[go: up one dir, main page]

TWI889675B - 基於機器學習之半導體樣本中的缺陷分類之方法、系統及非暫態電腦可讀取媒體 - Google Patents

基於機器學習之半導體樣本中的缺陷分類之方法、系統及非暫態電腦可讀取媒體

Info

Publication number
TWI889675B
TWI889675B TW109110197A TW109110197A TWI889675B TW I889675 B TWI889675 B TW I889675B TW 109110197 A TW109110197 A TW 109110197A TW 109110197 A TW109110197 A TW 109110197A TW I889675 B TWI889675 B TW I889675B
Authority
TW
Taiwan
Prior art keywords
defects
label
physical properties
class
machine learning
Prior art date
Application number
TW109110197A
Other languages
English (en)
Other versions
TW202044067A (zh
Inventor
歐海德 許奧比
寶茲 扣漢
齊瑞爾 塞夫琴柯
歐瑞 史塔利德
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 TW202044067A publication Critical patent/TW202044067A/zh
Application granted granted Critical
Publication of TWI889675B publication Critical patent/TWI889675B/zh

Links

Classifications

    • 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
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06V10/40—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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • 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
    • G06T2207/30—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

提供一種自動缺陷分類的方法及其系統。該方法包括以下步驟：獲得關於一組缺陷的物理屬性的資料，該一組缺陷的物理屬性可用於區分該複數個類別中的不同類別的缺陷；在訓練第一機器學習模型以針對該給定缺陷產生一多標籤輸出向量，從而針對該給定缺陷產生一多標籤描述符，該多標籤輸出向量具有該等物理屬性的值之資訊；及使用該經訓練的第一機器學習模型以產生該樣本中的該等缺陷的多標籤描述符。該方法可以進一步包括以下步驟：獲得關於多標籤資料組的資料，每個資料組唯一地指示該複數個類別中的一相應類別，且包括唯一一組物理屬性值；及藉由將分別產生的該等缺陷的多標籤描述符與該多標籤資料組匹配來分類該樣本中的缺陷。

Description

基於機器學習之半導體樣本中的缺陷分類之方法、系統及非 暫態電腦可讀取媒體
本案揭露的申請專利標的一般係關於檢查樣本的領域，且更具體地係關於使樣本中的缺陷分類自動化。
當前對於與製造裝置的超大規模整合相關的高密度和性能的要求需要次微米的特徵、更高的電晶體和電路速度以及改善的可靠性。這樣的要求需要形成具有高精度和均勻性的元件特徵，而這需要仔細監控製造製程，其包括在元件仍處於半導體晶圓形式時自動檢查元件。
本說明書中使用的術語「樣本(specimen)」應廣義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物品的任何類型的晶圓、遮罩和其他結構、組合和/或其零件。
在本說明書中使用的術語「檢查(examination)」應該廣義地解釋為涵蓋任何種類的與計量(metrology)相關的操作，以及與在其製造期間樣本中缺陷的檢測和/或分類有關的操作。在待檢查的樣本製造期間或之後，藉由使用非破壞性檢查工具提供檢查。作 為非限制性示例，檢查製程可以包括運行時間(runtime)掃描(以單次或多次掃描)、採樣、復查(reviewing)、測量、分類和/或者針對樣本或樣本部分使用相同或不同檢查工具提供的其他操作。同樣地，可以在製造待檢查的樣本之前提供檢查，且可以包括例如產生檢查配方和/或其他設置操作。注意，除非另有特別說明，否則本說明書中使用的術語「檢查」或其衍生詞對檢查區域的解析度或尺寸沒有限制。作為非限制性示例，各種非破壞性檢查工具包括掃描電子顯微鏡、原子力顯微鏡、光學檢查工具等。
作為非限制性示例，運行時檢查可以採用兩階段(phase)程序，例如，查看(review)潛在缺陷的採樣位置後，接著檢查樣本。在第一階段期間，以高速和較低解析度來檢查樣本的表面。在第一階段中，產生缺陷圖以顯示樣本上具有高缺陷可能性的可疑位置。在第二階段期間，以相對較高的解析度對可疑位置的至少部分作更徹底的分析。在某些情況下，兩個階段可以藉由相同的檢查工具來實現，而在其他情況下，這兩個階段可以藉由不同的檢查工具來實現。
在半導體製造期間的各個步驟使用檢查製程，以檢測和分類樣本上的缺陷。可以藉由自動化製程來提高檢查的效率，例如，自動缺陷分類(ADC)、自動缺陷檢查(ADR)等。
根據當前所揭露的專利標的的某些態樣，提供一種將半導體樣本中的缺陷自動分類為複數個類別(class)的方法。該方法由處理和記憶電路(PMC)施行且包括以下步驟：獲得關於(informative of)一組缺陷的物理屬性的資料，該一組缺陷的物理屬性可用於區分該複數個類別中的不同類別的缺陷；及(upon)在訓練第一機器學習模型以處理包含關於給定缺陷的一個或多個圖像之樣品(sample)，以便針對該給定缺陷產生多標籤輸出向量，從而針對該給定缺陷產生多標籤描述符時，使用該經訓練的第一機器學習模型以產生該樣本中的該等缺陷的多標籤描述符，該多標籤輸出向量具有來自該組物理屬性中的該等物理屬性的值之資訊，該等描述符可用於分類。
該方法可以進一步包括以下步驟：獲得關於多標籤資料組的資料，每個資料組唯一地指示該複數個類別中的一相應類別，且包括來自該組物理屬性的唯一一組物理屬性值；及在訓練第二機器學習模型以提供多標籤分類時，藉由將分別產生的缺陷的多標籤描述符與該多標籤資料組匹配來使用該經訓練的第二機器學習模型把該樣本中的缺陷分類。或者或甚者，可以分析該樣本中的缺陷的該等產生的多標籤描述符以識別一個或多個類別的多模態行為及/或以識別新的重複多標籤資料組，從而識別該等缺陷的新類別。
根據當前所揭露的專利標的的其他態樣，提供一種將半導體樣本中的缺陷分類為複數個類別的系統。該系統包括可操作地連接到輸入介面的處理和記憶電路(PMC)，其中該輸入介面經配置接收包括關於缺陷的圖像的樣品；及其中該PMC經配置施行以下步驟：獲得關於一組缺陷的物理屬性的資料，該一組缺陷的物理屬性可用於區分該複數個類別中的不同類別的缺陷；及在訓練第一機器學習模型以處理包含關於給定缺陷的一個或多個圖像之樣品，以便針對該給定缺陷產生一多標籤輸出向量，從而針對該給定缺陷產生多標籤描述符時，使用該經訓練的第一機器學習模型以產生該樣本中的該等缺陷的多標籤描述符，該多標籤輸出向量具有來自該組物理屬性中的該等物理屬性的值之資訊，該等描述符可用於分類。
PMC可以經進一步配置實施：獲得關於多標籤資料組的資料，每個資料組唯一地指示該複數個類別中的一相應類別，且包括來自該組物理屬性的唯一一組物理屬性值；及在訓練第二機器學習模型以提供多標籤分類時，藉由將分別產生的缺陷的多標籤描述符與該多標籤資料組匹配來使用該經訓練的第二機器學習模型以用於把該樣本中的缺陷分類。
PMC可以經進一步配置實施：獲得關於多標籤資料組的資料，每個資料組唯一地指示該複數個類別中的一相應類別，且包括來自該組物理屬性的唯一一組物理屬性值；及分析該樣本中的缺陷的該等產生的多標籤描述符以 識別新的重複多標籤資料組，從而識別該等缺陷的新類別以及/或藉由分析該樣本中的缺陷的該等產生的多標籤描述符來識別一個或多個類別的多模態行為及/或以識別新的重複多標籤資料組，從而識別該等缺陷的新類別。
根據另外的態樣，且可選地，與當前所揭露的專利標的的其他態樣結合，把一缺陷分類的步驟可以包括以下步驟：將一確定性閾值(certainty threshold)定義為與給定類別匹配的該個別產生的多標籤描述符中的值的數量以及指示該給定類別的該多標籤資料組中的值的總數量之間的比率。作為非限制性示例，確定性閾值可以啟用以下步驟中的至少一者：最佳化缺陷分類的信心程度；識別錯誤分類的(misclassified)缺陷；針對每個類別和/或類別的群組分別設置純度需求(purity requirements)；針對每個類別和/或類別的群組分別設置準確度需求(accuracy requirements)；針對每個類別和/或類別的群組分別設置提取需求(extraction requirements)。
根據另外的態樣，且可選地，與當前所揭露的專利標的的其他態樣結合，該組缺陷的物理屬性中的該等物理屬性可以具有以下資訊中的至少一者：實體位置、形狀、周長、側壁角度、長寬比(aspect ratio)、定向、對稱性、層、紋理、邊緣和化學成分。
作為非限制性示例，該複數個類別可以包括一「粒子(particle)」類別和一「橋(bridge)」類別，其中 該個別組缺陷的物理屬性可以包括紋理的粗糙度、邊緣的清晰度、相對於圖案(pattern)的頂部的位置以及相對於兩圖案的位置。
根據另外的態樣，且可選地，與當前所揭露的專利標的的其他態樣結合，該等多標籤描述符和該多標籤資料組中的該等物理屬性的該等值可以是二進制的。或者，該等多標籤描述符和該等多標籤資料組中的該等物理屬性的該等值可以對應於關於個別物理屬性的「是」、「否」和「不相關」。
當前所揭露的專利標的的某些實施例的優點之一是能夠使用具有物理意義的學習屬性對缺陷分類，從而能夠物理理解和除錯，同時對於學習屬性具有固有的高效能之能力。
當前所揭露的專利標的的某些實施例的另一優點是藉由通過具有物理意義的屬性界定此等類別來分類為無形的(unseen)類別。
100:檢查系統
101:低解析度檢查工具
102:高解析度檢查工具
103:FPEI系統
104:處理器和記憶電路
105:輸入介面
106:輸出介面
107:儲存系統
108:GUI
109:資料儲存庫
110:CAD伺服器
111:描述符的產生器
112:分類器
121:低解析度圖像資料
122:高解析度圖像資料
123:指令相關的資料
124:指令相關的資料
201:步驟
202:步驟
203:步驟
204:步驟
205:步驟
206:步驟
301:步驟
302:步驟
303:步驟
304:步驟
305:步驟
為了理解本發明並了解其如何在實踐中實行，現在將僅藉由非限制性示例的方式，參考所附圖式來描述實施例，其中：圖1繪示根據當前所揭露的專利標的的某些實施例之檢查系統的功能方塊圖；圖2繪示根據當前所揭露的專利標的的某些實施例之基於機器學習的缺陷分類的概括流程圖；及 圖3繪示根據當前所揭露的專利標的的某些實施例之用於對缺陷分類的設置步驟的概括流程圖。
在以下實施方式中，闡述諸多具體細節以提供本發明透徹理解。然而，本發明所屬領域中具有通常知識者將理解，可在沒有這些具體細節的情況下實踐當前所揭露的專利標的。在其他情況下，未詳細描述習知的方法、過程、部件和電路，以免模糊當前所揭露的專利標的。
除非另有特別說明，否則從以下討論中可以明顯看出，應當理解，在整個說明書討論中，使用諸如「處理」、「計算」、「表示」、「比較」、「產生」、「訓練」或類似的術語是指將資料操縱和/或轉換為其他資料的電腦的動作和/或處理，該資料表示為物理的(如電子的)，表示該物理物件的量和/或資料。術語「電腦」應該被廣義地解釋為覆蓋具有資料處理能力的任何種類的基於硬體的電子裝置，包括(作為非限制性示例的)FPEI(製造製程檢查資訊)系統及其在本申請案中所揭露的個別部分。
這裡使用的術語「非暫態記憶體」和「非暫態記憶媒體」應該被廣義地解釋為覆蓋適合於當前所揭露的專利標的的任何揮發性或非揮發性電腦記憶體。
在本說明書中使用的術語「缺陷」應該被廣義地解釋為覆蓋在樣本上或樣本內形成的任何種類的異常或不良(undesirable)特徵。
本說明書中使用的術語「設計資料」應該被廣義地解釋為涵蓋指示樣本的分層式(hierarchical)物理設計(佈局)的任何資料。設計資料可以由個別的設計師提供和/或可以從物理設計中得出(如，透過複雜的模擬、簡單的幾何和布林運算等)。可以以不同格式提供設計資料，作為非限制性示例，例如，GDSII格式、OASIS格式等。設計資料可以以向量格式、灰階強度圖像格式或其他方式呈現。
應當理解，除非另外特別說明，否則在單獨的實施例的上下文中描述的當前所揭露的專利標的的某些特徵也可以在單個實施例中組合提供。相反地，在單個實施例的上下文中描述的當前所揭露的專利標的的各種特徵也可以單獨地或以任何合適的子組合來提供。在以下實施方式中，闡述了許多具體細節以便提供對方法和設備的透徹理解。
牢記這點，請注意圖1，其繪示根據所揭露的專利標的的某些實施例的檢查系統的功能方塊圖。圖1中繪示的檢查系統可以用於作為樣本製造製程部分的(如晶圓的及/或其元件的)樣本檢查。所示的檢查系統100包括基於電腦的系統103，該系統能夠使用在樣本製造期間獲得的圖像來自動決定與計量相關和/或與缺陷相關的資訊。以下將這種圖像稱為製造製程(FP)圖像。系統103在下文中被稱為FPEI(製造製程檢查資訊)系統。FPEI系統103可以可操作地連接到一個或多個低解析度檢查工具101和/或 一個或多個高解析度檢查工具102和/或其他檢查工具。檢查工具經配置捕捉FP圖像和/或查看捕捉的FP圖像和/或啟用或提供與捕捉的圖像有關的量測。FPEI系統可以進一步可操作地連接到CAD伺服器110和資料儲存庫109。
FPEI系統103包括處理器和記憶電路(PMC)104，其可操作地連接到基於硬體的輸入介面105以及連接到基於硬體的輸出介面106。PMC 104經配置提供用於操作FPEI系統所需的所有處理，如參照圖2-3進一步詳細描述的，且PMC 104包括處理器(未單獨圖示)和記憶體(未單獨圖示)。PMC 104的處理器可以經配置根據在PMC中所包括的非暫態電腦可讀記憶體上實現的電腦可讀取指令來執行幾個功能模組。這種功能模組在下文中被稱為PMC。PMC 104中所包含的功能模組包括用於描述符產生的操作性連接的機器學習模組111(以下稱為描述符的產生器(Descriptors’Generator))和用於缺陷分類的機器學習模組112(以下稱為分類器(Classifier))。
FPEI系統103、PMC 104及其功能方塊的操作將參考圖2-3進一步詳細描述。
如將參考圖2-3進一步詳細描述的，FPEI系統經配置經由輸入介面105接收FP輸入資料。FP輸入資料可以包括由檢查工具產生的資料(和/或其衍生物和/或與其相關聯的元資料(metadata))和/或一個或多個資料儲存庫109中和/或CAD伺服器110和/或其他相關資料儲存庫中所產生和/或儲存的資料。應注意，FP輸入資料可以包括 圖像(如捕捉的圖像、由捕捉的圖像所衍生的圖像、模擬圖像、合成(synthetic)圖像等)及相關聯的數值資料(如元資料、手工構建的屬性(hand-crafted attributes)等)。還應注意，圖像資料可以包括與感興趣的層和/或與樣本的一個或多個其他層有關的資料。可選地，出於訓練目的，FP輸入資料可以包括根據某些標準選擇的整個可用的FAB資料或其部分。
FPEI系統進一步經配置處理接收到的FP輸入資料的至少部分，且經由輸出介面106將結果(或其部分)發送到儲存系統107、檢查工具、用於呈現結果之基於電腦的圖形使用者介面(GUI)108、和/或發送到外部系統(如FAB的產量管理系統(YMS))。GUI 108可以經進一步配置啟用與操作FPEI系統103有關的使用者指定的輸入。
作為非限制性示例，可以由一個或多個低解析度檢查機器101(如光學檢查系統、低解析度SEM等)檢查樣本。具有樣本的低解析度圖像資訊之所得到的資料(以下稱為低解析度圖像資料121)可以被直接傳輸到FPEI系統103或經由一個或多個中間系統傳輸到FPEI系統103。或者或甚者，可以藉由高解析度機器102檢查樣本(如，可以藉由掃描電子顯微鏡(SEM)或原子力顯微鏡(AFM)來查看為查看選擇的潛在缺陷位置的子集)。具有樣本的高解析度圖像資訊之所得到的資料(以下稱為高解析度圖 像資料122)可以直接傳輸到FPEI系統103或經由一個或多個中間系統傳輸到FPEI系統103。
應當注意，可以以不同的解析度捕捉樣本上期望位置的圖像。藉由非限制性示例，期望位置的所謂「缺陷圖像」可用於區分缺陷和錯誤警報，而期望位置的所謂「類別圖像(class images)」以更高的解析度獲得並且是可用於缺陷分類。在一些實施例中，相同位置(具有相同或不同解析度)的圖像可以包括在其間紀錄的(registered)若干圖像(如從給定位置捕捉的圖像以及給定位置所對應的一個或多個參考圖像)。
當處理FP輸入資料(如低解析度圖像資料和/或高解析度圖像，可選擇性地與其他資料(例如，設計資料、合成資料等)一起)時，FPEI系統可以將結果(如指令相關的資料123與/或124)發送到檢查工具的任一者、將結果(如缺陷屬性、缺陷分類等)儲存在儲存系統107中、經由GUI 108呈現結果以及/或將其發送到外部系統(如發送到YMS)。
本發明領域具有通常知識者將容易理解到，當前所揭露的專利標的的教示不受圖1所示的系統限制；等效和/或修改的功能可以以另一種方式合併或劃分，並且可以以軟體與韌體和/或硬體的任何適當組合來實現。
在不以任何方式限制本揭示案的範圍的情況下，還應當注意，檢查工具可以被實現為各種類型的檢查機器，如光學成像機、電子束檢查機等。在某些情況下，相 同的檢查工具可以提供低解析度圖像資料和高解析度圖像資料。在某些情況下，至少一種檢查工具可以具有計量能力。
描述符的產生器111和分類器112可以被實現為單獨的或組合的機器學習模組。僅出於說明的目的，提供了以下實現為深度神經網路(DNN)的機器學習模組(描述符的產生器111和分類器112)的描述。本發明領域中具有通常知識者將容易意識到，當前所揭露的專利標的的教示同樣適用於基於機器學習的其他合適的技術。
描述符的產生器111和分類器112可以包括一個或多個DNN子網路，每個DNN子網路都包括根據各自的DNN架構組織的複數個層。可選地，至少一個DNN網路可以具有與其他網路不同的架構。藉由非限制性示例，可以根據卷積神經網路(CNN)架構、遞歸神經網路(Recurrent Neural Network)架構、遞迴神經網路(Recursive Neural Network)架構或其他方式來組織各個DNN網路中的層。可選地，DNN子網路的至少部分可以具有一個或多個共同層(如最後熔絲層(final fuse layer)、輸出全連接層等)描述符的產生器111的輸出可以用作分類器112的輸入。
DNN網路的每一層可以包括多個基本計算元素(CE)，在本領域中通常稱為維度、神經元或節點。給定層的計算元件可以與前一層和/或後一層的CE連接。前一層的CE和後一層的CE之間的每個連接都與一個加權值相 關聯。給定的CE可以經由相應的連接接收來自前一層的CE，每個給定的連接與加權值相關聯，該加權值可以應用於給定的連接的輸入。加權值可以決定連接的相對強度，以及從而決定各個輸入對給定CE的輸出的相對影響。給定的CE可以經配置計算啟用值(activation value，如輸入的加權總和)，並藉由將啟用函數應用於計算出的啟用來進一步得出(derive)輸出。啟用函數可以是例如識別函數、確定性(deterministic)函數(如線性、S形(sigmoid)、閾值等)、隨機函數或其他合適的函數。可以經由相應的連接將輸出從給定CE傳輸到後一層的CE。同樣地，如上所述，在CE的輸出處的每個連接可以與加權值相關聯，該加權值可以在作為後一層的CE的輸入接收之前被應用於CE的輸出。除了加權值之外，還可以有與連接和CE相關聯的閾值(包括限制功能)。
可以在訓練之前，首先選擇深度神經網路的加權和/或閾值，且可以在訓練期間進一步迭代地調整或修改以在經訓練的DNN模組中實現一組最佳的加權和/或閾值。在每次迭代之後，可以確定DNN模組產生的實際輸出和與各自的訓練資料組相關聯的目標輸出之間的差異。該差異可以被稱為誤差值。當代表誤差值的成本函數小於預定值時，或者在迭代之間實現效能的有限變化時，可以確定訓練已完成。描述符的產生器111可以與分類器112分開訓練。在下文中，將用於訓練個別機器學習模型的一組輸入 資料稱為訓練組(training set)。對於DNN，訓練組用於調整深度神經網路的權重/閾值。
應當注意，當前所揭露的專利標的的教示不受描述符的產生器111和分類器112的架構(包括DNN網路的數量和/或架構)限制。作為非限制性示例，分類器112可以以在2019年2月7日申請的PCT申請案PCT/IL2019/050155中揭露的方式操作，其全部內容通過引用結合於此。
應當注意，圖1所示的檢查系統可以在分佈式計算環境中實現，其中圖1所示的上述功能模組可以分佈在若干個本地和/或遠端裝置上，且可以透過通訊網路鏈接。亦應注意，在其他實施例中，檢查工具101和/或102、資料儲存庫109、儲存系統107和/或GUI 108的至少部分可以在檢查系統100的外部且操作經由輸入介面105和輸出介面106而與FPEI系統103資料通訊。FPEI系統103可以被實現為與檢查工具結合使用的獨立電腦。或者，FPEI系統的個別功能可至少部分地與一個或多個檢查工具整合。
參照圖2，繪示有根據當前所揭露的專利標的的某些實施例之基於機器學習的分類的概括流程圖。該製程包括設置步驟(201)，設置步驟(201)包括訓練(202)描述符的產生器111以提供用於個別圖像中的缺陷之與類別相關的描述符，以及訓練(203)分類器112以基於個別描述符來提供缺陷的多標籤分類。設置步驟將參考圖3進一步詳細說明。
在運行時間(204)期間，FPEI系統的PMC使用獲得的經訓練的描述符的產生器111和分類器112來處理(205)包括一個或多個FP圖像的FP樣品。從而，PMC獲得(206)分類相關的資料，其特徵係經處理的FP樣品中的圖像中的至少一個。當處理一個或多個FP圖像時，除了以在訓練時(upon)描述符的產生器111和分類器112為特徵之基於訓練的參數之外，PMC亦可以使用預定義的參數和/或從其他來源接收的參數。
FP樣品中的FP圖像可以來自不同的檢查模態(如，來自不同的檢查工具、來自相同檢查工具的不同通道(例如，明場(bright field)和暗場圖像)、來自使用不同操作參數的相同檢查工具，或者也可以從設計資料等中得出)。
例如，FP圖像可以選自以下各者：在製造製程期間捕捉的樣本(如晶圓或其部分)圖像、藉由各種預處理階段獲得的捕捉圖像的衍生圖像(例如，由SEM或光學檢查系統捕捉的晶圓或光遮罩的一部分的圖像、繞待ADC分類的缺陷大致置中的SEM圖像、待ADC定位的缺陷所在的較大區域中的SEM圖像、相同遮罩位置所對應的不同檢查模態之紀錄的圖像、分割的圖像、高度圖圖像等)、基於電腦產生的設計資料的圖像等。應當注意，FP圖像可以包括感興趣層的圖像和/或樣本的一個或多個其他層的紀錄的圖像。在下文中，不同層的FP圖像也稱為從不同模態接收的圖像。
應當注意，在當前所揭露的專利標的的實施例中，FP樣品和/或相應的訓練樣品中包括的圖像的特性不同於在本領域中習知的通用深度神經網路中使用的常規RGB圖像。例如，基於電子的成像會產生具有各種效果的灰階圖像，其具有如不均勻的雜訊分佈、充電效果、感測器(不同工具)之間的大差異等之各種效果。此外，SEM圖像通常由5個不同的灰階圖像組成，每個圖像對應於從其拍攝圖像的不同視角(頂、左、右、上、下)。
應進一步注意，FP樣品和/或相應的訓練樣品和/或可以包括多個資料類型的FP輸入資料(例如，不同原點與解析度的圖像(如缺陷圖像、類別圖像、參考圖像、CAD圖像等))、不同類型的數值資料(例如，自圖像衍生的不同類型的資料(如高度圖、缺陷遮罩、等級(grades)、分段(segmentations)等))、不同類型的元資料(如成像條件、解析度尺寸等)、不同類型的手工構建的屬性(如缺陷尺寸、定向、背景區段等)及類似物。給定類別的缺陷可能來自FAB中的一層或多層和/或一個或多個產品。可以進一步豐富訓練組，以包括擴充的和/或綜合缺陷。作為非限制性示例，可以豐富訓練組，如在2019年2月7日申請的PCT申請案PCT/IL2019/050150中，且通過引用其整體而併入本文中，以及在2019年2月20日申請的美國申請案第16/280,869號中所詳述，且通過引用其整體而併入本文中。
參考圖3，繪示有設置步驟(201)的概括流程圖。根據當前所揭露的專利標的的某些實施例，設置步驟包括以下步驟：定義(301)一組缺陷的物理屬性(如多達20-30個物理屬性)，其用於區分不同類別的缺陷並針對各給定類別進一步定義(302)這些物理屬性的一組值，該組值唯一地描述該給定類別。因此，每個類別與以給定類別中的缺陷為特徵的物理屬性的相應唯一組的值所相應之多標籤資料組唯一地關聯(303)。可以針對產品、針對消費者和/或全域地針對一群組產品/消費者提供操作(301)-(303)，且可以將具有多標籤資料組的相應唯一組的關聯儲存在PMC 104中。可以手動地或至少部分地由電腦來提供操作(301)-(303)。
藉由非限制性示例，物理屬性可以表徵物理位置、形狀、周長、側壁角度、長寬比、定向、對稱性等。同樣地，物理屬性可以表徵缺陷在某些一層或多層上的缺陷的位置、化學成分(如，某種材料的缺失和/或存在)等。物理屬性的值可從FP樣品和/或相應的訓練樣品中的圖像得出(如，藉由處理圖像和/或其衍生物)。
例如，「粒子」類別中的缺陷的特徵可以是粗糙的紋理(缺陷區域的小的z變化)，其中在圖案的頂部有清晰的邊緣，而「橋」類別中的缺陷的特徵可以是不粗糙的紋理，其不具有連接兩個圖案的清晰邊緣且清晰邊緣位於頂部。因此，對於這兩個類別，可以如下定義缺陷的一組物理屬性：
- 紋理的粗糙度
- 邊緣的清晰度
- 相對於圖案頂部的位置
- 相對於兩圖案的位置
可選地(但不是必要的)，可以以二進制形式定義物理屬性的值。表1呈現一組物理屬性的二進制值的非限制性示例，該組物理屬性的值唯一地描述缺陷的「粒子」和「橋」類別。
因此，對於以上示例，「粒子」類別可以與多標籤二進制資料組[1 1 1 0]唯一地關聯，而「橋」類別可以與多標籤二進制資料組[0 0 1 1]唯一地關聯。
應當注意，來自該組物理屬性的某些屬性可能與特定缺陷類別無關。可選地(但非必要的)，物理屬性的值可以定義為「是」，「否」和「不相關」。
PMC 104訓練描述符的產生器111以針對每個給定缺陷產生(304)多標籤輸出向量(以下也稱為「描述符」)，其定義來自該組物理屬性中的屬性值。藉由非 限制性的示例，訓練程序可以以「結構化預測」的方式提供(如Nataly Brukhim和Amir Globerson於2018年2月13日發布的「預測與限制：在深度結構化預測中模擬基數(Predict and Constrain：Modeling Cardinality in Deep Structured Prediction)」，arXiv：1802.04721v1；https：//arxiv.org/pdf/1802.04721.pdf。此文章通過引用全文併入本文中。)
或者或甚者，PMC 104使用與個別類別唯一地相關的資料組來訓練分類器112，以根據多標籤輸出向量(描述符)來提供(305)缺陷的分類。
訓練過程產生經訓練的描述符的產生器和經訓練的分類器。
再次參考圖2，在運行時間期間，PMC 104使用經訓練的描述符的產生器來處理FP樣品以獲得關於個別缺陷的物理屬性的描述符，且進一步使用經訓練的分類器根據與個別類別唯一地相關聯的多標籤對缺陷分類。
分類亦可以包括確定性過程，該確定性過程將確定性閾值定義為與給定類別匹配的值的數量以及該多標籤資料組中的屬性值的總數量之間的一比率。這樣的確定性閾值可以最佳化缺陷分類的信心程度，並識別錯誤分類的缺陷。作為非限制性示例，這種閾值可以在對缺陷分類的技術中實現，該缺陷分類技術包括以下步驟：將每個類別分配給具有不同優先級的三個或更多分類群組中的一個分 類群組，並進一步分別對於每個類別設置純度、準確度和/或提取需求，以及根據每個類別的需求最佳化分類結果。該技術在美國申請案第2019/0096053號中揭露，其通過引用整體併入本文中。
產生的描述符的分析可以識別新的重複屬性圖案，從而能夠檢測最初不包括在分類中的新類別。同樣地，此種分析能夠識別一個或多個類別的多模態行為並定義相應的子類別(如，對應於以相同類別為特徵的屬性的值的不同叢集)。
應當理解，本發明的應用不限於在此包含的說明書中闡述或在所附圖式中所示的細節。本發明能夠具有其他實施例且能夠以各種方式來實踐和施行。因此，應當理解，本說明書采用的措詞和術語是出於說明的目的，而不應被認為是限制性的。如此一來，本發明所屬領域中具有通常知識者將認識到，本揭示案所基於的概念可以容易地用作設計用於實現當前所揭露的專利標的的若干目的的其他結構、方法和系統的基礎。
亦應該理解，根據本發明的系統可以至少部分地在適當經程式化的電腦上實現。同樣地，本發明考慮了一種電腦可讀取的電腦程式，其用於執行本發明的方法。本發明進一步考慮一種非暫態電腦可讀取記憶體，其有形地體現可由電腦執行的指令之程式，以用於執行本發明的方法。
本發明所屬領域中具有通常知識者將容易理解，可以在不背離由所附的專利申請範圍中界定及由所附的專利申請範圍所界定的本發明範圍的情況下，可以將各種修改和改變應用於如前所述之本發明的實施例。
301:步驟
302:步驟
303:步驟
304:步驟
305:步驟

Claims (18)

  1. 一種將一半導體樣本中的缺陷自動分類為複數個類別的方法，該方法藉由一處理和記憶電路（PMC）實施，該方法包括以下步驟： 獲得一組缺陷的物理屬性，該一組缺陷的物理屬性可用於區分該複數個類別中的不同類別的缺陷； 獲得關於多標籤資料組的資料，每個資料組唯一地關聯於該複數個類別中的一相應類別，且包括來自以該相應類別中的缺陷為特徵的該組物理屬性的唯一一組物理屬性值；及 使用該資料訓練一第一機器學習模型以處理包含關於一給定缺陷的一個或多個圖像之一樣品，以便針對該給定缺陷產生一多標籤輸出向量，從而針對該給定缺陷產生一多標籤描述符，該多標籤輸出向量具有來自該組物理屬性中的該等物理屬性的值之資訊。
  2. 如請求項1所述之方法，進一步藉由該PMC施行以下步驟： 使用該資料訓練一第二機器學習模型以針對該給定缺陷提供一多標籤分類。
  3. 如請求項2所述之方法，其中針對該給定缺陷提供一多標籤分類的步驟包括以下步驟：將一確定性閾值（certainty threshold）定義為與一給定類別匹配的該多標籤描述符中的值的一數量以及指示該給定類別的該多標籤資料組中的值的總數量之間的一比率。
  4. 如請求項3所述之方法，進一步包括以下步驟：使用該確定性閾值來啟用以下步驟中的至少一者： a.最佳化缺陷分類的信心程度； b.識別錯誤分類的（misclassified）缺陷； c.針對每個類別和/或類別的群組分別設置純度需求（purity requirements）； d.針對每個類別和/或類別的群組分別設置準確度需求（accuracy requirements）；及 e.針對每個類別和/或類別的群組分別設置提取需求（extraction requirements）。
  5. 如請求項1所述之方法，其中該組缺陷的物理屬性中的該等物理屬性具有以下資訊中的至少一者：實體位置、形狀、周長、側壁角度、長寬比、定向、對稱性、層、紋理、邊緣和化學成分。
  6. 如請求項1所述之方法，其中該複數個類別包括一「粒子」別和一「橋」類別，且其中該組缺陷的物理屬性包括紋理的粗糙度、邊緣的清晰度、相對於一圖案（pattern）的一頂部的位置以及相對於兩圖案的位置。
  7. 如請求項2所述之方法，其中該等多標籤描述符和該等多標籤資料組中的該等物理屬性的該等值是二進制的。
  8. 如請求項2所述之方法，其中該等多標籤描述符和該等多標籤資料組中的該等物理屬性的該等值對應於關於個別物理屬性的「是」、「否」和「不相關」。
  9. 一種將一半導體樣本中的缺陷分類為複數個類別的系統，該系統包括一處理和記憶電路（PMC），該PMC經配置施行以下步驟： 使用一經訓練的第一機器學習模型以產生該半導體樣本中的該等缺陷的多標籤描述符，該等多標籤描述符可用於分類； 其中使用關於多標籤資料組的資料在設置期間訓練該第一機器學習模型，每個資料組唯一地關聯於該複數個類別中的一相應類別，且包括來自以該相應類別中的缺陷為特徵的該組物理屬性的唯一一組物理屬性值，該第一機器學習模型經訓練以處理包含關於一給定缺陷的一個或多個圖像之一樣品，以便針對該給定缺陷產生一多標籤輸出向量，從而針對該給定缺陷產生一多標籤描述符，該多標籤輸出向量具有來自該組物理屬性中的該等物理屬性的值之資訊。
  10. 如請求項9所述之系統，其中該PMC進一步經配置施行以下步驟： 在訓練一第二機器學習模型以提供一多標籤分類時，藉由將分別產生的缺陷的多標籤描述符與該多標籤資料組匹配來使用該經訓練的第二機器學習模型以用於把該半導體樣本中的該等缺陷分類。
  11. 如請求項9所述之系統，其中該PMC進一步經配置施行以下步驟： 分析該半導體樣本中的缺陷的該產生的多標籤描述符，以識別新的重複多標籤資料組，從而識別該等缺陷的新類別。
  12. 如請求項9所述之系統，其中該PMC進一步經配置施行以下步驟：藉由分析該半導體樣本中的該等缺陷的該等產生的多標籤描述符來識別一個或多個類別的多模態行為。
  13. 如請求項10所述之系統，其中把該半導體樣本中的該等缺陷的一缺陷分類的步驟包括以下步驟：將一確定性閾值（certainty threshold）定義為與一給定類別匹配的該多標籤描述符中的值的一數量以及指示該給定類別的該多標籤資料組中的值的總數量之間的一比率。
  14. 如請求項13所述之系統，其中該PMC進一部經配置使用該確定性閾值來啟用以下步驟中的至少一者： a.最佳化缺陷分類的信心程度； b.識別錯誤分類的（misclassified）缺陷； c.針對每個類別和/或類別的群組分別設置純度需求； d.針對每個類別和/或類別的群組分別設置準確度需求（accuracy requirements）；及 e.針對每個類別和/或類別的群組分別設置提取需求。
  15. 如請求項9所述之系統，其中該組缺陷的物理屬性中的該等物理屬性具有以下資訊中的至少一者：實體位置、形狀、周長、側壁角度、長寬比、定向、對稱性、層、紋理、邊緣和化學成分。
  16. 如請求項9所述之系統，其中該複數個類別包括一「粒子」別和一「橋」類別，且其中該組缺陷的物理屬性包括紋理的粗糙度、邊緣的清晰度、相對於一圖案（pattern）的一頂部的位置以及相對於兩圖案的位置。
  17. 一種包括指令的非暫態電腦可讀取媒體，當一電腦執行該等指令時，該等指令使該電腦施行將一半導體樣本中的缺陷分類為複數個類別的方法，該方法包括以下步驟： 使用一經訓練的第一機器學習模型以產生該半導體樣本中的該等缺陷的多標籤描述符，該等多標籤描述符可用於分類； 其中使用關於多標籤資料組的資料在設置期間訓練該第一機器學習模型，每個資料組唯一地關聯於該複數個類別中的一相應類別，且包括來自以該相應類別中的缺陷為特徵的該組物理屬性的唯一一組物理屬性值，該第一機器學習模型經訓練以處理包含關於一給定缺陷的一個或多個圖像之一樣品，以便針對該給定缺陷產生一多標籤輸出向量，從而針對該給定缺陷產生一多標籤描述符，該多標籤輸出向量具有來自該組物理屬性中的該等物理屬性的值之資訊。
  18. 如請求項17所述之非暫態電腦可讀取媒體，其中該方法進一步包括以下步驟： 在訓練一第二機器學習模型以提供一多標籤分類時，藉由將分別產生的缺陷的多標籤描述符與該多標籤資料組匹配來使用該經訓練的第二機器學習模型把該半導體樣本中的該等缺陷分類。
TW109110197A 2019-05-22 2020-03-26 基於機器學習之半導體樣本中的缺陷分類之方法、系統及非暫態電腦可讀取媒體 TWI889675B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962851449P 2019-05-22 2019-05-22
US62/851,449 2019-05-22

Publications (2)

Publication Number Publication Date
TW202044067A TW202044067A (zh) 2020-12-01
TWI889675B true TWI889675B (zh) 2025-07-11

Family

ID=73458957

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109110197A TWI889675B (zh) 2019-05-22 2020-03-26 基於機器學習之半導體樣本中的缺陷分類之方法、系統及非暫態電腦可讀取媒體

Country Status (5)

Country Link
US (1) US12361531B2 (zh)
KR (1) KR20220012217A (zh)
CN (1) CN113439276B (zh)
TW (1) TWI889675B (zh)
WO (1) WO2020234863A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112969967B (zh) 2018-11-07 2024-12-03 Asml荷兰有限公司 确定对过程的校正
CN111523642B (zh) * 2020-04-10 2023-03-28 星宸科技股份有限公司 用于卷积运算的数据重用方法、运算方法及装置、芯片
TWI765475B (zh) * 2020-12-16 2022-05-21 鴻海精密工業股份有限公司 圖像瑕疵檢測方法、裝置、電腦裝置及介質
CN114638777B (zh) 2020-12-16 2025-05-09 富泰华工业（深圳）有限公司 图像瑕疵检测方法、装置、电子设备及介质
TWI755213B (zh) * 2020-12-22 2022-02-11 鴻海精密工業股份有限公司 瑕疵檢測方法、裝置、電腦裝置及儲存介質
TWI841834B (zh) * 2021-04-16 2024-05-11 威盛電子股份有限公司 檢測面板線段瑕疵的設備及方法
CN113778875B (zh) * 2021-09-09 2024-04-30 上海浦东发展银行股份有限公司 一种系统测试缺陷分类方法、装置、设备及存储介质
US20230128610A1 (en) * 2021-10-25 2023-04-27 Kla Corporation Continuous Machine Learning Model Training for Semiconductor Manufacturing
JP7616020B2 (ja) * 2021-11-04 2025-01-17 株式会社Sumco 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ
KR102728342B1 (ko) * 2022-03-08 2024-11-11 에스케이실트론 주식회사 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법
US20250166153A1 (en) * 2023-11-21 2025-05-22 Applied Materials Israel Ltd. Neural network for tabular data

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5544256A (en) * 1993-10-22 1996-08-06 International Business Machines Corporation Automated defect classification system
US6205239B1 (en) * 1996-05-31 2001-03-20 Texas Instruments Incorporated System and method for circuit repair
CN1823350A (zh) * 2003-07-12 2006-08-23 莱卡显微系统半导体股份有限公司 用在缺陷自动分类中以知识为主的资料库的学习方法
US20160163035A1 (en) * 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
TW201908716A (zh) * 2017-06-14 2019-03-01 以色列商肯提克有限公司 缺陷自動分類技術
CN106290378B (zh) * 2016-08-23 2019-03-19 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7599544B2 (en) 2003-12-01 2009-10-06 Green Vision Systems Ltd Authenticating and authentic article using spectral imaging and analysis
JP5718781B2 (ja) * 2011-09-30 2015-05-13 株式会社Ｓｃｒｅｅｎホールディングス 画像分類装置および画像分類方法
US10043264B2 (en) * 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
CN103310235B (zh) 2013-05-31 2016-04-27 中国科学院信息工程研究所 一种基于参数识别与估计的隐写分析方法
US9922269B2 (en) * 2015-06-05 2018-03-20 Kla-Tencor Corporation Method and system for iterative defect classification
TWI737659B (zh) 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
JP6941103B2 (ja) * 2015-12-31 2021-09-29 ケーエルエー コーポレイション 半導体用途のための機械学習ベースのモデルの加速トレーニング
KR102195029B1 (ko) * 2016-05-24 2020-12-28 주식회사 히타치하이테크 결함 분류 장치 및 결함 분류 방법
US10223615B2 (en) * 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
US10267748B2 (en) * 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
CN107220668A (zh) 2017-05-27 2017-09-29 深圳市唯特视科技有限公司 一种基于特定数据集识别物体不同艺术表现的方法
US11037286B2 (en) 2017-09-28 2021-06-15 Applied Materials Israel Ltd. Method of classifying defects in a semiconductor specimen and system thereof
US10579875B2 (en) * 2017-10-11 2020-03-03 Aquifi, Inc. Systems and methods for object identification using a three-dimensional scanning system
WO2019155471A1 (en) 2018-02-07 2019-08-15 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US11199506B2 (en) 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
TWI654584B (zh) * 2018-03-02 2019-03-21 由田新技股份有限公司 強化工件光學特徵之設備、方法、強化工件光學特徵之深度學習方法及非暫態電腦可讀取記錄媒體
CN109325443B (zh) 2018-09-19 2021-09-17 南京航空航天大学 一种基于多实例多标签深度迁移学习的人脸属性识别方法
CN109215364B (zh) 2018-11-19 2020-08-18 长沙智能驾驶研究院有限公司 交通信号识别方法、系统、设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5544256A (en) * 1993-10-22 1996-08-06 International Business Machines Corporation Automated defect classification system
US6205239B1 (en) * 1996-05-31 2001-03-20 Texas Instruments Incorporated System and method for circuit repair
CN1823350A (zh) * 2003-07-12 2006-08-23 莱卡显微系统半导体股份有限公司 用在缺陷自动分类中以知识为主的资料库的学习方法
US20160163035A1 (en) * 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
CN106290378B (zh) * 2016-08-23 2019-03-19 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
TW201908716A (zh) * 2017-06-14 2019-03-01 以色列商肯提克有限公司 缺陷自動分類技術

Also Published As

Publication number Publication date
US20220222806A1 (en) 2022-07-14
TW202044067A (zh) 2020-12-01
US12361531B2 (en) 2025-07-15
WO2020234863A1 (en) 2020-11-26
CN113439276A (zh) 2021-09-24
KR20220012217A (ko) 2022-02-03
CN113439276B (zh) 2025-03-28

Similar Documents

Publication Publication Date Title
TWI889675B (zh) 基於機器學習之半導體樣本中的缺陷分類之方法、系統及非暫態電腦可讀取媒體
US11568531B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
CN110945528B (zh) 产生可用于检查半导体样品的训练集的方法及其系统
US12007335B2 (en) Automatic optimization of an examination recipe
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
TWI864281B (zh) 對半導體試樣上的一感興趣圖案（ｐｏｉ）進行分類的系統與方法，及電腦程式產品執行訓練一機器學習模型的方法以生成可用於對ｐｏｉ進行分類的資料
US20190257767A1 (en) Generating a training set usable for examination of a semiconductor specimen
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
TW202339038A (zh) 基於機器學習的半導體樣品的檢查及其訓練
TW202524073A (zh) 半導體取樣的基於機器學習的缺陷檢查和排名
TWI906018B (zh) 檢查方案的自動最佳化
US20260024247A1 (en) Artificial intelligence based method for presenting data related to defects discovered by an inspection system