 (en) * 2014-05-12 2015-11-12 Kla-Tencor Corporation Using High Resolution Full Die Image Data for Inspection
TWI605249B (zh) * 2013-06-21 2017-11-11 克萊譚克公司 使用無固定形式管理區域之晶圓檢查

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6902855B2 (en) 2002-07-15 2005-06-07 Kla-Tencor Technologies Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns
KR100979484B1 (ko) 2002-07-15 2010-09-02 케이엘에이-텐코 코포레이션 다른 리소그래픽 과정 변수들을 위한 레티클의 가상 이미지를 얻는 것을 포함하는 결점 조사 방법
US7729529B2 (en) 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
US7769225B2 (en) 2005-08-02 2010-08-03 Kla-Tencor Technologies Corp. Methods and systems for detecting defects in a reticle design pattern
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US8073240B2 (en) * 2007-05-07 2011-12-06 Kla-Tencor Corp. Computer-implemented methods, computer-readable media, and systems for identifying one or more optical modes of an inspection system as candidates for use in inspection of a layer of a wafer
US8213704B2 (en) 2007-05-09 2012-07-03 Kla-Tencor Corp. Methods and systems for detecting defects in a reticle design pattern
US8126255B2 (en) * 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US8041106B2 (en) 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
US8648906B2 (en) * 2010-10-13 2014-02-11 Mitutoyo Corporation Precision solder resist registration inspection method
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
US8716662B1 (en) 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
JP5880454B2 (ja) 2013-01-11 2016-03-09 富士ゼロックス株式会社 画像識別装置及びプログラム
KR102019534B1 (ko) * 2013-02-01 2019-09-09 케이엘에이 코포레이션 결함 특유의, 다중 채널 정보를 이용한 웨이퍼 상의 결함 검출
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9224660B2 (en) * 2013-08-30 2015-12-29 Kla-Tencor Corp. Tuning wafer inspection recipes using precise defect locations
US20150204799A1 (en) * 2014-01-21 2015-07-23 International Business Machines Corporation Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services
US10267746B2 (en) 2014-10-22 2019-04-23 Kla-Tencor Corp. Automated pattern fidelity measurement plan generation
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10648924B2 (en) 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100418083C (zh) * 2003-06-27 2008-09-10 音质技术公司 使用机器学习系统的对在半导体晶片上形成的结构的光学计量
US8194968B2 (en) * 2007-01-05 2012-06-05 Kla-Tencor Corp. Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US20110276935A1 (en) * 2008-06-11 2011-11-10 Kla-Tencor Corporation Systems and methods for detecting design and process defects on a wafer, reviewing defects on a wafer, selecting one or more features within a design for use as process monitoring features, or some combination thereof
US8775101B2 (en) * 2009-02-13 2014-07-08 Kla-Tencor Corp. Detecting defects on a wafer
TWI477758B (zh) * 2010-06-17 2015-03-21 Kla Tencor Corp 離散偏光排列角散射儀、一散射儀之光學子系統及散射量測方法
TWI605249B (zh) * 2013-06-21 2017-11-11 克萊譚克公司 使用無固定形式管理區域之晶圓檢查
TW201531698A (zh) * 2013-12-23 2015-08-16 克萊譚克公司 使用相應之電子束圖像之自動分類之缺陷發現及檢測靈敏度最佳化
US20150324965A1 (en) * 2014-05-12 2015-11-12 Kla-Tencor Corporation Using High Resolution Full Die Image Data for Inspection

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI817680B (zh) * 2021-12-21 2023-10-01 鴻海精密工業股份有限公司 影像擴增方法以及裝置

Also Published As

Publication number Publication date
TW201734955A (zh) 2017-10-01
IL260101A (en) 2018-07-31
KR102408319B1 (ko) 2022-06-10
KR20180095708A (ko) 2018-08-27
WO2017123555A1 (en) 2017-07-20
US10043261B2 (en) 2018-08-07
US20170200265A1 (en) 2017-07-13
IL260101B (en) 2020-06-30
CN108463876A (zh) 2018-08-28
CN108463876B (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
TWI713672B (zh) 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法
US10599951B2 (en) Training a neural network for defect detection in low resolution images
TWI715773B (zh) 針對半導體應用整合神經網路及前向物理模型之系統及方法
CN108475417B (zh) 针对半导体应用由低分辨率图像产生高分辨率图像的系统及方法
CN109074650B (zh) 针对半导体应用从输入图像产生经模拟图像
TWI735774B (zh) 基於輪廓之缺陷偵測
TWI710763B (zh) 經組態以偵測一樣品上之缺陷之系統及用於偵測一樣品上之缺陷之電腦實施方法
CN108475351B (zh) 用于训练基于机器学习的模型的系统和计算机实施方法
CN108475350B (zh) 使用基于学习的模型加速半导体缺陷检测的方法和系统
CN115552431A (zh) 训练机器学习模型以从检验图像产生较高分辨率图像