CN111539908B - 对样本的缺陷检测的方法及其*** - Google Patents
对样本的缺陷检测的方法及其*** Download PDFInfo
- Publication number
- CN111539908B CN111539908B CN201911402709.3A CN201911402709A CN111539908B CN 111539908 B CN111539908 B CN 111539908B CN 201911402709 A CN201911402709 A CN 201911402709A CN 111539908 B CN111539908 B CN 111539908B
- Authority
- CN
- China
- Prior art keywords
- die
- noise
- regions
- image
- given
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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; CALCULATING OR 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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
提供了一种对样本的缺陷检测的***和方法,所述方法包括:对第一管芯的一个或多个部分中的每个执行分区;接收指示在针对第二管芯的一个或多个部分捕获的第二图像上的噪声分布的一个或多个噪声图;在运行时对每个噪声图执行分割,给定噪声图的所述分割包括:计算每个区域的评分,所述给定噪声图与所述区域对准并且每个区域与其中对准的噪声数据相关联,给定区域的所述评分至少基于与所述给定区域相关的所述噪声数据来计算;以及基于所述评分来将每个区域与指示噪声水平的一组预限定的分割标签中的一个分割标签相关联,从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域。
Description
技术领域
本公开的主题整体涉及样本检验领域,并且更具体地,涉及在样本上的缺陷检测的方法和***。
背景技术
当前对与所制造的器件的超大规模集成相关联的高密度和性能的需求要求亚微米特征、增大的晶体管和电路速度以及提高的可靠性。随着半导体工艺发展,图案尺寸(诸如线宽)和其他类型的临界尺寸不断地缩减。这也称为设计规则。这种需求要求形成具有高精确度和均匀性的器件特征,这又必需监视制造工艺,包括在器件仍然是半导体晶片(包括成品器件和/或非成品器件)的形式时对器件的频繁且详细的检查。
本说明书中使用的术语“样本”应当广泛地解释为覆盖用于制造半导体集成电路、磁头、平板显示器和其他半导体制造的制品的任何种类的晶片、掩模和其他结构、以上项的组合和/或部分。
除非另外具体地说明,否则本说明书中使用的术语“检验”应当广泛地解释为覆盖对对象中的缺陷的任何种类的检测和/或分类。检验是通过在待检验的对象的制造期间或之后使用例如非破坏性检验工具来提供。作为非限制性示例,检验工艺可以包括使用一个或多个检验工具进行扫描(以单次扫描或多次扫描)、采样、查验、测量、分类和/或关于对象或对象的部分提供的其他操作。同样地,检验可以在待检验的对象的制造之前提供并可以包括例如生成检验方案。将注意,除非另外具体地说明,否则本说明书中使用的术语“检验”或所述术语的衍生词不受限于检验区域的大小、扫描的速度或分辨率或检验工具的类型。作为非限制性示例,多种非破坏性检验工具包括光学工具、扫描电子显微镜、原子力显微镜等。
检验工艺可以包括多个检验步骤。在制造工艺期间,检验步骤可以执行多次,例如在制造或处理某些层之后等。另外地或另选地,每个检验步骤可以重复多次,例如针对不同晶片位置或针对在不同检验设定下的相同晶片位置。
作为非限制性示例,运行时检验可以采用两步骤式过程,例如,先是检查样本,接着查验所采样的缺陷。在检查步骤期间,典型地以相对高的速度和/或低的分辨率扫描样本或样本的一部分(例如,感兴趣的区域、热点等)的表面。分析所捕获的检查图像,以便检测缺陷并获得所述缺陷的位置和其他检查属性。在查验步骤处,典型地以相对低的速度和/或高的分辨率捕获在检查阶段期间检测到的缺陷中的至少一些的图像,从而使得能够对缺陷中的至少一些进行分类和任选地进行其他分析。在一些情况下,两个阶段都可以由相同检查工具实现,并且在一些其他情况下,这两个阶段由不同检查工具实现。
检验一般涉及通过将光或电子引导到晶片并检测来自晶片的光或电子来为晶片生成某种输出(例如,图像、信号等)。一旦已经生成输出,典型地通过将缺陷检测方法和/或算法应用到输出来执行缺陷检测。最通常地,检验目的是对感兴趣的缺陷提供高灵敏度,而同时抑制对晶片上的危害和噪声的检测。
本领域中需要的是提高缺陷检测的灵敏度。
发明内容
根据本公开的主题的某些方面,提供了一种用于对样本的缺陷检测的计算机化***,所述***包括:处理单元,所述处理单元可操作地连接到检验工具,所述处理单元包括存储器和可操作地耦接到所述存储器的处理器,所述处理单元被配置为:对所述样本的第一管芯的一个或多个部分中的每个部分执行分区,其中基于以下中的至少一个执行对所述一个或多个部分中的给定部分的所述分区:i)表征所述给定部分的图像数据,从而在图像空间中产生多个区域,以及ii)表征所述给定部分的设计数据,从而在设计空间中产生多个区域;其中所述处理单元还被配置为在运行时:从所述检验工具接收指示在针对所述样本的第二管芯的一个或多个部分捕获的一个或多个第二图像上的噪声分布的一个或多个噪声图,所述第一管芯和所述第二管芯具有相同设计数据;对所述一个或多个噪声图中的每个执行分割,其中通过以下执行对所述一个或多个噪声图中的给定噪声图的所述分割:计算所述多个区域中的每个区域的评分,其中所述给定噪声图与所述多个区域对准并且所述多个区域中的每个区域与其中对准的噪声数据相关联,并且其中所述多个区域中的给定区域的所述评分至少基于与所述给定区域相关联的所述噪声数据来计算;以及基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联,从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域;其中所述一组片段可用于基于所述给定噪声图来进行对所述样本的缺陷检测。
除了以上特征之外,根据本公开的主题的这一方面所述的***可以以技术上可能的任何期望的组合或置换包括以下列出的特征(i)至(xii)中的一个或多个。
(i).可以基于所述设计数据来执行所述分区,并且设计空间中的所述多个区域可以是多个设计组,每个设计组对应于所述给定部分中的具有同一设计模式的一个或多个管芯区域。
(ii).所述***还包括检验工具,所述检验工具被配置为捕获包括表示所述给定部分的第一图像的图像数据。可以基于所述图像数据来执行所述分区,并且可以基于由表征所述第一图像的一组属性指定的属性空间中的对应位置的值来在所述第一图像上获得图像空间中的所述多个区域。
(iii).所述第二管芯可以是与所述第一管芯不同的管芯,并且所述检验工具还可以被配置为在运行时捕获表示所述第二管芯的所述一个或多个部分的所述一个或多个第二图像并提供指示所述一个或多个第二图像上的噪声分布的一个或多个噪声图。
(iv).所述第一管芯可以是用于执行所述分区的参考管芯,所述第二管芯可以是检查管芯,并且可以在设置阶段中执行所述分区。
(v).所述第一管芯可以是用于所述第二管芯的检查的参考管芯,所述第二管芯可以是检查管芯,并且可以在运行时执行所述分区。
(vi).所述第二管芯可以是所述第一管芯,所述一个或多个第二图像可以是针对所述第一管芯的所述一个或多个部分捕获的一个或多个第一图像,并且可以在运行时执行所述分区。
(vii).所述检验工具可以是被配置为扫描所述样本以捕获所述图像数据和所述一个或多个第二图像的检查工具。
(viii).所述一组属性可以是从一组属性候选中选择的,所述一组属性候选包括一个或多个预限定的属性以及使用机器学习生成的一个或多个属性。
(ix).所述一组属性可以包括使用机器学习生成的所述一个或多个属性,并且所述处理单元还可以被配置为使用机器学习模型生成所述一个或多个属性。
(x).可以通过生成训练属性并使用所述训练属性预测噪声来训练所述机器学***的空间模式的所述一个或多个属性。
(xi).所述将每个区域与一个分割标签相关联可以包括对为每个区域计算的所述评分进行排名并基于所述排名来将所述多个区域分组到所述一组片段。
(xii).所述执行缺陷检测可以包括为每个片段配置检测阈值。
根据本公开的主题的另一个方面,提供了一种对样本的缺陷检测的计算机化方法,所述方法包括:对所述样本的第一管芯的一个或多个部分中的每个部分执行分区,其中基于以下中的至少一个执行对所述一个或多个部分中的给定部分的所述分区:i)表征所述给定部分的图像数据,从而在图像空间中产生多个区域,以及ii)表征所述给定部分的设计数据,从而在设计空间中产生多个区域;在运行时从所述检验工具接收指示在针对所述样本的第二管芯的一个或多个部分捕获的一个或多个第二图像上的噪声分布的一个或多个噪声图,所述第一管芯和所述第二管芯具有相同设计数据;在运行时对所述一个或多个噪声图中的每个执行分割,其中通过以下执行对所述一个或多个噪声图中的给定噪声图的所述分割:计算所述多个区域中的每个区域的评分,其中所述给定噪声图与所述多个区域对准并且所述多个区域中的每个区域与其中对准的噪声数据相关联,并且其中所述多个区域中的给定区域的所述评分至少基于与所述给定区域相关联的所述噪声数据来计算;以及基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联,从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域;其中所述一组片段可用于基于所述给定噪声图来进行对所述样本的缺陷检测。
本公开的主题的这一方面可以以技术上可能的任何期望的组合或置换包括以上关于***列出的特征(i)至(xii)中的一个或多个并加以必要的变更。
根据本公开的主题的另一个方面,提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质有形地体现当由计算机执行时致使所述计算机执行对样本的缺陷检测的方法的指令程序,所述方法包括:对所述样本的第一管芯的一个或多个部分中的每个部分执行分区,其中基于以下中的至少一个执行对所述一个或多个部分中的给定部分的所述分区:i)表征所述给定部分的图像数据,从而在图像空间中产生多个区域,以及ii)表征所述给定部分的设计数据,从而在设计空间中产生多个区域;在运行时接收指示在针对所述样本的第二管芯的一个或多个部分捕获的一个或多个第二图像上的噪声分布的一个或多个噪声图,所述第一管芯和所述第二管芯具有相同设计数据;在运行时对所述一个或多个噪声图中的每个执行分割,其中通过以下执行对所述一个或多个噪声图中的给定噪声图的所述分割:计算所述多个区域中的每个区域的评分,其中所述给定噪声图与所述多个区域对准并且所述多个区域中的每个区域与其中对准的噪声数据相关联,并且其中所述多个区域中的给定区域的所述评分至少基于与所述给定区域相关联的所述噪声数据来计算;以及基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联,从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域;其中所述一组片段可用于基于所述给定噪声图来进行对所述样本的缺陷检测。
本公开的主题的这一方面可以以技术上可能的任何期望的组合或置换包括以上关于***列出的特征(i)至(xii)中的一个或多个并加以必要的变更。
附图说明
为了理解本发明并知晓在实践中如何实施本发明,现在将参考附图仅通过非限制性示例来描述实施方式,其中:
图1示出了根据本公开的主题的某些实施方式的对样本的缺陷检测的***的框图;
图2示出了根据本公开的主题的某些实施方式的对样本的缺陷检测的概括性流程图;
图3示出了根据本公开的主题的某些实施方式的设计组的示意图;
图4示出了根据本公开的主题的某些实施方式的用于训练机器学***的空间图案的属性的示意性框图;
图5示出了根据本公开的主题的某些实施方式的检查图像和表征检查图像的一组属性的示例;
图6示出了根据本公开的主题的某些实施方式的对准的噪声图和设计数据的示意性示例。
图7示出了根据本公开的主题的某些实施方式的分割的示例;以及
图8示出了根据本公开的主题的某些实施方式的在运行时检验中使用分割的示例。
具体实施方式
在以下详述中,阐述了许多具体细节,以便提供对本发明的透彻理解。然而,本领域的技术人员将理解,本公开的主题可以在没有这些具体细节的情况下实践。在其他情况下,没有详细地描述所熟知的方法、过程、部件和电路,以免模糊本公开的主题。
除非另外具体地说明,否则如从以下讨论中显而易见,将了解,贯穿本说明书讨论,利用术语诸如“执行”、“分区”、“捕获”、“接收”、“计算”、“对准”、“提供”、“关联”、“生成”、“获得”、“配准”、“扫描”、“使用”、“应用”、“训练”、“排名”、“配置”等是指计算机的操纵数据和/或将数据变换为成其他数据的计算机的动作和/或处理,所述数据被表示为物理(诸如电子)量和/或所述数据表示物理对象。术语“计算机”应当广泛地解释为覆盖具有数据处理能力的任何种类的基于硬件的电子装置,作为非限制性示例,包括本申请中公开的对样本的缺陷检测的计算机化***或计算机化***的部分以及在计算机化***中的处理单元。
本文使用的术语“非暂态存储器”和“非暂态存储介质”应当广泛地解释为覆盖适合本公开的主题的任何易失性或非易失性计算机存储器。
本说明书中使用的术语“缺陷”应当广泛地解释为覆盖在样本上或样本内形成的任何种类的异常或不期望的特征或空隙。
本说明书中使用的术语“设计数据”应当广泛地解释为覆盖指示样本的分层物理设计(布局)的任何数据。设计数据可以由相应设计者提供和/或可以从物理设计导出(例如,通过复杂模拟、简单几何和布尔操作等)。设计数据可以以不同格式提供,作为非限制性示例,如GDSII格式、OASIS格式等。设计数据可以以矢量格式、灰度级强度图像格式或以其他方式呈现。
将了解,除非另外具体地说明,否则在单独的实施方式的上下文中描述的本公开的主题的某些特征也可以在单一实施方式中组合地提供。相反,在单一实施方式的上下文中描述的本公开的主题的各种特征也可以单独地提供或以任何合适的子组合提供。在以下详述中,阐述了许多具体细节,以便提供对方法和设备的透彻理解。
考虑到这一点,将注意力放到图1,示出了根据本公开的主题的某些实施方式的对样本的缺陷检测的***的框图。
图1中所示的***100可以用于对样本(例如,晶片、晶片上的管芯和/或晶片的部分)的缺陷检测。如前所述,本说明书中使用的术语“样本”应当广泛地解释为覆盖用于制造半导体集成电路、磁头、平板显示器和其他半导体制造的制品的任何种类的晶片、掩模、掩模版和其他结构、以上项的组合和/或部分。根据某些实施方式,本文中所用的样本可以选自包括以下项的组:晶片、掩模版、掩模、集成电路和平板显示器(或平板显示器的至少一部分)。
仅出于说明目的,关于管芯和晶片提供以下描述的某些实施方式。实施方式同样地适用于样本的其他类型、大小和表示。
根据某些实施方式,***100可以包括、或可操作地连接到一个或多个检验查工具120。本文使用的术语“检验工具”应当广泛地解释为涵盖可用于检验相关工艺的任何工具,通过非限制性示例,包括成像、扫描(以单次扫描或多次扫描)、采样、查验、测量、分类和/或关于样本或样本的部分提供的其他工艺。一个或多个检验工具120可以包括一个或多个检查工具和/或一个或多个查验工具。在一些情况下,检验工具120中的至少一个可以是被配置为扫描样本(例如,整个晶片、整个管芯或整个管芯的一部分)以捕获检查图像(典型地以相对高的速度和/或低的分辨率)来检测潜在缺陷的检查工具。在一些情况下,检验工具120中的至少一个可以是查验工具,所述查验工具被配置为捕获由检查工具检测到的缺陷中的至少一些的查验图像以确定潜在缺陷是否确实是缺陷。这种查验工具通常被配置为一次检查一个管芯的片段(典型地以相对低的速度和/或高的分辨率)。检查工具和查验工具可以是位于相同或不同位置的不同工具,或以两种不同模式操作的单一工具。在一些情况下,至少一种检验工具可以具有计量能力。
在不以任何方式限制本公开的范围的情况下,还应当注意,检验工具120可以被实现为各种类型的检查机器,诸如光学成像机器、电子束检查机器等。
根据某些实施方式,检验工具120可以被配置为捕获包括样本的管芯的一个或多个部分的一个或多个图像的图像数据。检验工具120还可以被配置为获得指示一个或多个图像上的噪声分布的一个或多个噪声图。图像可以从不同检验模态产生,并且本公开不受用于生成图像的检查和计量技术限制。在一些实施方式中,检验工具120可以是被配置为扫描样本以捕获一个或多个图像的检查工具。在一些情况下,可以处理样本的所捕获的图像(例如,通过图像处理模块的功能性可以集成在检验工具120内或处理单元102内、或被实现为独立计算机的图像处理模块),以便生成指示样本上的很有可能是感兴趣的缺陷(DOI)的可疑位置的缺陷图,如将关于图2更详细地描述。由于DOI相对稀少并且缺陷图中反映的可疑缺陷中的大多数更可能是噪声或错误警报,因此缺陷图在本文中也被称为噪声图。
本文所用的术语“感兴趣的缺陷(DOI)”是指要检测的用户感兴趣的任何真实缺陷。例如,如与危害类型的缺陷相比,可能导致成品率损失的任何“致命”缺陷可以被指示为DOI,这也是真实缺陷,但是不会影响成品率,因此应当忽略。
本文所用的术语“噪声”应当广泛地解释为包括任何不想要的或不感兴趣的缺陷(也被称为非DOI或危害)、以及在检查期间由不同变化(例如,工艺变化、颜色变化、机械和电变化等)导致的随机噪声。
***100可以包括可操作地连接到I/O接口126和检验工具120的处理单元102。处理单元102是被配置为提供操作***100所需的所有处理的处理电路,这在下面参照图2更详细地描述。处理单元102包括处理器(未单独地示出)和存储器(未单独地示出)。处理单元102的处理器可以被配置为根据在包括在处理单元中的非暂态计算机可读存储器上实现的计算机可读指令来执行若干功能模块。此类功能模块在下面被称为包括在处理单元102中。
处理单元102中包括的功能模块可以包括分区模块104和分割模块106,它们可操作地彼此连接。分区模块104可以被配置为对样本的第一管芯的一个或多个部分中的每个部分执行分区。可以基于以下中的至少一个执行对样本的第一管芯的一个或多个部分中的给定部分的分区:i)表征给定部分的图像数据,从而在图像空间中产生多个区域,以及ii)表征给定部分的设计数据,从而在设计空间中产生多个区域。
根据某些实施方式,在一些情况下,***100可以经由基于硬件的I/O接口126可操作地连接到设计数据服务器110(例如,CAD服务器)。设计数据服务器110被配置为存储和提供表征样本的设计数据。样本的设计数据可以采用以下格式中的任一种:样本的物理设计布局(例如,CAD裁剪)、光栅图像以及从设计布局衍生的模拟图像。根据某些实施方式,I/O接口126可以被配置为从设计数据服务器110接收表征管芯的一个或多个部分中的给定部分的设计数据。在基于设计数据来执行分区的情况下,设计空间中的多个区域可以是多个设计组,每个设计组对应于给定部分中的具有同一设计模式的一个或多个管芯区域,如下面参考图2和图3更详细地描述。
分割模块106可以被配置为在运行时从检验工具接收指示在针对样本的第二管芯的一个或多个部分捕获的一个或多个第二图像上的噪声分布的一个或多个噪声图。第一管芯和第二管芯由相同设计数据表征。分割模块106还可以被配置为对一个或多个噪声图中的每个执行分割。具体地,对一个或多个噪声图中的给定噪声图的分割包括计算多个区域中的每个区域的评分,其中给定噪声图与多个区域对准并且多个区域的每个区域与其中对准的噪声数据相关联。在一些实施方式中,可以至少基于与给定区域相关联的噪声数据来计算多个区域中的给定区域的评分。
一旦计算出评分,对一个或多个噪声图中的给定噪声图的分割可以包括基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联,从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域。一组片段构成分割数据,所述分割数据可用于样本的进一步检验。作为示例,可以将分割数据提供到检验工具120和/或任何其他检验工具,以基于给定噪声图来检测样本上的缺陷。在一些情况下,分割数据可以用于调整给定噪声图(例如,通过重新计算差值图像和/或等级图像中的至少某些像素),并且可以基于调整后的噪声图来对样本执行缺陷检测。作为另一个示例,分割数据可以由处理单元用来基于给定噪声图来执行对样本的缺陷检测(在这种情况下,处理单元102还可以包括缺陷检测模块(图1中未示出))。在一些实施方式中,分割数据可以包括分割布局,所述分割布局可以被发送到基于计算机的图形用户界面(GUI)124以呈现结果。下面将参考图2更详细地描述分割。
根据某些实施方式,***100可以包括存储单元122。存储单元122可以被配置为存储操作***100所需的任何数据,例如,与***100的输入和输出有关的数据,以及由***100生成的中间处理结果。作为示例,存储单元122可以被配置为存储由检验工具120产生的图像和/或图像的衍生物。因此,可以从存储单元122检索一个或多个图像并将所述一个或多个图像提供到处理单元102以进行进一步处理。另外地或另选地,存储单元122可以被配置为存储样本的设计数据,所述样本的设计数据可以从存储单元中检索并作为输入来提供到处理单元102。另外地或另选地,存储单元122可以被配置为存储分区结果,即,多个区域,所述分区结果可以从存储单元中检索并提供到处理单元102以进行进一步处理。
在一些情况下,***100可以可操作地连接到一个或多个外部数据储库(图1中未示出),所述一个或多个外部数据储库被配置为存储由检验工具120和/或设计数据服务器110产生的数据(和/或所述数据的衍生物)。样本的图像数据、噪声图和/或设计数据可以被提供到处理单元102以进行进一步处理。
在一些实施方式中,***100可以任选地包括基于计算机的图形用户界面(GUI)124,所述基于计算机的图形用户界面被配置为启用与***100有关的用户指定的输入。例如,可以向用户呈现样本的视觉表示(例如,通过形成GUI 124的一部分的显示器),包括样本的设计数据和/或图像数据。可以通过GUI向用户提供限定某些操作参数的选项。用户还可以在GUI上查看分割结果以及其他操作结果(诸如像缺陷检测结果)。
将注意,尽管图1中示出了检验工具120被实现为***100的一部分,但是在某些实施方式中,***100的功能性可以被实现为独立计算机并可以可操作地连接到检验工具120以与检验工具120一起操作。在这种情况下,可以直接地或经由一个或多个中间***从检验工具120接收样本的图像数据,并且可以将所述图像数据提供到处理单元102以进行进一步处理。在一些实施方式中,***100的相应功能性可以至少部分地与一个或多个检验工具120集成在一起,从而促进和增强在检查相关工艺中检验工具120的功能性。在这种情况下,***100的部件或其至少一部分可以形成检验工具120的部分。作为一个示例,分区模块104和/或分割模块106可以被实现或集成为检验工具120的部分。作为另一个示例,处理单元102和存储单元122可以分别形成检验工具120的处理单元和存储装置的部分;并且检验工具120的I/O接口和GUI可以用作I/O接口126和GUI 124。
本领域的技术人员将容易地理解,本公开的主题的教导不受图1中所示的***束缚;等效和/或修改的功能性可以以另一种方式合并或分区并可以以软件与固件和硬件的任何适当的组合来实现。
将注意,图1中所示的***可以在分布式计算环境中实现,其中图1中所示的前述功能模块可以分布在若干本地和/或远程装置上,并且可以通过通信网络进行链接。还将注意,尽管检验工具120、存储单元122和GUI 124在图1中被示出为是***100的一部分,但是在一些其他实施方式中,前述单元中的至少一些可以被实现为在***100的外部并可以配置为经由I/O接口126与***100进行数据通信。
现在参照图2,示出了根据本公开的主题的某些实施方式的对样本的缺陷检测的概括性流程图。
可以执行对样本的第一管芯的一个或多个部分中的每个部分的分区(202)(例如,通过处理单元102中包括的分区模块104)。具体地,可以基于以下中的至少一个执行对一个或多个部分中的给定部分的分区:i)表征给定部分的图像数据,从而在图像空间中产生多个区域,以及ii)表征给定部分的设计数据,从而在设计空间中产生多个区域。在一些实施方式中,一个或多个部分可以是指管芯的一个或多个块。将注意,块可以具有各种大小和尺寸,诸如像图像空间中的100*200、100*1000、200*2000像素等,并且本公开不应当被解释为受本公开的具体实现方式的限制。
根据某些实施方式,在一些情况下,可以基于设计数据来执行分区。在这种情况下,多个区域在设计空间中产生为多个设计组,每个设计组对应于具有同一设计模式的一个或多个管芯区域(在给定部分中)。
在以上情况下,可以接收给定部分或一个或多个部分的设计数据、或第一管芯的设计数据(例如,通过I/O接口126、从设计数据服务器110中)。如前所述,设计数据可以采用以下格式中的任一种:物理设计布局(例如,CAD裁剪)、光栅图像以及从设计布局衍生的模拟图像。管芯(或管芯的部分)的设计数据可以包括具有特定几何结构和布置的各种设计模式。可以将设计模式限定为由一个或多个结构元素组成,每个结构元素具有带有某种轮廓的几何形状(例如,一个或多个多边形)。
在一些实施方式中,接收到的设计数据可以表示多个设计组,每个设计组对应于具有同一设计模式的一个或多个管芯区域。可以预先执行设计组的聚类(即,从CAD数据划分到多个设计组),并且可以将设计组信息预存储在设计数据服务器110中。因此,由***100获得的设计数据可能已经包括设计组信息。在一些情况下,由***100接收的设计数据可以仅包括设计组信息(例如,不同设计组的设计坐标)而不包括物理设计布局(例如,CAD裁剪)信息。在一些其他情况下,由***100接收的设计数据可以包括设计组信息和具体设计布局信息两者。
在这些实施方式中,分区为多个区域可以是根据设计组信息来进行,例如,多个区域可以对应于多个设计组。将注意,当设计模式相同时,或当设计模式高度相关或彼此类似时,可以将设计模式视为是“相同”的。可以将各种相似性度量和算法应用来将类似设计模式匹配和聚类,并且本公开不应当被解释为受用于导出设计组的任何具体度量的限制。
在一些实施方式中,另选地和可选地,在从设计数据服务器接收到管芯(或管芯的部分)的物理设计布局后,可由***100的处理单元102执行设计组的聚类。将注意,参考框202描述的分区可以在设置阶段(即,在生产中/运行时之前)或在运行时阶段中执行。
现在参照图3,示出了根据本公开的主题的某些实施方式的设计组的示意图。
仅出于说明目的,图3中示意性地示出了管芯(或管芯的部分)的设计数据。不同种类的“树”表示在设计数据上的不同设计模式。在将类似设计模式聚类/分组之后,将设计数据划分为四个设计组302、304、306和308,每个设计组对应于具有同一设计模式的一个或多个管芯区域。将注意,在一些设计组中,设计模式不是完全地一样或相同的,而是具有高相似性。例如,在设计组304中,可以看出,在左侧的两个区域中的图案和在右侧的区域中的图案略有不同(例如,在相反方向上)。如前所述,在一些情况下,由***100接收的设计数据可以是图3中的左侧表示的形式,所述形式包括分组信息以及具体设计布局和模式。在另一些情况下,它可以采用图3中的正确表示的形式,所述形式仅包括分组信息(例如,在设计坐标中组的位置)。在本示例中,从分区产生的多个区域对应于四个设计组302、304、306和308。
将注意,图3中示出的示例仅出于说明目的,并且不应当被视为以任何方式限制本公开。本领域的任何技术人员将容易地了解,管芯的实际设计模式可能复杂得多,因此类似设计模式的分组可以变化,并且在一些情况下可以比本示例复杂得多。
继续图2的框202的描述,根据某些实施方式,可以基于表征第一管芯的一个或多个部分中的给定部分的图像数据来执行分区(例如,代替如上所述的设计数据作)。在这种情况下,由检验工具120捕获的图像数据可以包括表示给定部分的第一图像。多个区域在图像空间中产生并基于由表征第一图像的一组属性指定的属性空间中的对应位置的值在第一图像上获得。在这种情况下,可以在设置阶段中或另选地在运行时执行分区,这取决于在下面参考框204详细地描述的各种场景。由于对一个或多个部分中的每个执行分区,因此检查工具可以配置为捕获包括表示第一管芯的一个或多个部分的一个或多个第一图像的图像数据。使用图像数据而不是设计数据的一个优点是无需获取和/或处理样本的设计数据,因为设计数据并不是一直可用的,例如,某些客户可能不愿提供此类数据,并且另外,特别是考虑到设计数据和图像数据之间的配准,处理设计数据可能是计算上繁琐且困难的。
在另一些实施方式中,可以基于图像数据和设计数据两者来执行分区。
继续图2的描述,现在描述运行时分割过程。可以在运行时接收(例如,由处理单元102从检验工具120)一个或多个噪声图(204),所述一个或多个噪声图指示在针对样本的第二管芯的一个或多个部分捕获的一个或多个第二图像上的噪声分布。第一管芯和第二管芯由相同设计数据表征。
根据一些实施方式,第二管芯可以是指与第一管芯不同的管芯,并且可以在运行时捕获(例如,由检验工具120)表示第二管芯的一个或多个部分的一个或多个第二图像。可以提供一个或多个噪声图(例如,由检验工具120)以指示在一个或多个第二图像上的噪声分布。
根据上述实施方式,在一些情况下,第二管芯可以是指检查管芯(即,在生产中/运行时要检查的管芯),而第一管芯可以是指用于执行分区的测试管芯或参考管芯,这是出于服务运行时分割目的的预处理操作。在这种情况下,可以在设置阶段中执行如上面参考框202描述的基于图像数据的分区,因为它是基于与在运行时捕获的检查图像(即,第二图像)不同的图像数据(即,测试管芯或参考管芯的图像)。在这种情况下的优点中的一个是减少运行时检查和/或检测所需的计算时间和资源,从而提高***的性能。
在一些其它情况下,第二管芯可以是指检查管芯,而第一管芯可以是指用于第二管芯的检查的参考管芯(例如,诸如在管芯参考检测方法中那样)。作为示例,在管芯-管芯检测方法中,参考管芯可以是晶片上的检查管芯的相邻管芯。在这种情况下,可以在运行时执行如上面参考框202描述的基于图像数据的分区,因为它是基于在运行时捕获的图像数据(例如,相邻管芯的图像)。在这种情况下的优点中的一个是使第一图像(例如,第一图像上的多个区域)与第二图像(例如,对应于第二图像的噪声图)之间的对准/配准过程更容易而计算上不麻烦且成本低,因为参考管芯和检查管芯彼此相邻/相邻。
根据另一些实施方式,第二管芯和第一管芯可以是指相同管芯。因此,一个或多个第二图像实际上与针对第一管芯的一个或多个部分捕获的一个或多个第一图像相同。在这种情况下,第二管芯和第一管芯可以是指相同检查管芯。在这种情况下,如上面参考框202描述的基于图像数据的分区可以在运行时执行,因为它是基于在运行时捕获的检查图像。在这种情况下的优点中的一个是不需执行第一图像和第二图像之间的对准/配准,所述对准/配准如上所述是计算上麻烦且成本高的。
在一些实施方式中,检验工具可以是被配置为扫描样本以捕获图像数据(即,第一图像)和/或一个或多个第二图像的检查工具。如前所述,在一些情况下,检查工具可以被配置为以特定扫描配置扫描样本。扫描配置可以包括配置以下参数中的一个或多个:照射条件、偏振、每一区域的噪声水平(区域可以以各种方式限定,诸如像基于用户/客户信息进行预限定,或限定为与设计模式相关等)、每一区域的检测阈值以及每一区域的噪声强度计算方法等。在一些情况下,检查工具专门地配置有灵敏参数以使得能够进行样本的灵敏扫描。作为示例,灵敏扫描可以是指对指示不同噪声水平和特性的空间模式的灵敏度,使得从灵敏扫描产生的检查图像和/或噪声图可以反映这种模式和如模式所指示的噪声信息。例如,可以使用灵敏扫描来获得第一图像,使得分区可以考虑从扫描产生的更多模式信息。
根据某些实施方式,可以获得指示检查图像(即,第二图像)上的噪声分布的噪声图。在一些情况下,可以使用检测阈值来获得噪声图。
可以以各种方式生成(例如,通过检测模块和/或图像处理模块,图像处理模块的功能性可以集成在检验工具120内或处理单元102内)噪声图。在一些实施方式中,可以通过将检测阈值直接地应用于所捕获的检查图像的像素值来生成噪声图。在一些其它实施方式中,还可以处理样本的检查图像,以便生成噪声图。可以将不同检查和检测方法应用于处理检查图像并生成噪声图,并且本公开不受限于在其中使用的具体检测技术。仅出于说明目的,现在描述基于检查图像的缺陷检测和噪声图生成的几个示例。
在一些实施方式中,对于每个检查图像,可以使用一个或多个参考图像用于缺陷检测。可以以各种方式获得参考图像,并且本文所用的参考图像的数量和获得这种图像的方式决不应当被理解为对本公开进行限制。在一些情况下,可以从同一个样本的一个或多个管芯(例如,检查管芯的相邻管芯)捕获一个或多个参考图像。在一些其他情况下,一个或多个参考图像可以包括从另一个样本(例如,与目前样本不同但共享相同设计数据的第二样本)的一个或多个管芯捕获的一个或多个图像。作为示例,在管芯历史(D2H)检查方法中,可以在目前时间(例如,t=t')从目前样本捕获检查图像,并且一个或多个参考图像可以包括在基线时间(例如,先前时间t=0)从第二样本上的一个或多个管芯捕获的一个或多个先前图像。在另一些实施方式中,一个或多个参考图像可以包括表示一个或多个管芯中的给定管芯的至少一个模拟图像。作为示例,可以基于管芯的设计数据(例如,CAD数据)生成模拟图像。
在一些实施方式中,可以基于检查图像的像素值与从一个或多个参考图像导出的像素值之间的差值来生成至少一个差值图像。任选地,还可以基于至少一个差值图像来生成至少一个等级图像。等级图像可以由像素构成,像素具有基于差值图像中的对应像素值和预限定的差值归一化因子来计算出的值。可以基于像素值的正态群体的行为来确定预限定的差值归一化因子,并且可以将预限定的差值归一化因子用于归一化差值图像的像素值。作为示例,可以将像素的等级计算为差值图像的对应像素值与预限定的差值归一化因子之间的比率。可以通过使用检测阈值基于至少一个差值图像或至少一个等级图像来确定可疑缺陷(噪声)的位置来生成噪声图。
在本公开的主题的一些实施方式中,检测阈值可以是零阈值,使得噪声图可以包括如在至少一个差值图像或至少一个等级图像上反映的所有噪声信息。
所获得的噪声图可以指示第二图像上的噪声分布。在一些实施方式中,噪声分布可以包括由检测过程揭示的噪声图中的噪声的一个或多个噪声特性,诸如噪声的位置(例如,在检查图像上)。另外,噪声特性还可以包括以下中的至少一个:噪声的强度和大小。在一些实施方式中,噪声图中的噪声可以包括模式相关噪声。这种类型的噪声与噪声所关联的设计模式的局部密度和复杂性有关。噪声图中还可以包括其他类型的噪声,例如由检验工具引起的噪声(例如,散粒噪声)、过程变化和颜色变化等。
如前所述,在基于图像数据来执行分区的情况下,基于由表征第一图像的一组属性指定的属性空间中的对应位置的值来在图像空间中、即在第一图像上产生多个区域。根据某些实施方式,所述组属性可以是从一组属性候选中选择的,所述组属性候选包括一个或多个预限定的属性以及使用机器学习生成的一个或多个属性。作为示例,可以基于从先前检查和检测过程获得的噪声分析结果来确定预限定的属性。在一些情况下,预限定的属性中的一些可以从现有噪声源的理论性建模中获得,诸如像过程变化、测量噪声、算法噪声等。预限定的属性中的一些可以从基于图像的特征空间分解(固定(无关数据)或数据相关的)中获得。在一些情况下,预限定的属性中的一些可以从已知的层中获得。任选地,一些属性可以由客户基于客户数据来提供。
根据某些实施方式,所述组属性可以包括使用机器学***的空间模式。
现在转向图4,示出了根据本公开的主题的某些实施方式的用于训练机器学***的空间图案的属性的示意性框图。
出于示例性目的,机器学习(ML)模型400可以包括可操作地彼此连接的属性神经网络(图4中被示出属性卷积神经网络(CNN)404和决策神经网络(被示为决策CNN 406)。为了训练ML模型400,每次将训练图像402作为输入提供到模型400。训练图像在图4中以x*y的尺寸表示。属性CNN 404可以被配置为提取表征训练图像的一组训练属性(例如,包括N个属性的组)。实际上,N个属性中的每个可以实际上都是具有与训练图像相同的尺寸(即,以x*y的尺寸)的属性图,使得对于图像中的每个像素,在属性图中有对应属性值。换句话说,检查图像中的每个像素具有来自相应属性图的N个对应属性值。因此,实际上,所述组N个属性的尺寸为x*y*n,如图4所示。
将所述组N个属性作为输入提供到决策CNN 406。决策CNN 406可以被配置为仅使用一组所提取的候选属性来预测检查图像中的噪声。作为示例,所预测的噪声408可以是对应于如上所述的训练图像的等级图像(或差值图像)的形式,指示检查图像中的噪声/缺陷特性。为了评估所预测的噪声,并行地对训练图像402和一个或多个参考图像410进行常规的缺陷检测算法412(例如,Die-to-Reference检测方法),并且检测结果也采用以下形式:等级图像(或差值图像)可以用作参考噪声414,以与所预测的噪声408进行比较。参考噪声实际上用作评估噪声预测的基本事实。可以将比较结果作为反馈(例如,借助损失函数)提供到ML模型400,以便调整和优化模型,使得ML模型400可以学习生成更好的属性,以便具有更好的噪声预测结果。可以用不同训练图像来重复这种训练过程,直到正确地训练模型为止(例如,所预测的噪声足够地接近参考噪声,如比较结果所指示)。
一旦训练ML模型400,经训练的属性CNN 404就能够生成表征每个输入检查图像的一组属性,所生成的属性表示指示每个输入检查图像中的噪声水平的空间模式。因此,经训练的属性CNN 404可以在设置或运行时用于每个输入检查图像(例如,第一图像)的属性生成。由于属性提供指示每个输入检查图像中的噪声水平的空间模式的良好表示,因此如上所述的分区可以是基于这种属性进行的,以便获得与这种模式有关的分区区域。具体地,分区可以是基于由一组属性指定的属性空间中的对应位置的值。
作为示例,可以将每个属性图上不同位置的属性值合并并且可以将来自不同属性图上的区间组合以形成分区结果,即,多个区域。然而,本公开不限于执行分区的具体方式。除了以上内容之外或作为其代替,可以使用基于一组属性来对图像进行分区的其他可能方式。
现在转向图5,示出了根据本公开的主题的某些实施方式的检查图像和表征检查图像的一组属性的示例。
示出了检查图像502,表示管芯的一部分。生成表征检查图像502的一组属性504、506和508。一组属性可以例如通过从一组属性候选中选择来生成,所述组属性候选包括一个或多个预限定的属性以及使用机器学***线模式,并且属性508可以指示图像中包括的竖直线模式。例如,可以通过使检查图像通过对应特征提取过滤器来生成这些属性。510中展示了分割结果,示出了根据附接到多个区域上的灰度来标记有不同灰度级的多个区域。如前所述,可以基于所述组属性以各种方式生成这些区域。如图所示,一个示例是组合所述组属性(例如,将它们彼此重叠并组合对应位置的值)以形成分区区域。
将注意,模式、属性和分区的以上示例仅出于说明性目的,而不应当以任何方式解释为限制本公开。例如,在一些情况下,所生成的属性可以指示除以上内容之外或作为替代而具有不同类型和大小的其他空间模式,诸如像矩形模式、三角形模式等。在一些情况下,某些属性(尤其是由机器学***,并且因此在本公开的范围内。
再次参考图2,可以在运行时执行对一个或多个噪声图中的每个的分割(206)(例如,由分割模块106)。具体地,可以通过以下来执行一个或多个噪声图中的给定噪声图(即,任何给定噪声图)的分割:计算(208)多个区域中的每个区域的评分,以及基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联(210)。
为了计算评分(208),给定噪声图需要与多个区域对准,使得多个区域中的每个区域与其中对准的噪声数据(即,来自噪声图的落在从对准产生的区域内的噪声数据)相关联。可以至少基于与给定区域相关联的噪声数据来计算多个区域中的给定区域的评分。
如以上参考框202所述,可以基于用于分区的数据在设计空间或图像空间中产生多个区域。在其中多个区域是设计空间中的多个设计组的情况下,每个设计组对应于具有同一设计模式的一个或多个管芯区域,那么给定噪声图需要与设计数据对准,使得多个设计组中的每个给定设计组可以与对应于所述设计组的管芯区域内的噪声数据相关联。在其中多个区域在图像空间中的情况下(例如,基于由表征第一图像的一组属性指定的属性空间中的对应位置的值来在第一图像上获得区域,并且第一图像与第二张图像),给定噪声图需要与图像数据(即,第一图像)对准。
对准(如与以上情况中的任一种一样)都可以在不同阶段中执行。根据一些实施方式,可以例如在设置阶段中预先由可能不同的***来执行对准,并且对准的结果可以由***100接收以进行进一步处理。在一些其它实施方式中,可以通过将噪声图与多个区域配准来在运行时由处理单元102执行对准。可以根据本领域中已知的任何合适的配准算法(例如,如US2007/0280527、US2013/204569等中所述)来实现配准过程。
作为示例,在多个区域位于设计空间中的情况下,可以将在检查坐标中的噪声图(检查空间中的坐标被称为检查坐标)与设计数据(例如,CAD裁剪)配准,从而获得检查空间中的设计数据坐标。噪声图的检查坐标与设计坐标中的相应位置之间可能因各种原因而出现一些差值,这些原因如扫描条件(例如,照射)以及在扫描过程中的疏忽、偏移和完全错误、在印刷在晶片上的电路的制造过程中的错误等。可以生成位置校准数据,所述位置校准数据告知噪声图与设计数据之间的全局(例如,平均)偏移和/或多个偏移,每个偏移都与具体区域或模式或感兴趣的对象有关。任选地,位置校准数据可以包括为每个感兴趣的对象(或所述对象的组)指定相应偏移的数据结构。位置校准数据可以存储在如处理单元102或存储单元122中包括的存储器中。
现在参考图6,示出了根据本公开的主题的某些实施方式的对准的噪声图和设计数据的示意性示例。
使用如上所述的配准算法,将图3中导出的设计组与噪声图对准。噪声图中的噪声或噪声数据在图6中被示为位于不同位置且具有不同大小的黑点601。大小可以指示噪声信号的强度或噪声的实际空间大小。例如,如上所述,在检测过程中,如果基于等级图像来生成噪声图,那么噪声图中的噪声的强度可以由与等级图像中的噪声相对应的像素值来表示。在对准之后,四个设计组302、304、306和308与落在分别对应于设计组的管芯区域内的噪声数据(例如,由黑点表示)相关联。对准的设计组及所述对准的设计组的相关联的噪声数据被标记为602、604、606和608,它们被提供为分割过程的输入,如以下参考框208和210所述。在一些情况下,在对准之后,具有噪声数据的对准的设计组可以在检查坐标中。
将注意,尽管以上参考图6所示的对准被例示为在设计数据与噪声图之间,但是区域302、304、306和308也可以表示图像空间中的分区区域(即,第一图像),并且可以类似地在噪声图与第一图像中的区域之间应用上述对准。
继续图2的描述,如前所述,可以至少基于与给定区域相关的噪声数据来计算多个区域中的给定区域的评分。作为示例,可以将评分计算为给定区域中的噪声密度。噪声密度可以例如计算为与给定区域相关联的噪声量与该区域的面积之比。作为另一个示例,可以基于所述区域内的噪声数据中所指示的最大/最小像素值来导出评分。
根据一些实施方式,可以基于与给定区域相关联的噪声数据和为给定区域的面积分配的缺陷预算来计算评分。在检查和检测过程中,通常将总缺陷预算分配给整个芯片。总缺陷预算是指在检查和检测过程之后预期将检测到的期望缺陷候选总数。在假设DOI在管芯上具有均匀分布的情况下,整个管芯的总缺陷预算可以例如根据区域的面积被分区并分配给管芯的多个区域。例如,可以将分配给给定区域的缺陷预算计算为整个管芯的总缺陷预算和给定区域的面积与整个管芯的面积之比的乘积。
在一些实施方式中,可以基于与区域相关联的噪声数据为给定区域创建噪声直方图。可以通过在噪声直方图上应用为该给定区域分配的缺陷预算来将给定区域的评分计算为阈值。作为示例,可以将噪声直方图创建为像素计数(y轴)对噪声图中的指示噪声/缺陷(x轴)的强度(例如,等级)的像素值。通过将分配的缺陷预算应用于直方图,可以导出一个阈值,以将等于缺陷预算的可疑DOI的量与其余者分开。该阈值可以用作给定区域的评分。
将注意,上述的是计算评分的可能示例,并且可以作为以上的替代或附加而应用其他合适的方法。
在一些情况下,分割结果、即多个区域之间可能存在重叠。例如,在区域为设计组的情况下,这可能是由于样本的不同层中的某些结构之间的重叠的空间关系而导致的,或在区域是基于图像数据来获得的情况下,可能是由于分区算法的特定设计而导致的。因此,一旦将噪声图与多个区域对准,那么在将噪声数据与区域相关联或计算所述区域的评分时,需要考虑落在不同区域之间的重叠区域内的噪声数据。作为示例,位于两个(或更多个)区域之间的重叠区域中的噪声数据应当在一个区域内仅被计数一次,因此需要判断该噪声数据实际上属于哪个区域并将它们从另一个重叠区域中排除,例如当计算此类区域的评分时。
一旦为每个区域计算了评分,就可以基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联(210),从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域。在一些实施方式中,一组片段可以构成分割数据,所述分割数据可用于样本的进一步检验。作为示例,可以将分割数据提供到检验工具120和/或任何其他检验工具或处理单元,以基于给定噪声图来执行对样本的缺陷检测(212)。在一些实施方式中,分割数据可以包括分割布局,所述分割布局可以被发送到基于计算机的图形用户界面(GUI)124以呈现结果。
在一些实施方式中,为了执行区域与分割标签之间的关联,可以根据它们的评分来对多个区域进行排名,并且可以基于排名来将区域分组为一组片段(即,所排名的区域可以基于它们的排名来划分为一组预限定的片段)。作为示例,一组预限定的分割标签可以包括指示安静、嘈杂和非常嘈杂的噪声水平的三个标签。按照分割,每个区域可以根据它们在所有评分中的相应评分的排名来分别标记为安静区域、嘈杂区域和非常嘈杂区域中的一个。将注意,本公开不限于所述组中的预限定的分割标签的数量。
可以以各种方式将分割数据用于样本的进一步检验(例如,基于给定噪声图来执行对样本的缺陷检测)。作为示例,分割数据可以用于为每个管芯片段配置检测阈值。例如,与被标记为安静的管芯片段相比,标记为非常嘈杂的管芯片段可以具有更高的阈值。作为另一个示例,分割数据可以用于配置差值图像和/或等级图像的计算。例如,可以根据不同片段的噪声水平对差值图像和/或等级图像中的像素值进行归一化或调适。
现在参考图7,现在示出了根据本公开的主题的某些实施方式的分割的示例。
示出了检查图像702(对应于图5中的检查图像502),表示管芯的一部分。示出了分割结果704和706的两个示例,分别对应于共用相同设计(例如,可能从共用相同设计数据的不同管芯中的相同部分获得)的两个检查图像(为了简单起见,图7中仅示出了一个检查图像702)。如704和706两者中所示,获得分别用黑色和白色标记的两个片段,其中黑色片段表示安静片段,而白色片段表示嘈杂片段。可以基于图5所示的分区结果510获得片段。例如,可以将分割结果510中获得的多个区域与在运行时获得的噪声图对准,并且可以根据以上参考框208的描述来为每个区域计算评分。根据以上参考框210的教导,可以基于评分来为每个区域分配分割标签(安静或嘈杂的)。作为示例,两个分割结果704和706之间的差值可以源自从检查工具获得的对应于两个检查图像的不同噪声图。
现在转向图8,示出了根据本公开的主题的某些实施方式的在运行时检验中使用分割的示例。
如图8所示,出于比较目的,示出了两个图,其中左图示出了在不使用分割的情况下在运行时缺陷检测中生成和使用的噪声直方图802,而右图示出了替代一个噪声直方图生成并在使用分割的运行时缺陷检测中使用的两个噪声直方图808和810。具体地,两个噪声直方图808和810对应于通过如上所述的运行时分割过程获得的两个片段(例如,图7所示的两个片段)。因此,代替在噪声直方图802上施加单个检测阈值804,可以分别为两个直方图808和810分配两个不同的检测阈值812和814。在本示例中,对应于噪声直方图810的片段比与对应于噪声直方图808的片段相对更噪杂。因此,较高阈值814被应用于噪声直方图810,而较低阈值812被应用于噪声直方图808。通过对不同片段应用不同阈值,对于具有不同噪声水平的片段可以实现不同检测灵敏度,从而提高整体检测灵敏度和缺陷检测率。特别地,在本示例中,在先前在原始缺陷检测过程中被忽略(如左直方图所示)而没有分割(例如,由于该DOI的强度(例如,等级)与嘈杂片段中的噪声相比相对低)的较安静的片段中的DOI 806现在因该片段中已应用了相对低的阈值这一事实而被检测到(如右直方图所示)。
根据本公开的主题的某些实施方式,提出了一种运行时分割过程,其中对在运行时检查和检测过程中获得的噪声图执行样本(例如,管芯或其一部分)的分割。与在设置阶段中对仅提供统计/平均噪声信息的一个或多个测试管芯或参考管芯执行的分割相比,这是有利的。在设置阶段分割的情况下,一旦基于这些管芯来确定分割,它就将成为检查方案的一部分,该检查方案将保持“静态”(即,不可更改)并在运行时用于检查每个管芯,不管特定管芯的具体噪声特性如何。相比之下,如本文提出的运行时分割是基于特定被检查的管芯中的实际噪声信息(即,运行时噪声图),因此它是特定于管芯的,即,分割是动态的,并且可能因管芯而变化,这使分割结果更准确并与具体管芯有关,从而提高检测灵敏度。
另外,在一些实施方式中,可以仅基于图像数据而没有设计数据(即,无CAD)来执行如上所述的将样本分区来准备进行分割。这不仅使分割更适应和更容易使用(尤其是在没有设计数据的情况下),而且还可以节省先前用于处理CAD和/或与图像数据相关的CAD的计算时间和资源。
在一些其它实施方式中,可以基于使用机器学***的空间模式的一个或多个属性。这使得能够在没有CAD数据的情况下执行分区并仍然提供准确结果。
将注意,本文所指的机器学习模型可以根据各种机器学习架构来实现。作为非限制性示例,在一些情况下,机器学习模型可以是深度学习神经网络(DNN),其中的层可以根据卷积神经网络(CNN)架构、循环神经网络架构、递归神经网络架构、GAN架构等进行组织。将注意,本公开的主题的教导不受特定机器学习架构束缚。
还将注意,尽管参考***100的元件来描述图2中所示的流程图,但是这绝不是进行束缚,并且可以由除本文所述的那些之外的元件执行操作。
将理解,本发明的应用不限于在本文包含的描述中阐述或在附图中示出的细节。本发明能够具有其他实施方式并能够以各种方式进行实践或实施。因此,将理解,本文中所用的措辞和术语是出于描述目的,并且不应当被视为限制性的。因此,本领域的技术人员将了解,本公开所基于的概念可以容易地用作设计用于实施本公开的主题的若干目的的其他结构、方法和***的基础。
还将理解,根据本发明的***可以至少部分地在实施在合适地编程的计算机上。同样地,本发明设想了计算机程序,所述计算机程序可由计算机读取以执行本发明的方法。本发明还设想了非暂态计算机可读存储介质,所述非暂态计算机可读存储介质有形地体现可由计算机执行以执行本发明的方法的指令程序。
本领域的技术人员将容易地了解,在不脱离本发明的在所附权利要求书中并由所附权利要求书限定的范围的情况下,可以对如上所述的本发明的实施方式应用各种修改和改变。
Claims (20)
1.一种对样本的缺陷检测的计算机化***,所述***包括:
处理单元,所述处理单元可操作地连接到检验工具,所述处理单元包括存储器和可操作地耦接到所述存储器的处理器,所述处理单元被配置为:
对所述样本的第一管芯的一个或多个部分中的每个部分执行分区,其中基于以下中的至少一个执行对所述一个或多个部分中的给定部分的所述分区:i)表征所述给定部分的图像数据,从而在图像空间中产生多个区域,以及ii)表征所述给定部分的设计数据,从而在设计空间中产生多个区域;
其中所述处理单元还被配置为在所述样本上检测缺陷的运行时:
从所述检验工具接收指示在针对所述样本的第二管芯的一个或多个部分捕获的一个或多个第二图像上的噪声分布的一个或多个噪声图,所述第一管芯和所述第二管芯具有相同设计数据,其中所述第二管芯是在运行时被检测的检测管芯;
对所述一个或多个噪声图中的每个执行分割,其中通过以下执行对所述一个或多个噪声图中的给定噪声图的所述分割:
计算所述多个区域中的每个区域的评分,其中所述给定噪声图与所述多个区域对准并且所述多个区域中的每个区域与其中对准的噪声数据相关联,并且其中所述多个区域中的给定区域的所述评分至少基于与所述给定区域相关联的所述噪声数据来计算;以及
基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联,从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域;
其中所述一组片段可用于在运行时基于所述给定噪声图来进行对所述样本的所述缺陷检测。
2.根据权利要求1所述的计算机化***,其中基于所述设计数据来执行所述分区,并且其中所述设计空间中的所述多个区域是多个设计组,每个设计组对应于所述给定部分中的具有同一设计模式的一个或多个管芯区域。
3.根据权利要求1所述的计算机化***,所述计算机化***还包括检验工具,所述检验工具被配置为捕获包括表示所述给定部分的第一图像的图像数据,其中基于所述图像数据来执行所述分区,并且基于由表征所述第一图像的一组属性指定的属性空间中的对应位置的值来在所述第一图像上获得所述图像空间中的所述多个区域。
4.根据权利要求3所述的计算机化***,其中所述第二管芯是与所述第一管芯不同的管芯,并且其中所述检验工具还被配置为在运行时捕获表示所述第二管芯的所述一个或多个部分的所述一个或多个第二图像并提供指示所述一个或多个第二图像上的噪声分布的所述一个或多个噪声图。
5.根据权利要求4所述的计算机化***,其中所述第一管芯是用于执行所述分区的参考管芯,所述第二管芯是检查管芯,并且其中在设置阶段中执行所述分区。
6.根据权利要求4所述的计算机化***,其中所述第一管芯是用于所述第二管芯的检查的参考管芯,所述第二管芯是检查管芯,并且其中在运行时执行所述分区。
7.根据权利要求3所述的计算机化***,其中所述第二管芯是所述第一管芯,并且所述一个或多个第二图像是针对所述第一管芯的所述一个或多个部分捕获的一个或多个第一图像,并且其中在运行时执行所述分区。
8.根据权利要求1所述的计算机化***,其中所述检验工具是被配置为扫描所述样本以捕获所述图像数据和所述一个或多个第二图像的检查工具。
9.根据权利要求3所述的计算机化***,其中所述一组属性是从一组属性候选中选择的,所述一组属性候选包括一个或多个预限定的属性以及使用机器学习模型生成的一个或多个属性。
10.根据权利要求9所述的计算机化***,其中所述一组属性包括使用所述机器学习模型生成的所述一个或多个属性,并且其中所述处理单元还被配置为使用所述机器学习模型生成所述一个或多个属性。
11.根据权利要求10所述的计算机化***,其中通过生成训练属性并使用所述训练属性预测噪声来训练所述机器学***的空间模式的所述一个或多个属性。
12.根据权利要求1所述的计算机化***,其中所述将每个区域与一个分割标签相关联包括对为每个区域计算的所述评分进行排名并基于所述排名来将所述多个区域分组到所述一组片段。
13.根据权利要求1所述的计算机化***,其中所述缺陷检测包括为每个片段配置检测阈值。
14.一种对样本的缺陷检测的计算机化方法,所述方法由可操作地连接到检验工具的处理单元执行,所述处理单元包括存储器和可操作地耦接到所述存储器的处理器,所述方法包括:
对样本的第一管芯的一个或多个部分中的每个部分执行分区,其中基于以下中的至少一个执行对所述一个或多个部分中的给定部分的所述分区:i)表征所述给定部分的图像数据,从而在图像空间中产生多个区域,以及ii)表征所述给定部分的设计数据,从而在设计空间中产生多个区域;
在所述样本上检测缺陷的运行时从所述检验工具接收指示在针对所述样本的第二管芯的一个或多个部分捕获的一个或多个第二图像上的噪声分布的一个或多个噪声图,所述第一管芯和所述第二管芯具有相同设计数据,其中所述第二管芯是在运行时被检测的检测管芯;以及
在所述样本上检测缺陷的运行时对所述一个或多个噪声图中的每个执行分割,其中通过以下执行对所述一个或多个噪声图中的给定噪声图的所述分割:
计算所述多个区域中的每个区域的评分,其中所述给定噪声图与所述多个区域对准并且所述多个区域中的每个区域与其中对准的噪声数据相关联,并且其中所述多个区域中的给定区域的所述评分至少基于与所述给定区域相关联的所述噪声数据来计算;以及
基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联,从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域;
其中所述一组片段可用于在运行时基于所述给定噪声图来进行对所述样本的缺陷检测。
15.根据权利要求14所述的计算机化方法,所述计算机化方法还包括由所述检验工具捕获包括表示所述给定部分的第一图像的图像数据,其中基于所述图像数据来执行所述分区,并且基于由表征所述第一图像的一组属性指定的属性空间中的对应位置的值来在所述第一图像上获得所述图像空间中的所述多个区域。
16.根据权利要求15所述的计算机化方法,其中所述第二管芯是与所述第一管芯不同的管芯,所述方法还包括在运行时由所述检验工具捕获表示所述第二管芯的所述一个或多个部分的所述一个或多个第二图像并提供指示所述一个或多个第二图像上的噪声分布的所述一个或多个噪声图。
17.根据权利要求16所述的计算机化方法,其中所述第一管芯是用于执行所述分区的参考管芯,所述第二管芯是检查管芯,并且其中在设置阶段中执行所述分区。
18.根据权利要求15所述的计算机化方法,其中所述一组属性包括使用机器学习模型生成的一个或多个属性,所述方法还包括使用所述机器学习模型生成所述一个或多个属性。
19.根据权利要求18所述的计算机化方法,其中通过生成训练属性并使用所述训练属性预测噪声来训练所述机器学***的空间模式的所述一个或多个属性。
20.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质有形地体现当由计算机执行时致使所述计算机执行对样本的缺陷检测的方法的指令程序,所述方法包括:
对所述样本的第一管芯的一个或多个部分中的每个部分执行分区,其中基于以下中的至少一个执行对所述一个或多个部分中的给定部分的所述分区:i)表征所述给定部分的图像数据,从而在图像空间中产生多个区域,以及ii)表征所述给定部分的设计数据,从而在设计空间中产生多个区域;
在所述样本上检测缺陷的运行时接收指示在针对所述样本的第二管芯的一个或多个部分捕获的一个或多个第二图像上的噪声分布的一个或多个噪声图,所述第一管芯和所述第二管芯具有相同设计数据,其中所述第二管芯是在运行时被检测的检测管芯;
在所述样本上检测缺陷的运行时对所述一个或多个噪声图中的每个执行分割,其中通过以下执行对所述一个或多个噪声图中的给定噪声图的所述分割:
计算所述多个区域中的每个区域的评分,其中所述给定噪声图与所述多个区域对准并且所述多个区域中的每个区域与其中对准的噪声数据相关联,并且其中所述多个区域中的给定区域的所述评分至少基于与所述给定区域相关联的所述噪声数据来计算;以及
基于所计算的评分来将每个区域与指示不同噪声水平的一组预限定的分割标签中的一个分割标签相关联,从而获得一组片段,每个片段对应于与同一分割标签相关联的一个或多个区域;
其中所述一组片段可用于在运行时基于所述给定噪声图来进行对所述样本的所述缺陷检测。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/249,857 | 2019-01-16 | ||
US16/249,857 US10853932B2 (en) | 2019-01-16 | 2019-01-16 | Method of defect detection on a specimen and system thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539908A CN111539908A (zh) | 2020-08-14 |
CN111539908B true CN111539908B (zh) | 2022-04-19 |
Family
ID=71516683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911402709.3A Active CN111539908B (zh) | 2019-01-16 | 2019-12-30 | 对样本的缺陷检测的方法及其*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US10853932B2 (zh) |
KR (1) | KR102388365B1 (zh) |
CN (1) | CN111539908B (zh) |
TW (1) | TWI750553B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11062174B2 (en) * | 2017-02-28 | 2021-07-13 | Nec Solution Innovators, Ltd. | Mobile entity detection apparatus, mobile entity detection method, and computer-readable recording medium |
CN110278366B (zh) * | 2018-03-14 | 2020-12-01 | 虹软科技股份有限公司 | 一种全景图像虚化方法、终端及计算机可读存储介质 |
US10957034B2 (en) * | 2019-01-17 | 2021-03-23 | Applied Materials Israel Ltd. | Method of examination of a specimen and system thereof |
US11580650B2 (en) * | 2019-10-01 | 2023-02-14 | KLA Corp. | Multi-imaging mode image alignment |
US11328435B2 (en) * | 2020-06-08 | 2022-05-10 | KLA Corp. | Image alignment setup for specimens with intra- and inter-specimen variations using unsupervised learning and adaptive database generation methods |
TWI749714B (zh) * | 2020-08-17 | 2021-12-11 | 宜谷京科技實業有限公司 | 瑕疵檢測方法、瑕疵分類方法及其系統 |
DE102020123979A1 (de) | 2020-09-15 | 2022-03-17 | Carl Zeiss Smt Gmbh | Defekterkennung für Halbleiterstrukturen auf einem Wafer |
US11828714B2 (en) * | 2020-09-30 | 2023-11-28 | Applied Materials Israel Ltd. | Image acquisition by an electron beam examination tool for metrology measurement |
WO2022099121A1 (en) * | 2020-11-09 | 2022-05-12 | Canon U.S.A., Inc. | Using luminance distributions to detect best areas of an image for prediction of noise levels |
US20220301133A1 (en) * | 2021-03-16 | 2022-09-22 | Kla Corporation | Segmentation of design care areas with a rendered design image |
US20220318986A1 (en) * | 2021-04-05 | 2022-10-06 | Kla Corporation | Semantic image segmentation for semiconductor-based applications |
TWI771983B (zh) * | 2021-04-14 | 2022-07-21 | 國立中山大學 | 氮化鎵高電子移動率電晶體的缺陷檢測方法 |
CN117291921B (zh) * | 2023-11-27 | 2024-03-12 | 哪吒港航智慧科技(上海)有限公司 | 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837745A (zh) * | 2004-10-04 | 2006-09-27 | 应用材料以色列公司 | 用于减少非随机噪声效应的测量***和方法 |
CN109558620A (zh) * | 2017-09-11 | 2019-04-02 | 应用材料以色列公司 | 产生检查方案的方法和其*** |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7801353B2 (en) | 2006-02-01 | 2010-09-21 | Applied Materials Israel, Ltd. | Method for defect detection using computer aided design data |
JP4928862B2 (ja) * | 2006-08-04 | 2012-05-09 | 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 |
JP4065893B1 (ja) * | 2006-12-04 | 2008-03-26 | 東京エレクトロン株式会社 | 欠陥検出装置、欠陥検出方法、情報処理装置、情報処理方法及びそのプログラム |
WO2008077100A2 (en) * | 2006-12-19 | 2008-06-26 | Kla-Tencor Corporation | Systems and methods for creating inspection recipes |
US8112241B2 (en) * | 2009-03-13 | 2012-02-07 | Kla-Tencor Corp. | Methods and systems for generating an inspection process for a wafer |
JP5460662B2 (ja) * | 2011-09-07 | 2014-04-02 | 株式会社日立ハイテクノロジーズ | 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法 |
US9599575B2 (en) | 2012-02-07 | 2017-03-21 | Applied Materials Israel, Ltd. | System, a method and a computer program product for CAD-based registration |
KR20180041147A (ko) * | 2015-08-12 | 2018-04-23 | 예다 리서치 앤드 디벨럽먼트 캄파니 리미티드 | 상이한 점 확산 함수들을 이용한 일련의 이미지 내 가변 방출 강도를 갖는 점원들의 검출 |
US10186026B2 (en) | 2015-11-17 | 2019-01-22 | Kla-Tencor Corp. | Single image detection |
US10074167B2 (en) * | 2015-12-06 | 2018-09-11 | Kla-Tencor Corporation | Reducing registration and design vicinity induced noise for intra-die inspection |
US10181185B2 (en) | 2016-01-11 | 2019-01-15 | Kla-Tencor Corp. | Image based specimen process control |
US10127651B2 (en) * | 2016-01-15 | 2018-11-13 | Kla-Tencor Corporation | Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data |
JP6625475B2 (ja) * | 2016-04-22 | 2019-12-25 | 株式会社 東京ウエルズ | 欠陥検査方法および欠陥検査システム |
-
2019
- 2019-01-16 US US16/249,857 patent/US10853932B2/en active Active
- 2019-12-17 TW TW108146107A patent/TWI750553B/zh active
- 2019-12-30 CN CN201911402709.3A patent/CN111539908B/zh active Active
-
2020
- 2020-01-14 KR KR1020200004975A patent/KR102388365B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837745A (zh) * | 2004-10-04 | 2006-09-27 | 应用材料以色列公司 | 用于减少非随机噪声效应的测量***和方法 |
CN109558620A (zh) * | 2017-09-11 | 2019-04-02 | 应用材料以色列公司 | 产生检查方案的方法和其*** |
Also Published As
Publication number | Publication date |
---|---|
KR20200089621A (ko) | 2020-07-27 |
TW202105549A (zh) | 2021-02-01 |
US20200226744A1 (en) | 2020-07-16 |
KR102388365B1 (ko) | 2022-04-18 |
CN111539908A (zh) | 2020-08-14 |
US10853932B2 (en) | 2020-12-01 |
TWI750553B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539908B (zh) | 对样本的缺陷检测的方法及其*** | |
US10290087B2 (en) | Method of generating an examination recipe and system thereof | |
TWI797699B (zh) | 半導體試樣的基於深度學習之檢查的方法及其系統 | |
US10957034B2 (en) | Method of examination of a specimen and system thereof | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
KR20200116926A (ko) | 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템 | |
US9851714B2 (en) | Method of inspecting a specimen and system thereof | |
KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
JP7475901B2 (ja) | 試験片上の欠陥検出の方法およびそのシステム | |
CN111512324B (zh) | 半导体样品的基于深度学习的检查的方法及其*** | |
CN113947561B (zh) | 半导体样本的图像分割 | |
KR20230140394A (ko) | 반도체 시편의 기계 학습 기반 검사 및 그의 훈련 | |
CN113919276A (zh) | 在半导体样本中的阵列的识别 | |
JP2015007563A (ja) | システマチック欠陥検査方法及びその装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |