[go: up one dir, main page]

TWI808265B - 用於半導體基板之臨界尺寸量測的以深度學習為基礎之自適應關注區域 - Google Patents

用於半導體基板之臨界尺寸量測的以深度學習為基礎之自適應關注區域 Download PDF

Info

Publication number
TWI808265B
TWI808265B TW108136245A TW108136245A TWI808265B TW I808265 B TWI808265 B TW I808265B TW 108136245 A TW108136245 A TW 108136245A TW 108136245 A TW108136245 A TW 108136245A TW I808265 B TWI808265 B TW I808265B
Authority
TW
Taiwan
Prior art keywords
roi
interest
machine learning
product
learning classifier
Prior art date
Application number
TW108136245A
Other languages
English (en)
Other versions
TW202029371A (zh
Inventor
阿比特 耶提
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 TW202029371A publication Critical patent/TW202029371A/zh
Application granted granted Critical
Publication of TWI808265B publication Critical patent/TWI808265B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • H10P74/277—
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • H10P72/06—
    • H10P74/203—
    • H10P74/232—
    • H10P74/238—
    • 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
    • G06T2207/20004—Adaptive 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Automation & Control Theory (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本發明揭示一種度量系統。在一實施例中，該系統包含經組態以獲取一樣本之一或多個影像之一特性化子系統。在另一實施例中，該系統包含一控制器，其經組態以：自該特性化子系統接收一樣本之一或多個訓練影像；在該一或多個訓練影像內接收一或多個訓練關注區域(ROI)選擇；基於該一或多個訓練影像及該一或多個訓練ROI選擇來產生一機器學習分類器；自該特性化子系統接收一樣本之一或多個產品影像；使用該機器學習分類器來產生一或多個經分類關注區域；及在該一或多個經分類關注區域內判定該樣本之一或多個量測。

Description

用於半導體基板之臨界尺寸量測的以深度學習為基礎之自適應關注區域
本發明大體上係關於樣本特性化及度量之領域，且更特定言之，本發明係關於一種用於使用機器學習技術來自適應關注區域選擇之系統及方法。
對具有越來越小佔據面積及特徵之電子邏輯及記憶體裝置之需求面臨超出所要尺度之製造之各種製造挑戰。越來越複雜結構導致必須被監測及控制以維持裝置完整性之參數數目增加。半導體製造領域中之一重要特性係裝置特徵之臨界尺寸均勻性(CDU)及臨界尺寸(CD)。監測CDU可有助於監測程序變動且識別需要修復之程序工具漂移。
傳統上，監測關注特徵(例如CDU)涉及：界定關注圖案(POI)；相對於POI界定其內將進行一量測(例如CDU量測)之一關注區域(ROI)；偵測ROI之邊緣；及執行量測。然而，由於當前技術涉及使POI與掃描電子顯微鏡(SEM)影像對準及基於POI位置來放置ROI，所以ROI放置之準確性取決於SEM與SEM對準，其可能不可靠。此外，由於各影像 內所界定之POI結構大小可能變動很大，所以對準準確性通常較低。歸因於此未對準，ROI可能被錯放以藉此無法包含一特定關注量測所需之整個區域。
另外，當前技術無法校正會影響對準準確性之程序變動及/或結構變動。因此，歸因於樣本本身內之結構變動，一SEM影像內之POI對準及因此ROI對準可能失效。例如，目標結構大小變動可導致POI及ROI對準失效以藉此妨礙關注量測之高效率監測。
因此，期望提供一種解決上文所識別之先前方法之不足的系統及方法。
根據本發明之一或多個實施例，揭示一種系統。在一實施例中，該系統包含一特性化子系統，其經組態以獲取一樣本之一或多個影像。在另一實施例中，該系統包含一控制器，其包含經組態以執行儲存於記憶體中之一程式指令集的一或多個處理器，該程式指令集經組態以引起該一或多個處理器：自該特性化子系統接收一樣本之一或多個訓練影像；在該一或多個訓練影像內接收一或多個訓練關注區域(ROI)選擇；基於該一或多個訓練影像及該一或多個訓練ROI選擇來產生一機器學習分類器；自該特性化子系統接收一樣本之一或多個產品影像；使用該機器學習分類器來產生一或多個經分類關注區域；及在該一或多個經分類關注區域內判定該樣本之一或多個量測。
根據本發明之一或多個實施例，揭示一種系統。在一實施例中，該系統包含一控制器，其包含經組態以執行儲存於記憶體中之一程式指令集的一或多個處理器，該程式指令集經組態以引起該一或多個處理 器：接收一樣本之一或多個訓練影像；在該一或多個訓練影像內接收一或多個訓練關注區域(ROI)選擇；基於該一或多個訓練影像及該一或多個訓練ROI選擇來產生一機器學習分類器；接收一樣本之一或多個產品影像；使用該機器學習分類器來產生一或多個經分類關注區域；及在該一或多個經分類關注區域內判定該樣本之一或多個量測。
根據本發明之一或多個實施例，揭示一種方法。在一實施例中，該方法包含：使用一特性化子系統來獲取一樣本之一或多個訓練影像；在該一或多個訓練影像內接收一或多個訓練關注區域(ROI)選擇；基於該一或多個訓練影像及該一或多個訓練ROI選擇來產生一機器學習分類器；使用該特性化子系統來獲取一樣本之一或多個產品影像；使用該機器學習分類器來產生一或多個經分類關注區域；及在該一或多個經分類關注區域內判定該樣本之一或多個量測。
應瞭解，以上一般描述及以下詳細描述兩者僅供例示及說明且未必限制本發明。併入本說明書中且構成本說明書之一部分之附圖繪示本發明之實施例且與一般描述一起用於闡釋本發明之原理。
100:控制影像
101:產品影像
102:關注圖案(POI)
102a:POI
102b:POI
104:關注區域(ROI)
104a:ROI
104b:ROI
200:系統
201:照明
202:特性化子系統
202a:光學特性化子系統
202b:掃描電子顯微鏡(SEM)特性化子系統
204:控制器
206:處理器
208:記憶體
210:使用者介面
211:照明支部
212:照明源
213:收集支部
214:光學元件
216:分束器
218:物鏡
220:樣本
222:台總成
224:光學元件
225:訓練影像
226:偵測器總成
228:電子束源
229:電子束
230:電子光學元件
231:二次及/或反向散射電子
232:電子光學元件
234:電子偵測器總成
234a:二次電子偵測器總成
234b:反向散射電子偵測器總成
234c:柱內電子偵測器總成
235:產品影像
236:電子感測器
302:訓練ROI選擇
304:關注量測(MOI)
304a:第一關注量測(MOI)
304b:第二關注量測(MOI)
305:產品ROI選擇
306:經分類ROI
307:偏斜角
400:方法
402:步驟
404:步驟
406:步驟
408:步驟
410:步驟
412:步驟
熟習技術者可藉由參考附圖來較佳理解本發明之諸多優點，其中：
圖1繪示一樣本上之關注圖案(POI)及關注區域(ROI)對準。
圖2繪示包含一目標位點之一關注圖案(POI)。
圖3A至圖3B繪示一產品影像之一關注區域(ROI)與一控制影像之一關注區域(ROI)之間的一對準誤差。
圖4A至圖4B繪示一產品影像之一關注區域(ROI)與一控制影像之一關注區域(ROI)之間的一對準誤差。
圖5繪示根據本發明之一或多個實施例之用於自適應關注區域(ROI)選擇之一系統。
圖6A繪示根據本發明之一或多個實施例之用於自適應關注區域(ROI)選擇之一系統。
圖6B繪示根據本發明之一或多個實施例之用於自適應關注區域(ROI)選擇之一系統。
圖7A繪示根據本發明之一或多個實施例之用於訓練一機器學習分類器之一訓練影像。
圖7B繪示根據本發明之一或多個實施例之包含一訓練關注區域(ROI)選擇之一訓練影像。
圖8A繪示根據本發明之一或多個實施例之一產品影像。
圖8B繪示根據本發明之一或多個實施例之包含一經分類關注區域(ROI)之一產品影像。
圖8C繪示根據本發明之一或多個實施例之包含一產品關注區域(ROI)選擇及一經分類關注區域之一產品影像。
圖9A繪示根據本發明之一或多個實施例之一產品影像。
圖9B繪示根據本發明之一或多個實施例之包含一經分類關注區域(ROI)之一產品影像。
圖9C繪示根據本發明之一或多個實施例之包含一角形經分類關注區域(ROI)之一產品影像。
圖10繪示根據本發明之一或多個實施例之用於自適應關注 區域(ROI)選擇之一方法之一流程圖。
相關申請案之交叉參考
本申請案依據35 U.S.C.§ 119(e)主張名叫Arpit Yati之發明者在2018年11月21日申請之名稱為「DEEP LEARNING BASED ADAPTIVE REGIONS OF INTEREST FOR CRITICAL DIMENSION MEASUREMENTS OF SEMICONDUCTOR SUBSTRATES」之美國臨時申請案第62/770,712號之權利，該案之全部內容以引用的方式併入本文中。本申請案亦主張名叫Arpit Yati之發明者在2018年8月10日申請之名稱為「DEEP LEARNING BASED ADAPTIVE REGIONS OF INTEREST FOR CRITICAL DIMENSION MEASUREMENTS OF SEMICONDUCTOR STRUCTURES」之印度臨時專利申請案第201841037993號之優先權，該案之全部內容以引用的方式併入本文中。
已相對於某些實施例及其特定特徵來特別展示及描述本發明。本文中所闡述之實施例被視作繪示而非限制。一般技術者應易於明白，可在不背離本發明之精神及範疇的情況下對形式及細節作出各種改變及修改。
現將詳細參考附圖中所繪示之揭示標的。
在此應注意，監測關注特徵(包含臨界尺寸均勻性(CDU))係在半導體製造期間監測程序變動之一重要步驟。傳統上，監測關注特徵(例如CDU)係基於習知影像處理程序且涉及以下步驟：(1)界定關注圖案(POI)；(2)相對於POI界定其內將進行一量測(例如CDU量測)之一關注區 域(ROI)；(3)界定將進行哪一量測(例如CDU量測、圖案寬度、接觸及其類似者)；(4)偵測各ROI之邊緣；及(5)執行量測。然而，由於當前技術涉及使POI與掃描電子顯微鏡(SEM)影像對準及基於POI位置來放置ROI，所以ROI放置之準確性取決於SEM與SEM對準，其可能不可靠。此外，由於各影像內所界定之POI結構大小可能變動很大，所以對準準確性通常較低。歸因於此未對準，ROI可能被錯放且藉此無法包含一特定關注量測所需之整個區域。
另外，基於習知影像處理程序之當前ROI放置技術無法校正會影響對準準確性之程序變動。因此，歸因於樣本本身內之結構變動，一SEM影像內之POI對準及因此ROI對準可能失效。例如，目標結構大小變動可導致POI及ROI對準失效以藉此妨礙關注量測之高效率監測。
因此，本發明之實施例致力於解決上文所識別之先前方法之一或多個缺點。本發明之實施例係針對一種用於使用機器學習技術來產生自適應關注區域(ROI)之系統及方法。更特定言之，本發明之實施例係針對使用機器學習技術來產生自適應ROI以更有效監測關注特徵。
可參考圖1至圖4B來進一步理解基於習知影像處理程序之先前方法之各種不足及本發明之實施例之重要性。在此可預期，傳統方法之一簡要論述可用作可與本發明之優點比較之基準。
圖1繪示一樣本上之關注圖案(POI)及關注區域(ROI)對準。
如本文先前所提及，在使用習知影像處理程序之傳統關注特徵監測之第一步驟中，在一樣本之一控制影像100上界定/選擇一POI 102，如圖1中可見。可在包含樣本之一設計影像、一光學影像、一SEM 影像及其類似者之任何控制影像100上繪製POI 102。POI 102界定將在其內進行一量測之樣本之一區域，且用作ROI 104放置之一定錨點。POI 102可包含一唯一圖案、一重複結構之一單元或其類似者。在POI 102選擇之後，在由POI 102界定之區域內在樣本之控制影像100上選擇ROI 104。ROI 104界定其內將進行量測之樣本之一區域。實際上，可在一樣本之一設計影像(例如控制影像100)上實施圖1中所展示之POI 102及ROI 104選擇。
在POI 102及ROI 104選擇之後，取得一樣本之一產品影像，且在產品影像中識別及對準第一步驟中所界定之POI 102。第二步驟中所取得之產品影像係不同於其中界定POI 102及ROI 104之控制影像100的一影像，且可包含一產品樣本之一影像。產品影像可包含本技術中已知之任何影像，其包含(但不限於)一光學影像、一SEM影像及其類似者。在產品影像中對準POI 102之後，根據POI 102之放置將ROI 104放置於產品影像內。在此方面，POI 102之對準準確性可直接影響ROI 104之對準準確性。因此，ROI 104放置之準確性取決於SEM與SEM對準，其可能不可靠。此外，由於各影像內所界定之POI 102結構大小可能變動很大，所以對準準確性通常較低以藉此引起ROI 104錯放。
在一產品影像中之POI 102及ROI 104對準之後，可界定一量測類型。此可參考圖2來進一步理解。
圖2繪示包含一目標位點之一關注圖案(POI 102)。待量測之目標位點可包含經界定為D4之關注量測。量測D4可包含一臨界尺寸(CD)量測，且可由表式
Figure 108136245-A0305-02-0009-1
界定。
在此應注意，使用習知影像處理程序之傳統ROI放置技術 可遭受可歸因於樣本製程期間之程序變動的對準誤差。隨著設計規則不斷縮小，即使小程序變動亦可導致樣本之大結構變動。此繼而可導致對準不準確及對準失效以藉此引起一影像內ROI之不準確放置。在半導體製程之快速發展週期期間，此等程序變動及所得對準不準確特別成問題。在快速發展期間，結構之形狀、大小、定向及其類似者可能變動很大。此繼而可導致一控制影像與一產品影像之間的POI/ROI放置之對準不準確。
圖3A至圖3B繪示一產品影像101之一關注區域(ROI 104b)與一控制影像100之一關注區域(ROI 104a)之間的一對準誤差。
使用基於習知影像處理程序之傳統POI/ROI放置技術，一使用者可期望對圖3A中所繪示之左「瓣」內之產品樣本執行一或多個量測，且可藉此將左瓣界定為討論中之目標位點。在此方面，目標位點可包含一或多個「關注量測」，其可包含可被量測之任何參數(包含(但不限於)一臨界尺寸(CD)量測)。使用傳統技術，一使用者可在一控制影像100內界定ROI 104a，其中ROI 104a位於POI 102a內且包含目標位點，目標位點包含一或多個關注量測。隨後，可取得一產品影像101，如圖3B中所展示。
如圖3B中所展示，包含目標位點之層中之一或多個程序變動可導致一擴大目標位點(例如擴大左瓣)。產品影像101之目標位點與控制影像100之目標位點之間的此結構變動可導致對準不準確及不正確ROI 104b放置。例如，產品影像101之POI 102b可與控制影像100之POI 102a對準，且可根據POI 102b在產品影像101內之放置來放置產品影像101之ROI 104b。如圖3B中可見，ROI 104b之放置可能不準確，因為其無法涵蓋目標位點(例如左瓣)。歸因於ROI 104b不包含整個目標位點之事實，可 能無法獲取目標位點內所要之關注量測。因此，在傳統方法下，習知影像處理程序及對準技術無法解釋導致結構變動(例如擴大左瓣)之程序變動。
圖4A至圖4B繪示一產品影像101之一關注區域(ROI 104b)與一控制影像100之一關注區域(ROI 104a)之間的一對準誤差之一額外實例。
類似於先前實例，一使用者可期望對圖4A中所繪示之左「瓣」內之產品樣本執行一或多個量測，且可藉此將左瓣界定為討論中之目標位點。使用傳統技術，一使用者可在一控制影像100內界定ROI 104a，其中ROI 104a位於POI 102a內且包含目標位點。隨後，可取得一產品影像101，如圖4B中所展示。
如圖4B中所展示，包含目標位點之層中之一或多個程序變動可導致一薄及/或移位目標位點(例如左瓣)。產品影像101之目標位點與控制影像100之目標位點之間的此結構變動可導致對準不準確及不正確ROI 104b放置。例如，產品影像101之POI 102b可與控制影像100之POI 102a對準，且可根據POI 102b在產品影像101內之放置來放置產品影像101之ROI 104b。如圖4B中可見，ROI 104b之放置可能不準確，因為其無法涵蓋包含關注量測之目標位點(例如左瓣)。因此，依賴對準技術之習知影像處理程序可能無法將ROI 104b準確放置於產品影像101中。此可導致無法執行目標位點之所要量測。
如本文先前所提及，本發明之實施例係針對一種用於使用機器學習技術來產生自適應關注區域(ROI)之系統及方法。更特定言之，本發明之實施例係針對使用機器學習技術來產生自適應ROI以更有效監測關注特徵。在此可預期，儘管存在程序及/或結構變動，但本發明之實施 例可允許準確放置ROI。
圖5繪示根據本發明之一或多個實施例之用於自適應關注區域(ROI)選擇之一系統200。系統200可包含(但不限於)一或多個特性化子系統202。另外，系統200可包含(但不限於)一控制器204(其包含一或多個處理器206及一記憶體208)及一使用者介面210。
特性化子系統202可包含本技術中已知之任何特性化子系統202，其包含(但不限於)一以光學為基礎之特性化系統、一以帶電粒子為基礎之特性化系統及其類似者。例如，特性化子系統202可包含一掃描電子顯微鏡(SEM)特性化系統。在一實施例中，控制器204通信地耦合至一或多個特性化子系統202。在此方面，控制器204之一或多個處理器206可經組態以產生一或多個控制信號，該一或多個控制信號經組態以調整特性化子系統202之一或多個特性。
圖6A繪示根據本發明之一或多個實施例之用於自適應關注區域(ROI)選擇之一系統200。特定言之，圖6A繪示包含一光學特性化子系統202a之一系統200。
光學特性化子系統202a可包含本技術中已知之任何以光學為基礎之特性化系統，其包含(但不限於)一以影像為基礎之度量工具。例如，特性化子系統202a可包含一光學臨界尺寸度量工具。光學特性化子系統202a可包含(但不限於)一照明源212、一照明支部211、一收集支部213及一偵測器總成226。
在一實施例中，光學特性化子系統202a經組態以檢測及/或量測安置於台總成222上之樣本220。照明源212可包含用於產生照明201之本技術中已知之任何照明源，其包含(但不限於)一寬頻輻射源。在另一 實施例中，光學特性化子系統202a可包含經組態以將照明201導引至樣本220之一照明支部211。應注意，光學特性化子系統202a之照明源212可依本技術中已知之任何定向(其包含(但不限於)一暗場定向、一亮場定向及其類似者)組態。
樣本220可包含本技術中已知之任何樣本，其包含(但不限於)一晶圓、一倍縮光罩、一光罩及其類似者。在一實施例中，樣本220安置於一台總成222上以促進樣本220移動。在另一實施例中，台總成222係一可致動台。例如，台總成222可包含(但不限於)適合於沿一或多個線性方向(例如x方向、y方向及/或z方向)可選擇性地平移樣本220之一或多個平移台。舉另一實例而言，台總成222可包含(但不限於)適合於沿一旋轉方向選擇性旋轉樣本220之一或多個旋轉台。舉另一實例而言，台總成222可包含(但不限於)適合於沿一線性方向可選擇性地平移樣本220及/或沿一旋轉方向旋轉樣本220之一旋轉台及一平移台。在此應注意，系統200可依本技術中已知之任何掃描模式操作。
照明支部211可包含本技術中已知之任何數目及類型之光學組件。在一實施例中，照明支部211包含一或多個光學元件214、一分束器216及一物鏡218。在此方面，照明支部211可經組態以將來自照明源212之照明201聚焦至樣本220之表面上。一或多個光學元件214可包含本技術中已知之任何光學元件，其包含(但不限於)一或多個反射鏡、一或多個透鏡、一或多個偏光器、一或多個分束器及其類似者。
在另一實施例中，光學特性化子系統202a包含經組態以收集自樣本220反射或散射之照明的一收集支部213。在另一實施例中，收集支部213可經由一或多個光學元件224將反射及散射光導引及/或聚焦至 一偵測器總成226之一或多個感測器。一或多個光學元件224可包含本技術中已知之任何光學元件，其包含(但不限於)一或多個反射鏡、一或多個透鏡、一或多個偏光器、一或多個分束器及其類似者。應注意，偵測器總成226可包含用於偵測自樣本220反射或散射之照明之本技術中已知之任何感測器及偵測器總成。
在另一實施例中，光學特性化子系統202之偵測器總成226經組態以基於自樣本220反射或散射之照明來收集樣本220之度量資料。在另一實施例中，偵測器總成226經組態以將所收集/獲取之影像及/或度量資料傳輸至控制器204。
如本文先前所提及，系統200之控制器204可包含一或多個處理器206及記憶體208。記憶體208可包含經組態以引起一或多個處理器206執行本發明之各個步驟的程式指令。在一實施例中，程式指令經組態以引起一或多個處理器206調整光學特性化子系統202之一或多個特性以執行樣本220之一或多個量測。
在額外及/或替代實施例中，特性化子系統202可包含一以帶電粒子為基礎之特性化子系統202。例如，特性化子系統202可包含一SEM特性化子系統，如圖6B中所繪示。
圖6B繪示根據本發明之一或多個實施例之用於自適應關注區域(ROI)選擇之一系統200。特定言之，圖6B繪示包含一SEM特性化子系統202b之一系統200。
在一實施例中，SEM特性化子系統202b經組態以對樣本220執行一或多個量測。在此方面，SEM特性化子系統202b可經組態以獲取樣本220之一或多個影像。SEM特性化子系統202b可包含(但不限於)電 子束源228、一或多個電子光學元件230、一或多個電子光學元件232及一電子偵測器總成234，電子偵測器總成234包含一或多個電子感測器236。
在一實施例中，電子束源228經組態以將一或多個電子束229導引至樣本220。電子束源228可形成一電子光學柱。在另一實施例中，電子束源228包含經組態以將一或多個電子束229聚焦及/或導引至樣本220之表面的一或多個額外及/或替代電子光學元件230。在另一實施例中，SEM特性化子系統202b包含經組態以回應於一或多個電子束229而收集自樣本220之表面發出之二次及/或反向散射電子231的一或多個電子光學元件232。在此應注意，一或多個電子光學元件230及一或多個電子光學元件232可包含經組態以導引、聚焦及/或收集電子之任何電子光學元件，其包含(但不限於)一或多個偏轉器、一或多個電子光學透鏡、一或多個聚光透鏡(例如磁聚光透鏡)、一或多個物鏡(例如磁聚光透鏡)及其類似者。
應注意，SEM特性化子系統202b之電子光學總成不限於為圖6B中所描繪之電子光學元件，其等僅供說明。應進一步注意，系統200可包含將一或多個電子束229導引/聚焦至樣本220上且回應性收集及成像所發出之二次及/或反向散射電子231至電子偵測器總成234上所需的任何數目及類型之電子光學元件。
例如，系統200可包含一或多個電子束掃描元件(未展示)。例如，一或多個電子束掃描元件可包含(但不限於)適合於控制一或多個電子束229相對於樣本220之表面之一位置的一或多個電磁掃描線圈或靜電偏轉器。此外，一或多個掃描元件可用於使一或多個電子束229以一選定圖案掃描整個樣本220。
在另一實施例中，將二次及/或反向散射電子231導引至電子偵測器總成234之一或多個感測器236。SEM特性化子系統202b之電子偵測器總成234可包含適合於偵測自樣本220之表面發出之反向散射及/或二次電子231之本技術中已知之任何電子偵測器總成。在一實施例中，電子偵測器總成234包含一電子偵測器陣列。在此方面，電子偵測器總成234可包含電子偵測部分之一陣列。此外，電子偵測器總成234之偵測器陣列之各電子偵測部分可經定位以自樣本220偵測與一或多個入射電子束229之一者相關聯的一電子信號。在此方面，電子偵測器總成234之各通道可對應於一或多個電子束229之一電子束229。電子偵測器總成234可包含本技術中已知之任何類型之電子偵測器。例如，電子偵測器總成234可包含一微通道板(MCP)、一PIN或p-n接面偵測器陣列，諸如(但不限於)二極體陣列或突崩光二極體(APD)。舉另一實例而言，電子偵測器總成234可包含一高速閃爍器/PMT偵測器。
儘管圖6B將SEM特性化子系統202b繪示為包含僅包括二次電子偵測器總成之一電子偵測器總成234，但此不應被視作本發明之一限制。在此方面，應注意，電子偵測器總成234可包含(但不限於)二次電子偵測器、反向散射電子偵測器及/或一次電子偵測器(例如一柱內電子偵測器)。在另一實施例中，SEM特性化子系統202b可包含複數個電子偵測器總成234。例如，系統200可包含二次電子偵測器總成234a、一反向散射電子偵測器總成234b及一柱內電子偵測器總成234c。
在一實施例中，一或多個處理器206經組態以分析偵測器總成226/電子偵測器總成234之輸出。在一實施例中，程式指令組經組態以引起一或多個處理器206基於自偵測器總成226/電子偵測器總成234接收 之影像來分析樣本220之一或多個特性。在另一實施例中，程式指令組經組態以引起一或多個處理器206修改系統200之一或多個特性以維持聚焦於樣本220及/或偵測器總成226/電子偵測器總成234上。例如，一或多個處理器206可經組態以調整照明源212/電子束源228及/或系統200之其他元件之一或多個特性以將照明201及/或一或多個電子束229聚焦至樣本220之表面上。舉另一實例而言，一或多個處理器206可經組態以調整系統200之一或多個元件以自樣本220之表面收集照明及/或二次電子231且將所收集之照明聚焦於偵測器總成226/電子偵測器總成234上。舉另一實例而言，一或多個處理器206可經組態以調整施加至電子束源228之一或多個靜電偏轉器的一或多個聚焦電壓以獨立調整一或多個電子束229之位置或對準且使電子束229掃描整個樣本220。
在一實施例中，一或多個處理器206可通信地耦合至記憶體208，其中一或多個處理器206經組態以執行儲存於記憶體208上之一程式指令集，程式指令集經組態以引起一或多個處理器206實施本發明之各種功能及步驟。
在另一實施例中，如圖5及圖6A至圖6B中所展示，系統200包含通信地耦合至控制器204之一使用者介面210。在另一實施例中，使用者介面210包含一使用者輸入裝置及一顯示器。使用者介面210之使用者輸入裝置可經組態以自一使用者接收一或多個輸入命令，一或多個輸入命令經組態以將資料輸入至系統200中及/或調整系統200之一或多個特性。例如，如本文將進一步詳細描述，使用者介面210之使用者輸入裝置可經組態以自一使用者接收一或多個POI及/或ROI選擇。在另一實施例中，使用者介面210之顯示器可經組態以向一使用者顯示系統200之資 料。
如本文先前所提及，一或多個處理器206可通信地耦合至記憶體208，其中一或多個處理器206經組態以執行儲存於記憶體208中之一程式指令集，程式指令集經組態以引起一或多個處理器206實施本發明之各種功能及步驟。在此方面，控制器204可經組態以：自特性化子系統202接收一樣本220之一或多個訓練影像；在一或多個訓練影像內接收一或多個訓練關注區域(ROI)選擇；基於一或多個訓練影像及一或多個訓練ROI選擇來產生一機器學習分類器；自特性化子系統202接收一樣本220之一或多個產品影像；使用機器學習分類器來產生一或多個經分類關注區域；及在一或多個經分類關注區域內判定樣本220之一或多個量測。將依次敘述此等步驟之各者。
在一實施例中，系統200之控制器204經組態以自特性化子系統202接收一樣本220之一或多個訓練影像225。為了本發明，術語「訓練影像」可被視作將用作訓練一機器學習分類器之輸入的影像。圖7A繪示根據本發明之一或多個實施例之用於訓練一機器學習分類器之一訓練影像225。例如，如圖6A中所展示，控制器204可經組態以自光學特性化子系統202a接收樣本220之一或多個光學訓練影像225。舉另一實例而言，如圖6B中所展示，控制器204可經組態以自SEM特性化子系統202b接收樣本220之一或多個SEM訓練影像225。在此方面，圖7A中所描繪之訓練影像225可包含一光學訓練影像225、一SEM訓練影像225及其類似者。在額外及/或替代實施例中，控制器204可經組態以自一源而非一或多個特性化子系統202接收一或多個訓練影像225。例如，控制器204可經組態以自一外部儲存裝置接收一樣本220之一或多個訓練影像225。在另一實施例 中，控制器204可經進一步組態以將所接收之訓練影像225儲存於記憶體208中。
在另一實施例中，控制器204經組態以在一或多個訓練影像225內接收一或多個訓練關注區域(ROI)選擇。圖7B繪示包含一訓練ROI選擇302之一訓練影像225。在一實施例中，一或多個所接收之訓練ROI選擇302可包含一或多個關注量測。例如，如圖7B中所展示，一訓練ROI選擇302可包含指示左瓣之一長度的一第一關注量測(MOI 304a)及指示左瓣之一高度的一第二關注量測(MOI 304b)。此等關注量測(MOI 304a、MOI 304b)可包含臨界尺寸，可期望在整個製程中監測臨界尺寸以確保臨界尺寸均勻性(CDU)。一或多個訓練ROI選擇302內之關注量測(MOI 304)可包含可在一圖案、結構或其類似者上量測之任何特徵。
可使用本技術中已知之任何技術來接收一或多個訓練ROI選擇302。例如，儲存於記憶體208中之程式指令可經組態以自動選擇一或多個訓練ROI選擇302。舉另一實例而言，可經由使用者介面210接收一或多個訓練ROI選擇302。例如，使用者介面210之一顯示裝置可向一使用者顯示一或多個訓練影像225。接著，使用者可經由使用者介面210之一使用者輸入裝置來輸入指示一或多個訓練ROI選擇302之一或多個輸入命令。在此方面，在一些實施例中，一使用者可經由使用者介面210手動繪製/選擇一訓練影像225內之一或多個訓練ROI選擇302。在另一實施例中，控制器204經組態以將一或多個訓練ROI選擇302儲存於記憶體208中。
在另一實施例中，控制器204經組態以基於一或多個訓練影像225及一或多個訓練ROI選擇302來產生一機器學習分類器。機器學習 分類器可包含本技術中已知之任何類型之機器學習演算法/分類器及/或深度學習技術或分類器，其包含(但不限於)一迴旋神經網路(CNN)(例如GoogleNet、AlexNet及其類似者)、一集成學習分類器、一隨機森林分類器、人工神經網路(ANN)及其類似者。
訓練機器學習分類器可包含：教示機器學習分類器基於所接收之訓練影像225及訓練ROI選擇302來識別一或多個關注量測(MOI 304a、304b)及/或待量測之關注特徵。如本文中所使用，術語「關注量測」(MOI 304a、304b)可被視作係指可期望對樣本220執行之任何量測。在此方面，機器學習分類器可經訓練/產生使得其經組態以基於所接收之訓練影像225及所接收之訓練ROI選擇302來識別第一關注量測(MOI 304a)及/或第二關注量測(MOI 304b)。
控制器204可經組態以經由監督式學習及/或無監督式學習來產生機器學習分類器。在此應注意，機器學習分類器可包含經組態以預測及/或識別一或多個關注量測之任何演算法或預測模型。
在另一實施例中，控制器204可經組態以自特性化子系統202接收一樣本220之一或多個產品影像235。圖8A繪示根據本發明之一或多個實施例之一產品影像235。如圖6A中所展示，控制器204可經組態以自光學特性化子系統202a接收樣本220之一或多個光學產品影像235。舉另一實例而言，如圖6B中所展示，控制器204可經組態以自SEM特性化子系統202b接收樣本220之一或多個SEM產品影像235。在此方面，圖8A中所描繪之產品影像235可包含一光學產品影像235、一SEM產品影像235及其類似者。在額外及/或替代實施例中，控制器204可經組態以自一源而非一或多個特性化子系統202接收一或多個產品影像235。例如，控制器204 可經組態以自一外部儲存裝置接收一樣本220之一或多個產品影像235。在另一實施例中，控制器204可經進一步組態以將所接收之產品影像235儲存於記憶體208中。
術語「產品影像」在本文中用於描述包含一或多個關注量測(MOI 304)之一樣本220之影像。在此方面，一或多個產品影像235可包含將藉由量測一或多個關注量測(MOI 304)來監測之產品晶圓(例如產品樣本220)之一或多個影像。此可經實施以確保臨界尺寸均勻性(CDU)，如本文先前所描述。
在另一實施例中，控制器204經組態以使用機器學習分類器來產生一或多個經分類關注區域。例如，圖8B繪示根據本發明之一或多個實施例之包含一經分類ROI 306之一產品影像235。
在一實施例中，控制器204經組態以使用機器學習分類器在一或多個產品影像235內產生一或多個經分類ROI 306。在另一實施例中，機器學習分類器可經組態以在產品影像235內產生一或多個經分類ROI 306，使得經分類ROI 306包含一或多個經識別之關注量測(MOI 304a、304b)。例如，如圖8B中所展示，機器學習分類器可經組態以產生經分類ROI 306，使得經分類ROI 306含有第一經識別之關注量測(MOI 304a)及/或第二經識別之關注量測(MOI 304b)。
在此可預期，基於機器學習演算法來產生ROI(例如經分類ROI 306)可增加ROI將被正確放置使得其包含預期關注量測之可能性。在此可進一步預期，經由機器學習演算法來產生經分類ROI 306可提供相較於先前方法之諸多優點，先前方法基於習知影像處理對準程序來放置ROI(例如圖3B及圖4B中之ROI 104b)。此可藉由比較經由習知影像處理 對準程序來放置圖3B中之ROI 104b與經由一機器學習分類器來放置圖8B中之經分類ROI 306來繪示。如圖3B中所展示，習知影像處理技術可能無法解釋程序及結構變動，其接著可導致ROI 104b之錯放及無法實施所要量測。比較而言，如圖8B中所展示，在此可預期，機器學習分類器可經組態以識別關注量測(MOI 304a、304b)，使得機器學習分類器可產生可被更準確放置以包含經識別之關注量測(MOI 304a、304b)之自適應經分類ROI 306。特定言之，可根據樣本220之相關結構(例如左瓣)之特性(例如形狀、大小、定向)來修改由機器學習分類器產生之經分類ROI 306之特性(例如形狀、大小、定向)。在此方面，藉由產生能夠在大小、形狀、定向及其類似者方面變動之自適應經分類ROI 306，本發明之實施例可提供更準確及可靠ROI放置。
在另一實施例中，控制器經組態以藉由使用機器學習分類器自適應修改一或多個產品ROI選擇之一或多個特性來產生一或多個經分類ROI 306。在此方面，使用機器學習分類器來產生一或多個經分類ROI 306可包含：在一或多個產品影像235內接收一或多個產品ROI選擇305；及使用機器學習分類器來自適應修改一或多個產品ROI選擇305之一或多個特性以產生一或多個經分類ROI 306。此可參考圖8C來進一步理解。
圖8C繪示根據本發明之一或多個實施例之包含一產品ROI選擇305及一經分類ROI 306之一產品影像235。在此實例中，控制器204可接收指示產品影像235之一區域的一產品ROI選擇305。例如，一使用者可經由使用者介面210來輸入產品ROI選擇305。繼續相同實例，控制器204可經組態以使用機器學習分類器來自適應修改產品ROI選擇305之一或多個特性以產生經分類ROI 306。可由機器學習分類器自適應修改以產生 經分類ROI 306的產品ROI選擇305之特性可包含(但不限於)大小、形狀、定向及其類似者。
在此可預期，藉由修改所接收之產品ROI選擇305來產生經分類ROI 306可允許機器學習分類器充當視需要啟動之一校正工具。例如，在一些實施例中，當所接收之產品ROI選擇305被不正確放置(例如，經放置使得其無法包含一或多個MOI 304a、304b)時，機器學習分類器可藉由自適應修改一產品ROI選擇305來僅產生經分類ROI 306，如圖8C中所展示。
在一實施例中，機器學習分類器可基於一或多個產品影像235內之一結構之一或多個特性來自適應修改一或多個產品ROI選擇305之一或多個特性。例如，如圖8C中所展示，機器學習分類器可基於左瓣之一結構變動來自適應修改產品ROI選擇305。在另一實施例中，機器學習分類器可回應於一或多個程序變動來自適應修改一或多個產品ROI選擇305之一或多個特性。在此方面，機器學習分類器可自適應修改產品ROI選擇305以校正一或多個程序變動。
類似地，在另一實施例中，可藉由接收一或多個產品POI選擇(未展示)來輔助經分類ROI 306之產生。例如，類似於傳統方法，控制器204可在一產品影像235內接收一產品POI選擇，且接著至少部分基於一或多個所接收之POI選擇來產生一或多個經分類ROI 306。
圖9A繪示根據本發明之一或多個實施例之一產品影像235。圖9B繪示根據本發明之一或多個實施例之包含一經分類關注區域(ROI)306之一產品影像235。在一實施例中，機器學習分類器可產生一或多個經分類ROI 306，使得一或多個經分類ROI 306包含一或多個經識別 MOI 304a、304b。比較圖4B中ROI 104b之放置與圖9B中經分類ROI 306之放置，可看出，經由一機器學習分類器之ROI放置可提供相較於習知影像處理對準程序之改良ROI放置。因此，在此可預期，本發明之實施例可提供不易受及/或不受結構/程序變動影響之更準確及可靠ROI放置。特定言之，在此可預期，在半導體製造快速發展之背景下，經分類ROI 306之增強自適應性係特別有益的。
圖9C繪示根據本發明之一或多個實施例之包含一角形經分類關注區域(ROI)306之一產品影像235。
在一實施例中，如圖9C中所展示，機器學習分類器可經組態以產生一或多個角形經分類ROI 306。術語「角形」在本文中可用於描述以相對於一特定參考系或參考物之一偏斜角307(由θ界定)定向之一經分類ROI 306。例如，一角形經分類ROI 306可相對於一產品ROI選擇305旋轉，使得角形經分類ROI 306以相對於產品ROI選擇305之一偏斜角307安置。舉另一實例而言，如圖9C中所展示，一角形經分類ROI 306可經旋轉使得角形經分類ROI 306以相對於產品影像235之一邊緣或邊界之一偏斜角307安置，如圖9C中所展示。
在此應注意，使用習知影像處理程序來產生角形ROI 104可能極其困難或甚至不可能。例如，當已旋轉一結構之僅一部分(諸如在圖9C中)時，習知影像處理程序可能無法產生且準確對準一角形ROI 104。另外，即使可由習知影像處理程序潛在地產生角形ROI 104，但程序可能運算昂貴以致其不可行且效率低。因此，在此可預期，使用機器學習分類器來產生角形經分類ROI 306之能力可提供變動結構之更準確ROI放置且實現更複雜交錯之臨界尺寸量測。
在另一實施例中，控制器204可經組態以在一或多個經分類ROI 306內判定樣本220之一或多個量測。例如，如圖8B中所展示，控制器204可經組態以量測由第一關注量測(MOI 304a)指示之一第一臨界尺寸及由第二關注量測(MOI 304b)指示之一第二臨界尺寸。一或多個經分類ROI 306內所進行之一或多個量測可包含本技術中已知之任何量測，其包含(但不限於)臨界尺寸(CD)量測。
在此應注意，系統200之一或多個組件可依本技術中已知之任何方式通信地耦合至系統200之各種其他組件。例如，一或多個處理器206可經由一有線連接(例如銅線、光纖電纜及其類似者)或無線連接(例如RF耦合、IR耦合、WiMax、Bluetooth、3G、4G、4G LTE、5G及其類似者)來彼此通信耦合及通信地耦合至其他組件。舉另一實例而言，控制器204可經由本技術中已知之任何有線或無線連接來通信地耦合至特性化子系統202之一或多個組件。
在一實施例中，一或多個處理器206可包含本技術中已知之任何一或多個處理元件。在此意義上，一或多個處理器206可包含經組態以執行軟體演算法及/或指令之任何微處理器型裝置。在一實施例中，一或多個處理器206可由以下各者組成：一桌上型電腦、大型電腦系統、工作站、影像電腦、並行處理器或經組態以執行經組態以操作系統200之一程式的其他電腦系統(例如網路電腦)，如本發明中所描述。應認識到，本發明中所描述之步驟可由一單一電腦系統或替代地，多個電腦系統實施。此外，應認識到，本發明中所描述之步驟可實施於一或多個處理器206之任何一或多者上。一般而言，術語「處理器」可廣義界定為涵蓋具有一或多個處理元件之任何裝置，處理元件執行來自記憶體208之程式指 令。此外，系統200之不同子系統(例如照明源212、電子束源228、偵測器總成226、電子偵測器總成234、控制器204、使用者介面210及其類似者)可包含適合於實施本發明中所描述之步驟之至少一部分的處理器或邏輯元件。因此，以上描述不應被解譯為對本發明之一限制，而是僅為一說明。
記憶體208可包含適合於儲存可由相關聯之一或多個處理器206執行之程式指令及自特性化子系統202接收之資料的本技術中已知之任何儲存媒體。例如，記憶體208可包含一非暫時性記憶體媒體。例如，記憶體208可包含(但不限於)一唯讀記憶體(ROM)、一隨機存取記憶體(RAM)、一磁性或光學記憶體裝置(例如磁碟)、一磁帶、一固態硬碟及其類似者。應進一步注意，記憶體208可與一或多個處理器206一起收容於一共同控制器外殼中。在一替代實施例中，記憶體208可相對於處理器206、控制器204及其類似者之實體位置遠端定位。在另一實施例中，記憶體208保存用於引起一或多個處理器206實施本發明中所描述之各個步驟之程式指令。
在一實施例中，一使用者介面210通信地耦合至控制器204。在一實施例中，使用者介面210可包含(但不限於)一或多個桌上型電腦、平板電腦、智慧型電話、智慧型手錶或其類似者。在另一實施例中，使用者介面210包含用於向一使用者顯示系統200之資料的一顯示器。使用者介面210之顯示器可包含本技術中已知之任何顯示器。例如，顯示器可包含(但不限於)一液晶顯示器(LCD)、一以有機發光二極體(OLED)為基礎之顯示器或一CRT顯示器。熟習技術者應認識到，能夠與一使用者介面210整合之任何顯示裝置適合於實施於本發明中。在另一實施例中，一使 用者可經由使用者介面210之一使用者輸入裝置來輸入回應於向使用者顯示之資料之選擇及/或指令。
圖10繪示根據本發明之一或多個實施例之用於自適應關注區域(ROI)選擇之一方法400之一流程圖。在此應註意，方法400之步驟可完全或部分由系統200實施。然而，應進一步認識到別，方法400不受限於系統200，因為額外或替代系統級實施例可實施方法400之全部或部分步驟。
在一步驟402中，使用一特性化子系統來獲取一樣本之一或多個訓練影像。例如，如圖6A至圖6B中所展示，一光學特性化子系統202a及/或一SEM特性化子系統202b可經組態以獲取一樣本220之一或多個訓練影像225且將一或多個所獲取之訓練影像225傳輸至一控制器204。
在一步驟404中，接收一或多個訓練ROI選擇。例如，如圖7A至圖7B中所展示，控制器204可在一或多個訓練影像225內接收一或多個訓練ROI選擇302。一或多個訓練ROI選擇302可包含一或多個關注量測(MOI 304a、304b)。可使用本技術中已知之任何技術來接收一或多個訓練ROI選擇302。例如，儲存於記憶體208中之程式指令可經組態以自動選擇一或多個訓練ROI選擇302。舉另一實例而言，可經由使用者介面210來接收一或多個訓練ROI選擇302。例如，使用者介面210之一顯示裝置可向一使用者顯示一或多個訓練影像225。接著，使用者可經由使用者介面210之一使用者輸入裝置來輸入指示一或多個訓練ROI選擇302的一或多個輸入命令。
在一步驟406中，基於一或多個訓練影像及一或多個訓練ROI選擇來產生一機器學習分類器。訓練機器學習分類器可包含教示機器 學習分類器基於所接收之訓練影像225及訓練ROI選擇302來識別一或多個關注量測(MOI 304a、304b)及/或待量測之關注特徵。機器學習分類器可包含本技術中已知之任何類型之機器學習演算法/分類器及/或深度學習技術或分類器，其包含(但不限於)一深度學習分類器、一迴旋神經網路(CNN)(例如GoogleNet、AlexNet及其類似者)、一集成學習分類器、一隨機森林分類器、人工神經網路(ANN)及其類似者。
在一步驟408中，使用特性化子系統來獲取一樣本之一或多個產品影像。例如，如圖6A至圖6B中所展示，一光學特性化子系統202a及/或一SEM特性化子系統202b可經組態以獲取一樣本220之一或多個產品影像235且將一或多個所獲取之產品影像235傳輸至控制器204。一或多個產品影像235可包含將藉由量測一或多個關注量測(MOI 304)來監測之產品晶圓(例如產品樣本220)之一或多個影像。此可經實施以確保臨界尺寸均勻性(CDU)，如本文先前所描述。
在一步驟410中，使用機器學習分類器來產生一或多個經分類ROI。例如，如圖8B及圖9B中所展示，機器學習分類器可經組態以產生經分類ROI 306，使得經分類ROI 306包含第一經識別之關注量測(MOI 304a)及/或第二經識別之關注量測(MOI 304b)。
在一步驟412中，在一或多個經分類關注區域內判定樣本之一或多個量測。例如，如圖8B中所展示，控制器204可經組態以量測由第一關注量測(MOI 304a)指示之一第一臨界尺寸及由第二關注量測(MOI 304b)指示之一第二臨界尺寸。一或多個經分類ROI 306內所進行之一或多個量測可包含本技術中已知之任何量測，其包含(但不限於)臨界尺寸(CD)量測。
熟習技術者應認識到，本文中所描述之組件(例如操作)、裝置、物件及其伴隨論述用作使概念清楚之實例且可考量各種組態修改。因此，如本文中所使用，所闡述之特定範例及隨附論述意欲表示其更一般類別。一般而言，使用任何特定範例意欲表示其類別，且不包含特定組件(例如操作)、裝置及物件不應被視作限制。
熟習技術者應瞭解，存在本文中所描述之程序及/或系統及/或其他技術可藉由其來實現之各種載具(例如硬體、軟體及/或韌體)，且較佳載具將隨其中部署程序及/或系統及/或其他技術之背景而變動。例如，若一實施者判定速度及準確性最重要，則實施者可選擇一以硬體及/或韌體為主之載具；替代地，若靈活性最重要，則實施者可選擇一以軟體為主之實施方案；或替代地，實施者可選擇硬體、軟體及/或韌體之某一組合。因此，存在本文中所描述之程序及/或裝置及/或其他技術可藉由其來實現之若干可行載具，任何載具不天生優於其他載具，因為待利用之任何載具係取決於其中將部署載具之背景及實施者之特定關注(例如速度、靈活性或可預測性)(其等之任何者可變動)的一選擇。
呈現以上描述以使一般技術者能夠製造及使用本發明，如一特定應用及其要求之內文中所提供。如本文中所使用，方向術語(諸如「頂部」、「底部」、「在...上方」、「在...下方」、「上」、「向上」、「下」、「在...下面」及「向下」)意欲提供相對位置來便於描述，且不意欲指定一絕對參考系。熟習技術者將明白所描述實施例之各種修改，且可將本文中所界定之一般原理應用於其他實施例。因此，本發明不意欲受限於所展示及描述之特定實施例，而是應被給予與本文中所揭示之原理及新穎特徵一致之最廣範疇。
關於本文中所使用之實質上任何複數及/或單數術語，熟習技術者可根據背景及/或應用來適當自複數轉化成單數及/或自單數轉化成複數。為清楚起見，本文中未明確闡述各種單數/複數排列。
本文中所描述之所有方法可包含將方法實施例之一或多個步驟之結果儲存於記憶體中。結果可包含本文中所描述之任何結果且可依本技術中已知之任何方式儲存。記憶體可包含本文中所描述之任何記憶體或本技術中已知之任何其他適合儲存媒體。在儲存結果之後，結果可存取於記憶體中且由本文中所描述之方法或系統實施例之任何者使用、經格式化以向一使用者顯示、由另一軟體模組、方法或系統使用及其類似者。此外，可「永久」、「半永久」、「暫時」或在某一時段內儲存結果。例如，記憶體可為隨機存取記憶體(RAM)，且結果未必無限期存留於記憶體中。
可進一步預期，上述方法之各實施例可包含本文中所描述之(若干)任何其他方法之(若干)任何其他步驟。另外，可由本文中所描述之任何系統執行上述方法之各實施例。
本文中所描述之標的有時繪示含於其他組件內或與其他組件連接之不同組件。應瞭解，此等所描繪之架構僅供例示，且事實上，可實施達成相同功能性之諸多其他架構。就一概念意義而言，達成相同功能性之組件之任何配置經有效「相關聯」使得達成所要功能性。因此，本文中經組合以達成一特定功能性之任何兩個組件可被視為彼此「相關聯」，使得達成所要功能性，不管架構或中間組件如何。同樣地，如此相關聯之任何兩個組件亦可被視為彼此「連接」或「耦合」以達成所要功能性，且能夠如此相關聯之任何兩個組件亦可被視為彼此「可耦合」以達成所要功能性。「可耦合」之特定實例包含(但不限於)可實體配合及/或實體互動組 件及/或可無線互動及/或無線互動組件及/或邏輯互動及/或可邏輯互動組件。
此外，應瞭解，本發明由隨附申請專利範圍界定。熟習技術者應瞭解，一般而言，本文中且尤其是隨附申請專利範圍(例如隨附申請專利範圍之主體)中所使用之術語一般意欲為「開放式」術語(例如，術語「包含」應被解譯為「包含(但不限於)」，術語「具有」應被解譯為「至少具有」，等等)。熟習技術者應進一步瞭解，若意欲一引入請求項敘述之一特定數目，則此一意圖將明確敘述於請求項中，且若缺乏此敘述，則不存在此意圖。例如，為輔助理解，以下隨附申請專利範圍可含有使用引入片語「至少一」及「一或多個」來引入請求項敘述。然而，此等片語之使用不應被解釋為隱含由不定冠詞「一」引入一請求項敘述將含有此引入請求項敘述之任何特定請求項限制為僅含有一此敘述之發明，即使相同請求項包含引入片語「一或多個」或「至少一」及諸如「一」之不定冠詞(例如，「一」通常應被解譯為意謂「至少一」或「一或多個」)；以上內容同樣適用於用於引入請求項敘述之定冠詞之使用。另外，即使明確敘述一引入請求項敘述之一特定數目，但熟習技術者應認識到，此敘述通常應被解譯為意謂至少該敘述數目(例如，無其他修飾語之純敘述「兩個敘述」通常意指至少兩個敘述或兩個或更多個敘述)。此外，在其中使用類似於「A、B及C之至少一者及其類似者」之一慣例的例項中，此一構造一般意指熟習技術者通常所理解之含義(例如，「具有A、B及C之至少一者的一系統」將包含(但不限於)僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C之系統及其類似者)。在其中使用類似於「A、B或C之至少一者及其類似者」之一慣例 的例項中，此一構造一般意指熟習技術者通常所理解之含義(例如，「具有A、B或C之至少一者的一系統」將包含(但不限於)僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C之系統及其類似者)。熟習技術者應進一步瞭解，無論在[實施方式]、申請專利範圍或圖式中，呈現兩個或更多個替代項之幾乎任何轉折用語及/或片語應被理解為涵蓋包含該兩項之一者、該兩項之任一者或兩項之可能性。例如，片語「A或B」將被理解為包含「A」或「B」或「A及B」之可能性。
可認為，藉由以上描述來理解本發明及其諸多伴隨優點，且應明白，可在不背離所揭示之標的或不犧牲所有其材料優點之情況下對組件之形式、構造及配置作出各種改變。所描述之形式僅供說明，且以下申請專利範圍意欲涵蓋及包含此等改變。此外，應瞭解，本發明由隨附申請專利範圍界定。
100:控制影像
102:關注圖案(POI)
104:關注區域(ROI)

Claims (18)

  1. 一種用於使用機器學習技術來自適應關注區域選擇之系統，其包括：一特性化子系統，其經組態以獲取一樣本之一或多個影像，該特性化子系統包含一照明源及一偵測器總成；及一控制器，其包含經組態以執行儲存於記憶體中之一程式指令集的一或多個處理器，該程式指令集經組態以引起該一或多個處理器：自該特性化子系統接收一樣本之一或多個訓練影像；在該一或多個訓練影像內接收一或多個訓練關注區域(ROI)選擇；基於該一或多個訓練影像及該一或多個訓練ROI選擇來產生一機器學習分類器，其中該機器學習分類器經組態以基於該一或多個訓練影像及該一或多個訓練ROI選擇來識別一樣本之一或多個關注量測；自該特性化子系統接收一樣本之一或多個產品影像；使用該機器學習分類器來產生一或多個經分類關注區域；及在該一或多個經分類關注區域內判定該樣本之一或多個量測。
  2. 如請求項1之系統，其中該使用該機器學習分類器來產生一或多個經分類關注區域包括：在該一或多個產品影像內接收一或多個產品ROI選擇；使用該機器學習分類器來自適應修改該一或多個產品ROI選擇之一或多個特性以產生該一或多個經分類關注區域。
  3. 如請求項2之系統，其中自一使用者經由一使用者介面接收至少一產品ROI選擇。
  4. 如請求項2之系統，其中該使用該機器學習分類器來自適應修改該一或多個產品ROI選擇之一或多個特性包括：使用該機器學習分類器來自適應修改至少一產品ROI選擇之一大小或一形狀之至少一者。
  5. 如請求項2之系統，其中該使用該機器學習分類器來自適應修改該一或多個產品ROI選擇之一或多個特性包括：使用該機器學習分類器來自適應修改至少一產品ROI選擇之一定向以產生已相對於該至少一產品ROI選擇旋轉之一經分類關注區域。
  6. 如請求項1之系統，其中該使用該機器學習分類器來產生一或多個經分類關注區域包括：在該一或多個產品影像內接收一或多個產品關注圖案(POI)選擇；及基於該一或多個產品POI選擇來產生該一或多個經分類關注區域。
  7. 如請求項1之系統，其中該一或多個量測包括該一或多個經分類關注區域內之一臨界尺寸量測。
  8. 如請求項1之系統，其中該特性化子系統包括一掃描電子顯微鏡 (SEM)子系統或一光學特性化子系統之至少一者。
  9. 如請求項1之系統，其中自一使用者經由一使用者介面接收至少一訓練ROI選擇。
  10. 如請求項1之系統，其中該機器學習分類器包括一深度學習分類器、一迴旋神經網路(CNN)、一集成學習分類器、一隨機森林分類器或一人工神經網路之至少一者。
  11. 一種用於使用機器學習技術來自適應關注區域選擇之系統，其包括：一控制器，其包含經組態以執行儲存於記憶體中之一程式指令集的一或多個處理器，該程式指令集經組態以引起該一或多個處理器：接收一樣本之一或多個訓練影像；在該一或多個訓練影像內接收一或多個訓練關注區域(ROI)選擇；基於該一或多個訓練影像及該一或多個訓練ROI選擇來產生一機器學習分類器，其中該機器學習分類器經組態以基於該一或多個訓練影像及該一或多個訓練ROI選擇來識別一樣本之一或多個關注量測；接收一樣本之一或多個產品影像；使用該機器學習分類器來產生一或多個經分類關注區域；及在該一或多個經分類關注區域內判定該樣本之一或多個量測。
  12. 如請求項11之系統，其中該使用該機器學習分類器來產生一或多個經分類關注區域包括：在該一或多個產品影像內接收一或多個產品ROI選擇；及使用該機器學習分類器來自適應修改該一或多個產品ROI選擇之一或多個特性以產生一或多個經修改關注區域。
  13. 如請求項12之系統，其中該使用該機器學習分類器來自適應修改該一或多個產品ROI選擇之一或多個特性包括：使用該機器學習分類器來自適應修改至少一產品ROI選擇之一大小或一形狀之至少一者。
  14. 如請求項12之系統，其中該使用該機器學習分類器來自適應修改該一或多個產品ROI選擇之一或多個特性以產生一或多個經修改關注區域包括：使用該機器學習分類器來自適應修改至少一產品ROI選擇之一定向以產生已相對於該至少一產品ROI選擇旋轉之一經分類關注區域。
  15. 如請求項11之系統，其中該一或多個量測包括該一或多個經分類關注區域內之一臨界尺寸量測。
  16. 如請求項11之系統，其中自一使用者介面之一使用者輸入裝置接收至少一訓練ROI選擇。
  17. 如請求項11之系統，其中該機器學習分類器包括一深度學習分類器、一迴旋神經網路(CNN)、一集成學習分類器、一隨機森林分類器或一人工神經網路之至少一者。
  18. 一種用於使用機器學習技術來自適應關注區域選擇之方法，其包括：使用一特性化子系統來獲取一樣本之一或多個訓練影像；在該一或多個訓練影像內接收一或多個訓練關注區域(ROI)選擇；基於該一或多個訓練影像及該一或多個訓練ROI選擇來產生一機器學習分類器，其中該機器學習分類器基於該一或多個訓練影像及該一或多個訓練ROI選擇來識別一樣本之一或多個關注量測；使用該特性化子系統來獲取一樣本之一或多個產品影像；使用該機器學習分類器來產生一或多個經分類關注區域；及在該一或多個經分類關注區域內判定該樣本之一或多個量測。
TW108136245A 2018-10-08 2019-10-07 用於半導體基板之臨界尺寸量測的以深度學習為基礎之自適應關注區域 TWI808265B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
IN201841037993 2018-10-08
IN201841037993 2018-10-08
US201862770712P 2018-11-21 2018-11-21
US62/770,712 2018-11-21
US16/420,408 2019-05-23
US16/420,408 US11094053B2 (en) 2018-10-08 2019-05-23 Deep learning based adaptive regions of interest for critical dimension measurements of semiconductor substrates

Publications (2)

Publication Number Publication Date
TW202029371A TW202029371A (zh) 2020-08-01
TWI808265B true TWI808265B (zh) 2023-07-11

Family

ID=70052261

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108136245A TWI808265B (zh) 2018-10-08 2019-10-07 用於半導體基板之臨界尺寸量測的以深度學習為基礎之自適應關注區域

Country Status (7)

Country Link
US (1) US11094053B2 (zh)
EP (1) EP3853885B1 (zh)
JP (1) JP7284813B2 (zh)
KR (1) KR102576880B1 (zh)
CN (1) CN112823412B (zh)
TW (1) TWI808265B (zh)
WO (1) WO2020076544A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021026926A (ja) * 2019-08-07 2021-02-22 株式会社日立ハイテク 画像生成方法、非一時的コンピューター可読媒体、及びシステム
TWI777357B (zh) * 2020-01-07 2022-09-11 以色列商諾威量測設備股份有限公司 用於光學關鍵尺寸計量的方法和系統及機器可存取的儲存介質
CN113809117B (zh) * 2020-06-16 2023-12-22 联华电子股份有限公司 半导体元件及其制作方法
US11967058B2 (en) 2020-06-24 2024-04-23 Kla Corporation Semiconductor overlay measurements using machine learning
CN113393447B (zh) * 2021-06-24 2022-08-02 四川启睿克科技有限公司 基于深度学习的针尖正位度检测方法及系统
US12223752B2 (en) * 2021-09-30 2025-02-11 Fei Company Data acquisition in charged particle microscopy
CN119183518A (zh) * 2022-08-31 2024-12-24 株式会社Lg新能源 基于学习模型的尺寸测量设备和方法
US20250054280A1 (en) * 2022-09-30 2025-02-13 Beijing Boe Technology Development Co., Ltd. Training method and apparatus for image-text matching model, device and storage medium
US20240161264A1 (en) * 2022-11-15 2024-05-16 Micron Technology, Inc. Defect characterization in semiconductor devices based on image processing
US12449379B2 (en) 2023-05-25 2025-10-21 Applied Materials, Inc. Machine learning model training
US20240394509A1 (en) * 2023-05-25 2024-11-28 Applied Materials, Inc. Generating synthetic microspy images of substrates

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201531662A (zh) * 2013-12-23 2015-08-16 克萊譚克公司 多重圖案化參數之量測
TW201539602A (zh) * 2014-03-06 2015-10-16 Kla Tencor Corp 用於對疊對誤差之前饋和反饋校正之統計疊對誤差預測、根本原因分析及程序控制
US20160372303A1 (en) * 2014-10-22 2016-12-22 Kla-Tencor Corporation Self Directed Metrology and Pattern Classification
WO2017040351A1 (en) * 2015-08-28 2017-03-09 Kla-Tencor Corporation Self directed metrology and pattern classification
CN106796724A (zh) * 2014-10-22 2017-05-31 科磊股份有限公司 自动化图案保真度测量计划产生
TW201719783A (zh) * 2015-09-04 2017-06-01 克萊譚克公司 用於模型化基礎臨界尺寸測量之技術及系統
US20170200264A1 (en) * 2016-01-11 2017-07-13 Kla-Tencor Corporation Image based specimen process control
US20190147283A1 (en) * 2016-05-16 2019-05-16 United Technologies Corporation Deep convolutional neural networks for crack detection from image data

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5238465B2 (ja) 2008-11-25 2013-07-17 株式会社東芝 パターン形状の評価方法及びこれを利用したパターン形状の評価装置
US9189844B2 (en) 2012-10-15 2015-11-17 Kla-Tencor Corp. Detecting defects on a wafer using defect-specific information
US10127653B2 (en) * 2014-07-22 2018-11-13 Kla-Tencor Corp. Determining coordinates for an area of interest on a specimen
KR102238742B1 (ko) 2014-09-11 2021-04-12 삼성전자주식회사 마스크 패턴의 측정 관심 영역 그룹화 방법 및 이를 이용한 마스크 패턴의 선폭 계측 방법
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
TWI701459B (zh) * 2015-09-23 2020-08-11 美商克萊譚克公司 用於多波束掃描式電子顯微系統之聚焦調整之方法及系統
CN107305636A (zh) * 2016-04-22 2017-10-31 株式会社日立制作所 目标识别方法、目标识别装置、终端设备和目标识别系统
KR102606308B1 (ko) 2016-06-28 2023-11-24 삼성전자주식회사 포토 마스크의 제조 방법, 패턴 형성 방법 및 반도체 장치의 제조 방법
US10402688B2 (en) * 2016-12-07 2019-09-03 Kla-Tencor Corporation Data augmentation for convolutional neural network-based defect inspection
US10565702B2 (en) 2017-01-30 2020-02-18 Dongfang Jingyuan Electron Limited Dynamic updates for the inspection of integrated circuits

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201531662A (zh) * 2013-12-23 2015-08-16 克萊譚克公司 多重圖案化參數之量測
TW201539602A (zh) * 2014-03-06 2015-10-16 Kla Tencor Corp 用於對疊對誤差之前饋和反饋校正之統計疊對誤差預測、根本原因分析及程序控制
US20160372303A1 (en) * 2014-10-22 2016-12-22 Kla-Tencor Corporation Self Directed Metrology and Pattern Classification
CN106796724A (zh) * 2014-10-22 2017-05-31 科磊股份有限公司 自动化图案保真度测量计划产生
WO2017040351A1 (en) * 2015-08-28 2017-03-09 Kla-Tencor Corporation Self directed metrology and pattern classification
TW201727789A (zh) * 2015-08-28 2017-08-01 美商克萊譚克公司 自定向計量和圖樣分類
CN107924850A (zh) * 2015-08-28 2018-04-17 科磊股份有限公司 自定向计量和图案分类
TW201719783A (zh) * 2015-09-04 2017-06-01 克萊譚克公司 用於模型化基礎臨界尺寸測量之技術及系統
US20170200264A1 (en) * 2016-01-11 2017-07-13 Kla-Tencor Corporation Image based specimen process control
US20190147283A1 (en) * 2016-05-16 2019-05-16 United Technologies Corporation Deep convolutional neural networks for crack detection from image data

Also Published As

Publication number Publication date
EP3853885A4 (en) 2022-07-13
EP3853885B1 (en) 2025-07-30
CN112823412B (zh) 2022-08-05
CN112823412A (zh) 2021-05-18
JP7284813B2 (ja) 2023-05-31
JP2022504505A (ja) 2022-01-13
EP3853885A1 (en) 2021-07-28
KR20210057203A (ko) 2021-05-20
US20200111206A1 (en) 2020-04-09
KR102576880B1 (ko) 2023-09-08
TW202029371A (zh) 2020-08-01
WO2020076544A1 (en) 2020-04-16
US11094053B2 (en) 2021-08-17

Similar Documents

Publication Publication Date Title
TWI808265B (zh) 用於半導體基板之臨界尺寸量測的以深度學習為基礎之自適應關注區域
US11880193B2 (en) System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
TWI805857B (zh) 用於特性化一樣品之系統及方法
KR102671587B1 (ko) 향상된 결함 검사 감도를 위한 비지도 학습 기반 참조 선택
TWI580952B (zh) 使用表面高度屬性用於分級缺陷的方法與裝置
TWI819229B (zh) 用於判定缺陷之系統和方法
JP2014517523A (ja) 検査装置を用いたコンターベースの欠陥検出
CN114761791B (zh) 用于在检验期间于样本上界定柔性区域的系统及方法
KR20230079063A (ko) 검사 및 다른 프로세스를 위한 시료의 정렬
KR20050029762A (ko) Ｃｂｅｄ를 이용한 재료의 구조 분석 방법
KR20230147643A (ko) 칩 디자인 데이터를 사용하여 광학 검사 및 계측 이미지 품질을 개선하기 위한 방법들
KR20260005797A (ko) 하전 입자 시스템들에서의 오버레이 타겟 측정 및 시프트 보상 및 관련된 방법들
TW202503227A (zh) 裝置特徵特定邊緣放置誤差(epe)