[go: up one dir, main page]

TWI858200B - 檢查樣本的方法、系統及非暫時性電腦可讀儲存媒體 - Google Patents

檢查樣本的方法、系統及非暫時性電腦可讀儲存媒體 Download PDF

Info

Publication number
TWI858200B
TWI858200B TW109143767A TW109143767A TWI858200B TW I858200 B TWI858200 B TW I858200B TW 109143767 A TW109143767 A TW 109143767A TW 109143767 A TW109143767 A TW 109143767A TW I858200 B TWI858200 B TW I858200B
Authority
TW
Taiwan
Prior art keywords
potential
defects
subset
review
defect
Prior art date
Application number
TW109143767A
Other languages
English (en)
Other versions
TW202146884A (zh
Inventor
尤坦姆 索佛
肖爾 英格勒
寶茲 扣漢
薩爾 夏博泰
艾莫 巴爾
馬塞羅卡布里艾爾 巴契爾
Original Assignee
以色列商應用材料以色列公司
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 以色列商應用材料以色列公司 filed Critical 以色列商應用材料以色列公司
Publication of TW202146884A publication Critical patent/TW202146884A/zh
Application granted granted Critical
Publication of TWI858200B publication Critical patent/TWI858200B/zh

Links

Classifications

    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/091—Active learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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

Landscapes

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

Abstract

本案提供了一種用於檢查樣本的系統、方法和電腦可讀媒體，所述方法包括以下步驟：從檢驗工具接收的潛在缺陷群組中選擇的審查子集獲得關注缺陷(DOI)和錯誤報警(FA)，每個潛在缺陷與屬性值相關聯，所述屬性值定義潛在缺陷在屬性空間中的位置；產生所述群組的代表子集，包括根據潛在缺陷在屬性空間中的分佈來選擇的潛在缺陷，並且將代表子集中的潛在缺陷指示為FA；和在使用提供DOI的屬性值、代表子集的潛在缺陷、和其作為DOI或FA的相應指示的資訊的資料訓練分類器之後，將分類器應用於至少一些潛在缺陷以獲得對樣本中的預期DOI的數量的估計。

Description

檢查樣本的方法、系統及非暫時性電腦可讀儲存媒體
本文所揭示的主題一般涉及檢查樣本的領域，並且更具體來說，涉及用於檢測樣本缺陷的方法和系統。
當前對與所製造裝置的超大規模集成相關聯的高密度和效能的需求會需要亞微米的特徵、增加的電晶體和電路速度和改善的可靠性。這類需求需要形成具有高精確度和均勻性的裝置特徵，這繼而有必要小心監控製造製程，包含在裝置仍處於半導體晶圓的形式時自動檢查所述裝置。注意到，製造製程可以包括製造前、製造中和/或製造後操作。
在本說明書中使用的術語「樣本」應當被廣泛地解釋為涵蓋用於製造半導體積體電路、磁頭、平板顯示器和其他半導體製造的物品的任何種類的晶圓、遮罩和其他結構、其組合和/或部分。
在本說明書中使用的術語「檢查」應當被廣泛地解釋為涵蓋任何種類的計量有關操作以及關於在樣本製造期間檢測和/或分類樣本中的缺陷的操作。檢查藉由在製造要檢查的樣本期間或之後使用無損檢查工具來執行。舉個非限制性的例子，檢查製程可以包含使用相同或不同的檢查工具來運行時掃描（單次或多次掃描）、取樣、審查、測量、分類和/或關於樣本或其部分提供的其他操作。同樣，至少一些檢查可以在製造要檢查的樣本之前執行，並且可以包含例如產生檢查方案、訓練相應分類器或其他機器學習有關的工具和/或其他設置操作。注意到，除非另外特別聲明，否則在本說明書中使用的術語「檢查」或其衍生詞不限制所檢驗區域的解析度或大小。舉個非限制性的例子，各種無損檢查工具包括掃描電子顯微鏡、原子力顯微鏡、光學檢驗工具等等。
舉個非限制性的例子，運行時檢查可以採用兩階段過程，例如，檢驗樣本接著審查取樣位置是否有潛在缺陷。在第一階段期間，以高速和相對低的解析度檢驗樣本的表面。在第一階段中，產生缺陷圖來圖示懷疑具有高缺陷概率的樣本上的位置。在第二階段期間，以相對高的解析度更透徹地分析這種懷疑位置中的至少一些位置。在一些情況下，兩個階段皆可以由相同檢驗工具來實現，並且在一些其他情況下，這兩個階段由不同的檢驗工具來實現。
在半導體製造期間的各個步驟處使用檢查製程，來檢測和分類樣本上的缺陷。檢查大體上涉及藉由將光或電子引導至晶圓，並檢測來自晶圓的光或電子，來產生針對晶圓的一些輸出（例如，圖像、信號等等）。一旦已產生輸出，通常藉由對輸出應用缺陷檢測方法和/或演算法來執行缺陷檢測。最經常是，檢查的目的是提供對關注缺陷的高敏感度，同時抑制對晶圓上噪擾和雜訊的檢測。
根據本文所揭示的主題的某些方面，提供了一種檢查樣本的系統，所述系統包括：處理和記憶體電路(PMC)，包括可操作地耦合到記憶體的處理器，PMC被配置為：從檢驗工具接收的潛在缺陷群組中選擇的審查子集獲得多個關注缺陷(DOI)和多個錯誤報警(FA)，其中每個潛在缺陷與多個屬性值相關聯，所述屬性值定義潛在缺陷在屬性空間中的位置；產生潛在缺陷群組的代表子集，代表子集包括根據潛在缺陷群組在屬性空間內的分佈而選擇的潛在缺陷，並且將代表子集中的潛在缺陷指示為FA；和在使用提供DOI的屬性值、代表子集的潛在缺陷、和其作為DOI或FA的相應指示的資訊的資料訓練分類器之後，將分類器應用於至少一些潛在缺陷以獲得對樣本中的預期DOI的數量的估計。
除了以上特徵之外，根據本文所揭示的主題的此方面的方法可以包括以技術上可能的任何預期組合或排列的下文列出的特徵(i)至(x)中的一個或多個： (i)在檢查系統內，PMC可以被配置為選擇代表子集作為潛在缺陷群組的核心集。 (ii)在檢查系統內，PMC可以被配置為使用K均值平行演算法選擇潛在缺陷群組的核心集。 (iii)在檢查系統內，可以產生代表子集，以便不與DOI重疊。 (iv)在檢查系統內，PMC可以被配置為獲得多個DOI和多個FA如下：從潛在缺陷群組中選擇潛在缺陷的審查子集；對於來自潛在缺陷的審查子集的每個給定潛在缺陷：獲得關於給定潛在缺陷是關注缺陷還是錯誤報警的指示，所述指示基於給定缺陷的所接收審查工具圖像；和將給定潛在缺陷分別指派給多個DOI或多個FA。 (v)在檢查系統內，PMC可以被配置為選擇潛在缺陷的審查子集、獲得指示、並且指派給定潛在缺陷如下：群集潛在缺陷群組以獲得多個群集；根據使用一個或多個效用函數獲得的潛在缺陷的評分來從多個群集中的每一者取樣潛在缺陷的初始群組；接收潛在缺陷的初始群組中的潛在缺陷的審查結果，並且將指示其中的每個缺陷是關注缺陷還是錯誤報警的標籤與每個缺陷相關聯；決定預定審查預算是否耗盡；和若未耗盡，則基於審查結果來更新剩餘潛在缺陷的評分，並且重複取樣、接收審查結果和關聯的步驟。 (vi)在檢查系統內，潛在缺陷群組可以是潛在缺陷群集，並且將分類器訓練且應用於群集中的潛在缺陷。 (vii)在檢查系統內，可驗證預期DOI的數量用於確認分類器。 (viii)在檢查系統內，PMC可以進一步被配置為使用預期DOI的數量來估計錯誤報警率(FAR)。 (ix)在檢查系統內，評估樣本中預期的關注缺陷的數量可以用於當檢查與樣本相同類型的額外樣本時確定要由審查工具審查的潛在缺陷的預算。 (x)在檢查系統內，PMC可以是檢驗工具的部分、或審查工具的部分、或在不同模式下操作的組合的檢驗和審查工具的部分、或與檢驗工具和審查工具分離。
根據本文所揭示的主題的其他方面，提供了一種檢查樣本的方法，包括以下步驟：從檢驗工具接收的潛在缺陷群組中選擇的審查子集獲得多個關注缺陷(DOI)和多個錯誤報警(FA)，其中每個潛在缺陷與多個屬性值相關聯，所述屬性值定義潛在缺陷在屬性空間中的位置；產生潛在缺陷群組的代表子集，所述代表子集包括根據潛在缺陷群組在屬性空間中的分佈來選擇的潛在缺陷，並且將代表子集中的潛在缺陷指示為FA；和在使用提供DOI的屬性值、代表子集的潛在缺陷、和其作為DOI或FA的相應指示的資訊的資料訓練分類器之後，將分類器應用於至少一些潛在缺陷以獲得對樣本中的預期DOI的數量的估計。
所揭示的主題的這方面可以包括以技術上可能的任何預期組合或排列的上文關於所述系統列出的特徵(i)至(x)中的一個或多個，已作必要的修正。
根據本文所揭示的主題的其他方面，提供了一種非暫時性電腦可讀媒體，包括當由電腦執行時導致電腦執行檢查樣本的方法的指令，所述方法包括以下步驟：從檢驗工具接收的潛在缺陷群組中選擇的審查子集獲得多個關注缺陷(DOI)和多個錯誤報警(FA)，其中每個潛在缺陷與多個屬性值相關聯，所述屬性值定義潛在缺陷在屬性空間中的位置；產生潛在缺陷群組的代表子集，所述代表子集包括根據潛在缺陷群組在屬性空間中的分佈來選擇的潛在缺陷，並且將代表子集中的潛在缺陷指示為FA；和在使用提供DOI的屬性值、代表子集的潛在缺陷、和其作為DOI或FA的相應指示的資訊的資料訓練分類器之後，將分類器應用於至少一些潛在缺陷以獲得對樣本中的預期DOI的數量的估計。
所揭示的主題的這方面可以包括以技術上可能的任何預期組合或排列的上文關於所述系統列出的特徵(i)至(x)中的一個或多個，已作必要的修正。
在以下詳細描述中，闡述一些具體細節來提供對本發明的透徹理解。然而，熟習本領域者將理解，本文所揭示的主題可在不具有這些具體細節的情況下實踐。在其他情況中，尚未詳細描述熟知方法、過程、部件和電路，以便不混淆本文所揭示的主題。
除非另外具體聲明，如從以下論述顯而易見的，瞭解到在整個本說明書的論述中，採用術語諸如「獲得」、「產生」、「接收」、「訓練」、「應用」、「確定」、「選擇」、「指派」、「群集」、「取樣」、「關聯」、「更新」、「重複」、「驗證」、「估計」等等指將資料操縱和/或變換為其他資料的電腦的動作和/或處理，所述資料表示為物理的，諸如電子、數量和/或所述資料表示實體物品。術語「電腦」應當被廣泛地解釋為涵蓋任何種類的具有資料處理能力的基於硬體的電子裝置，舉個非限制性的例子，所述電子裝置包含在本申請中揭示的檢查系統和其相應部分。
本文使用的術語「非暫時性記憶體」和「非暫時性存儲媒體」應當被廣泛地解釋為涵蓋適用於本文所揭示的主題的任何揮發性或非揮發性電腦記憶體。
本說明書中使用的術語「缺陷」應當被廣泛地解釋為涵蓋任何種類的異常或在樣本上或樣本內形成的不當特徵。
本說明書中使用的術語「設計資料」應當被廣泛地解釋為涵蓋指示樣本的分層實體設計（佈局）的任何資料。設計資料可以由相應設計者提供和/或可以從實體設計（例如，透過複雜模擬、簡單幾何和布耳運算等等）得出。舉個非限制性的例子，設計資料可以不同格式提供，如GDSII格式、OASIS格式等等。設計資料可以向量格式、灰度強度圖像格式、或其他方式存在。
本文所使用的術語「取樣」應被廣泛地解釋為涵蓋從檢驗工具或任何其他來源獲得的樣本位置的集合中的一個或多個樣本位置的任何選擇，例如從使用者接收、從設計資料萃取、由先前製程報告、從外部來源接收、或其他的樣本位置。所取樣的樣本位置可以從要由審查工具審查的樣本位置的集合中選擇。如下文詳述，每個位置可以被描述為屬性值的集合，因此位置集合跨越屬性空間。取樣可以被廣泛地解釋為選擇表示所跨越屬性空間的位置集合。
瞭解到，除非另外具體聲明，在獨立實施方式的上下文中描述的本文所揭示的主題的某些特徵也可以在單個實施方式中作為組合提供。相反，在單個實施方式的上下文中描述的本文所揭示的主題的各種特徵也可以分別提供或以任何合適的子組合提供。在以下詳細描述中，闡述一些具體細節以提供對方法和設備的透徹理解。
鑒於此，注意到圖1，示出根據本文所揭示的主題的某些實施方式的檢查系統的一般方框圖。圖1中示出的檢查系統100可以用於檢查（例如，晶圓和/或其部分的）樣本作為樣本製造的一部分。檢查可以為樣本製造的一部分，並且可以在製造樣本期間或其後執行。檢查系統可以包括各種檢查工具，例如，被配置為捕獲檢驗圖像（例如，通常由光學檢驗系統、低解析度SEM等等以相對高速和/或低解析度捕獲的）和輸出潛在缺陷（例如，可能發現缺陷的位置）的一個或多個檢驗工具101以及被配置為例如通常由掃描電子顯微鏡(SEM)或原子力顯微鏡(AFM)以相對低速和/或高解析度捕獲由檢驗工具101檢測的至少一些潛在缺陷的審查圖像的一個或多個審查工具102。
如上文提及，可以在不同解析度下捕獲樣本上的所需位置的圖像。在一些實施方式中，相同位置的圖像（具有相同或不同解析度）可以包括其間對準的（registered）數個圖像。
樣本可以由檢驗工具101檢查。所得圖像和/或衍生圖像可以被處理（視情況與其他資料一起，例如，作為設計資料和/或缺陷分類資料）以選擇用於審查的潛在缺陷、評估缺陷數量、和/或表徵樣本中的缺陷。
所示出的檢查系統100包括基於電腦的自動缺陷分類工具103。缺陷分類工具103可以可操作地連接到一個或多個檢驗工具101和/或一個或多個審查工具102。視情況，缺陷分類工具103可以是獨立工具、或者與一個或多個檢驗工具101或審查工具102完全或部分集成或由所述工具託管。缺陷分類工具103可以進一步可操作地連接到設計伺服器110和/或資料存儲庫109。
舉個非限制性的例子，缺陷分類工具103可以用於不同目的。例如，為了將檢驗檢查工具101提供的潛在缺陷自動分類為多個類別，並且具體來說分類為關注缺陷(DOI)和錯誤報警(FA)；從DOI過濾FA，識別特定DOI、評估在樣本中的DOI的數量或其特性、選擇由檢驗工具101提供的一些潛在缺陷用於由審查工具102審查、建立帕累托(Pareto)以便識別統計製程式控制制(SPC)中的偏差、和/或其他。
缺陷可以表示為屬性集合，其中每個缺陷與一個或多個屬性的值相關聯。一些屬性可以是數位並且可以被指派有來自有限或無限範圍的任何值；其他屬性可以被指派有離散數位或非數位的值。因此，每個缺陷表示由可能的屬性值產生的屬性空間中的點。度量可被定義為用於基於其屬性值來確定在屬性空間中的兩個缺陷之間的距離。
缺陷分類工具103可被配置為經由輸入介面105接收輸入資料。輸入資料可以包含由檢驗工具101和/或審查工具102產生的圖像資料（和/或其衍生物和/或與其相關聯的中繼資料）和/或在設計資料伺服器110和/或一個或多個資料存儲庫中存儲的資料。在一些實施方式中，輸入資料可以包括一個或多個運行時圖像。
缺陷分類工具103包括處理器和記憶體電路(PMC) 104，PMC 104可操作地連接到基於硬體的輸入介面105和基於硬體的輸出介面106。PMC 104可以是檢驗工具101的一部分、審查工具102的一部分、或組合在不同模式下操作的檢驗工具101和審查工具102的組合工具的一部分。
PMC 104被配置為提供操作如下文進一步詳述的缺陷分類工具103所需要的處理，並且包括處理器和記憶體（在PMC內未分開圖示）。參考下文的圖2至圖4進一步詳述缺陷分類工具103和PMC 104的操作。
PMC 104可被配置為根據在非暫時性電腦可讀存儲媒體上實施的電腦可讀指令執行數個功能模組。此類功能模組後文被稱為包括在PMC 104中。PMC 104可以包括缺陷分類單元115，被配置為評估樣本內的DOI的數量和特性、選擇要由審查工具102審查的由檢驗系統工具101提供的一些缺陷、識別統計製程式控制制(SPC)中的偏差等等。
缺陷分類單元115可以包括群集引擎114，被配置為接收屬性空間中的點的集合並且將所述點群集為兩個或更多個群集，使得在第一點與相同群集中的另一點之間的距離小於在第一點與指派給另一群集的第三點之間的距離。因此，群集引擎114可用於根據針對屬性空間定義的一個或多個度量來群集多個潛在缺陷。
缺陷分類單元115可以包括代表子集產生引擎116，被配置為從給定缺陷群組中選擇缺陷。代表子集產生引擎116可以根據給定缺陷群組在屬性空間中的分佈來選擇缺陷。
缺陷分類單元115可以包括訓練集合獲得引擎118，用於聚集訓練分類器的訓練集合。訓練集合可以包括已經由審查工具102審查並根據審查結果標記為DOI或FA的由檢驗檢查工具101提供的潛在缺陷。此外，訓練集合可以包括由檢驗檢查工具101提供的潛在缺陷子集，例如，由代表子集產生引擎116選擇並且標記為FA的潛在缺陷子集，如下文詳述。
缺陷分類單元115可以包括訓練引擎120，被配置為在訓練集合包括由訓練集合獲得引擎118獲得的對應標記時訓練一個或多個引擎，諸如分類引擎121。訓練引擎120因此能夠接收包含缺陷和其標籤的訓練集合，並且確定要由分類器使用的分離平面和概率分佈平面。分離平面在屬性空間內形成子空間，使得相同子空間中的所有缺陷與相同類別（例如一個或多個FA類別或者一個或多個DOI類別）相關聯。訓練集合越能代表潛在缺陷群體，分類效果越好，因為在訓練集合時確定的平面可應用於潛在缺陷群體。將瞭解，本揭示內容等效地應用於任何類型的分類器，例如經典分類器、深度神經網路、或其他。
缺陷分類單元115可以包括分類引擎121，所述分類引擎由訓練引擎120訓練並且可以用於分類由檢驗檢查工具101提供的潛在缺陷。在一些實施方式中，分類引擎121可用於僅分類尚未由審查工具102審查的缺陷。例如根據在訓練期間確定的分離平面，分類引擎121能夠自動分類缺陷。分類引擎121可以被配置為為每個給定缺陷定義指示缺陷屬於某一類別的概率的置信水準，並且若置信水準滿足相應置信閾值，則將給定缺陷指派給某一類別。
分類引擎121也可出於任何目的使用分類結果，例如在不審查所有潛在缺陷的情況下（因為這是不切實際的）評估由檢驗檢查工具101提供的潛在缺陷中的DOI的數量、獲得其分類、選擇要由審查工具102審查的缺陷等等。
所示出的檢查系統100可以包括資料存儲庫109，所述資料存儲庫可以存儲例如關於樣本、樣本的檢驗結果等等的資料。
所示出的檢查系統100可以包括存儲系統107，用於存儲關於樣本檢查的資料，諸如所檢測的ODI、所檢測的FA、額外潛在缺陷、閾值等等。
所示出的檢查系統100可以包括設計伺服器110，包含樣本的設計資料，諸如電腦輔助設計(CAD)資料。
所示出的檢查系統100可以包括GUI 108，用於從使用者接收輸入（諸如要審查的潛在缺陷的數量）並且向使用者提供輸出（諸如在樣本中的DOI中的估計數量、其特性等等）。GUI 108可以進一步被配置為實現關於作業系統100的使用者指定輸入。將參考下文的圖2至圖4進一步詳述系統100、PMC 104和其中的功能模組的操作。
熟習本領域者將容易瞭解，本文所揭示的主題的教示不限於圖1所示的系統；等效和/或修改的功能可以另一方式合併或分開，並且可以軟體與固件和硬體的任何適當組合來實現。
注意到，圖1所示的檢查系統可以在分散式運算環境中實施，其中先前提及的圖1所示的功能模組可以分佈在數個本地和/或遠端裝置上，並且可以透過通信網路連接。進一步注意到，在其他實施方式中，檢查工具101和/或102、資料存儲庫109、存儲系統107和/或GUI 108中的至少一些可以在檢查系統100外部並且與缺陷分類工具103資料通信地操作。缺陷分類工具103可以實現為與一個或多個檢查工具結合使用的獨立式電腦。視情況，缺陷分類工具103可以對資料存儲庫109和/或存儲系統107中存儲的預請求的檢驗資料121’進行操作。替代地或另外地，缺陷分類工具103的相應功能可以至少部分與一個或多個檢查工具、處理控制工具、方案產生工具、用於自動缺陷審查和/或分類的系統、和/或有關檢查的其他系統集成。
現參考圖2，圖示根據本文所揭示的主題的某些實施方式的檢查樣本的方法的流程圖。
PMC 104可以例如從檢驗檢查工具101、從資料存儲庫109、或從任何其他來源獲得(200)多個潛在缺陷。在常見晶圓中，潛在缺陷的數量的數量級可在數萬與數百萬之間，因此儘管檢測DOI非常重要，但是審查各個和每一個潛在缺陷以確定所述缺陷為DOI、FA、還是噪擾是不切實際的。由此，可審查潛在缺陷的小部分（例如，在數十與數千之間的缺陷），並且可從審查結果得出結論。
PMC 104可以因此獲得(204)多個DOI和FA。DOI和FA可以用作訓練分類器的訓練集合的一部分來用於獲得關於樣本的進一步資訊。
具體來說，為了獲得DOI和FA，PMC 104可以選擇(206)例如要由審查工具102審查的潛在缺陷的子集、獲得(208)針對每個審查的潛在缺陷的DOI或FA指示、並且取決於接收的指示將每個審查的缺陷指派(201)給DOI或FA。
根據本文所揭示的主題的某些實施方式，關於下文的圖3A進一步詳述選擇步驟(206)，獲得指示步驟(208)和指派步驟(210)。
代表子集產生引擎116可以根據潛在缺陷在屬性空間內的分佈來產生(212)潛在缺陷的代表子集。因此，選擇的目的可以為獲得表示潛在缺陷的緻密區域的子集，但也表示來自更稀疏區域的潛在缺陷，儘管數量更小。代表子集可選擇為不包含任何審查的潛在缺陷。
子集可以各種方式選擇。一個此種方式是隨機取樣。然而，為了貼切地表示潛在缺陷群體，需要選擇大量潛在缺陷，例如20%。
藉由考慮到群體分佈的智慧選擇，數量小得多的潛在缺陷可能是足夠的。這種智慧選擇的子集在本文中被稱為核心集，並且選擇核心集的一個示例性方法是K均值平行演算法。通常，K均值平行演算法操作如下：隨機選擇第一缺陷，隨後選擇最遠離第一缺陷的第二缺陷，選擇最遠離第一和第二缺陷的第三缺陷，並且依此類推。代表集合可選擇為使得所述集合不與審查的缺陷重疊。
由於光學掃描的特性和性質，由檢驗檢查工具101提供的絕大部分潛在缺陷（例如超過95%）為FA。由此，代表子集的缺陷也被認為如此，並且由此標記為FA，儘管所述缺陷尚未被審查。將瞭解，即使代表集合的一些缺陷實際上為DOI而非FA，但是這種錯誤對下面的訓練將不具有任何明顯影響。
訓練集合獲得引擎118可以收集定義為由FA組成的在步驟212產生的代表子集（諸如核心集）、在步驟204獲得的DOI和視情況在步驟204獲得的FA，由此獲得訓練集合。
訓練引擎120可以隨後使用至少包括審查結果的訓練集合（即，由審查工具102確定的DOI）和包括均定義為FA的潛在缺陷的在步驟212選擇的代表子集來訓練(216)分類引擎121，也稱為分類器。在一些實施方式中，由審查工具102確定的FA也可以用於訓練。
在訓練分類引擎121之後，所訓練的分類引擎121可以隨後應用(220)於潛在缺陷，以獲得DOI和FA估計。在一些實施方式中，分類引擎121可以僅應用於尚未審查的潛在缺陷。然而，分類引擎121可以應用於潛在缺陷的整個群體，也包括已經審查的潛在缺陷，並且因此已知所述潛在缺陷為DOI還是FA，以便評估分類引擎121的準確性。在一些實施方式中，可以為由分離平面分離的每個區域內的潛在缺陷提供估計。
可以各種方式利用(224)應用分類引擎121的結果，例如，可以確定與FA類別中的一個或多個DOI類別相關聯的潛在缺陷群組。分類結果也可以使得使用者能夠進行有意義的統計製程式控制制(SCP)、獲得每個潛在缺陷為DOI的概率、估計潛在缺陷中的DOI的數量與FA的數量等等。分類器的結果也可用於確定當檢查正檢查的這種類型的樣本的另外樣本時要執行的審查的數量，即，審查預算。舉另一個例子，可以估計錯誤報警率(FAR)。結合下文的圖4A和圖4B詳述FAR計算。
在一些實施方式中，分類結果的確認(228)可以例如由客戶（諸如樣本的製造商）執行。舉例來說，由分類器分類的DOI或其部分可以由客戶審查，用於驗證所述DOI是否分類正確，由此評估在上文的步驟216訓練的分類器的準確性。
根據某些實施方式，上文參考圖2描述的缺陷分類製程可以群集實施，將進一步參考圖3B進一步詳述。
現參考圖3A，圖示根據本文所揭示的主題的某些實施方式的選擇步驟(206)、獲得指示步驟(208)和指派步驟(210)的詳細流程圖。
群集引擎114可以群集(300)從檢驗工具101接收的潛在缺陷。潛在缺陷可以在屬性空間中被群集為兩個或更多個群集，其中在指派給相同群集的第一和第二潛在缺陷之間的距離低於在第一或第二潛在缺陷與指派給其他群集的其他潛在缺陷之間的距離。基於度量確定在兩個潛在缺陷之間的距離，所述度量可以取決於屬性和其類型。群集步驟可以為自動、人工或其組合，其中自動群集可進行人工介入。例如，使用者可提供初始群集，發現群集應當被分為兩個或更多個群集，因為所述群集含有本質上不同的潛在缺陷。使用者也可以發現應當統一的兩個分離的群集。使用者可以改變從樣本檢驗萃取的屬性，和/或應用於計算在潛在缺陷之間的距離的度量，然而這種改變將一般用於未來的樣本檢查。
初始子集產生引擎116可以從每個群集取樣(304)潛在缺陷的子集。
取樣步驟(304)可以反覆運算方法執行。例如，可以使用一個或多個效用函數從所有群集中選擇第一取樣批次，每個效用函數將一評分指派給每個潛在缺陷，並且可以例如使用權重組合來組合所述評分。
在一些實施方式中，效用函數可包含至少一個無監督效用函數和至少一個受監督效用函數。所有效用函數可執行涉及潛在缺陷的屬性值的計算。如下文詳述，取樣步驟(304)可以反覆運算地執行。在第一反覆運算中，當沒有資料可用時，僅可以使用無監督效用函數，而後續反覆運算也可涉及受監督效用函數，所述受監督效用函數提供關於群集的進一步資訊。
可隨後例如使用審查工具102對所取樣缺陷成像。PMC 104可接收(308)審查結果並且將DOI或FA的標籤與每個審查的潛在缺陷相關聯。
可審查所選潛在缺陷並且PMC 104可接收(308)審查結果並將DOI或FA的標籤與每個審查的潛在缺陷相關聯。
PMC 104可以隨後基於審查結果來更新(312)效用函數的應用。舉例來說，所審查結果可以用於針對每個剩餘的潛在缺陷重新計算評分（基於受監督和無監督函數）並且可以獲得針對每個潛在缺陷更新的評分。在一個示例中，評分的重新計算可以關於在剩餘潛在缺陷與所審查DOI之間的距離。在一些情形中，在第二反覆運算中，可以將權重給予受監督效用函數，並且在另一些反覆運算中，可以增加受監督效用函數的權重。
PMC 104可隨後確定(316)是否已經達到預定審查預算（例如，為整個潛在缺陷群體分配的審查數量）。若未達到，則執行可以返回到取樣步驟(304)，用於基於所更新的評分來取樣潛在缺陷的額外批次。若審查預算耗盡，則圖3A中描述的流程已經完成且過程返回到圖2，並且如上文描述，繼續步驟212。
將瞭解，儘管在移動到下一個群集之前為每個群集相繼提供步驟，但這並非必需，並且當第一群集仍進行時，可以針對第二群集開始執行。然而，這種排列需要監控所執行審查的總數，而非為每個群集執行的數量。
也將瞭解到，取樣、審查和標籤指派方法可直接應用於整個潛在缺陷群體而非相應群集。在這種實施方式中，群集步驟(300)和進一步的群集確定步驟(320)可省去，並且如步驟304、308、312和316中描述的反覆運算取樣過程可以應用於整個潛在缺陷群體。
現參考圖3B，圖示根據本文所揭示的主題的某些實施方式的每群集的缺陷分類的詳細流程圖。
在上文參考圖3A描述步驟300、304、308、和312，並且因此本文不再重複。一旦接收審查結果（步驟308）並且更新效用函數應用（步驟312），PMC 104可以確定(318)是否接收針對任何給定群集的預定數量的DOI。若存在對此接收預定數量的DOI的給定群集，則訓練引擎120可以針對給定群集接收所審查潛在缺陷連同DOI和FA標籤，並且針對給定群集訓練(324)對應分類器。
在一些實施方式中，可以從給定群集（例如核心集）選擇進一步的潛在缺陷來用於訓練集合。如在上文的產生代表子集(212)的步驟中詳述，可以將所選的進一步潛在缺陷假設為錯誤報警。在這種情形中，可以使用接收的DOI和FA、以及指示為FA的核心集來訓練(324)分類器。
所訓練的分類器可應用(328)於給定群集的未審查的潛在缺陷（或應用於群集中的整個群體）。在分類之後，可以與上文參考步驟224所描述者類似的方式利用每群集的結果。
PMC 104可以確定(328)用於潛在缺陷的整個群體的預定審查預算是否耗盡，並且若耗盡，則過程已經完成。若未耗盡，則可以從群體中排除(332)給定群集（對此訓練分類器），從而產生將根據步驟304進一步取樣的剩餘群集。
將瞭解到，圖3B的方法可以針對一些或所有群集重複，直至審查預算耗盡。
也將瞭解到，一旦滿足318中的條件，可以立即針對給定群集執行參考步驟324和328描述的訓練分類器和將分類器應用於群集中的潛在缺陷，或替代地一旦審查預算耗盡並且圖3B的方法完成，則可以針對所有群集執行這些步驟。
現參考圖4A和圖4B，圖示了根據本文所揭示的主題的某些實施方式的用於估計群集內的潛在缺陷的FAR的示例性方法作為利用將分類器應用於潛在缺陷（步驟224）的結果的一個可能方式。
現參考圖4A，其中步驟404顯示一種估計方法，為貝葉斯(Bayesian)方法，所述方法可以包括以下步驟：
在步驟408，可以計算群集內的DOI和FA的密度。在一些實施方式中，密度可以使用核密度估計(KDF)來計算。
在步驟412，可以計算每個潛在缺陷為DOI（或FA）的對數似然值；和
在步驟416，可針對在對數似然值範圍（例如，作用點）中的每個值執行以下動作： -基於可用於群集的DOI和FA的數量來計算錯誤報警率(FAR)； -識別符合這個值的取樣並且將所述取樣添加到預測的子集；和 -估計FAR置信水準。
現參考圖4B，其中步驟420顯示第二估計方法，為2類支援向量機(SVM)方法，所述方法可以包括以下步驟：
在步驟424，可以基於DOI的數量和未知的潛在缺陷群體來計算對數似然值。
在步驟428，可針對在對數似然值範圍（例如，作用點）中的每個值執行以下動作： -基於DOI和FA的數量來計算FAR； -識別符合這個值的未知潛在缺陷並且將所述潛在缺陷添加到選擇的子集；和 -估計FAR置信水準。
所估計的FAR提供對特定群集中的缺陷為錯誤報警的概率的指示。
將理解，本發明不限於應用到在本文含有的描述中闡述或在圖示中示出的細節。本發明能夠具有其他實施方式並且以各種方式實踐和執行。因此，將理解，本文採用的措辭和術語是出於描述的目的並且不應當被認為是限制。因此，熟習本領域者將瞭解，本揭示內容所基於的概念可容易用作設計其他結構、方法和系統的基礎，用於實現本文所揭示的主題的數個目的。
也將理解，根據本發明的系統可至少部分地在合適的程式化電腦上實施。同樣，本發明預期可由電腦讀取的電腦程式用於執行本發明的方法。本發明進一步預期一種有形地實現指令程式的非暫時性電腦可讀記憶體，所述指令可由電腦執行來用於執行本發明的方法。
熟習本領域者將容易瞭解，各種修改和改變可以應用於如上文描述的本發明的實施方式。
121’:檢驗資料
109:資料存儲庫
101:檢驗檢查工具
102:審查檢查工具
122:審查資料
110:設計伺服器 123:指令有關資料 124:指令有關資料 100:檢查系統 103:缺陷分類工具 105:輸入介面 115:缺陷分類引擎 114:群集引擎 118:訓練集合獲得引擎 121:分類引擎 116:代表子集產生引擎 120:訓練引擎 104:處理器和記憶體電路 106:輸出介面 107:存儲系統 108:GUI 200:步驟 204:步驟 206:步驟 208:步驟 210:步驟 212:步驟 216:步驟器 220:步驟 224:步驟 228:步驟 300:步驟 304:步驟 308:步驟 312:步驟 316:步驟 318:步驟 324:步驟 328:步驟 330:步驟 332:步驟 404:貝葉斯(Bayesian)方法 408:步驟 412:步驟 416:步驟 420:2類SVM方法 424:步驟 428:步驟
為了理解本發明並且明白在實踐中可以如何執行，將參考附圖舉出非限制性的例子來描述實施方式，其中：
圖1示出根據本文所揭示的主題的某些實施方式的檢查系統的方框圖；
圖2示出根據本文所揭示的主題的某些實施方式的檢查樣本的示例性流程圖；
圖3A示出根據本文所揭示的主題的某些實施方式的選擇、審查和將標籤指派給潛在缺陷的示例性流程圖；
圖3B示出根據本文所揭示的主題的某些實施方式的每個群集的缺陷分類的示例性流程圖；和
圖4A和圖4B示出根據本文所揭示的主題的某些實施方式的用於估計群集內的潛在缺陷的錯誤報警率的示例性方法。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
200:步驟
204:步驟
206:步驟
208:步驟
210:步驟
212:步驟
216:步驟器
220:步驟
224:步驟
228:步驟

Claims (20)

  1. 一種檢查一半導體樣本的電腦化系統，該系統包括一處理和記憶體電路(PMC)，該PMC被配置為：從一審查子集獲得複數個關注缺陷(DOI)和複數個錯誤報警(FA)，由一審查工具審查該審查子集，從一檢驗工具接收的一潛在缺陷群組中選擇該審查子集，其中每個潛在缺陷與複數個屬性值相關聯，該等屬性值定義一屬性空間中的該潛在缺陷的一位置；產生該潛在缺陷群組的一代表子集，該代表子集包括根據該潛在缺陷群組在該屬性空間內的一分佈選擇的潛在缺陷，並且將該代表子集中的該等潛在缺陷指示為FA；和使用提供該複數個DOI的該等屬性值、該代表子集的該等潛在缺陷、和其作為DOI或FA的相應指示的資訊的資料訓練一分類器，其中將經訓練的該分類器應用於該潛在缺陷群組之其中至少一些以獲得對該半導體樣本中的預期DOI的數量的一估計。
  2. 如請求項1所述的電腦化系統，其中該代表子集包括從該潛在缺陷群組中選擇的一相對較小數量的潛在缺陷，以便表示以下兩者：該屬性空間中該潛在缺陷群組的該分佈的緻密區域及稀疏區域。
  3. 如請求項2所述的電腦化系統，其中選擇該代表子集使得該代表子集不與來自該審查子集的潛在缺 陷重疊。
  4. 如請求項2所述的電腦化系統，其中選擇該代表子集作為該潛在缺陷群組的一核心集。
  5. 如請求項4所述的電腦化系統，其中選擇該核心集作為潛在缺陷的一相對較小子集，該相對較小子集近似該屬性空間中該潛在缺陷群組的該分佈的形狀。
  6. 如請求項4所述的電腦化系統，其中使用一K均值平行演算法選擇該核心集。
  7. 如請求項4所述的電腦化系統，其中藉由以下操作來使用一K均值平行演算法選擇該核心集：隨機選擇一第一潛在缺陷；選擇一第二潛在缺陷，該第二潛在缺陷與所選擇的該第一潛在缺陷相距最遠；選擇一下一個潛在缺陷，該下一個潛在缺陷與所選擇的該第一及該第二潛在缺陷相距最遠；和重複選擇一下一個潛在缺陷之該步驟，該下一個潛在缺陷與所選擇的該等潛在缺陷相距最遠，直至獲得潛在缺陷的該核心集。
  8. 如請求項1所述的電腦化系統，其中使用於訓練該分類器的該資料進一步包括：提供該複數個FA的該等屬性值、和其作為FA的指示的資訊的資料。
  9. 如請求項1所述的電腦化系統，其中該PMC被配置為藉由以下操作獲得該複數個DOI和該複數個FA： 從該潛在缺陷群組中選擇潛在缺陷的該審查子集；和針對來自潛在缺陷的該審查子集的每個給定潛在缺陷：獲得關於一給定潛在缺陷是一DOI還是一FA的一指示，該指示是基於由該審查工具請求的該給定潛在缺陷的一圖像；和將該給定潛在缺陷分別指派給該複數個DOI或該複數個FA。
  10. 如請求項1所述的電腦化系統，其中該PMC被配置為藉由以下操作獲得該複數個DOI和該複數個FA：群集該潛在缺陷群組以獲得複數個群集；根據使用一個或多個效用函數獲得的該等潛在缺陷的評分從該複數個群集中的每一者取樣潛在缺陷的一初始群組；接收潛在缺陷的該初始群組中的該等潛在缺陷的審查結果，並且將指示該潛在缺陷是一DOI還是一FA的一標籤與每個潛在缺陷相關聯；確定該審查子集的一預定審查預算是否耗盡；和回應於該預定審查預算並未耗盡，基於該等審查結果更新剩餘潛在缺陷的該等評分，並且重複該取樣、該接收該等審查結果和該關聯的步驟，直至該預定審查預算耗盡，從而產生該複數個DOI和該複數個FA。
  11. 如請求項1所述的電腦化系統，其中該潛在 缺陷群組是來自該屬性空間中的潛在缺陷的複數個群集的一潛在缺陷群集，並且該分類器被訓練且應用於該群集中的該等潛在缺陷。
  12. 如請求項1所述的電腦化系統，其中該潛在缺陷群組之其中該至少一些為以下之其中一者：尚未由該審查工具審查的該群組中的潛在缺陷、根據該訓練步驟期間確定的分離平面分離的每個區域內的潛在缺陷、或該潛在缺陷群組的整個群體。
  13. 如請求項1所述的電腦化系統，其中該PMC進一步被配置為使用預期DOI的該數量來估計錯誤報警率(FAR)。
  14. 如請求項1所述的電腦化系統，其中該估計預期DOI的一數量的步驟可用於當檢查與該樣本相同類型的一額外樣本時確定要由該審查工具審查的潛在缺陷的一預算。
  15. 一種檢查一半導體樣本的電腦化方法，該方法由一處理和記憶體電路(PMC)執行且包括以下步驟：從一審查子集獲得複數個關注缺陷(DOI)和複數個錯誤報警(FA)，由一審查工具審查該審查子集，從一檢驗工具接收的一潛在缺陷群組中選擇該審查子集，其中每個潛在缺陷與複數個屬性值相關聯，該等屬性值定義一屬性空間中的該潛在缺陷的一位置；產生該潛在缺陷群組的一代表子集，該代表子集包括 根據該潛在缺陷群組在該屬性空間內的一分佈選擇的潛在缺陷，並且將該代表子集中的該等潛在缺陷指示為FA；和使用提供該複數個DOI的該等屬性值、該代表子集的該等潛在缺陷、和其作為DOI或FA的相應指示的資訊的資料訓練一分類器，其中將經訓練的該分類器應用於該潛在缺陷群組之其中至少一些以獲得對該半導體樣本中的預期DOI的數量的一估計。
  16. 如請求項15所述的電腦化方法，其中該代表子集包括從該潛在缺陷群組中選擇的一較小數量的潛在缺陷，以便足夠地表示以下兩者：該屬性空間中該潛在缺陷群組的該分佈的緻密區域及稀疏區域。
  17. 如請求項16所述的電腦化方法，其中選擇該代表子集使得該代表子集不與來自該審查子集的潛在缺陷重疊。
  18. 如請求項16所述的電腦化方法，其中選擇該代表子集作為該潛在缺陷群組的一核心集。
  19. 如請求項18所述的電腦化方法，其中選擇該核心集作為潛在缺陷的一相對較小子集，該相對較小子集近似該屬性空間中該潛在缺陷群組的該分佈的形狀。
  20. 一種有形地實現一指令程式的非暫時性電腦可讀儲存媒體，該指令程式當由一電腦執行時導致該電腦執行用於檢查一半導體樣本的操作，該等操作包括： 從一審查子集獲得複數個關注缺陷(DOI)和複數個錯誤報警(FA)，由一審查工具審查該審查子集，從一檢驗工具接收的一潛在缺陷群組中選擇該審查子集，其中每個潛在缺陷與複數個屬性值相關聯，該等屬性值定義一屬性空間中的該潛在缺陷的一位置；產生該潛在缺陷群組的一代表子集，該代表子集包括根據該潛在缺陷群組在該屬性空間內的一分佈選擇的潛在缺陷，並且將該代表子集中的該等潛在缺陷指示為FA；和使用提供該複數個DOI的該等屬性值、該代表子集的該等潛在缺陷、和其作為DOI或FA的相應指示的資訊的資料訓練一分類器，其中將經訓練的該分類器應用於該潛在缺陷群組之其中至少一些以獲得對該半導體樣本中的預期DOI的一數量的一估計。
TW109143767A 2020-02-04 2020-12-11 檢查樣本的方法、系統及非暫時性電腦可讀儲存媒體 TWI858200B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/782,005 US11360030B2 (en) 2020-02-04 2020-02-04 Selecting a coreset of potential defects for estimating expected defects of interest
US16/782,005 2020-02-04

Publications (2)

Publication Number Publication Date
TW202146884A TW202146884A (zh) 2021-12-16
TWI858200B true TWI858200B (zh) 2024-10-11

Family

ID=77061713

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109143767A TWI858200B (zh) 2020-02-04 2020-12-11 檢查樣本的方法、系統及非暫時性電腦可讀儲存媒體

Country Status (4)

Country Link
US (2) US11360030B2 (zh)
KR (1) KR102685359B1 (zh)
CN (2) CN113222884B (zh)
TW (1) TWI858200B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11694319B2 (en) * 2020-04-10 2023-07-04 Samsung Display Co., Ltd. Image-based defects identification and semi-supervised localization
US11988613B2 (en) * 2022-02-14 2024-05-21 Applied Materials Israel Ltd. Care area based defect detection
FR3135554B1 (fr) * 2022-05-13 2024-05-31 Commissariat Energie Atomique Procédé et dispositif de traitement d’image pour la localisation de gouttes représentatives de défauts ou irrégularités

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9286675B1 (en) * 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
US20190073566A1 (en) * 2017-09-01 2019-03-07 Kla-Tencor Corporation Training a Learning Based Defect Classifier
TW201947433A (zh) * 2016-12-12 2019-12-16 美商應用材料股份有限公司 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選
TW202004513A (zh) * 2018-06-05 2020-01-16 美商克萊譚克公司 用於缺陷分類器訓練之主動學習

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5537282B2 (zh) * 1974-03-11 1980-09-26
JPS6061008A (ja) * 1983-09-13 1985-04-08 Ishikawajima Harima Heavy Ind Co Ltd 気液分離装置
US5586058A (en) * 1990-12-04 1996-12-17 Orbot Instruments Ltd. Apparatus and method for inspection of a patterned object by comparison thereof to a reference
JP4095860B2 (ja) * 2002-08-12 2008-06-04 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
US9002497B2 (en) * 2003-07-03 2015-04-07 Kla-Tencor Technologies Corp. Methods and systems for inspection of wafers and reticles using designer intent data
US7844100B2 (en) * 2004-11-29 2010-11-30 Applied Materials Israel, Ltd. Method for filtering nuisance defects
WO2007120279A2 (en) 2005-11-18 2007-10-25 Kla-Tencor Technologies Corporation Methods and systems for utilizing design data in combination with inspection data
US8255172B2 (en) * 2008-09-24 2012-08-28 Applied Materials Israel, Ltd. Wafer defect detection system and method
JP5537282B2 (ja) 2009-09-28 2014-07-02 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
JP2012078140A (ja) * 2010-09-30 2012-04-19 Hitachi High-Technologies Corp 基板表面欠陥検査方法およびその装置
US9063097B2 (en) * 2011-02-11 2015-06-23 Taiwan Semiconductor Manufacturing Company, Ltd. Systems and methods eliminating false defect detections
US9293298B2 (en) * 2013-12-23 2016-03-22 Kla-Tencor Corp. Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
US9835566B2 (en) * 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter
US10312161B2 (en) * 2015-03-23 2019-06-04 Applied Materials Israel Ltd. Process window analysis
US9613255B2 (en) * 2015-03-30 2017-04-04 Applied Materials Israel Ltd. Systems, methods and computer program products for signature detection
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
US10436720B2 (en) * 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
US10360477B2 (en) * 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
KR102483787B1 (ko) * 2016-02-25 2023-01-04 에스케이하이닉스 주식회사 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
JP6833027B2 (ja) * 2016-10-17 2021-02-24 ケーエルエー コーポレイション 検査関連アルゴリズムのセットアップに用いられる訓練集合の最適化
US10267748B2 (en) * 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
US10190991B2 (en) * 2016-11-03 2019-01-29 Applied Materials Israel Ltd. Method for adaptive sampling in examining an object and system thereof
US11047806B2 (en) * 2016-11-30 2021-06-29 Kla-Tencor Corporation Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
US11237119B2 (en) * 2017-01-10 2022-02-01 Kla-Tencor Corporation Diagnostic methods for the classifiers and the defects captured by optical tools
US20190096057A1 (en) * 2017-05-11 2019-03-28 Jacob Nathaniel Allen Object inspection system and method for inspecting an object
US10408764B2 (en) * 2017-09-13 2019-09-10 Applied Materials Israel Ltd. System, method and computer program product for object examination
US11138507B2 (en) * 2017-09-28 2021-10-05 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US11060981B2 (en) * 2018-03-20 2021-07-13 Applied Materials Israel Ltd. Guided inspection of a semiconductor wafer based on spatial density analysis
US10921334B2 (en) * 2018-03-22 2021-02-16 Applied Materials Israel Ltd. System, method and computer program product for classifying defects
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
KR102638267B1 (ko) * 2018-12-03 2024-02-21 삼성전자주식회사 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법
CN109657718B (zh) * 2018-12-19 2023-02-07 广东省智能机器人研究院 一种数据驱动的smt生产线上spi缺陷类别智能识别方法
US11379967B2 (en) * 2019-01-18 2022-07-05 Kla Corporation Methods and systems for inspection of semiconductor structures with automatically generated defect features
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
US11415531B2 (en) * 2019-10-11 2022-08-16 KLA Corp. Statistical learning-based mode selection for multi-mode inspection
CN111161246B (zh) * 2019-12-30 2024-05-14 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9286675B1 (en) * 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
TW201947433A (zh) * 2016-12-12 2019-12-16 美商應用材料股份有限公司 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選
US20190073566A1 (en) * 2017-09-01 2019-03-07 Kla-Tencor Corporation Training a Learning Based Defect Classifier
TW202004513A (zh) * 2018-06-05 2020-01-16 美商克萊譚克公司 用於缺陷分類器訓練之主動學習

Also Published As

Publication number Publication date
US11360030B2 (en) 2022-06-14
CN113222884B (zh) 2023-10-27
CN113222884A (zh) 2021-08-06
CN117522779B (zh) 2024-10-25
CN117522779A (zh) 2024-02-06
KR102685359B1 (ko) 2024-07-17
US11940390B2 (en) 2024-03-26
US20220291138A1 (en) 2022-09-15
KR20210100028A (ko) 2021-08-13
TW202146884A (zh) 2021-12-16
US20210239623A1 (en) 2021-08-05

Similar Documents

Publication Publication Date Title
US12007335B2 (en) Automatic optimization of an examination recipe
TWI750553B (zh) 對樣本的缺陷檢測的方法及其系統
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
US10628935B2 (en) Method and system for identifying defects of integrated circuits
CN113439276B (zh) 基于机器学习的半导体样本中的缺陷分类
CN109598698B (zh) 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质
Jiang et al. A Gaussian mixture model clustering ensemble regressor for semiconductor manufacturing final test yield prediction
TWI865645B (zh) 決定檢驗樣品的缺陷位置
US11940390B2 (en) Selecting a representative subset of potential defects to improve defect classifier training and estimation of expected defects of interest
CN108020561B (zh) 用于在检查对象时自适应采样的方法和其系统
KR20170100710A (ko) 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
CN116583788A (zh) 半导体试样的电属性的预测
CN119850518A (zh) 半导体样本的基于机器学习的缺陷检查和排名
TW202529174A (zh) 使用機器學習演算法的缺陷偵測