CN112969911B - 使用基于深度学习的缺陷检测及分类方案进行像素级图像量化 - Google Patents
使用基于深度学习的缺陷检测及分类方案进行像素级图像量化 Download PDFInfo
- Publication number
- CN112969911B CN112969911B CN201980073377.0A CN201980073377A CN112969911B CN 112969911 B CN112969911 B CN 112969911B CN 201980073377 A CN201980073377 A CN 201980073377A CN 112969911 B CN112969911 B CN 112969911B
- Authority
- CN
- China
- Prior art keywords
- image
- processor
- defects
- wafer
- pixels
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- 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
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/22—Treatment of data
- H01J2237/221—Image processing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/244—Detection characterized by the detecting means
- H01J2237/2448—Secondary particle detectors
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2803—Scanning microscopes characterised by the imaging method
- H01J2237/2806—Secondary charged particle
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2809—Scanning microscopes characterised by the imaging problems involved
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2813—Scanning microscopes characterised by the application
- H01J2237/2817—Pattern inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
图像中的可能缺陷的热图可表示为对应于每一像素的缺陷概率指数的矩阵。所述图像可自从扫描电子显微镜或其它检验工具的检测器接收的数据产生。可量化所述图像中的超过所述矩阵中的对应阈值的像素的数目。
Description
相关申请案的交叉参考
本申请案主张2018年11月15日申请且指定为第201841042919号申请案的印度专利申请案的优先权,所述申请案的公开内容以引用的方式并入本文。
技术领域
本公开涉及缺陷检测及分类。
背景技术
半导体制造行业的演变对良率管理且特定来说对计量及检验***寄予更高要求。临界尺寸继续缩小,然而行业需要减少实现高良率、高价值生产的时间。最小化从检测良率问题到将其修复的总时间决定了半导体制造者的投资回报。
制造半导体装置(例如逻辑及存储器装置)通常包含使用大量制造工艺处理半导体晶片以形成所述半导体装置的各种特征及多个层级。例如,光刻是涉及将图案从光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。多个半导体装置可制造为单个半导体晶片上的布置且接着分成个别半导体装置。
在半导体制造期间的各个步骤使用检验过程以检测晶片上的缺陷以促进制造工艺中的较高良率且因此较高收益。检验始终是制造半导体装置(例如集成电路(IC))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变得更加重要,这是因为较小缺陷可引起所述装置发生故障。例如,随着半导体装置的尺寸减小,检测减小尺寸的缺陷已变得必要,这是因为甚至相对较小缺陷也可在半导体装置中引起非所要像差。
然而,随着设计规则缩小,半导体制造工艺可能更接近对工艺的性能能力的限制而操作。另外,在设计规则缩小时,较小缺陷可对装置的电参数具有影响,此驱动更敏感检验。随着设计规则缩小,通过检验检测到的潜在良率相关缺陷群急剧增加,且通过检验检测的扰乱点(nuisance)缺陷群也急剧增加。因此,可在晶片上检测到更多缺陷,且校正工艺以消除所有缺陷可能是困难且昂贵的。确定哪些缺陷实际上对装置的电参数及良率具有影响可允许工艺控制方法集中于所述缺陷而大体上忽略其它缺陷。此外,在较小设计规则下,在一些情况中,工艺引发的故障倾向于是***性的。即,工艺引发的故障倾向于在设计内常常重复多次的预定设计图案下发生故障。消除空间***的、电相关的缺陷可能会影响良率。
缺陷重检通常涉及使用高倍率光学***或扫描电子显微镜(SEM)对由检验过程标记的缺陷进行高分辨率成像及分类。缺陷重检通常在样品上的已通过检验检测到缺陷的离散位置处执行。用于通过缺陷重检产生的缺陷的较高分辨率数据更适于确定所述缺陷的属性(例如轮廓、粗糙度或更准确尺寸信息)。
在制造期间对半导体晶片的光学检验通常是缓慢、手动过程。半导体制造厂(晶片厂)的缺陷团队通常使用光学工具用于晶片检验,但通常对缺陷执行SEM重检以进行验证。因此,对于在光学检验工具上检验的每一层,接着在SEM工具上重检经取样的缺陷群。手动分类所述经重检缺陷既繁琐又耗时。晶片厂使用自动检测及分类方案以节省缺陷分类中所涉及的时间及精力。然而,自动检测及分类方案具有限制且不能代替人工分类。除了需要大计算能力之外,自动检测及分类方案还易于出现扰乱点或多个不重要缺陷的例子。用于半导体层的最佳检验配方应检测尽可能多的所关注缺陷(DOI),同时维持基本上低扰乱点率。
先前,缺陷的像素级量化使用边缘检测及计算或基于灰度差的算法。这些技术对于工艺变化引发的所关注结构的变化不灵活。已知由成像伪影所引起的灰度变化引发计算中的误差源。在看起来相似的预期缺陷模式与工艺引发的随机缺陷模式之间进行区分可能具有挑战性或甚至是不可能的。
因此,需要用于缺陷检测及分类的经改进技术及***。
发明内容
在第一实施例中提供一种***。所述***包括:电子束源,其产生电子束;载物台,其经配置以将晶片固持于所述电子束的路径中;检测器,其经配置以接收从所述晶片返回的所述电子束;及处理器,其与所述检测器电子通信。所述处理器经配置以:将图像中的可能缺陷的热图表示为对应于每一像素的缺陷概率指数的矩阵;及量化所述图像中的超过所述矩阵中的对应阈值的像素的数目。所述图像是自从所述检测器接收的数据产生。
所述***可进一步包含由所述处理器操作的深度学习模块。所述深度学习模块可经配置以:接收所述图像;对所述图像执行缺陷检测;及对所述图像执行缺陷分类。
在例子中,所述处理器进一步经配置以确定所述热图。
用于所述像素中的一者的所述对应阈值可处于在所述图像上的与所述像素中的所述一者相同的位置处。
所述量化可用于像素级图像量化中。
所述可能缺陷可为EUV随机缺陷或临界尺寸缺陷。
所述图像可为扫描电子显微镜图像。
在第二实施例中提供一种方法。所述方法包括:使用处理器将图像中的可能缺陷的热图表示为对应于每一像素的缺陷概率指数的矩阵;及使用所述处理器量化所述图像中的超过所述矩阵中的对应阈值的像素的数目。所述图像是自从检测器接收的数据产生。
所述方法可进一步包含:在所述处理器处接收所述图像;使用所述处理器的深度学习模块对所述图像执行缺陷检测;及使用所述处理器的所述深度学习模块对所述图像执行缺陷分类。
在例子中,所述方法进一步包含使用所述处理器确定所述热图。
用于所述像素中的一者的所述对应阈值可处于在所述图像上的与所述像素中的所述一者相同的位置处。
所述量化可用于像素级图像量化中。
所述可能缺陷可为EUV随机缺陷或临界尺寸缺陷。
所述图像可为扫描电子显微镜图像。
在例子中,所述方法进一步包括:将电子束引导于所述晶片处;使用检测器收集从所述晶片返回的电子;及使用所述处理器产生所述晶片的所述图像。
一种存储程序的非暂时性计算机可读媒体可经配置以指示处理器执行第二实施例的方法。
附图说明
出于更充分理解本公开的性质及目的,应参考结合附图进行的以下详细描述,其中:
图1是根据本公开的方法的实施例的流程图;
图2是示范性SEM图像;
图3包含具有两个底部桥接缺陷(左)、常规算法的结果(中心)及SMARTS算法的结果(右)的另一示范性SEM图像;
图4是示范性晶片热图;
图5说明个别接触孔的直径与1x1μm SEM视场的平均直径的偏差百分比(左上)、展示在经阈值化之后被视为有缺陷的像素的一个二进制图像(右上)、10x10接触孔矩阵的1x1μm SEM图像(右下)及用于图4的具有粗框及值16.7的区域的结果(左下)的图表;
图6说明个别接触孔的直径与1x1μm SEM视场的平均直径的偏差百分比(左上)、展示在经阈值化之后被视为有缺陷的像素的一个二进制图像(右上)、10x10接触孔矩阵的1x1μm SEM图像(右下)及用于图4的具有粗框及值19.4的区域的结果(左下)的图表;
图7说明个别接触孔的直径与1x1μm SEM视场的平均直径的偏差百分比(左上)、展示在经阈值化之后被视为有缺陷的像素的一个二进制图像(右上)、10x10接触孔矩阵的1x1μm SEM图像(右下)及用于图4的具有粗框及值15.7的区域的结果(左下)的图表;
图8说明个别接触孔的直径与1x1μm SEM视场的平均直径的偏差百分比(左上)、展示在经阈值化之后被视为有缺陷的像素的一个二进制图像(右上)、10x10接触孔矩阵的1x1μm SEM图像(右下)及用于图4的具有粗框及值17.1的区域的结果(左下)的图表;
图9是图5的SEM图像中的接触孔的临界尺寸直径的图表;
图10是图6的SEM图像中的接触孔的临界尺寸直径的图表;
图11是图7的SEM图像中的接触孔的临界尺寸直径的图表;
图12是图8的SEM图像中的接触孔的临界尺寸直径的图表;
图13是用于图5到8的图像的结果的表;及
图14是根据本公开的***的框图。
具体实施方式
尽管将依据某些实施例描述所主张的标的物,但包含未提供本文中所陈述的所有益处及特征的实施例的其它实施例也在本公开的范围内。可在不脱离本公开的范围的情况下作出各种结构、逻辑、过程步骤及电子变化。因此,本公开的范围仅参考所附权利要求书予以定义。
本文中所公开的实施例使用基于深度学习的缺陷检测及/或分类网络进行像素级图像量化。例如,深度学习可用于SEM图像的像素级量化。此可用于如极紫外线(EUV)随机缺陷率量化或临界尺寸(CD)测量/比较的应用。本文中所公开的实施例可集成于用于重检工具或检验工具的现存缺陷检测或分类方案中。
基于深度学习的缺陷检测及分类算法可提供像素级SEM图像量化。半导体制造商可能需要图像的像素级量化。例如,当通过量化结构的两个边缘或边角之间的像素数目来测量所述结构的特定几何参数(如图案宽度、间隙、距离或直径)时,像素级量化可结合临界尺寸测量一起使用。像素级量化也可结合EUV随机缺陷一起使用。EUV随机缺陷应用的目标是量化给定SEM图像中的引起特定缺陷模式的有缺陷像素的数目。这些有缺陷像素既非难以对付的重复缺陷,其也非完全随机的(如工艺缺陷)。对于这些应用及其它应用,可能需要以像素级准确度量化图像(例如,SEM图像)以提供所要结果。可能需要像素级准确度,这是因为对故障像素及良好像素的数目进行计数。例如,随机缺陷可由图案化工艺中的分子级不准确性所引起,此导致晶片上的像素或甚至子像素级故障。基于深度学习的缺陷检测及分类算法可以像素级准确度提供SEM图像的量化。
本文中所公开的实施例使用基于深度学习的缺陷检测及分类(如来自科磊(KLA-Tencor)公司的SMARTS)用于像素量化。这通过以适当方式训练特定图像集,使得深度学习算法仅标记DOI而不标记随机过程引发的缺陷(即使其在结构或形态上类似于DOI)来实现。
可量化来自基于深度学习的缺陷检测及分类的结果。图1是方法100的实施例的流程图。
在101,将图像(例如SEM图像)中的可能缺陷的热图表示为对应于每一像素的缺陷概率指数的矩阵。所述可能缺陷可为EUV随机缺陷、临界尺寸缺陷、桥接缺陷、断线、突部、缺少触点、合并触点、收缩触点或其它类型的缺陷。图像是自从检测器(例如SEM中的检测器)接收的数据产生。
图像可为灰度图像或可为黑白图像。矩阵可为零及一。零可对应于缺陷。在灰度图像的情况下,差异可经人为引发(例如,伪影)或工艺变化。此类差异可能并非缺陷。
在102,量化图像中的超过矩阵中的对应阈值的像素的数目。用于像素中的一者的所述对应阈值可处于在图像上的与所述像素相同的位置处。因此,每一像素可具有阈值,图像的部分可具有阈值,或整个图像可具有阈值。步骤102可量化在图像或图像的部分中故障的像素的数目。所述量化可表达为总像素的数目或总像素的百分比。在此例子中小于阈值的像素被视为无缺陷的而等于或大于所述阈值的像素被视为有缺陷的,但等于或小于阈值的像素在另一例子中可被视为有缺陷的。
可使用检测阈值参数将扰乱点率调谐到所需等级。因此,可取决于应用或所要敏感度调谐阈值。
量化像素可使用或包含像素级图像量化。
步骤101及102可在缺陷检测及缺陷分类期间实时执行。步骤101及102可在处理器上执行。方法100可存储于非暂时性计算机可读媒体(例如图14中的电子数据存储单元209)上。
在例子中,在处理器处接收图像。使用处理器的深度学习模块对图像执行缺陷检测及缺陷分类。可由处理器产生热图。所述深度学习模块可用(例如)具有缺陷码的示范性图像训练。在例子中,接触孔图像是用于训练深度学习模块。相对于接触孔的理想尺寸的接触孔尺寸可用于识别缺陷。
缺陷检测及分类可提供定量输出。所述定量输出可用于量化。非定量输出可能更难用于量化计算。
基于深度学习的像素量化可能对真实DOI敏感,同时成功地忽略随机过程引发的变化。本文中所公开的实施例在来自训练集的临界尺寸预测中可准确低到+/-2%准确度,此远低于现存技术中的误差预算。在使用本文中所公开的实施例的例子中,超出预期或随机过程引发的临界尺寸调制的临界尺寸预测中低到+/-1%准确度的敏感度是可能的。
本文中所公开的实施例可集成于现存检测平台或分类平台中且可使用现存参数空间进行优化。
在实例中,使用在显影检验(ADI)步骤之后(光刻后)的EUV接触孔(CH)阵列的测试层。然而,本文中所公开的技术对于任何非ADI步骤可为有效的。测试集使用具有0.5μm视场的SEM图像。所述SEM图像可具有100个接触孔(如图2中所展示的接触孔)或可具有其它数目个接触孔。
在尺寸上小于相应视场的平均临界尺寸达10%以上的接触孔针对此实例被视为有缺陷的。然而,可基于制造要求应用任何限制。
基于深度学习的缺陷检测算法经训练且用于识别验证图像集中的比特定图像中的其余接触孔小特定百分比的接触孔。如果深度学习方法可识别有缺陷的接触孔,那么其可用于量化图像中的有缺陷像素的数目。像素级量化具有许多应用,包含量化EUV随机缺陷故障率。EUV随机缺陷故障可通过遍及较小尺度区域的结构的临界尺寸变化或通过具有图像中的缺少结构(例如,像素)来展现其自身。
通过EUV光刻曝光的接触孔阵列的焦点曝光矩阵(FEM)晶片可用作此实例的测试材料。可针对所述晶片上的每个裸片产生一个SEM图像(0.5μm视场)。每一SEM图像可在其中具有100个接触孔。
一旦产生热图,就可将此热图转换成表示每一像素有缺陷的概率(例如,在0到100的标度上)的概率指数的矩阵。取决于所应用的阈值,具有高于特定指数的概率指数的像素被视为有缺陷的。给定SEM图像或光学贴片图像(optical patch)中的此类像素的总数被给出为故障像素的总数。此可针对图像中的像素总数进行正规化且作为数据中的随机缺陷故障率呈现。
可通过(例如)考虑具有变化的平均临界尺寸(例如,直径)的图像来进一步优化训练集以进一步减少扰乱点。D2DB启用的训练(例如以设计片段作为参考)还可导致针对像素级量化的扰乱点减少。D2DB是其中半导体或装置设计用作参考的缺陷检测技术。比较SEM图像或光学贴片图像与特定位置的设计片段且将图像中相对于设计的任何异常标记为(若干)有缺陷像素。
深度学习算法可能对小临界尺寸变化敏感,因此其可用于评估跨结构的局部临界尺寸变化。除了提供量化缺陷的方式之外,还可实施确定量化以改进用于像素级缺陷检测的算法的性能。
图3到13说明使用检测阈值参数将扰乱点率调谐到所需等级。取决于一群接触孔的平均CD,阈值(Thr)是不同的以提供最佳检测结果。
图3包含具有两个底部桥接缺陷(左)、常规算法的结果(中心)及SMARTS算法的结果(右)的示范性SEM图像。与常规算法相比,SMARTS深度学习引擎可更好地检测及分类SEM图像中的缺陷。图3中的常规算法具有高噪声。
图4是来自每一裸片的SEM图像中的100个接触孔的平均直径(例如,临界尺寸)的示范性晶片热图。EUV随机缺陷存在于此实例中。EUV随机缺陷可为用于大批量制造中的EUV的控制因素。在此实例中,EUV光刻(13.5nm光)可为缩放启用器(<7nm节点)。随机缺陷可为随机(例如,局部及/或全局)结构变化。根本原因可为材料、扫描仪参数或结构相依性。
在图4的热图中的粗黑边界中的三个裸片(16.7、17.2及17.2的平均直径)的SEM图像中,小于来自对应图像的100个接触孔的平均临界尺寸的10%的所有个别接触孔用于训练深度学***均直径)的SEM图像用作验证图像以评估深度学习模型识别有缺陷接触孔的性能。
在图5到8中,右下图像展示接触孔矩阵的1x1μm SEM图像。此是具有100个触点的10x10矩阵。图5到8中的左上图像展示个别接触孔的直径与1x1μm SEM视场的平均直径的百分比偏差。图5到8中的右上图像展示一个二进制图像,所述二进制图像展示在阈值化之后被视为有缺陷的像素。在收缩接触孔(如果存在)上缺少的像素将使这些触点的直径类似于SEM视场的平均直径。此是用于计算故障的像素的数目。图5到8中的左下图像展示小于SEM视场的平均直径达10%以上的接触孔(其用a-1标记)。与SEM视场的平均值相比,标记为0的触点并未收缩达10%以上。图5对应于图4的具有粗框及值16.7的区域。图6对应于图4的具有粗框及值19.4的区域。图7对应于图4的具有粗框及值15.7的区域。图8对应于图4的具有粗框及值17.1的区域。
在图5到8中,标记A到F表示以下项。A表示真实缺陷捕获(CH收缩>10%)。B表示可接受扰乱点(CH收缩=8%至10%)。C表示总扰乱点(CH收缩<<10%)。D表示可接受缺少(CH收缩=8%到10%)。E表示未注释的缺陷类型。F表示总缺少(CH收缩>>10%)。这些标记也在图13中展示。
图9是图5的SEM图像中的接触孔的临界尺寸直径的图表。图10是图6的SEM图像中的接触孔的临界尺寸直径的图表。图11是图7的SEM图像中的接触孔的临界尺寸直径的图表。图12是图8的SEM图像中的接触孔的临界尺寸直径的图表。
在图5中,SFR是4.7x10-3/Thr=60。在图6中,SFR是7.6x10-4/Thr=50。在图7中,SFR是8.2x10-3/Thr=65。在图8中,SFR是3.3x10-3/Thr=60。
图13是用于图5到8的图像的结果的表。如所述结果中所见,SMARTS是对来自训练集的约2%准确度的CD变化敏感。这些结果表明,深度学习检测算法可成功地量化EUV随机缺陷率或其它像素级量化。期望用于线/空间结构的用以量化由桥接缺陷、突部或开口引起的有缺陷像素的数目的类似练习将同样成功。可进一步优化训练(例如,D2DB训练)以减少扰乱点。
图14是***200的框图。***200包含经配置以产生晶片204的图像的晶片检验工具(其包含电子柱201)。***200还可经配置为重检工具来代替检验工具。
晶片检验工具包含输出获取子***,所述输出获取子***包含至少一能量源及检测器。所述输出获取子***可为基于电子束的输出获取子***。例如,在一个实施例中,经引导到晶片204的能量包含电子,且从晶片204检测的能量包含电子。以此方式,能量源可为电子束源。在图14中所展示的一个此实施例中,输出获取子***包含耦合到计算机子***202的电子柱201。载物台210可固持晶片204。
也如图14中所展示,电子柱201包含电子束源203,所述电子束源203经配置以产生由一或多个元件205聚焦到晶片204的电子。电子束源203可包含(例如)阴极源或射极尖端。一或多个元件205可包含(例如)枪透镜、阳极、限束孔径、闸阀、束电流选择孔径、物镜及扫描子***,其全部可包含所属领域中已知任何此类合适元件。
从晶片204返回的电子(例如,二次电子)可由一或多个元件206聚焦到检测器207。一或多个元件206可包含(例如)扫描子***,所述扫描子***可为包含于(若干)元件205中的相同扫描子***。
电子柱201还可包含所属领域中已知的任何其它合适元件。
尽管图14中将电子柱201展示为经配置使得电子以一倾斜入射角被引导到晶片204且以另一倾斜角从晶片204散射,但电子束可以任何合适角度被引导到晶片204及从晶片204散射。另外,基于电子束的输出获取子***可经配置以使用多个模式(例如,运用不同照明角、收集角等)产生晶片204的图像。基于电子束的输出获取子***的多个模式可在输出获取子***的任何图像产生参数方面不同。
计算机子***202可如上文描述那样耦合到检测器207。检测器207可检测从晶片204的表面返回的电子,借此形成晶片204的电子束图像。电子束图像可包含任何合适电子束图像。计算机子***202可经配置以使用检测器207的输出及/或电子束图像来执行本文中所描述的功能中的任一者。计算机子***202可经配置以执行本文中所描述的(若干)任何额外步骤。包含图14中所展示的输出获取子***的***200可如本文中所描述那样进一步配置。
应注意,本文中提供图14以大体说明可用于本文中所描述的实施例中的基于电子束的输出获取子***的配置。可变更本文中所描述的基于电子束的输出获取子***布置以优化输出获取子***的性能,如通常在设计商业输出获取***时所执行那样。另外,可使用现存***(例如,通过将本文中所描述的功能性添加到现存***)来实施本文中所描述的***。对于一些此类***,可将本文中所描述的方法提供为***的任选功能性(例如,除了***的其它功能性之外)。替代性地,可将本文中所描述的***设计为全新***。
尽管上文将输出获取子***描述为基于电子束的输出获取子***,但输出获取子***可为基于离子束的输出获取子***。此输出获取子***可如图14中所展示那样配置,除了电子束源可由所属领域中已知的任何合适离子束源取代外。另外,输出获取子***可为任何其它合适的基于离子束的输出获取子***,例如包含于市售聚焦离子束(FIB)***、氦离子显微镜(HIM)***及二次离子质谱仪(SIMS)***中的基于离子束的输出获取子***。
计算机子***202包含处理器208及电子数据存储单元209。处理器208可包含微处理器、微控制器或其它装置。
计算机子***202可以任何合适方式(例如,经由可包含有线及/或无线传输媒体的一或多个传输媒体)耦合到***200的组件,使得处理器208可接收输出。处理器208可经配置以使用所述输出执行许多功能。晶片检验工具可从处理器208接收指令或其它信息。处理器208及/或电子数据存储单元209任选地可与另一晶片检验工具、晶片计量工具或晶片重检工具(未说明)电子通信以接收额外信息或发送指令。
处理器208是与晶片检验工具(例如检测器207)电子通信。处理器208可经配置以处理使用来自检测器207的测量值产生的图像及量化图像中的超过矩阵中的对应阈值的像素的数目。例如,处理器可执行方法100的实施例。
本文中所描述的计算机子***202、(若干)其它***或(若干)其它子***可为各种***(包含个人计算机***、图像计算机、大型计算机***、工作站、网络设备、因特网设备或其它装置)的部分。所述子***或***还可包含所属领域中已知的任何合适处理器,例如平行处理器。另外,所述子***或***可包含具有高速处理及软件的平台作为独立或联网工具。
处理器208及电子数据存储单元209可安置于***200或另一装置中或以其它方式作为***200或另一装置的部分。在实例中,处理器208及电子数据存储单元209可为独立控制单元的部分或在集中式质量控制单元中。可使用多个处理器208或电子数据存储单元209。
处理器208可在实践中由硬件、软件及固件的任何组合实施。另外,如本文中所描述的其功能可由一个单元执行,或在不同组件(其中每一者又可由硬件、软件及固件的任何组合实施)之间分配。使处理器208实施各种方法及功能的程序代码或指令可存储于可读存储媒体(例如电子数据存储单元209中的存储器或其它存储器)中。
如果***200包含一个以上计算机子***202,那么不同子***可彼此耦合,使得可在所述子***之间发送图像、数据、信息、指令等。例如,一个子***可由任何合适传输媒体耦合到(若干)额外子***,所述传输媒体可包含所属领域中已知的任何合适有线及/或无线传输媒体。此类子***中的两者或两者以上还可通过共享计算机可读存储媒体(未展示)有效耦合。
处理器208可经配置以使用***200的输出或其它输出执行许多功能。例如,处理器208可经配置以将输出发送到电子数据存储单元209或另一存储媒体。处理器208可如本文中所描述那样进一步配置。
处理器208或计算机子***202可为缺陷重检***、检验***、计量***或某一其它类型***的部分。因此,本文中所公开的实施例描述可以许多方式针对具有或多或少适于不同应用的不同能力的***定制的一些配置。
处理器208可根据本文中所描述的实施例中的任一者配置。处理器208还可经配置以使用***200的输出或使用来自其它源的图像或数据执行其它功能或额外步骤。
在例子中,处理器208是与检测器207电子通信。处理器208经配置以将图像中的可能缺陷的热图表示为对应于每一像素的缺陷概率指数的矩阵。所述图像是自从检测器接收的数据产生。处理器208还经配置以量化图像中的超过所述矩阵中的对应阈值的像素的数目。用于所述像素中的一者的所述对应阈值处于与所述像素相同的位置处。处理器208还可经配置以确定所述热图。
处理器208可操作深度学习模块,所述深度学习模块经配置以:接收图像;对所述图像执行缺陷检测;及对所述图像执行缺陷分类。深度学习模块可为神经网络(例如卷积神经网络)或某一其它类型的深度学习***。
处理器208可以所属领域中已知的任何方式通信地耦合到***200的各种组件或子***中的任一者。此外,处理器208可经配置以通过可包含有线及/或无线部分的传输媒体从其它***接收及/或获取数据或信息(例如,来自例如重检工具、包含设计数据的远程数据库及类似者的检验***的检验结果)。以此方式,所述传输媒体可用作处理器208与***200的其它子***或处理器208与***200外部的***之间的数据链路。
可通过以下项中的一或多者实行本文中所公开的***200及方法的各种步骤、功能及/或操作:电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控件/开关、微控制器或计算***。实施方法(例如本文中所描述的方法)的程序指令可经由载体媒体传输或存储于载体媒体上。载体媒体可包含存储媒体,例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及类似者。载体媒体可包含传输媒体,例如导线、缆线或无线传输链路。例如,贯穿本公开所描述的各种步骤可由单个处理器208(或计算机子***202)或替代性地多个处理器208(或多个计算机子***202)实行。此外,***200的不同子***可包含一或多个计算或逻辑***。因此,以上描述不应被解释为限制本公开而仅为说明。
方法的步骤中的每一者可如本文中描述那样执行。方法还可包含可由本文中所描述的处理器及/或(若干)计算机子***或(若干)***执行的(若干)任何其它步骤。步骤可由一或多个计算机***执行,所述一或多个计算机***可根据本文中所描述的实施例中的任一者配置。另外,上文所描述的方法可由本文中所描述的***实施例的任一者执行。
尽管已参考一或多个特定实施例描述本公开,但将理解,可在不脱离本公开的范围的情况下进行本公开的其它实施例。因此,本公开被视为仅受所附权利要求书及其合理解释所限制。
Claims (18)
1.一种***,其包括:
电子束源,其产生电子束;
载物台,其经配置以将晶片固持于所述电子束的路径中;
检测器,其经配置以接收从所述晶片返回的所述电子束;
处理器,其与所述检测器电子通信;及
深度学习模块,其经所述处理器操作,其中所述深度学习模块经配置以:
接收自从所述检测器接收的数据产生的图像;及
对所述图像执行缺陷检测及缺陷分类进而确定可能缺陷,其中所述处理器经配置以:
将所述图像中的来自所述深度学习模块的所述可能缺陷的热图表示为对应于所述图像的每一像素的缺陷概率指数的矩阵,其中所述热图包括至少部分的所述晶片且所述热图是基于所述图像中特征的测量;及
量化所述图像中的超过所述矩阵中的对应阈值的像素的数目。
2.根据权利要求1所述的***,其中所述处理器进一步经配置以确定所述热图。
3.根据权利要求1所述的***,其中用于所述像素中的一者的所述对应阈值是处于在所述图像上的与所述像素中的所述一者相同的位置处。
4.根据权利要求1所述的***,其中所述量化用于像素级图像量化中。
5.根据权利要求1所述的***,其中所述可能缺陷是EUV随机缺陷。
6.根据权利要求1所述的***,其中所述可能缺陷是临界尺寸缺陷。
7.根据权利要求1所述的***,其中所述图像是扫描电子显微镜图像。
8.一种方法,其包括:
接受在处理器处的图像;
使用所述处理器的深度学习模块对所述图像执行缺陷检测及缺陷分类进而确定可能缺陷;
使用处理器将所述图像中的来自所述深度学习模块的所述可能缺陷的热图表示为对应于每一像素的缺陷概率指数的矩阵,其中所述图像是自从检测器接收的数据产生,且其中所述热图包括至少部分的晶片且所述热图是基于所述图像中特征的测量;及
使用所述处理器量化所述图像中的超过所述矩阵中的对应阈值的像素的数目。
9.根据权利要求8所述的方法,其进一步包括使用所述处理器确定所述热图。
10.根据权利要求8所述的方法,其中用于所述像素中的一者的所述对应阈值是处于在所述图像上的与所述像素中的所述一者相同的位置处。
11.根据权利要求8所述的方法,其中所述量化用于像素级图像量化中。
12.根据权利要求8所述的方法,其中所述可能缺陷是EUV随机缺陷。
13.根据权利要求8所述的方法,其中所述可能缺陷是临界尺寸缺陷。
14.根据权利要求8所述的方法,其中所述图像是扫描电子显微镜图像。
15.根据权利要求8所述的方法,其进一步包括:
将电子束引导于晶片处;
使用检测器收集从所述晶片返回的电子;及
使用所述处理器产生所述晶片的所述图像。
16.一种存储程序的非暂时性计算机可读媒体,其经配置以指示处理器执行根据权利要求8所述的方法。
17.根据权利要求1所述的***,其中所述热图显示平均直径。
18.根据权利要求8所述的方法,其中所述热图显示平均直径。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201841042919 | 2018-11-15 | ||
IN201841042919 | 2018-11-15 | ||
US16/249,337 US10672588B1 (en) | 2018-11-15 | 2019-01-16 | Using deep learning based defect detection and classification schemes for pixel level image quantification |
US16/249,337 | 2019-01-16 | ||
PCT/US2019/061578 WO2020102611A1 (en) | 2018-11-15 | 2019-11-15 | Using deep learning based defect detection and classification schemes for pixel level image quantification |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112969911A CN112969911A (zh) | 2021-06-15 |
CN112969911B true CN112969911B (zh) | 2022-09-06 |
Family
ID=70727871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980073377.0A Active CN112969911B (zh) | 2018-11-15 | 2019-11-15 | 使用基于深度学习的缺陷检测及分类方案进行像素级图像量化 |
Country Status (7)
Country | Link |
---|---|
US (1) | US10672588B1 (zh) |
EP (1) | EP3870959A4 (zh) |
JP (1) | JP7216822B2 (zh) |
KR (1) | KR102513717B1 (zh) |
CN (1) | CN112969911B (zh) |
TW (1) | TWI805868B (zh) |
WO (1) | WO2020102611A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803264B2 (en) | 2018-01-05 | 2020-10-13 | Datamax-O'neil Corporation | Method, apparatus, and system for characterizing an optical system |
US10795618B2 (en) | 2018-01-05 | 2020-10-06 | Datamax-O'neil Corporation | Methods, apparatuses, and systems for verifying printed image and improving print quality |
US10546160B2 (en) | 2018-01-05 | 2020-01-28 | Datamax-O'neil Corporation | Methods, apparatuses, and systems for providing print quality feedback and controlling print quality of machine-readable indicia |
US10834283B2 (en) | 2018-01-05 | 2020-11-10 | Datamax-O'neil Corporation | Methods, apparatuses, and systems for detecting printing defects and contaminated components of a printer |
US11501424B2 (en) * | 2019-11-18 | 2022-11-15 | Stmicroelectronics (Rousset) Sas | Neural network training device, system and method |
US11200659B2 (en) | 2019-11-18 | 2021-12-14 | Stmicroelectronics (Rousset) Sas | Neural network training device, system and method |
US11449711B2 (en) * | 2020-01-02 | 2022-09-20 | Applied Materials Isreal Ltd. | Machine learning-based defect detection of a specimen |
US11651981B2 (en) * | 2020-08-18 | 2023-05-16 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and system for map-free inspection of semiconductor devices |
US20220101114A1 (en) * | 2020-09-27 | 2022-03-31 | Kla Corporation | Interpretable deep learning-based defect detection and classification |
KR20220127004A (ko) | 2021-03-10 | 2022-09-19 | 삼성전자주식회사 | 확률론적 콘투어 예측 시스템 및 확률론적 콘투어 예측 시스템의 제공 방법 및 확률론적 콘투어 예측 시스템을 이용한 EUV(Extreme Ultra violet) 마스크의 제공 방법 |
CN117121064A (zh) * | 2021-03-30 | 2023-11-24 | Asml荷兰有限公司 | 改进的带电粒子图像检测 |
CN112884769B (zh) * | 2021-04-12 | 2021-09-28 | 深圳中科飞测科技股份有限公司 | 图像处理方法、装置、光学***和计算机可读存储介质 |
FR3125156B1 (fr) * | 2021-07-12 | 2023-11-10 | Safran | Controle non destructif d’une piece |
JP7034529B1 (ja) * | 2021-08-13 | 2022-03-14 | 株式会社ハシマ | 学習モデルの生成方法、学習モデル、検査装置、検査方法およびコンピュータプログラム |
CN113935982B (zh) * | 2021-10-27 | 2024-06-14 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的印刷质量检测分析*** |
US20240087135A1 (en) * | 2022-09-09 | 2024-03-14 | Applied Materials, Inc. | Clog detection via image analytics |
US20240169514A1 (en) * | 2022-11-21 | 2024-05-23 | Onto Innovation Inc. | Defect detection in manufactured articles using multi-channel images |
TWI839046B (zh) * | 2022-12-26 | 2024-04-11 | 華邦電子股份有限公司 | 膜層中的縫隙的檢測方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067376A (en) * | 1998-01-16 | 2000-05-23 | Cognex Corporation | Classifying pixels of an image |
US6292582B1 (en) * | 1996-05-31 | 2001-09-18 | Lin Youling | Method and system for identifying defects in a semiconductor |
JP2002022421A (ja) * | 2000-07-06 | 2002-01-23 | Dainippon Screen Mfg Co Ltd | パターン検査装置 |
CN102739916A (zh) * | 2011-03-30 | 2012-10-17 | 索尼公司 | 图像处理装置、图像处理方法以及程序 |
CN108291878A (zh) * | 2015-11-17 | 2018-07-17 | 科磊股份有限公司 | 单一图像检测 |
CN108463874A (zh) * | 2016-01-11 | 2018-08-28 | 科磊股份有限公司 | 基于图像的样品过程控制 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1273907A4 (en) * | 2000-11-17 | 2006-08-30 | Ebara Corp | METHOD AND INSTRUMENT FOR WAFER INSPECTION AND ELECTRON BEAM |
US7215811B2 (en) | 2000-11-22 | 2007-05-08 | Osama Moselhi | Method and apparatus for the automated detection and classification of defects in sewer pipes |
US7162071B2 (en) | 2002-12-20 | 2007-01-09 | Taiwan Semiconductor Manufacturing Co., Ltd. | Progressive self-learning defect review and classification method |
SG112082A1 (en) | 2003-11-10 | 2005-06-29 | Hermes Microvision Taiwan Inc | Method and system for monitoring ic process |
JP2006098152A (ja) * | 2004-09-29 | 2006-04-13 | Dainippon Screen Mfg Co Ltd | 欠陥検出装置および欠陥検出方法 |
JP5707291B2 (ja) * | 2011-09-29 | 2015-04-30 | 株式会社日立ハイテクノロジーズ | 画像分類支援を行う荷電粒子線装置 |
TWI737659B (zh) | 2015-12-22 | 2021-09-01 | 以色列商應用材料以色列公司 | 半導體試樣的基於深度學習之檢查的方法及其系統 |
US10223615B2 (en) * | 2016-08-23 | 2019-03-05 | Dongfang Jingyuan Electron Limited | Learning based defect classification |
US11580398B2 (en) * | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
US10031997B1 (en) * | 2016-11-29 | 2018-07-24 | Taiwan Semiconductor Manufacturing Co., Ltd. | Forecasting wafer defects using frequency domain analysis |
US10395362B2 (en) * | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
-
2019
- 2019-01-16 US US16/249,337 patent/US10672588B1/en active Active
- 2019-11-15 CN CN201980073377.0A patent/CN112969911B/zh active Active
- 2019-11-15 JP JP2021526582A patent/JP7216822B2/ja active Active
- 2019-11-15 WO PCT/US2019/061578 patent/WO2020102611A1/en unknown
- 2019-11-15 TW TW108141684A patent/TWI805868B/zh active
- 2019-11-15 EP EP19884619.8A patent/EP3870959A4/en active Pending
- 2019-11-15 KR KR1020217018222A patent/KR102513717B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292582B1 (en) * | 1996-05-31 | 2001-09-18 | Lin Youling | Method and system for identifying defects in a semiconductor |
US6067376A (en) * | 1998-01-16 | 2000-05-23 | Cognex Corporation | Classifying pixels of an image |
JP2002022421A (ja) * | 2000-07-06 | 2002-01-23 | Dainippon Screen Mfg Co Ltd | パターン検査装置 |
CN102739916A (zh) * | 2011-03-30 | 2012-10-17 | 索尼公司 | 图像处理装置、图像处理方法以及程序 |
CN108291878A (zh) * | 2015-11-17 | 2018-07-17 | 科磊股份有限公司 | 单一图像检测 |
CN108463874A (zh) * | 2016-01-11 | 2018-08-28 | 科磊股份有限公司 | 基于图像的样品过程控制 |
Also Published As
Publication number | Publication date |
---|---|
CN112969911A (zh) | 2021-06-15 |
EP3870959A4 (en) | 2022-07-27 |
EP3870959A1 (en) | 2021-09-01 |
JP7216822B2 (ja) | 2023-02-01 |
TW202033954A (zh) | 2020-09-16 |
WO2020102611A1 (en) | 2020-05-22 |
US20200161081A1 (en) | 2020-05-21 |
JP2022507543A (ja) | 2022-01-18 |
KR102513717B1 (ko) | 2023-03-23 |
KR20210080567A (ko) | 2021-06-30 |
TWI805868B (zh) | 2023-06-21 |
US10672588B1 (en) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112969911B (zh) | 使用基于深度学习的缺陷检测及分类方案进行像素级图像量化 | |
TWI769371B (zh) | 用於半導體裝置之檢測方法及系統,以及其非暫時性電腦可讀媒體 | |
CN110770886B (zh) | 用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的***及方法 | |
JP5695924B2 (ja) | 欠陥推定装置および欠陥推定方法並びに検査装置および検査方法 | |
KR102513021B1 (ko) | 측정치 획득 방법, 프로세스 단계 수행 장치, 계측 장치, 디바이스 제조 방법 | |
CN115393341A (zh) | 扫描电子显微镜图像中的半监督异常检测 | |
JP6391170B2 (ja) | 検査装置 | |
IL262464A (en) | Systems and methods for automatic correction of deviation between testing and design for a massive model search | |
CN117334609A (zh) | 在半导体制造中使用随机故障度量 | |
KR20220051216A (ko) | 머신 러닝을 사용한 웨이퍼 검사용 예측 이미지 생성 시스템 및 방법 | |
JP4970569B2 (ja) | パターン検査装置およびパターン検査方法 | |
JP5859039B2 (ja) | 検査装置 | |
CN111819673A (zh) | 用于临界尺寸测量的所关注区域及所关注图案产生 | |
US20220059316A1 (en) | Scanning Electron Microscope Image Anchoring to Design for Array | |
US11195268B2 (en) | Target selection improvements for better design alignment | |
CN110741466B (zh) | 基于扰乱点图的宽带等离子检验 | |
JP2022182497A (ja) | 参照画像生成方法及びパターン検査装置 |
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 |