[go: up one dir, main page]

TWI722050B - 單一影像偵測 - Google Patents

單一影像偵測 Download PDF

Info

Publication number
TWI722050B
TWI722050B TW105137707A TW105137707A TWI722050B TW I722050 B TWI722050 B TW I722050B TW 105137707 A TW105137707 A TW 105137707A TW 105137707 A TW105137707 A TW 105137707A TW I722050 B TWI722050 B TW I722050B
Authority
TW
Taiwan
Prior art keywords
sample
blocks
image
defect
defects
Prior art date
Application number
TW105137707A
Other languages
English (en)
Other versions
TW201728897A (zh
Inventor
勞倫特 卡森堤
克里斯 畢海斯卡
約翰 雷蒙德 三世 喬丹
桑卡 梵卡泰若曼
耶爾 卡蒙
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 TW201728897A publication Critical patent/TW201728897A/zh
Application granted granted Critical
Publication of TWI722050B publication Critical patent/TWI722050B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G01N2021/8893—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques providing a video image and a processed signal for helping visual decision
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Nonlinear Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本發明提供用於偵測一樣本上之缺陷之方法及系統。一個系統包含一生成模型。該生成模型包含經組態以將一輸入特徵映射集之像素區塊映射至標籤中之一非線性網路。該等標籤指示該等區塊之一或多個缺陷相關特性。該系統將一單一測試影像輸入至該生成模型中，該生成模型基於該映射判定該單一測試影像中之像素區塊之特徵且判定該等區塊之標籤。該系統基於該等經判定標籤來偵測該樣本上之缺陷。

Description

單一影像偵測
本發明大體上係關於藉由單一影像偵測偵測一樣本上之缺陷之方法及系統。
以下描述及實例並未憑藉其等包含於此章節中而被認為係先前技術。 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程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比例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程。半導體製程之額外實例包含但不限於化學機械拋光(CMP)、蝕刻、沈積及離子植入。可在一單一半導體晶圓上之一配置中製造多個半導體裝置，且接著將其等分離成個別半導體裝置。 在一半導體製程期間之各個步驟使用檢測程序偵測晶圓上之缺陷以促進製程中之較高良率及因此較高利潤。檢測始終係製造諸如IC之半導體裝置之一重要部分。然而，隨著半導體裝置尺寸之減小，檢測對於可接受半導體裝置之成功製造而言變得甚至更為重要，此係因為較小缺陷可引起裝置故障。 存在用於偵測諸如晶圓及比例光罩之樣本上之缺陷之數種當前使用之方法。例如，在晶粒對晶粒影像比較中，一參考影像及一目標影像經對準並相減。接著，將一全域臨限值應用於相減像素。建立對應於缺陷候選者之一二元圖。在另一實施例中，在單元對單元影像比較中，就週期性結構(例如，記憶體裝置)而言，目標影像偏移一個週期且與其自身比較。亦可使用更多先進方法來試圖將影像分段成不同「同質」區域且最佳化對特定片段統計量之定限方法。此係實施於商業上可購自加利福尼亞州米爾皮塔斯市(Milpitas)之KLA-Tencor之檢測工具上的一些偵測方法背後的原理方法，諸如分段自動定限(SAT)、中值晶粒自動定限(MDAT)、HLAT、基於背景之檢測(CBI)及基於目標之檢測(TBI)。 在掃描電子顯微鏡(SEM)影像之背景內容中，上述方法之一變動可用於一些市售電子束檢測工具中。定限機制係基於二維直方圖表示(散點圖)。在此實施方案中，將離群點像素識別為在由參考影像及目標影像之聯合直方圖形成之主雲外部。在此情況中，使用與參考影像之一給定灰值相關聯之目標影像之像素值分佈來估計最佳化臨限值。 然而，存在上述檢測方法之若干缺點。例如，晶粒對晶粒方法需要獲取最少兩個影像(參考及測試)，此使影像獲取時間加倍。明確偵測需要最少成像三個晶粒(兩個參考及一個測試)。另外，在比較之前，需要對準測試影像及參考影像。僅可分析重疊區域。參考影像亦可在分析中引入一些雜訊，此始終損害信號對雜訊比(SNR)。一單獨模組可處理缺陷分類部分，但通常歸因於缺陷定位問題而導致不良結果。此外，任何基於比較之方法將經受測試型樣與參考型樣之間之正常差異。此之一實例係線邊緣粗糙度(LER)。典型比較方法歸因於標稱LER而限制靈敏度。 此外，當前使用之方法需要一演算法團隊來設計特徵(「手工製作(hand-crafted)」特徵)以擷取任何影像中含有之一些相關資訊。團隊需要解決一般問題，諸如：什麽係一缺陷對比雜訊？；及什麽可區別不同缺陷類別？一般假設不斷受到讀取資料之挑戰。為改良一特定層/缺陷類型之效能，團隊需要修改演算法且需要發佈新軟體。 因此，發展出不具有上文描述之缺點之一或多者之用於偵測一樣本上之缺陷之系統及方法將為有利的。
各種實施例之以下描述不應以任何方式解釋為限制隨附技術方案之標的。 一項實施例係關於一種經組態以偵測一樣本上之缺陷之系統。該系統包含經組態以產生一樣本之影像之一成像子系統。該成像子系統包含經組態以將能量引導至該樣本之至少一能量源及經組態以偵測來自該樣本之能量之至少一偵測器。該系統亦包含耦合至該成像子系統之一或多個電腦子系統。該一或多個電腦子系統經組態以獲取由成像子系統產生之該樣本之一部分之一單一測試影像。另外，該系統包含由一或多個電腦子系統執行之一或多個組件。該一或多個組件包含一生成模型。該生成模型包含經組態以將一輸入特徵映射集(input feature map volume)之像素區塊映射至標籤中之一非線性網路。該等標籤指示區塊之一或多個缺陷相關特性。該一或多個電腦子系統經組態以將該單一測試影像輸入至該生成模型中。該生成模型經組態以將該單一測試影像分離成多個像素區塊。該生成模型亦經組態以針對該多個像素區塊之該至少一者而基於僅該多個區塊之至少一者中之像素判定該多個區塊之該至少一者之一特徵。另外，該生成模型經組態以基於該經判定特徵及該輸入特徵映射集之該等像素之該等區塊至該等標籤之該映射而針對該多個區塊之該至少一者選擇該等標籤之一者。該一或多個電腦子系統亦經組態以基於該多個區塊之該至少一者之該選定標籤而偵測該樣本之該部分中之缺陷。該系統可如本文中描述般進一步組態。 另一實施例係關於一種用於偵測一樣本上之缺陷之電腦實施方法。該方法包含將藉由一成像子系統針對一樣本之一部分產生之一單一測試影像分離成多個像素區塊。對於該多個像素區塊之至少一者，該方法包含僅基於該多個區塊之該至少一者中之像素判定該多個區塊之該至少一者之一特徵。藉由包含於由一或多個電腦子系統執行之一或多個組件中之一生成模型執行該分離及判定。該生成模型包含經組態以將一輸入特徵映射集之像素區塊映射至標籤中之一非線性網路。該等標籤指示該等區塊之一或多個缺陷相關特性。該方法亦包含基於該經判定特徵及該輸入特徵映射集之該等像素之該等區塊至該等標籤之該映射而針對該多個區塊之該至少一者選擇該等標籤之一者。另外，該方法包含基於該多個區塊之該至少一者之該選定標籤而偵測該樣本之該部分中之缺陷。藉由該一或多個電腦子系統執行該偵測。 上文描述之方法之步驟之各者可如本文中進一步描述般進一步執行。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任何系統執行上文描述之方法。 另一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電腦系統上執行以執行用於偵測一樣本上之缺陷之一電腦實施方法。該電腦實施方法包含上文描述之方法之步驟。該電腦可讀媒體可如本文中描述般進一步組態。電腦實施方法之步驟可如本文中進一步描述般執行。另外，其程式指令可執行之電腦實施方法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。
如在本文中可互換地使用之術語「設計」、「設計資料」及「設計資訊」通常指代一IC之實體設計(佈局)及透過複雜模擬或簡單幾何及布林(Boolean)運算自實體設計導出之資料。另外，由一比例光罩檢測系統獲取之一比例光罩之一影像及/或其之衍生物可用作設計之一或多個「代理」。此一比例光罩影像或其之一衍生物在使用一設計之本文中描述之任何實施例中可用作對設計佈局之一替代。設計可包含2009年8月4日授與Zafar等人之共同擁有之美國專利第7,570,796號及2010年3月9日授與Kulkarni等人之美國專利第7,676,077號中描述之任何其他設計資料或設計資料代理，該兩案如全文闡述以引用的方式併入本文中。另外，設計資料可為標準單元庫資料、整合佈局資料、一或多個層之設計資料、設計資料之衍生物，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」指代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比例光罩及晶圓之任何實體樣本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，極大地放大圖之一些元件之比例以強調元件之特性。亦應注意，圖未按相同比例繪製。已使用相同元件符號指示在一個以上圖中展示之可經類似組態之元件。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偵測一樣本上之缺陷之系統。圖1中展示此一系統之一項實施例。系統包含一或多個電腦子系統(例如，電腦子系統36及102)及由該一或多個電腦子系統執行之一或多個組件100。在一些實施例中，系統包含成像系統(或子系統) 10。一般而言，成像子系統經組態以產生一樣本之影像。例如，如本文中進一步描述且在圖1及圖1a中展示，成像子系統包含經組態以將能量引導至樣本之至少一能量源及經組態以偵測來自樣本之能量之至少一偵測器。成像子系統可藉由掃描樣本之一實體版本上方之能量同時偵測來自樣本之能量而進行此，藉此產生樣本之影像。成像子系統亦可經組態以用多種模式執行掃描及偵測。 在一項實施例中，樣本係一晶圓。晶圓可包含此項技術中已知之任何晶圓。在另一實施例中，樣本係一比例光罩。比例光罩可包含此項技術中已知之任何比例光罩。 在一項實施例中，成像子系統係一基於光學之成像子系統。例如，引導至樣本之能量可包含光，且自樣本偵測之能量可包含光。在一個此實例中，在圖1中展示之系統之實施例中，成像子系統10包含經組態以將光引導至樣本14之一照明子系統。照明子系統包含至少一個光源。例如，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依一或多個入射角將光引導至樣本，該一或多個入射角可包含一或多個傾斜角及/或一或多個法向角。例如，如圖1中展示，來自光源16之光依一傾斜入射角引導穿過光學元件18及接著透鏡20而至樣本14。傾斜入射角可包含可取決於例如樣本之特性而變化之任何適合傾斜入射角。 成像子系統可經組態以在不同時間依不同入射角將光引導至樣本。例如，成像子系統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，使得光可依不同於圖1中展示之入射角之一入射角引導至樣本。在一個此實例中，成像子系統可經組態以使光源16、光學元件18及透鏡20移動，使得光依一不同傾斜入射角或一法向(或近法向)入射角引導至樣本。 在一些例項中，成像子系統可經組態以同時依一個以上入射角將光引導至樣本。例如，照明子系統可包含一個以上照明通道，該等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，且該等照明通道之另一者(未展示)可包含可不同或相同組態之類似元件，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)。若此光與另一光同時引導至樣本，則依不同入射角引導至樣本之光之一或多個特性(例如，波長、偏光等)可不同，使得源自依不同入射角之樣本之照明之光可在(若干)偵測器處彼此區別。 在另一例項中，照明子系統可包含僅一個光源(例如，圖1中展示之光源16)，且來自光源之光可藉由照明子系統之一或多個光學元件(未展示)分離成不同光學路徑(例如，基於波長、偏光等)。接著，可將不同光學路徑之各者中之光引導至樣本。多個照明通道可經組態以同時或在不同時間(例如，當使用不同照明通道循序照明樣本時)將光引導至樣本。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本。例如，在一些例項中，光學元件18可組態為一光譜濾光片且可以多種不同方式(例如，藉由調換出光譜濾光片)改變光譜濾光片之性質，使得可在不同時間將不同波長之光引導至樣本。照明子系統可具有此項技術中已知之用於循序或同時依不同或相同入射角將具有不同或相同特性之光引導至樣本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本之光可包含寬頻光。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可經組態以產生在此項技術中已知之一或多個任何適合波長下之光。另外，雷射可經組態以產生單色或近單色光。以此方式，雷射可為一窄頻雷射。光源亦可包含產生在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聚焦至樣本14上。儘管透鏡20在圖1中展示為一單折射光學元件，然應瞭解，實務上，透鏡20可包含將來自光學元件之光組合地聚焦至樣本之若干折射及/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適合光學元件(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)光譜濾光片、(若干)空間濾光片、(若干)反射光學元件、(若干)變跡器、(若干)光束分離器、(若干)光圈及類似者，其等可包含此項技術中已知之任何此等適合光學元件。另外，成像子系統可經組態以基於待用於成像之照明之類型而更改照明子系統之元件之一或多者。 成像子系統亦可包含經組態以引起光在樣本上方掃描之一掃描子系統。例如，成像子系統可包含在檢測期間樣本14安置於其上之載物台22。掃描子系統可包含可經組態以使樣本移動使得光可在樣本上方掃描之任何適合機械及/或機器人總成(其包含載物台22)。另外或替代地，成像子系統可經組態使得成像子系統之一或多個光學元件執行光在樣本上方之某一掃描。光可以任何適合方式(諸如以一蛇紋狀路徑或以一螺旋路徑)在樣本上方掃描。 成像子系統進一步包含一或多個偵測通道。該一或多個偵測通道之至少一者包含一偵測器，該偵測器經組態以偵測歸因於藉由系統照明樣本而來自樣本之光，且回應於經偵測光而產生輸出。例如，圖1中展示之成像子系統包含兩個偵測通道，一偵測通道由集光器24、元件26及偵測器28形成，且另一偵測通道由集光器30、元件32及偵測器34形成。如圖1中展示，兩個偵測通道經組態以依不同收集角收集並偵測光。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依不同角度自樣本散射之光。然而，偵測通道之一或多者可經組態以偵測來自樣本之另一類型之光(例如，反射光)。 如圖1中進一步展示，兩個偵測通道展示為定位在紙平面中且照明子系統亦展示為定位在紙平面中。因此，在此實施例中，兩個偵測通道定位在(例如，居中於)入射平面中。然而，偵測通道之一或多者可定位在入射平面外。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並偵測散射離開入射平面之光。因此，此一偵測通道通常可稱為一「側」通道，且此一側通道可居中於實質上垂直於入射平面之一平面中。 儘管圖1展示包含兩個偵測通道之成像子系統之一實施例，然成像子系統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更多個偵測通道)。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，且成像子系統可包含形成為定位在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，成像子系統可包含偵測通道，該偵測通道包含集光器24、元件26及偵測器28，且其居中於入射平面中且經組態以依處於或接近法向於樣本表面之(若干)散射角收集並偵測光。因此，此偵測通道通常可稱為一「頂部」通道，且成像子系統亦可包含如上文描述般組態之兩個或更多個側通道。因而，成像子系統可包含至少三個通道(即，一個頂部通道及兩個側通道)，且該至少三個通道之各者具有其自身集光器，各集光器經組態以依不同於其他集光器之各者之散射角收集光。 如上文進一步描述，包含在成像子系統中之偵測通道之各者可經組態以偵測散射光。因此，圖1中展示之成像子系統可經組態用於樣本之暗場(DF)成像。然而，成像子系統亦可或替代地包含經組態用於樣本之明場(BF)成像之(若干)偵測通道。換言之，成像子系統可包含經組態以偵測自樣本鏡面反射之光之至少一個偵測通道。因此，本文中描述之成像子系統可經組態用於僅DF、僅BF或DF及BF成像兩者。儘管在圖1中將集光器之各者展示為單折射光學元件，然應瞭解，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之任何適合偵測器。例如，偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、時間延遲積分(TDI)相機及此項技術中已知之任何其他適合偵測器。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某些特性(諸如強度)，但可未經組態以偵測依據成像平面內之位置之此等特性。因而，由包含在成像子系統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本之影像。然而，在其他例項中，偵測器可組態為經組態以產生成像信號或影像資料之成像偵測器。因此，成像子系統可經組態以依若干方式產生本文中描述之影像。 應注意，本文中提供圖1以大體上繪示可包含在本文中描述之系統實施例中或可產生由本文中描述之系統實施例使用之影像之一成像系統或子系統之一組態。顯然，可更改本文中描述之成像子系統組態以如在設計一商業成像系統時所通常執行般最佳化成像子系統之效能。另外，可使用諸如商業上可購自加利福尼亞州米爾皮塔斯市之KLA-Tencor之29xx/28xx系列工具之一現有系統(例如，藉由將本文中描述之功能性新增至一現有系統)來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提供為系統之選用功能性(例如，除系統之其他功能性以外)。或者，可「從頭開始」設計本文中描述之成像子系統以提供一全新成像子系統。 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)耦合至成像子系統之偵測器，使得電腦子系統可接收在樣本之掃描期間由偵測器產生之輸出。以此方式，電腦子系統耦合至成像子系統。另外，電腦子系統經組態以獲取由成像子系統產生之樣本之一部分之一單一測試影像。例如，電腦子系統及本文中描述之任何其他電腦子系統可經組態以獲取來自偵測器及/或如本文中進一步描述之此一單一測試影像。電腦子系統36可經組態以使用偵測器之輸出及/或由偵測器產生之影像來執行本文中進一步描述之若干功能。 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(若干)系統之各者可採取各種形式，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。一般而言，術語「電腦系統」可廣泛定義為涵蓋具有一或多個處理器(其執行來自一記憶體媒體之指令)之任何裝置。(若干)電腦子系統或(若干)系統亦可包含此項技術中已知之任何適合處理器，諸如一平行處理器。另外，(若干)電腦子系統或(若干)系統可包含具有高速處理及軟體之一電腦平台，其作為一獨立工具或一網路化工具。此外，(若干)電腦子系統可包含一或多個圖形處理單元(GPU)及/或一或多個中央處理單元(CPU)。 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，使得可在該等電腦子系統之間發送影像、資料、資訊、指令等，如本文中進一步描述。例如，如由圖1中之虛線展示，電腦子系統36可藉由任何適合傳輸媒體耦合至(若干)電腦子系統102，傳輸媒體可包含此項技術中已知之任何適合有線及/或無線傳輸媒體。兩個或更多個此等電腦子系統亦可藉由一共用電腦可讀儲存媒體(未展示)有效地耦合。 儘管上文將成像子系統描述為一基於光學或光之成像子系統，然成像子系統可為一基於電子束之成像子系統。在一項此實施例中，引導至樣本之能量包含電子，且自樣本偵測之能量包含電子。以此方式，成像子系統可包含經組態以產生引導至樣本之電子之至少一能量源及經組態以偵測來自樣本之電子之至少一偵測器。在圖1a中展示之一項此實施例中，成像子系統包含耦合至電腦子系統124之電子柱122。 亦如圖1a中展示，電子柱包含電子束源126，其經組態以產生由一或多個元件130聚焦至樣本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、一束限制光圈、一閘閥、一束電流選擇光圈、一物鏡及一掃描子系統，其等全部可包含此項技術中已知之任何此等適合元件。 自樣本返回之電子(例如，次級電子)可由一或多個元件132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，其可為包含在(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之任何其他適合元件。另外，電子柱可如以下各者中描述般進一步組態：2014年4月4日授與Jiang等人之美國專利第8,664,594號、2014年4月8日授與Kojima等人之美國專利第8,692,204號、2014年4月15日授與Gubbens等人之美國專利第8,698,093號及2014年5月6日授與MacDonald等人之美國專利第8,716,662號，該等案如全文闡述以引用的方式併入本文中。 儘管電子柱在圖1a中展示為經組態使得電子依一傾斜入射角引導至樣本且依另一傾斜角自樣本散射，然應瞭解，電子束可依任何適合角度引導至樣本且自樣本散射。另外，如本文中進一步描述，基於電子束之成像子系統可經組態以使用多種模式來產生樣本之影像(例如，運用不同照明角、收集角等)。基於電子束之成像子系統之多種模式可在成像子系統之任何影像產生參數方面不同。 如上文描述，電腦子系統124可耦合至偵測器134。偵測器可偵測自樣本之表面返回之電子，藉此形成樣本之電子束影像。電子束影像可包含任何適合電子束影像。電腦子系統124可經組態以針對樣本使用由偵測器134產生之輸出及/或影像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。包含圖1a中展示之成像子系統之一系統可如本文中描述般進一步組態。 應注意，本文中提供圖1a以大體上繪示可包含在本文中描述之實施例中之一基於電子束之成像子系統之一組態。如同上文描述之光學成像子系統，可更改本文中描述之基於電子束之成像子系統組態以如在設計一商業成像子系統時所通常執行般最佳化成像子系統之效能。另外，可使用諸如商業上可購自KLA-Tencor之eSxxx及eDR-xxxx系列工具之一現有子系統(例如，藉由將本文中描述之功能性新增至一現有系統)來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提供為系統之選用功能性(例如，除系統之其他功能性以外)。或者，可「從頭開始」設計本文中描述之子系統以提供一全新系統。 儘管上文將成像子系統描述為一基於光或基於電子束之成像子系統，然成像子系統可為一基於離子束之成像子系統。此一成像子系統可如圖2中展示般組態，惟電子束源可由此項技術中已知之任何適合離子束源取代除外。另外，成像子系統可為任何其他適合基於離子束之成像子系統，諸如包含在市售聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及次級離子質譜儀(SIMS)系統中之成像子系統。此外，成像子系統在一些情況中可組態為一基於x射線之成像子系統。以此方式，引導至樣本之能量可包含x射線。一基於x射線之成像子系統可如2005年5月10日授與Levy等人之美國專利第6,891,627號中描述般組態，該案如全文闡述以引用的方式併入本文中。本文中描述之實施例可如此專利中描述般進一步組態。 如上文所述，成像子系統經組態以將能量引導至樣本之一實體版本，藉此產生樣本之實體版本之實際影像。以此方式，成像子系統可組態為一「實際」成像系統而非一「虛擬」系統。例如，一儲存媒體(未展示)及圖1中展示之(若干)電腦子系統102可組態為一「虛擬」系統。特定言之，儲存媒體及(若干)電腦子系統並非成像子系統10之部分且不具有處置樣本之實體版本之任何能力。換言之，在組態為虛擬系統之系統中，其之一或多個「偵測器」之輸出可為先前由一實際系統之一或多個偵測器產生且儲存在虛擬系統中之輸出，且在「掃描」期間，虛擬系統可就像樣本正被掃描一樣重播經儲存輸出。以此方式，用一虛擬系統掃描樣本可看似就像正用一實際系統掃描一實體樣本一樣，而實際上「掃描」涉及以與可掃描樣本相同之方式簡單重播樣本之輸出。組態為「虛擬」檢測系統之系統及方法描述於以下各者中：共同轉讓之2012年2月28日授與Bhaskar等人之美國專利第8,126,255號及2015年12月29日授與Duffy等人之美國專利第9,222,895號，該兩案如全文闡述以引用的方式併入本文中。本文中描述之實施例可如此等專利中描述般進一步組態。例如，本文中描述之一或多個電腦子系統可如此等專利中描述般進一步組態。 如上文進一步所述，成像子系統可經組態以用多種模式產生樣本之影像。一般而言，一「模式」可由用於產生一樣本之影像之成像子系統之參數值或用來產生樣本之影像之輸出定義。因此，不同模式可在成像子系統之成像參數之至少一者之值方面不同。例如，在其中在樣本上方掃描之能量及自樣本偵測之能量係光之一項實施例中，多種模式之至少一者使用照明光之至少一個波長，其不同於用於多種模式之至少另一者之照明光之至少一個波長。如本文中進一步描述(例如，藉由使用不同光源、不同光譜濾光片等)，對於不同模式，模式可在照明波長方面不同。在另一實施例中，多種模式之至少一者使用成像子系統之一照明通道，其不同於用於該多種模式之至少另一者之成像子系統之一照明通道。例如，如上文所述，成像子系統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。 在一項實施例中，成像子系統係一檢測子系統。例如，本文中描述之光學及電子束成像子系統可組態為檢測子系統。在另一實施例中，成像子系統係一缺陷再檢測子系統。例如，本文中描述之光學及電子束成像子系統可組態為缺陷再檢測子系統。在又一實施例中，成像子系統係一度量衡子系統。例如，本文中描述之光學及電子束成像子系統可組態為度量衡子系統。特定言之，在本文中描述且在圖1及圖1a中展示之成像子系統之實施例可在一或多個參數方面經修改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，若圖1中展示之成像子系統將用於缺陷再檢測或度量衡而非用於檢測，則其可經組態以具有一較高解析度。換言之，圖1及圖1a中展示之成像子系統之實施例描述一成像子系統之一些一般及各種組態，可以熟習此項技術者將明瞭之若干方式定製該等組態以產生具有或多或少適於不同應用之不同成像能力之成像子系統。 檢測子系統、缺陷再檢測子系統及度量衡子系統亦可經組態用於對諸如晶圓及比例光罩之樣本之檢測、缺陷再檢測及度量衡。例如，本文中描述之實施例可經組態以針對遮罩檢測及晶圓檢測之目的使用一生成模型。特定言之，可將本文中描述之生成模型實施例安裝在一電腦節點或電腦叢集上，該電腦節點或電腦叢集係一成像子系統(諸如一寬頻電漿檢測器、一電子束檢測器或缺陷再檢測工具、一遮罩檢測器、一虛擬檢測器等)之一組件或耦合至該成像子系統。以此方式，本文中描述之實施例可用於多種應用，包含但不限於晶圓檢測、遮罩檢測、電子束檢測及再檢測等。可如上文描述般基於將針對其產生實際影像之樣本修改圖1及圖1a中展示之成像子系統之特性。 由(若干)電腦子系統(例如，電腦子系統36及/或102)執行之(若干)組件(例如，圖1中展示之(若干)組件100)包含生成模型104。一「生成」模型可大體上定義為本質上概率性之一模型。換言之，一「生成」模型並非執行正向模擬或基於規則之方法之一模型。因而，當如本文中進一步描述般使用一生成模型執行一模擬時，產生一實際影像(正針對其產生一模擬影像)時涉及之程序之物理學之一模型並非必需。代替性地，如本文中進一步描述，可基於一適合訓練資料集學習生成模型(其中可學習其參數)。如本文中進一步描述，此等生成模型對於本文中描述之實施例具有若干優點。 生成模型包含經組態以將一輸入特徵映射集之像素區塊映射至標籤中之一非線性網絡，且標籤指示區塊之一或多個缺陷相關特性。例如，一迴旋神經網路(CNN)係將一輸入特徵映射集之各給定區塊(例如，M x N)映射至一標籤中之一非線性網路。區塊係像素區塊，其等可具有任何適合大小。區塊之一大小之一個非限制實例可為50像素乘50像素。一影像所分離成之像素區塊可包含圍繞影像中之各像素(且在可能時以其為中心)之某一大小之一區塊。以此方式，影像中之一個像素之一個區塊可包含亦在另一像素之另一區塊中之一些像素。然而，各區塊將較佳包含不與任何其他區塊之像素集合相同之一像素集合(即，沒有兩個區塊在像素空間中完全重疊)。另外，在一些例項中，區塊可能彼此互斥。例如，包含在一個區塊中之像素可未包含在影像所分離成之任何其他區塊中。在此一例項中，區塊可被視為影像內之非重疊影像塊。此外，區塊可包含以下各者之一組合：1)與影像中之全部其他區塊互斥之一些區塊；及2)在某種程度上與其他區塊重疊之一些區塊。影像中之區塊亦可未跨整個影像延伸。以此方式，影像中之一些像素可未包含在任何區塊中。另外，在一個最佳化方法中，標記可基於像素層級而非成像層級，此使能夠將資料集自數百萬個影像減少至數十個影像。 在一項實施例中，標籤指示輸入特徵映射集中之輸入特徵與缺陷相關聯或不與缺陷相關聯。例如，標籤可包含「無缺陷」標籤及「缺陷」標籤。可使用其他類似片語及/或數字作為標籤以區分輸入特徵是否與缺陷相關聯。標籤可如本文中描述般進一步組態且指派。 在另一實施例中，標籤指示與輸入特徵映射集中之輸入特徵相關聯之一缺陷類型。例如，標籤可包含「x類」標籤、「y類」標籤等，其中x及y可為區分一個缺陷類比與另一缺陷類別之某一片語及/或數字。此等標籤亦可如本文中描述般進一步組態且指派。 因此，本文中描述之實施例依賴於一新型神經網路，其有時可稱為機器學習、深度學習或CNN等。此類型之方法有時稱為一端對端學習策略。例如，在一項實施例中，生成模型係一深度生成模型。在另一實施例中，生成模型係一機器學習模型。例如，生成模型可經組態以具有一深度學習架構，其中該生成模型可包含執行若干演算法或變換之多個層。生成模型亦可包含一或多個編碼器側層及/或一或多個解碼器側層。生成模型之一個側或兩個側之層數可變化且通常依使用案例而定。深度生成及機器學習模型可包含此項技術中已知之可經組態以執行本文中描述之功能之任何此等適合模型。 在另一實施例中，生成模型係一CNN。例如，本文中描述之實施例可利用諸如一CNN之深度學習概念來解決通常棘手的表示轉換問題(例如，呈現)。生成模型可具有此項技術中已知之任何CNN組態或架構。一般而言，各種各樣的不同CNN架構可行且在此項技術中已知。 亦可以若干方式修改本文中描述之實施例。例如，可經由以下各者建構本文中描述之生成模型之替代：(1)具有角錐向上取樣之生成對抗網絡(GAN)；(2)具有緻密化之CNN (即，步幅=1)；(3)具有變分自動編碼器(VAE)之循環神經網路(RNN)；或(4)具有迴旋及去迴旋層之深度波茲曼機(Boltzmann Machine)。可使用此項技術中已知之任何適合架構實施此等替代。 一或多個電腦子系統經組態以將單一測試影像輸入至生成模型中。例如，如圖2中展示，可將單一測試影像200輸入至生成模型。單一測試影像可藉由(若干)電腦子系統以任何適合方式輸入至生成模型。 生成模型經組態以將單一測試影像分離成多個像素區塊。例如，如圖2中展示，可將單一測試影像200分離成多個像素區塊202。生成模型可經組態以依任何適合方式將單一測試影像分離成本文中進一步描述之任何區塊。特定言之，一單一測試影像藉由生成模型所分離成之像素區塊可具有本文中描述之區塊之任何特性。 生成模型亦經組態以針對多個像素區塊之至少一者基於僅該多個區塊之該至少一者中之像素判定該多個區塊之該至少一者之一特徵。例如，如圖2中展示，生成模型經組態以針對多個像素區塊202判定每區塊之(若干)特徵204。因此，基於僅區塊中之像素且不基於可能在影像內且不在正針對其判定(若干)特徵之區塊中之任何額外像素而判定(若干)特徵。對於任一區塊，可如本文中描述般判定一或多個特徵，且可如本文中進一步描述般使用針對任一區塊判定之全部、一些或並非全部特徵。可僅基於單一測試影像或基於單一測試影像及該單一測試影像之多個視角之一或多者(其可包含本文中描述之多個視角之任一者)而判定針對任一區塊判定之一或多個特徵。例如，對於一單一測試影像中之一區塊，可針對單一測試影像及由(若干)電腦子系統輸入至生成模型之該單一測試影像之多個視角之各者判定一個特徵。 在本文中描述之實施例之任一者中，特徵可包含純量值之向量、獨立分佈或聯合分佈之向量。在一些實施例中，特徵包含獨立分佈之向量，且獨立分佈之向量包含伯努利(Bernoulli)分佈、二項分佈、多項分佈、泊松(Poisson)二項分佈、貝它二項分佈、多項分佈、波茲曼分佈、泊松分佈、康威-麥克斯韋-泊松(Conway-Maxwell-Poisson)分佈、貝它分佈、高斯(Gaussian)/常態分佈、偏斜常態分佈、瑞利(Rayleigh)分佈、拉普拉斯(Laplace)分佈、伽瑪分佈、帕累托(pareto)分佈或司徒頓t (student-t)分佈。在另一實施例中，特徵包含聯合分佈，且聯合分佈包含多元高斯/常態分佈、多元司徒頓-t分佈、狄利克雷(Dirichlet)分佈、矩陣高斯/常態分佈或矩陣t分佈。然而，特徵可包含此項技術中已知之任何其他適合類型之特徵。可以此項技術中已知之任何適合方式學習或推斷不同類型之特徵。 生成模型進一步經組態以基於經判定特徵及輸入特徵映射集之像素區塊至標籤中之映射而針對多個區塊之至少一者選擇標籤之一者。例如，如圖2中展示，生成模型經組態以基於每區塊之(若干)特徵204而選擇每區塊之(若干)標籤206。特定言之，生成模型可針對各區塊判定(若干)特徵且接著使用映射來判定哪些標籤對應於該等特徵。 (若干)電腦子系統進一步經組態以基於多個區塊之至少一者之選定標籤而偵測樣本之部分中之缺陷。例如，如圖2中展示，(若干)電腦子系統經組態以基於(若干)標籤來偵測缺陷208。特定言之，如上文描述，標籤可各自與一特徵是否與一缺陷相關聯之一指示相關聯。因此，基於由生成模型針對在由(若干)電腦子系統輸入至該生成模型之一影像內之一區塊所輸出之標籤，(若干)電腦子系統可經組態以基於標籤來偵測區塊中之缺陷。以此方式，本文中描述之實施例使一檢測器能夠使用一單一影像偵測缺陷(即，「單一影像偵測(SID)」)，其中輸入係樣本之一影像且輸出係缺陷偵測結果(諸如缺陷之一概率圖)。另外，本文中描述之實施例經組態以基於CNN及本文中描述之其他生成模型而執行SID。本文中描述之實施例亦可在具有或不具半導體應用(例如，比例光罩、遮罩、光學檢測器以及電子束及x射線檢測器)之設計資訊(如本文中進一步描述)之情況下針對SID使用一機器學習系統。 在一些實施例中，(若干)電腦子系統經組態以基於多個區塊之至少一者之選定標籤判定樣本之部分中之一缺陷類型。以此方式，本文中描述之實施例使一檢測器能夠使用一單一測試影像分類缺陷(即，「單一影像分類」(SIC))。例如，如上文描述，標籤可各自與一缺陷類型或類別相關聯。因此，基於由生成模型針對在由(若干)電腦子系統輸入至該生成模型之一影像內之一區塊所輸出之標籤，(若干)電腦子系統可經組態以基於標籤判定區塊中偵測之一缺陷類型或類別。 在一些例項中，可將一個單一測試影像分離成多個較小區塊且可針對各區塊判定特徵。以此方式，生成模型可針對較大影像內之較小區塊產生一特徵「映射」(其中映射表示特徵依據單一測試影像內之區塊位置而變化)。然而，在一些此等例項中，生成模型可經組態以基於針對單一測試影像中之各區塊判定之特徵之各者而整體上針對影像輸出僅一單一標籤。因而，儘管可判定多個區塊之一個以上區塊之(若干)特徵，然針對多個區塊之至少一者選擇標籤之一者可包含針對多個區塊(例如，單一測試影像中之全部多個區塊)之一組合(一個以上區塊)選擇標籤之僅一者。例如，單一標籤可為一「缺陷」或「無缺陷」標籤。在一個此例項中，若無區塊被指派對應於缺陷之(若干)特徵及/或(若干)標籤，則生成模型可整體上針對單一測試影像輸出一「無缺陷」標籤。相比之下，若區塊之至少一者被指派對應於一缺陷之(若干)特徵及/或(若干)標籤，則生成模型可整體上針對單一測試影像輸出一「缺陷」標籤。 以此方式，可將完整單一測試影像處理為一個大區塊，且生成模型之輸出可並非一經標記映射而僅為一單一指示缺陷存在之標籤(諸如一「缺陷」或「無缺陷」標籤)或一單一類別標籤。藉由往回傳播此資訊(例如，輸入影像之哪(些)部分或區塊負責最終決定)，可自實際缺陷位置檢索空間資訊。 因此，如本文中描述之由生成模型輸出之(若干)標籤可指示在整個影像(即，單一測試影像作為一整體)中而非在影像內之一或多個像素區塊中是否存在一缺陷。另外，個別區塊可能無缺陷，但其等之配置無效(例如，當按比個別區塊更大之一尺度考量影像時)。例如，針對多個區塊之各者判定之(若干)特徵本身可映射至指示不存在缺陷之標籤。然而，兩個特徵(例如，針對一第一區塊判定之一第一特徵及針對鄰近該第一區塊之一第二區塊判定之一第二特徵)之間之空間關係可指示單一測試影像中之一缺陷。以此方式，生成模型可產生對應於多個區塊大小之多個特徵映射。 本文中描述之實施例亦可用於若干不同應用。例如，本文中描述之實施例可經組態以且用於執行僅SID、具有自動缺陷分類(ADC)之SID、具有用於偵測之CAD之SID、具有用於偵測之CAD及ADC之SID，及具有用於偵測之多個視角及ADC之SID。以此方式，本文中描述之實施例可取代標準晶粒對晶粒演算法而提供更佳準確性及速度。 為支援全部此等使用案例，可修改僅特徵映射之輸入集。輸入集本質上係表示(其通常稱為演算法框架內之通道)之數目。至具有CAD (或本文中描述之其他設計資訊)之SID之輸入可為樣本之影像及該樣本之設計資訊，且輸出係缺陷偵測結果(諸如缺陷之一概率圖)。另外，SID及具有CAD之SID可用於分類僅缺陷或背景(偵測)或在缺陷類型與背景(ADC)之間進行分類。 在另一實施例中，一或多個電腦子系統經組態以產生單一測試影像之多個視角，且由一或多個電腦子系統輸入至生成模型中之單一測試影像包含該單一測試影像之多個視角。在本文中描述之實施例之內容背景中，多個視角指代經由影像處理產生之相同原始資料之不同表示。因此，在本文中描述之實施例之內容背景中，SID指代使用僅一單一測試影像(其係使用一成像子系統自一實體樣本獲取)偵測缺陷，然而亦可使用自該單一測試影像產生之多個影像執行SID。以此方式，可藉由影像處理產生多個視角，影像處理可包含任何適合影像處理且可由本文中描述之(若干)電腦子系統及/或生成模型執行。 本文中描述之實施例可使用在一GPU上運行之一迴旋方法有效地實施。然而，可在具有或不具(若干) GPU (例如，代替性地運用中央處理單元(CPU))之情況下實施本文中描述之實施例。另外，與舊方法相比，本發明者已量測到本文中描述之缺陷偵測之實質上短的處理時間。由本發明者觀察到的本文中描述之缺陷偵測之效能在SNR及分類準確性兩個方面亦勝過基於兩個影像之舊方法。 在一項實施例中，偵測缺陷不包含使單一測試影像對準至任何其他影像。在另一實施例中，偵測缺陷不包含比較單一測試影像與任何其他影像。例如，不同於涉及比較一個影像與另一參考影像以進行缺陷偵測之缺陷偵測，本文中描述之實施例無需在缺陷偵測之前在不同影像之間對準。另外，即使缺陷偵測及本文中描述之其他功能涉及使用相同單一測試影像之多個視角，但由於多個視角係自相同單一測試影像產生，故多個視角之任一者與單一測試影像之間將不存在對準誤差。因此，在用於缺陷偵測之其他方法及系統中可能固有的兩個影像之間之任何未對準不確定性及/或誤差不會不利地影響由本文中描述之實施例執行之缺陷偵測。另外，由於缺陷偵測不涉及比較一個影像與另一影像，故與用於缺陷偵測之其他方法及系統相比，該方法將具有來自參考之較少誤差及雜訊源。 在又一實施例中，偵測缺陷不包含基於統計之缺陷偵測。例如，如本文中進一步描述，一些缺陷偵測方法可涉及一單一測試影像及統計分析以判定一散點圖中與一參考影像之資料或其他非缺陷資料相比之離群點。然而，本文中描述之實施例不包括產生任何此等散點圖或其他統計分析。代替性地，一旦已如本文中進一步描述般訓練生成模型，該生成模型之映射即可用來將一單一測試影像之一特徵映射至指示影像中是否存在且可能存在何種缺陷之一標籤。 在一些實施例中，一或多個電腦子系統經組態以結合樣本之設計資訊而基於選定標籤來偵測缺陷。例如，如本文中進一步描述，由(若干)電腦子系統執行之缺陷偵測可包含具有CAD之SID。如本文中進一步描述，CAD或其他設計資訊可用於缺陷偵測(例如，關於設計之資訊可用作映射中之一特徵以判定是否存在一缺陷及可能存在何種缺陷)。 在另一實施例中，一或多個電腦子系統經組態以基於選定標籤且在無樣本之設計資訊之情況下偵測缺陷。例如，如本文中進一步描述，實施例可經組態用於無CAD或其他設計資訊之SID。以此方式，用於缺陷偵測及可能缺陷分類之唯一特徵可包含針對單一測試影像判定且映射至標籤之特徵。 在一項實施例中，(若干)電腦子系統經組態以產生用於訓練生成模型之一訓練資料集，且該訓練資料集包含樣本之設計資訊之一部分與針對該設計資訊之部分產生之一影像之對之一集合。以此方式，本文中描述之實施例可經組態用於資料集製備(多維輸入特徵映射)。例如，資料集製備可包含收集一組影像(例如，具有或不具缺陷之SEM影像)。影像可包含SEM影像但亦或替代地包含任何其他「地面實況」資訊(諸如SEM影像、光學影像、遮罩檢測影像、度量衡資料、先前層光學資料等)。亦可能未藉由成像樣本而獲取針對設計資訊之部分產生之影像。例如，可藉由使用一度量衡系統對一樣本執行量測而產生度量衡資料，且接著該度量衡資料可經處理以產生於訓練資料集中之對中使用之樣本之影像。換言之，在一些例項中，可使用非影像資料來產生一樣本之影像。一般而言，影像可全部具有相同類型。亦可使用不同成像模式產生影像。此外，影像可包含原始或經處理影像。 資料集製備可包含呈現並對準對應設計片段與影像。設計資訊可包含本文中描述之任何設計資訊。例如，在一項實施例中，設計資訊係諸如CAD資料之設計資料。儘管本文中可關於CAD或CAD資料或影像描述一些實施例，然應瞭解，本文中描述之實施例可使用本文中描述之任何其他設計資訊。在另一實例中，(若干)電腦子系統可經組態以獲取樣本之設計片段且呈現該等設計片段以產生設計資訊，其可或可不像來自樣本之影像。呈現之範圍可自簡單呈現(二元影像)至更複雜呈現(模仿樣本資料)。可如本文中描述般進一步執行呈現(關於模擬)。 因此，(若干)電腦子系統可製備一訓練資料集。在此步驟中，可藉由CAD與真實影像之對準及影像裁剪而產生一訓練資料集，而導致經對準CAD與真實影像(例如，SEM或光學影像)之對之一收集，其中「真實」影像係藉由成像其上已形成設計資訊之一實體樣本而產生之影像。特定言之，如圖3中展示，CAD之不同部分300及其等之對應實際影像302可經對準並裁剪以產生對應CAD部分與實際影像之對304。 可將CAD呈現為一二元影像且可在對準之前復原不均勻像素大小。歸因於來自硬體之影像失真，像素大小可能「不均勻」。例如，在一電子束影像中，歸因於電子束之不穩定性，在一樣本上之一第一位置處之一像素可表示樣本上之一10 nm乘10 nm面積，而在該樣本上之一第二位置(其可能相對較靠近第一位置)處之另一像素可表示樣本上之一11 nm乘11 nm面積，而預期像素大小係10.5 nm乘10.5 nm。 對中之設計資訊之部分及影像可具有任何適合大小且可取決於用來形成樣本上之設計資訊之(若干)程序及/或用來產生影像之(若干)程序之特性而變化。例如，為使影像含有用於訓練之有用資訊，可基於產生實際影像時所涉及之光學散射效應(例如，在光學真實影像之情況中，歸因於一微影工具及/或一光學成像工具之點擴散函數(PSF))而判定影像之有用大小之一下限。在一些實例中，影像之大小可為大約一影像圖框(例如，數千個像素)至大約一拼貼影像(例如，數十個像素)。 包含在訓練資料集中之設計資訊部分與影像之對數可為任何適合數目且可取決於使用案例而變化。例如，訓練資料集中之影像之數目可為數百至數千之間之數目。為減少訓練集中之影像之數目，用於資料擴充之不同方法可為可行的，例如，批次隨機化、合成缺陷等。本文中進一步描述合成缺陷。關於批次隨機化，訓練在數批影像(比如說50個)中發生且在實質上大量影像(比如說1000個)上反覆發生。隨機化確保每批次所選擇之50個影像中存在足夠多樣性以確保訓練收斂平穩。 在一項實施例中，針對在樣本或另一樣本上偵測之一缺陷產生集合中之對之至少一者。例如，如本文中進一步描述，(若干)電腦子系統可經組態以偵測樣本上之缺陷且接著基於經偵測缺陷產生訓練資料集中之對之集合。可以任何適合方式在樣本上偵測缺陷。若在一不同樣本上偵測到所偵測且用來產生訓練資料集中之對之缺陷，則該另一樣本可為與樣本相同之類型(例如，設計規則、層等)。 在另一實施例中，針對一合成缺陷產生集合中之對之至少一者。以此方式，可使用合成缺陷來擴充資料訓練集合。在一個此實例中，可藉由修改CAD以注入缺陷(例如，突出)且接著使用網路呈現其且將其新增為一訓練實例而將合成缺陷注入至SEM、光學及其他系統之訓練資料集中。可以任何適合方式修改設計資訊以在設計資訊中建立合成缺陷。若尚未針對經修改設計資訊部分產生實際影像，則一模擬影像(其可如本文中描述般使用一生成模型產生)可用作其在訓練資料集中之影像。可以若干不同方式修改任一設計資訊部分以在其中產生不同合成缺陷。另外，可以相同或不同方式修改設計資訊之不同部分以在設計資訊之不同部分之各者中建立相同或不同合成缺陷。此外，如上文所述，經修改設計資訊與影像對可與未修改設計資訊與影像對組合以建立訓練資料集。除非該等實際影像不可用，否則包含在訓練資料集中之對中之影像係較佳為實際的(或非模擬影像)。此實施例中使用之其他設計資訊可包含本文中描述之任何設計資訊。 在另一實施例中，針對一模擬缺陷產生集合中之對之至少一者。例如，可使用一模擬缺陷來擴充訓練資料集。一模擬缺陷可或可不為一合成缺陷。例如，可使用並非全部合成缺陷來針對合成缺陷所注入至其中之設計資訊產生一模擬影像。此外，一模擬缺陷可並非注入至一設計部分中之一合成缺陷，而是基於該缺陷之可能源模擬之來自另一源之一缺陷(例如，與其說是由設計資訊中之缺陷引起之缺陷，不如說是歸因於用來形成樣本上之設計資訊之程序中之變動之缺陷)。 在又一實施例中，針對由程序窗合格性檢定(PWQ)偵測之一缺陷產生集合中之對之至少一者。以此方式，可使用來自PWQ晶圓之經偵測缺陷來擴充訓練資料集。PWQ可如以下各者中描述般執行：2005年6月7日授與Peterson等人之美國專利第6,902,855號、2008年8月26日授與Peterson等人之美國專利第7,418,124號、2010年8月3日授與Kekare等人之美國專利第7,769,225號、2011年10月18日授與Pak等人之美國專利第8,041,106號，及2012年7月3日授與Peterson等人之美國專利第8,213,704號，該等案如全文闡述以引用的方式併入本文中。可在樣本或另一樣本上偵測由PWQ偵測之一缺陷。可以任何適合方式基於一PWQ檢測之結果產生設計資訊之部分及對應影像。 在一些實施例中，設計資訊包含自設計資料產生之模擬影像。可使用本文中描述之機器學習系統執行自設計資料產生模擬影像。以此方式，本文中描述之實施例可使用一機器學習系統以針對半導體相關應用進行CAD呈現。特定言之，在SID中，訓練期間之輸入係一樣本之一影像及缺陷像素之地面實況，且輸出係缺陷之一概率圖。在運行時間期間，輸入係一影像，且輸出係缺陷之概率圖。對於CAD呈現，在訓練期間，輸入係一樣本之CAD片段及地面實況(該樣本之影像)。網路學習如何將CAD片段表示為樣本之一影像。總體概念係類似的(運用資料及地面實況之訓練)。模擬亦可如由Zhang等人在2016年6月7日申請之美國專利申請案序號15/176,139中描述般執行，該案如全文闡述以引用的方式併入本文中。本文中描述之實施例可如此專利申請案中描述般進一步組態。 在另一實施例中，對中之影像之至少一者包含樣本或另一樣本藉由成像子系統產生之一實際影像。例如，可基於在樣本或另一樣本上偵測之缺陷產生對。以此方式，對中之影像可為由成像子系統產生之在偵測到缺陷之位置處之影像。可以任何適合方式自樣本之設計資訊提取對應於該等位置之設計之部分(例如，基於缺陷之晶圓空間位置及/或缺陷之設計資料空間位置)。在上文引用之Zafar及Kulkarni之專利中描述識別設計資料空間中之缺陷之位置之實例。此實施例可如此等專利申請案中描述般進一步組態。 在一額外實施例中，對中之影像之至少一者包含基於以下各者產生之合成影像：1)至少一個影像之設計資訊，及2)由成像子系統針對其他樣本產生之其他影像。例如，基於樣本之設計之資訊及針對其他樣本產生之影像，可判定關於不同樣本之設計資訊之間之類似性及差異以及如何藉由成像子系統成像其他樣本之資訊。關於該等類似性及差異之資訊可為生成模型提供足夠資訊以產生樣本上之設計資訊將如何出現在由成像子系統產生之影像中之一合成影像。例如，基於關於不同樣本之設計資訊之間之類似性之資訊及一些樣本之影像，可藉由基於設計中之類似性修改樣本之影像而產生/估計其他樣本之影像。 在又一實施例中，對中之影像之至少一者包含基於以下各者產生之一模擬影像：1)至少一個影像之設計資訊，及2)成像子系統之一或多個特性。例如，基於一樣本之一部分之設計之資訊及成像子系統之成像特性，本文中描述之實施例可針對樣本之該部分將如何出現在由成像子系統產生之影像中而產生模擬影像，此可如本文中進一步描述般執行。接著，該等模擬影像可包含在具有其等對應設計資訊部分之訓練資料集合中。 在一些最佳化方法中，生成模型可學習在任意位置(交叉層、交叉位置等)產生一缺陷，而使所關注缺陷(DOI)之資料收集在未來不必要。例如，可使用可藉由使用設計片段而僅「呈現」或產生具有缺陷之影像(例如，像SEM資料)之一網路。無所謂設計片段屬於哪一位置或層。此時，經呈現缺陷可用於訓練偵測/分類網路。 在一項實施例中，一或多個電腦子系統經組態以偵測集合中之對中之影像中之其他缺陷，且使標籤與影像中對應於偵測其他缺陷之結果之像素相關聯。以此方式，(若干)電腦子系統可產生一標籤映射。例如，一標籤映射可使一標籤與影像之各像素相關聯。如本文中進一步描述，標籤可指示輸入特徵映射集中之輸入特徵是與缺陷相關聯還是不與缺陷相關聯。例如，標籤可為指示不存在缺陷之標籤(即，「無缺陷」標籤)，或指示存在一缺陷之標籤(即，「缺陷偵測」標籤)。另外，如本文中進一步描述，標籤可指示輸入特徵映射集中之特徵所相關聯之一缺陷類型。在一個此實例中，標籤可包含一類別，諸如「A類」、「B類」、「54類」、「102類」等。標籤映射可由(若干)電腦子系統藉由使用執行等效任務(訓練器)之一習知晶粒對晶粒系統而自動建立。然而，可藉由使用任何適合缺陷偵測(及視需要缺陷分類)方法及系統藉由使缺陷偵測(及視需要缺陷分類)之結果與影像之不同部分及/或由(若干)電腦子系統基於影像之不同部分判定之不同特徵相關聯而建立標籤映射。例如，訓練資料集中之影像可如本文中進一步描述般分離成區塊，且可如本文中進一步描述般針對各(或至少一些)區塊判定一或多個特徵。針對影像之不同部分判定之特徵可包含本文中描述之任何特徵類型。以此方式，(若干)電腦子系統可使針對區塊判定之特徵與標籤相關，藉此建立一輸入特徵映射集。 在一項此實施例中，一或多個電腦子系統經組態以藉由累進地修改生成模型之參數而執行對生成模型之監督訓練，直至將由生成模型針對對中之影像判定之特徵映射至與影像中之像素相關聯之標籤。在訓練(監督訓練)期間，非線性網路累進地修改其參數(權重)以預測正確標籤(如標籤映射中定義)。例如，由本文中描述之實施例修改之生成模型之一或多個參數可包含具有可訓練權重之生成模型之任何層之一或多個權重。在一個此實例中，權重可包含迴旋層而非積聚層之權重。可使用用於訓練之不同方法來達成相對較快速收斂且無過度適配。例如，可經由使用多個GPU及預訓練模型達成快速訓練。 一旦完成訓練，生成模型及經更新參數(模型)即準備好部署(例如，在樣本及其他樣本上偵測缺陷及/或分類缺陷)。以此方式，非線性網路中之習得權重表示習得模型，其接著可安裝在一目標系統(例如，本文中描述之系統之一者)上。因而，在運行時間期間，將模型安裝在目標系統上且依正向模式(推理模式)處理新影像。生成模型產生如本文中描述之一標籤映射，其準確指示影像之內容。 運用本文中描述之實施例，無需提前製備「手工製作特徵」。自實例(內部資料表示)自動學習特徵。新實施例對於自資料學習之自然變動穩健。支援一新層或一新缺陷類型藉由提供實例且重新訓練系統而簡單且快速。例如，在一些實施例中，一或多個電腦子系統經組態以：藉由將一新對新增至集合而修改訓練資料集；偵測新對中之一影像中之一或多個額外缺陷；使一或多個額外標籤與影像中對應於偵測一或多個額外缺陷之結果之像素相關聯；及藉由累進地修改參數而重新執行監督訓練，直至將由生成模型針對對及新對中之影像判定之特徵映射至與對及新對中之影像中之像素相關聯之標籤。以此方式，可在發現、合成或模擬一新缺陷時用新對更新訓練資料集，且可使用更新之訓練資料集重新訓練生成模型。除來自消除對於參考影像獲取之需求之時間節省以外，演算法開發之時間、努力及成本亦因本文中描述之深度學習方法之自學性質(例如，使用一生成模型)而較低。 本文中描述之實施例具有優於用於偵測樣本上之缺陷之其他方法之若干優點。例如，與先前使用之方法及系統相比，本文中描述之實施例實質上穩健。在一個此實例中，在本文中描述之實施例中，無需提前設計手工製作特徵。自動學習之特徵對於手頭的任務係最佳的。在另一此實例中，藉由本文中描述之實施例自動學習對資料中之自然變動之穩健性。在一額外實例中，本文中描述之實施例具有用於配方改良之一相對較短循環。在又一此實例中，自動處理諸如標稱程序變動(例如，LER)之問題，假定此資料存在於訓練集合中。 本文中描述之實施例有利地亦為可概括的。例如，相同神經網絡方法可用於許多不同應用(例如，SID、ADC、晶粒對資料庫等)。另外，本文中描述之實施例有利地係可擴展的。例如，本文中描述之實施例之效能用更多資料改良，且實施例可大規模平行化。特定言之，此方法可解決之問題之數目大於當前使用之方法及系統。在一個此實例中，相同方法可擴展至用相同方法論藉由僅新增正確訓練資料而偵測並分類一樣本上之全部缺陷類型(程序或型樣)。 本文中描述之實施例之又一優點係其等可利用現有方法自我啟動。例如，可利用諸如本文中進一步描述之現有缺陷偵測演算法自我啟動訓練程序。另外，相對較緩慢模擬方法(例如，馬可夫鏈(Markov Chain))可用於本文中描述之模擬(例如，建立缺陷類型之實例)。 上文描述之各系統之各實施例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偵測一樣本上之缺陷之電腦實施方法。該方法包含將藉由一成像子系統針對一樣本之一部分產生之一單一測試影像分離成多個像素區塊，此可如本文中進一步描述般執行。成像子系統可如本文中進一步描述般組態。該方法亦包含針對多個像素區塊之至少一者而基於僅該多個區塊之該至少一者中之像素判定該多個區塊之該至少一者之一特徵。可如本文中進一步描述般執行判定特徵。藉由包含在由一或多個電腦子系統實行之一或多個組件中之一生成模型執行分離及判定步驟。 生成模型、一或多個組件及一或多個電腦子系統可如本文中描述般進一步組態。例如，生成模型包含經組態以將一輸入特徵映射集之像素區塊映射至標籤中之一非線性網路，且標籤指示區塊之一或多個缺陷相關特性。 另外，方法包含基於經判定特徵及輸入特徵映射集之像素區塊至標籤中之映射而針對多個區塊之至少一者選擇標籤之一者。可根據本文中描述之任何實施例執行針對區塊選擇標籤。方法進一步包含基於多個區塊之至少一者之選定標籤來偵測樣本之部分中之缺陷，此可根據本文中描述之任何實施例執行。藉由一或多個電腦子系統執行偵測。 可如本文中進一步描述般執行方法之各步驟。方法亦可包含可由本文中描述之系統、(若干)電腦子系統及/或成像系統或子系統執行之(若干)任何其他步驟。另外，可藉由本文中描述之任何系統實施例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電腦系統上執行以執行用於偵測一樣本上之缺陷之一電腦實施方法。圖4中展示一項此實施例。特定言之，如圖4中展示，非暫時性電腦可讀媒體400包含可在電腦系統404上執行之程式指令402。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402可儲存在電腦可讀媒體400上。電腦可讀媒體可為一儲存媒體，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(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)之任一者實施程式指令。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)或其他技術或方法論實施程式指令。 電腦系統404可根據本文中描述之任何實施例組態。 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。例如，提供用於偵測一樣本上之缺陷之方法及系統。因此，此描述應理解為僅係闡釋性的且係用於教示熟習此項技術者實行本發明之一般方式之目的。應瞭解，在本文中展示且描述之本發明之形式應視為目前較佳實施例。在受益於本發明之此描述之後，如熟習此項技術者將瞭解，元件及材料可取代本文中繪示且描述之元件及材料，可顛倒部分及程序，且可獨立利用本發明之某些特徵。可對本文中描述之元件進行改變而不背離如以下申請專利範圍中描述之本發明之精神及範疇。
10‧‧‧成像系統/成像子系統 14‧‧‧樣本 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‧‧‧生成模型 122‧‧‧電子柱 124‧‧‧電腦子系統 126‧‧‧電子束源 128‧‧‧樣本 130‧‧‧元件 132‧‧‧元件 134‧‧‧偵測器 200‧‧‧單一測試影像 202‧‧‧多個像素區塊 204‧‧‧每區塊之(若干)特徵 206‧‧‧每區塊之(若干)標籤 208‧‧‧基於(若干)標籤來偵測缺陷 300‧‧‧CAD之不同部分 302‧‧‧實際影像 304‧‧‧對應CAD部分與實際影像之對 400‧‧‧電腦可讀媒體 402‧‧‧程式指令 404‧‧‧電腦系統
熟習此項技術者在受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瞭解本發明之進一步優點，其中： 圖1及圖1a係繪示如本文中描述般組態之一系統之實施例之側視圖之示意圖； 圖2係繪示可由本文中描述之系統實施例執行之步驟之一項實施例之一流程圖； 圖3係繪示可由本文中描述之實施例產生之一訓練資料集之一項實施例之一示意圖；及 圖4係繪示儲存程式指令以引起一電腦系統執行本文中描述之一電腦實施方法之一非暫時性電腦可讀媒體之一項實施例之一方塊圖。 雖然本發明易於以各種修改及替代形式呈現，但本發明之特定實施例在圖式中藉由實例展示且在本文中詳細描述。圖式可未按比例。然而，應瞭解，圖式及其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，本發明欲涵蓋落於如由隨附申請專利範圍界定之本發明之精神及範圍內之全部修改、等效物及替代。
10‧‧‧成像系統/成像子系統
14‧‧‧樣本
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‧‧‧生成模型

Claims (36)

  1. 一種經組態以偵測一樣本上之缺陷之系統，其包括： 一成像子系統，其經組態以產生一樣本之影像，其中該成像子系統包括經組態以將能量引導至該樣本之至少一能量源及經組態以偵測來自該樣本之能量之至少一偵測器； 一或多個電腦子系統，其耦合至該成像子系統，其中該一或多個電腦子系統經組態以獲取由該成像子系統產生之該樣本之一部分之一單一測試影像；及 一或多個組件，其由該一或多個電腦子系統執行，其中該一或多個組件包括： 一生成模型，其中該生成模型包括經組態以將一輸入特徵映射集之像素區塊映射至標籤中之一非線性網路，且其中該等標籤指示該等區塊之一或多個缺陷相關特性； 其中該一或多個電腦子系統進一步經組態以將該單一測試影像輸入至該生成模型中； 其中該生成模型經組態以： 將該單一測試影像分離成多個像素區塊； 針對該多個像素區塊之至少一者，基於僅該多個區塊之該至少一者中之像素判定該多個區塊之該至少一者之一特徵；及 基於該經判定特徵及該輸入特徵映射集之該等像素之該等區塊至該等標籤中之該映射而針對該多個區塊之該至少一者選擇該等標籤之一者；及 其中該一或多個電腦子系統進一步經組態以基於該多個區塊之該至少一者之該選定標籤來偵測該樣本之該部分中之缺陷。
  2. 如請求項1之系統，其中該生成模型係一深度生成模型。
  3. 如請求項1之系統，其中該生成模型係一機器學習模型。
  4. 如請求項1之系統，其中該生成模型係一迴旋神經網路。
  5. 如請求項1之系統，其中偵測該等缺陷不包括將該單一測試影像對準至任何其他影像。
  6. 如請求項1之系統，其中偵測該等缺陷不包括比較該單一測試影像與任何其他影像。
  7. 如請求項1之系統，其中偵測該等缺陷不包括基於統計之缺陷偵測。
  8. 如請求項1之系統，其中該等標籤指示該輸入特徵映射集中之輸入特徵是與缺陷相關聯還是不與缺陷相關聯。
  9. 如請求項1之系統，其中該等標籤指示該輸入特徵映射集中之輸入特徵所相關聯之一缺陷類型。
  10. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以基於該多個區塊之該至少一者之該選定標籤判定該樣本之該部分中之該等缺陷之一類型。
  11. 如請求項1之系統，其中針對該多個區塊之該至少一者選擇該等標籤之一者包括：針對該多個區塊之一組合選擇該等標籤之僅一者。
  12. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以產生用於訓練該生成模型之一訓練資料集，且其中該訓練資料集包括該樣本之設計資訊之一部分與針對該設計資訊之該部分產生之一影像之對之一集合。
  13. 如請求項12之系統，其中針對在該樣本或另一樣本上偵測之一缺陷產生該集合中之該等對之至少一者。
  14. 如請求項12之系統，其中針對一合成缺陷產生該集合中之該等對之至少一者。
  15. 如請求項12之系統，其中針對一模擬缺陷產生該集合中之該等對之至少一者。
  16. 如請求項12之系統，其中針對藉由程序窗合格性檢定所偵測之一缺陷產生該集合中之該等對之至少一者。
  17. 如請求項12之系統，其中該設計資訊包括設計資料。
  18. 如請求項12之系統，其中該設計資訊包括自設計資料產生之模擬影像。
  19. 如請求項12之系統，其中該等對中之該等影像之至少一者包括由該成像子系統產生之該樣本或另一樣本之一實際影像。
  20. 如請求項12之系統，其中該等對中之該等影像之至少一者包括基於以下各者產生之一合成影像：1)該至少一個影像之該設計資訊，及2)由該成像子系統針對其他樣本產生之其他影像。
  21. 如請求項12之系統，其中該等對中之該等影像之至少一者包括基於以下各者產生之一模擬影像：1)該至少一個影像之該設計資訊，及2)該成像子系統之一或多個特性。
  22. 如請求項12之系統，其中該一或多個電腦子系統進一步經組態以偵測該集合中之該等對中之該等影像中之其他缺陷，且使標籤與該等影像中對應於該偵測該等其他缺陷之結果之像素相關聯。
  23. 如請求項22之系統，其中該一或多個電腦子系統進一步經組態以藉由累進地修改該生成模型之參數而執行該生成模型之監督訓練，直至將由該生成模型針對該等對中之該等影像判定之特徵映射至與該等影像中之該等像素相關聯之該等標籤。
  24. 如請求項23之系統，其中該一或多個電腦子系統進一步經組態以：藉由將一新對新增至該集合而修改該訓練資料集；偵測該新對中之一影像中之一或多個額外缺陷；使一或多個額外標籤與該影像中對應於該偵測該一或多個額外缺陷之結果之像素相關聯；且藉由累進地修改該等參數而重新執行該監督訓練，直至將由該生成模型針對該等對及該新對中之該等影像判定之該等特徵映射至與該對及該新對中之該等影像中之該等像素相關聯之該等標籤。
  25. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以產生該單一測試影像之多個視角，且其中由該一或多個電腦子系統輸入至該生成模型中之該單一測試影像包括該單一測試影像之該多個視角。
  26. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以結合該樣本之設計資訊而基於該選定標籤來偵測該等缺陷。
  27. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以基於該選定標籤且在無該樣本之設計資訊之情況下偵測該等缺陷。
  28. 如請求項1之系統，其中該成像子系統係一基於電子束之成像子系統。
  29. 如請求項1之系統，其中該成像子系統係一基於光學之成像子系統。
  30. 如請求項1之系統，其中該成像子系統係一檢測子系統。
  31. 如請求項1之系統，其中該成像子系統係一缺陷再檢測子系統。
  32. 如請求項1之系統，其中該成像子系統係一度量衡子系統。
  33. 如請求項1之系統，其中該樣本係一晶圓。
  34. 如請求項1之系統，其中該樣本係一比例光罩。
  35. 一種非暫時性電腦可讀媒體，其儲存可在一電腦系統上執行以執行用於偵測一樣本上之缺陷之一電腦實施方法之程式指令，其中該電腦實施方法包括： 將由一成像子系統針對一樣本之一部分產生之一單一測試影像分離成多個像素區塊； 針對該多個像素區塊之至少一者，基於僅該多個區塊之該至少一者中之像素判定該多個區塊之該至少一者之一特徵，其中藉由包含在由一或多個電腦子系統執行之一或多個組件中之一生成模型執行該分離及該判定，其中該生成模型包括經組態以將一輸入特徵映射集之像素區塊映射至標籤中之一非線性網路，且其中該等標籤指示該等區塊之一或多個缺陷相關特性； 基於該經判定特徵及該輸入特徵映射集之該等像素之該等區塊至該等標籤中之映射而針對該多個區塊之該至少一者選擇該等標籤之一者；及 基於該多個區塊之該至少一者之該選定標籤來偵測該樣本之該部分中之缺陷，其中藉由該一或多個電腦子系統執行該偵測。
  36. 一種用於偵測一樣本上之缺陷之電腦實施方法，其包括： 將由一成像子系統針對一樣本之一部分產生之一單一測試影像分離成多個像素區塊； 針對該多個像素區塊之至少一者，基於僅該多個區塊之該至少一者中之像素判定該多個區塊之該至少一者之一特徵，其中藉由包含在由一或多個電腦子系統執行之一或多個組件中之一生成模型執行該分離及該判定，其中該生成模型包括經組態以將一輸入特徵映射集之像素區塊映射至標籤中之一非線性網路，且其中該等標籤指示該等區塊之一或多個缺陷相關特性； 基於該經判定特徵及該輸入特徵映射集之該等像素之該等區塊至該等標籤中之該映射而針對該多個區塊之該至少一者選擇該等標籤之一者；及 基於該多個區塊之該至少一者之該選定標籤來偵測該樣本之該部分中之缺陷，其中藉由該一或多個電腦子系統執行該偵測。
TW105137707A 2015-11-17 2016-11-17 單一影像偵測 TWI722050B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201562256601P 2015-11-17 2015-11-17
US62/256,601 2015-11-17
US15/353,210 2016-11-16
US15/353,210 US10186026B2 (en) 2015-11-17 2016-11-16 Single image detection

Publications (2)

Publication Number Publication Date
TW201728897A TW201728897A (zh) 2017-08-16
TWI722050B true TWI722050B (zh) 2021-03-21

Family

ID=58690153

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105137707A TWI722050B (zh) 2015-11-17 2016-11-17 單一影像偵測

Country Status (8)

Country Link
US (1) US10186026B2 (zh)
JP (1) JP6758397B2 (zh)
KR (1) KR102416972B1 (zh)
CN (1) CN108291878B (zh)
IL (1) IL258803B (zh)
SG (1) SG11201803666WA (zh)
TW (1) TWI722050B (zh)
WO (1) WO2017087646A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI861460B (zh) * 2021-05-05 2024-11-11 美商科磊股份有限公司 用於判定用於對一樣本執行之一程序中之一偏移之系統、非暫時性電腦可讀媒體及電腦實施方法

Families Citing this family (82)

* 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
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US9915625B2 (en) 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
JP2017191501A (ja) * 2016-04-14 2017-10-19 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US9953236B1 (en) * 2017-03-10 2018-04-24 TuSimple System and method for semantic segmentation using dense upsampling convolution (DUC)
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
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
CN111052129B (zh) * 2017-07-28 2024-03-08 美国西门子医学诊断股份有限公司 深度学习体积定量方法和设备
US10699926B2 (en) 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
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
JP2019056975A (ja) * 2017-09-19 2019-04-11 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 改良型敵対的生成ネットワーク実現プログラム、改良型敵対的生成ネットワーク実現装置及び学習済モデル生成方法
JP7004145B2 (ja) * 2017-11-15 2022-01-21 オムロン株式会社 欠陥検査装置、欠陥検査方法、及びそのプログラム
EP3489892B1 (en) * 2017-11-24 2022-01-05 Ficosa Adas, S.L.U. Determining clean or dirty captured images
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
CN108074231B (zh) * 2017-12-18 2020-04-21 浙江工业大学 一种基于卷积神经网络的磁片表面缺陷检测方法
TWI653605B (zh) * 2017-12-25 2019-03-11 Utechzone Co., Ltd. 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統
KR102176335B1 (ko) 2018-02-07 2020-11-10 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템
US10677742B2 (en) * 2018-03-09 2020-06-09 Kla-Tencor Corp. Detecting die repeating programmed defects located in backgrounds with non-repeating features
US10679333B2 (en) * 2018-03-14 2020-06-09 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology
US10789703B2 (en) 2018-03-19 2020-09-29 Kla-Tencor Corporation Semi-supervised anomaly detection in scanning electron microscope images
US11170255B2 (en) 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images
US10670536B2 (en) 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
CN108780037A (zh) * 2018-04-09 2018-11-09 深圳达闼科技控股有限公司 光谱分析方法、装置、电子设备及计算机可读存储介质
US10872406B2 (en) * 2018-04-13 2020-12-22 Taiwan Semiconductor Manufacturing Company, Ltd. Hot spot defect detecting method and hot spot defect detecting system
JP7058324B2 (ja) * 2018-05-09 2022-04-21 レーザーテック株式会社 検査装置、検査方法、学習方法、及びプログラム
DE102018207880A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
DE102018207882A1 (de) 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Vorrichtung und Verfahren zur Analyse eines Elements eines Photolithographieprozesses mit Hilfe eines Transformationsmodells
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
US10697900B2 (en) 2018-06-19 2020-06-30 Kla-Tencor Corporation Correlating SEM and optical images for wafer noise nuisance identification
US10796065B2 (en) * 2018-06-21 2020-10-06 Kla-Tencor Corporation Hybrid design layout to identify optical proximity correction-related systematic defects
JP7129669B2 (ja) * 2018-07-20 2022-09-02 株式会社エヌテック ラベル付き画像データ作成方法、検査方法、プログラム、ラベル付き画像データ作成装置及び検査装置
US10846845B2 (en) * 2018-07-25 2020-11-24 Fei Company Training an artificial neural network using simulated specimen images
CN108624880B (zh) * 2018-08-10 2019-08-06 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN114264372A (zh) * 2018-09-05 2022-04-01 阿里巴巴集团控股有限公司 量子比特检测系统及检测方法
CN109389156B (zh) * 2018-09-11 2022-05-03 深圳大学 一种图像定位模型的训练方法、装置及图像定位方法
CN110969175B (zh) * 2018-09-29 2022-04-12 长鑫存储技术有限公司 晶圆处理方法及装置、存储介质和电子设备
US10545096B1 (en) * 2018-10-11 2020-01-28 Nanotronics Imaging, Inc. Marco inspection systems, apparatus and methods
JP7059889B2 (ja) * 2018-10-15 2022-04-26 オムロン株式会社 学習装置、画像生成装置、学習方法、及び学習プログラム
JP7353032B2 (ja) * 2018-11-15 2023-09-29 株式会社Preferred Networks データ生成装置、データ生成方法及びプログラム
US10672588B1 (en) * 2018-11-15 2020-06-02 Kla-Tencor Corporation Using deep learning based defect detection and classification schemes for pixel level image quantification
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
US11170475B2 (en) * 2019-01-10 2021-11-09 Kla Corporation Image noise reduction using stacked denoising auto-encoder
US10853932B2 (en) 2019-01-16 2020-12-01 Applied Material Israel, Ltd. Method of defect detection on a specimen and system thereof
US10922808B2 (en) * 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment
AU2020230452A1 (en) * 2019-03-01 2021-10-14 The University Of Melbourne Automated determination of locations of donor atoms
WO2020199207A1 (zh) * 2019-04-04 2020-10-08 合刃科技（深圳）有限公司 表面缺陷光学检测方法及相关装置
US11551348B2 (en) 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
KR102230559B1 (ko) * 2019-04-25 2021-03-22 에스케이텔레콤 주식회사 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
KR102342495B1 (ko) * 2019-04-25 2021-12-22 에스케이텔레콤 주식회사 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
US11615533B2 (en) * 2019-07-12 2023-03-28 Bruker Nano, Inc. Methods and systems for product failure prediction based on X-ray image re-examination
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
US10915992B1 (en) 2019-08-07 2021-02-09 Nanotronics Imaging, Inc. System, method and apparatus for macroscopic inspection of reflective specimens
US11593919B2 (en) 2019-08-07 2023-02-28 Nanotronics Imaging, Inc. System, method and apparatus for macroscopic inspection of reflective specimens
WO2021061135A1 (en) * 2019-09-26 2021-04-01 Hewlett-Packard Development Company, L.P. Labeling pixels having defects
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
IT201900019070A1 (it) * 2019-10-16 2021-04-16 Sacmi Metodo di elaborazione di un’immagine di un oggetto
US11087449B2 (en) 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen
US11961219B2 (en) * 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
CN111428374A (zh) * 2020-03-30 2020-07-17 苏州惟信易量智能科技有限公司 零件缺陷检测方法、装置、设备及存储介质
EP3901902B1 (en) * 2020-04-20 2025-05-07 FEI Company Method implemented by a data processing apparatus, and charged particle beam device for inspecting a specimen using such a method
US12051183B2 (en) 2020-04-30 2024-07-30 KLA Corp. Training a machine learning model to generate higher resolution images from inspection images
US11526964B2 (en) * 2020-06-10 2022-12-13 Intel Corporation Deep learning based selection of samples for adaptive supersampling
CN111693534B (zh) 2020-06-12 2023-09-15 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN113358594B (zh) * 2020-06-30 2023-07-28 北京领主科技有限公司 基于光谱检测的物质成分分析系统、方法、装置及介质
JP7492389B2 (ja) * 2020-07-03 2024-05-29 株式会社ホロン 画像検査装置および画像検査方法
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
EP4001902A1 (en) * 2020-11-23 2022-05-25 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method and system for simulating an optical image of a photonic and/or electronic device
US12019032B2 (en) 2020-12-07 2024-06-25 Nanya Technology Corporation Electronic system and method of specimen qualification
AU2021401816A1 (en) 2020-12-18 2023-06-22 Strong Force Vcn Portfolio 2019, Llc Robot fleet management and additive manufacturing for value chain networks
US12076976B2 (en) * 2021-08-26 2024-09-03 Xerox Corporation Optimized printing defect compensation using automatic job image repositioning
CN114359229A (zh) * 2022-01-06 2022-04-15 华东师范大学 一种基于dsc-unet模型的缺陷检测方法
US11828713B1 (en) 2022-06-30 2023-11-28 Camtek Ltd Semiconductor inspection tool system and method for wafer edge inspection
CN115222739B (zh) * 2022-09-20 2022-12-02 成都数之联科技股份有限公司 缺陷标注方法、装置、存储介质、设备及计算机程序产品
KR20250174967A (ko) 2023-04-24 2025-12-15 캠텍 리미티드 반도체 구조의 에지 및 베벨 검사를 위한 검사 시스템
US12480890B2 (en) * 2023-07-14 2025-11-25 Kla Corporation Deep learning based mode selection for inspection
US12444174B2 (en) 2023-08-16 2025-10-14 Kla Corporation Rare event training data sets for robust training of semiconductor yield related components

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100208979A1 (en) * 2009-02-16 2010-08-19 Kla-Tencor Corporation Use of design information and defect image information in defect classification
CN104850858A (zh) * 2015-05-15 2015-08-19 华中科技大学 一种注塑制品缺陷检测识别方法

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05280960A (ja) * 1992-03-30 1993-10-29 Fuji Photo Film Co Ltd 欠陥検査装置
JPH0720063A (ja) * 1993-06-16 1995-01-24 Kawasaki Steel Corp 信号変化点検出方法および傷検出方法
JP2001274209A (ja) 2000-03-28 2001-10-05 Toshiba Corp 半導体検査装置、半導体欠陥解析装置、半導体設計データ修正装置、半導体検査方法、半導体欠陥解析方法、半導体設計データ修正方法およびコンピュータ読み取り可能な記録媒体
US6891627B1 (en) 2000-09-20 2005-05-10 Kla-Tencor Technologies Corp. Methods and systems for determining a critical dimension and overlay of a specimen
US6691052B1 (en) * 2002-01-30 2004-02-10 Kla-Tencor Corporation Apparatus and methods for generating an inspection reference pattern
JP2003243470A (ja) * 2002-02-18 2003-08-29 Mitsubishi Electric Corp 異常検出システム、プログラムおよび記録媒体
JP2004012422A (ja) 2002-06-11 2004-01-15 Dainippon Screen Mfg Co Ltd パターン検査装置、パターン検査方法およびプログラム
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
US7769225B2 (en) 2005-08-02 2010-08-03 Kla-Tencor Technologies Corp. Methods and systems for detecting defects in a reticle design pattern
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
KR101195226B1 (ko) * 2005-12-29 2012-10-29 삼성전자주식회사 반도체 웨이퍼 분석 시스템
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US8213704B2 (en) 2007-05-09 2012-07-03 Kla-Tencor Corp. Methods and systems for detecting defects in a reticle design pattern
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US8041106B2 (en) 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
JP2010139317A (ja) * 2008-12-10 2010-06-24 Mitsubishi Materials Corp 軸物工具表面の欠陥検査方法および装置
JP2012026982A (ja) * 2010-07-27 2012-02-09 Panasonic Electric Works Sunx Co Ltd 検査装置
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
US8855400B2 (en) * 2012-03-08 2014-10-07 Kla-Tencor Corporation Detection of thin lines for selective sensitivity during reticle inspection using processed images
US9916653B2 (en) 2012-06-27 2018-03-13 Kla-Tenor Corporation Detection of defects embedded in noise for inspection in semiconductor manufacturing
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
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9183624B2 (en) * 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
CN103743486B (zh) * 2014-01-02 2015-12-02 上海大学 一种基于海量烟叶数据的自动定级系统和方法
JP6349804B2 (ja) * 2014-03-14 2018-07-04 オムロン株式会社 検査装置、検査方法、プログラムおよびその記録媒体
EP3155560B1 (en) * 2014-06-14 2020-05-20 Magic Leap, Inc. Methods and systems for creating virtual and augmented reality
CN104458755B (zh) * 2014-11-26 2017-02-22 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US10211025B2 (en) * 2015-08-12 2019-02-19 Kla-Tencor Corp. Determining a position of a defect in an electron beam image
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
TWI581213B (zh) * 2015-12-28 2017-05-01 力晶科技股份有限公司 物品缺陷檢測方法、影像處理系統與電腦可讀取記錄媒體
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100208979A1 (en) * 2009-02-16 2010-08-19 Kla-Tencor Corporation Use of design information and defect image information in defect classification
CN104850858A (zh) * 2015-05-15 2015-08-19 华中科技大学 一种注塑制品缺陷检测识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI861460B (zh) * 2021-05-05 2024-11-11 美商科磊股份有限公司 用於判定用於對一樣本執行之一程序中之一偏移之系統、非暫時性電腦可讀媒體及電腦實施方法

Also Published As

Publication number Publication date
IL258803B (en) 2021-03-25
CN108291878A (zh) 2018-07-17
JP6758397B2 (ja) 2020-09-23
US10186026B2 (en) 2019-01-22
CN108291878B (zh) 2020-05-19
IL258803A (en) 2018-06-28
KR20180071405A (ko) 2018-06-27
US20170140524A1 (en) 2017-05-18
TW201728897A (zh) 2017-08-16
WO2017087646A1 (en) 2017-05-26
SG11201803666WA (en) 2018-06-28
KR102416972B1 (ko) 2022-07-04
JP2018533748A (ja) 2018-11-15

Similar Documents

Publication Publication Date Title
TWI722050B (zh) 單一影像偵測
TWI735774B (zh) 基於輪廓之缺陷偵測
KR102321953B1 (ko) 다양한 모댈리티들로 획득된 이미지들의 정렬을 위한 학습 기반 접근 방식
CN111094952B (zh) 使用统一神经网络进行缺陷检测及分类的方法及系统
TWI723168B (zh) 用於自輸入影像產生經模擬影像之系統、電腦實施方法及非暫時性電腦可讀媒體
JP6893514B2 (ja) ハイブリッドインスペクタ
TWI711978B (zh) 用於執行針對樣本之功能之系統及電腦實施方法，以及電腦可讀媒體
TWI734724B (zh) 針對半導體應用由低解析度影像產生高解析度影像之系統、方法及非暫時性電腦可讀媒體
TWI731016B (zh) 用於半導體應用之以機器學習之模型為基礎之加速訓練
JP7603654B2 (ja) Ｓｅｍ画像をレンダリングし、３ｄデザインを用いて基板の欠陥撮像条件を予測するためのシステムと方法
TW202206800A (zh) 深度學習為基礎之缺陷偵測
JP2019537839A (ja) 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法
TW201802726A (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
TW201928541A (zh) 用於大型偏移晶粒對晶粒檢測之多步驟影像對準方法
CN117015850B (zh) 以经呈现设计图像进行的设计注意区域的分段
CN116802676A (zh) 用于使用芯片设计数据以改进光学检验及计量图像质量的方法
TWI907687B (zh) 基於半導體應用之語義圖像分割