CN112840205A - 基于设计及噪声的关注区域 - Google Patents
基于设计及噪声的关注区域 Download PDFInfo
- Publication number
- CN112840205A CN112840205A CN201980067471.5A CN201980067471A CN112840205A CN 112840205 A CN112840205 A CN 112840205A CN 201980067471 A CN201980067471 A CN 201980067471A CN 112840205 A CN112840205 A CN 112840205A
- Authority
- CN
- China
- Prior art keywords
- interest
- region
- sample
- output
- different
- 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.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 188
- 238000007689 inspection Methods 0.000 claims abstract description 137
- 238000000034 method Methods 0.000 claims abstract description 105
- 230000007547 defect Effects 0.000 claims description 129
- 238000001514 detection method Methods 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 39
- 238000012552 review Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 20
- 230000035945 sensitivity Effects 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 150000002500 ions Chemical class 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 32
- 230000003287 optical effect Effects 0.000 description 30
- 238000005286 illumination Methods 0.000 description 26
- 238000010894 electron beam technology Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000000926 separation method Methods 0.000 description 12
- 235000012431 wafers Nutrition 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000009897 systematic effect Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 230000010287 polarization Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000010884 ion-beam technique Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000135 prohibitive effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001433 helium-ion microscopy Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- PGZUMBJQJWIWGJ-ONAKXNSWSA-N oseltamivir phosphate Chemical compound OP(O)(O)=O.CCOC(=O)C1=C[C@@H](OC(CC)CC)[C@H](NC(C)=O)[C@@H](N)C1 PGZUMBJQJWIWGJ-ONAKXNSWSA-N 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 229940061367 tamiflu Drugs 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/302—Contactless testing
- G01R31/308—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
- G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
- G03F1/84—Inspecting
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70591—Testing optical components
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- 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
- 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
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
- H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
- H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Toxicology (AREA)
- Electromagnetism (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Details Of Garments (AREA)
- Golf Clubs (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供用于设置具有基于设计及噪声的关注区域的样品的检验的方法及***。一个***包含经配置用于产生样品的基于设计的关注区域的一或多个计算机子***。所述计算机子***还经配置用于针对所述样品上的所述关注区域的多个例子确定一或多个输出属性,且从由输出获取子***针对所述多个例子产生的输出确定所述一或多个输出属性。所述计算机子***进一步经配置用于将所述样品上的所述关注区域的所述多个例子分离成不同关注区域子群组,使得所述不同关注区域子群组具有所述输出属性的统计上不同值且基于所述不同关注区域子群组而选择所述样品的检验配方的参数。
Description
技术领域
本发明大体上涉及用于设置具有基于设计及噪声的关注区域的样品的检验的方法及***。特定实施例涉及用于例如晶片检验及/或计量的应用的基于设计及噪声的关注区域。
背景技术
以下描述及实例并未凭借其包含于此章节中而被认为是现有技术。
在半导体制造过程期间的各个步骤使用检验过程以检测光罩及晶片上的缺陷以促进制造过程中的较高良率及因此较高利润。检验始终是制造半导体装置的重要部分。然而,随着半导体装置的尺寸减小,检验对于可接受半导体装置的成功制造来说变得甚至更重要,这是因为较小缺陷可导致装置故障。
“关注区域”如其通常在所属领域中被提及那样是样品上的出于检验目的所关注的区域。有时,使用关注区域来区分样品上的经检验的区域与样品上的在检验过程中未经检验的区域。另外,有时使用关注区域来区分样品上的将用一或多个不同参数检验的区域。举例来说,如果样品的第一区域比所述样品上的第二区域更关键,那么可用比所述第二区域更高的灵敏度来检验所述第一区域,使得用较高灵敏度在所述第一区域中检测缺陷。检验过程的其它参数可以类似方式在关注区域间更改。
当前使用不同类别的检验关注区域。一个类别是传统上手绘的传统关注区域。在几乎大多数用户采用设计导引检验的情况下,当前使用极少传统关注区域。另一类别是基于设计的关注区域。这些是基于关于印刷于样品上的芯片设计图案的启发法所导出的关注区域。用户试图查看芯片设计并导出将帮助导出关注区域的方法/脚本。存在可用于界定这些基于设计的关注区域的多个技术及工具。由于其源自真实(芯片设计),因此其最终提供高精度、微小关注区域且还允许检验***存储大量关注区域。这些关注区域不仅从缺陷检测角度来看是重要的,而且其通常对于噪声抑制来说至关重要。
识别或选择样品上的关注区域用于检验目的可能并非始终简单直接的。举例来说,为使关注区域的检验可行,类似关注区域通常被分组在一起,使得其可用相同检验参数进行检验。特定来说,样品检验的当前使用方法论要求用户组合不同关注区域类型以形成灵敏度区。现今允许的区的最大数目通常为约30。然而,当前,用于检测的关注区域分组是通常花费一周或更久的仅专家手动过程。举例来说,组合关注区域类型以形成区通常由应用工程师执行。具有有限数量的可用噪声数据的此手动操作可为任意且次优的。另外,通常通过在裸片设计上运行不同规则而获取关注区域类型。组合关注区域类型可能破坏关注区域类型的设计纯度。
用于关注区域分组的过程还可或替代地包含运行基本上热检验,即,具有异常低阈值的检验。接着,通过此检验检测的事件可基于事件附近的样品的设计进行分组。由于检验基本上热运行,因此所检测的事件系或多或少完全扰乱点。因此,基于所检测的事件的基于设计的分组的结果,可识别产生最频繁检测的扰乱点事件的设计的部分。可形成含有这些“扰乱点产生”图案的新的关注区域。然而,形成这些可能是困难及/或耗时的。可重复上文描述的步骤,直到足够地产生关注区域。
当前,评估意在用于噪声分割的关注区域的性能的全部手段需要人为干预及判断。关注区域优化的常规方法是聚焦于缺陷(统计异常事件)的检测并解释所述经检测事件及其相关联图像属性及设计特性与关注区域的关系。手动数据可视化工具可用于从图像噪声直方图数据映射到源图像内的空间位置。噪声与空间关系的人为解释使我们能够识别带噪声事件中的***行为。将判断应用于观察的数据允许用户对(若干)关注区域产生配方作出改变并反复,直到结果看起来可接受。
因此,用于产生并使用关注区域的当前使用方法具有若干缺点。举例来说,将关注区域类型手动组合到区是繁琐且次优的。另外,组合关注区域类型破坏设计纯度。在另一实例中,基于样品噪声进行的关注区域类型的进一步分割当前不可行。基于噪声及上下文统计数据组合不同关注区域类型的自动化方式当前也不可用。在额外实例中,限制区的数目产生次优数据以进行缺陷检测(例如,相对较宽MDAT噪声云),借此将相对较低信号缺陷掩埋于噪声内的深处,致使其无法检测。
因此,开发用于设置具有基于设计及噪声的关注区域的样品的检验的***及方法将为有利的,所述***及方法不具有上文描述的缺点中的一或多者。
发明内容
各个实施例的以下描述绝不应被解释为限制所附要求书的标的物。
一个实施例涉及一种经配置用于设置具有基于设计及噪声的关注区域的样品的检验的***。所述***包含输出获取子***,所述输出获取子***包含至少一能量源及检测器。所述能量源经配置以产生被引导到样品的能量,且所述检测器经配置以检测来自所述样品的能量且响应于所述所检测能量而产生输出。
所述***还包含一或多个计算机子***,所述一或多个计算机子***经配置用于基于用于所述样品的设计而产生所述样品的关注区域。所述关注区域定义含有所关注图案(POI)的设计的一部分。所述一或多个计算机子***还经配置用于针对所述样品上的所述关注区域的多个例子确定一或多个输出属性。从由所述输出获取子***针对所述多个例子产生的输出确定所述一或多个输出属性。另外,所述一或多个计算机子***经配置用于基于所述一或多个输出属性将所述样品上的所述关注区域的所述多个例子分离成不同关注区域子群组,使得所述不同关注区域子群组具有所述一或多个输出属性的统计上不同值。所述一或多个计算机子***进一步经配置用于基于所述不同关注区域子群组而选择所述样品的检验配方的参数,使得在针对所述样品执行所述检验配方时,用所述参数的不同值检验具有所述一或多个输出属性的所述统计上不同值的所述不同关注区域子群组。可如本文中描述那样进一步配置所述***。
另一实施例涉及一种用于设置具有基于设计及噪声的关注区域的样品的检验的计算机实施方法。所述方法包含上文描述的产生、确定、分离及选择步骤。所述方法的步骤由一或多个计算机***执行。
可如本文中进一步描述那样进一步执行上文描述的方法的步骤中的每一者。另外,上文描述的所述方法的实施例可包含本文中描述的(若干)任何其它方法的(若干)任何其它步骤。此外,上文描述的所述方法可由本文中描述的所述***中的任一者执行。
另一实施例涉及一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在计算机***上执行以执行用于设置具有基于设计及噪声的关注区域的样品的检验的计算机实施方法。所述计算机实施方法包含上文描述的方法的步骤。可如本文中描述那样进一步配置所述计算机可读媒体。可如本文中进一步描述那样执行所述计算机实施方法的步骤。另外,可针对其执行所述程序指令的所述计算机实施方法可包含本文中描述的(若干)任何其它方法的(若干)任何其它步骤。
附图说明
所属领域的技术人员在受益于优选实施例的以下详细描述的情况下且在参考随附图式之后将变得了解本发明的进一步优点,其中:
图1及2是说明如本文中描述那样配置的***的实施例的侧视图的示意图;
图3是说明样品的不同图像中的关注区域的一个实例的平面图的示意图;
图4是说明样品的图像中的关注区域的多个例子的一个实例的平面图的示意图;
图5是说明分离成如本文中描述的不同关注区域子群组的图4中展示的关注区域的多个例子的一个实施例的平面图的示意图;
图6是说明图3的差分图像中的关注区域的平面图及关注区域的分解图的示意图;
图7是说明图3的差分图像中的关注区域的平面图及图6的关注区域的分解图的示意图,其中关注区域的分解图中的位置的一个实例如本文中描述那样确定以具有一或多个输出属性的统计上不同值;
图8是说明基于依据位置而变化的一或多个输出属性分离成如本文中描述的不同子关注区域的图7的关注区域的分解图的一个实施例的平面图的示意图;
图9是说明具有不同设计上下文的设计中的所关注图案的不同例子的一个实例的平面图的示意图;及
图10是说明存储用于导致计算机***执行本文中描述的计算机实施方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。
虽然本发明易于以各种修改及替代形式呈现,但本发明的特定实施例通过实例在图式中展示且在本文中详细描述。图式可未按比例绘制。然而,应理解,图式及其详细描述不希望将本发明限于所揭示的特定形式,而相反,本发明欲涵盖落于如由所附权利要求书界定的本发明的精神及范围内的全部修改、等效物及替代。
具体实施方式
如本文中使用的术语“设计”及“设计数据”通常是指IC的物理设计(布局)及通过复杂模拟或简单几何及布尔运算从物理设计导出的数据。物理设计可存储于数据结构中,例如图形数据流(GDS)文件、任何其它标准机器可读文件、所属领域中已知的任何其它适合文件、及设计数据库。GDSII文件是用于设计布局数据的表示的一类文件中的一者。此类文件的其它实例包含GL1及OASIS文件及专有文件格式,例如RDF数据,其为加利福尼亚州米尔皮塔斯市的科磊公司(KLA-Tencor,Milpitas,Calif)专有的。另外,由光罩检验***获取的光罩的图像及/或其衍生物可用作设计的“代理”或若干“代理”。此光罩图像或其衍生物在使用设计的本文中描述的任何实施例中可用作对设计布局的替代。设计可包含2009年8月4日颁予扎法(Zafar)等人的共同拥有的第7,570,796号美国专利及2010年3月9日颁予库尔卡尼(Kulkarni)等人的共同拥有的第7,676,077号美国专利中描述的任何其它设计数据或设计数据代理,所述两个专利宛如完整陈述那样以引用的方式并入本文中。另外,设计数据可为标准单元库数据、集成布局数据、针对一或多个层的设计数据、设计数据的衍生物及完全或部分芯片设计数据。
在一些例子中,可使用来自晶片或光罩的模拟或获取图像作为设计的代理。还可使用图像分析作为设计数据的代理。举例来说,假定以足够分辨率获取晶片及/或光罩的图像以使设计的多边形充分成像,可从印刷于所述晶片及/或光罩上的设计的图像提取设计中的多边形。另外,本文中描述的“设计”及“设计数据”是指在设计过程中由半导体装置设计者产生且因此可在将设计印刷于任何物理晶片上之前良好地用于本文中描述的实施例中的信息及数据。
“设计”或“物理设计”还可为如将理想地形成于晶片上的设计。以此方式,本文中描述的设计可不包含将不印刷于晶片上的设计的特征,例如光学接近校正(OPC)特征,其经添加到设计以增强晶片上的特征的印刷而实际上本身未印刷。
现参考图式,应注意,图未按比例绘制。特定来说,极大地放大图的一些元件的比例以强调元件的特性。还应注意,所述图未按相同比例绘制。已使用相同元件符号指示可经类似配置的展示于一个以上图中的元件。除非本文中另有说明,否则所描述且展示的元件中的任一者可包含任何适合市售元件。
一个实施例涉及一种经配置用于设置具有基于设计及噪声的关注区域的样品的检验的***。关注区域优化在检验工具上变得越发困难且重要。为运用由来自科磊公司的一些市售检验工具使用的缺陷检测算法(如同中值裸片自动阈值化(MDAT)(具有或不具有计算参考))来实现授权灵敏度,必要的是将关注区域适当地分组。否则,如果将具有明显不同噪声特征的关注区域分组在一起,那么通常不可能在较安静关注区域中检测所关注缺陷(DOI),而无关于检验运行的“热”程度(即,如何执行灵敏缺陷检测)。另外,随着不同关注区域的数目增加且DOI的信噪比降低,关注区域优化变得更困难。本文中描述的实施例自动化且修改关注区域优化过程,此将显著减少产生具有等效或更好灵敏度性能的结果的时间。
在一个实施例中,样品包含晶片。在另一实施例中,样品包含光罩。晶片及光罩可包含所属领域中已知的任何晶片及光罩。
图1中展示此***的一个实施例。***包含输出获取子***,所述输出获取子***包含至少一能量源及检测器。能量源经配置以产生被引导到样品的能量。检测器经配置以检测来自样品的能量且响应于所检测能量而产生输出。
在一个实施例中,被引导到样品的能量包含光,且从样品检测的能量包含光。举例来说,在图1中展示的***的实施例中,输出获取子***10包含经配置以将光引导到样品14的照明子***。照明子***包含至少一个光源。举例来说,如图1中展示,照明子***包含光源16。在一个实施例中,照明子***经配置以按可包含一或多个倾斜角及/或一或多个法向角的一或多个入射角将光引导到样品。举例来说,如图1中展示,来自光源16的光被引导穿过光学元件18且接着穿过透镜20而到光束分离器21,所述光束分离器21按法向入射角将光引导到样品14。入射角可包含任何适合入射角,其可取决于(例如)样品的特性、待在样品上检测的缺陷、待对样品执行的测量等而变动。
照明子***可经配置以在不同时间按不同入射角将光引导到样品。举例来说,输出获取子***可经配置以更改照明子***的一或多个元件的一或多个特性,使得可按不同于图1中展示的入射角将光引导到样品。在一个此实例中,输出获取子***可经配置以移动光源16、光学元件18及透镜20,使得按不同入射角将光引导到样品。
在一些例子中,输出获取子***可经配置以在相同时间按一个以上入射角将光引导到样品。举例来说,输出获取子***可包含一个以上照明通道,所述照明通道中的一者可包含如图1中展示的光源16、光学元件18及透镜20且所述照明通道中的另一者(未展示)可包含可不同或相同配置的类似元件或可包含至少一光源及可能一或多个其它组件(例如本文中进一步描述的组件)。如果在与其它光同时将此光引导到样品,那么按不同入射角引导到样品的光的一或多个特性(例如,波长、偏光等)可不同,使得可在(若干)检测器处将源自按不同入射角照明样品的光彼此区分。
在另一例子中,照明子***可包含仅一个光源(例如,图1中展示的源16)且来自所述光源的光可由照明子***的一或多个光学元件(未展示)分成不同光学路径(例如,基于波长、偏光等)。接着,可将不同光学路径中的每一者中的光引导到样品。多个照明通道可经配置以同时或在不同时间(例如,当使用不同照明通道以按顺序照明样品时)将光引导到样品。在另一例子中,相同照明通道可经配置以在不同时间将具有不同特性的光引导到样品。举例来说,在一些例子中,光学元件18可经配置为光谱滤光器且可以多种不同方式(例如,通过调换出光谱滤光器)改变光谱滤光器的性质,使得可在不同时间将不同波长的光引导到样品。照明子***可具有所属领域中已知的用于按顺序或同时按不同或相同入射角将具有不同或相同特性的光引导到样品的任何其它适合配置。
在一个实施例中,光源16可包含宽带等离子体(BBP)光源。以此方式,由光源产生且被引导到样品的光可包含宽带光。然而,光源可包含任何其它适合光源,例如激光器,所述激光器可为所属领域中已知的任何适合激光器且可经配置以产生所属领域中已知的(若干)任何适合波长的光。另外,激光器可经配置以产生单色或近单色光。以此方式,激光器可为窄带激光器。光源还可包含产生多个离散波长或波带的光的多色光源。
来自光学元件18的光可通过透镜20聚焦到光束分离器21。尽管透镜20在图1中被展示为单折射光学元件,但应理解,实际上,透镜20可包含组合地将来自光学元件的光聚焦到样品的若干折射及/或反射光学元件。图1中展示且本文中描述的照明子***可包含任何其它适合光学元件(未展示)。此类光学元件的实例包含(但不限于)(若干)偏光组件、(若干)光谱滤光器、(若干)空间滤光器、(若干)反射光学元件、(若干)变迹器、(若干)光束分离器、(若干)光圈及可包含所属领域中已知的任何此类适合光学元件中的类似者。另外,***可经配置以基于待用于检验、计量等的照明的类型更改照明子***的一或多个元件。
输出获取子***还可包含经配置以导致光扫描遍及样品的扫描子***。举例来说,输出获取子***可包含在检验、测量等期间在其上安置样品14的载物台22。扫描子***可包含可经配置以移动样品,使得光可扫描遍及样品的任何适合机械及/或机器人组合件(其包含载物台22)。另外或替代地,输出获取子***可经配置使得输出获取子***的一或多个光学元件执行遍及样品的光的某一扫描。可以任何适合方式使光扫描遍及样品。
输出获取子***进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器,所述检测器经配置以检测归因于通过输出获取子***照明样品而来自样品的光且响应于所检测光而产生输出。举例来说,图1中展示的输出获取子***包含两个检测通道,检测通道由集光器24、元件26及检测器28形成且另一检测通道由集光器30、元件32及检测器34形成。如图1中展示,两个检测通道经配置以按不同收集角收集并检测光。在一些例子中,一个检测通道经配置以检测镜面反射光,且另一检测通道经配置以检测并非从样品镜面反射(例如,散射、衍射等)的光。然而,两个或更多个检测通道可经配置以检测来自样品的相同类型的光(例如,镜面反射光)。尽管图1展示包含两个检测通道的输出获取子***的实施例,但输出获取子***可包含不同数目个检测通道(例如,仅一个检测通道或两个或更多个检测通道)。尽管在图1中将集光器中的每一者展示为单折射光学元件,但应理解,集光器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域中已知的任何适合检测器。举例来说,检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)及延时积分(TDI)相机。检测器还可包含非成像检测器或成像检测器。如果检测器是非成像检测器,那么检测器中的每一者可经配置以检测散射光的某些特性(例如强度),但可未经配置以检测依据成像平面内的位置而变化的此类特性。因而,由包含于检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据,而非图像信号或图像数据。在此类例子中,计算机子***(例如***的计算机子***36)可经配置以从检测器的非成像输出产生样品的图像。然而,在其它例子中,检测器可配置为经配置以产生成像信号或图像数据的成像检测器。因此,***可经配置以按若干方式产生图像。
应注意,本文中提供图1以大体上说明可包含于本文中描述的***实施例中的输出获取子***的配置。显然,可更改本文中描述的输出获取子***布置以如在设计商业检验、计量等***时通常执行那样优化***的性能。另外,可使用例如商业上可购自科磊公司的29xx及39xx系列的工具、SpectraShape系列的工具、及Archer系列的工具的现存检验或计量***(例如,通过将本文中描述的功能性添加到现存检验或计量***)来实施本文中描述的***。对于一些此类***,本文中描述的实施例可被提供为检验或计量***的任选功能性(例如,除检验或计量***的其它功能性以外)。替代地,可“从头开始”设计本文中描述的输出获取子***以提供全新检验或计量***。
***的计算机子***36可以任何适合方式(例如,经由一或多个传输媒体,所述一或多个传输媒体可包含“有线”及/或“无线”传输媒体)耦合到输出获取子***的检测器,使得计算机子***可接收在样品的扫描期间由检测器产生的输出。计算机子***36可经配置以使用如本文中描述的检测器的输出执行若干功能及本文中进一步描述的任何其它功能。可如本文中描述那样进一步配置此计算机子***。
此计算机子***(以及本文中描述的其它计算机子***)在本文中也可被称为(若干)计算机***。本文中描述的(若干)计算机子***或(若干)***中的每一者可采取多种形式,包含个人计算机***、图像计算机、主计算机***、工作站、网络设备、因特网设备或其它装置。一般来说,术语“计算机***”可经广泛定义以涵盖具有执行来自存储器媒体的指令的一或多个处理器的任何装置。(若干)计算机子***或(若干)***还可包含所属领域中已知的任何适合处理器(例如并行处理器)。另外,(若干)计算机子***或(若干)***可包含具有高速度处理及软件的计算机平台(作为独立工具或联网工具)。
如果***包含一个以上计算机子***,那么不同计算机子***可彼此耦合,使得可在计算机子***之间发送图像、数据、信息、指令等,如本文中进一步描述。举例来说,计算机子***36可通过可包含所属领域中已知的任何适合有线及/或无线传输媒体的任何适合传输媒体耦合到(若干)计算机子***102(如由图1中的虚线展示)。两个或更多个此类计算机子***还可通过共享计算机可读存储媒体(未展示)而有效耦合。
尽管上文将输出获取子***描述为光学或基于光的子***,但输出获取子***可为基于电子束的子***。举例来说,在一个实施例中,被引导到样品的能量包含电子,且从样品检测的能量包含电子。以此方式,能量源可为电子束源。在图2中展示的一个此实施例中,输出获取子***包含耦合到计算机子***124的电子柱122。
还如图2中展示,电子柱包含电子束源126,所述电子束源126经配置以产生由一或多个元件130聚焦到样品128的电子。电子束源可包含(例如)阴极源或射极尖端,且一或多个元件130可包含(例如)枪透镜、阳极、束限制孔隙、闸阀、束电流选择孔隙、物镜及扫描子***,其全部可包含所属领域中已知的任何此类适合元件。
从样品返回的电子(例如,二次电子)可由一或多个元件132聚焦到检测器134。一或多个元件132可包含(例如)扫描子***,所述扫描子***可为包含于(若干)元件130中的相同扫描子***。
电子柱可包含所属领域中已知的任何其它适合元件。另外,电子柱可如以下专利中描述那样进一步配置:2014年4月4日颁予蒋(Jiang)等人的第8,664,594号美国专利、2014年4月8日颁予小岛(Kojima)等人的第8,692,204号美国专利、2014年4月15日颁予固本(Gubbens)等人的第8,698,093号美国专利及2014年5月6日颁予麦克唐纳(MacDonald)等人的第8,716,662号美国专利,所述申请案宛如完整陈述那样以引用的方式并入本文中。
尽管电子柱在图2中被展示为经配置使得电子按一倾斜入射角引导到样品且按另一倾斜角从样品散射,旦应理解,电子束可按任何适合角度引导到样品且从样品散射。另外,电子束子***可经配置以使用多种模式来产生样品的图像(例如,运用不同照射角度、收集角度等)。电子束子***的多种模式可在子***的(若干)任何图像产生参数方面不同。
计算机子***124可耦合到检测器134,如上文描述。检测器可检测从样品的表面返回的电子,借此形成样品的电子束图像。电子束图像可包含任何适合电子束图像。计算机子***124可经配置以使用检测器的输出及/或电子束图像来执行本文中描述的功能中的任一者。计算机子***124可经配置以执行本文中描述的(若干)任何额外步骤。可如本文中描述那样进一步配置包含图2中展示的输出获取子***的***。
应注意,本文中提供图2以大体上说明可包含于本文中描述的实施例中的基于电子束的输出获取子***的配置。如同上文描述的光学子***,可更改本文中描述的电子束子***布置以如在设计商业检验或计量***时所通常执行那样优化子***的性能。另外,可使用例如商业上可购自科磊公司的eDR-xxxx系列的工具的现存检验、计量或高分辨率缺陷重检***(例如,通过将本文中描述的功能性添加到现存检验、计量或缺陷重检***)来实施本文中描述的***。对于一些此类***,本文中描述的实施例可被提供为***的任选功能性(例如,除***的其它功能性以外)。替代地,可“从头开始”设计本文中描述的***以提供全新***。
尽管上文将输出获取子***描述为基于光或基于电子束的子***,但输出获取子***可为基于离子束的子***。可如图2中展示那样配置此输出获取子***,除了电子束源可由所属领域中已知的任何适合离子束源取代外。因此,在一个实施例中,被引导到样品的能量包含离子。另外,输出获取子***可为任何其它适合基于离子束的输出获取子***,例如包含在市售聚焦离子束(FIB)***、氦离子显微术(HIM)***及二次离子质谱仪(SIMS)***中的输出获取子***。
本文中描述的输出获取子***可经配置以运用多种模式产生样品的输出(例如,图像)。一般来说,通过用于产生样品的图像的输出获取子***的参数值(或用于产生样品的图像的输出)定义“模式”。因此,不同模式可在输出获取子***的参数中的至少一者的值方面不同。以此方式,在一些实施例中,输出包含由输出获取子***产生的具有输出获取子***的参数的两个或更多个不同值的图像。举例来说,在光学子***中,不同模式可使用不同波长的光用于照明。如本文中进一步描述(例如,通过使用不同光源、不同光谱滤光器等),对于不同模式,模式可在(若干)照明波长方面不同。在另一实施例中,不同模式可使用光学子***的不同照明通道。举例来说,如上所述,光学子***可包含一个以上照明通道。因而,不同照明通道可用于不同模式。模式可在输出获取子***的任一或多个可更改参数(例如,(若干)照明偏光、(若干)角度、(若干)波长等、(若干)检测偏光、(若干)角度、(若干)波长等)方面不同。
以类似方式,由电子束子***产生的输出可包含由电子束子***产生的具有电子束子***的参数的两个或更多个不同值的输出(例如,图像)。可通过用于产生样品的输出及/或图像的电子束子***的参数值定义电子束子***的多种模式。因此,不同模式可在电子束子***的电子束参数中的至少一者的值方面不同。举例来说,在电子束子***的一个实施例中,不同模式可使用不同入射角用于照明。
本文中描述的输出获取子***实施例可经配置用于检验、计量、缺陷重检、或对样品执行的另一质量控制相关过程。举例来说,在本文中描述且在图1及2中展示的输出获取子***的实施例可在一或多个参数方面经修改以取决于将使用其的应用而提供不同输出产生能力。在一个此实例中,如果图1中展示的输出获取子***将用于缺陷重检或计量而非用于检验,那么其可经配置以具有较高分辨率。换句话来说,图1及2中展示的输出获取子***的实施例描述输出获取子***的一些一般及各种配置,所述输出获取子***可以所属领域的技术人员将明了的若干方式定制以产生具有或多或少适于不同应用的不同输出产生能力的输出获取子***。
如上所述,输出获取子***经配置用于将能量(例如,光、电子)引导到样品的物理版本及/或遍及样品的物理版本扫描能量,借此产生样品的物理版本的实际(即,未模拟)输出及/或图像。以此方式,输出获取子***经配置为“实际”工具而非“虚拟”工具。然而,图1中展示的(若干)计算机子***102可包含一或多个“虚拟”***(未展示),所述一或多个“虚拟”***经配置用于使用针对样品产生的至少一些实际光学输出或图像及/或实际电子束输出或图像来执行一或多个功能,所述一或多个功能可包含本文中进一步描述的一或多个功能中的任一者。
一或多个虚拟***无法使样品安置于其中。特定来说,(若干)虚拟***并非输出获取子***10或电子柱122的部分且不具有用于处置样品的物理版本的任何能力。换句话来说,在虚拟***中,其一或多个“检测器”的输出可为先前由实际输出获取子***的一或多个检测器产生且存储于虚拟***中的输出,且在“成像及/或扫描”期间,虚拟***可就像样品正被成像及/或扫描一样回放所存储输出。以此方式,用虚拟***使样品成像及/或扫描样品可看似就像正用实际***使物理样品成像及/或扫描物理样品一样,而实际上“成像及/或扫描”涉及以与可使样品成像及/或扫描样品相同的方式简单回放样品的输出。
配置为“虚拟”检验***的***及方法描述于以下专利中:共同转让的在2012年2月28日颁予巴斯卡尔(Bhaskar)等人的第8,126,255号美国专利及在2015年12月29日颁予达菲(Duffy)等人的第9,222,895号美国专利,所述两案宛如完整陈述那样以引用的方式并入本文中。可如这些专利中描述那样进一步配置本文中描述的实施例及一或多个计算机子***。
包含于***中的一或多个计算机子***经配置用于基于样品的设计而产生样品的关注区域。关注区域定义含有所关注图案(POI)的设计的一部分。关注区域仅覆盖检验图像的一部分。图3说明图像减法及关注区域概念的简化视图。如图3中展示,测试图像300可包含关注区域302,所述关注区域302仅覆盖测试图像区域的一部分。在检验中,可从测试图像(测试图像300)减去参考图像(参考图像304)以借此产生差分图像(差分图像306),所述差分图像用于缺陷检测。特定来说,将在差分图像中说明测试图像与参考图像之间的任何差异,且所述差异可能经受缺陷检测。因此,测试图像及参考图像应对应于样品的设计的相同部分。因而,测试图像中的关注区域将在参考图像及差分图像中具有对应关注区域。举例来说,如图3中展示,关注区域302可定位于测试图像300、参考图像304及差分图像306中的相同位置。
尽管图3中在测试图像、参考图像及差分图像中的对应位置处展示仅一个关注区域例子,但实际上存在许多关注区域例子及许多不同类型的关注区域,各自包含一或多个关注区域例子。在图4中展示的一个此实例中,测试图像400可包含关注区域402的多个例子,其各自具有相同类型。测试图像还可包含一或多个其它类型的关注区域(未展示)的一或多个例子。一个类型的关注区域的例子有时被称为“关注区域群组”,即,都具有相同关注区域类型的关注区域例子群组。尽管图3及4(及本文中描述的其它图)展示呈特定数目且具有特定特性的关注区域的实例,但应理解,本文中描述的实施例不限制所述关注区域或具有可产生且可针对其执行本文中描述的步骤的任何特定特性(大小、形状、位置等)的关注区域的数目。
在一个实施例中,基于设计产生样品的关注区域包含在设计中搜索POI。举例来说,产生关注区域可包含选择可用于或可不用于初始或先前设置中的现存基于规则的搜索(RBS)及/或图案搜索配方中的一者及接着使用所选择的配方用于产生关注区域。替代地,(若干)计算机子***可经配置用于产生新RBS或图案搜索配方且接着使用所产生配方用于产生关注区域。RBS及/或图案搜索配方可具有所属领域中已知的任何适合形式。举例来说,可通过形成描述POI的特性的规则而产生RBS配方,其接着可用于在设计中搜索匹配图案。一般来说,图案搜索可包含比较POI与设计的不同部分以确定设计中是否存在匹配图案。
在设计中搜索POI还可包含执行模糊的基于设计的分组(DBG)或基于设计的分类(DBC)方法而非要求精确匹配。举例来说,可放宽将两个图案指定为相同的要求,借此允许指定模糊度。在一个此实例中,在设计中搜索特定POI可包含比较POI与设计的不同部分及确定POI与设计的不同部分中的图案的类似程度。接着,可通过比较由比较确定的类似程度与针对本文中描述的实施例来说被(或可被)认为是基本上类似图案的内容的预定阈值而确定设计的不同部分中的图案是否被确定为与POI“相同”。适合类似性阈值的实例可包含80%、90%或甚至95%类似。预定阈值可由用户在于设计中搜索POI之前设置或可基于比较的结果动态地设置(例如,在针对设计中的不同区域的不同子群体确定的类似性之间存在明显分隔的情况下,阈值可设置为对应于所述分隔;基于比较结果的直方图等)。
在一个实施例中,一或多个计算机子***包含电子设计自动化(EDA)工具的计算机子***。举例来说,对于来自设计的关注区域产生,(若干)计算机子***可使用EDA物理设计分析工具或将定制算法应用于物理设计。在一些此类例子中,可使用POI的设计剪辑或另一表示来分析POI的不同例子的设计。在一个此实例中,对于来自设计的关注区域产生,算法可将设计自动分割成含有POI的不同部分。EDA工具可包含任何适合市售EDA工具。在一些此类实施例中,本文中描述的计算机子***(例如,(若干)计算机子***102)中的一或多者可经配置为EDA工具。另外或替代地,可由EDA工具或使用具有对于本文中描述的能力(及/或对于本文中描述的能力的自动化)的改进的EDA配方来执行本文中描述的一或多个步骤。
由于基于POI产生基于设计的关注区域(即,基于设计产生的关注区域),因此包含于样品上的关注区域的每一例子中的至少一些图案或图案化特征已知且在每一例子中相同。因此,由于相同图案或图案化特征将以相同方式影响入射于其上的能量(例如,光、电子),因此先前假定样品上的相同关注区域的不同例子将展现经测量且用于检验、计量或其它此类目的的类似能量响应(例如,光散射、光反射等)。然而,本发明者现已清楚,样品上的关注区域的不同例子可展现不同能量响应,即使其含有至少一些相同图案或仅相同图案(例如,归因于样品上的噪声源,所述噪声源在关注区域例子间或至少针对一些关注区域例子变动)。因此,尽管基于设计的关注区域可帮助图像行为的不变方面,但本文中描述的实施例经配置以解决关注区域的图像行为中的样品间及样品内变动。
已形成本文中描述的实施例以响应于来自样品上的关注区域的能量而处理输出中的此变动。举例来说,如本文中进一步描述,实施例可用于针对设计及输出变动两者优化关注区域及/或优化使用关注区域执行的检验。还可使用本文中描述的实施例来验证关注群组符合均匀噪声特性的目标。另外,可使用本文中描述的实施例来提供关于如何优化个别关注区域例子及/或不均匀的关注区域例子群组的线索。此外,本文中描述的实施例最终可使针对噪声均匀性优化的过程自动化。
(若干)计算机子***经配置用于针对样品上的关注区域的多个例子确定一或多个输出属性。从由输出获取子***针对多个例子产生的输出确定一或多个输出属性。多个例子可经定位于样品上的一个裸片或样品上的多个裸片中。确定一或多个输出属性可包含简单地识别由检测器或***的另一元件产生的哪一输出属性对应于针对其执行此步骤的关注区域的多个例子中的每一者。举例来说,如果检测器或***的另一元件报告依据像素而变化的灰度强度,那么确定步骤可包含识别哪些灰度强度值对应于关注区域的多个例子中的任一者。然而,确定(若干)输出属性可包含确定未由检测器或***的另一元件产生的关注区域例子的一或多个值。举例来说,(若干)计算机子***可使用由检测器产生的输出来确定可在本文中描述的实施例中有用的所述输出的(若干)任何属性。本文中进一步描述数个此类实例。
在一个实施例中,一或多个输出属性中的至少一者是噪声属性。在另一实施例中,(若干)输出属性包含针对关注区域的不同例子产生的差分图像中的灰度变动。当将用于检测样品上的缺陷的缺陷检测方法使用差分图像时,使用差分图像的输出属性在本文中描述的实施例中可为适合的。然而,本文中描述的关注区域优化可支持不同缺陷检测算法及灵敏度区计数。举例来说,(若干)计算机子***可运用检测作业类型来改变数据库方案及作业参数(所述两者在本文中进一步描述),此将为确定并存储不同检测算法类型的不同属性提供灵活性。本文中描述的实施例中使用的(若干)输出属性还可包含由输出获取子***产生的任何输出或此输出的任何特性。举例来说,输出特性可为可从由输出获取子***产生的输出确定的任何基于图像的特性。另外,即使本文中可关于“噪声”或“噪声行为”或另一类似术语描述一些实施例,仍应理解,(若干)任何适当输出属性可用于本文中描述的实施例中的任一者中。可以任何方式确定噪声属性且其可包含输出的任何噪声相关属性。
在另一实施例中,从其确定一或多个输出属性的输出系由检测器针对样品产生的输出。以此方式,(若干)计算机子***可经配置用于使用检验器(或另一输出获取子***)来收集新类型的数据以用于改进/优化关注区域的目的。因此,输出本身可为实际输出而非模拟输出(或计算而非使用实际检测器产生的输出)。尽管可运用(或使用)本身模拟或计算(而非运用实际检测器及物理样品产生)的输出来执行本文中描述的实施例,但使用本身由检测器及物理样品产生的输出对于本文中描述的实施例来说将为最可行且有用的。
一或多个计算机子***可经配置用于获取从其确定一或多个输出属性的输出。可使用本文中描述的输出获取子***中的一者来执行获取输出(例如,通过将光或电子束引导到样品且检测来自样品的光或电子束)。以此方式,可使用物理样品本身及某种输出获取(例如,成像)硬件来执行获取输出。然而,获取输出不一定包含使用成像硬件使样品成像。举例来说,另一***及/或方法可产生输出且可将所产生输出存储于一或多个存储媒体中,例如如本文中描述的虚拟检验***或本文中描述的另一存储媒体。因此,获取输出可包含从已将输出存储于其中的存储媒体获取输出。
在一些实施例中,从其确定一或多个输出属性的输出是运用输出获取子***的一个以上模式针对样品产生的输出。举例来说,多模式噪声及上下文信息可用于本文中进一步描述的(若干)关注区域分割步骤。使用多模式噪声及上下文信息来分割如本文中描述的关注区域对于多模式检验可为有益的。输出获取子***的多种模式可包含本文中进一步描述的模式中的任一者。
在额外实施例中,(若干)计算机子***经配置用于通过对少于样品上的关注区域的全部多个例子进行取样而选择针对其确定(若干)输出属性的关注区域的多个例子。举例来说,(若干)计算机子***可通过迫使以本文中描述的多种方式中的一者收集输出而将关注区域例子的样本视为缺陷。(若干)计算机子***可针对(若干)输出属性跨帧积累统计数据。(若干)计算机子***可存储待积累的统计数据作为“被迫事件”的少数属性。(若干)计算机子***可不将积累统计数据与输出(例如,图像)存储在一起,而仅存储所选择的输出属性统计数据以便更容易地存储较高数目个关注区域例子的统计数据。
在每一关注区域例子处收集(若干)输出属性可为禁止且不必要的。代替地,(若干)计算机子***可优选地从少于样品上的全部关注区域例子确定关注区域例子的行为。可以多种方式执行取样。举例来说,(若干)计算机子***可通过产生关注区域例子的初始样本,消除(若干)输出属性针对其被确定为离群点的关注区域例子中的任一者,且从剩余例子缩减取样而执行取样。因此,两遍次输出产生可能有意义。可执行第一遍次以进行缺陷或离群点检测,且可执行第二遍次以进行非缺陷关注区域例子取样。(若干)计算机子***可经配置以通过分析每一裸片的每一关注区域类型的关注区域例子计数及样品上的裸片的数目而确定剩余例子的初始样本。样本优选地足够大以允许裸片级及样品级噪声分析两者。样本大小估计还可能相对慷慨(例如,比分析噪声均匀关注区域所需更多的统计数据)以允许将关注区域例子或单个关注区域基于噪声***成子关注区域。(若干)计算机子***还可通过每一关注区域内的随机及空间多样化取样的混合而产生样本本身。还可如本文中描述那样还执行取样或替代地如本文中描述那样执行取样。
在一个此实施例中,基于一或多个属性中的预期裸片级变动而执行取样,且(若干)计算机子***经配置用于基于所确定一或多个输出属性而确定关注区域的(若干)输出属性中的实际裸片级变动。举例来说,样本优选地足够大以允许裸片级噪声分析。在一个此实例中,(若干)计算机子***可基于经验(先前测量)及/或理论数据(例如,来自建模)而估计预期裸片级变动,基于此预期裸片级变动而确定关注区域样本的适当特性(例如,频率、位置、间距等),且接着基于所述特性而从全部关注区域例子选择关注区域例子。可以任何适合方式执行确定关注区域的(若干)输出属性中的实际裸片级变动。
在另一此实施例中,基于(若干)输出属性中的预期样品级变动而执行取样,且(若干)计算机子***经配置用于基于所确定一或多个输出属性而确定关注区域的(若干)输出属性中的实际样品级变动。举例来说,样本优选地足够大以允许样品级噪声分析。可如上文关于裸片级变动描述那样执行这些步骤。
(若干)计算机子***经配置用于基于一或多个输出属性将样品上的关注区域的多个例子分离成不同关注区域子群组,使得不同关注区域子群组具有一或多个输出属性的统计上不同值。如本文中使用的所述术语“统计上不同”值可与术语“明显不同”值可交换地使用。如本文中使用的术语“统计上不同”值希望具有数学领域及特定来说统计领域中使用的术语的普遍接受定义,即,统计上不同被普遍接受为意味着“超出误差限度”且“由除偶然以外的某物导致”。这些定义两者与本文中的术语的使用一致。可(例如)通过比较值的差与误差限度且确定超出误差限度的差为“统计上不同”而确定一或多个输出属性的值是否为“统计上不同”。因此,当差在误差限度内时,一或多个输出属性的不同值为“统计上类似”。
可以监督或无监督方式执行分离关注区域的多个例子。如果分离是无监督的,那么可取决于使用的算法而需要预定数目个关注区域子群组作为输入。
因此,本文中描述的实施例可基于(若干)输出属性中的变动而触发将现存关注区域的例子***成多个关注区域子群组。举例来说,当针对关注区域例子确定的(若干)输出属性跨裸片显著变动时,可将样品上的关注区域的全部例子***成不同子群组。在另一实例中,如本文中进一步描述,将全部关注区域例子***成不同关注区域子群组可为上下文驱动的。以此方式,非优化关注区域可包含基于噪声度量存在的关注区域例子的多个子群体。因此,优化关注区域需要基于关注区域噪声度量将这些子群体分离成其自身的关注区域子群组。
在一个此实施例中,图4中的图像400中所展示的关注区域402的多个例子可被分离成不同关注区域子群组,如本文中描述。举例来说,关注区域例子可被分离成两个关注区域子群组,且如图5中展示,一个子群组可包含关注区域例子402a且另一子群组可包含关注区域例子402b。以此方式,包含相同类型的关注区域的多个例子的一个关注区域例子群组被划分成两个关注区域子群组,其中的每一者包含相同类型的关注区域的一或多个例子。可基于差分图像统计数据或本文中描述的(若干)任何其它输出属性而划分关注区域例子。
在一个实施例中,(若干)计算机子***经配置用于针对样品上的关注区域的多个例子中的一或多者确定依据关注区域内的位置而变化的(若干)输出属性且基于依据位置而变化的一或多个输出属性将关注区域分离成两个或更多个不同子关注区域,使得两个或更多个不同子关注区域具有一或多个输出属性的统计上不同值。举例来说,本文中描述的实施例可基于跨现存关注区域的单个例子的(若干)输出属性中的变动而触发将所述现存关注区域的所述单个例子***成多个子关注区域。当存在可能与布局有关的显著***像素级变动时,(若干)计算机子***可在关注区域例子内执行***。以此方式,非优化关注区域例子可包含基于像素噪声度量而存在的子关注区域的多个子群体(例如,像素的不同群体)。因此,优化关注区域例子需要将“不纯”关注区域例子***成多个均匀子关注区域。
在一个此实施例中,如图6中展示,差分图像306包含关注区域302,所述两者可如本文中描述那样配置。图6中展示的关注区域的分解图600展示关注区域内的不同像素602。换句话来说,对应于关注区域的差分图像的部分可包含多个像素。本文中描述的对应于关注区域的其它图像的部分还可包含多个像素。本文中描述的图像中的任一者内的像素的数目可取决于输出获取子***的配置及/或关注区域的大小而变动。举例来说,图像中的像素可对应于输出获取子***的(若干)检测器中的像素且关注区域可包含图像中的像素的一部分。以此方式,可针对关注区域中的每一像素产生输出。针对关注区域例子中的每一像素产生的输出的(若干)属性可如本文中描述那样进行确定且可包含本文中描述的(若干)输出属性中的任一者。
在一些例子中,关注区域例子中的不同部分(例如,不同像素)将具有(若干)输出属性的统计上不同值。举例来说,图7中展示的无阴影像素可被确定为具有(若干)输出属性的(若干)值,所述值在统计上不同于针对所述图中展示的阴影像素确定的(若干)输出属性的(若干)值。另外,图7中展示的不同阴影像素可被确定为具有统计上不同的(若干)输出属性的(若干)值。因此,如图7中展示,针对关注区域例子内的不同像素确定的(若干)输出属性可具有统计上不同的值。因而,可通过描述其内的像素的值的统计数据特性化针对差分图像(或本文中描述的其它图像中的任一者)的关注区域例子。统计数据可包含平均值、范围、中值、众数、标准偏差、及本文中描述或所属领域中已知的任何其它统计数据。
由于对应于关注区域的差分图像的部分中的不同像素被确定为具有(若干)输出属性的统计上不同值,因此(若干)计算机子***可将图7中展示的关注区域分离成多个子关注区域。举例来说,(若干)计算机子***可基于针对像素确定的(若干)输出属性将关注区域的分解图600中展示的像素分离成子关注区域600a及子关注区域600b,如图8中展示。以此方式,如果(若干)输出属性的统计或其它值指示将关注区域例子细分成多个子关注区域将为适当的,那么(若干)计算机子***可按例子级细分关注区域。尽管关注区域在图8中被展示为被分离成两个子关注区域,但任何关注区域例子可被分离成任何数目个子关注区域,最高达关注区域中的像素的数目的最大值(其中每一像素被指定为子关注区域)。然而,在细分任一个关注区域例子时,将子关注区域的数目限于低得多的数目(例如,每一关注区域例子2到4个子关注区域)可为可行的。
在另一实施例中,使用第一预定方法来执行产生关注区域,且(若干)计算机子***经配置用于运用第二预定方法针对POI产生另一关注区域,针对另一关注区域执行确定及分离步骤,且基于针对关注区域及另一关注区域执行的确定及分离步骤的结果而选择第一或第二预定方法用于产生额外关注区域。举例来说,(若干)计算机子***可执行针对足够性的关注区域的(若干)基于图像的测试。此测试可包含本文中描述的确定及分离步骤以评估关注区域的噪声均匀性或此测试可包含适于关注区域的任何其它基于图像的测试。在一个此实例中,针对足够性的基于图像的测试可包含从可能需要改进的预存在关注区域的样本收集样品图像数据,用设计上下文数据(其可能来自不同/广泛源)注释数据,及对样品及上下文数据的组合执行统计分析(例如,多维集群)。
如果基于图像的测试确定关注区域不足,那么(若干)计算机子***可推断EDA配方选择及/或输入以供改进。举例来说,在上文描述的实施例中,(若干)计算机子***可尝试蛮力法,其包含回归测试现存EDA配方以查看其是否解决先前产生的关注区域中的噪声“污染”(即,不均匀性及/或无法解决的噪声问题)。可以所属领域中已知的任何适合方式执行回归测试。以此方式,(若干)计算机子***可执行不同现存EDA配方以产生不同关注区域集,使用本文中描述的确定及分离步骤来评估每一关注区域集的基于图像的足够性,且接着使用样品的最佳关注区域集及/或经确定为产生最佳关注区域的EDA配方来产生样品及/或其它样品的额外关注区域。以此方式,(若干)计算机子***可经配置用于推断设计搜索规则以从图像及设计数据的统计分析确定关注区域。
在一些实施例中,(若干)计算机子***经配置用于通过从针对多个例子确定的一或多个输出属性的统计分析推断方法的一或多个经修改参数而修改用于产生关注区域的方法。举例来说,(若干)计算机子***可执行针对足够性的关注区域的(若干)基于图像的测试。可如上文描述那样执行此测试。如果基于图像的测试确定关注区域不足,那么(若干)计算机子***可推断EDA配方选择及/或输入以供改进。举例来说,在此实施例中,(若干)计算机子***可尝试推断(如果如上文描述的现存配方的测试未发现产生可接受关注区域的现存EDA配方,那么可尝试所述推断)。在此实施例中,(若干)计算机子***可将数据挖掘技术应用于预产生上下文数据库以隔离用于关注区域群组***的基础。可使用所属领域中已知的任何适合机器学习技术来执行数据挖掘技术。机器学习/数据挖掘可将产生的关注区域分割成微小关注区域而无对分割关注区域的最小大小的限制。接着,机器学习可特性化分割关注区域且基于噪声及设计的类似性将其相应地集群,借此形成可用于检验配方中的关注区域群组。以此方式,(若干)计算机子***可经配置以使用机器学习建模技术用于推断图像噪声数据集中存在多个群体。
(若干)计算机子***可使用可由本文中描述的(若干)计算机子***产生的关注区域搜索规则推断的数据库来执行上文描述的数据挖掘。数据库可包含关注区域例子ID的一列,其可包含事件ID及关注区域例子的坐标。数据库还可包含经验数据的一或多个行,其实例包含(但不限于)(若干)检验属性、(若干)重检属性、及(若干)图像噪声属性。数据库可进一步包含上下文数据的一或多个列,其可包含几何哈希码、基于形状的分组标签、基于设计的分类码、及基于规则的搜索规范ID中的一或多者。上下文数据可包含空间上与关注区域例子的事件ID一致的设计上下文值。
(若干)计算机子***还可使用此数据库来对关注区域取样以用于本文中描述的确定步骤。举例来说,详尽地收集每一关注区域例子的噪声数据可能为禁止的。代替地,(若干)计算机子***可针对设计及/或设计上下文中的差异分析设计。基于设计、样品上的设计的布局及检验配方扫描参数,(若干)计算机子***还可确定媒体帧图像将处于的位置。以此方式,(若干)计算机子***可将芯片镶嵌到帧中(其中帧是同时被共同处理的检验数据的一部分)。接着,(若干)计算机子***可选取分析哪些帧,如本文中描述。(若干)计算机子***可通过预测我们可从其获悉最佳信息的帧而产生帧的子样本。因此,(若干)计算机子***可仅使用对应于设计中及/或样品上的关注区域的全部例子的全部帧图像的一部分来确定(若干)输出属性,如本文中描述。基于每一类型的关注区域的帧数目,(若干)计算机子***可通过选择针对其执行确定步骤的关注区域例子的适当数目及/或分布而产生统计上稳健的数据。接着,(若干)计算机子***可使用统计上稳健的数据来预测(例如,外推、内插等)非取样关注区域例子的(若干)统计上稳健的输出属性。另外,关注区域例子取样可产生关注区域群组元数据,其可用于从经确定一或多个输出属性按帧及/或条带预测关注区域汇总数据。
在另一实施例中,基于设计针对样品产生的另一关注区域定义含有不同POI的设计的不同部分,且(若干)计算机子***经配置用于基于针对关注区域执行的确定及分离的结果而确定是否针对另一关注区域执行确定及分离步骤。可通过利用基于形状的分组(SBG)层次结构而执行此步骤。此层次结构可包含顶部的灵敏度区(相同检测阈值)、其后接着复杂度分组(基于类似复杂度来执行)、基于基元分组的频格(bin)(基于类似基元)、及最后基于设计的分组频格(基于图案的精确匹配)。如果关注区域群组噪声统计数据不均匀,那么SBG层次结构为分解关注区域群组且测试根本原因提供一个自然诊断路径。如果发现关注区域群组噪声统计数据不均匀性的源,那么(若干)计算机子***可交叉检查其余关注区域群组(类型及/或例子)以查看此学习是否应同样应用于其,例如,将经学习规则应用于来自其它关注区域群组中的每一者的样本布局。
在本文中描述的实施例中的任一者中,可通过细分比预定大小更大的初始关注区域而产生针对其执行步骤的关注区域(及其它关注区域)。可基于输出获取子***的点扩展函数(PSF)的宽度而确定预定大小。举例来说,如果(在假设情况中)输出获取子***具有约200nm的PSF,那么可将大于200nm×200nm的任何初始关注区域划分成具有约200nm×约200nm的大小的关注区域。(若干)输出属性可在具有此大小的关注区域内相对缓慢地改变,这是此大小对于在本文中描述的实施例中使用可能有吸引力的原因。当然,可使用小于PSF的关注区域,但告诫可能发生关注区域的过度训练。
在另一实施例中,(若干)计算机子***经配置用于基于设计而产生样品的另一关注区域,针对另一关注区域执行确定及分离步骤,识别含有具有高于预定阈值的类似性的测量且具有一或多个输出属性的统计上类似值的图案的关注区域及另一关注区域的不同关注区域子群组,且将经识别不同关注区域子群组中的关注区域及另一关注区域的多个例子组合成单个关注区域群组。
举例来说,如本文中进一步描述,(若干)计算机子***可针对一或多个关注区域类型执行确定步骤(噪声收集设置步骤)。(若干)计算机子***可从单个裸片或多个裸片确定每一关注区域的(若干)输出属性(例如,噪声测量)。(若干)输出属性可包含中值(上下文)的平均值及差异(噪声)的平均值或本文中描述的任何其它输出属性,例如,此取决于将搭配关注区域使用的缺陷检测方法。在此实例中,每一关注区域确定两个属性,一个属性是中值且一个属性是差异。如果关注区域具有仅一个像素,那么确定中值及差异将足够。然而,如果关注区域具有多个像素(例如,3像素×3像素),那么将存在多个中值(例如,9)及多个差异(例如,9)。为将此数据减小到仅两个属性,(若干)计算机子***可确定中值的平均值及差异的平均值且使用所述值作为本文中描述的实施例的一或多个输出属性。其它函数还可用于数据缩减,像最小值、最大值、众数、中值、标准偏差等。另外,每一关注区域例子可确定两个以上属性值,但属性值的数目将不同且将取决于关注区域的大小,此对于集群算法可能为无法接受的,且集群算法将遭受维度的增大。
(若干)计算机子***可通过汇总来自每一关注区域类型的全部关注区域例子的噪声测量而执行分离步骤且运行无监督分组以将关注区域类型进一步细分为子关注区域类型。任选地,(若干)计算机子***可基于噪声/上下文测量的类似性而组合来自不同关注区域类型的子关注区域类型。以此方式,本文中描述的实施例可产生纯噪声关注区域群组分割。
在额外实施例中,关注区域是POI的多个关注区域中的一者,且产生关注区域包含识别设计中的POI的不同例子,确定设计中的POI的不同例子的设计上下文,将具有不同设计上下文的不同例子分离成不同群组,及将不同群组中的一者指派到关注区域。举例来说,一或多个计算机子***可经配置用于本文中称为“关注区域超分割”的行为,其中基于设计上下文将关注区域的例子分割成不同关注区域例子群组。在此上下文中,“关注区域”包含POI的多个例子,一些例子具有不同设计上下文。接着,可基于不同设计上下文而分离所述多个例子,且针对其执行本文中描述的其它步骤的“关注区域”包含仅具有相同设计上下文的全部所述多个POI例子的一部分。因此,针对其执行本文中描述的其它步骤的“关注区域”可为由于超分割所致的关注区域群组。可脱机执行关注区域超分割。
在一些例子中,可使用基于设计的分组进一步细分POI的例子。举例来说,基于设计中的POI的不同例子的设计上下文,可执行基于设计的分组以将POI的例子分离成不同群组,每一群组对应于不同设计上下文中的一者。
超分割或邻近感知分组基于每一关注区域例子的设计上下文而分离POI类型的关注区域例子。出于此目的考虑的设计上下文区域的大小可取决于分析中的***误差而变动。在一个实施例中,超分割连同高分辨率图案保真度测量一起用于识别***光刻问题,在所述情况中用于超分割的设计上下文通常将包含关注区域的光刻光学***PSF内的区域。在另一实施例中,超分割连同差分图像噪声测量一起用于优化用于光学缺陷检验的图像分割,在所述情况中用于超分割的设计上下文通常将包含关注区域的检验光学***PSF内的区域。
为说明概念,考虑图9中展示的图案。图9展示针对含于框904中的POI产生的关注区域的例子902。在例子902中,存在三个图案化特征900,其为水平定向的线或线的部分。中间图案化特征的线端是含于框904中的POI。
如图9中展示,POI的不同例子具有不同设计上下文。特定来说,例子902a、902b、902c、902d及902e都具有接近POI的不同设计上下文。在例子902a中,设计上下文包含三个水平定向图案化特征908,其包含线或线的部分且其未包含于例子902中。在例子902b中,设计上下文包含多个垂直定向图案化特征,包含具有不同尺寸的图案化特征912及914。在例子902c中,设计上下文包含图案化特征906,其可为沿垂直方向定向的线或线的一部分。在例子902d中,设计上下文包含图案化特征910,其为不规则多边形。在例子902e中,设计上下文包含图案化特征916,其可为沿垂直方向定向的线或线的一部分。
因此,如图9中展示,POI周围的设计上下文在每一展示例子中不同,且我们从经验知道像这样的差异可促成***背景噪声差异。以此方式,归因于不同关注区域中展示的设计上下文之间的差异,即使其在技术上都为相同POI的关注区域,针对不同关注区域确定的(若干)输出属性仍可为不同的。举例来说,设计上下文的形状、大小、定向、与POI的接近度等可能影响针对关注区域产生的输出。因此,不同设计上下文可能以不同方式影响针对关注区域产生的输出。
在一个此实施例中,使用几何哈希来执行分离不同例子。举例来说,超分割可使用几何哈希算法来形成纯设计上下文关注区域群组。可使用使用基于规则的搜索及图案搜索的当前最佳已知方法来形成初始关注区域(几何哈希算法的输入)。因此,初始关注区域可为用户定义关注区域且基于设计的。基于所述初始关注区域及设计,可使用几何哈希脱机超分割初始关注区域。对于每一关注区域,(若干)计算机子***可计算几何哈希码。具有相同哈希码的相同POI的关注区域例子将具有相同设计上下文,且具有不同哈希码的相同POI的关注区域例子将具有不同设计上下文。因此,对于一个POI,几何哈希码与关注区域例子群组之间存在一对一映射。因此,所得关注区域群组是纯设计上下文的。(若干)计算机子***可存储与每一关注区域例子相关联的关注区域群组ID。
在另一此实施例中,(若干)计算机子***经配置用于针对样品上的多个关注区域中的另一者的多个例子确定一或多个输出属性且在关注区域及多个关注区域中的另一者的多个例子中的一或多者具有一或多个输出属性的统计上相同值时,将关注区域的多个例子中的一或多者及多个关注区域中的另一者的多个例子中的一或多者组合成单个关注区域群组。可在线执行此关注区域特性化及分组。用于关注区域优化的数据收集是收集不同数据的新型扫描。明确来说,代替收集缺陷(像典型缺陷检测扫描),关注区域优化收集关于每一作业或帧中的每一关注区域的属性/统计数据。可由一或多个计算机子***形成用以针对每一关注区域群组、每一作业收集的特性化方案-数据(事件、事件属性及作业属性)。(若干)计算机子***还可使此方案与分组算法耦合。接着,(若干)计算机子***可计算每一关注区域群组、每一帧或作业的关注区域优化属性。此类运算的结果可为具有如由分组算法方案指定的每一关注区域群组、每一作业的数据的数据库。另外,一或多个计算机子***可形成具有关注区域群组统计数据/属性行的数据库,且可通过基于扫描类型及包含检验参数旗标的使用案例参数的查找而确定数据库方案。使用这些统计数据对关注区域进行分组以进行随后缺陷检测扫描。举例来说,对于MDAT,(若干)计算机子***可将关注区域群组指派到灵敏度区。分组步骤的输入可为允许产生的关注区域群组的数目的上限。因此,分组步骤的结果可为针对检验优化的关注区域(经最佳分组的关注区域)。
(若干)计算机子***经配置用于基于不同关注区域子群组而选择样品的检验配方的参数,使得在针对样品执行检验配方时,用参数的不同值检验具有(若干)输出属性的统计上不同值的不同关注区域子群组。举例来说,如本文中描述,噪声行为可跨任一个样品(即,依据单个样品上的位置而变化)且在样品间变动。可在初始设置中且在运行中确定此噪声行为。举例来说,可在训练样品上获取并分析跨样品的变动。另外,如本文中描述,(若干)计算机子***可通过针对检验配方形成期间的训练样品且针对在运行时间检验的样品(即,运行时间、测试或检验样品)收集数据或输出而确定不同关注区域例子(及任选地跨任一个关注区域例子)的(若干)输出属性。以此方式,可通过每一样品上返回的空间(上下文)动态噪声处置样品间变动。
替代地,(若干)计算机子***可通过建置在噪声基底周围具有足够限度的多样品模型而处置样品间变动。在一个此实例中,如果仅收集并分析样品上的局部区域中的关注区域例子的(若干)输出属性,那么(若干)输出属性可指示行为良好关注区域。然而,如果跨样品收集并分析关注区域例子的(若干)输出属性,那么(若干)输出属性可展示不同行为。如果针对多个样品收集并分析关注区域例子的(若干)输出属性,那么可能同样如此。(若干)计算机子***可通过产生基于针对其它样品产生的先前结果执行分离步骤的模型且将检验配方将以其它方式针对运行时间样品产生的任何预扫描或预映射数据输入到模型而处置样品间变动而未针对运行时间样品执行本文中描述的确定步骤。基于可指示运行时间样品的(若干)输出属性与先前样品的(若干)输出属性的类似或不同程度的预扫描或预映射数据,模型可调整关注区域子群组及/或子关注区域。
在一个实施例中,检验配方的参数的不同值包含在检验配方中用于检测样品上的缺陷的缺陷检测方法的不同灵敏度。可通过灵敏度设置缺陷检测方法的不同灵敏度,运用所述灵敏度从由输出获取子***针对样品产生的输出检测缺陷。可通过(例如)用于将输出分离成对应于缺陷的输出及未对应于缺陷的输出的一或多个阈值而控制此灵敏度。另外或替代地,确定检验配方的参数可包含优化每一关注区域类型的阈值以获取期望数目个缺陷。可使用不同关注区域子群组或不同子关注区域的获取率(“获取率(cap rate)”或“获取率(caprate)”)来设置此灵敏度。基于预定获取率配置缺陷检测方法避免手动调谐缺陷检测阈值的需要。另外,归因于可通过本文中描述的实施例产生的基本上大量关注区域子群组及/或子关注区域,缺陷检测阈值的手动调谐可能为禁止的。代替地,可指定检验目标(例如,期望扰乱点率+每一DOI类型的期望DOI获取率)。还可使用例如本文中进一步描述的DOI与关注区域兼容性矩阵自动确定缺陷检测阈值。
如本文中描述的检验配方参数选择可包含纯粹基于设计的关注区域不一定需要的若干其它考虑。举例来说,本文中描述的实施例将最可能增大检验配方中的关注区域群组、子群组等的数目。随着不同关注区域群组、关注区域子群组或子关注区域的数目增大,任一个类型的关注区域群组、子群组或子关注区域的数目将减小。因此,用于缺陷检测的数据足够性在一些例子中(例如,对于减去参考统计检测的测试)可能为挑战。因此,可基于由本文中描述的实施例产生的样品上的任一个类型的关注区域的例子数目而评估及/或修改用于所述一个类型的关注区域的缺陷检测方法的类型。举例来说,由于关注区域类型的较少例子,因此整个解决方案可能需要跨作业的数据积累以用于缺陷检测。另外,随着关注区域类型的数目增大,借此减小任一个关注区域类型的关注区域例子的数目,发现用于训练及/或调谐检验配方的DOI实例可能为挑战。可使用本文中进一步描述的***缺陷检测来增加发现样品上的用于训练及/或调谐的足够数目个DOI实例的可能性。
如本文中描述的检验配方参数选择还可包含针对可修改的检验配方的任一或多个参数选择值。举例来说,一旦如本文中描述那样确定(若干)阈值或(若干)灵敏度,就可运行检验配方,可重检通过检验运行检测的缺陷,且可使用缺陷重检的结果来针对检验配方设置扰乱点事件过滤器。因此,可选择检验配方的一或多个参数,借此形成中间配方且接着可选择中间检验配方的一或多个其它参数,借此形成生产配方。
如本文中描述那样选择的检验配方的参数还可不仅包含输出处理参数(缺陷检测、扰乱点过滤等),而且或替代地包含输出产生参数(输出获取子***的任何硬件元件的任何参数,例如(若干)照明及/或检测角度、(若干)偏光、(若干)波长等)。可基于通过分离步骤产生的关注区域的信息及针对通过分离步骤产生的关注区域确定的(若干)输出属性的信息以任何适合方式选择这些参数。尽管处置通过分离步骤在(若干)输出处理参数中产生的关注区域中的差异可能更有效,但处置输出产生硬件参数中的一些这些差异可能有吸引力。如果如此,那么用不同输出产生硬件参数扫描不同关注区域的一种方式可为针对关注区域的不同子集执行不同扫描。在任何情况中,本文中描述的实施例不限制可基于通过分离步骤产生的关注区域而选择的检验配方参数。
在另一实施例中,POI具有第一POI类型,另一关注区域定义含有具有第二POI类型的另一POI的设计的另一部分,且分别针对关注区域及另一关注区域执行本文中描述的产生、确定、分离及选择步骤。以此方式,可分别(在由一或多个计算机子***执行的步骤中)处理不同关注区域类型(对应于不同POI类型)。然而,可将针对不同关注区域类型分别且独立选择的检验配方参数中的每一者组合成针对样品执行的单个检验配方。另外,可同时针对多个关注区域类型执行选择检验配方参数步骤以借此针对对应于不同POI类型的多个关注区域类型优化检验配方参数。在任何情况中,可分别处理不同关注区域类型以针对不同关注区域类型独立地确定(若干)输出属性且彼此独立地分离关注区域类型。
在额外实施例中,检验配方包含应用于由输出获取子***针对样品产生的输出以借此检测样品上的缺陷的缺陷检测方法,且一或多个计算机子***经配置用于基于相对于样品的设计确定的缺陷的位置而识别哪些缺陷为***缺陷。如本文中使用(且所属领域中通常使用)的术语“***缺陷”是指非随机的缺陷。代替地,通常以相对较大数目个例子中的样品上的相同图案或图案化特征及/或以相对较高频率存在并检测***缺陷(每一数目个图案或图案化特征例子的相对较高数目个缺陷)。
***DOI易感性将可能跨越关注区域边界。特定来说,基于设计而产生基于设计及基于DOI的关注区域两者(例如,基于设计的关注区域基于POI及对POI预期在设计中的位置的了解,基于DOI的关注区域基于DOI及对DOI预期在设计中的位置的了解)。相比之下,不同于纯粹基于设计的关注区域,基于DOI的关注区域还基于DOI信息。然而,通过本文中描述的实施例产生的多个关注区域类型中(例如,在多个关注区域子群组及/或多个子关注区域中)可能存在一个DOI类型的多个例子,及/或通过本文中描述的实施例产生的多个关注区域类型(例如,多个关注区域子群组及/或多个子关注区域)可能易受相同类型的DOI的影响。举例来说,多个关注区域(即,具有不同类型的关注区域)中可能出现相同图案或图案化特征,此接着可能导致在具有不同类型的不同关注区域中检测到相同DOI。因此,具有一些几何相依性的DOI类型将可能出现在多个关注区域类型(不同关注区域类型或不同子关注区域的例子)中且实现此类DOI类型的识别对于本文中描述的实施例可能为关键的。
可在设置期间考虑跨关注区域DOI易感性。举例来说,(若干)计算机子***可通过在每一关注区域类型的样本设计上运行DOI特定规则而确定DOI与关注区域兼容性矩阵。在第一步骤中,基于故障机制(基于规则或基于热点)形成关注区域。在第二步骤中,所述关注区域根据其噪声特性进一步***。基于噪声的关注区域的此层次结构形成提供DOI到关注区域的自然映射(仅将基于噪声的***分组回成其原始关注区域类型)。
在另一实例中,取代基于依据如当前执行的关注区域而变化的缺陷检测结果确定DOI或***DOI(即,以***方式存在于样品上的缺陷)的存在,其中检测到缺陷的关注区域可不用于***缺陷识别(或可不单独用于***缺陷识别中)。代替地,可使用所检测缺陷相对于设计的位置来确定哪些所检测缺陷为***的及/或DOI。
可以若干不同方式执行此***缺陷检测。举例来说,可比较不同缺陷中的每一者的设计上下文以确定哪些所检测缺陷具有相同设计上下文。设计上下文可为围绕缺陷的预定区域内的一或多个图案化特征。因此,所检测缺陷的设计上下文可能不同于针对其产生关注区域的POI及/或针对其产生关注区域的POI的设计上下文。定位于相同设计上下文中且数目或频率大于某一预定阈值的缺陷可被识别为***缺陷。
可从由输出获取子***产生的输出识别设计上下文(例如,在样品的图像中)。替代地,可在样品的设计中识别设计上下文。举例来说,可以若干不同方式(例如,基于由输出获取子***针对样品产生的输出与样品的设计的对准)确定所检测缺陷的设计坐标,且可使用所检测缺陷的设计坐标来确定设计坐标处的设计上下文。以此方式,不同于用于***缺陷检测的先前基于关注区域的方法,本文中描述的实施例可不使用关注区域信息用于***缺陷检测而依赖于对应于所检测缺陷位置的图案或图案化特征以用于***缺陷识别。
在一个实施例中,(若干)计算机子***经配置用于对多个样品执行检验配方且通过确定变动且比较所述变动与预定可允许变动而监测针对多个样品确定的一或多个输出属性依据样品而变化的变动。举例来说,(若干)计算机子***可经配置以聚集每一样品上的每一关注区域类型的对比度及噪声统计数据。(若干)计算机子***还可经配置用于监测样品间的一或多个关注区域类型(例如,关键关注区域类型(即,具有关键几何形状的关注区域类型,例如具有最小宽度、间距等的图案化特征))的对比度及噪声的变动。可以所属领域中已知的任何适合方式对多个样品执行检验配方。在样品间监测其变动的(若干)输出属性可为在本文中描述的实施例中确定的(若干)相同输出属性,而此并非必需的(例如,可将与用于确定步骤不同的(若干)输出属性用于监测)。可以任何适合方式确定及/或设置预定可允许变动。举例来说,用户可基于关注区域类型的关键程度、在检验之前对样品执行的制造工艺中可允许或预期的变动量、检验配方的正常执行中预期的变动量、及类似者而设置预定可允许变动。
在一个此实施例中,(若干)计算机子***经配置用于基于在对多个样品中的一者执行检验配方之后确定的变动与预定可允许变动的比较而确定通过对多个样品中的一者执行检验配方所产生的结果的置信度。举例来说,如果关注区域类型超过可允许变动,那么一或多个计算机子***可使用此信息来产生警报:此样品/关注区域类型足够不同,使得在灵敏度或缺陷检测结果(例如,帕累托(Pareto))准确性方面无法获得相对较高置信度。可基于针对样品确定的变动超过预定可允许变动的量而确定置信度(例如,随着变动与预定可允许变动之间的差异增大,置信度减小)。可以任何适合方式确定置信度与变动及预定可允许变动之间的差异之间的相关性。每当对样品执行检验配方时,针对样品确定的变动可与预定可允许变动进行比较,可基于比较的结果而确定置信度,且在所述置信度低于预定置信度阈值的情况下可产生警报。
在另一此实施例中,(若干)计算机子***经配置用于基于比较变动与预定可允许变动的结果而更改对多个样品中的一者执行的缺陷重检过程的一或多个参数。举例来说,如果关注区域类型超过可允许变动,那么一或多个计算机子***可使用所检测偏移来增加用于此样品/关注区域类型的缺陷重检(例如,扫描电子显微镜(SEM))预算(如果预测缺陷更多地掩埋于噪声基底中)。以此方式,通过更改如上文描述的缺陷重检的(若干)参数,可在展现偏移的关注区域类型中重检更多缺陷,此可用于修改关注区域类型的检验结果及/或提供更多信息用于确定发生偏移的原因。
缺陷重检通常涉及重新检测通过检验过程如此检测的缺陷及使用高放大率光学***或扫描电子显微镜(SEM)以较高分辨率产生关于缺陷的额外信息。因此,在已通过检验检测到缺陷的样品上的离散位置处执行缺陷重检。通过缺陷重检产生的缺陷的较高分辨率数据更适于确定缺陷的属性,例如轮廓、粗糙度、更精确大小信息等。由于针对通过检验在样品上检测到的缺陷执行缺陷重检,因此还可基于通过检验过程确定的缺陷的属性而确定用于所检测缺陷的位置处的缺陷重检的参数。
在额外此实施例中,一或多个计算机子***经配置用于在针对多个样品中的一者产生的变动超过预定可允许变动时,更改针对多个样品中的一者上的关注区域执行的检验配方的一或多个参数。举例来说,如果关注区域类型超过可允许变动,那么一或多个计算机子***可针对此受影响关注区域类型移除任何扰乱点事件过滤器。以此方式,可保存针对超过可允许变动的关注区域类型检测的全部事件以供进一步分析(例如,使用全部所检测事件来确定发生关注区域中的偏移的原因,对较高数目个所检测事件取样以确定哪些事件为扰乱点且哪些为实际缺陷等)。
在一个此实施例中,(若干)计算机子***经配置用于更改针对多个样品中的一者上的关注区域执行的缺陷重检过程的一或多个参数。举例来说,如果关注区域类型超过可允许变动,那么一或多个计算机子***可针对此受影响关注区域类型移除任何扰乱点事件过滤器且执行自适应取样及大规模重检以确定此关注区域类型的缺陷检测结果(例如,帕累托)。特定来说,如上文描述,在超过可允许变动的关注区域类型中检测的全部事件可被保存而非经扰乱点过滤。接着,可针对关注区域类型执行自适应取样方法。取样可为自适应的,这是因为其适合于实际上在关注区域类型中检测到而非在检验配方运行之前设置的事件。接着,可基于自适应产生的样本而执行针对关注区域类型执行的大规模重检且所述重检可为大规模的,这是因为其可重检每一取样事件或取样事件的至少大部分(例如,80%或90%)。以此方式,尽管(若干)关注区域类型输出属性中存在偏移,关注区域类型中检测到的实际缺陷仍可与在关注区域类型中检测到的扰乱点事件准确分离。
在另一实施例中,(若干)计算机子***经配置用于在针对多个样品中的一者产生的变动超过预定可允许变动时,针对多个样品中的一者运行缺陷发现配方。举例来说,如果关注区域类型超过可允许变动,那么一或多个计算机子***可自动运行缺陷发现配方(假定当前配方无法在此样品上有效地运行)。如本文中使用的术语“缺陷发现配方”可通常被定义为其中对样品执行扫描且使用热阈值(即,在输出的噪声基底处或中设置的阈值)来执行缺陷检测方法的配方。以此方式,缺陷发现配方可产生大量检测事件,所述检测事件接着可经分析(例如,通过***缺陷检测及/或重检及自适应取样)以识别哪些检测事件为实际缺陷或DOI且哪些为扰乱点。以此方式,如果样品上存在新DOI类型且借此歪曲检验配方的结果,那么可通过本文中描述的实施例识别所述新DOI类型。另外,可使用缺陷发现配方的结果来进一步更改在多个样品上运行的检验配方的一或多个参数。举例来说,如果缺陷发现配方展示具有异常变动的关注区域类型中不存在新DOI而代替地变动是归因于扰乱点事件及/或关注区域类型中的噪声源的变动,那么如本文中描述那样选择其参数的检验配方可在相同参数及/或一或多个其它参数值方面进行修改。
在另一实施例中,样品上的关注区域的多个例子中的一者的一部分具有空间上与样品上的另一关注区域的例子的一部分的区域重合的区域,关注区域及另一关注区域具有不同优先级,且一或多个计算机子***经配置用于确定针对样品上的关注区域的多个例子确定的一或多个输出属性依据样品上的多个例子的位置而变化的变动且基于经确定变动而确定区域中的关注区域及另一关注区域的顺序。因此,此实施例特别适合处置样品内的工艺变动。
在此实施例中,确定步骤可包含针对每一作业按关注区域类型聚集对比度及噪声统计数据。一或多个计算机子***还可监测跨单个样品的关键关注区域类型的对比度及噪声。当前,关注区域类型具有从具有与较高优先级关注区域类型相同的像素的关注区域类型移除经检验区域的顺序。简来来说,从较低优先级关注区域移除重叠的区域。可能不存在排列对关注区域进行排序的整体“正确”方式。举例来说,在样品的边缘处,正确解决方案可为与关注区域2重叠的关注区域1。然而,在样品的中心,正确解决方案可为与关注区域1重叠的关注区域2。允许更高噪声关注区域有效地从较低噪声关注区域移除检验区域可能负面影响灵敏度。通过测量对比度及噪声如何跨样品偏移,(若干)计算机子***可对关注区域的最佳顺序作出运行时间决策。
在额外实施例中,一或多个计算机子***经配置用于基于不同关注区域子群组而选择样品的计量配方的参数,使得运用计量配方的参数的不同值测量具有一或多个输出属性的统计上不同值的不同关注区域子群组。举例来说,本文中描述的实施例不限于设置仅用于检验的关注区域。代替地或额外地,实施例可用于其它过程,像计量。在此类实施例中,可如本文中描述那样执行产生、确定及分离步骤,且所选择的的计量配方的参数可包含计量配方的任何适合参数,包含硬件及软件参数。以此方式,计量配方的(若干)参数可基于由本文中描述的分离步骤产生的关注区域而在关注区域间变动。
在半导体制造过程期间的各个步骤使用计量过程来监测并控制工艺。计量过程与检验过程的不同之处在于:不同于其中在样品上检测到缺陷的检验过程,使用计量过程来测量无法使用当前使用的检验工具确定的样品的一或多个特性。举例来说,使用计量过程来测量样品的一或多个特性(例如在工艺期间形成于样品上的特征的尺寸(例如,线宽、粗细等)),使得可从所述一或多个特性确定工艺的性能。另外,如果样品的一或多个特性是无法接受的(例如,超出(若干)特性的预定范围),那么可使用样品的一或多个特性的测量来更改工艺的一或多个参数,使得通过工艺制造的额外样品具有(若干)可接受特性。
计量过程与缺陷重检过程的不同之处还在于:不同于其中在缺陷重检中重新访问通过检验检测到的缺陷的缺陷重检过程,可在尚未检测到缺陷的位置处执行计量过程。换句话来说,不同于缺陷重检,在样品上的执行计量过程的位置可独立于对样品执行的检验过程的结果。特定来说,可独立于检验结果来选择执行计量过程的位置。另外,由于可独立于检验结果来选择样品上的执行计量的位置,因此不同于其中无法确定样品上的将执行缺陷重检的位置,直到产生样品的检验结果并可供使用的缺陷重检,在已对样品执行检验过程之前可确定执行计量过程的位置。
在另一实施例中,(若干)计算机子***经配置用于产生包括确定、分离及选择步骤的结果的数据库且基于针对另一样品及数据库产生的关注区域而选择用于另一样品的检验配方的参数。数据库可具有本文中描述的任何适合格式。另外,可如本文中进一步描述那样配置并产生数据库且所述数据库可包含由本文中描述的步骤中的任一者产生的信息及/或结果中的任一者。当针对(若干)其它样品执行步骤时,可将针对(所述)其它样品执行的步骤的结果添加到数据库,借此跨样品积累结果。
因此,可使用数据库来执行选择用于另一样品的检验配方的参数而针对或未针对所述另一样品执行本文中描述的其它步骤。举例来说,由(若干)计算机子***产生的数据库实现样品间(及/或装置间)的学习,使得可在未经历本文中描述的噪声数据获取步骤的情况下优化用于新样品(或装置)的检验配方,此可提供显著操作优势。还可如2010年3月9日颁予库尔卡尼(Kulkarni)等人的第7,676,077号美国专利及2011年1月25日颁予达菲(Duffy)等人的第7,877,722号美国专利中描述那样执行此检验配方设置,所述专利宛如完整陈述那样以引用的方式并入本文中。可如这些专利中描述那样进一步配置此实施例。
本文中描述的全部方法可包含将方法实施例的一或多个步骤的结果存储于计算机可读存储媒体中。结果可包含本文中描述的结果中的任一者且可以所属领域中已知的任何方式存储。存储媒体可包含本文中描述的任何存储媒体或所属领域中已知的任何其它适合存储媒体。
在已存储结果之后,结果可在存储媒体中进行存取且由本文中描述的方法或***实施例中的任一者使用、经格式化以对用户显示、由另一软件模块、方法或***使用等。举例来说,可使用如本文中描述那样选择的检验配方的参数来修改检验配方且将所述经修改检验配方存储于存储媒体中。接着,可使用所存储、经修改检验配方来对样品及可能相同类型的其它样品执行检验。可由本文中描述的***实施例或另一***运用经修改检验配方来执行检验。以类似方式,经修改计量配方可经存储且由***或另一***用于对样品或相同设计的其它样品执行计量。
本文中描述的实施例可与用于样品检验、计量及其它质量控制过程的其它技术及***组合。2010年3月9日颁予库尔卡尼(Kulkarni)等人的第7,676,077号美国专利、2011年1月25日颁予达菲(Duffy)等人的第7,877,722号美国专利、2012年2月28日颁予巴斯卡尔(Bhaskar)等人的第8,126,255号美国专利、2012年6月29日颁予巴斯卡尔(Bhaskar)等人的第8,204,296号美国专利、2013年12月17日颁予库尔卡尼(Kulkarni)等人的第8,611,639号美国专利、2015年11月10日颁予卡尔桑迪(Karsenti)等人的第9,183,624号美国专利、及2016年2月16日颁予希夫林(Shifrin)等人的第9,262,821号美国专利、及2017年3月2日由达菲(Duffy)等人发表的第2017/0059491号美国专利申请案公开案中描述可与本文中描述的实施例组合的方法及***的实例,所述申请案中的每一者宛如完整陈述那样以引用的方式并入本文中。可如这些专利及专利公开案中描述那样进一步配置本文中描述的实施例。
本文中描述的实施例提供优于先前使用的基于关注区域的方法及***的若干优点。举例来说,本文中描述的实施例实现针对图像噪声分割优化检验关注区域的可行手段。实施例还可使用基于噪声数据修改的关注区域来对在设计及噪声方面均匀的区域分组以改进可用于识别离群点像素作为检验器的信号处理链的部分的信噪比。另外,本文中描述的实施例特别地通过提供关注区域放置的前所未有的体积及准确性而改进获得权利的时间以用于分割图像噪声以提高净检验灵敏度的目的。
额外优点包含关注区域类型不再经组合以形成有限数目个区。代替地,其基于从多个裸片获取的样品噪声及上下文进一步分割。分割可产生关注区域子群组(其中相同类型的关注区域的多个例子分离成不同子群组)及/或子关注区域(其中关注区域的一个例子分离成不同子关注区域)。因此,本文中描述的实施例允许关注区域为纯噪声、上下文及设计的。本文中描述的实施例还允许基于噪声统计数据而组合来自不同关注区域类型的不同子群组或不同子关注区域。因此,关注区域子群组及/或子关注区域可为纯噪声、上下文及设计的。运用已如本文中描述那样分割(且任选地组合)的关注区域执行的检验将具有经改进缺陷检测。举例来说,在MDAT缺陷检测的情况中,MDAT云将较窄,借此提高相对较低信号DOI的信噪比。换句话来说,实现基于子关注区域及/或关注区域子群组的检测提供较窄MDAT云及因此更好的DOI可检测性。本文中描述的实施例将能够检测过去在噪声基底内的深处的缺陷。
本文中描述的实施例还提供基于噪声/上下文的分割的自动化方式。另外,本文中描述的实施例提供重组基于噪声/上下文分离的关注区域的自动化方式。举例来说,本文中描述的实施例将能够自动1)细分关注区域类型及/或例子及/或2)重组基于样品及上下文测量分割的关注区域。因此,本文中描述的实施例的另一优点是将消除归因于手动关注区域选择的检验结果的可变性。由于不存在涉及的手动关注区域过程,因此关注区域分割/组合将为有条理且最佳的。此外,通过本文中描述的实施例的关注区域设置过程的自动化将显著改进相对较低信号缺陷的可检测性。
上文描述的***中的每一者的实施例中的每一者可一起组合成一个单个实施例。
另一实施例涉及一种用于设置具有基于设计及噪声的关注区域的样品的检验的计算机实施方法。所述方法包含上文描述的产生、确定、分离及选择步骤。
可如本文中进一步描述那样执行方法的步骤中的每一者。方法还可包含可由本文中描述的输出获取子***及/或(若干)计算机子***或(若干)***执行的(若干)任何其它步骤。由可根据本文中描述的实施例中的任一者配置的一或多个计算机***执行产生、确定、分离及选择步骤。另外,可由本文中描述的***实施例中的任一者执行上文描述的方法。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在计算机***上执行以执行用于设置具有基于设计及噪声的关注区域的样品的检验的计算机实施方法。图10中展示一个此实施例。特定来说,如图10中展示,非暂时性计算机可读媒体1000包含可在计算机***1004上执行的程序指令1002。计算机实施方法可包含本文中描述的(若干)任何方法的(若干)任何步骤。
实施例如本文中描述的方法的方法的程序指令1002可存储于计算机可读媒体1000上。计算机可读媒体可为存储媒体,例如磁盘或光盘、磁带或所属领域中已知的任何其它适合非暂时性计算机可读媒体。
可以多种方式(包含基于程序的技术、基于组件的技术及/或面向对象技术等等)中的任一者实施程序指令。举例来说,可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(流式传输SIMD扩展)或其它技术或方法论实施程序指令。
可根据本文中所描述的实施例中的任一者配置计算机***1004。
鉴于此描述,所属领域的技术人员将了解本发明的多种方面的进一步修改及替代实施例。举例来说,提供用于设置具有基于设计及噪声的关注区域的样品的检验的方法及***。因此,将此描述解释为仅是说明性且是出于向所属领域的技术人员教示实行本发明的一般方式的目的。应理解,应将本文中展示且描述的本发明的形式视为目前优选实施例。都如所属领域的技术人员在受益于本发明的此描述之后将了解,元件及材料可替代本文中说明且描述的所述元件及材料,可颠倒部分及过程,且可独立利用本发明的某些特征。可对本文中描述的元件做出改变而不脱离如以下权利要求书中所描述的本发明的精神及范围。
Claims (34)
1.一种经配置用于设置具有基于设计及噪声的关注区域的样品的检验的***,所述***包括:
输出获取子***,其包括至少一能量源及检测器,其中所述能量源经配置以产生被引导到样品的能量,且其中所述检测器经配置以检测来自所述样品的能量且响应于所述所检测能量而产生输出;及
一或多个计算机子***,其经配置用于:
基于所述样品的设计而产生所述样品的关注区域,其中所述关注区域定义含有所关注图案的所述设计的一部分;
针对所述样品上的所述关注区域的多个例子确定一或多个输出属性,其中从由所述输出获取子***针对所述多个例子产生的所述输出确定所述一或多个输出属性;
基于所述一或多个输出属性将所述样品上的所述关注区域的所述多个例子分离成不同关注区域子群组,使得所述不同关注区域子群组具有所述一或多个输出属性的统计上不同值;且
基于所述不同关注区域子群组而选择所述样品的检验配方的参数,使得在针对所述样品执行所述检验配方时,用所述参数的不同值检验具有所述一或多个输出属性的所述统计上不同值的所述不同关注区域子群组。
2.根据权利要求1所述的***,其中所述一或多个输出属性中的至少一者是噪声属性。
3.根据权利要求1所述的***,其中从其确定所述一或多个输出属性的所述输出是由所述检测器针对所述样品产生的输出。
4.根据权利要求1所述的***,其中从其确定所述一或多个输出属性的所述输出是运用所述输出获取子***的一个以上模式针对所述样品产生的输出。
5.根据权利要求1所述的***,其中基于所述设计产生所述样品的所述关注区域包括在所述设计中搜索所述所关注图案。
6.根据权利要求1所述的***,其中所述检验配方的所述参数的所述不同值包括在所述检验配方中用于检测所述样品上的缺陷的缺陷检测方法的不同灵敏度。
7.根据权利要求1所述的***,其中所述所关注图案具有第一所关注图案类型,其中另一关注区域定义含有具有第二所关注图案类型的另一所关注图案的所述设计的另一部分,且其中分别针对所述关注区域及所述另一关注区域执行所述产生、确定、分离及选择。
8.根据权利要求1所述的***,其中所述一或多个计算机子***进一步经配置用于针对所述样品上的所述关注区域的所述多个例子中的一或多者确定依据所述关注区域内的位置而变化的所述一或多个输出属性且基于依据所述位置而变化的所述一或多个输出属性将所述关注区域分离成两个或更多个不同子关注区域,使得所述两个或更多个不同子关注区域具有所述一或多个输出属性的统计上不同值。
9.根据权利要求1所述的***,其中所述检验配方包括应用于由所述输出获取子***针对所述样品产生的所述输出以借此检测所述样品上的缺陷的缺陷检测方法,且其中所述一或多个计算机子***进一步经配置用于基于相对于所述样品的所述设计确定的所述缺陷的位置而识别哪些所述缺陷为***缺陷。
10.根据权利要求1所述的***,其中所述一或多个计算机子***进一步经配置用于通过对少于所述样品上的所述关注区域的全部所述多个例子取样而选择针对其确定所述一或多个输出属性的所述关注区域的所述多个例子,其中基于所述一或多个输出属性中的预期裸片级变动而执行所述取样,且其中所述一或多个计算机子***进一步经配置用于基于所述经确定一或多个输出属性而确定所述关注区域的所述一或多个输出属性中的实际裸片级变动。
11.根据权利要求1所述的***,其中所述一或多个计算机子***进一步经配置用于通过对少于所述样品上的所述关注区域的全部所述多个例子取样而选择针对其确定所述一或多个输出属性的所述关注区域的所述多个例子,其中基于所述一或多个输出属性中的预期样品级变动而执行所述取样,且其中所述一或多个计算机子***进一步经配置用于基于所述经确定一或多个输出属性而确定所述关注区域的所述一或多个输出属性中的实际样品级变动。
12.根据权利要求1所述的***,其中使用第一预定方法来执行产生所述关注区域,且其中所述一或多个计算机子***进一步经配置用于运用第二预定方法针对所述所关注图案产生另一关注区域,针对所述另一关注区域执行所述确定及所述分离步骤,且基于针对所述关注区域及所述另一关注区域执行的所述确定及所述分离步骤的结果而选择所述第一或第二预定方法用于产生额外关注区域。
13.根据权利要求1所述的***,其中所述一或多个计算机子***进一步经配置用于通过从针对所述多个例子确定的所述一或多个输出属性的统计分析推断所述方法的一或多个经修改参数而修改用于产生所述关注区域的方法。
14.根据权利要求1所述的***,其中基于所述设计针对所述样品产生的另一关注区域定义含有不同所关注图案的所述设计的不同部分,且其中所述一或多个计算机子***进一步经配置用于基于针对所述关注区域执行的所述确定及分离的结果而确定是否针对所述另一关注区域执行所述确定及所述分离步骤。
15.根据权利要求1所述的***,其中所述一或多个计算机子***进一步经配置用于基于所述设计而产生所述样品的另一关注区域,针对所述另一关注区域执行所述确定及所述分离步骤,识别含有具有高于预定阈值的类似性的测量且具有所述一或多个输出属性的统计上类似值的图案的所述关注区域及所述另一关注区域的所述不同关注区域子群组,且将所述经识别不同关注区域子群组中的所述关注区域及所述另一关注区域的所述多个例子组合成单个关注区域群组。
16.根据权利要求1所述的***,其中所述关注区域是所述所关注图案的多个关注区域中的一者,且其中产生所述关注区域包括识别所述设计中的所述所关注图案的不同例子,确定所述设计中的所述所关注图案的所述不同例子的设计上下文,将具有不同设计上下文的所述不同例子分离成不同群组,及将所述不同群组中的一者指派到所述关注区域。
17.根据权利要求16所述的***,其中使用几何哈希来执行分离所述不同例子。
18.根据权利要求16所述的***,其中所述一或多个计算机子***进一步经配置用于针对所述样品上的所述多个关注区域中的另一者的多个例子确定所述一或多个输出属性且在所述关注区域及所述多个关注区域中的另一者的所述多个例子中的所述一或多者具有所述一或多个输出属性的统计上相同值时,将所述关注区域的所述多个例子中的一或多者及所述多个关注区域中的另一者的所述多个例子中的一或多者组合成单个关注区域群组。
19.根据权利要求1所述的***,其中所述一或多个计算机子***进一步经配置用于对多个样品执行所述检验配方且通过确定所述变动且比较所述变动与预定可允许变动而监测针对所述多个样品确定的所述一或多个输出属性依据样品而变化的变动。
20.根据权利要求19所述的***,其中所述一或多个计算机子***进一步经配置用于基于在对所述多个样品中的一者执行所述检验配方之后确定的所述变动与所述预定可允许变动的比较而确定通过对所述多个样品中的一者执行所述检验配方所产生的结果的置信度。
21.根据权利要求19所述的***,其中所述一或多个计算机子***进一步经配置用于基于比较所述变动与所述预定可允许变动的结果而更改对所述多个样品中的一者执行的缺陷重检过程的一或多个参数。
22.根据权利要求19所述的***,其中所述一或多个计算机子***进一步经配置用于在针对所述多个样品中的一者产生的所述变动超过所述预定可允许变动时,更改针对所述多个样品中的一者上的所述关注区域执行的所述检验配方的一或多个参数。
23.根据权利要求22所述的***,其中所述一或多个计算机子***进一步经配置用于更改针对所述多个样品中的一者上的所述关注区域执行的缺陷重检过程的一或多个参数。
24.根据权利要求19所述的***,其中所述一或多个计算机子***进一步经配置用于在针对所述多个样品中的一者产生的所述变动超过所述预定可允许变动时,针对所述多个样品中的一者运行缺陷发现配方。
25.根据权利要求1所述的***,其中所述样品上的所述关注区域的所述多个例子中的一者的一部分具有空间上与所述样品上的另一关注区域的例子的一部分的区域重合的一区域,其中所述关注区域及所述另一关注区域具有不同优先级,且其中所述一或多个计算机子***进一步经配置用于确定针对所述样品上的所述关注区域的所述多个例子确定的所述一或多个输出属性依据所述样品上的所述多个例子的位置而变化的变动且基于所述经确定变动而确定所述区域中的所述关注区域及所述另一关注区域的顺序。
26.根据权利要求1所述的***,其中所述一或多个计算机子***进一步经配置用于基于所述不同关注区域子群组而选择所述样品的计量配方的参数,使得运用所述计量配方的所述参数的不同值量测具有所述一或多个输出属性的所述统计上不同值的所述不同关注区域子群组。
27.根据权利要求1所述的***,其中所述样品包括晶片。
28.根据权利要求1所述的***,其中所述样品包括光罩。
29.根据权利要求1所述的***,其中被引导到所述样品的所述能量包括光,且其中从所述样品检测的所述能量包括光。
30.根据权利要求1所述的***,其中被引导到所述样品的所述能量包括电子,且其中从所述样品检测的所述能量包括电子。
31.根据权利要求1所述的***,其中被引导到所述样品的所述能量包括离子。
32.根据权利要求1所述的***,其中所述一或多个计算机子***进一步经配置用于产生包括所述确定、所述分离及所述选择步骤的结果的数据库且基于针对另一样品及所述数据库产生的关注区域而选择用于所述另一样品的检验配方的参数。
33.一种非暂时性计算机可读媒体,其存储程序指令,所述程序指令可在计算机***上执行以执行用于设置具有基于设计及噪声的关注区域的样品的检验的计算机实施方法,其中所述计算机实施方法包括:
基于样品的设计而产生所述样品的关注区域,其中所述关注区域定义含有所关注图案的所述设计的一部分;
针对所述样品上的所述关注区域的多个例子确定一或多个输出属性,其中从由输出获取子***针对所述多个例子产生的输出确定所述一或多个输出属性,其中所述输出获取子***包括至少一能量源及检测器,其中所述能量源经配置以产生被引导到所述样品的能量,且其中所述检测器经配置以检测来自所述样品的能量且响应于所述所检测能量而产生所述输出;
基于所述一或多个输出属性将所述样品上的所述关注区域的所述多个例子分离成不同关注区域子群组,使得所述不同关注区域子群组具有所述一或多个输出属性的统计上不同值;及
基于所述不同关注区域子群组而选择所述样品的检验配方的参数,使得在针对所述样品执行所述检验配方时,用所述参数的不同值检验具有所述一或多个输出属性的所述统计上不同值的所述不同关注区域子群组。
34.一种用于设置具有基于设计及噪声的关注区域的样品的检验的计算机实施方法,所述方法包括:
基于样品的设计而产生所述样品的关注区域,其中所述关注区域定义含有所关注图案的所述设计的一部分;
针对所述样品上的所述关注区域的多个例子确定一或多个输出属性,其中从由输出获取子***针对所述多个例子产生的输出确定所述一或多个输出属性,其中所述输出获取子***包括至少一能量源及检测器,其中所述能量源经配置以产生被引导到所述样品的能量,且其中所述检测器经配置以检测来自所述样品的能量且响应于所述所检测能量而产生所述输出;
基于所述一或多个输出属性将所述样品上的所述关注区域的所述多个例子分离成不同关注区域子群组,使得所述不同关注区域子群组具有所述一或多个输出属性的统计上不同值;及
基于所述不同关注区域子群组而选择所述样品的检验配方的参数,使得在针对所述样品执行所述检验配方时,用所述参数的不同值检验具有所述一或多个输出属性的所述统计上不同值的所述不同关注区域子群组,其中由一或多个计算机***执行所述产生、确定、分离及选择。
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862747893P | 2018-10-19 | 2018-10-19 | |
US62/747,893 | 2018-10-19 | ||
US201862774558P | 2018-12-03 | 2018-12-03 | |
US62/774,558 | 2018-12-03 | ||
US201962792853P | 2019-01-15 | 2019-01-15 | |
US62/792,853 | 2019-01-15 | ||
US16/364,161 | 2019-03-25 | ||
US16/364,161 US10832396B2 (en) | 2018-10-19 | 2019-03-25 | And noise based care areas |
PCT/US2019/056626 WO2020081748A1 (en) | 2018-10-19 | 2019-10-17 | Design and noise based care areas |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112840205A true CN112840205A (zh) | 2021-05-25 |
CN112840205B CN112840205B (zh) | 2022-08-05 |
Family
ID=70281171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980067471.5A Active CN112840205B (zh) | 2018-10-19 | 2019-10-17 | 基于设计及噪声的关注区域 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10832396B2 (zh) |
KR (1) | KR102576881B1 (zh) |
CN (1) | CN112840205B (zh) |
IL (1) | IL281900B2 (zh) |
TW (1) | TWI808266B (zh) |
WO (1) | WO2020081748A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11775728B2 (en) * | 2018-12-19 | 2023-10-03 | Asml Netherlands B.V. | Methods for sample scheme generation and optimization |
US11619592B2 (en) | 2019-07-09 | 2023-04-04 | KLA Corp. | Selecting defect detection methods for inspection of a specimen |
US11615993B2 (en) * | 2019-11-21 | 2023-03-28 | Kla Corporation | Clustering sub-care areas based on noise characteristics |
US11769242B2 (en) | 2020-05-21 | 2023-09-26 | Kla Corporation | Mode selection and defect detection training |
US20220301133A1 (en) * | 2021-03-16 | 2022-09-22 | Kla Corporation | Segmentation of design care areas with a rendered design image |
US11887296B2 (en) * | 2021-07-05 | 2024-01-30 | KLA Corp. | Setting up care areas for inspection of a specimen |
US20230013051A1 (en) * | 2021-07-12 | 2023-01-19 | Kla Corporation | Fast and fuzzy pattern grouping |
US11954775B2 (en) * | 2022-02-23 | 2024-04-09 | International Business Machines Corporation | Artboard element positioning in a series of computer-based artboards |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060280358A1 (en) * | 2003-06-30 | 2006-12-14 | Akio Ishikawa | Pattern comparison inspection method and pattern comparison inspection device |
US20100235134A1 (en) * | 2009-03-13 | 2010-09-16 | Kla-Tencor Corporation | Methods and systems for generating an inspection process for a wafer |
US20140198975A1 (en) * | 2011-09-07 | 2014-07-17 | Hitachi High-Technologies Corporation | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method |
US20160377561A1 (en) * | 2015-05-28 | 2016-12-29 | Kla-Tencor Corporation | System and Method for Dynamic Care Area Generation on an Inspection Tool |
CN107111294A (zh) * | 2014-10-14 | 2017-08-29 | 科磊股份有限公司 | 使用结构性信息的缺陷检测 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7877722B2 (en) | 2006-12-19 | 2011-01-25 | Kla-Tencor Corp. | Systems and methods for creating inspection recipes |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US7796804B2 (en) | 2007-07-20 | 2010-09-14 | Kla-Tencor Corp. | Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer |
US8611639B2 (en) | 2007-07-30 | 2013-12-17 | Kla-Tencor Technologies Corp | Semiconductor device property extraction, generation, visualization, and monitoring methods |
US8126255B2 (en) | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
US8664594B1 (en) | 2011-04-18 | 2014-03-04 | Kla-Tencor Corporation | Electron-optical system for high-speed and high-sensitivity inspections |
US8692204B2 (en) | 2011-04-26 | 2014-04-08 | Kla-Tencor Corporation | Apparatus and methods for electron beam detection |
US8716662B1 (en) | 2012-07-16 | 2014-05-06 | Kla-Tencor Corporation | Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US9183624B2 (en) | 2013-06-19 | 2015-11-10 | Kla-Tencor Corp. | Detecting defects on a wafer with run time use of design data |
US9262821B2 (en) | 2014-05-12 | 2016-02-16 | Kla-Tencor Corp. | Inspection recipe setup from reference image variation |
US9401016B2 (en) * | 2014-05-12 | 2016-07-26 | Kla-Tencor Corp. | Using high resolution full die image data for inspection |
US10359371B2 (en) | 2015-08-24 | 2019-07-23 | Kla-Tencor Corp. | Determining one or more characteristics of a pattern of interest on a specimen |
US10338002B1 (en) * | 2016-02-01 | 2019-07-02 | Kla-Tencor Corporation | Methods and systems for selecting recipe for defect inspection |
-
2019
- 2019-03-25 US US16/364,161 patent/US10832396B2/en active Active
- 2019-10-09 TW TW108136514A patent/TWI808266B/zh active
- 2019-10-17 WO PCT/US2019/056626 patent/WO2020081748A1/en active Application Filing
- 2019-10-17 KR KR1020217015059A patent/KR102576881B1/ko active IP Right Grant
- 2019-10-17 IL IL281900A patent/IL281900B2/en unknown
- 2019-10-17 CN CN201980067471.5A patent/CN112840205B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060280358A1 (en) * | 2003-06-30 | 2006-12-14 | Akio Ishikawa | Pattern comparison inspection method and pattern comparison inspection device |
US20100235134A1 (en) * | 2009-03-13 | 2010-09-16 | Kla-Tencor Corporation | Methods and systems for generating an inspection process for a wafer |
US20140198975A1 (en) * | 2011-09-07 | 2014-07-17 | Hitachi High-Technologies Corporation | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method |
CN107111294A (zh) * | 2014-10-14 | 2017-08-29 | 科磊股份有限公司 | 使用结构性信息的缺陷检测 |
US20160377561A1 (en) * | 2015-05-28 | 2016-12-29 | Kla-Tencor Corporation | System and Method for Dynamic Care Area Generation on an Inspection Tool |
Also Published As
Publication number | Publication date |
---|---|
US10832396B2 (en) | 2020-11-10 |
IL281900B1 (en) | 2023-06-01 |
KR20210062713A (ko) | 2021-05-31 |
US20200126212A1 (en) | 2020-04-23 |
IL281900A (en) | 2021-05-31 |
CN112840205B (zh) | 2022-08-05 |
TWI808266B (zh) | 2023-07-11 |
KR102576881B1 (ko) | 2023-09-08 |
IL281900B2 (en) | 2023-10-01 |
TW202030475A (zh) | 2020-08-16 |
WO2020081748A1 (en) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112840205B (zh) | 基于设计及噪声的关注区域 | |
TWI751376B (zh) | 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 | |
JP6785663B2 (ja) | 検査のための高解像度フルダイイメージデータの使用 | |
US10483081B2 (en) | Self directed metrology and pattern classification | |
KR102386536B1 (ko) | 시편 상의 관심 패턴의 하나 이상의 특성의 결정 | |
US9262821B2 (en) | Inspection recipe setup from reference image variation | |
CN114096832B (zh) | 用于选择用于样本检验的缺陷检测方法的***和方法 | |
US11416982B2 (en) | Controlling a process for inspection of a specimen | |
KR102525830B1 (ko) | 테스트 이미지 대 설계물의 정렬을 위한 설계물 파일 선택 | |
IL257205A (en) | Self-directed metrology and example classification | |
KR102557194B1 (ko) | 검사를 위한 결함 후보 생성 | |
US20220301133A1 (en) | Segmentation of design care areas with a rendered design image | |
TW202316105A (zh) | 設置用於檢查樣品之關注區域 |
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 |