TWI859011B - 用於半導體表面結構形貌的檢測系統、補償方法及電腦可讀取媒體 - Google Patents

Abstract

一種用於半導體表面結構形貌的檢測系統、補償方法及電腦可讀取媒體，藉由對一個類神經網路模型提供頻譜訊號對應的特徵資訊，及對另一個類神經網路模型提供頻譜訊號對應的特徵資訊及檢測高度值與真實量測的真實高度值，所訓練而成的組合式類神經網路模型可對具有變異性的一待修正頻譜訊號所對應的一待修正高度值產生一補償值，該補償值係用於對高度資訊提供必要的補償，以使半導體表面結構形貌之檢測的精確性提高，也增加了檢測系統的可靠度。

Description

用於半導體表面結構形貌的檢測系統、補償方法及電腦可讀取媒體

本發明係關於一種半導體表面結構形貌的檢測，更特別的是關於一種用於提高表面結構形貌之判讀能力的補償方法及使用該補償方法的檢測系統與電腦可讀取媒體。

在半導體的製造過程中，會經歷許多的製程以及相對應的檢測。半導體表面結構皆有其應成形的位置與形狀，需要在製造過程中被有效監控著，以確保良率。除了一些製程上的瑕疵可能導致半導體表面結構形貌產生缺陷外，在檢測的過程中，接觸式的檢測(例如：使用探針的點測程序)也可能對半導體表面結構形貌造成影響。舉例來說，使用探針的接觸式檢測，可能在半導體結構的接觸墊上形成針痕，亦即探針對於接觸的墊的表面形貌造成凹陷及凸起，針痕面積的大小及深度會使得後續封裝製程中的銲線接合(wire bonding)的品質受到影響。因此，無論缺陷是產生於製造過程或是檢測過程，這些缺陷皆需要被有效檢知，避免讓已存在缺陷的晶粒流入後端製程。

傳統上，半導體表面結構形貌可藉由利用光干涉技術的光學量測裝置來檢知。舉例來說，當待測面具有形貌的起伏時，從待測面反射回來的量測光與從參考面反射回來的參考光混合後，就會基於光程差的緣故，使光學量測裝置取得反射光光譜的干涉訊號。將干涉訊號經由數學模型的轉換(例如：傅立葉轉換)，可取得在頻域內呈現出功率頻譜密度(power spectral density)分布狀況的波形訊號，該波形訊號稱之為頻譜訊號。其中，頻譜訊號中的波峰即是用來判定光程差的依據，亦即，基於所取得的光程差，便可獲知檢測點的高度狀況。當目標檢測區的各個檢測點完成檢測後，即可獲知此目標檢測區的半導體表面結構形貌。

然而，當所檢測的半導體結構當中具有較高反射率的材質或半導體結構具有多層膜結構時，以及或是檢測點位於半導體結構的邊緣時，功率頻譜密度分布狀況的波形訊號容易具有變異性，例如：偏態、雙波包、多重波包等情況。許多演算法被用於分析頻譜訊號所具有的特徵，但通常僅是針對單一種類的特徵，在整體檢測系統的使用上並無法提供有效的助益。也因此，這些可能出現的變異特徵將使頻譜訊號中的波峰被檢測系統產生誤判，進而導致半導體表面結構形貌的檢測結果存在著較高的錯誤率，可靠度無法被提高。

在本發明揭露的一些實施例中之用於半導體表面結構形貌的檢測系統及其補償方法，提供了一種學習訓練方式，解決了頻譜訊號中的波峰可能被誤判的問題。

在本發明揭露的一些實施例中之用於半導體表面結構形貌的檢測系統及其補償方法，提高了判定半導體表面結構形貌的精確性，同時也增加了檢測系統的可靠度。

根據一些實施例，本發明提出一種用於半導體表面結構形貌之檢測系統的補償方法，係用於對具有變異性的一待修正頻譜訊號所對應的一待修正高度值進行補償，該補償方法包含：將該待修正頻譜訊號的複數特徵值提供至藉由一運算處理裝置執行運算的一第一類神經網路模型以取得一第一組特徵資訊，及將該待修正頻譜訊號提供至該運算處理裝置執行運算的一第二類神經網路模型以取得一第二組特徵資訊；及融合代表波形特徵的該第一組特徵資訊及代表補償程度資訊的該第二組特徵資訊以產生一波形類別資訊及一補償資訊，該補償資訊係供該檢測系統將該待修正高度值修正為一修正後高度值。其中，該第一類神經網路模型係基於複數異常訊號及複數正常訊號個別對應的特徵值。該第二類神經網路模型係基於該等異常訊號對應的特徵值與異常高度資訊以及基於該等正常訊號對應的特徵值與正常高度資訊進行訓練。

根據一些實施例，該第一類神經網路模型可由下述方式進行訓練：將可呈現出變異性頻譜狀態的該等異常訊號對應的複數異常特徵值以及不具有變異性頻譜狀態的該等正常訊號對應的複數正常特徵值作為輸入向量提供至該第一類神經網路模型。

根據一些實施例，該第二類神經網路模型可由下述方式進行訓練：將每一該等異常訊號及對應的該異常特徵值及一異常高度差異值，以及將每一該等正常訊號及對應的該正常特徵值及一正常高度差異值，作為輸入向量提供至該第二類神經網路模型，該異常高度差異值與該正常高度差異值係為各個訊號對應的一檢測高度值與實測的一真實高度值之間的差異。其中，異常高度資訊係為該異常高度差異值，正常高度資訊係為該正常高度差異值。

根據一些實施例，第二處理步驟可更包含一補償控制程序。該補償控制程序係基於一閥值，於該待修正頻譜訊號對應的該補償資訊的修正幅度大於該閥值時，才令該運算處理裝置對該待修正頻譜訊號的該待修正高度值進行修正。

根據一些實施例，在該第二類神經網路模型進行訓練的方式中，提供至該第二類神經網路模型的輸入向量可為該待修正頻譜訊號與複數附加檢測點所各自對應的一附加頻譜訊號所重組而成的輸入向量。其中，呈現出變異性頻譜狀態的每一該訊號係對應一檢測點，該檢測點之周圍的一附加範圍內係定義為多個該附加檢測點。進一步地，該附加範圍可為1個檢測點所涵蓋的範圍。

根據一些實施例，於該第二處理步驟中，可更包含一前處理程序。該前處理程序可被安排為執行於提供輸入向量至該第二類神經網路模型之前。該前處理程序係用於使提供至該第二類神經網路模型的所有頻譜訊號被個別地依序進行一DC成分去除步驟、一訊號增強步驟及一訊號均值偏移步驟。

根據一些實施例，本發明復提出一種半導體表面結構形貌的檢測系統，包含：光學量測裝置及運算處理裝置。光學量測裝置係用於對一待測物的一目標檢測區以一照明光進行掃描，以取得自該待測物反射之反射光所形成的複數干涉訊號。運算處理裝置係用於接收該等干涉訊號並轉換為不具有變異性的複數頻譜訊號及具有變異性的至少一待修正頻譜訊號，該運算處理裝置並用於執行如前所述之補償方法，使該至少一待修正頻譜訊號對應的一待修正高度值修正為一修正後高度值，以正確生成該目標檢測區的表面結構形貌。

根據一些實施例，本發明復提出一種非揮發性的電腦可讀取儲存媒體。電腦可讀取儲存媒體係儲存有一電腦程式。該電腦程式包含基於複數頻譜訊號對應的特徵值所訓練的一第一類神經網路模型以及包含基於該等頻譜訊號及對應的高度資訊所訓練的一第二類神經網路模型，該電腦程式係用於執行下述方法：基於自一待測物的表面結構形貌取得一待修正頻譜訊號，取得該待修正頻譜訊號的複數訊號特徵值並提供至該第一類神經網路模型以取得一第一組特徵資訊，以及將該待修正頻譜訊號提供至該第二類神經網路模型以取得一第二組特徵資訊，融合該第一組特徵資訊及該第二組特徵資訊以取得該待修正頻譜訊號的一補償資訊，該補償資訊係用於供該待修正頻譜訊號所對應的一待修正高度值進行補償。

根據一些實施例，本發明復提出一種半導體表面結構形貌的檢測系統，包含：光學量測裝置、形貌量測裝置及運算處理裝置。藉由形貌量測裝置的配置，可於使用端藉由多數之標準待測物的提供(每個標準待測物的表面形貌上具有可讓頻譜訊號呈現正常及異常的對應區域)，以自行訓練神經網路模型。運算處理裝置可歸納這些標準待測物對應的各個頻譜訊號相關資訊來建立與訓練神經網路模型。其中，光學量測裝置係配置為對一目標檢測區以一照明光進行掃描，並用於取得來自該目標檢測區的反射光所形成的光干涉狀態。形貌量測裝置配置為對該目標檢測區取得真實高度值。運算處理裝置耦接該光學量測裝置及該形貌量測裝置，並配置為用於執行下列步驟：第一訓練步驟、第二訓練步驟、分析步驟及補償步驟。第一訓練步驟係對應至前述的第一類神經網路模型的訓練方式。第二訓練步驟對應至前述的第二類神經網路模型的訓練方式。藉由分析步驟取得基於待修正頻譜訊號內含的異常特徵所產生的一補償資訊。藉由補償步驟係使待修正頻譜訊號所對應的待修正高度值被修正為修正後高度值，以正確生成待測物於目標檢測區的表面結構形貌。

據此，用來評估半導體表面結構形貌的頻譜訊號，可在具有誤差或錯誤的情況下被對應地補償，解決了本來會被誤判的問題，也讓半導體表面結構形貌的判定精確性得以提高。

為充分瞭解本文揭露內容之目的、特徵及功效，茲藉由下述具體之實施例，並配合所附之圖式，對本文揭露內容做一詳細說明，說明如後：

在本文中，所描述之用語「一」或「一個」來描述要件或特徵。此舉只是為了方便說明，並且對本文之範疇提供一般性的意義。因此，除非很明顯地另指他意，否則此種描述應理解為包括一個或至少一個，且單數也同時包括複數。

在本文中，所描述之用語「包含、包括、具有」或其他任何類似用語意係非僅限於本文所列出的此等要件或特徵而已，而是可包括未明確列出但卻是所述要件或特徵通常固有的其他部分。

於本文中，所描述之「第一」或「第二」等類似序數之用語，係用以區分或指關聯於相同或類似的要件或特徵，且不必然隱含此等要件或特徵在程序上的順序。應了解的是，在某些情況或配置下，序數用語係可交換使用而不影響本文揭露的或相關聯的實施例。

光學量測裝置常被使用在表面形貌的檢測上，例如基於來自表面形貌之反射光的量測裝置，或是雖然速度較慢但可用來精確地取得表面形貌的形貌量測裝置(例如：掃描電子顯微鏡(SEM)、原子力顯微鏡(AFM)或掃描隧道顯微鏡(STM)等)，其中，速度較慢的這些形貌量測裝置另有一缺點在於有可能對待測物的表面造成損壞。

為了較快地取得檢測結果，通常採用基於來自表面形貌之反射光的量測裝置，舉例來說，使用具有參考面鏡的光學量測裝置(例如：白光干涉儀)，或是使用不具有參考面鏡而直接以待測物的表面為參考面的光學量測裝置(例如：量測TSV孔深的光譜儀)。將所取得之反射光的光干涉光譜訊號以演算法進行轉換(例如傅立葉轉換)以取得轉換後的頻譜訊號，由於產生反射光之干涉現象的光程差是在該光干涉光譜訊號中影響相位變化的關鍵因素，因此轉換為頻域的該頻譜訊號後，波形中的波峰的座標資訊中即能對應出光程差的資訊，進而取得檢測點(或照光區)的高度資訊。其中，無干涉現象的光譜訊號，也代表著此檢測點的高度資訊為預設的高度資訊(亦即表面形貌為平坦無起伏)。其中，藉由光干涉訊號所轉換之頻譜訊號來取得深度資訊的方式係為習知技術，於此不再贅述。

請參照圖1，為根據一些實施例之用於半導體表面結構形貌的檢測系統的示意圖。光學量測裝置100用於對待測物300提供照明光101以進行目標檢測區的掃描(逐一檢測點)，透過分光單元130，一部分的照明光101形成穿透光102朝向參考面鏡140。藉由光源單元120及分光單元130在同軸照明的配置下，使得來自待測物300的反射光及來自參考面鏡140的參考光可被取像單元110擷取為光譜訊號，取像單元110可擷取到具有干涉現象的光譜訊號。運算處理裝置200耦接光學量測裝置100的光源單元120及取像單元110，以進行掃描動作的控制、接收光譜訊號及執行後續的訊號分析。

光學量測裝置100可為白光干涉儀或其他可取得光干涉現象的光學量測裝置，圖1係以白光干涉儀做為示例。運算處理裝置200可為單一電腦或多部電腦或是配置在整體檢測系統內的單一運算處理模組或多個運算處理模組。運算處理裝置200並用於接收來自光學量測裝置100提供的訊號。

其中，基於表面形貌的一些狀態而生成的頻譜訊號通常是對稱性的，當頻譜訊號具有異狀而為變異性頻譜訊號時，一般自動抓取波峰來取得光程差資訊時所採用的演算法往往會導致了光程差資訊的誤判，進而錯估表面形貌。這些具有異狀的變異性頻譜訊號具有其波形上的特徵，例如偏態、雙波包、多重波包等非對稱的型態。請參照圖2及圖3，圖2為具有偏態的頻譜訊號示意圖，圖3為具有雙波包的頻譜訊號示意圖。在圖2中，箭號A所指為演算法所抓取的波峰，但經精確量測後(例如使用原子力顯微鏡)，其實箭號B所指的波峰才是正確的光程差資訊所在。同樣地，在圖3中，箭號A所指為演算法所抓取的波峰，但經精確量測後(例如使用原子力顯微鏡)，其實箭號B所指的波峰才是正確的光程差資訊所在。因此，發生變異的波形，往往演算法所抓取的波峰並非代表該檢測點的真正高度資訊。

頻譜訊號可藉由許多針對訊號波形的特徵提取工具(演算法)來萃取波形的特徵資訊，舉例來說，使用一種基於灰度值的圖形特徵提取方法，其係藉由計算圖形中灰度值的最大值、最小值和平均值來提取圖形中的波形特徵。再舉例來說，使用一種基於尺度空間的圖像特徵提取方法(Scale Derivative)，其係藉由計算圖形在不同尺度下的梯度值來提取圖形中的波形特徵。

頻譜訊號可藉由這些分析工具將訊號中的波形特徵資訊萃取出來。此外，對於所取得的頻譜訊號來說，可基於所關注的型態來進行分類，這些型態會有對應的波形特徵資訊，前述這些分析工具即是一般用來對頻譜訊號進行分類的依據。舉例來說，若關注的型態是重心位置、偏態、雙波包、多重波包這四種，那麼就各自會有對應的特徵值。在一般的使用上，是針對需關注的項目單一地進行比對或觀看，以檢查可能有缺失(表面形貌判斷錯誤)的地方。這些分析工具屬於習知技術，於此不再贅述詳細分析方式。

本發明的實施例中，係利用這些特徵值來做規劃及/或進一步的處理，可依據實際需求來增加或減少分類的項目，且可進一步歸納出每個類別下之每個檢測點對應之頻譜訊號所具有的特徵值。舉例來說，波形屬於偏態類別下的頻譜訊號所對應的特徵值為何；以及波形屬於雙波包類別下的頻譜訊號所對應的特徵值為何；以及波形屬於多重波包類別下的頻譜訊號所對應的特徵值為何。

再舉例來說，可基於前述方式來區分出具有變異性的頻譜訊號是那些，不具有變異性的頻譜訊號是那些，例如：一種分類方式如下：頻譜訊號只要有偏態、雙波包或多重波包中的任一種型態，就被歸類為具有變異性的頻譜訊號。這可依據實際需求(例如匹配待測物的特性)來調整關注的型態包含哪些。

接著請同時參照圖4及圖5，圖4為根據一些實施例之用於半導體表面結構形貌的檢測系統的補償方法，圖5為根據一些實施例之第一類神經網路模型及第二類神經網路模型的使用示意圖。由於錯誤或具有缺陷的頻譜訊號容易導致光程差的資訊被判讀錯誤，此光程差資訊即是檢測點(或照光區)的高度資訊，進而導致半導體表面結構形貌的判讀錯誤。因此，該補償方法用於對具有變異性的頻譜訊號(待修正頻譜訊號)所對應的高度資訊(待修正高度值)進行補償，以讓檢測系統可正確生成目標檢測區的表面結構形貌。

取得待修正頻譜訊號G1後，會以待修正頻譜訊號G1及其關聯的特徵值來提供給對應的類神經網路模型。補償方法包含下述步驟：

步驟S100、將待修正頻譜訊號G1對應的複數特徵值G1s提供至第一類神經網路模型210，以及將待修正頻譜訊號G1提供至第二類神經網路模型220中。

步驟S200、將第一類神經網路模型210輸出的第一組特徵資訊V1及第二類神經網路模型220輸出的第二組特徵資訊V2提供至融合層230。

步驟S300、產生一波形類別資訊及一補償資訊。其中，補償資訊例如為圖5中示例的補償值Hf1，以用於供待修正高度值進行補償。

其中，提供至第一類神經網路模型210的這些特徵值即是基於所擇定的分類項目，每一個頻譜訊號在對應分類項目下的特徵值(例如：分類項目含有偏態型態時，偏態型態的分析工具(演算法)可輸出該頻譜訊號對應的特徵值)。所擇定的分類項目越多，頻譜訊號就會有越多的對應的特徵值被產出，並被輸入至第一類神經網路模型210中。

其中，第一類神經網路模型210輸出的第一組特徵資訊V1係代表待修正頻譜訊號G1之波形的識別資訊，這個識別資訊關聯於所選擇的這些分類項目，在與後續之第二組特徵資訊V2融合後，一併作為數值回歸的依據，以供補償資訊的取得。

其中，第二類神經網路模型220輸出的第二組特徵資訊V2可用來判斷補償程度，亦即，待修正頻譜訊號G1所對應的補償程度資訊。申言之，經訓練的第二類神經網路模型220，係用於正確解讀訊號，並能提供補償程度資訊(補償值大小)的判斷。在第一類神經網路模型210與第二類神經網路模型220的一同使用下，基於第一組特徵資訊V1與第二組特徵資訊V2的融合，補償資訊的產生過程中能參考到訊號的波形種類。後續在依據數值回歸時，生成待修正頻譜訊號G1的補償資訊及波形類別資訊(波形種類)。如此，能更勝任各種訊號狀態的判讀與提供更正確的補償資訊。

其中，融合層230是將第一組特徵資訊V1與第二組特徵資訊V2執行級聯(concatenate)操作而獲得合併特徵。如前所述，在特徵的串聯之下，檢測系統可基於訊號的波形種類而獲得更準確之表面形貌在高度上的補償資訊。

據此，由於待修正頻譜訊號G1也會有對應的檢測高度值(亦即傳統上的取得資訊)，因此，在取得待修正頻譜訊號G1對應的補償值Hf1後，具有變異性的頻譜訊號(待修正頻譜訊號G1)所對應的高度差異值(待修正高度值)就能被進行補償，而可被轉換為修正後高度值。基於此，將各個待修正頻譜訊號G1均修正後，檢測系統就能將目標檢測區的正確表面結構形貌呈現出來。

進一步地，除了是僅將具有變異性的頻譜訊號進行補償之外(以增進判定效率)，還可以讓運算處理裝置200(請參照圖1)執行補償控制程序。其係基於一閥值，在待修正頻譜訊號G1對應的補償資訊的修正幅度大於該閥值時(例如：補償值Hf1的絕對值大於閥值)，才讓運算處理裝置200對待修正頻譜訊號G1對應的檢測高度值執行補償的動作。

接著請參照圖6，為根據一些實施例之第一類神經網路模型及第二類神經網路模型的訓練示意圖。

關於第一類神經網路模型的訓練，是將可呈現出變異性頻譜狀態的資訊，及不具有變異性頻譜狀態的資訊，提供給第一類神經網路模型進行訓練。申言之，將複數異常訊號g1對應的複數異常特徵值g1s，以及複數正常訊號g2對應的複數正常特徵值g2s，作為輸入向量，分別提供給第一類神經網路模型進行訓練程序。第一類神經網路模型舉例可為多層感知機(Multilayer Perceptron, MLP)或其他對於訊號波形之型態具有相同或近似之學習能力的類神經網路模型。

其中，在選定的一些波形分析工具的使用下，可對應地對每個訊號識別出其波形的型態。舉例來說，當關注的是峰度(kurtosis)數值的多寡(如：高或低)，對應的波形分析工具是可用來計算峰度的演算法，所產生的對應波形型態即可能為：平坦型態或陡峭型態。其他例如：前述之偏態(skewness)數值的多寡(如：高、中或低)，對應的波形分析工具是可用來計算偏態的演算法，所產生的對應波形型態即可能為：高斯常態分佈型態、左偏型態或右偏型態。第一類神經網路模型的訓練目標即是類神經網路模型能基於訊號的特徵值，識別出波形的型態。以多層感知機(MLP)作為第一類神經網路模型為例，即可透過損失函數的最小化來達成訓練，進而使完成訓練的多層感知機(MLP)的輸出係為一種可用來識別波形型態的激活值(activations)或激活向量(activation vector)，即第一組特徵資訊。

關於第二類神經網路模型的訓練，是將可呈現出變異性頻譜狀態的資訊及對應的異常高度差值(即異常高度資訊的一種)，及不具有變異性頻譜狀態的資訊及對應的正常高度差值(即正常高度資訊的一種)，作為輸入向量，提供給第二類神經網路模型進行訓練。其中，對一個檢測點取得的頻譜訊號並以演算法抓取波峰而直接取得的高度值(不論正確與否)是指檢測高度值；同樣對該檢測點，以能夠精確取得表面形貌的量測裝置(例如：掃描電子顯微鏡(SEM)、原子力顯微鏡(AFM)或掃描隧道顯微鏡(STM)等)所取得的高度值是指真實高度值，高度差異值則是指檢測高度值與真實高度值之間的差異。申言之，將該等異常訊號g1及對應的該等異常特徵值g1s及異常高度差異值H1d，以及將該等正常訊號g2及對應的該等正常特徵值g2s及正常高度差異值H2d，作為輸入向量，分別提供給第二類神經網路模型進行訓練程序。

因此，在第二類神經網路模型的訓練中，使用真實高度值與檢測高度值及其相對應的頻譜訊號之波形，讓模型進行訊號解讀的學習與訓練，使解析出的特徵向量對於後續數值回歸結果有正向幫助，模型即有能力對每一變異性頻譜狀態輸出對應的補償程度資訊，所輸出的向量係為基於波形而識別出對應之補償資訊的一種嵌入向量(embedding vector)，即第二組特徵資訊。其中，第二類神經網路模型舉例可為完全卷積網路(fully convolutional networks, FCN)或殘差神經網路(residual neural network, ResNet)或其他對於訊號波形之型態具有相同或近似之學習能力的類神經網路模型(再舉例如：CNN、MCNN、MCDCNN、TWIESN、ENCODER、MLP、INCEPTION、TLENET、HIVE資料庫搭配編程)。

其中，異常高度差異值H1d屬於異常高度資訊的其中一種，異常高度資訊除了採用如前所述之檢測高度值與真實高度值間的差異之外，也可直接採用真實高度值。以及，正常高度差異值H2d屬於正常高度資訊的其中一種，正常高度資訊除了採用如前所述之檢測高度值與真實高度值間的差異之外，也可直接採用真實高度值(由於是正常高度資訊，故此處的差異可能為零或是僅具微小差異)。如此，前述之直接採用真實高度值，同樣可以讓第二類神經網路模型學習出各種頻譜訊號應對應的高度資訊，進而可供後續之補償程度資訊的判定。

再詳細地說，在訓練過程中，對於一個檢測位置來說，其頻譜訊號、波形特徵、檢測高度值及真實高度值會被提供來進行對應的類神經網路模型的訓練。其中，由於兩個類神經網路模型的輸出會進行融合，並以前述波形特徵及關聯於檢測高度值與真實高度值的補償資訊匹配至融合後的向量(而非匹配至單一類神經網路模型輸出的向量)。這使得每一個融合後的向量可共享所有特徵，也就是說，基於兩個類神經網路模型共享訓練過程中之各個特徵的權重調配，訓練出可得到更準確之補償資訊的兩個類神經網路模型。

進一步地，在一些其他實施例中，針對第二類神經網路模型的訓練過程及使用過程，可由原本的每一檢測點鄰近的資訊重新組成為一個新的檢測點輸入資訊(僅頻譜訊號進行重組)。申言之，每一檢測點及其周圍的複數個附加檢測點之資訊作為一個新的輸入向量 。因此，檢測點的頻譜訊號與每一附加檢測點的附加頻譜訊號，被以資料結構整理的方式，在相匹配維度的模型內進行訓練。新的輸入向量中，更包含了主要檢測點周圍的附加檢測點的資訊，由於附加檢測點鄰近於主要檢測點，因此具有高度相關於該主要檢測點的形貌資訊，可讓第二類神經網路模型的學習與訓練更加豐富。其中，這些附加檢測點可被定義為，在目標檢測區內，以該主要檢測點為中心，向周圍額外取一個檢測點的範圍。此外，當訓練過程採用重組的檢測點輸入資訊時，在使用訓練好的第二類神經網路模型的過程中(例如前述步驟S100)，所使用的待修正頻譜訊號也可以是經重組的輸入向量，重組的資料結構係匹配於已訓練好之同樣維度的模型。

再進一步地，在一些其他實施例中，在提供作為輸入向量之成分的頻譜訊號至第二類神經網路模型之前，均對此頻譜訊號進行前處理程序。該前處理程序係用於使訊號被強化。該前處理程序依序為：DC成分去除步驟、訊號增強步驟及訊號均值偏移步驟。

關於DC成分去除步驟，是用於去除隨時間而產生的常數項。通常採用一階導數、減去平均數等方式處理。此外，此步驟亦能對一些可能導致計算誤差的情況(如：蝠翼效應(batwing effect))予以去除。

關於訊號增強步驟，是用於將絕大部分的負值取正，通常採用平方法進行訊號增強。

關於訊號均值偏移步驟，是用於進一步過濾不相關的資訊，舉例來說可採用演算法(Mean shift)來計算各個訊號的強度值一同扣除一位移植(此位移值即為所有訊號在強度上的平均值，此位移值亦對應著所要達到的過濾程度)，用以分離正、負訊號(達到讓每個頻譜訊號中僅保留主要幾個波峰為正，其他則為負的過濾效果)，並將原來的演算法(ReLU)啟動函數調整為演算法(LeakyReLU)(舉例來說，將負值部分的LeakyReLU的斜率設置為一個很小的正值，例如 0.01)，以賦予負值一定的訓練影響。這樣，負值資料在訓練模型時仍然可以產生一定的影響，以有效地提高模型在處理具有雜訊的資料時的性能。

接著請參照圖7，為根據另一實施例之用於半導體表面結構形貌的檢測系統的示意圖。此實施例之檢測系統包含：光學量測裝置100、形貌量測裝置400及運算處理裝置200。

光學量測裝置100配置為對目標檢測區(對待測物300上的一區域)以照明光101進行掃描，並用於取得來自該目標檢測區的反射光所形成的光干涉狀態。形貌量測裝置400係配置為對該目標檢測區取得真實高度值。運算處理裝置200耦接該光學量測裝置100及該形貌量測裝置400，運算處理裝置200配置為用於執行下列步驟：第一訓練步驟、第二訓練步驟、分析步驟及補償步驟。

圖7的實施例係結合形貌量測裝置400，這使得使用端(系統操作端)可以藉由多數之標準待測物的提供(每個標準待測物的表面形貌上具有可讓頻譜訊號呈現正常及異常的對應區域)，以自行訓練神經網路模型。運算處理裝置200可歸納這些標準待測物對應的各個頻譜訊號相關資訊來建立與訓練神經網路模型。

第一訓練步驟係對應至前述的第一類神經網路模型的訓練方式。申言之，是執行在有複數標準待測物個別提供至該光學量測裝置的條件下。運算處理裝置200自光學量測裝置100取得光干涉狀態以轉換為各該標準待測物對應之具有變異性頻譜狀態的一異常訊號，以及轉換為各該標準待測物對應之不具有變異性頻譜狀態的一正常訊號。運算處理裝置200將該等異常訊號與對應的複數異常特徵值及該等正常訊號與對應的複數正常特徵值作為輸入向量提供至第一類神經網路模型進行訓練。

第二訓練步驟對應至前述的第二類神經網路模型的訓練方式。申言之，是執行在有該等標準待測物個別提供至該光學量測裝置的條件下。運算處理裝置200並使形貌量測裝置400對應地取得各該標準待測物之表面形貌的一真實高度值。運算處理裝置200自光學量測裝置100取得光干涉狀態以轉換為各該標準待測物對應之具有變異性頻譜狀態該異常訊號及對應的一異常特徵值及一異常高度差異值。以及，運算處理裝置200自光學量測裝置100取得光干涉狀態以轉換為各該標準待測物對應之不具有變異性頻譜狀態的該正常訊號及對應的一正常特徵值及一正常高度差異值。運算處理裝置200將這些異常訊號、正常訊號、異常特徵值、正常特徵值、異常高度差異值及正常高度差異值作為輸入向量提供至第二類神經網路模型進行訓練，以取得每一變異性頻譜狀態對應的補償資訊。其中該異常高度差異值與該正常高度差異值係為各個訊號對應的一檢測高度值與該真實高度值之間的差異。

在分析步驟中，係執行在有一待測物的條件下。運算處理裝置200使光學量測裝置100取得目標檢測區內該待測物之反射光所形成的複數干涉訊號。運算處理裝置200並將該等干涉訊號轉換為複數頻譜訊號，並於該等頻譜訊號中存在具有變異性的至少一待修正頻譜訊號時，將該待修正頻譜訊號提供至該第一類神經網路模型及該第二類神經網路模型，用於取得代表波形特徵的第一組特徵資訊及代表補償程度資訊的第二組特徵資訊。運算處理裝置200並執行該第一組特徵資訊及該第二組特徵資訊的融合，以基於該待修正頻譜訊號內含的異常特徵產生一補償值。

在補償步驟中，係指運算處理裝置200基於該補償資訊，將該待修正頻譜訊號所對應的一待修正高度值修正為一修正後高度值，以正確生成該待測物於該目標檢測區的表面結構形貌。

在類神經網路的訓練過程中，依據所取得之頻譜訊號的品質(例如：訊號是否受環境因素而對波形造成額外的影響、真實高度值是否正確、訊號的特徵資訊是否齊全等)，來衡量所需的訓練數量，此外，可搭配訓練後形成均方錯誤(mean square error)的機率趨近於零或最近一定訓練週期次數(例如設定為50次或其他次數)無再進步時，達到訓練的結束。舉例來說但非為一種限制，選擇5個具有針痕的位置數量來訓練此二個類神經網路模型，每個類神經網路模型約使用50萬筆資料來進行訓練可完成訓練(其中，訓練週期次數為300次)。

前述以軟體的形式執行的各種功能與運算，可以藉由將電腦程式存儲在一個非揮發性的電腦可讀取儲存媒體中並執行後來達成。電腦程式被儲存在介質中，電腦程式包括複數指令，用以使電子裝置(例如：各種電腦設備、網路設備或其他電子設備等)或處理器(processor)執行本發明各個實施例所述的用於半導體表面結構形貌的補償方法。

綜合上述，藉由組合式的兩個類神經網路模型的學習、訓練及使用，可對頻譜訊號提供正確的判定及對高度資訊提供必要的補償，進而讓半導體表面結構形貌之檢測的精確性提高，也增加了檢測系統的可靠度。

本文在上述揭露內容中已以較佳實施例揭露，然熟習本項技術者應理解的是，該實施例僅用於描繪本文的揭露內容，而不應解讀為範圍的限制。應注意的是，舉凡與該實施例等效之變化與置換，均應設為涵蓋於本文揭露內容之範疇內。因此，本文揭露內容之保護範圍當以申請專利範圍所界定者為準。

100:光學量測裝置 101:照明光 102:穿透光 110:取像單元 120:光源單元 130:分光單元 140:參考面鏡 200:運算處理裝置 210:第一類神經網路模型 220:第二類神經網路模型 230:融合層 300:待測物 400:形貌量測裝置 g1:異常訊號 g1s:異常特徵值 g2:正常訊號 g2s:正常特徵值 G1:待修正頻譜訊號 G1s:特徵值 Hf1:補償值 H1d:異常高度差異值 H2d:正常高度差異值 S100~S300:步驟 V1:第一組特徵資訊 V2:第二組特徵資訊

[圖1]為根據一些實施例之用於半導體表面結構形貌的檢測系統的示意圖。 [圖2]為具有偏態的頻譜訊號示意圖。 [圖3]為具有雙波包的頻譜訊號示意圖。 [圖4]為根據一些實施例之用於半導體表面結構形貌的檢測系統的補償方法。 [圖5]為根據一些實施例之第一類神經網路模型及第二類神經網路模型的使用示意圖。 [圖6]為根據一些實施例之第一類神經網路模型及第二類神經網路模型的訓練示意圖。 [圖7]為根據另一實施例之用於半導體表面結構形貌的檢測系統的示意圖。

S100~S300:步驟

Claims (18)

1. 一種用於半導體表面結構形貌之檢測系統的補償方法，係用於對具有變異性的一待修正頻譜訊號所對應的一待修正高度值進行補償，該補償方法包含： 將該待修正頻譜訊號的複數特徵值提供至藉由一運算處理裝置執行運算的一第一類神經網路模型以取得一第一組特徵資訊，及將該待修正頻譜訊號提供至該運算處理裝置執行運算的一第二類神經網路模型以取得一第二組特徵資訊；及 融合代表波形特徵的該第一組特徵資訊及代表補償程度資訊的該第二組特徵資訊以產生一波形類別資訊及一補償資訊，該補償資訊係供該檢測系統將該待修正高度值修正為一修正後高度值； 其中，該第一類神經網路模型係基於複數異常訊號及複數正常訊號個別對應的特徵值進行訓練；及 其中，該第二類神經網路模型係基於該等異常訊號對應的特徵值與異常高度資訊以及基於該等正常訊號對應的特徵值與正常高度資訊進行訓練。
2. 如請求項1所述之補償方法，其中該第一類神經網路模型係基於下述方式進行訓練：將可呈現出變異性頻譜狀態的該等異常訊號對應的複數異常特徵值以及不具有變異性頻譜狀態的該等正常訊號對應的複數正常特徵值作為輸入向量提供至該第一類神經網路模型。
3. 如請求項2所述之補償方法，其中該第二類神經網路模型係基於下述方式進行訓練：將每一該等異常訊號及對應的該異常特徵值及一異常高度差異值，以及將每一該等正常訊號及對應的該正常特徵值及一正常高度差異值，作為輸入向量提供至該第二類神經網路模型，該異常高度差異值與該正常高度差異值係為各個訊號對應的一檢測高度值與實測的一真實高度值之間的差異。
4. 如請求項3所述之補償方法，其中更包含一補償控制程序，係基於一閥值，於該待修正頻譜訊號對應的該補償資訊的修正幅度大於該閥值時，才令該運算處理裝置對該待修正頻譜訊號的該待修正高度值進行修正。
5. 如請求項3所述之補償方法，其中於該第二類神經網路模型進行訓練的方式中，提供至該第二類神經網路模型的輸入向量係為該待修正頻譜訊號與複數附加檢測點所各自對應的一附加頻譜訊號所重組而成的輸入向量，其中，該待修正頻譜訊號係對應一檢測點，該檢測點之周圍的一附加範圍內係定義為該等附加檢測點。
6. 如請求項5所述之補償方法，其中該附加範圍係為1個檢測點所涵蓋的範圍。
7. 如請求項1至6中任一項所述之補償方法，其中更包含一前處理程序，係執行於提供輸入向量至該第二類神經網路模型之前，該前處理程序係用於使提供至該第二類神經網路模型的所有頻譜訊號被個別地依序進行一DC成分去除步驟、一訊號增強步驟及一訊號均值偏移步驟。
8. 如請求項7所述之補償方法，其中該第一類神經網路模型係為多層感知機(Multilayer Perceptron, MLP)，該第二類神經網路模型係為完全卷積網路(fully convolutional networks, FCN)或殘差神經網路(residual neural network, ResNet)。
9. 一種用於半導體表面結構形貌的檢測系統，包含： 一光學量測裝置，係用於對一待測物的一目標檢測區以一照明光進行掃描，以取得自該待測物反射之反射光所形成的複數干涉訊號；及 一運算處理裝置，係用於接收該等干涉訊號並轉換為不具有變異性的複數頻譜訊號及具有變異性的至少一待修正頻譜訊號，該運算處理裝置並用於執行如請求項1至8中任一項所述之補償方法，使該至少一待修正頻譜訊號對應的一待修正高度值修正為一修正後高度值，以正確生成該目標檢測區的表面結構形貌。
10. 一種非揮發性的電腦可讀取儲存媒體，係儲存有一電腦程式，該電腦程式包含基於複數頻譜訊號對應的特徵值所訓練的一第一類神經網路模型以及包含基於該等頻譜訊號及對應的高度資訊所訓練的一第二類神經網路模型，該電腦程式係用於執行下述方法： 基於自一待測物的表面結構形貌取得一待修正頻譜訊號，取得該待修正頻譜訊號的複數訊號特徵值並提供至該第一類神經網路模型以取得一第一組特徵資訊，以及將該待修正頻譜訊號提供至該第二類神經網路模型以取得一第二組特徵資訊，融合該第一組特徵資訊及該第二組特徵資訊以取得該待修正頻譜訊號的一補償資訊，該補償資訊係用於供該待修正頻譜訊號所對應的一待修正高度值進行補償。
11. 一種用於半導體表面結構形貌的檢測系統，包含： 一光學量測裝置，係配置為對一目標檢測區以一照明光進行掃描，並用於取得來自該目標檢測區的反射光所形成的光干涉狀態； 一形貌量測裝置，係配置為對該目標檢測區取得真實高度值；及 一運算處理裝置，係耦接該光學量測裝置及該形貌量測裝置，配置為用於執行下列步驟： 一第一訓練步驟，係執行在有複數標準待測物個別提供至該光學量測裝置的條件下，該運算處理裝置自該光學量測裝置取得光干涉狀態以轉換為各該標準待測物對應之具有變異性頻譜狀態的一異常訊號，以及轉換為各該標準待測物對應之不具有變異性頻譜狀態的一正常訊號，該運算處理裝置將該等異常訊號對應的複數異常特徵值及該等正常訊號對應的複數正常特徵值作為輸入向量提供至一第一類神經網路模型進行訓練； 一第二訓練步驟，係執行在有該等標準待測物個別提供至該光學量測裝置的條件下，該運算處理裝置並使該形貌量測裝置對應地取得各該標準待測物之表面形貌的一真實高度值，該運算處理裝置自該光學量測裝置取得光干涉狀態以轉換為各該標準待測物對應之具有變異性頻譜狀態該異常訊號及對應的一異常特徵值及一異常高度差異值，以及該運算處理裝置自該光學量測裝置取得光干涉狀態以轉換為各該標準待測物對應之不具有變異性頻譜狀態的該正常訊號及對應的一正常特徵值及一正常高度差異值，該運算處理裝置將這些異常訊號、正常訊號、異常特徵值、正常特徵值、異常高度差異值及正常高度差異值作為輸入向量提供至一第二類神經網路模型進行訓練，其中該異常高度差異值與該正常高度差異值係為各個訊號對應的一檢測高度值與該真實高度值之間的差異； 一分析步驟，係執行在有一待測物的條件下，該運算處理裝置使該光學量測裝置取得該目標檢測區內該待測物之反射光所形成的複數干涉訊號，該運算處理裝置並將該等干涉訊號轉換為複數頻譜訊號，並於該等頻譜訊號中存在具有變異性的至少一待修正頻譜訊號時，將該待修正頻譜訊號提供至該第一類神經網路模型及該第二類神經網路模型，以取得具有波形類別資訊的一第一組特徵資訊及具有補償程度資訊的一第二組特徵資訊，以及融合該第一組特徵資訊及該第二組特徵資訊以基於該待修正頻譜訊號內含的異常特徵產生一補償資訊；及 一補償步驟，該運算處理裝置基於該補償資訊將該待修正頻譜訊號所對應的一待修正高度值修正為一修正後高度值，以正確生成該待測物於該目標檢測區的表面結構形貌。
12. 如請求項11所述之檢測系統，其中該形貌量測裝置係為掃描電子顯微鏡(SEM)、原子力顯微鏡(AFM)或掃描隧道顯微鏡(STM)。
13. 如請求項11所述之檢測系統，其中該光學量測裝置係為白光干涉儀。
14. 如請求項11至13中任一項所述之檢測系統，其中該運算處理裝置更配置用於執行下述步驟：於該分析步驟中，基於一閥值，於該待修正頻譜訊號對應的該補償資訊的修正幅度大於該閥值時，才令該運算處理裝置對該待修正頻譜訊號的該待修正高度值執行該補償步驟。
15. 如請求項11至13中任一項所述之檢測系統，其中於該第二訓練步驟中，提供至該第二類神經網路模型的輸入向量係為該待修正頻譜訊號與複數附加檢測點所各自對應的一附加頻譜訊號所重組而成的輸入向量，其中，該待修正頻譜訊號係對應一檢測點，該檢測點之周圍的一附加範圍內係定義為該等附加檢測點。
16. 如請求項15所述之檢測系統，其中該附加範圍係為1個檢測點所涵蓋的範圍。
17. 如請求項11至13中任一項所述之檢測系統，其中於該第二訓練步驟及該分析步驟中，該運算處理裝置更配置用於執行一前處理程序，係執行於提供輸入向量至該第二類神經網路模型之前，該前處理程序係用於使提供至該第二類神經網路模型的所有頻譜訊號被個別地依序進行一DC成分去除步驟、一訊號增強步驟及一訊號均值偏移步驟。
18. 如請求項17所述之檢測系統，其中該第一類神經網路模型係為多層感知機(Multilayer Perceptron, MLP)，該第二類神經網路模型係為完全卷積網路(fully convolutional networks, FCN)或殘差神經網路(residual neural network, ResNet)。