[go: up one dir, main page]

TWI845781B - 半導體缺陷偵測及分類的方法及系統，以及非暫時性電腦可讀儲存媒體 - Google Patents

半導體缺陷偵測及分類的方法及系統，以及非暫時性電腦可讀儲存媒體 Download PDF

Info

Publication number
TWI845781B
TWI845781B TW109136397A TW109136397A TWI845781B TW I845781 B TWI845781 B TW I845781B TW 109136397 A TW109136397 A TW 109136397A TW 109136397 A TW109136397 A TW 109136397A TW I845781 B TWI845781 B TW I845781B
Authority
TW
Taiwan
Prior art keywords
image
sem
defect
defects
generate
Prior art date
Application number
TW109136397A
Other languages
English (en)
Other versions
TW202135116A (zh
Inventor
桑透許 巴哈特阿恰亞
舸 叢
相奉 朴
黄波士
Original Assignee
美商科磊股份有限公司
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 美商科磊股份有限公司 filed Critical 美商科磊股份有限公司
Publication of TW202135116A publication Critical patent/TW202135116A/zh
Application granted granted Critical
Publication of TWI845781B publication Critical patent/TWI845781B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical, image processing or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

Abstract

將一經呈現影像與一掃描電子顯微鏡(SEM)影像對準以產生一經對準經呈現影像。將一參考影像與該SEM影像對準以產生一經對準參考影像。亦產生一臨限概率圖。該SEM影像及經對準參考影像之動態補償可產生一經校正SEM影像及經校正參考影像。可產生一臨限缺陷圖且使用一基於寬頻電漿之性質過濾該臨限概率圖之缺陷及該臨限缺陷圖之信雜比缺陷以產生所關注缺陷叢集。

Description

半導體缺陷偵測及分類的方法及系統，以及非暫時性電腦可讀儲存媒體
本發明大體上係關於半導體缺陷偵測及分類。
半導體製造產業之演進對良率管理且尤其對度量衡及檢測系統提出更高要求。臨界尺寸繼續縮小，而產業需要減少用於達成高良率、高價值生產之時間。最小化自偵測到一良率問題至解決該問題之總時間判定一半導體製造商之投資回報率。
實施於掃描電子顯微鏡(SEM)工具中之一個偵測演算法唯一地使用深度學習(DL)來偵測所關注缺陷(DOI)。在訓練期間，一使用者可註明SEM影像以識別有缺陷像素，且將一組DOI及擾亂點呈現至DL網路。可將影像之三個通道(例如，頂部通道及兩個側通道)及一經呈現設計影像作為輸入呈現至DL網路。一旦已在運行時間期間針對一給定目標位置訓練DL網路，便可將一組SEM影像及經呈現設計影像饋送至網路中以判定SEM影像是否含有DOI。
然而，出於若干原因，此等先前方法係不利的或缺乏最佳效能。若某些缺陷類型在訓練期間不存在但在運行時間期間出現，則DL網路將不能夠偵測此等缺陷類型。若在訓練期間呈現之針對各種背景幾何形狀出現之一已知缺陷類型之樣本不足，則DL網路可在運行時間期間將 此等已知缺陷或其他缺陷錯誤分類。若在一特定時間框期間訓練DL網路，則歸因於由製造程序改變引起之程序變動之急劇改變，DL網路效能可隨著時間進展而降級。
因此，需要一經改良缺陷偵測流程。
在一第一實施例中提供一種使用一處理器用於一或多個步驟之方法。將一經呈現影像與一SEM影像對準以產生一經對準經呈現影像。將一參考影像與該SEM影像對準以產生一經對準參考影像。藉由以下項產生一臨限概率圖：偵測該SEM影像及該經對準經呈現影像中之一或多個缺陷；且將該一或多個缺陷分類為一所關注缺陷或一擾亂點以產生該臨限概率圖。對該SEM影像及該經對準參考影像執行動態補償以產生一經校正SEM影像及一經校正參考影像。藉由以下項產生一臨限缺陷圖：自該SEM影像與該經對準參考影像之間之一差異判定一概率分佈；且將一信雜比臨限值應用至該概率分佈以產生該臨限缺陷圖。該臨限缺陷圖包括定義為該概率分佈中超過該信雜比臨限值之位置之信雜比缺陷。使用一基於寬頻電漿之性質過濾該臨限概率圖之該等缺陷及該臨限缺陷圖之該等信雜比缺陷以產生所關注缺陷叢集。
可藉由將一設計檔案中之一向量多邊形呈現至該經呈現影像而產生該經呈現影像。此可包含偏差修圓一設計多邊形以產生該向量多邊形。偏差修圓該設計多邊形可包含將一形狀偏差反覆地添加至該設計多邊形或修圓該設計多邊形之一邊角。
可藉由使用一生成對抗網路修改該經呈現影像而產生該參考影像。修改該經呈現影像可修改該經呈現影像之一頂部通道、一第一側 通道及一第二側通道。
可藉由使用一深度學習網路基於該經呈現影像及該SEM影像修改該經呈現影像而產生該參考影像。
該基於寬頻電漿之性質可包含一位置窗、一缺陷大小或一關照區域類型。
在一第二實施例中提供一種系統。該系統包括一SEM，該SEM包含一電子發射器、一偵測器及用於固持一樣本之一載物台。該SEM經組態以獲得該樣本之一SEM影像。一處理器與該SEM電子通信。該處理器經組態以將一經呈現影像與該SEM影像對準以產生一經對準經呈現影像且將一參考影像與該SEM影像對準以產生一經對準參考影像。藉由以下項產生一臨限概率圖：偵測該SEM影像及該經對準經呈現影像中之一或多個缺陷；且將該一或多個缺陷分類為一所關注缺陷或一擾亂點以產生該臨限概率圖。執行對該SEM影像及該經對準參考影像之動態補償以產生一經校正SEM影像及一經校正參考影像。藉由以下項產生一臨限缺陷圖：自該SEM影像與該經對準參考影像之間之一差異判定一概率分佈；且將一信雜比臨限值應用至該概率分佈以產生該臨限缺陷圖。該臨限缺陷圖包括定義為該概率分佈中超過該信雜比臨限值之位置之信雜比缺陷。使用一基於寬頻電漿之性質過濾該臨限概率圖之該等缺陷及該臨限缺陷圖之該等信雜比缺陷以產生所關注缺陷叢集。
可藉由將一設計檔案中之一向量多邊形呈現至該經呈現影像而產生該經呈現影像。該處理器可進一步經組態以偏差修圓一設計多邊形以產生該向量多邊形。偏差修圓該設計多邊形可包含將一形狀偏差反覆地添加至該設計多邊形或修圓該設計多邊形之一邊角。
可藉由使用一生成對抗網路修改該經呈現影像而產生該參考影像。修改該經呈現影像可修改該經呈現影像之一頂部通道、一第一側通道及一第二側通道。
可藉由使用一深度學習網路基於該經呈現影像及該SEM影像修改該經呈現影像而產生該參考影像。
該基於寬頻電漿之性質可包含一位置窗、一缺陷大小或一關照區域類型。
在一第三實施例中提供一種含有一或多個程式之非暫時性電腦可讀儲存媒體。該一或多個程式經組態以在一或多個處理器上執行以下步驟。將一經呈現影像與一SEM影像對準以產生一經對準經呈現影像。將一參考影像與該SEM影像對準以產生一經對準參考影像。藉由以下項產生一臨限概率圖：偵測該SEM影像及該經對準經呈現影像中之一或多個缺陷；且將該一或多個缺陷分類為一所關注缺陷或一擾亂點以產生該臨限概率圖。對該SEM影像及該經對準參考影像執行動態補償以產生一經校正SEM影像及一經校正參考影像。藉由以下項產生一臨限缺陷圖：自該SEM影像與該經對準參考影像之間之一差異判定一概率分佈；且將一信雜比臨限值應用至該概率分佈以產生該臨限缺陷圖。該臨限缺陷圖包括定義為該概率分佈中超過該信雜比臨限值之位置之信雜比缺陷。使用一基於寬頻電漿之性質過濾該臨限概率圖之該等缺陷及該臨限缺陷圖之該等信雜比缺陷以產生所關注缺陷叢集。
可藉由將一設計檔案中之一向量多邊形呈現至該經呈現影像而產生該經呈現影像。
可藉由使用一生成對抗網路修改該經呈現影像而產生該參 考影像。
該基於寬頻電漿之性質可包含一位置窗、一缺陷大小或一關照區域類型。
100:方法
101:步驟
102:步驟
103:步驟
103A:步驟
103B:步驟
104:步驟
105:步驟
105A:步驟
105B:步驟
106:步驟
200:子程序
201:設計多邊形
202:形狀偏差操作
203:經修改設計多邊形
300:子程序
301:設計多邊形
302:邊角修圓操作
303:經修改設計多邊形
400:生成對抗網路(GAN)
401:真實世界影像
402:測試影像
403:設計檔案
404:產生器
405:經模擬影像
406:鑑別器
407:真實/假
408:損耗
500:偵測網路
501:掃描電子顯微鏡(SEM)影像
502:經呈現影像
503:迴旋/批量正規化/ReLU層
504:匯集層
505:增加取樣層
506:匯集指數
507:最終softmax層
508:參考影像
600:系統
601:電子柱
602:電腦子系統
603:電子束源
604:晶圓
605:元件
606:元件
607:偵測器
608:處理器
609:電子資料儲存單元
610:載物台
為了更全面理解本發明之性質及目標，應參考結合隨附圖式進行之以下詳細描述，其中：圖1A繪示用於產生一DOI叢集之一實施例方法；圖1B繪示用於產生一臨限概率圖之一例示性方法；圖1C繪示用於產生一臨限缺陷圖之一例示性方法；圖2繪示添加形狀偏差之一實例；圖3繪示添加邊角修圓之一實例；圖4繪示一例示性生成對抗網路；圖5繪示一例示性偵測網路；及圖6繪示一實施例系統。
相關申請案之交叉參考
本申請案主張2019年10月31日申請之美國臨時申請案第62/928,513號之優先權，該案之完整揭示內容藉此以引用的方式併入。
雖然將依據特定實施例描述所主張標的物，但其他實施例(包含不提供本文中闡述之全部益處及特徵之實施例)亦在本發明之範疇內。可做出各種結構、邏輯、程序步驟及電子改變而不脫離本發明之範疇。因此，本發明之範疇僅藉由參考隨附發明申請專利範圍定義。
本發明之實施例可包含用於偵測一半導體晶圓上之缺陷， 從而在真實缺陷捕獲率及擾亂點(例如，錯誤缺陷)率方面改良其準確度之方法、系統及設備。實施例可將基於參考影像之偵測與基於DL之偵測組合。此外，實施例可利用寬頻電漿(BBP)缺陷後設資料以進一步細化偵測缺陷。後設資料可尤其包含缺陷之位置、大小、極性、背景及區域。因此，根據本發明之實施例可改良缺陷偵測準確度。
在一例項中，參考圖1A，一方法100可使用一處理器(例如，處理器608)執行。方法100可在一單一處理器或多個處理器上執行。方法100可產生DOI叢集，且可將DOI叢集儲存於一電子資料儲存單元(例如，電子資料儲存單元609)上。可存在一或多個DOI叢集。各DOI叢集可具有被分類為DOI之一或多個缺陷。方法100之輸入可包含一SEM影像、一設計檔案或其之一部分及/或BBP後設資料。方法100之輸出可係被分類為DOI之缺陷之叢集。缺陷之叢集可係(例如)一影像、影像群組、值之表或一缺陷圖(例如，一晶粒或晶圓圖內之缺陷位置之一圖形表示)。
SEM影像可具有一頂部通道及兩個側通道。設計檔案或其部分可呈向量格式。BBP後設資料可包含缺陷位置、缺陷大小、關照區域群組或其他缺陷屬性。
在一些實施例中，可藉由將一設計檔案中之一向量多邊形呈現至一經呈現影像而產生經呈現影像。
可執行一設計多邊形之偏差修圓以產生向量多邊形。
偏差修圓設計多邊形可包含將一形狀偏差反覆地添加至設計多邊形，如例如在圖2中繪示。圖2描繪添加形狀偏差之一例示性子程序200。子程序200可包含使用形狀偏差操作202執行將一形狀偏差添加至一設計多邊形201以產生一經修改設計多邊形203。此經修改設計多邊形203 可係向量多邊形或可經使用，或亦可執行邊角修圓。
偏差修圓設計多邊形可包含將設計多邊形之一或多個邊角修圓，如例如在圖3中繪示。圖3描繪邊角修圓之一例示性子程序300。子程序300可包含使用邊角修圓操作302執行修圓一設計多邊形301之邊角以產生一經修改設計多邊形303，在此例項中，該經修改設計多邊形303可大於設計多邊形301，但其他操作係可行的。此經修改設計多邊形303可係向量多邊形或可經使用，或亦可執行形狀偏差。
再次參考圖1A，方法100可包括在101，將一經呈現影像與一SEM影像對準以產生一經對準經呈現影像。
在一些實施例中，可藉由使用一生成對抗網路(GAN)修改經呈現影像而產生一參考影像，如例如在圖4中繪示。圖4描繪一例示性GAN 400。GAN 400之輸入可係真實世界影像401(測試影像402係真實世界影像401中之一者)及一設計檔案403。可將設計檔案403輸入至一產生器404，該產生器404可產生一經模擬影像405。可將經模擬影像405與真實世界影像402一起輸入至鑑別器406中，該鑑別器406可在407判定缺陷是否係真實(DOI)或假(擾亂點)。此可用於在408判定損耗。
可訓練GAN 400以使用一設計(例如，一電腦輔助設計(CAD)設計)作為輸入來產生一「假」影像。一產生器網路G可自輸入(例如，一SEM影像)產生一「假」影像G(x)。鑑別器網路D可對真實及假影像進行分類。可訓練D以對真實影像對比假影像進行正確分類，此可藉由最大化log(D(y))+log(1-D(G(x)))而表示。可訓練G以最小化一真實影像與假影像之間之誤差且欺騙鑑別器，此可藉由最小化|y-G(x)|+log(1-D(G(x)))而表示。產生器網路可包含多個層。例如，可使用14個層。
修改經呈現影像可包含修改經呈現影像之一頂部通道、一第一側通道及一第二側通道。
在一些實施例中，可藉由使用DL網路基於經呈現影像及SEM影像修改經呈現影像而產生參考影像，如圖5中繪示。圖5描繪一偵測網路500。偵測網路500可係一非監督式動態學習網路。偵測網路500可獲取SEM影像501及一經呈現影像502作為一輸入。SEM影像501及經呈現影像502可透過一系列迴旋/批量正規化/ReLU層503、匯集層504及增加取樣層505繼續進行。降低取樣及增加取樣部分上之層可對應於匯集指數506。可存在一最終softmax層507。在網路之降低取樣及增加取樣結束之後，可提供參考影像508。可使用偵測網路500而非一GAN(例如，GAN 400)以產生一參考影像。偵測網路500可使用來自GAN(例如，GAN 400)之影像作為一額外參考影像通道。差異影像(目標SEM減GAN影像)可用作一額外偵測網路輸入。
再次參考圖1A，在102，方法100可包括將一參考影像與SEM影像對準以產生一經對準參考影像。
在103，可產生一臨限概率圖。參考圖1B，在103，產生臨限概率圖可包括在103A，偵測SEM影像及經對準參考影像中之一或多個缺陷。接著，在103B，可將一或多個缺陷分類為一DOI或一擾亂點以產生臨限概率圖。本文中揭示之實施例可將BBP特徵屬性應用至偵測網路。本文中揭示之實施例亦可將不同特徵屬性(諸如缺陷位置大小或色彩)應用至分類。
再次參考圖1A，在104，可對SEM影像及經對準參考影像執行動態補償以產生一經校正SEM影像及一經校正參考影像。在一例項 中，可使用以下公式。
Figure 109136397-A0305-02-0011-1
此方程式可找到應用至參考影像之最佳迴旋權重w以最小化其與目標SEM影像T之間之誤差。R係原始未經校正參考影像。判定最佳權重wopt。使用wopt迴旋參考影像以在自T減去之前產生R’。R’係在使用最佳權重迴旋R，使得R’=R*wopt之後之經校正(或經補償)參考影像。接著，使用DL(一偵測網路)及一信雜比(SNR)離群點偵測演算法對T、R’並行執行偵測。離群點偵測演算法可係一適應性臨限演算法。
在105，可產生一臨限缺陷圖。參考圖1C，在105產生臨限缺陷圖可包括在105A，自SEM影像與經對準參考影像之間之一差異判定一概率分佈。接著，在105B，可將一SNR臨限值應用至概率分佈以產生臨限缺陷圖。臨限缺陷圖可包括SNR缺陷。SNR缺陷可係概率分佈中超過SNR臨限值之位置。可設定SNR臨限值以依最大可容許擾亂點率最大化DOI偵測率。SNR臨限值可隨應用變動以針對不同產品及半導體製造商建立捕獲率及擾亂點率。通常在配方設定期間手動地建立SNR臨限值之設定以在一程序窗內達成所要擾亂點/捕獲率。
再次參考圖1A，在106，可使用一基於BBP之性質過濾臨限概率圖之缺陷及臨限缺陷圖之SNR缺陷以產生DOI叢集。基於關照區域之過濾可係二元決策(例如，缺陷是否在一BBP關照區域內部)。基於其他BBP屬性之過濾可係基於規則(例如，有關屬性值之確定性切割線之組合)，或可使用一機器學習分類器。BBP性質可包含一位置窗、一缺陷大小、一極性、背景、區域或一關照區域類型。一位置窗係缺陷周圍之一定 界(x,y)框之座標。缺陷大小係缺陷之最大x或y尺寸。極性係相對於非缺陷影像強度明或暗(正或負)。背景係設計圖案缺陷定位於其中之類型之一指示符。例如，一些設計區域比其他設計區域更易受更嚴重缺陷(例如，「致命」缺陷)影響。區域係檢測區域之一類型或子類型。例如，記憶體(陣列)區域1、2、3；邏輯區域1、2、3；周邊等。關照區域類型包含不同類型之設計產生之關照區域或與不同區域相關聯之手動產生之類型之關照區域。
一實施例包含取決於缺陷類型而將特定過濾應用至一差異影像，且可經應用以增強缺陷信號。此係差分過濾器且可針對差異影像中之特定缺陷類型最佳化。此可在SNR偵測之前應用至GAN差異影像且至輸入至DL偵測網路之差異通道。
一實施例將SEM影像進一步分段成所關注關照區域，此可用於減少差異影像中之雜訊，因此增強DOI之SNR。此係分段以在低雜訊區域中更靈敏地運行且在高雜訊區域中更不靈敏地運行而非針對整個區域之固定靈敏度。
在一實施例中，可將GAN輸出饋送至DL偵測模組以增強DL結果。
在一實施例中，一基於奇異值分解之方法可用於偵測陣列結構中之DOI。此可係DL之一替代或新增偵測方法。此亦可適用於SEM成像。
在另一例項中，一系統(例如，系統600)可包括一SEM(例如，系統600之晶圓檢測工具)及與SEM電子通信之一處理器(例如，處理器608)。SEM可包含一電子發射器(例如，電子束源603)、一偵測器(例 如，偵測器607)及用於固持一樣本(例如，晶圓604或另一工件)之一載物台(例如，載物台610)。SEM可經組態以獲得樣本之一SEM影像。
在一實施例中，空間形態操作(例如，打開、閉合、膨脹、侵蝕)可用於區分不同類型之缺陷與擾亂點。
一演算法可在DL訓練期間用於拔靴法抽樣(bootstrapping)。當不存在足夠已知及手動標記DOI來有效地訓練網路時，一經典的基於決策或臨限演算法可用於幫助在初始DL訓練期間識別缺陷。
在一實施例中，一奇異值分解方法可用於偵測陣列式結構之缺陷。奇異值分解(SVD)可用於預處理SEM影像且因此改良演算法。SVD將一影像分解成可使用其等獲得最佳子秩近似計算之正交分量。使用SVD找到之一影像中之最大物件分量通常對應於與最大奇異值相關聯之特徵影像，而影像雜訊及其他平凡特徵對應於與最小奇異值相關聯之特徵影像。
圖6係一例示性系統600之一實施例之一方塊圖。系統600包含經組態以產生一晶圓604之影像之一晶圓檢測工具(其包含電子柱601)。
晶圓檢測工具可包含一輸出擷取子系統，該輸出擷取子系統包含至少一能量源及一偵測器。輸出擷取子系統可係一基於電子束之輸出擷取子系統。例如，在一項實施例中，經引導至晶圓604之能量包含電子，且自晶圓604偵測之能量包含電子。以此方式，能量源可係一電子束源。在圖6中展示之一項此實施例中，輸出擷取子系統可包含可耦合至電腦子系統602之電子柱601。一載物台610可固持晶圓604。
如圖6中亦展示，電子柱601可包含經組態以產生由一或多個元件605聚焦至晶圓604之電子之一電子束源603。電子束源603可包含(例如)一陰極源或射極尖端。一或多個元件605可包含(例如)一槍透鏡、一陽極、一束限制孔隙、一閘閥、一束電流選擇孔隙、一物鏡及一掃描子系統，其等全部可包含此項技術中已知之任何此等適合元件。
自晶圓604返回之電子(例如，二次電子)可由一或多個元件606聚焦至偵測器607。一或多個元件606可包含(例如)一掃描子系統，該掃描子系統可係包含於(若干)元件605中之相同掃描子系統。
電子柱601亦可包含此項技術中已知之任何其他適合元件。
雖然在圖6中將電子柱601展示為經組態使得電子以一傾斜入射角被引導至晶圓604且以另一傾斜角自晶圓604散射，但電子束可以任何適合角度被引導至晶圓604且自晶圓604散射。另外，基於電子束之輸出擷取子系統可經組態以使用多個模式來產生晶圓604之影像(例如，具有不同照明角、收集角等)。基於電子束之輸出擷取子系統之多個模式可在輸出擷取子系統之任何影像產生參數方面不同。
電腦子系統602可耦合至偵測器607，如上文描述。偵測器607可偵測自晶圓604之表面返回之電子，藉此形成晶圓604之電子束影像。該等電子束影像可包含任何適合電子束影像。電腦子系統602可經組態以使用偵測器607之輸出及/或電子束影像執行本文中描述之功能之任何者。電腦子系統602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6中展示之輸出擷取子系統之一系統600。
應注意，本文中提供圖6以大體上繪示可在本文中描述之實施例中使用之一基於電子束之輸出擷取子系統之一組態。可更改本文中描述之基於電子束之輸出擷取子系統組態以如在設計一商業輸出擷取系統時通常執行般最佳化輸出擷取子系統之效能。
另外，可使用一現有系統(例如，藉由將本文中描述之功能性添加至一現有系統)實施本文中描述之系統。對於一些此等系統，本文中描述之方法可被提供為系統之選用功能性(例如，除了系統之其他功能性之外)。替代地，可將本文中描述之系統設計為一全新系統。
雖然上文將輸出擷取子系統描述為一基於電子束之輸出擷取子系統，但輸出擷取子系統可係一基於離子束之輸出擷取子系統。可如圖6中展示般組態此一輸出擷取子系統，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，輸出擷取子系統可係任何其他適合基於離子束之輸出擷取子系統，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)系統中之彼等。
電腦子系統602包含一處理器608及一電子資料儲存單元609。處理器608可包含一微處理器、一微控制器或其他裝置。
電腦子系統602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)耦合至系統600之組件，使得處理器608可接收輸出。處理器608可經組態以使用輸出執行數個功能。晶圓檢測工具可自處理器608接收指令或其他資訊。處理器608及/或電子資料儲存單元609視情況可與另一晶圓檢測工具、一晶圓度量衡工具或一晶圓檢視工具(未繪示)電子通信以接收額外資訊或發送指令。
處理器608與晶圓檢測工具(諸如偵測器607)電子通信。處理器608可經組態以處理使用來自偵測器607之量測產生之影像。例如，處理器可執行方法100、400或500之實施例。
本文中描述之電腦子系統602、(若干)其他系統或(若干)其他子系統可係各種系統之部分，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。(若干)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，該(等)子系統或該(等)系統可包含具有高速處理及軟體之一平台(作為一獨立工具或一網路工具)。
處理器608及電子資料儲存單元609可經安置於系統600或另一裝置中或以其他方式作為系統600或另一裝置之部分。在一實例中，處理器608及電子資料儲存單元609可係一獨立控制單元之部分或在一集中式品質控制單元中。可使用多個處理器608或電子資料儲存單元609。
實務上，處理器608可藉由硬體、軟體及韌體之任何組合實施。又，如本文中描述之其功能可由一個單元執行或在不同組件當中劃分，該等不同組件之各者可繼而藉由硬體、軟體及韌體之任何組合實施。供處理器608實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體(諸如電子資料儲存單元609中之一記憶體或其他記憶體)中。
若系統600包含一個以上電腦子系統602，則不同子系統可彼此耦合，使得可在子系統之間發送影像、資料、資訊、指令等。例如，一個子系統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)額外子系統。兩個或兩個以上此等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。
處理器608可經組態以使用系統600之輸出或其他輸出執行數個功能。例如，處理器608可經組態以將輸出發送至一電子資料儲存單元609或另一儲存媒體。可如本文中描述般進一步組態處理器608。
處理器608或電腦子系統602可係一缺陷檢視系統、一檢測系統、一度量衡系統或某一其他類型之系統之部分。因此，本文中揭示之實施例描述可以數個方式針對具有或多或少適合於不同應用之不同能力之系統定製之一些組態。
若系統包含一個以上子系統，則不同電腦子系統可彼此耦合，使得可在子系統之間發送影像、資料、資訊、指令等。例如，一個子系統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)額外子系統。兩個或兩個以上此等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。
可根據本文中描述之任何實施例組態處理器608。處理器608亦可經組態以使用系統600之輸出或使用來自其他源之影像或資料執行其他功能或額外步驟。
在一例項中，處理器608可與系統600通信。處理器608可經組態以將一經呈現影像與SEM影像對準以產生一經對準經呈現影像。
處理器608可進一步經組態以將一參考影像與SEM影像對準以產生一經對準參考影像。
處理器608可進一步經組態以藉由以下項產生一臨限概率圖：偵測SEM影像及經對準經呈現影像中之一或多個缺陷；且將一或多個缺陷分類為一DOI或一擾亂點以產生臨限概率圖。
處理器608可進一步經組態以對SEM影像及經對準參考影 像執行動態補償以產生一經校正SEM影像及一經校正參考影像。
處理器608可進一步經組態以藉由以下項產生一臨限缺陷圖：自SEM影像與經對準參考影像之間之一差異判定一概率分佈；且將一SNR臨限值應用至概率分佈以產生臨限缺陷圖，臨限缺陷圖包括定義為概率分佈中超過SNR臨限值之位置之SNR缺陷。
處理器608可進一步經組態以使用一基於寬頻電漿之性質過濾臨限概率圖之缺陷及臨限缺陷圖之SNR缺陷以產生DOI叢集。
可藉由將一設計檔案中之一向量多邊形呈現至經呈現影像而產生經呈現影像。
處理器608可進一步經組態以偏差修圓一設計多邊形以產生向量多邊形。偏差修圓設計多邊形包含將一形狀偏差反覆地添加至設計多邊形或修圓設計多邊形之一邊角。
可藉由使用一GAN修改經呈現影像而產生參考影像。修改經呈現影像可修改經呈現影像之一頂部通道、一第一側通道及一第二側通道。
可藉由使用一深度學習網路基於經呈現影像及SEM影像修改經呈現影像而產生參考影像。
基於寬頻電漿之性質可包含一位置窗、一缺陷大小或一關照區域類型。
處理器608可以此項技術中已知之任何方式通信地耦合至系統600之各種組件或子系統之任何者。再者，處理器608可經組態以藉由可包含有線及/或無線部分之一傳輸媒體自其他系統接收及/或獲取資料或資訊(例如，來自一檢測系統(諸如一檢視工具)之檢測結果、包含設計 資料之一遠端資料庫及類似者)。以此方式，傳輸媒體可用作處理器608與系統600之其他子系統或系統600外部之系統之間之一資料鏈路。
系統600之各種步驟、功能及/或操作及本文中揭示之方法由以下項之一或多者實行：電子電路、邏輯閘、多工器、可程式化邏輯裝置、ASIC、類比或數位控制件/開關、微控制器或運算系統。實施諸如本文中描述之方法之方法之程式指令可經由載體媒體傳輸或儲存於載體媒體上。載體媒體可包含一儲存媒體，諸如一唯讀記憶體、一隨機存取記憶體、一磁碟或光碟、一非揮發性記憶體、一固態記憶體、一磁帶及類似者。一載體媒體可包含一傳輸媒體，諸如一導線、電纜或無線傳輸鏈路。例如，貫穿本發明描述之各種步驟可藉由一單一處理器608(或電腦子系統602)或替代地多個處理器608(或多個電腦子系統602)實行。再者，系統600之不同子系統可包含一或多個運算或邏輯系統。因此，上文描述不應被解譯為對本發明之一限制而僅為一圖解。
一額外實施例可係含有經組態以在一或多個處理器上執行步驟之一或多個程式之一非暫時性電腦可讀儲存媒體。此等步驟可包括將一經呈現影像與一掃描電子顯微鏡(SEM)影像對準以產生一經對準經呈現影像。步驟可進一步包括將一參考影像與SEM影像對準以產生一經對準參考影像。
步驟可進一步包括產生一臨限概率圖。可藉由以下項產生臨限概率圖：偵測SEM影像及經對準經呈現影像中之一或多個缺陷；且將一或多個缺陷分類為一DOI或一擾亂點以產生臨限概率圖。
步驟可進一步包括對SEM影像及經對準參考影像執行動態補償以產生一經校正SEM影像及一經校正參考影像。
步驟可進一步包括產生一臨限缺陷圖。可藉由以下項產生臨限缺陷圖：自SEM影像與經對準參考影像之間之一差異判定一概率分佈；且將一SNR臨限值應用至概率分佈以產生臨限缺陷圖，該臨限缺陷圖包括定義為概率分佈中超過SNR臨限值之位置之SNR缺陷。
步驟可進一步包括使用一基於寬頻電漿之性質過濾臨限概率圖之缺陷及臨限缺陷圖之SNR缺陷以產生DOI叢集。
可藉由將一設計檔案中之一向量多邊形呈現至經呈現影像而產生經呈現影像。可藉由使用一GAN修改經呈現影像而產生參考影像。
基於寬頻電漿之性質可包含一位置窗、一缺陷大小或一關照區域類型。
藉由處理器執行之(若干)組件可包含一深度學習模組(例如，一迴旋神經網路(CNN)模組)。深度學習模組可具有本文中進一步描述之組態之一者。根植於神經網路技術中，深度學習係具有許多神經層之一概率圖模型，通常稱為一深度架構。深度學習技術以一階層方式處理資訊，諸如影像、文字、語音等。在本發明中使用深度學習時，使用來自資料之學習自動地完成特徵提取。例如，可使用深度學習模組基於一或多個經提取特徵提取用於在判定旋轉及平移偏移時參考之特徵。
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之高階抽象化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，輸入與輸出之間存在許 多層，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，待提取以供參考之一特徵)可以許多方式(諸如每像素之強度值之一向量)或以一更抽象方式(如一組邊緣、特定形狀之區域等)表示。一些表示在簡化學習任務(例如，面部辨識或面部表情辨識)方面比其他表示更佳。深度學習可提供用於非監督或半監督式特徵學習及階層式特徵提取之有效演算法。
在此領域中之研究嘗試製作更佳表示且產生模型以自大規模資料學習此等表示。一些表示受神經科學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。
存在具有取決於概率規範及網路架構之深度架構之神經網路之許多變體，包含(但不限於)深度信念網路(DBN)、受限玻爾茲曼(Boltzmann)機器(RBM)及自動編碼器。另一類型之深度神經網路(一CNN)可用於特徵分析。實際實施方案可取決於輸入影像之大小、待分析之特徵之數目及問題之性質而變動。除了本文中揭示之神經網路之外，其他層亦可被包含於深度學習模組中。
在一實施例中，深度學習模組係一機器學習模型。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慧(AI)。機器學習致力於開發可教示其等或自身在曝露至新資料時生長及改變之電腦程式。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本輸入建立一模型來作出資料驅動預測或決策而克服以下嚴格靜態程式指令。
在一些實施例中，深度學習模組係一生成模型。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，一生成模型係執行順向模擬或基於規則之方法之模型。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，深度學習模組經組態為一深度生成模型。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。一深度學習模型可經組態為一GAN之部分或可經組態以使用一GAN。
在另一實施例中，深度學習模組經組態為一神經網路。在一進一步實施例中，深度學習模組可係具有一組權重之一深度神經網路，該組權重根據已被饋送來訓練該深度學習模組之資料模型化世界。神經網路可大體上定義為基於神經單元之一相對大集合之一運算方法，其鬆散地模型化一生物大腦使用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。
神經網路通常包括多個層，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，但若干神經網路遠更抽象。現代神經網路專案通常使用數千至數百萬個神經單元及數百萬個連接工作。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，用於本文中揭示之半導體檢測應用之深度學習模組經組態為一AlexNet。例如，一AlexNet包含數個迴旋層(例如，5個)，其後接著數個完全連接層(例如，3個)，其等組合地經組態且 經訓練以分析用於判定旋轉及平移偏移之特徵。在另一此實施例中，用於本文中揭示之半導體檢測應用之深度學習模組經組態為一GoogleNet。例如，一GoogleNet可包含層，諸如迴旋層、匯集層及完全連接層，諸如經組態且經訓練以分析用於判定旋轉及平移偏移之特徵之本文中進一步描述之彼等。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稱為起始模組。其他層可循序操作。因此，GoogleNet與本文中描述之其他神經網路不同之處在於並非全部層皆以一循序結構配置。並行層可類似於Google之起始網路或其他結構。
在一進一步此實施例中，用於本文中揭示之半導體檢測應用之深度學習模組經組態為一視覺幾何群組(VGG)網路。例如，藉由增加迴旋層之數目同時固定架構之其他參數而產生VGG網路。藉由在全部層中使用實質上小的迴旋濾波器而使添加迴旋層以增加深度變可能。如同本文中描述之其他神經網路，產生且訓練VGG網路以分析用於判定旋轉及平移偏移之特徵。VGG網路亦包含其後接著完全連接層之迴旋層。
在一些此等實施例中，用於本文中揭示之半導體檢測應用之深度學習模組經組態為一深度殘餘網路。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迴旋層，其等組合地經組態且經訓練用於特徵性質提取。在一深度殘餘網路中，該等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，此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。可藉由採用包含迴旋層之一普通神經網路結構且插入捷徑連接 (藉此採用普通神經網路且將其轉變為其殘餘學習對應物)而產生一深度殘餘網。
在一進一步此實施例中，用於本文中揭示之半導體檢測應用之深度學習模組包含經組態用於分析用於判定旋轉及平移偏移之特徵之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)完全連接層可基於由(若干)迴旋層提取之特徵執行分類，(該等)迴旋層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經選擇特徵分析(若干)輸入影像。經選擇特徵可包含特徵圖中之全部特徵(若適當)或僅特徵圖中之一些特徵。
在一些實施例中，由深度學習模組判定之資訊包含由深度學習模組提取之特徵性質。在一項此實施例中，深度學習模組包含一或多個迴旋層。(若干)迴旋層可具有此項技術中已知之任何適合組態。以此方式，深度學習模組(或深度學習模組之至少一部分)可經組態為一CNN。例如，深度學習模組可經組態為用以提取局部特徵之一CNN，其通常係迴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)來解決通常難處理之表示反轉問題。深度學習模組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由一或多個迴旋層產生之特徵圖之維度同時維持最重要的特徵。
一般言之，本文中描述之深度學習模組係一經訓練深度學習模組。例如，可藉由一或多個其他系統及/或方法先前訓練深度學習模組。深度學習模組已經產生且訓練且接著如本文中描述般判定模組之功能 性，模組之功能性可接著用於執行用於深度學習模組之一或多個額外功能。
如上文陳述，雖然本文中使用一CNN來繪示一深度學習系統之架構，但本發明不限於一CNN。可在實施例中使用深度學習架構之其他變體。例如，可使用自動編碼器、DBN及RBM。亦可使用隨機森林。
可將訓練資料輸入至模組訓練(例如，CNN訓練)，該模組訓練可以任何適合方式執行。例如，模組訓練可包含將訓練資料輸入至深度學習模組(例如，一CNN)且修改模組之一或多個參數直至模組之輸出與外部驗證資料相同(或實質上相同)。模組訓練可產生一或多個經訓練模組，接著可將該一或多個經訓練模組發送至模組選擇，使用驗證資料執行該模組選擇。可比較由各一或多個經訓練模組針對輸入至一或多個經訓練模組之驗證資料產生之結果與驗證資料以判定哪一模組係最佳模組。例如，可將產生最緊密匹配驗證資料之結果之模組選擇為最佳模組。測試資料可接著用於經選擇之模組(例如，最佳模組)之模組評估。可以任何適合方式執行模組評估。亦可將最佳模組發送至模組部署，其中最佳模組可被發送至半導體檢測工具以供使用(訓練後模式)。
由本發明之實施例呈現之優點可係若干個。融合基於參考影像之偵測及基於DL之偵測可改良缺陷偵測準確度。BBP輔助偵測可實現使用缺陷性質(尤其包含缺陷之位置、大小、極性、背景及區域)以改良缺陷偵測準確度。過濾缺陷類型可改良缺陷信號，從而改良缺陷偵測準確度。參考產生可產生緊密類似測試影像之參考影像，從而移除自一鄰近晶粒擷取一參考影像之一需要，且因此降低處理能力(例如，至所需處理能 力之一半)。基於形態分析之偵測可用於某些缺陷類型。在一重複幾何結構之情況中，可使用一奇異值分解技術偵測缺失或新增圖案。經典偵測演算法可用作用於基於DL之訓練之一拔靴法抽樣步驟，從而實現各種缺陷類型中之饋送。經典缺陷方法在使用基於DL之訓練實施時將可不受程序變動影響。經典方法可不需要大量訓練，此係因為將不需要學習全部缺陷類型或全部缺陷位置。最終，本發明之實施例可達成95%之DOI準確度及99%或99.9%之擾亂點準確度。
本文中揭示之各項實施例及實例中描述之步驟之方法足以實行本發明之方法。因此，在一實施例中，方法基本上由本文中揭示之方法之步驟之一組合組成。在另一實施例中，方法由此等步驟組成。
雖然已關於一或多個特定實施例描述本發明，但應理解，可製作本發明之其他實施例而不脫離本發明之範疇。
100:方法
101:步驟
102:步驟
103:步驟
104:步驟
105:步驟
106:步驟

Claims (20)

  1. 一種半導體缺陷偵測及分類的方法，其包括：將一經呈現影像與一掃描電子顯微鏡(SEM)影像對準以產生一經對準經呈現影像；將一參考影像與該SEM影像對準以產生一經對準參考影像；藉由以下項產生一臨限概率圖：偵測該SEM影像及該經對準經呈現影像中之一或多個缺陷；且將該一或多個缺陷分類為一所關注缺陷或一擾亂點以產生該臨限概率圖；對該SEM影像及該經對準參考影像執行動態補償以產生一經校正SEM影像及一經校正參考影像；藉由以下項產生一臨限缺陷圖：自該SEM影像與該經對準參考影像之間之一差異判定一概率分佈；且將一信雜比臨限值應用至該概率分佈以產生該臨限缺陷圖，該臨限缺陷圖包括定義為該概率分佈中超過該信雜比臨限值之位置之信雜比缺陷；及使用一基於寬頻電漿之性質過濾該臨限概率圖之該等缺陷及該臨限缺陷圖之該等信雜比缺陷以產生所關注缺陷叢集。
  2. 如請求項1之方法，其中藉由將一設計檔案中之一向量多邊形呈現至該經呈現影像而產生該經呈現影像。
  3. 如請求項2之方法，其進一步包括偏差修圓一設計多邊形以產生該向量多邊形。
  4. 如請求項3之方法，其中偏差修圓該設計多邊形包含將一形狀偏差反覆地添加至該設計多邊形或修圓該設計多邊形之一邊角。
  5. 如請求項1之方法，其中藉由使用一生成對抗網路修改該經呈現影像而產生該參考影像。
  6. 如請求項5之方法，其中修改該經呈現影像修改該經呈現影像之一頂部通道、一第一側通道及一第二側通道。
  7. 如請求項1之方法，其中藉由使用一深度學習網路基於該經呈現影像及該SEM影像修改該經呈現影像而產生該參考影像。
  8. 如請求項1之方法，其中該基於寬頻電漿之性質包含一位置窗、一缺陷大小或一關照區域類型。
  9. 一種半導體缺陷偵測及分類的系統，其包括：一掃描電子顯微鏡(SEM)，其包含一電子發射器、一偵測器及用於固持一樣本之一載物台，該SEM經組態以獲得該樣本之一SEM影像；及一處理器，其與該SEM電子通信，該處理器經組態以： 將一經呈現影像與該SEM影像對準以產生一經對準經呈現影像；將一參考影像與該SEM影像對準以產生一經對準參考影像；藉由以下項產生一臨限概率圖：偵測該SEM影像及該經對準經呈現影像中之一或多個缺陷；且將該一或多個缺陷分類為一所關注缺陷或一擾亂點以產生該臨限概率圖；對該SEM影像及該經對準參考影像執行動態補償以產生一經校正SEM影像及一經校正參考影像；藉由以下項產生一臨限缺陷圖：自該SEM影像與該經對準參考影像之間之一差異判定一概率分佈；且將一信雜比臨限值應用至該概率分佈以產生該臨限缺陷圖，該臨限缺陷圖包括定義為該概率分佈中超過該信雜比臨限值之位置之信雜比缺陷；且使用一基於寬頻電漿之性質過濾該臨限概率圖之該等缺陷及該臨限缺陷圖之該等信雜比缺陷以產生所關注缺陷叢集。
  10. 如請求項9之系統，其中藉由將一設計檔案中之一向量多邊形呈現至該經呈現影像而產生該經呈現影像。
  11. 如請求項10之系統，其中該處理器進一步經組態以偏差修圓一設計多邊形以產生該向量多邊形。
  12. 如請求項11之系統，其中偏差修圓該設計多邊形包含將一形狀偏差反覆地添加至該設計多邊形或修圓該設計多邊形之一邊角。
  13. 如請求項9之系統，其中藉由使用一生成對抗網路修改該經呈現影像而產生該參考影像。
  14. 如請求項13之系統，其中修改該經呈現影像修改該經呈現影像之一頂部通道、一第一側通道及一第二側通道。
  15. 如請求項9之系統，其中藉由使用一深度學習網路基於該經呈現影像及該SEM影像修改該經呈現影像而產生該參考影像。
  16. 如請求項9之系統，其中該基於寬頻電漿之性質包含一位置窗、一缺陷大小或一關照區域類型。
  17. 一種非暫時性電腦可讀儲存媒體，其含有經組態以在一或多個處理器上執行以下步驟之一或多個程式：將一經呈現影像與一掃描電子顯微鏡(SEM)影像對準以產生一經對準經呈現影像；將一參考影像與該SEM影像對準以產生一經對準參考影像；藉由以下項產生一臨限概率圖：偵測該SEM影像及該經對準經呈現影像中之一或多個缺陷；且將該一或多個缺陷分類為一所關注缺陷或一擾亂點以產生該臨限 概率圖；對該SEM影像及該經對準參考影像執行動態補償以產生一經校正SEM影像及一經校正參考影像；藉由以下項產生一臨限缺陷圖：自該SEM影像與該經對準參考影像之間之一差異判定一概率分佈；且將一信雜比臨限值應用至該概率分佈以產生該臨限缺陷圖，該臨限缺陷圖包括定義為該概率分佈中超過該信雜比臨限值之位置之信雜比缺陷；及使用一基於寬頻電漿之性質過濾該臨限概率圖之該等缺陷及該臨限缺陷圖之該等信雜比缺陷以產生所關注缺陷叢集。
  18. 如請求項17之非暫時性電腦可讀儲存媒體，其中藉由將一設計檔案中之一向量多邊形呈現至該經呈現影像而產生該經呈現影像。
  19. 如請求項17之非暫時性電腦可讀儲存媒體，其中藉由使用一生成對抗網路修改該經呈現影像而產生該參考影像。
  20. 如請求項17之非暫時性電腦可讀儲存媒體，其中該基於寬頻電漿之性質包含一位置窗、一缺陷大小或一關照區域類型。
TW109136397A 2019-10-31 2020-10-21 半導體缺陷偵測及分類的方法及系統，以及非暫時性電腦可讀儲存媒體 TWI845781B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962928513P 2019-10-31 2019-10-31
US62/928,513 2019-10-31
US16/852,359 US11450012B2 (en) 2019-10-31 2020-04-17 BBP assisted defect detection flow for SEM images
US16/852,359 2020-04-17

Publications (2)

Publication Number Publication Date
TW202135116A TW202135116A (zh) 2021-09-16
TWI845781B true TWI845781B (zh) 2024-06-21

Family

ID=75687516

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109136397A TWI845781B (zh) 2019-10-31 2020-10-21 半導體缺陷偵測及分類的方法及系統，以及非暫時性電腦可讀儲存媒體

Country Status (6)

Country Link
US (1) US11450012B2 (zh)
KR (1) KR102707763B1 (zh)
CN (1) CN114600154B (zh)
IL (1) IL292208B2 (zh)
TW (1) TWI845781B (zh)
WO (1) WO2021087014A1 (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11431976B2 (en) * 2019-01-28 2022-08-30 Kla Corporation System and method for inspection using tensor decomposition and singular value decomposition
JP7262409B2 (ja) * 2020-03-06 2023-04-21 株式会社日立ハイテク 試料観察システム及び画像処理方法
US20220059316A1 (en) * 2020-08-19 2022-02-24 Kla Corporation Scanning Electron Microscope Image Anchoring to Design for Array
US12118708B2 (en) * 2020-10-05 2024-10-15 Samsung Electronics Co., Ltd. Device and method for detecting defects on wafer
US12315176B2 (en) * 2021-04-14 2025-05-27 Canon Virginia, Inc. Devices, systems, and methods for anomaly detection
JP7624355B2 (ja) * 2021-06-22 2025-01-30 株式会社日立ハイテク 試料観察装置および方法
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
CN113837225B (zh) * 2021-08-25 2024-07-09 佛山市灵觉科技有限公司 一种基于深度学习的缺陷检测3d打印装置及方法
CN118451450A (zh) * 2021-11-16 2024-08-06 Asml荷兰有限公司 用于带电粒子系统中的缺陷检测和缺陷位置标识的系统和方法
KR20230081363A (ko) 2021-11-30 2023-06-07 삼성전자주식회사 딥러닝 기반 반도체 소자의 디펙 검출 방법 및 그 디펙 검출 방법을 포함한 반도체 소자 제조방법
WO2023110285A1 (en) * 2021-12-16 2023-06-22 Asml Netherlands B.V. Method and system of defect detection for inspection sample based on machine learning model
JP7538174B2 (ja) * 2022-05-23 2024-08-21 日本電子株式会社 マスイメージ処理装置及び方法
CN115240193B (zh) * 2022-07-29 2023-12-22 山东品正金属制品有限公司 一种电动汽车电机主轴的表面处理方法及系统
KR20240070310A (ko) 2022-11-14 2024-05-21 전남대학교산학협력단 멤브레인 이미지의 특성 추출을 이용한 표면평균 거칠기 분석 장치 및 방법
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
CN117078589B (zh) * 2023-07-03 2025-05-30 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于多智能体强化学习的自监督神经元分割方法
CN116883391B (zh) * 2023-09-05 2023-12-19 中国科学技术大学 一种基于多尺度滑动窗口的两阶段配电线路缺陷检测方法
CN117315387B (zh) * 2023-09-07 2025-11-04 深圳市华汉伟业科技有限公司 一种工业缺陷图像生成方法
US20250066903A1 (en) * 2024-01-19 2025-02-27 Ut-Battelle, Llc Remote laser-based sample heater with sample exchange turret
CN117952983B (zh) * 2024-03-27 2024-07-26 中电科大数据研究院有限公司 一种基于人工智能的智能制造生产过程监控方法和系统
US20250383610A1 (en) * 2024-06-18 2025-12-18 Kla Corporation System and method for overlay measurement using design data and deep learning segmentation

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040052411A1 (en) * 2002-09-13 2004-03-18 Numerical Technologies, Inc. Soft defect printability simulation and analysis for masks
US20170228866A1 (en) * 2016-02-04 2017-08-10 Kla-Tencor Corporation Automatic deskew using design files or inspection images
US20180197714A1 (en) * 2017-01-10 2018-07-12 Kla-Tencor Corporation Diagnostic Methods for the Classifiers and the Defects Captured by Optical Tools
US20180218492A1 (en) * 2017-01-30 2018-08-02 Dongfang Jingyuan Electron Limited Method And System For Identifying Defects Of Integrated Circuits
TW201939564A (zh) * 2018-01-05 2019-10-01 美商克萊譚克公司 使用設計以補償掃描電子顯微鏡束之失真引起之計量誤差

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6427024B1 (en) * 1999-04-02 2002-07-30 Beltronics, Inc. Apparatus for and method of automatic optical inspection of electronic circuit boards, wafers and the like for defects, using skeletal reference inspection and separately programmable alignment tolerance and detection parameters
US8320641B2 (en) * 2004-10-28 2012-11-27 DigitalOptics Corporation Europe Limited Method and apparatus for red-eye detection using preview or other reference images
JP4866141B2 (ja) * 2006-05-11 2012-02-01 株式会社日立ハイテクノロジーズ Ｓｅｍ式レビュー装置を用いた欠陥レビュー方法及びｓｅｍ式欠陥レビュー装置
US8175373B2 (en) * 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US11010886B2 (en) 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US11222799B2 (en) 2017-10-18 2022-01-11 Kla Corporation Swath selection for semiconductor inspection
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
US11379647B2 (en) 2018-03-30 2022-07-05 Intel Corporation Multilayer optical proximity correction (OPC) model for OPC correction
CN112955926B (zh) * 2018-10-23 2025-07-01 Asml荷兰有限公司 用于自适应对准的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040052411A1 (en) * 2002-09-13 2004-03-18 Numerical Technologies, Inc. Soft defect printability simulation and analysis for masks
US20170228866A1 (en) * 2016-02-04 2017-08-10 Kla-Tencor Corporation Automatic deskew using design files or inspection images
US20180197714A1 (en) * 2017-01-10 2018-07-12 Kla-Tencor Corporation Diagnostic Methods for the Classifiers and the Defects Captured by Optical Tools
US20180218492A1 (en) * 2017-01-30 2018-08-02 Dongfang Jingyuan Electron Limited Method And System For Identifying Defects Of Integrated Circuits
TW201939564A (zh) * 2018-01-05 2019-10-01 美商克萊譚克公司 使用設計以補償掃描電子顯微鏡束之失真引起之計量誤差

Also Published As

Publication number Publication date
US20210133989A1 (en) 2021-05-06
US11450012B2 (en) 2022-09-20
IL292208B2 (en) 2025-01-01
IL292208A (en) 2022-06-01
TW202135116A (zh) 2021-09-16
WO2021087014A1 (en) 2021-05-06
KR102707763B1 (ko) 2024-09-20
IL292208B1 (en) 2024-09-01
CN114600154A (zh) 2022-06-07
CN114600154B (zh) 2023-07-07
KR20220095216A (ko) 2022-07-06

Similar Documents

Publication Publication Date Title
TWI845781B (zh) 半導體缺陷偵測及分類的方法及系統，以及非暫時性電腦可讀儲存媒體
CN111819676B (zh) 训练用于低分辨率图像中的缺陷检测的神经网络
CN108351600B (zh) 从设计信息产生模拟图像
KR102622720B1 (ko) 적층 잡음 제거 오토 인코더를 사용한 이미지 잡음 감소
US20210272273A1 (en) GENERATIVE ADVERSARIAL NETWORKS (GANs) FOR SIMULATING SPECIMEN IMAGES
CN108475350B (zh) 使用基于学习的模型加速半导体缺陷检测的方法和系统
TWI855263B (zh) 用於選擇用於對樣品執行程序的工具之一模式的系統及電腦實施之方法以及相關的儲存程式指令之非暫時性電腦可讀媒體
US11694327B2 (en) Cross layer common-unique analysis for nuisance filtering
CN114600156B (zh) 用于滋扰滤波的深度学习网络
JP2014178229A (ja) 教師データ作成方法、画像分類方法および画像分類装置
KR20210042997A (ko) 반도체 제조에서 확률적 불량 메트릭의 사용
TWI861460B (zh) 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