[go: up one dir, main page]

TWI735774B - 基於輪廓之缺陷偵測 - Google Patents

基於輪廓之缺陷偵測 Download PDF

Info

Publication number
TWI735774B
TWI735774B TW107111562A TW107111562A TWI735774B TW I735774 B TWI735774 B TW I735774B TW 107111562 A TW107111562 A TW 107111562A TW 107111562 A TW107111562 A TW 107111562A TW I735774 B TWI735774 B TW I735774B
Authority
TW
Taiwan
Prior art keywords
learning
sample
based model
design
patterns
Prior art date
Application number
TW107111562A
Other languages
English (en)
Other versions
TW201903391A (zh
Inventor
艾潔 古普傑
摩漢 馬哈迪文
桑卡 梵卡泰若曼
海東 楊
勞倫特 卡森堤
耶爾 卡蒙
諾各 布爾基奇
烏迪 丹尼諾
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 TW201903391A publication Critical patent/TW201903391A/zh
Application granted granted Critical
Publication of TWI735774B publication Critical patent/TWI735774B/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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • 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
    • 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
    • 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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/564—Depth or shape recovery from multiple images from contours
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • 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
    • 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
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H10P74/203—
    • H10P74/23—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)

Abstract

本發明提供用於偵測形成於一樣品上之圖案中之缺陷之方法及系統。一個系統包含藉由一或多個電腦子系統執行之一或多個組件，且該(等)組件包含第一基於學習之模型及第二基於學習之模型。該第一基於學習之模型基於該樣品之一設計產生該等圖案之模擬輪廓，且該等模擬輪廓係藉由一成像子系統產生之該樣品之影像中之該等圖案之一無缺陷版本之預期輪廓。該第二基於學習之模型經組態用於產生形成於該樣品上之該等圖案之至少一個所獲取影像中之該等圖案之實際輪廓。該(等)電腦子系統經組態用於比較該等實際輪廓與該等模擬輪廓且基於該比較之結果偵測形成於該樣品上之該等圖案中之缺陷。

Description

基於輪廓之缺陷偵測
本發明大體上係關於用於偵測形成於一樣品上之圖案中之缺陷之方法及系統。
以下描述及實例不憑藉其等包含於此章節中而被認為係先前技術。 在一半導體製程期間之各個步驟使用檢測程序來偵測晶圓上之缺陷以驅動製程中之更高良率及因此更高利潤。檢測始終為製造半導體裝置之一重要部分。然而，隨著半導體裝置尺寸減小，檢測對於成功製造可接受半導體裝置變得更為重要，此係因為較小缺陷可引起裝置故障。 缺陷檢視通常涉及重新偵測本身由一檢測程序偵測之缺陷且使用一高放大率光學系統或一掃描電子顯微鏡(SEM)以一較高解析度產生關於缺陷之額外資訊。因此，在晶圓上之離散位置(其中已藉由檢測偵測缺陷)處執行缺陷檢視。藉由缺陷檢視產生之缺陷之較高解析度資料更適用於判定缺陷之屬性(諸如輪廓、粗糙度、更準確大小資訊等)。由於針對藉由檢測在晶圓上偵測之缺陷執行缺陷檢視，故可基於藉由檢測程序判定之缺陷屬性判定用於一經偵測缺陷之一位置處之缺陷檢視之參數。 在一半導體製造程序期間之各種步驟亦使用計量程序來監測且控制程序。計量程序與檢測程序不同之處在於，不同於其中在一晶圓上偵測缺陷之檢測程序，計量程序用於量測無法使用當前所使用之檢測工具判定之晶圓之一或多個特性。例如，計量程序用於量測一晶圓之一或多個特性，諸如在一程序期間形成於該晶圓上之特徵之一尺寸(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，若晶圓之一或多個特性係不可接受的(例如，在該(等)特性之一預定範圍之外)，則可使用該晶圓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晶圓具有(若干)可接受特性。 計量程序與缺陷檢視程序不同之處亦在於，不同於其中在缺陷檢視中重訪藉由檢測偵測之缺陷之缺陷檢視程序，可在未偵測到缺陷之位置處執行計量程序。換言之，不同於缺陷檢視，在一晶圓上執行一計量程序之位置可獨立於對晶圓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計量程序之位置。另外，由於可獨立於檢測結果選擇在晶圓上執行計量之位置，故不同於其中無法判定晶圓上待執行缺陷檢視之位置直至晶圓之檢測結果產生且可用於使用之缺陷檢視，可在已對晶圓執行一檢測程序之前判定執行計量程序之位置。 量測「關鍵」結構之臨界尺寸(CD)對監測當前及下一代節點(例如，7 nm及5 nm)之程序係至關重要的。「關鍵」之判定來自若干源，諸如密度及近接性、模擬、經驗及光學近接性校正(OPC)等之已知規則。然而，一SEM影像能夠無關於此等先驗而看到圖案保真度且可在明確無需此等先驗之情況下幫助識別未知「熱點」，此對於程序控制可為極其有價值的且亦潛在地開創用於圖案保真度之新特性化方法。 用於CD-SEM之當前使用之方法具有若干挑戰，諸如其等係緩慢的、其等需要仔細設定各位點及了解待量測之位點且需要沿下線進一步解譯其等結果。實質上快速檢視SEM之使用得到普及以涵蓋此保真度應用。另外，其容許消費者開發及使用其等自身之演算法解決方案，從而將此等平台簡化為「影像接受者」。因此，明確需要克服此等挑戰以實現使用者之充分圖案保真度監測。 典型CD量測應用包含數個模組。一個此模組係包含其中待進行CD量測之區域之識別及標記之所關注區(ROI)定義。另一此模組包含一選用設計呈現步驟，其包含自OPC前設計產生預期SEM輪廓。一額外模組包含邊緣提取，其包含自當前SEM影像產生邊緣及/或輪廓。一進一步此模組包含量測演算法，其包含比較經定義ROI內之預期「邊緣」與當前「邊緣」。 先前已進行涵蓋此等步驟之若干嘗試。此等先前嘗試之主要挑戰在於輪廓之試探性判定，此可因複雜圖案及圖案交叉而失敗。此等嘗試亦缺乏對成像條件之穩健性且需要對於雜訊影像及軟影像之參數調整。因此，若吾人將針對圖案保真度大體上探索任何隨機圖案，則任何方法皆必須儘可能多地克服此等限制。 對於圖案熱點偵測，當前使用之方法採用基於學習及非學習之方法(即，使用手工製作演算法)兩者。一些此等方法嘗試使用僅將CAD資料(無影像)作為輸入之基於學習之演算法且嘗試預測/分類一給定圖案是否為一熱點而偵測熱點。其他方法使用CAD及影像(SEM或光學)資料兩者且手動或使用手工製作特徵或基於學習之特徵來預測/分類一經偵測缺陷是否為一熱點。然而，此等方法皆不藉由報告基於使用者定義之臨限值精確判定一熱點所需之一CD度量而量化此等熱點。 用於熱點偵測之當前使用之方法具有數個缺點。例如，當前使用之方法不具有自動適應不同圖案類型(即，記憶體或邏輯)之靈活性。另外，當前使用之方法不具有對不同影像模態之一般化。在一額外實例中，當前使用之方法需要影像模態之手工製作(試探)模型以特性化圖案變動及偏差。在一進一步實例中，當前使用之方法不提供定量圖案特性化及熱點偵測。代替地，當前使用之方法報告來自一單照量測之整個視場之CD或其他圖案保真度度量。在又另一實例中，當前使用之方法不提供自然地處置OPC誤差而無需試探性地處置各類OPC誤差之能力。 因此，開發不具有上述缺點之一或多者之用於偵測形成於一樣品上之圖案中之缺陷之系統及方法將為有利的。
各種實施例之下列描述不應以任何方式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偵測形成於一樣品上之圖案中之缺陷之系統。該系統包含一成像子系統，該成像子系統包含至少一能量源及一偵測器。該能量源經組態以產生經引導至一樣品之能量。該偵測器經組態以自該樣品偵測能量且回應於該經偵測能量而產生影像。該系統亦包含經組態用於獲取形成於該樣品上之圖案之影像之一或多個電腦子系統。另外，該系統包含藉由該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第一基於學習之模型及一第二基於學習之模型。該第一基於學習之模型經組態用於藉由該一或多個電腦子系統基於輸入至該第一基於學習之模型之該樣品之一設計而產生該等圖案之模擬輪廓。該等模擬輪廓係藉由該成像子系統產生之該樣品之該等影像中之該等圖案之一無缺陷版本之預期輪廓。該第二基於學習之模型經組態用於藉由該一或多個電腦子系統產生輸入至該第二基於學習之模型之形成於該樣品上之該等圖案之該等所獲取影像之至少一者中之該等圖案之實際輪廓。該一或多個電腦子系統經組態用於比較該等實際輪廓與該等模擬輪廓且基於該比較之結果偵測形成於該樣品上之該等圖案中之缺陷。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偵測形成於一樣品上之圖案中之缺陷之電腦實施方法。該方法包含獲取藉由具有一或多個電腦子系統之一成像子系統所產生形成於一樣品上之圖案之影像。如上文描述般組態該成像子系統。該方法亦包含藉由該一或多個電腦子系統基於輸入至一第一基於學習之模型之該樣品之一設計而產生該等圖案之模擬輪廓。該等模擬輪廓係上文描述之模擬輪廓。另外，該方法包含藉由該一或多個電腦子系統產生輸入至一第二基於學習之模型之形成於該樣品上之該等圖案之該等所獲取影像之至少一者中之該等圖案之實際輪廓。藉由該一或多個電腦子系統執行一或多個組件。該一或多個組件包含該第一基於學習之模型及該第二基於學習之模型。該方法亦包含比較該等實際輪廓與該等模擬輪廓且基於該比較之結果偵測形成於該樣品上之該等圖案中之缺陷。藉由一或多個電腦系統執行該方法之步驟。 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，其儲存可在一電腦系統上執行以執行用於偵測形成於一樣品上之圖案中之缺陷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該等步驟。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。
如本文中使用之術語「設計」及「設計資料」通常係指一IC之實體設計(佈局)及透過複雜模擬或簡單幾何及布林運算(Boolean operation)自實體設計導出之資料。實體設計可儲存於一資料結構中，諸如一圖形資料串流(GDS)檔案、任何其他標準機器可讀檔案、此項技術中已知之任何其他適合檔案及一設計資料庫。一GDSII檔案係用於設計佈局資料之表示之一類檔案之一者。此等檔案之其他實例包含GL1及OASIS檔案及專屬檔案格式(諸如RDF資料)，其專屬於加利福尼亞州，米爾皮塔斯市(Milpitas)，KLA-Tencor。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/或其之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陳述引用之方式併入本文中。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、設計資料之導出物及完全或部分晶片設計資料。 在一些例項中，來自一晶圓或倍縮光罩之模擬或獲取影像可用作用於設計之一代理。影像分析亦可用作用於設計分析之一代理。例如，可自印刷於一晶圓及/或倍縮光罩上之一設計之一影像提取設計中之多邊形，假定以足夠解析度獲取晶圓及/或倍縮光罩之影像以使設計之多邊形充分成像。另外，本文中描述之「設計」及「設計資料」係指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任何實體晶圓上之前良好地用於本文中描述之實施例中之資訊及資料。 較佳地，如本文中使用之術語「設計」或「實體設計」係指如將理想地形成於晶圓上之設計。以此方式，本文中描述之一設計或實體設計較佳將不包含將不印刷於晶圓上之設計之特徵(諸如光學接近校正(OPC)特徵)，其等經新增至設計以增強將特徵印刷於晶圓上而不實際印刷其等自身。以此方式，在一些實施例中，用於本文中進一步描述之自動產生及自動判定步驟之樣品之設計不包含不會印刷於樣品上之設計之特徵。 本文中描述之一「設計」及「設計資料」可包含與形成於晶圓上之裝置之實體意圖相關之資料及資訊，其等可包含上文描述之設計及設計資料之各種類型之任一者。一「設計」及「設計資料」亦可或替代地包含與形成於晶圓上之裝置之電意圖相關之資料及資訊。此資訊及資料可包含(例如)接線對照表及SPICE命名法及/或一「註釋佈局」(例如，其中設計包含電接線對照表參數標記)。此資料及資訊可用於判定一佈局或晶圓影像之哪些部分在一或多個電子態樣中係關鍵的。 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偵測形成於一樣品上之圖案中之缺陷之系統。在一項實施例中，樣品包含一晶圓。在另一實施例中，樣品包含一倍縮光罩。晶圓及倍縮光罩可包含此項技術中已知之任何晶圓及倍縮光罩。 一般言之，本文中描述之實施例能夠使用深度學習進行穩健及一般化圖案保真度量測。例如，如本文中進一步描述，本文中描述之實施例提供資料驅動方法以自動特性化印刷於半導體晶圓及其他樣品上之圖案，同時忽略隨機程序雜訊。另外，本文中描述之實施例提供資料驅動、基於學習、一般化、定量圖案特性化方法，其一般可應用於自包含光學、掃描電子顯微鏡(SEM)等之不同種類之模態獲取之半導體影像。用於當前及下一代節點之半導體程序控制除了需要基於缺陷之程序控制之常規模式以外亦需要前所未有的圖案保真度監測。雖然臨界尺寸(CD) SEM提供對特定類型之結構進行量測之能力，但其等具有若干挑戰：(1)其等係相對緩慢的；(2)其等需要仔細設定各位點及了解待量測位點；及(3)需要下線進一步解譯其等結果。此外，在與SEM影像協作時存在的其他挑戰係散粒雜訊、充電、尾影及可擺脫標準影像處理方法或可需要試探法處理其等之軟邊緣。 本文中描述之實施例至少部分基於一基於深度學習之方法，其可使用設計作為一參考或另一晶粒作為一參考而大體上分析一SEM影像且傳回兩筆關鍵資訊：(1)離群點位置；及(2)相對偏差。此方法亦可提供OPC誤差中之定量回饋，其對於終端使用者可為實質上有用的。可預見，模型可跨層傳輸，藉此減少設定負擔(例如，由於不同模型無需針對不同樣品或程序層而產生)。實施例亦可使用一基於深度學習之分類模型以在具備OPC前設計剪輯時學習OPC後SEM輪廓。一深度學習模型亦可經訓練以自一SEM影像提取輪廓。此兩個模型有利地實現各種應用之快速、穩健CD量測。此方法建立於其他深度學習應用上且可與其他深度學習應用結合使用，諸如基於深度學習之設計輪廓呈現、基於深度學習之分類及基於深度學習之單一影像偵測。 本文中描述之實施例提出一種可依靠接收用於特性化圖案保真度之特定位置或更一般言之特性化一所關注區域(如一靜態隨機存取記憶體(SRAM)區域等)之圖案保真度之方法。本文中描述之實施例有利地克服試探及參數相依輪廓生成及與複雜圖案及圖案交叉相關聯之挑戰。本文中描述之實施例亦有利地解決在對精度、穩健性及易用性至關重要之設計呈現步驟及邊緣提取步驟期間觀察到的典型挑戰。 在圖1中展示此一系統之一項實施例。系統包含一成像子系統，該成像子系統包含至少一能量源及一偵測器。能量源經組態以產生經引導至一樣品之能量。偵測器經組態以自樣品偵測能量且回應於經偵測能量而產生影像。 在一項實施例中，經引導至樣品之能量包含光，且自樣品偵測之能量包含光。例如，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品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。例如，如圖1中展示，來自光源16之光被引導穿過光學元件18及接著穿過透鏡20至光束分離器21，光束分離器21按一法向入射角將光引導至樣品14。入射角可包含任何適當入射角，其可取決於例如樣品及待在樣品上偵測之缺陷之特性而變化。 照明子系統可經組態以在不同時間按不同入射角將光引導至樣品。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，成像子系統可經組態以移動光源16、光學元件18及透鏡20，使得光以一不同入射角引導至樣品。 在一些例項中，成像子系統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。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。 在另一實例中，照明子系統可包含僅一個光源(例如，圖1中展示之源16)且來自該光源之光可藉由照明子系統之一或多個光學元件(未展示)而分成不同光學路徑(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，藉由換掉光譜濾光器)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聚焦至光束分離器21。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可包含將來自光學元件之光組合地聚焦至樣品之若干折射及/或反射光學元件。圖1中展示且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)光譜濾光器、(若干)空間濾光器、(若干)反射光學元件、(若干)變跡器、(若干)光束分離器、(若干)孔徑及可包含此項技術中已知之任何此等適合光學元件之類似者。另外，系統可經組態以基於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掃描遍及樣品之一掃描子系統。例如，成像子系統可包含在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(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遍及樣品之某一掃描。可以任何適合方式使光掃描遍及樣品。 成像子系統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，該偵測器經組態以偵測歸因於藉由成像子系統所產生樣品之照明而來自樣品之光且回應於所偵測光產生輸出。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按不同收集角收集且偵測光。在一些例項中，一個偵測通道經組態以偵測鏡面反射光且另一偵測通道經組態以偵測並非自樣品鏡面反射(例如，散射、繞射等)之光。然而，兩個或兩個以上偵測通道可經組態以自樣品偵測相同類型之光(例如，鏡面反射光)。雖然圖1展示包含兩個偵測通道之成像子系統之一實施例，但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兩個以上偵測通道)。雖然在圖1中將集光器之各者展示為單折射光學元件，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)及延時積分(TDI)相機。偵測器亦可包含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)但不可經組態以偵測依據成像平面內之位置而變化之此等特性。因而，由包含於量測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(諸如系統之電腦子系統36)可經組態以自偵測器之非成像輸出產生樣品之影像。然而，在其他例項中，偵測器可經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，系統可經組態以依數種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於本文中描述之系統實施例中之一成像子系統之一組態。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通常執行般最佳化系統之效能。另外，可使用諸如商業上可購自KLA-Tencor之SpectraShape系列工具及Archer系列工具之一現有成像系統(例如，藉由將本文中描述之功能性新增至一現有成像系統)實施本文中描述之系統。對於一些此等系統，本文中描述之方法可提供為成像系統之選用功能性(例如，除了系統之其他功能性之外)。替代地，可「從頭開始」設計本文中描述之成像子系統以提供一全新系統。 系統之電腦子系統36可以任何適合方式(例如，經由一或多個傳輸媒體，該一或多個傳輸媒體可包含「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品之掃描期間由偵測器產生之輸出。電腦子系統36可經組態以使用如本文中描述之偵測器之輸出執行數個功能及本文中進一步描述之任何其他功能。可如本文中描述般進一步組態此電腦子系統。 此電腦子系統(以及本文中描述之其他電腦子系統)在本文中亦可被稱為(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。一般言之，術語「電腦系統」可經廣泛定義以涵蓋具有執行來自一記憶體媒體之指令之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)電腦子系統或系統可包含具有高速處理及軟體之一電腦平台(作為一獨立工具或一網路工具)。 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，使得可如本文中進一步描述般在該等電腦子系統之間發送影像、資料、資訊、指令等。例如，電腦子系統36可藉由可包含此項技術中已知之任何適合有線及/或無線傳輸媒體之任何適合傳輸媒體耦合至(若干)電腦子系統102 (如由圖1中之虛線所展示)。兩個或兩個以上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)而有效耦合。 雖然成像子系統在上文描述為一光學或基於光之成像子系統，但該成像子系統可為一基於電子束之成像子系統。例如，在一項實施例中，引導至樣品之能量包含電子，且自樣品偵測之能量包含電子。以此方式，能量源可為一電子束源。在圖2中展示之一項此實施例中，成像子系統包含耦合至(若干)電腦子系統124之電子柱122。 亦如圖2中展示，電子柱包含經組態以產生由一或多個元件130聚焦至樣品128之電子之電子束源126。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、一限束孔徑、一閘閥、一束電流選擇孔徑、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。 自樣品返回之電子(例如，二次電子)可藉由一或多個元件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，該掃描子系統可為包含於(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之任何其他適合元件。另外，可如2014年4月4日頒予Jiang等人之美國專利第8,664,594號、2014年4月8日頒予Kojima等人之美國專利第8,692,204號、2014年4月15日頒予Gubbens等人之美國專利第8,698,093號及2014年5月6日頒予MacDonald等人之美國專利第8,716,662號中描述般進一步組態電子柱，該等專利以宛如全文陳述引用的方式併入本文中。 雖然電子柱在圖2中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，但應瞭解，電子束可以任何適合角引導至樣品且自樣品散射。另外，基於電子束之成像子系統可經組態以使用多個模式來產生樣品之影像(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個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，(若干)電腦子系統124可耦合至偵測器134。偵測器可偵測自樣品之表面返回之電子，藉此形成該樣品之電子束影像。電子束影像可包含任何適合電子束影像。(若干)電腦子系統124可經組態以使用偵測器之輸出及/或電子束影像執行本文中描述之任何功能。(若干)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。可如本文中描述般進一步組態包含圖2中展示之成像子系統之一系統。 應注意，本文中提供圖2以大體上繪示可包含於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系統時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eDR-xxxx系列之工具之一現有計量或高解析度缺陷再檢測系統(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，本文中描述之方法可提供為系統之選用功能性(例如，除系統之其他功能性之外)。替代地，可「從頭開始」設計本文中描述之系統以提供一全新系統。 雖然成像子系統在上文描述為一基於光或基於電子束之成像子系統，但該成像子系統可為一基於離子束之成像子系統。可如圖2中展示般組態此一成像子系統，惟可使用此項技術中已知之任何適合離子束源替換電子束源除外。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)系統中之成像子系統。 如上文提及，成像子系統經組態用於使能量(例如，光或電子)掃描遍及樣品之一實體版本，藉此產生樣品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」工具而非一「虛擬」工具。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」工具。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品之實體版本之任何能力。換言之，在組態為虛擬工具之工具中，其之一或多個「偵測器」之輸出可為先前由一實際工具之一或多個偵測器產生且儲存於虛擬工具中之輸出，且在「掃描」期間，虛擬工具可如同掃描晶圓般播放所儲存輸出。以此方式，使用一虛擬工具掃描樣品可看似相同於一實際工具掃描一實體樣品，而實際上，「掃描」涉及以相同於可掃描樣品相同之方式播放樣品之輸出。在共同受讓之以下專利中描述組態為「虛擬」檢測工具之系統及方法：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，該等專利以宛如全文陳述引用的方式併入本文中。可如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。另外，可如上文引用之Duffy之專利中描述般執行將一或多個虛擬系統組態為一中央計算及儲存(CCS)系統。本文中描述之永久儲存機構可具有分散式計算及儲存架構(諸如CCS架構)，但本文中描述之實施例不限於該架構。 如上文進一步提及，成像子系統可經組態以使用多種模式產生樣品之影像。一般言之，一「模式」可藉由用於產生一樣品之影像之成像子系統之參數值或用於產生樣品之影像之輸出定義。因此，不同之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，在一基於光學之成像子系統之一項實施例中，多種模式之至少一者使用用於照明之光之至少一個波長，其不同於用於多種模式之至少一其他者之照明之光之至少一個波長。該等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，其不同於用於多種模式之至少一其他者之成像子系統之一照明通道。例如，如上文提及，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，系統組態為一檢測工具。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工具。以此方式，在一些實施例中，藉由一檢測工具產生本文中描述之深度學習模型之影像輸入。在另一實施例中，系統組態為一計量工具。例如，本文中描述之光學及電子束成像子系統可組態為計量工具。在一進一步實施例中，系統組態為一缺陷檢視工具。例如，本文中描述之光學及電子束成像子系統可經組態用於缺陷檢視應用。特定言之，在本文中描述且在圖1及圖2中展示之成像子系統之實施例可取決於其等將用於之應用而在一或多個參數上修改以提供不同成像能力。在一個此實例中，圖1中展示之成像子系統可經組態以具有一更高解析度(若其用於計量而非用於檢測)。換言之，圖1及圖2中展示之成像子系統之實施例描述用於可以熟習此項技術者將明白之數種方式定製之一成像子系統之一些一般及各種組態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子系統。 一或多個電腦子系統經組態用於獲取藉由本文中描述之一成像子系統產生之形成於樣品上之圖案之影像。可使用本文中描述之成像子系統之一者執行(例如，藉由分別將光或一電子束引導至樣品且自樣品偵測光或一電子束)獲取影像。以此方式，可使用實體樣品自身及某種成像硬體來執行獲取影像。然而，獲取影像不必包含使用成像硬體來使樣品成像。例如，另一系統及/或方法可產生影像且可將所產生影像儲存於一或多個儲存媒體(諸如如本文中描述之一虛擬檢測系統或本文中描述之另一儲存媒體)中。因此，獲取影像可包含自已儲存影像之儲存媒體獲取影像。 形成於樣品上之圖案可包含可形成於本文中描述之任何樣品(例如，一倍縮光罩及晶圓)上之任何圖案。例如，儘管在本文中描述之圖中展示形成於一樣品上之圖案之影像之一些實例，但該等實例不意謂任何實際圖案之限制性實例或特定實例。形成於樣品上之圖案可包含不同類型之圖案，諸如線、空間、規則及不規則多邊形、接觸件等。另外，形成於樣品上之圖案可形成於不同層類型(例如，一金屬層、一互連層等)上。此外，形成於樣品上之圖案可在任何適合製程中形成，諸如微影程序、蝕刻程序、化學機械拋光程序等。換言之，本文中描述之實施例不限於可針對其等執行本文中描述之步驟之任何特定圖案。 系統亦包含藉由一或多個電腦子系統執行之一或多個組件。藉由(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)執行之(若干)組件(例如，圖1中展示之(若干)組件100)包含第一基於學習之模型104及第二基於學習之模型106。第一基於學習之模型經組態用於藉由一或多個電腦子系統基於輸入至第一基於學習之模型之樣品之一設計而產生圖案之模擬輪廓，且模擬輪廓係藉由成像子系統產生之樣品之影像中之圖案之一無缺陷版本之預期輪廓。第二基於學習之模型經組態用於藉由一或多個電腦子系統產生輸入至第二基於學習之模型之形成於樣品上之圖案之所獲取影像之至少一者中之圖案之實際輪廓。第一學習模型104及第二學習模型106可具有本文中進一步描述之組態之一者且可經組態用於分別產生模擬輪廓及實際輪廓，如本文中描述。 模擬輪廓係「預期輪廓」，因為其等針對在圖案以一標稱或無缺陷方式形成於樣品上之情況下輪廓預期將如何出現在藉由本文中描述之一成像子系統產生之一樣品之(若干)影像中而模擬。換言之，若輸入至第一基於學習之模型之設計形成於樣品上而在其中未形成任何缺陷且接著藉由成像子系統成像，則藉由成像子系統產生之影像中之圖案將具有「預期輪廓」。因此，「模擬輪廓」近似計算、模擬或估計輪廓將如何出現在設計以一無缺陷方式形成於其上之一樣品之影像中。因而，產生模擬輪廓(若其以一試探或確定方式進行)將需要考量在樣品上形成圖案化特徵以及藉由成像子系統所產生樣品之成像兩者。 出於數種原因，在一設計中之圖案化特徵將出現在該設計形成於其上之一樣品之一影像中時針對圖案化特徵產生模擬輪廓並非一簡單及容易的任務。例如，歸因於用於形成一樣品上之結構且接著使樣品成像之工具、材料及程序之固有限制，該等結構在其等包含於設計中時未必出現在樣品之影像中。在一個此實例中，代替具有尖銳90度隅角之圖案，圖案將具有至少某種程度修圓隅角。另外，結構之任一者可具有尺寸(諸如跨結構之各個點處之寬度)變動。例如，相較於跨圖案之多個點處之圖案之設計特性，圖案可具有一些線寬變動。通常，(若干)製程及(若干)成像程序對圖案化特徵之一設計之效應歸因於所涉及之許多變量及該等變量可隨樣品及/或時間漂移之方式以及可影響針對圖案產生之影像之其他各種可能雜訊源而難以模型化。然而，本文中描述之實施例提供用於產生模擬輪廓之更簡單及/或更穩健方式，其等可用於產生模擬輪廓之更精確估計。 如本文中使用之術語「實際輪廓」意在經定義為圖案化特徵在其等出現於藉由一成像子系統產生之樣品之影像中時之輪廓。以此方式，不同於「預期輪廓」，「實際輪廓」係在實際上形成於樣品之一實體版本上之圖案化特徵出現在使用樣品之實際版本產生之實際影像中時針對該等圖案化特徵產生之輪廓。「實際輪廓」可因此在本文中亦稱為「經提取輪廓」，因為「實際輪廓」係自樣品之實體版本之實際影像提取。 在一項實施例中，第一基於學習之模型及第二基於學習之模型係基於深度學習之模型。以此方式，本文中描述之實施例提供用於半導體檢測、計量之新特徵以及包含基於深度學習之設計輪廓呈現及自SEM及其他影像之基於深度學習之輪廓提取之其他工具。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由多個線性及非線性變換構成之多個處理層。 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製作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。 在另一實施例中，第一及/或第二基於學習之模型係機器學習模型。機器學習可大體上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一種類型之人工智能(AI)。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定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頁中描述般進一步執行本文中描述之機器學習，該等專利以宛如全文陳述引用之方式併入本文中。可如在此等參考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，第一及/或第二基於學習之模型經組態為生成模型。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」模型並非執行前向模擬或基於規則之方法之模型。代替地，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)。在一項實施例中，第一及/或第二基於學習之模型經組態為深度生成模型。例如，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。 在另一實施例中，第一及/或第二基於學習之模型經組態為神經網路。在一進一步實施例中，第一及/或第二基於學習之模型經組態為各具有一組權重之深度神經網路，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，且信號路徑自前部橫越至後部。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合架構及/或組態。 在一項實施例中，第一及/或第二基於學習之模型經組態為AlexNet。例如，一AlexNet包含其後接著數個完全連接層(例如，3)之數個廻旋層(例如，5)，其等組合地經組態且經訓練以對影像分類。在Krizhevsky等人之「ImageNet Classification with Deep Convolutional Neural Networks」，NIPS 2012 (其以宛如全文陳述引用的方式倂入本文中)中描述組態為AlexNet之神經網路之實例。可如在此參考中描述般進一步組態本文中描述之模型。 在另一此實施例中，第一及/或第二基於學習之模型經組態為GoogleNet。例如，一GoogleNet可包含諸如廻旋、匯集及完全連接層之層，諸如本文中進一步描述為經組態及訓練以分類影像之層。雖然GoogleNet架構可包含相對高數目個層(尤其相較於本文中描述之一些其他神經網路)，但一些層可並行操作，且彼此並行運作之層群組通常被稱為檢測模組。其他層可循序操作。因此，GoogleNet與本文中描述之其他神經網路之不同之處在於並非所有層皆配置成一循序結構。在Szegedy等人之「Going Deeper with Convolutionss」，CVPR 2015 (其以宛如全文陳述引用的方式倂入本文中)中描述組態為GoogleNet之神經網路之實例。可如在此參考中描述般進一步組態本文中描述之模型。 在一進一步此實施例中，第二基於學習之模型具有一VGG網路架構。例如，藉由增大廻旋層之數目同時固定架構之其他參數而產生VGG網路。藉由在所有層中使用實質上小廻旋濾波器可新增廻旋層以增大深度。如同本文中描述之一些其他神經網路，產生且訓練VGG網路以對影像分類。VGG網路亦包含其後接著完全連接層之廻旋層。在Simonyan等人之「Very Deep Convolutional Networks for Large-Scale Image Recognition」，ICLR 2015年中描述經組態為VGG之神經網路之實例，該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之模型。 在另一實施例中，第二基於學習之模型經組態為一整體嵌套邊緣偵測模型(holistically-nested edge detection model)。邊緣提取係判定CD量測之精度及穩健性之一至關重要的步驟。可在設定可針對穩健性及雜訊處置調整之參數之後執行此步驟。當前使用之方法亦努力處置複雜及交叉圖案。在本文中描述之實施例中，稱為整體嵌套邊緣偵測之一基於深度學習之方法可用於預測一樣品影像所提供之輪廓。此深度學習方法可擴展至新層，且使用者將僅需幾個例示性影像以「教示」模型何為一新層上之一輪廓。 以此方式，可使用(若干)整體嵌套邊緣偵測(HED)演算法執行基於深度學習之SEM影像輪廓生成以自SEM影像提取輪廓。使用此(等)演算法預期克服當前使用之輪廓演算法之挑戰。在此(等)演算法中，在廻旋層之後插入側輸出層。將深度監督加諸於各側輸出層處，從而導引側輸出朝向具有所要特性之邊緣預測。HED之輸出係多標度及多位準的，其中側輸出平面大小變小且接受域大小變大。新增一個加權融合層以自動學習如何組合來自多個標度之輸出。可用多個誤差傳播路徑訓練整個網路。(若干) HED演算法已展示對可用於此項技術中之BSDS500資料集之最先進邊緣提取效能。亦示範對SEM資料之極佳邊緣提取效能。可如藉由Xie等人在「Holistically Nested Edge Detection」，arXiv:1504.06375v2，2015年10月4日，10頁(其以宛如全文陳述引用的方式倂入本文中)中描述般進一步組態本文中描述之整體嵌套邊緣偵測模型。可如在此公開案中描述般進一步組態本文中描述之實施例。另外，第二基於學習之模型可經組態用於使用具有單一融合輸出之一VGG網路架構(其可如本文中進一步描述般組態)之前5個級(1、2、4、8及16之步幅)之多標度邊緣偵測。 在一些此等實施例中，第一及/或第二基於學習之模型經組態為深度殘餘網路。例如，如同本文中描述之一些其他網路，一深度殘餘網路可包含其後接著完全連接層之廻旋層，其等組合地經組態且經訓練用於影像分類。在一深度殘餘網路中，層經組態以參考層輸入學習殘餘功能而非學習未引用功能。特定言之，代替希望各若干堆疊層直接擬合一所要底層映射，明確容許此等層擬合一殘餘映射，其由具有捷徑連接之前饋神經網路實現。捷徑連接係略過一或多個層之連接。可藉由獲取包含廻旋層之一普通神經網路結構且插入捷徑連接而產生一深度殘餘網，其藉此獲取普通神經網路且將其轉變為其殘餘學習對應物。在He等人之「Deep Residual Learning for Image Recognition」，NIPS 2015年中描述深度殘餘網之實例，該案以宛如全文陳述引用之方式併入本文中。可如此參考案中描述般進一步組態本文中描述之深度學習模型。 在一進一步此實施例中，第一及/或第二基於學習之模型包含一或多個完全連接層。一「完全連接層」可大體上定義為其中各節點連接至先前層中之各節點之一層。(若干)完全連接層可基於藉由(若干)廻旋層提取之特徵執行分類，其可如本文中進一步描述般組態。(若干)完全連接層經組態用於特徵選擇及分類。換言之，(若干)完全連接層自一特徵圖選擇特徵且接著基於選定特徵對(若干)影像中之性質分類。選定特徵可包含特徵圖中之所有特徵(若適當)或僅特徵圖中之一些特徵。 在一些實施例中，藉由第一及/或第二基於學習之模型判定之資訊包含藉由第一及/或第二基於學習之模型提取之影像之特徵。在一項此實施例中，第一及/或第二基於學習之模型包含一或多個廻旋層。(若干)廻旋層可具有此項技術中已知之任何適合組態且通常經組態以藉由使用一或多個濾波器將一廻旋函數應用至一輸入影像而判定依據跨影像(即，一特徵圖)之位置而變化之影像之特徵。在一項實施例中，第一基於學習之模型(或第一基於學習之模型之至少一部分)經組態為一廻旋神經網路(CNN)。例如，第一基於學習之模型可經組態為用以提取局部特徵之一CNN，其通常係廻旋層及匯集層之堆疊。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。第一基於學習之模型可具有此項技術中已知之任何CNN組態或架構。一或多個匯集層亦可具有此項技術中已知之任何適合組態(例如，最大匯集層)且通常經組態用於減少藉由一或多個廻旋層產生之特徵圖之維數同時維持最重要特徵。 在一進一步實施例中，第一基於學習之模型經組態為使用變分自動編碼器之一深度生成模型。例如，本文中描述之實施例可使用使用變分自動編碼器(VAE)之一深度生成模型而非其他設計呈現方法(其等係辨別方法)。此一第一基於學習之模型容許新增不確定性連同設計輪廓生成，此繼而將進一步改良對假肯定之穩健性。一變分自動編碼器係採用深度學習及變分推斷之優點之一組件且導致生成模型化之顯著進展。另外或替代地，可如在Makhzani等人之「Adversarial Autoencoders」，arXiv:1511.05644v2，2016年5月25日，16頁(其以宛如全文陳述引用的方式倂入本文中)中描述般組態與一生成對抗網路(GAN)或一深度生成對抗網路(DGAN)組合之一變分自動編碼器(VAE)。可如在此參考中描述般進一步組態本文中描述之實施例。 藉由第一及/或第二基於學習之模型判定之特徵可包含本文中進一步描述或此項技術中已知之可自本文中描述之輸入推斷(且可能用於產生本文中進一步描述之其他輸出)之任何適合特徵。例如，特徵可包含每像素強度值之一向量。特徵亦可包含本文中描述之任何其他類型之特徵，例如，純量值向量、獨立分佈向量、聯合分佈或此項技術中已知之任何其他適合特徵類型。 可如在以下專利中描述般進一步組態第一及第二基於學習之模型：Zhang等人在2017年5月25日發表之美國專利申請公開案第2017/0148226號；Zhang等人發表之2017/0193680；Bhaskar等人在2017年7月6日發表之2017/0194126；Bhaskar等人在2017年7月13日發表之2017/0200260；Bhaskar等人在2017年7月13日發表之2017/0200265；Zhang等人在2017年11月30日發表之2017/0345140；及Zhang等人在2017年9月1日申請之美國專利申請案第15/694,719號及He等人在2017年9月6日申請之15/697,426，其等以宛如全文陳述引用的方式倂入本文中。可在此等公開案及專利申請案中描述般進一步組態本文中描述之實施例。 在一項實施例中，輸入至第一基於學習之模型之設計不包含不會印刷於樣品上之設計之特徵。換言之，輸入至第一基於學習之模型之設計之特徵可為OPC前特徵及/或不包含影響特徵如何印刷於樣品上但自身未印刷於樣品上之方式之設計之任何OPC特徵之設計。將OPC前設計精確呈現為類SEM輪廓可用複雜模擬執行但需要許多計算且需要使參數正確。代替地，若用一基於學習之迴歸模型(諸如學習如何自OPC前設計剪輯呈現設計輪廓之本文中進一步描述之模型之一者)執行設計至SEM呈現，則結果係極佳的且可按初始訓練設定之一相對低成本完成。呈現接著提供參考輪廓以用於識別圖案保真度之離群點，此可如本文中進一步描述般執行。 在一項實施例中，第一基於學習之模型及第二基於學習之模型可適應不同圖案類型。在另一實施例中，第一基於學習之模型及第二基於學習之模型可適應不同圖案密度。在一額外實施例中，第一基於學習之模型及第二基於學習之模型可適應不同層類型中之圖案。在一進一步實施例中，第一基於學習之模型及第二基於學習之模型可適應藉由成像子系統以一或多個不同成像參數產生之影像。例如，本文中描述之模型係穩健且一般化至各種圖案類型、圖案密度、層類型(記憶體或邏輯)及影像模態(光學、SEM、x射線等)。 不同圖案類型可包含具有不同多邊形形狀之圖案、對應於形成於樣品上之裝置之不同特徵之圖案等。不同圖案密度可包含相對稀疏特徵及相對密集特徵且可藉由一給定區域中之特徵之所計算密度定量地定義。不同層類型可包含相同樣品上之不同層類型(例如，不同層疊置地形成於一晶圓上)及/或形成於不同樣品上之不同層類型(例如，其中裝置經製造於具有第一層類型之一個樣品上及具有第二層類型之另一樣品上)。一或多個不同成像參數可包含共同定義一成像子系統之一成像模式之本文中描述之成像參數之任一者。另外，如上文描述，該等模型可適應不同影像模態。因此，一或多個不同成像參數可包含光學成像參數及電子束(或其他非光學)成像參數。 在一個此實例中，可藉由本文中描述之基於學習之模型在學習微影/蝕刻程序之後實質上精確地呈現設計輪廓，接著可比較該等設計輪廓與影像輪廓以便標記如本文中進一步描述之潛在OPC誤差。可在標稱圖案(即，不具有OPC誤差之圖案)之相對大數目個影像可用於訓練第一基於學習之模型時訓練該第一基於學習之模型，使得其藉此「學習」微影/蝕刻程序及成像程序。對於新層，可將新實例新增至用於訓練第一基於學習之模型之訓練集，且可執行使用來自現有模型之初始權重及/或其他參數從頭開始重新訓練第一基於學習之模型或精細調諧第一基於學習之模型。精細調諧意謂自一預先存在經訓練模型載入模型參數之初始值，且使用新訓練影像重新訓練模型參數。精細調諧通常有利地需要少於從頭開始訓練之影像。可執行類似步驟以針對不同圖案類型、圖案密度、(若干)成像參數等訓練第一基於學習之模型。第二基於學習之模型可以一類似方式適應此等變動。可如本文中進一步描述般訓練第一基於學習之模型及第二基於學習之模型。 一或多個電腦子系統經進一步組態用於比較實際輪廓與模擬輪廓且基於比較之結果偵測形成於樣品上之圖案中之缺陷。例如，如圖3中展示，一或多個電腦子系統可經組態用於輪廓之設計呈現(如步驟300中展示)，此可如本文中進一步描述般執行。另外，如圖3中展示，一或多個電腦子系統可經組態用於影像輪廓提取(如步驟302中展示)，此可如本文中進一步描述般執行。此外，如圖3中展示，(若干)電腦子系統可經組態用於比較自所呈現設計判定之輪廓與自影像提取之輪廓以用於在步驟304中進行圖案保真度偵測。 比較實際輪廓與模擬輪廓可包含將實際輪廓對準至模擬輪廓。例如，包含於所呈現設計及影像兩者中之設計之一或多個特徵可經識別為適合於對準(例如，基於其等相對於其他附近/周圍圖案之獨特性及基於使其等適合於在x及/或y中對準之其等特性)。接著可在(若干)特徵出現在所呈現設計及影像中時使用該等特徵對準所呈現設計及影像。接著可使用(1)經對準所呈現設計與影像；(2)針對所呈現設計判定之輪廓與所呈現設計；及(3)自影像提取之輪廓與影像自身之間的空間關係以將自所呈現設計判定之輪廓對準於自影像提取之輪廓。可針對每一影像圖框或工作(將比較其輪廓與模擬輪廓)執行對準或可針對少於所有影像圖框或工作執行對準(例如，當對準結果(諸如針對一個影像圖框或工作判定之一對準偏移)可用於對準其他影像圖框或工作時)。可如頒予Kulkarni等人之專利(其以宛如全文陳述引用的方式倂入本文中)中描述般進一步執行對準所呈現設計與影像。可如在此專利中描述般進一步組態本文中描述之實施例。 一旦對準輪廓，便可比較該等輪廓。在一項實施例中，比較之結果包含基於實際輪廓與模擬輪廓之間的差異所判定之設計中之圖案之一第一者與形成於樣品上之圖案之所獲取影像之至少一者中之圖案之第一者之尺寸之間的定量差異，且偵測缺陷包含將一臨限值應用至尺寸之間的定量差異。在一個此例項中，比較包含在一逐像素基礎上比較輪廓之位置且判定輪廓之位置之差異。該等差異接著可用於判定圖案之尺寸之間的定量差異。偵測缺陷接著可包含將一臨限值應用至定量差異。具有高於臨限值一差異之圖案可經識別為缺陷，而不具有高於臨限值之一差異之圖案可不被識別為缺陷。以此方式，藉由(若干)電腦子系統偵測到之缺陷可為圖案保真度缺陷(即，相對於其他缺陷(諸如外來微粒及污染、刮擦及其他標記等)之圖案化特徵自身中之缺陷)。 在另一實施例中，比較之結果包含所獲取影像之至少一者中之圖案之各者之像素之各者之實際輪廓與模擬輪廓之間的定量差異。例如，半導體製造通常需要相對於預期設計之一相對高保真度圖案特性化量測。本文中描述之實施例能夠在一單照中執行相對大區域量測(極像一偵測演算法)，惟其傳回各像素之定量量測除外。可針對像素之各者判定實際輪廓與模擬輪廓之間的定量差異，如本文中進一步描述。此外，由於本文中描述之實施例可判定圖案之各者中之各像素之輪廓之間的差異，故實施例可用於自動標記可用作CD量測之目標區域之整個視場內之潛在缺陷(僅圖案缺陷)位置(藉此無需其中進行量測之預定所關注區)。 本文中描述之實施例亦可經組態用於判定個別特徵、特徵之某部分、相同類型之特徵之多個例項等之臨界尺寸均勻性。可以此項技術中已知之任何適合方式判定CDU。另外，本文中描述之實施例可用於邏輯CDU使用案例。例如，邏輯CDU使用案例有時包含諸如已知熱點處之量測、區域檢測-圖案保真度量測及缺陷偵測與量測之步驟。以此方式，本文中描述之實施例可用於區域檢測-圖案保真度量測步驟中。 以此方式，本文中描述之實施例提供用於半導體檢測、計量之新特徵，及包含一基於輪廓之缺陷偵測方法及系統之其他工具。基於輪廓之圖案保真度偵測不同於在用於圖案保真度偵測之其他方法中執行之其他比較。例如，在所呈現影像與目標影像之比較中，可比較自設計呈現之一影像與自一實體樣品產生之一影像，且比較之結果可用於圖案保真度偵測。在另一實例中，在設計與資料庫類型之比較中，可比較一設計剪輯與形成於一實體樣品上之對應於設計剪輯之設計之部分之一影像，且比較之結果可用於圖案保真度偵測。 相比之下，在基於輪廓之圖案保真度偵測中，比較自設計呈現判定之輪廓與自針對一實體樣品產生之影像提取之輪廓，且比較之結果可用於圖案保真度偵測。因此，不同於上文描述之其他方法，基於輪廓之方法不涉及比較一模擬影像與一實際影像及/或比較一設計剪輯與一實際影像。代替地，本文中描述之實施例涉及比較自設計呈現判定之輪廓與自一樣品之影像判定之輪廓以藉此偵測形成於樣品上之圖案中之缺陷。此外，比較一模擬影像與一實際影像及比較一設計之一部分與一實際影像涉及使影像彼此比較或比較設計與影像，此不同於其中使特性(即，影像中之圖案之輪廓)彼此比較之本文中描述之比較。換言之，在本文中描述之比較中，影像自身不彼此比較或不與一設計比較。代替地，自影像導出之圖案化特徵之特性與設計彼此比較。基於輪廓之方法提供用於圖案保真度偵測之一定量度量。另外，如本文中進一步描述，基於輪廓之方法可用於識別設計中之熱點。 本文中描述之實施例亦提供具有以下益處之單晶粒量測解決方案。例如，由於設計呈現輪廓及因此設計被用作參考，所以本文中描述之實施例可偵測硬重複項(即，發生在一樣品上之每一晶粒中之重複項)。另外，本文中描述之實施例提供相較於用於提取參考輪廓之晶粒對晶粒方法之處理能力益處。此外，本文中描述之實施例無需參考輪廓之一參考晶粒。特定言之，憑藉一參考晶粒方法，可難以在一些高度缺陷晶圓或具有零程序窗之一些程序窗限定(PWQ)晶圓上找到一良好標稱參考晶粒。 在一些實施例中，一或多個電腦子系統經組態用於基於所偵測缺陷偵測設計中之熱點。例如，本文中描述之實施例能夠識別其中印刷圖案顯著不同於預期設計之「熱點」。特定言之，本文中描述之實施例可比較SEM與使用基於學習之模型判定之設計輪廓以供熱點圖案量化。本文中描述之實施例容許超出標準微影熱點之一般化熱點發現方法。 「熱點」可大體上經定義為當印刷於一樣品上時比一設計中之其他位置更易具有缺陷之設計中之位置。例如，隨著用於在一樣品上形成圖案化特徵之一製程之參數漂移遠離標稱值(即，朝向程序窗之邊緣)，缺陷可在出現在樣品上之其他位置之前出現在樣品上之「熱點」之位置處。因此，識別一設計中之熱點使得更密切地監測一樣品上之對應位置之缺陷可為有利的，此可實現一程序問題之早期偵測。在一些例項中，將熱點識別為在形成於一樣品上之圖案化特徵中偵測到之任何缺陷之任何位置可為有利的(例如，取決於用於偵測缺陷之臨限值及/或用以將設計印刷於樣品上之程序參數)。接著可在檢測愈來愈多樣品時修改熱點(例如，在熱點未一致展現缺陷時刪除熱點且在發現新熱點時新增熱點)。另外，由於可如本文中描述般藉由比較自樣品影像提取之輪廓與自設計呈現之輪廓而識別熱點，故本文中描述之輪廓比較將不經受其中硬重複項因其等發生在彼此比較之兩個例項中而無法偵測到(在相同晶粒內位置之各者、相同倍縮光罩內位置之各者等處重複之缺陷)之晶粒對晶粒方法之缺點。亦可藉由將某臨限值應用至缺陷而識別熱點(例如，將大於某臨限值之缺陷識別為熱點)。 在一項實施例中，一或多個電腦子系統經組態用於使用一訓練資料集訓練第一基於學習之模型，該訓練資料集包含用於至少一個訓練樣品之至少一個訓練設計之不同部分及使用一真實數據方法(ground truth method)自至少一個訓練樣品之訓練影像提取之對應輪廓資訊。例如，在訓練期間，一樣品之影像(例如，SEM影像)可用影像中之特徵之輪廓加以註釋(例如，藉由一使用者或一真實數據方法)。註釋可產生二進位真實數據影像。輪廓真實數據可來自使用者或使用現有邊緣提取演算法或兩者之一組合。註釋係手動標記真實數據或對使用現有邊緣提取演算法提取之邊緣進行修整。該等註釋影像及/或影像中之特徵之真實數據輪廓資訊可與用於其中訓練一設計呈現模型(即，第一基於學習之模型)之設計呈現訓練之特徵之對應設計資訊結合使用。 訓練資料集可包含至少一個訓練設計之任何適合數目個部分。至少一個訓練設計可包含多個類似設計(例如，用於相同層及相同裝置類型之設計)或多個不同設計(例如，任何類型之設計)。至少一個訓練設計亦可包含將使用藉由第一基於學習之模型產生之模擬輪廓檢測之樣品之設計。至少一個訓練樣品可為具有與將經檢測之樣品相同之層類型之一樣品，但其他樣品類型亦可用作(若干)訓練樣品。訓練影像可使用本文中描述之(若干)成像子系統之任一者獲取且通常將包含藉由(若干)成像子系統針對(若干)訓練樣品之(若干)實體版本產生之實際影像。 在一個此實例中，如圖4中展示，設計呈現400可包含兩個不同階段：訓練402及推斷404。在訓練402期間，可將設計406及影像輪廓真實數據408輸入至未經訓練之第一基於學習之模型410。可更改未經訓練之第一基於學習之模型之一或多個參數直至藉由未經訓練之第一基於學習之模型針對設計406產生之模擬輪廓匹配影像輪廓真實數據408 (其中「匹配」意謂已找到一確切匹配或一旦已達到某停止準則便識別最佳可能「匹配」)。換言之，可將設計406輸入至未經訓練之第一基於學習之模型410。未經訓練之第一基於學習之模型可接著產生設計之模擬輪廓。可比較模擬輪廓與影像輪廓真實數據408，且若模擬輪廓與影像輪廓真實數據408之間存在差異，則可更改模型之一或多個參數且可重複上文描述之步驟直至模擬輪廓匹配影像輪廓真實數據。接著，在設計呈現400之推斷階段404期間，將設計412連同經訓練之第一模型參數414(其等在訓練階段期間判定)一起輸入至經訓練之第一基於學習之模型416。如上文描述般訓練經訓練之第一基於學習之模型。可輸入經訓練參數與設計，使得經訓練模型使用經訓練參數414產生設計412之模擬輪廓。藉由經訓練模型產生之模擬輪廓可用於如本文中進一步描述之圖案保真度偵測。 在訓練設計輪廓呈現模型(即，第一基於學習之模型)之另一實例中，第一步驟可為準備用於訓練之真實數據。準備用於訓練之真實數據可包含對標稱圖案之影像(即，無缺陷圖案、用標稱程序參數形成之圖案等)運行一邊緣偵測演算法(例如，canny偵測器)以提供真實數據輪廓資訊。例如，可將一樣品影像(諸如一SEM影像)輸入至一SEM輪廓提取步驟以藉此產生真實數據SEM輪廓。可將真實數據SEM輪廓輸入至一圖案/背景標籤產生步驟以藉此產生真實數據標籤。可將OPC前設計呈現為一般地呈現影像且作為一輸入提供至未經訓練之第一基於學習之模型。例如，對於訓練，可將一設計剪輯輸入至一「呈現設計影像」步驟以藉此產生一電腦輔助設計(CAD)影像。使用邊緣偵測器之輸出作為目標影像。 接著使樣品影像及設計剪輯彼此對準以確保輸入及輸出資料在相同座標系統中。例如，可將一SEM影像及一CAD影像輸入至一CAD至SEM配準步驟以藉此產生一經對準CAD影像。一簡單CNN可接著用於訓練此模型。例如，CNN可包含其後接著數個完全連接層(例如，兩個或兩個以上完全連接層)之數個廻旋層(例如，兩個或兩個以上廻旋層)。CNN可產生具有圖案及背景分數之輸出以區分圖案影像之區域與背景影像之區域。為簡單起見，輸入影像可降低取樣一半。可將經對準CAD影像及真實數據標籤輸入至一訓練步驟以藉此產生經訓練之第一基於學習之模型。 在另一實施例中，一或多個電腦子系統經組態用於使用一訓練資料集訓練第二基於學習之模型，該訓練資料集包含藉由成像子系統針對至少一個訓練設計形成於其上之至少一個訓練樣品產生之不同訓練影像及使用一真實數據方法自不同訓練影像提取之對應輪廓資訊。例如，在訓練期間，一樣品之影像(例如，SEM影像)可使用影像中之特徵之輪廓加以註釋(例如，藉由一使用者或一真實數據方法)。註釋可產生二進位真實數據影像。該等註釋影像及/或影像中之特徵之真實數據輪廓資訊可與用於其中訓練一影像輪廓提取模型之影像輪廓提取訓練之影像結合使用。另外，二進位真實數據影像(或本文中描述之其他真實數據輪廓資訊)可用於針對輪廓提取及設計呈現兩者訓練一基於學習之模型且在訓練之後輸出模型參數。 此訓練資料集可包含任何適合數目個不同訓練影像。可自一單一樣品或多個類似設計(例如，用於相同層及相同裝置類型之設計)或多個不同設計(例如，任何類型之設計)形成於其上之多個訓練樣品產生不同訓練影像。可如上文進一步描述般組態至少一個訓練設計及至少一個訓練樣品。不同訓練影像可使用本文中描述之(若干)成像子系統之任一者獲取且通常將包含藉由(若干)成像子系統針對(若干)訓練樣品之(若干)實體版本產生之實際影像。 在一個此實例中，如圖5中展示，影像輪廓提取500可包含兩個不同階段：訓練502及推斷504。在訓練502期間，將影像506及影像輪廓真實數據508輸入至未經訓練之第二基於學習之模型510。可以任何適合方式獲取影像輪廓真實數據。例如，該等方法及系統之一使用者可使用影像輪廓真實數據註釋影像，此可包含繪製影像上之輪廓。以此方式，可更改未經訓練之第二基於學習之模型之一或多個參數直至針對影像506產生之輪廓匹配影像輪廓真實數據508 (其中以與上文描述相同之方式定義「匹配」)。換言之，可將影像506輸入至未經訓練之第二基於學習之模型510。未經訓練之第二基於學習之模型可接著產生影像之經提取輪廓。可比較經提取輪廓與影像輪廓真實數據508，且若經提取輪廓與影像輪廓真實數據508之間存在差異，則可更改模型之一或多個參數且可重複上文描述之步驟直至經提取輪廓「匹配」影像輪廓真實數據。 在影像輪廓提取500之推斷階段504期間，可將影像512連同經訓練之第二模型參數514一起輸入至經訓練之第二基於學習之模型516。如上文描述般訓練經訓練之第二基於學習之模型。可輸入經訓練參數與影像，使得經訓練模型使用經訓練參數514產生影像512之經提取輪廓。藉由經訓練模型產生之經提取輪廓可用於如本文中進一步描述之圖案保真度偵測。另外，基於深度學習之影像提取輪廓可用作實質上精確邊緣定位之種子點(在一相對小鄰域內)，以便提取子像素輪廓/邊緣位置(此對於其中精度要求實質上嚴格(即，其中1像素誤差可為相當大)之一些量測使用案例可為重要的)。 圖6繪示可輸入至本文中描述之第二基於學習之模型之影像及可針對此等影像產生之經提取輪廓之實例。例如，在此實例中，影像600係針對一半導體晶圓產生之一SEM影像。可將影像及如本文中描述之經訓練參數輸入至一經訓練之第二基於學習之模型，且經訓練之第二基於學習之模型可輸出經提取輪廓602。另外，可將影像604(其在此實例中亦為針對一半導體晶圓產生之一SEM影像)及如本文中描述之經訓練參數輸入至一經訓練之第二基於學習之模型。經訓練之第二基於學習之模型可接著輸出經提取輪廓606。本文中不包含圖6中展示之影像以展示形成於任何特定樣品上之任何特定影像類型及/或任何特定設計或特徵。代替地，此處包含此等影像及自其等提取之輪廓以繪示第二基於學習之模型針對影像中展示之各種圖案化特徵提取實質上精確輪廓之能力。另外，儘管經提取輪廓602及604在圖6中展示為二進位影像，但經提取輪廓(以及設計呈現輪廓)可以任何其他適合方式表達。 在訓練設計呈現模型及影像輪廓提取模型(即，第一基於學習之模型及第二基於學習之模型)兩者之後，該等模型可用於如本文中進一步描述之運行時間推斷。在圖7中展示基於輪廓之離群點偵測演算法運行時間流程之一項此實施例。例如，可將一設計輸入至用於基於深度學習之設計輪廓呈現之設計呈現模型，藉此產生所呈現設計輪廓。特定言之，如圖7中展示，可將設計700及經訓練之第一模型參數702輸入至經訓練之第一基於學習之模型704以藉此產生模擬輪廓706。第一基於學習之模型可包含本文中描述之設計呈現網路之任一者且模擬輪廓可充當用於本文中描述之額外步驟之所呈現標稱設計輪廓。 在一個此實例中，在運行時間期間，模型可提供有一般呈現OPC前設計剪輯以獲得具有對應於圖案之存在預測之分數之一「熱圖」。「熱圖」可接著經定限以獲得輪廓。更特定言之，可將第一基於學習之模型應用至一測試設計剪輯以獲得一分數圖。接著可使用諸如0.5之一臨限值對分數圖定限以藉此產生圖案及背景預測。接著可使用圖案及背景預測來提取邊界以藉此產生預測輪廓。接著可將預測輪廓輸入至一或多個後處理步驟以藉此產生預測輪廓。 藉由本文中描述之設計輪廓呈現產生之結果示範能夠憑藉實質上高精度有利地產生設計輪廓之本文中描述之實施例。例如，藉由比較自OPC前設計呈現之預測輪廓與自對應SEM影像提取之邊緣而量測預測輪廓之精度。多於90%之像素被發現在1.5個像素之一誤差內。 另外，可將一樣品之一影像(例如，一SEM影像)輸入至用於基於深度學習之輪廓提取之影像輪廓提取模型以藉此產生影像輪廓。例如，如圖7中展示，將影像708 (其在此例項中展示為一SEM影像)及經訓練之第二模型參數710輸入至第二基於學習之模型712以藉此產生經提取輪廓714。經訓練之第二基於學習之模型可包含本文中描述之影像輪廓提取網路之任一者。執行如本文中描述之邊緣提取之結果示範對SEM資料之極佳邊緣提取效能。 可在一影像及設計輪廓比較步驟中比較所呈現設計輪廓與影像輪廓，該步驟可經執行以偵測設計中之潛在熱點。例如，如圖7中展示，可將所呈現輪廓706及經提取輪廓714輸入至設計及影像輪廓比較步驟716，其中比較自設計呈現之輪廓與自影像提取之輪廓。接著可使用一或多個量測演算法以在潛在熱點之位置處執行CD量測。例如，設計輪廓呈現模組及SEM輪廓提取模組可經組合以比較預測輪廓與經提取輪廓以在整個影像上量測CD。 在一些例項中，可藉由使模擬輪廓與經提取輪廓疊對(如由疊對718展示)而比較模擬輪廓與經提取輪廓。可如本文中描述般(例如，經由本文中描述之對準步驟)使模擬輪廓與經提取輪廓疊對。模擬輪廓與經提取輪廓之疊對可用於執行輪廓之間的差異之量測。例如，如由疊對之部分718a展示，在此部分中，模擬輪廓及經提取輪廓之部分彼此間隔。另外，如由疊對之部分718b展示，其他模擬輪廓及經提取輪廓之部分彼此間隔。彼此不同之模擬輪廓及經提取輪廓之部分由元件符號720展示。 在一些例項中，可藉由比較非重疊輪廓(即，圖案偏差)與一使用者定義臨限值且標記超過使用者定義臨限值之任何偏差而識別部分718a及718b。以此方式，可識別且接著量測顯著非標稱圖案偏差。可藉由判定輪廓之隔開、非重疊部分之間的像素數目而在模擬輪廓及經提取輪廓之此等非重疊部分之位置處執行量測。基於(自用於產生影像之成像子系統之參數判定之)影像中之像素大小，可判定非重疊輪廓之間的距離，藉此提供兩個輪廓之間的距離之一量度或量測。 在輪廓比較結果中，預期輪廓與經提取輪廓之間的不同歐幾里德距離(Euclidean distance)可以不同顏色標記。例如，相差超過3個像素之預期輪廓及經提取輪廓可用一種顏色標記，相差超過2個像素之預期輪廓及經提取輪廓可以一不同顏色標記。可如本文中進一步描述般執行此等步驟之各者。 因此，上文描述之實施例具有數個優點。例如，上文描述之實施例已示範穩健地且大體上容許特性化圖案保真度之能力。歐幾里德距離之定限容許按不同位準監測之靈活性。可能在早期研究及開發階段，此定限可為寬鬆的且在高值產生階段期間可為嚴格的。 在一些實施例中，一或多個電腦子系統經組態用於執行一額外比較步驟(其中將形成於樣品上之不同晶粒中之相同圖案之實際輪廓彼此比較)且基於額外比較步驟之結果偵測相同圖案中之缺陷。例如，本文中描述之實施例之一個優點係其等可在晶粒對晶粒模式或晶粒對設計模式中使用。在一個此實例中，比較設計呈現輪廓與影像提取輪廓係用於輪廓比較之本質上晶粒對設計模式，此係因為比較來自一樣品之一影像之輪廓與自一設計呈現之輪廓。另外或替代地，本文中描述之實施例可經組態用於比較從由對應於設計之相同部分(例如，相同晶粒內位置、相同倍縮光罩內位置等)之樣品上之不同位置產生之不同影像提取之輪廓。以此方式，可比較自一樣品之一個影像提取之輪廓與自樣品之另一影像提取之輪廓，其中使用如本文中描述之一基於學習之模型提取所比較之所有輪廓。亦可針對相同樣品執行不同比較以偵測不同類型之缺陷及/或判定關於缺陷之額外資訊。以此方式，在晶粒對晶粒模式及晶粒對設計模式中針對一樣品執行之缺陷偵測之結果可經組合以產生樣品之一單一組檢測結果。 在一項實施例中，一或多個電腦子系統經組態用於對所偵測缺陷分類。一或多個電腦子系統可經組態以使用此項技術中已知之任何適合分類演算法及/或方法對所偵測缺陷分類。在另一實施例中，一或多個電腦子系統經組態用於使用一額外基於學習之模型對所偵測缺陷分類。例如，本文中描述之實施例之一優點係可將所偵測事件之輸出發送至一分類網路，分類網路可視使用者需要對所偵測事件分類。可使用以宛如全文陳述引用的方式倂入本文中之參考案、公開案及專利申請案中描述之基於學習之模式之任一者而對在樣品上偵測到之缺陷分類。 除本文中進一步描述之優點以外，本文中描述之實施例亦提供數個優點。例如，該等實施例使用基於端對端學習之演算法提供1像素精度內之圖案特性化及量化。另外，本文中描述之實施例提供用於達到一個像素之一精度之圖案特性化、量化及熱點發現之資料驅動方法及基於學習之方法且對OPC誤差係穩健的。此對於計量及檢測係日益重要的要求。 本文中描述之實施例亦無需當前使用之方法所需之用於各種圖案類型之任何試探法及/或手工製作演算法。例如，本文中描述之基於深度學習之影像輪廓提取比基於非深度學習之輪廓提取演算法穩健。特定言之，深度學習將基於訓練實例中提供之真實數據輪廓自動學習穩健特徵(而非提出可並非穩健之手工製作特徵)。另外，本文中描述之實施例不具有當前使用之方法及系統之挑戰，包含邊緣像素並非始終連接、其等需要參數之仔細手動調整及其等在隅角及接面處並不穩健。 此外，本文中描述之實施例使用穩健且一般化至各種圖案類型、圖案密度、層類型(記憶體或邏輯)及影像模態(例如，光學、SEM、x射線等)之演算法。例如，儘管本文中關於SEM影像描述一些實施例，但實施例可應用至除電子束以外的影像模態(即，光學、x射線等)。本文中描述之實施例因此可廣泛應用至許多計量、檢測及其他工具平台。再者，本文中描述之實施例可利用用於影像輪廓提取及設計呈現兩者之交替網路拓撲，其等可產生相同或可能更佳結果。 可如本文中描述般進一步組態本文中描述之系統之實施例之各者(例如，一項以上實施例可共同組合成一項單一實施例)。 另一實施例係關於一種用於偵測形成於一樣品上之圖案中之缺陷之電腦實施方法。該方法包含獲取藉由具有一或多個電腦子系統之一成像子系統所產生形成於一樣品上之圖案之影像。如本文中進一步描述般組態成像子系統。該方法亦包含藉由一或多個電腦子系統基於輸入至一第一基於學習之模型之樣品之一設計而產生圖案之模擬輪廓。模擬輪廓係藉由成像子系統產生之樣品之影像中之圖案之一無缺陷版本之預期輪廓。另外，該方法包含藉由一或多個電腦子系統產生輸入至一第二基於學習之模型之形成於樣品上之圖案之所獲取影像之至少一者中之圖案之實際輪廓。藉由一或多個電腦子系統執行一或多個組件。一或多個組件包含第一基於學習之模型及第二基於學習之模型。如本文中描述般進一步組態一或多個電腦子系統及一或多個組件。該方法進一步包含比較實際輪廓與模擬輪廓且基於比較之結果偵測形成於樣品上之圖案中之缺陷。 可如本文中進一步描述般執行該方法之步驟之各者。該方法亦可包含可藉由本文中描述之成像子系統、(若干)電腦子系統、(若干)組件、(若干)系統執行之(若干)任何其他步驟。可藉由如本文中進一步描述且可根據本文中描述之實施例之任一者組態之各種組件(例如，第一基於學習之模型及第二基於學習之模型)及/或一或多個電腦子系統執行該方法之步驟。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非暫時性電腦可讀媒體，其儲存可在一或多個電腦子系統上執行以執行用於偵測形成於一樣品上之圖案中之缺陷之電腦實施方法之程式指令。在圖8中展示一項此實施例。特定言之，如圖8中展示，非暫時性電腦可讀媒體800包含可在(若干)電腦子系統804上執行之程式指令802。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方法的程式指令802可儲存於電腦可讀媒體800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。例如，如所需，可使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類(「MFC」)、SSE (串流SIMD延伸)或其他技術或方法來實施程式指令。 可根據本文中描述之實施例之任一者組態(若干)電腦子系統804。 本文中描述之所有方法可包含將方法實施例之一或多個步驟之結果儲存於一電腦可讀儲存媒體中。結果可包含本文中描述之結果之任一者且可以此項技術中已知之任何方式儲存。儲存媒體可包含本文中描述之任何儲存媒體或此項技術中已知之任何其他適合儲存媒體。在已儲存結果之後，結果可存取於儲存媒體中且由本文中描述之方法或系統實施例之任一者使用、經格式化以顯示給一使用者、由另一軟體模組、方法或系統等使用。例如，在圖案中偵測到之缺陷可用於控制及/或更改用於在樣品上形成圖案之製程以藉此校正製程且防止此等圖案缺陷發生在其他樣品上。在一個此實例中，在圖案中偵測到之缺陷之資訊可由本文中描述之一或多個電腦子系統、另一系統(例如，一製造系統)或另一方法(例如，一製造方法)用以判定應如何更改製程。判定應如何更改製程可包含判定此一程序之一或多個參數，諸如待執行程序之區域、待執行程序之時間長度、應在程序中使用何種化學品或氣體等。以此方式，經更改程序可用於在製程中將圖案印刷於其他樣品上。可如本文中進一步描述般檢測使用經更改製程圖案化之樣品以判定是否已適當校正經更改製程(即，經更改製程不將圖案缺陷印刷於樣品上)及/或是否需要額外校正。 鑒於此描述，熟習此項技術者將明白本發明之各種態樣之進一步修改及替代實施例。例如，提供用於偵測形成於一樣品上之圖案中之缺陷之系統及方法。因此，此描述應僅解釋為闡釋性的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。應瞭解，本文中展示及描述之本發明之形式應視為目前較佳實施例。全部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。在不脫離如以下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進行改變。
10‧‧‧成像子系統14‧‧‧樣品16‧‧‧光源18‧‧‧光學元件20‧‧‧透鏡21‧‧‧光束分離器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‧‧‧第一基於學習之模型/第一學習模型106‧‧‧第二基於學習之模型/第二學習模型122‧‧‧電子柱124‧‧‧電腦子系統126‧‧‧電子束源128‧‧‧樣品130‧‧‧元件132‧‧‧元件134‧‧‧偵測器300‧‧‧步驟302‧‧‧步驟304‧‧‧步驟400‧‧‧設計呈現402‧‧‧訓練404‧‧‧推斷406‧‧‧設計408‧‧‧影像輪廓真實數據410‧‧‧第一基於學習之模型412‧‧‧設計414‧‧‧經訓練之第一模型參數416‧‧‧經訓練之第一基於學習之模型500‧‧‧影像輪廓提取502‧‧‧訓練504‧‧‧推斷506‧‧‧影像508‧‧‧影像輪廓真實數據510‧‧‧未經訓練之第二基於學習之模型512‧‧‧影像514‧‧‧經訓練之第二模型參數516‧‧‧經訓練之第二基於學習之模型600‧‧‧影像602‧‧‧經提取輪廓604‧‧‧經提取輪廓606‧‧‧經提取輪廓700‧‧‧設計702‧‧‧經訓練之第一模型參數704‧‧‧經訓練之第一基於學習之模型706‧‧‧模擬輪廓/所呈現輪廓708‧‧‧影像710‧‧‧經訓練之第二模型參數712‧‧‧第二基於學習之模型714‧‧‧經提取輪廓716‧‧‧設計及影像輪廓比較步驟718‧‧‧疊對718a‧‧‧疊對之部分718b‧‧‧疊對之部分720‧‧‧彼此不同之模擬輪廓及經提取輪廓之部分800‧‧‧非暫時性電腦可讀媒體802‧‧‧程式指令804‧‧‧電腦子系統
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及圖2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3至圖5及圖7係繪示可藉由本文中描述之各種實施例執行之步驟之實施例之流程圖； 圖6係繪示針對在其上形成圖案之一樣品產生之影像及藉由本文中描述之實施例針對影像提取之輪廓之一示意圖；及 圖8係繪示儲存用於引起一電腦系統執行本文中描述之電腦實施方法之程式指令的一非暫時性電腦可讀媒體之一項實施例之一方塊圖。 雖然本發明易受各種修改及替代形式影響，但其特定實施例在圖式中藉由實例展示且將在本文中詳細描述。圖式可不按比例繪製。然而，應理解，圖式及其等之實施方式並不旨在將本發明限於所揭示之特定形式，而相反地，意欲涵蓋落於如藉由隨附發明申請專利範圍所界定之本發明之精神及範疇內之所有修改、等效物及替代方案。
10‧‧‧成像子系統
14‧‧‧樣品
16‧‧‧光源
18‧‧‧光學元件
20‧‧‧透鏡
21‧‧‧光束分離器
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‧‧‧第一基於學習之模型
106‧‧‧第二基於學習之模型

Claims (27)

  1. 一種經組態以偵測形成於一樣品上之圖案中之缺陷之系統，其包括：一成像子系統，其包括至少一能量源及一偵測器，其中該能量源經組態以產生引導至一樣品之能量，且其中該偵測器經組態以自該樣品偵測能量且回應於該所偵測能量產生影像；及一或多個電腦子系統，其等經組態用於獲取形成於該樣品上之圖案之該等影像；及一或多個組件，其等藉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第一基於學習之模型及一第二基於學習之模型，其中該第一基於學習之模型及該第二基於學習之模型係基於深度學習之模型，其中該第一基於學習之模型經組態用於藉由該一或多個電腦子系統基於輸入至該第一基於學習之模型之該樣品之一設計產生該等圖案之模擬輪廓，其中該等模擬輪廓係藉由該成像子系統產生之該樣品中之該等影像中之該等圖案之一無缺陷版本之預期輪廓，且其中該第二基於學習之模型經組態用於藉由該一或多個電腦子系統產生輸入至該第二基於學習之模型之形成於該樣品上之該等圖案之該等所獲取影像之至少一者中之該等圖案之實際輪廓；及其中該一或多個電腦子系統經進一步組態用於：比較該等實際輪廓與該等模擬輪廓；及基於該比較之結果偵測形成於該樣品上之該等圖案中之缺陷。
  2. 如請求項1之系統，其中該比較之該等結果包括基於該等實際輪廓與該等模擬輪廓之間的差異所判定之該設計中之該等圖案之一第一者與形成於該樣品上之該等圖案之該等所獲取影像之該至少一者中之該等圖案之該第一者之尺寸之間的量化差異，且其中偵測該等缺陷包括將一臨限值應用至該等尺寸之間的該等量化差異。
  3. 如請求項1之系統，其中該比較之該等結果包括該等所獲取影像之該至少一者中之該等圖案之各者之像素之各者之該等實際輪廓與該等模擬輪廓之間的量化差異。
  4. 如請求項1之系統，其中該一或多個電腦子系統經進一步組態用於基於該等所偵測缺陷偵測該設計中之熱點。
  5. 如請求項1之系統，其中輸入至該第一基於學習之模型之該設計不包含不會印刷於該樣品上之該設計之特徵。
  6. 如請求項1之系統，其中該第一基於學習之模型及該第二基於學習之模型可適應不同圖案類型。
  7. 如請求項1之系統，其中該第一基於學習之模型及該第二基於學習之模型可適應不同圖案密度。
  8. 如請求項1之系統，其中該第一基於學習之模型及該第二基於學習之 模型可適應不同層類型中之圖案。
  9. 如請求項1之系統，其中該第一基於學習之模型及該第二基於學習之模型可適應藉由該成像子系統以一或多個不同成像參數產生之影像。
  10. 如請求項1之系統，其中該一或多個電腦子系統經進一步組態用於使用一訓練資料集訓練該第一基於學習之模型，該訓練資料集包括用於至少一個訓練樣品之至少一個訓練設計之不同部分及使用一真實數據方法自該至少一個訓練樣品之訓練影像提取之對應輪廓資訊。
  11. 如請求項1之系統，其中該一或多個電腦子系統經進一步組態用於使用一訓練資料集訓練該第二基於學習之模型，該訓練資料集包括藉由該成像子系統針對至少一個訓練設計形成於其上之至少一個訓練樣品產生之不同訓練影像及使用一真實數據方法自該等不同訓練影像提取之對應輪廓資訊。
  12. 如請求項1之系統，其中該第二基於學習之模型具有一VGG網路架構。
  13. 如請求項1之系統，其中該第二基於學習之模型經進一步組態為一整體嵌套邊緣偵測模型。
  14. 如請求項1之系統，其中該第一基於學習之模型經進一步組態為一廻 旋神經網路。
  15. 如請求項1之系統，其中該第一基於學習之模型經進一步組態為使用變分自動編碼器之一深度生成模型。
  16. 如請求項1之系統，其中該一或多個電腦子系統經進一步組態用於執行一額外比較步驟，其中將形成於該樣品上之不同晶粒中之該等相同圖案之該等實際輪廓彼此比較且基於該額外比較步驟之結果偵測該等相同圖案中之缺陷。
  17. 如請求項1之系統，其中該一或多個電腦子系統經進一步組態用於對該等所偵測缺陷分類。
  18. 如請求項1之系統，其中該一或多個電腦子系統經進一步組態用於使用一額外基於學習之模型對該等所偵測缺陷分類。
  19. 如請求項1之系統，其中該系統經進一步組態為一計量工具。
  20. 如請求項1之系統，其中該系統經進一步組態為一檢測工具。
  21. 如請求項1之系統，其中該系統經進一步組態為一缺陷檢視工具。
  22. 如請求項1之系統，其中該樣品包括一晶圓。
  23. 如請求項1之系統，其中該樣品包括一倍縮光罩。
  24. 如請求項1之系統，其中經引導至該樣品之該能量包括光，且其中自該樣品偵測之該能量包括光。
  25. 如請求項1之系統，其中經引導至該樣品之該能量包括電子，且其中自該樣品偵測之該能量包括電子。
  26. 一種非暫時性電腦可讀媒體，其儲存可在一或多個電腦子系統上執行以執行用於偵測形成於一樣品上之圖案中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：獲取藉由具有該一或多個電腦子系統之一成像子系統所產生形成於一樣品上之圖案之影像，其中該成像子系統包括至少一能量源及一偵測器，其中該能量源經組態以產生引導至該樣品之能量，且其中該偵測器經組態以自該樣品偵測能量且回應於該所偵測能量產生影像；藉由該一或多個電腦子系統基於輸入至一第一基於學習之模型之該樣品之一設計而產生該等圖案之模擬輪廓，其中該等模擬輪廓係藉由該成像子系統產生之該樣品之該等影像中之該等圖案之一無缺陷版本之預期輪廓；藉由該一或多個電腦子系統產生輸入至一第二基於學習之模型之形成於該樣品上之該等圖案之該等所獲取影像之至少一者中之該等圖案之實際輪廓，其中藉由該一或多個電腦子系統執行一或多個組件，其中該一或 多個組件包括該第一基於學習之模型及該第二基於學習之模型，及其中該第一基於學習之模型及該第二基於學習之模型係基於深度學習之模型；比較該等實際輪廓與該等模擬輪廓；及基於該比較之結果偵測形成於該樣品上之該等圖案中之缺陷。
  27. 一種用於偵測形成於一樣品上之圖案中之缺陷之電腦實施方法，其包括：獲取藉由具有一或多個電腦子系統之一成像子系統所產生形成於一樣品上之圖案之影像，其中該成像子系統包括至少一能量源及一偵測器，其中該能量源經組態以產生引導至該樣品之能量，且其中該偵測器經組態以自該樣品偵測能量且回應於該所偵測能量產生影像；藉由該一或多個電腦子系統基於輸入至一第一基於學習之模型之該樣品之一設計而產生該等圖案之模擬輪廓，其中該等模擬輪廓係藉由該成像子系統產生之該樣品之該等影像中之該等圖案之一無缺陷版本之預期輪廓；藉由該一或多個電腦子系統產生輸入至一第二基於學習之模型之形成於該樣品上之該等圖案之該等所獲取影像之至少一者中之該等圖案之實際輪廓，其中藉由該一或多個電腦子系統執行一或多個組件，其中該一或多個組件包括該第一基於學習之模型及該第二基於學習之模型，及其中該第一基於學習之模型及該第二基於學習之模型係基於深度學習之模型；比較該等實際輪廓與該等模擬輪廓；及基於該比較之結果偵測形成於該樣品上之該等圖案中之缺陷。
TW107111562A 2017-04-07 2018-04-02 基於輪廓之缺陷偵測 TWI735774B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762483223P 2017-04-07 2017-04-07
US62/483,223 2017-04-07
US15/896,060 US10395362B2 (en) 2017-04-07 2018-02-14 Contour based defect detection
US15/896,060 2018-02-14

Publications (2)

Publication Number Publication Date
TW201903391A TW201903391A (zh) 2019-01-16
TWI735774B true TWI735774B (zh) 2021-08-11

Family

ID=63709949

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107111562A TWI735774B (zh) 2017-04-07 2018-04-02 基於輪廓之缺陷偵測

Country Status (5)

Country Link
US (1) US10395362B2 (zh)
KR (1) KR102352697B1 (zh)
CN (1) CN110494894B (zh)
TW (1) TWI735774B (zh)
WO (1) WO2018187170A1 (zh)

Families Citing this family (113)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3591613B1 (en) * 2017-02-28 2021-12-15 NEC Solution Innovators, Ltd. Mobile entity detector, mobile entity detection method, and computer-readable recording medium
JP2019020292A (ja) * 2017-07-19 2019-02-07 株式会社ニューフレアテクノロジー パターン検査装置及びパターン検査方法
KR102550350B1 (ko) * 2017-09-08 2023-07-04 에이에스엠엘 네델란즈 비.브이. 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들
US11022966B1 (en) * 2017-12-15 2021-06-01 Synopsys, Inc. Method of modeling e-beam photomask manufacturing process using image-based artificial neural networks
JP7087397B2 (ja) * 2018-01-17 2022-06-21 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
US11151449B2 (en) * 2018-01-24 2021-10-19 International Business Machines Corporation Adaptation of a trained neural network
WO2019171118A1 (en) * 2018-03-05 2019-09-12 Omron Corporation Method, apparatus, system and program for determining feature data of image data, and storage medium
US10679333B2 (en) 2018-03-14 2020-06-09 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology
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
WO2019190566A1 (en) * 2018-03-30 2019-10-03 Intel Corporation Multilayer optical proximity correction (opc) model for opc correction
JP6675433B2 (ja) * 2018-04-25 2020-04-01 信越化学工業株式会社 欠陥分類方法、フォトマスクブランクの選別方法、およびマスクブランクの製造方法
US10621301B2 (en) * 2018-06-06 2020-04-14 International Business Machines Corporation Coordinates-based variational autoencoder for generating synthetic via layout patterns
JP7144244B2 (ja) * 2018-08-31 2022-09-29 株式会社日立ハイテク パターン検査システム
US20200134829A1 (en) * 2018-10-30 2020-04-30 Fei Company Artificial Intelligence Enabled Metrology
CN109543740B (zh) * 2018-11-14 2022-07-15 哈尔滨工程大学 一种基于生成对抗网络的目标检测方法
CN109671084B (zh) * 2018-11-15 2023-05-30 华东交通大学 一种工件形状的测量方法
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
WO2020112023A1 (en) * 2018-11-26 2020-06-04 Agency For Science, Technology And Research Method and system for predicting performance in electronic design based on machine learning
JP7119949B2 (ja) * 2018-11-28 2022-08-17 セイコーエプソン株式会社 判定装置及び判定方法
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
JP7232911B2 (ja) * 2018-12-31 2023-03-03 エーエスエムエル ネザーランズ ビー．ブイ． 電子ビーム画像向上のための完全自動ｓｅｍサンプリングシステム
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
CN109801375B (zh) * 2019-01-24 2021-02-09 电子科技大学 基于深度卷积对抗神经网络的多孔质材料三维重构方法
US10922808B2 (en) 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment
US11263496B2 (en) * 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
EP3705962A1 (de) * 2019-03-07 2020-09-09 Siemens Aktiengesellschaft Verfahren und system zur qualitätskontrolle in der industriellen fertigung
US11480868B2 (en) 2019-03-22 2022-10-25 International Business Machines Corporation Determination of optical roughness in EUV structures
CN109900711A (zh) * 2019-04-02 2019-06-18 天津工业大学 基于机器视觉的工件缺陷检测方法
JP2020183876A (ja) * 2019-04-26 2020-11-12 株式会社前川製作所 特徴点認識システムおよびワーク処理システム
KR102805684B1 (ko) * 2019-05-29 2025-05-09 삼성에스디에스 주식회사 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치
TW202530685A (zh) * 2019-06-06 2025-08-01 日商東京威力科創股份有限公司 畫像生成裝置、畫像生成方法及程式
US11619592B2 (en) 2019-07-09 2023-04-04 KLA Corp. Selecting defect detection methods for inspection of a specimen
US11042981B2 (en) 2019-07-12 2021-06-22 SVXR, Inc. Methods and systems for printed circuit board design based on automatic corrections
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
US11430118B2 (en) 2019-07-12 2022-08-30 Bruker Nano, Inc. Methods and systems for process control based on X-ray inspection
US11688067B2 (en) 2019-07-12 2023-06-27 Bruker Nano, Inc. Methods and systems for detecting defects in devices using X-rays
US11651492B2 (en) * 2019-07-12 2023-05-16 Bruker Nano, Inc. Methods and systems for manufacturing printed circuit board based on x-ray inspection
US12307668B2 (en) * 2019-07-12 2025-05-20 Bruker Nano, Inc Methods and systems for defects detection and classification using X-rays
US11340060B2 (en) * 2019-07-23 2022-05-24 Kla Corporation Automatic recipe optimization for overlay metrology system
CN110473179B (zh) * 2019-07-30 2022-03-25 上海深视信息科技有限公司 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备
US10885683B1 (en) * 2019-08-07 2021-01-05 Adobe Inc. Detecting salient geometric constructs from raster representations of sketches
CN114207517B (zh) * 2019-08-13 2025-04-11 Asml荷兰有限公司 训练用于改善图案化过程的机器学习模型的方法
US20210073976A1 (en) * 2019-09-09 2021-03-11 Carl Zeiss Smt Gmbh Wafer inspection methods and systems
JP7383946B2 (ja) * 2019-09-12 2023-11-21 株式会社アイシン 画像復元装置、画像復元方法、画像復元プログラム、復元器生成装置、復元器生成方法、復元器生成プログラム、判定器生成装置、判定器生成方法、判定器生成プログラム、物品判定装置、物品判定方法、および物品判定プログラム
JP6896036B2 (ja) * 2019-09-30 2021-06-30 キヤノン株式会社 情報処理装置、判定方法、インプリント装置、リソグラフィシステム、物品の製造方法及びプログラム
WO2021062536A1 (en) * 2019-09-30 2021-04-08 Musashi Auto Parts Canada Inc. System and method for ai visual inspection
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11355305B2 (en) * 2019-10-08 2022-06-07 Fei Company Low keV ion beam image restoration by machine learning for object localization
US11087449B2 (en) 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
CN120852555A (zh) * 2019-11-01 2025-10-28 Asml荷兰有限公司 用于模型基础对准的基于机器学习的图像产生
CN111080622B (zh) * 2019-12-13 2023-11-07 熵智科技(深圳)有限公司 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN111076667B (zh) * 2019-12-23 2021-07-30 长春工程学院 一种金属表面划痕动态快速测量方法
CN111178424A (zh) * 2019-12-26 2020-05-19 中国石油大学(北京) 一种石油化工生产现场安全合规性实时检测系统及方法
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen
US11256967B2 (en) * 2020-01-27 2022-02-22 Kla Corporation Characterization system and method with guided defect discovery
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
TWI750572B (zh) * 2020-01-30 2021-12-21 虹光精密工業股份有限公司 運用機器學習進行文件分類的文件處理系統及方法
CN115104122B (zh) * 2020-02-13 2025-08-19 Asml荷兰有限公司 在多带电粒子束检查中根据检查图像的轮廓提取方法
US12131103B2 (en) 2020-03-30 2024-10-29 Kla Corporation Semiconductor fabrication process parameter determination using a generative adversarial network
EP3893057A1 (en) * 2020-04-10 2021-10-13 ASML Netherlands B.V. Aligning a distorted image
US11301977B2 (en) * 2020-04-10 2022-04-12 General Electric Company Systems and methods for automatic defect recognition
US12051183B2 (en) 2020-04-30 2024-07-30 KLA Corp. Training a machine learning model to generate higher resolution images from inspection images
CN111583223B (zh) * 2020-05-07 2023-12-19 上海闻泰信息技术有限公司 缺陷检测方法、装置、计算机设备及计算机可读存储介质
US11774371B2 (en) * 2020-05-22 2023-10-03 Kla Corporation Defect size measurement using deep learning methods
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
TWI803756B (zh) * 2020-06-12 2023-06-01 英業達股份有限公司 標記影像的方法
JP7390486B2 (ja) * 2020-06-16 2023-12-01 株式会社日立ハイテク 画像処理方法、形状検査方法、画像処理システム及び形状検査システム
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
CN111968095B (zh) * 2020-08-19 2022-08-02 成都数之联科技股份有限公司 一种产品表面缺陷检测方法及系统及装置及介质
US11810284B2 (en) * 2020-08-21 2023-11-07 Kla Corporation Unsupervised learning for repeater-defect detection
CN112102268A (zh) * 2020-09-01 2020-12-18 北京航空航天大学 一种基于机器学习打磨超薄掩膜版的智能化激光抛光模块
TWI761948B (zh) * 2020-09-14 2022-04-21 倍利科技股份有限公司 由檢測影像取得輪廓的定位方法
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
US11670072B2 (en) 2020-10-02 2023-06-06 Servicenow Canada Inc. Systems and computer-implemented methods for identifying anomalies in an object and training methods therefor
US12223422B2 (en) 2020-10-02 2025-02-11 Servicenow Canada Inc. Continuous training methods for systems identifying anomalies in an image of an object
KR102914783B1 (ko) 2020-10-05 2026-01-19 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
CN112508862B (zh) * 2020-11-19 2022-03-25 电子科技大学 一种通过改进gan增强裂纹磁光图像的方法
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
JP2022084041A (ja) * 2020-11-26 2022-06-07 株式会社日立ハイテク 荷電粒子ビーム装置
CN112541205B (zh) * 2020-12-01 2022-12-30 泉芯集成电路制造(济南)有限公司 一种建模方法
CN112557402B (zh) * 2020-12-04 2023-03-14 北京天科合达半导体股份有限公司 一种位错检测系统
CN112580540A (zh) * 2020-12-23 2021-03-30 安徽高哲信息技术有限公司 一种人工智能农作物处理系统和方法
JP7567504B2 (ja) * 2021-01-25 2024-10-16 オムロン株式会社 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム
EP4285315A1 (en) * 2021-01-26 2023-12-06 ABB Schweiz AG Systems and methods for paint defect detection using machine learning
US20240160194A1 (en) * 2021-01-26 2024-05-16 Musashi Ai North America Inc. System and method for manufacturing quality control using automated visual inspection
US20220270212A1 (en) * 2021-02-25 2022-08-25 Kla Corporation Methods for improving optical inspection and metrology image quality using chip design data
US12165306B2 (en) * 2021-03-16 2024-12-10 Kla Corporation Segmentation of design care areas with a rendered design image
CN113020428B (zh) * 2021-03-24 2022-06-28 北京理工大学 级进模的加工监控方法、装置、设备及存储介质
US12330329B2 (en) 2021-03-30 2025-06-17 Maxcess Americas, Inc. Rotary die cutting device and method for setting a gap dimension of a gap between a die cutting cylinder and a counter pressure cylinder of the rotary die cutting device
US12020418B2 (en) * 2021-04-22 2024-06-25 Taiwan Semiconductor Manufacturing Company, Ltd. Image processing method and system, and non-transitory computer readable medium
US12543540B2 (en) * 2021-04-30 2026-02-03 Kla Corporation High resolution profile measurement based on a trained parameter conditioned measurement model
US11983865B2 (en) * 2021-05-05 2024-05-14 KLA Corp. Deep generative model-based alignment for semiconductor applications
JP7555310B2 (ja) * 2021-07-14 2024-09-24 株式会社日立ハイテク 試料観察装置、試料観察方法、およびコンピュータシステム
CN113298837B (zh) * 2021-07-27 2021-11-26 南昌工程学院 一种图像边缘提取方法、装置、存储介质及设备
CN113592828B (zh) * 2021-08-03 2023-06-30 南京市特种设备安全监督检验研究院 基于工业内窥镜的无损检测方法及系统
US11961221B2 (en) * 2021-10-07 2024-04-16 Applied Materials Israel Ltd. Defect examination on a semiconductor specimen
CN114235831B (zh) * 2022-02-28 2022-08-23 广东省科学院智能制造研究所 一种基于图像检测的注塑工件的缩痕检测方法及装置
CN114841930B (zh) * 2022-04-18 2025-04-11 南京信息工程大学 一种基于平行多尺度融合网络的产品缺陷检测方法
CN114862832B (zh) * 2022-05-31 2025-03-21 北京中祥英科技有限公司 缺陷检测模型的优化方法、装置、设备及存储介质
US12444628B2 (en) * 2022-06-24 2025-10-14 Kla Corporation Image modeling-assisted contour extraction
US12400319B2 (en) * 2022-09-06 2025-08-26 Applied Materials Israel Ltd. Defect examination on a semiconductor specimen
CN119894650A (zh) 2022-09-13 2025-04-25 麦克氏国际公司 用于设定轴向位置和间隙尺寸的刻划装置及方法
CN116129427A (zh) * 2022-12-22 2023-05-16 东方晶源微电子科技（北京）有限公司 基于设计版图的扫描电子显微镜图像轮廓提取方法、装置
CN116071360A (zh) * 2023-03-10 2023-05-05 苏州振畅智能科技有限公司 一种工件外观缺陷检测方法、电子设备及存储介质
CN116452621B (zh) * 2023-03-10 2023-12-15 广州市易鸿智能装备有限公司 一种基于强化学习的理想轮廓生成算法、装置及存储介质
CN116363451A (zh) * 2023-03-10 2023-06-30 四川启睿克科技有限公司 一种缺陷检测中难例挖掘的方法及系统
CN116596866B (zh) * 2023-05-05 2025-07-22 深圳市华汉伟业科技有限公司 一种基于高分辨率图像的缺陷检测方法、存储介质
US20250003888A1 (en) * 2023-06-30 2025-01-02 Onto Innovation Inc. Photo response non-uniformity correction during semiconductor inspection
CN117723564B (zh) * 2024-02-18 2024-04-26 青岛华康塑料包装有限公司 基于图像传输的包装袋印刷质量检测方法及检测系统
US12125190B1 (en) * 2024-04-08 2024-10-22 Sybridge Technologies U.S. Inc. Conformance testing of manufactured parts via neural networks

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101981683A (zh) * 2008-03-27 2011-02-23 东京毅力科创株式会社 缺陷分类方法、计算机存储介质以及缺陷分类装置
TWI498549B (zh) * 2012-08-23 2015-09-01 Nuflare Technology Inc Defect detection method

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP4943304B2 (ja) * 2006-12-05 2012-05-30 株式会社 Ｎｇｒ パターン検査装置および方法
US8611637B2 (en) 2007-01-11 2013-12-17 Kla-Tencor Corporation Wafer plane detection of lithographically significant contamination photomask defects
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US8611639B2 (en) 2007-07-30 2013-12-17 Kla-Tencor Technologies Corp Semiconductor device property extraction, generation, visualization, and monitoring methods
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
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
JP2013053986A (ja) * 2011-09-06 2013-03-21 Hitachi High-Technologies Corp パターン検査方法及びその装置
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
US9478019B2 (en) 2014-05-06 2016-10-25 Kla-Tencor Corp. Reticle inspection using near-field recovery
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
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10395356B2 (en) 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101981683A (zh) * 2008-03-27 2011-02-23 东京毅力科创株式会社 缺陷分类方法、计算机存储介质以及缺陷分类装置
CN101981683B (zh) 2008-03-27 2012-09-19 东京毅力科创株式会社 缺陷分类方法以及缺陷分类装置
TWI498549B (zh) * 2012-08-23 2015-09-01 Nuflare Technology Inc Defect detection method

Also Published As

Publication number Publication date
US10395362B2 (en) 2019-08-27
TW201903391A (zh) 2019-01-16
WO2018187170A1 (en) 2018-10-11
CN110494894B (zh) 2022-02-15
KR102352697B1 (ko) 2022-01-17
CN110494894A (zh) 2019-11-22
US20180293721A1 (en) 2018-10-11
KR20190128745A (ko) 2019-11-18

Similar Documents

Publication Publication Date Title
TWI735774B (zh) 基於輪廓之缺陷偵測
US10599951B2 (en) Training a neural network for defect detection in low resolution images
TWI747967B (zh) 用於經組態用於半導體應用之深度學習模型之診斷系統及方法
TWI722050B (zh) 單一影像偵測
JP6893514B2 (ja) ハイブリッドインスペクタ
TWI742277B (zh) 用於對準以不同模態所獲取之影像之以學習為基礎之方法
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
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
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
US10607119B2 (en) Unified neural network for defect detection and classification
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
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
CN108475351A (zh) 用于半导体应用的基于机器学习的模型的加速训练
TW202206800A (zh) 深度學習為基礎之缺陷偵測