CN113947561B - 半导体样本的图像分割 - Google Patents

半导体样本的图像分割 Download PDF

Info

Publication number
CN113947561B
CN113947561B CN202110539235.8A CN202110539235A CN113947561B CN 113947561 B CN113947561 B CN 113947561B CN 202110539235 A CN202110539235 A CN 202110539235A CN 113947561 B CN113947561 B CN 113947561B
Authority
CN
China
Prior art keywords
map
image
label
probability
structural element
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
Application number
CN202110539235.8A
Other languages
English (en)
Other versions
CN113947561A (zh
Inventor
E·本巴鲁克
S·埃尔卡亚姆
S·科恩
T·本-什洛莫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Israel Ltd
Original Assignee
Applied Materials Israel Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Applied Materials Israel Ltd filed Critical Applied Materials Israel Ltd
Publication of CN113947561A publication Critical patent/CN113947561A/zh
Application granted granted Critical
Publication of CN113947561B publication Critical patent/CN113947561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/8851—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

提供了一种对所制造的半导体样本的图像进行分割的***和方法。所述方法包括：获得对应于所述图像的第一概率图，所述第一概率图表示所制造的半导体样本的至少一部分并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率；获得第一标签图，所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述区段相关联的标签的信息；对第一标签图执行模拟以获得第二概率图，所述第二概率图指示第一标签图中的像素对应于一个或多个区段的模拟概率；以及基于第一概率图和第二概率图生成第二标签图，所述第二标签图可用于以增强的可重复性对图像进行分割。

Description

半导体样本的图像分割
技术领域
本文公开的主题总的来说涉及样本检查领域，且更具体地涉及样本的图像分割。
背景技术
当前对与所制造装置的超大规模集成相关联的高密度和性能的需求需要亚微粒特征、增加晶体管和电路速度、以及改善可靠性。这类需求需要形成具有高精度和均匀性的装置特征，这继而有必要小心监控制造过程，包括在装置仍处于半导体晶片的形式时自动检查所述装置。
在本说明书中使用的术语“样本”应当被广泛地解释为涵盖用于制造半导体集成电路、磁头、平板显示器、和其它半导体制造的物品的任何种类的晶片、掩膜、和其它结构、其组合和/或部分。
在本说明书中使用的术语“检查”应当被广泛地解释为涵盖任何种类的计量有关操作以及关于在样本制造期间对样本中的缺陷进行检测和/或分类的操作。检查通过在要检查的样本的制造期间或之后使用无损检查工具来提供。作为非限制性示例，检查过程可以包括运行时间扫描(单次或多次扫描)、取样、复查、测量、分类和/或使用相同或不同的检验工具的关于样本或其部分提供的其它操作。同样，检查可以在待检查的样本的制造之前提供，并且可以包括例如产生检查配方和/或其它设置操作。注意到，除非另作具体声明，否则本说明书中使用的术语“检查”或其衍生词不限于关于检验区域的分辨率或大小。作为非限制性示例，各种无损检查工具包括扫描电子显微镜、原子力显微镜、光学检验工具等。
作为非限制性示例，运行时间检查可以采用两阶段工序，例如，检验样本，接着对潜在缺陷的取样位置进行复查。在第一阶段期间，以高速和相对低的分辨率检验样本的表面。在第一阶段中，产生缺陷图来示出在样本上被怀疑具有高缺陷概率的位置。在第二阶段期间，以相对高的分辨率更透彻地分析被怀疑位置中的至少一些位置。在一些情况下，两个阶段皆可以由相同检验工具来实现，并且在一些其它情况下，这两个阶段由不同的检验工具来实现。
检查过程在半导体制造期间的各个步骤被用来检测和分类样本上的缺陷、以及执行计量有关的操作。检查的有效性可以通过过程的自动化来提高，这些过程例如，自动缺陷分类(ADC)、自动缺陷复查(ADR)、图像分割等。
发明内容
根据本文公开的主题的某些方面，提供了一种对所制造的半导体样本的图像进行分割的方法，所述方法由处理器和存储器电路(PMC)执行，所述方法包含：获得对应于所述图像的第一概率图，所述第一概率图表示所制造的半导体样本的至少一部分并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率，其中通过使用深度学习模型处理所述图像来生成所述第一概率图；获得第一标签图，所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述区段相关联的标签的信息，其中所述第二结构元素在表征所述至少部分的设计数据中呈现，并且其中等效的第二结构元素与相同标签相关联；对所述第一标签图执行模拟以获得第二概率图，所述第二概率图指示所述第一标签图中的像素对应于所述一个或多个区段的模拟概率；以及基于所述第一概率图和所述第二概率图生成第二标签图，其中所述第二标签图提供表示所述第一结构元素的一个或多个区段以及与其相关联的标签的信息，并且其中等效的第一结构元素与相同标签相关联，所述第二标签图可用于以增强的可重复性对图像进行分割。
除了以上特征之外，根据本文公开的主题的这个方面的方法可以包含以技术上可能的任何期望组合或排列的下文列出的特征(i)至(xii)中的一个或多个：
(i).执行模拟可以包含：基于第一标签图中的每个给定像素与离其最近的边缘之间的相对距离，对第一标签图执行距离转换以获得距离图；以及将距离图转换成第二概率图，所述第二概率图提供第一标签图中的像素对应于相对于最近边缘的一个或多个区段的模拟概率的信息。
(ii).对于第一标签图中的每个给定像素来说，所述相对距离可以包括：i)给定像素与离其最近的边缘之间的距离，以及ii)给定像素相对于最近边缘的相对位置。
(iii).所述相对位置可以指示给定像素是位于轮廓包含最近边缘的给定第二结构元素之内还是所述给定第二结构元素之外。
(iv).第一标签图可以基于以下各项中的至少一项生成：设计数据、图像、和第一概率图。
(v).所述生成可以包含：将第一概率图和第二概率图组合以获得组合的概率图；以及使用解析器处理组合的概率图，从而产生第二标签图。
(vi).所述组合可以使用预定的权重因子执行，所述预定的权重因子指示图像分割的灵敏度和可重复性之间的期望折衷水平。
(vii).所述解析器可以选自包含以下各项的群组：DCRF、图割(Graph-cut)和隐马尔可夫模型(Hidden Markov Model；HMM)。
(viii).所述解析器可以是DCRF解析器，并且所述组合的概率图可以基于一元项和成对项处理。
(ix).所述成对项可以基于外观核和平滑核来构造。
(x).所述外观核可以是保边降噪器，所述保边降噪器基于给定像素的类似相邻像素来确定给定像素的标签，且所述平滑核基于给定像素的相邻像素来确定给定像素的标签。
(xi).所述图像可以是从复查工具获得的样本的高分辨率复查图像。
(xii).与从第一概率图生成的标签图相比，第二标签图可以具有增强的可重复性。
根据本文公开的主题的其它方面，提供了一种对所制造的半导体样本的图像进行分割的***，所述***包含处理器和存储器电路(PMC)，所述处理器和存储器电路配置为：获得对应于所述图像的第一概率图，所述第一概率图表示所制造的半导体样本的至少一部分并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率，其中通过使用深度学习模型处理所述图像来生成所述第一概率图；获得第一标签图，所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述区段相关联的标签的信息，其中所述第二结构元素在表征所述至少部分的设计数据中呈现，并且其中等效的第二结构元素与相同标签相关联；对所述第一标签图执行模拟以获得第二概率图，所述第二概率图指示所述第一标签图中的像素对应于所述一个或多个区段的模拟概率；以及基于所述第一概率图和所述第二概率图生成第二标签图，其中所述第二标签图提供表示所述第一结构元素的一个或多个区段以及与其相关联的标签的信息，并且其中等效的第一结构元素与相同标签相关联，所述第二标签图可用于以增强的可重复性对图像进行分割。
所公开的主题的这方面可以包含以技术上可能的任何期望组合或排列的上文关于所述方法列出的已作必要改动的特征(i)至(xii)中的一个或多个。
根据本文公开的主题的其它方面，提供了一种包含指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行对所制造的半导体样本的图像进行分割的方法，所述方法包含：获得对应于所述图像的第一概率图，所述第一概率图表示所制造的半导体样本的至少一部分并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率，其中通过使用深度学习模型处理所述图像来生成所述第一概率图；获得第一标签图，所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述区段相关联的标签的信息，其中所述第二结构元素在表征所述至少部分的设计数据中呈现，并且其中等效的第二结构元素与相同标签相关联；对所述第一标签图执行模拟以获得第二概率图，所述第二概率图指示所述第一标签图中的像素对应于所述一个或多个区段的模拟概率；以及基于所述第一概率图和所述第二概率图生成第二标签图，其中所述第二标签图提供表示所述第一结构元素的一个或多个区段以及与其相关联的标签的信息，并且其中等效的第一结构元素与相同标签相关联，所述第二标签图可用于以增强的可重复性对图像进行分割。
所公开的主题的这方面可以包含以技术上可能的任何期望组合或排列的上文关于所述方法列出的已作必要改动的特征(i)至(xii)中的一个或多个。
附图说明
为了理解本公开内容并且了解本公开内容如何在实践中执行，现将参考附图来描述仅作为非限制性示例的实施例，在附图中：
图1示出根据本文公开的主题的某些实施例的检查***的功能框图。
图2示出根据本文公开的主题的某些实施例的对所制造的半导体样本的图像进行分割的一般化流程图。
图3举例说明根据本文公开的主题的某些实施例的对样本的图像进行分割的示意图。
图4示出根据本文公开的主题的某些实施例的从第一标签图到第二概率图的模拟过程的示例。
图5示出根据本文公开的主题的某些实施例的从第一标签图到对应的距离图的距离转换的示例。
具体实施方式
在以下详细描述中，阐述许多具体细节来提供对本公开内容的透彻理解。然而，本领域的技术人员将理解，本文公开的主题可以在没有这些具体细节的情况下实践。在其它情况中，未详细描述熟知方法、程序、部件和电路，以免混淆本文公开的主题。
除非另外具体声明，如从以下讨论中明显的，应理解，在说明书全文中利用术语诸如“生成”、“执行”、“获得”、“模拟”、“转换”、“组合”、“使用”、“处理”、“确定”等等的讨论，指的是将数据操纵和/或转换为其它数据的计算机的动作和/或过程，所述数据表示为物理的，诸如电子的、量值和/或表示物理对象的所述数据。术语“计算机”应当被广泛地解释为涵盖任何种类的具有数据处理能力的基于硬件的电子装置，包括作为非限制性示例的在本申请中公开的检查***、分割***和其相应部分。
本文使用的术语“非暂时性存储器”和“非暂时性存储介质”应当被广泛地解释为涵盖适用于本文公开的主题的任何易失性或非易失性计算机存储器。
本说明书中使用的术语“缺陷”应当被广泛地解释为涵盖任何种类的异常或在样本上或样本内形成的不理想的特征。
本说明书中使用的术语“设计数据”应当被广泛地解释为涵盖指示样本的分层物理设计(布局)的任何数据。设计数据可以由相应设计者提供和/或可以从物理设计(例如，通过复杂模拟、简单几何和布尔运算等)导出。设计数据可以不同格式提供，作为非限制性示例，如GDSII格式、OASIS格式等。设计数据可以向量格式、灰度强度图像格式或其它格式呈现。
可以理解，除非另外具体声明，否则在分开的实施例的上下文中描述的本文公开的主题的某些特征也可以在单个实施例中组合提供。反过来，在单个实施例的上下文中描述的本文公开的主题的各个特征也可以分开提供或以任何合适的子组合提供。在以下详细描述中，阐述许多具体细节以提供对方法和设备的透彻理解。
牢记这一点，关注图1，其中示出根据本文公开的主题的某些实施例的检查***的功能框图。
图1中示出的检查***100可以用于检查(例如，晶片和/或其部分的)半导体样本以作为样本制造过程的部分。所示出的检查***100包含基于计算机的***101，所述***101能够使用在样本制造期间获得的图像(后文称为制造过程(FP)图像或图像)来自动地确定与计量有关和/或与缺陷有关的信息。***101可以通常被称为FPEI(制造过程检查信息)***。根据本文公开的主题的某些实施例，如下文将参考图2进一步详细描述地，***101可以配置为执行表示样本的至少一部分的FP图像的分割。***101因此在本公开内容中也被称为分割***。***101可以操作地连接到一个或多个检查工具120。检查工具120配置为捕获FP图像和/或复查所捕获的FP图像和/或实现或提供关于所捕获图像的测量。***101可以进一步操作地连接到设计数据服务器110和存储单元122。
例如，FP图像(在本文中也称为图像)可以选自在制造过程期间捕获的样本(例如，晶片或其部分)的图像、通过各种预处理阶段获得的所捕获图像的衍生物(例如，由SEM或光学检验***捕获的晶片或光掩模的一部分的图像、大致以将由ADC分类的缺陷为中心的SEM图像、其中将由ADR本地化缺陷的较大区域的SEM图像、对应于相同掩模位置的不同检查形态的配准图像、分割的图像、高度映射图像等)。将注意到，在一些情况下，图像可以包括图像数据(例如，捕获的图像，处理的图像等)和相关联的数字数据(例如，元数据、手工属性等)。进一步注意到，图像数据可以包括关于所关注层和/或样本的一个或多个其它层的数据。
本文使用的术语“检查工具”应当被广泛地解释为涵盖可以在检查相关过程中使用的任何工具，包括作为非限制性示例的成像、扫描(单次或多次扫描)、取样、复查、测量、分类和/或关于样本或其部分提供的其它过程。所述一个或多个检查工具120可以包括一个或多个检验工具和/或一个或多个复查工具。在一些情况下，至少一个检查工具120可以为检验工具，所述检验工具配置为扫描样本(例如，整个晶片、整个晶粒、或其部分)以捕获检验图像(通常，以相对高速度和/或低分辨率)用于检测潜在缺陷。在一些情况下，至少一个检查工具120可以为复查工具，所述复查工具配置为捕获由检验工具检测的至少一些缺陷的复查图像，用于确认潜在缺陷是否真的为缺陷。这种复查工具通常配置为一次一个地检验晶粒的片段(通常，以相对低速度和/或高分辨率)。检验工具和复查工具可以是位于相同或不同位置的不同工具或在两种不同模式下操作的单个工具。在一些情况下，至少一个检查工具可以具有计量能力。
在不以任何方式限制本公开内容的范围的情况下，也应注意到，检查工具120可以被实现为各种类型的检验机器，诸如光学成像机器、电子束检验机器等等。在一些情况下，相同的检查工具可以提供低分辨率图像数据和高分辨率图像数据。
***101包括处理器和存储器电路(PMC)102，PMC 102可操作地连接到基于硬件的I/O接口126。PMC 102配置为提供如参考图2进一步详述地操作所述***101所必需的所有处理，并且包含处理器(未单独图示)和存储器(未单独图示)。PMC 102的处理器可以配置为根据计算机可读指令执行若干功能模块，所述计算机可读指令在PMC中包含的非暂时性计算机可读存储器上实现。这种功能模块在后文被称为包含在PMC中。
PMC 102中包含的功能模块包括模拟模块104和标签图生成模块106。在某些实施例中，标签图生成模块106可以包含解析器模块108。PMC 102可以配置为通过I/O接口126获得第一概率图，所述第一概率图对应于表示所制造的半导体样本的至少一部分的图像并且指示该图像中的像素对应于该图像中呈现的一个或多个第一结构元素的预测概率。第一概率图可以通过使用深度学习模型(例如，分割网络112)处理所述图像来生成。PMC 102可以进一步配置为获得第一标签图，所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述区段相关联的标签的信息。第二结构元素在表征所述至少部分的设计数据中呈现。等效的第二结构元素与相同标签相关联。模拟模块104可以配置为对第一标签图执行模拟以获得第二概率图，所述第二概率图指示第一标签图中的像素对应于一个或多个区段的模拟概率。标签图生成模块106可以配置为基于第一概率图和第二概率图生成第二标签图。第二标签图提供表示第一结构元素的一个或多个区段以及与其相关联的标签的信息。等效的第一结构元素与相同标签相关联。第二标签图可以用于以增强的可重复性对图像进行分割。将参考图2进一步详述***101、PMC 102及其中的功能模块的操作。
根据某些实施例，***101可以可操作地与深度学习模型连接，诸如，例如，如图所示的分割网络112。分割网络112可以是深度神经网络(DNN)，所述DNN包括根据相应DNN架构组织的多层。作为非限制性示例，DNN的层可以根据卷积神经网络(CNN)架构、循环神经网络架构、递归神经网络架构、生成对抗网络(GAN)架构或其它来组织。可选地，至少一些层可以被组织成多个DNN子网络。DNN的每一层可以包括多个基本计算元件(CE)，在本领域中通常称为维度、神经元、或节点。
通常，给定层的计算元件可以与前一层和/或后一层的CE连接。前一层的CE与后一层的CE之间的每个连接与加权值相关联。给定CE可以通过相应连接从前一层的CE接收输入，每个给定连接与可以应用于该给定连接的输入的加权值相关联。加权值可以确定连接的相对强度并且由此确定相应输入对给定CE的输出的相对影响。给定CE可以配置为计算激活值(例如，输入的加权和)并且通过将激活函数应用于所计算的激活来进一步导出输出。注意到，本文公开的主题的教示不受DNN的具体架构限制。
在一些实施例中，***101可以进一步包含分割网络112或其部分。换句话说，分割网络112的相应功能可以至少部分地集成在***101内。
除了分割***101之外，检查***100还可以包含一个或多个检查模块，诸如，例如，缺陷检测模块和/或自动缺陷复查模块(ADR)和/或自动缺陷分类模块(ADC)和/或计量相关模块和/或其它检查模块。这样的检查模块可以利用分割***101的输出来检查半导体样本。在一些情况下，所述一个或多个检查模块可以至少部分地与一个或多个检查工具120集成。
根据某些实施例，***101可以可操作地通过基于硬件的I/O接口126与设计数据服务器110(例如，CAD服务器)连接。设计数据服务器110配置为存储并提供表征样本的设计数据。样本的设计数据可以为任何以下格式：样本的物理设计布局(例如，CAD剪辑)、光栅图像、和从设计布局导出的模拟图像。根据某些实施例，提供表示第二结构元素(即，设计数据中呈现的结构元素)的一个或多个区段以及与其相关联的标签的信息的第一标签图可以例如从设计数据导出，并且存储在设计数据服务器110或存储单元122中，并且I/O接口126可以配置为从其接收第一标签图。或者，I/O接口126可以从设计数据服务器110接收表征样本的至少给定部分的设计数据，并且提供给PMC 102以处理设计数据从而导出第一标签图。
根据某些实施例，***101可以包含存储单元122。存储单元122可以配置为存储操作***101所必需的任何数据，例如，关于***101的输入和输出的数据，以及由***101生成的中间处理结果。作为示例，存储单元122可以配置为存储由检查工具120产生的图像和/或其衍生物。因此，所述一个或多个图像可以从存储单元122检索到并且被提供给PMC 102用于进一步处理。存储单元122还可以配置为存储表征样本和/或其衍生物的设计数据。
在一些实施例中，***101可以可选地包含基于计算机的图形用户界面(GUI)124，所述图像用户界面配置为实现关于***101的用户指定的输入。例如，可以为用户呈现样本的直观表示(例如，通过形成GUI 124的部分的显示器)，包括样本的图像数据和/或设计数据。可以通过GUI为用户提供定义某些操作参数的选项。用户也可以观察GUI上的操作结果，诸如，例如，分割输出。
如先前提及地，***101配置为通过I/O接口126接收包括第一概率图和第一标签图的输入数据，所述第一概率图对应于表示样本的至少一部分的图像，所述第一标签图提供表示在设计数据中呈现的第二结构元素的一个或多个区段以及与其相关联的标签的信息。***101进一步配置为处理所接收的输入数据的至少部分，并且通过I/O接口126将结果(或其部分)发送到存储单元122、和/或检查工具120、和/或GUI 124(用于呈现结果)和/或外部***(例如，FAB的产出管理***(YMS))。
本领域的熟练技术人员将容易理解，本文公开的主题的教示不受图1所示的***的限制；等效和/或修改的功能可以另一方式合并或分开，并且可以软件与固件和/或硬件的任何适当组合来实现。
注意到，图1所示的检查***可以在分布式计算环境中实现，其中先前提及的图1所示的功能模块可以分布在若干本地和/或远程装置上，并且可以通过通信网络连接起来。进一步注意到，在另一实施例中，检查工具120、存储单元122和/或GUI 124中的至少部分可以在检查***100外部并且通过I/O接口126与***101数据通信地操作。***101可以实现为与检查工具配合使用的独立式计算机。或者，***101的相应功能可以至少部分与一个或多个检查工具120集成，从而在检查相关过程中促进并增强检查工具120的功能。
参看图2，其中示出根据本文公开的主题的某些实施例的用于对所制造的半导体样本的图像进行分割的一般化流程图。
可以获得第一概率图(202)(例如，经由I/O接口126通过PMC 102获得)。第一概率图对应于表示所制造的半导体样本的至少一部分的图像，并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率。
所述图像可以是在样本制造过程中获得的样本的FP图像。作为非限制性示例，可以通过使用一个或多个检验工具(例如，低分辨率检查机器，诸如，光学检验***、低分辨率SEM等)检查样本来获得所述图像。可替换地或附加地，可以通过使用一个或多个复查工具(例如，用于对被选择进行复查的潜在缺陷位置的子集进行复查的高分辨率检查机器，诸如扫描电子显微镜(SEM)、原子力显微镜(AFM)等)检查样本来获得所述图像。
第一概率图可以通过使用深度学习模型(例如，如图所示的DNN，诸如分割网络112)处理图像来生成。一般来说，分割可以指将图像划分成有意义的部分/区段(例如，背景和前景、有噪声和无噪声区域、结构元素、缺陷和无缺陷等)同时提供指示这些区段的每像素或每区域值的任何过程。根据本文公开的主题的某些实施例，分割网络112可以配置为根据在所述图像中呈现的一个或多个结构元素(本文也称为第一结构元素、或基于图像的结构元素)来分割所述图像。分割网络的输出(即，第一概率图)可以是分割概率图，在该分割概率图中每个像素/元素的值指示图像中的对应像素对应于/属于图像中的结构元素、或者说属于表示图像中的结构元素的一个或多个区段的预测概率。在一些情况下，待馈送到DNN中的图像可以提供样本的多个层的信息，并且可以针对每一层生成第一概率图。
本文使用的结构元素可以指图像数据或设计数据上的任何原始对象，所述原始对象具有几何形状或具有轮廓的几何结构，或者具有与其它对象组合的几何形状。位于/呈现在图像数据上的结构元素可以被称为基于图像的结构元素(在本文中也称为第一结构元素)。位于/呈现在设计数据上的结构元素可以被称为基于设计的结构元素(在本文中也称为第二结构元素)。例如，结构元素可以多边形的形式呈现。结构元素可以由用户定义，或者可以自动定义，例如使用基于规则的或机器学习技术。
第一概率图可用于生成分割标签图，所述分割标签图包含指示图像上的不同区段的每像素或每区域分割标签(在本文中也称为标签)。在一些实施例中，每个分割的结构元素(和/或其像素)可以被分配有分割标签，并且图像上的等效结构元素可以与相同标签相关联。等效的结构元素可以指对应于相同设计图案的结构元素，而不管其定向如何。作为示例，一层上的结构元素(例如，多边形)可以具有一个分割标签，且另一层上的多边形可以具有不同的分割标签，而背景可以具有单独的分割标签。
出于说明的目的，还参考图3，举例说明根据本文公开的主题的某些实施例的对样本的图像进行分割的示意图。如图所示，如上所述地，由检查工具120捕获的样本的图像302被接收并馈送到分割网络112中用于处理，从而产生第一概率图306。将注意到，在一些情况下，图像302可以提供样本的多个层的信息，其中每个层含有不同类型的结构元素。在这种情况下，可以生成对应于样本的相应层的多个第一概率图306。
根据本文公开的主题的某些实施例，通过处理样本的图像而使用分割网络生成的分割概率图可以产生相对灵敏的分割输出。作为示例，出于增强分割灵敏度的目的，分割网络可以被设计成具有特定的架构和/或以特定的方式训练。在这种情况下，分割概率图和/或从其导出的分割标签图可以导致高灵敏度。作为示例，分割输出可以严格遵循可能受物理过程(诸如成像条件、工具/过程变化等)影响的某些图像特性。例如，在分割标签图中指示的区段相对于图像中呈现的结构元素可以具有高准确度和一致性(例如，区段的轮廓紧密地匹配图像中的多边形，因此边缘可以是粗糙的/模糊的，并且多边形内的某些像素/区域可以被分配有与相邻像素不一致的分割标签等)。在这种情况下，针对相同样本的相同位置捕获的不同图像可能由于图像中呈现的变化而导致不同的分割结果。这种分割结果是比较不理想的，因为客户需要对相同样本的可重复分割(也称为精确分割)，而不管在不同图像中引起的变化如何。根据本文公开的主题的某些实施例，如下文进一步详细描述的，提出了一种使用基于设计的数据(即，使用设计标签图生成模拟概率图)来影响图像分割、从而改善分割的可重复性/精度的方法和***。
除了第一概率图之外，还可以获得第一标签图(204)(例如，经由I/O接口126通过PMC 102获得)。第一标签图可以是分割标签图，所述分割标签图提供表示第二结构元素的一个或多个区段以及与所述区段相关联的标签的信息。如上文提及地，第二结构元素是在表征样本的至少部分的设计数据中呈现的基于设计的结构元素。类似地，等效的第二结构元素与相同标签相关联。换句话说，第一标签图可以被称为设计标签图，因为其区段对应于基于设计的结构元素。第一标签图的示例在图3中示出为304。如本示例所示，第一标签图304呈现两个区段(以不同的灰度级区分)：一个区段对应于包含在其中的结构元素(例如，所示出的柱)，而另一个区段对应于背景。
注意到，尽管第一标签图提供对应于基于设计的结构元素的区段的信息，但是不必基于设计数据来生成第一标签图。根据某些实施例，第一标签图可以基于以下各项中的至少一项来生成：设计数据、图像、和第一概率图。作为示例，第一标签图可以基于设计数据(例如，通过对设计数据执行模拟，使得其基于设计的结构元素与相应的分割标签相关联)生成。在一些情况下，这种模拟还考虑了基于设计的结构元素和对应的基于图像的结构元素之间的差异。例如，在一些情况下，由于设计工具和/或成像工具的条件，诸如多边形的基于设计的结构元素实际上可以以圆形的形状出现在图像中。模拟可以将其考虑在内并生成模拟标签图，所述模拟标签图包括具有原本应该在图像中出现的模拟形状的结构元素。
作为另一示例，第一标签图可以基于图像生成。例如，标签图可以根据SEM图像中的结构元素的外观手动地创建。作为另一个示例，第一标签图可以基于第一概率图生成。例如，第一标签图可以通过下列步骤来生成：识别第一概率图中的重复的结构元素/图案，对重复的图案取平均以获得具有更平滑形状而没有变化的共有图案，并且将共有图案放置在相应重复图案的位置中。
在一些情况下，第一标签图可以根据上文描述的各种生成方法预生成并存储在存储单元122或设计数据服务器110中以提供给PMC 102用于进一步处理。或者，在一些其它情况下，所述生成过程可以由PMC 102执行(即，可以将标签图生成的功能集成到PMC 102中)作为预处理步骤。
一旦获得第一标签图，就可以对第一标签图执行(206)(例如，由模拟模块104)模拟，以获得指示第一标签图中的像素对应于一个或多个区段的模拟概率的第二概率图。第二概率图在本文中也称为模拟概率图。如图3中示出，对第一标签图304执行概率模拟，从而产生模拟概率图308。
根据某些实施例，从第一标签图到第二概率图的模拟可以包括距离转换和概率转换。具体来说，可以对第一标签图执行距离转换以获得距离图。距离转换可以基于第一标签图中的每个给定像素与离其最近的边缘之间的相对距离。距离图随后可以转换成第二概率图，所述第二概率图提供第一标签图中的像素对应于相对于所述最近边缘的一个或多个区段的模拟概率的信息。
现转向图4，其中示出根据本文公开的主题的某些实施例的从第一标签图到第二概率图的模拟过程的示例。
如图所示，第一标签图402根据如上文描述的生成方法生成，以表示对应于基于设计的结构元素404的区段。尽管不一定如此，但可以根据设计将第一标签图402分成一个或多个层(例如，在本示例中为两个层，背景层406和前景层408，即，具有结构元素404的层)。分别对两个层406和408执行距离转换，从而产生两个对应的距离图410和412。为了更好地说明距离转换，现注意转到图5。
现参考图5，其中示出根据本文公开的主题的某些实施例的从第一标签图到对应距离图的距离转换的示例。
如图所示，第一标签图502(或从其分离的一层)可以二进制图504的形式呈现，其中值“1”表示对应于结构元素501的区段的标签，而值“0”表示背景的标签。因此，在二进制图中，紧挨像素“0”的像素“1”(诸如，例如，像素510)可以指示结构元素的边缘。可以对二进制图504执行距离转换以基于二进制图504中的每个给定像素与离其最近的边缘之间的相对距离来获得距离图506。作为示例，对于第一标签图中的每个给定像素，所述相对距离包括：i)给定像素与离其最近的边缘之间的距离，以及ii)给定像素相对于最近边缘的相对位置。所述相对位置可以指示给定像素是位于轮廓包含所述最近边缘的给定第二结构元素之内(即，在所述轮廓之内)，还是在给定第二结构元素之外(即，在所述轮廓之外)。例如，对于给定像素508，最近边缘由值为“1”的对角线像素510指示。由此，可以计算像素508和510之间的距离(例如，在本示例中为1.4)。考虑到像素508在结构元素501之外，可以在距离图506中的对应位置509中分配正值1.4。否则，在给定像素位于给定结构元素(诸如，例如，像素512)之内的情况下，可以在距离图中分配负值以指示此相对位置。类似地，可以对二进制图504中的所有像素执行这种距离转换，并且可以生成对应的距离图506(以及对应的代表性图像503)。将注意到，具体数字(正值和负值)以及距离的计算方法仅出于例证和说明的目的，且不应被解释为以任何方式限制本公开内容。
从图5的示例可以看出，从距离转换生成的距离图提供每个像素与其附近边缘之间的相对距离的信息(例如，关于它们之间的距离和相对于附近边缘的相对位置)。返回参考图4，随后分别对如参考图5所描述生成的两个距离图410和412执行概率转换，从而产生两个概率图414和416。作为示例，概率转换可以包括将距离图中的值归一化为[0，1]的范围。例如，一种标准化方式是将对应的概率值(表示为p)计算为相对距离的指数函数(表示为d)，诸如，例如，p＝e-d，或者(在本文中也称为归一化函数)。
在以这种方式生成的概率图中，诸如，例如，在概率图416中，位于结构元素的中心区域中的像素通常具有高概率值，诸如1或接近1。随着从结构元素的中心向边缘移动，像素的概率值逐渐减小。当到达边缘外某一点时，概率值最终降至0。概率图416图示了概率值的这种逐渐改变(示出为像素值从1变为0的渐变418)。将注意到，上文举例说明的归一化函数仅出于说明的目的而列出，并且不应被视为以任何方式限制本公开内容。可以使用任何其它合适的函数来代替上述函数。在一些情况下，归一化中使用的指数函数可能组合一个或多个附加参数，所述附加参数可以指示距离图的某些特性且可以用于调整概率归一化。这样的附加参数的一个示例可以是指示例如距离图的平滑度的参数，并且可以用于调整概率图中从1到0的转变的陡度。可选地，例如，通过对两个概率图应用argmax函数，对应于两个层的概率图414和416可以被求和/组合成一个概率图用于进一步处理。
继续图2的框206的描述，根据上文图5的描述生成的第二概率图可以指示第一标签图中的像素对应于第一标签图中表示的一个或多个区段的模拟概率。概率模拟考虑到由物理过程(诸如，例如，过程变化)引起的可能的影响。模拟概率反映了第一标签图中的像素属于对应于第一标签图中表示的区段的“真实生活”区段(即，这些区段将如何在例如过程变化之后实际出现)的可能性。作为示例，模拟概率图指示以下基本原理：与结构元素的轮廓周围的像素(例如，更远离中心的像素和位于结构元素的轮廓之外的像素)相比，结构元素的中心中的像素理论上将具有更高的概率属于对应于结构元素的区段。
第二标签图可以基于第一概率图和第二概率图生成(208)(例如，由标签图生成模块106生成)。第二标签图提供表示第一结构元素(即，基于图像的结构元素)的一个或多个区段以及与其相关联的标签的信息。等效的第一结构元素与相同标签相关联。第二标签图是与仅从第一概率图生成的分割标签图相比改善的分割标签图，并且可以用于具有增强的可重复性/精度的图像分割。
根据某些实施例，第二标签图的生成可以包含：组合第一概率图和第二概率图以获得组合的概率图，以及使用解析器处理组合的概率图以产生第二标签图。解析器通常指以通用形式进行问题描述并计算所述问题的解的算法。在本主题中，解析器是指一种算法，所述算法基于概率图(在一些情况下也是图像)的输入信息来决定将区段的分离边界放置在哪里。在一些情况下，可以使用指示图像分割的灵敏度和可重复性之间的期望折衷水平的预定权重因子来执行第一概率图和第二概率图的组合。作为示例，在一些情况下，这样的权重因子可以例如由客户根据某些规范要求来确定。在一些情况下，这种权重因子可以选自一组候选因子。通过应用使用权重因子的加权组合，可以控制基于设计的数据对基于图像的数据的影响的量，并且可以实现分割的灵敏度和可重复性之间的期望的平衡。
根据某些实施例，解析器可以从包含下列的群组中选择：密集条件随机场(DCRF)、图割和隐马尔可夫模型(HMM)。在一个实施例中，解析器可以是DCRF解析器。DCRF解析器可以接受概率形状的单个数据项(例如，组合的概率图)，并且生成用于确定将哪个标签分配给每个像素的标签图。在一些其它实施例中，除了组合的概率图之外，DCRF可以接受图像作为附加输入，并且基于这两个输入生成标签图。
在本公开内容的一些实施例中，DCRF可以用于基于一元项和成对项来处理组合的概率图。DCRF应用在N次迭代(N可以是预定义的)之后收敛到局部最小值的迭代算法。局部最小值意味着生成分割标签图，其中给定标签使与一元项和成对项相关的误差函数E(x)最小化。
作为示例，一元项可以基于像素与具体区段相关的概率。例如，一元项可以是argmax()的函数，其输出对于这个像素具有最高概率的区段。成对项可以由两个对手项构成。例如，成对项可以基于外观核和平滑核构造。外观核可以是保边降噪器(也称为双边滤波器)，所述保边降噪器基于给定像素的类似相邻像素来确定给定像素的标签(即，它通过查看像素附近看上去类似(例如，共享类似概率)的邻居来确定所述像素的标签)。结果是外观核使概率图平滑，但保留了区段之间的锐边。作为示例，外观核可以实现为与相邻像素之间的相对位置和类似性相关的指数函数。平滑核基于给定像素的相邻像素确定给定像素的标签。它在不保留边缘的情况下使概率图平滑。作为示例，平滑核可以实现为与像素之间的相对位置相关的指数函数。
通过应用两个核，可以从至少以下两个方面对组合的概率图进行平滑处理：i)可以使每个结构元素的轮廓内的概率平滑，这基于多边形内的像素通常应属于相同区段的假设；以及ii)可以在保留边缘的同时使沿着每个结构元素的轮廓的概率平滑，这基于多边形通常具有平滑而非粗糙的轮廓的假设。
将注意到，DCRF在本文中被描述为可用于处理组合的概率图以获得平滑的分割标签图的模型的一个示例，并且不应被视为以任何方式限制本公开内容。可用于图像平滑和图像分割的其它合适的模型和/或工具和/或方法(诸如，例如，图割(Graph-cut)和隐马尔可夫模型(HMM))可以用于补充或代替上述模型。
如本文描述的分割过程的某些实施例的优点中，有使用以特定方式导出的基于设计的数据(例如，从设计标签图导出的模拟概率图)来影响所制造的半导体样本的图像的分割，从而改善分割结果的可重复性和精度。所述影响可以通过以下实现：将模拟概率图与由处理图像获得的概率图组合，并且通过处理组合的概率图得到增强的分割标签图。增强的分割可以用于不同应用，诸如，例如，ADC、ADR、缺陷检测、匹配、计量和其它检查任务。
如图3中示出，使用权重因子θ(示出为310)组合两个概率图306和308，并且将组合的概率图作为输入提供给DCRF 312以进行处理。结果，得到具有增强的可重复性的第二标签图314。与仅从第一概率图306生成的标签图相比，第二标签图314具有增强的可重复性。
将理解，本公开内容不限于将其应用到在本文含有的描述中阐述或在附图中示出的细节。
还将理解，根据本公开内容的***可以至少部分地在合适编程的计算机上实现。同样，本公开内容预期可由计算机读取的计算机程序用于执行本公开内容的方法。本公开内容进一步预期一种有形地体现指令程序的非暂时性计算机可读存储器，所述指令可由计算机执行用于执行本公开内容的方法。
本公开内容能够具有其它实施例并且以各种方式实践和执行。因此，将理解，本文采用的措辞和术语是出于描述的目的并且不应当被认为是限制性的。因此，本领域的技术人员将理解，本公开内容所基于的概念可以容易地用作设计用于实现本文公开的主题的若干目的的其它结构、方法、和***的基础。
本领域的技术人员将容易理解，在不脱离在随附权利要求书中并由随附权利要求书限定的本公开内容的范围的情况下，各种修改和改变可以应用到如上文描述的本公开内容的实施例。

Claims (20)

1.一种对所制造的半导体样本的图像进行分割的计算机化方法，所述方法由处理器和存储器电路执行，所述方法包含：
获得对应于所述图像的第一概率图，所述第一概率图表示所述所制造的半导体样本的至少一部分并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率，其中通过使用深度学习模型处理所述图像来生成所述第一概率图；
获得第一标签图，所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述一个或多个区段相关联的标签的信息，其中所述第二结构元素在表征所述至少部分的设计数据中呈现，并且其中等效的第二结构元素与相同标签相关联；
对所述第一标签图执行模拟以获得第二概率图，所述第二概率图指示所述第一标签图中的像素对应于表示所述第二结构元素的所述一个或多个区段的模拟概率；以及
基于所述第一概率图和所述第二概率图生成第二标签图，其中所述第二标签图提供表示所述第一结构元素的一个或多个区段以及与其相关联的标签的信息，并且其中等效的第一结构元素与相同标签相关联，所述第二标签图可用于以增强的可重复性对所述图像进行分割。
2.根据权利要求1所述的计算机化方法，其中所述执行模拟包含：
基于所述第一标签图中的每个给定像素与离其最近的边缘之间的相对距离来对所述第一标签图执行距离转换以获得距离图；以及
将所述距离图转换成所述第二概率图，所述第二概率图提供所述第一标签图中的所述像素对应于相对于所述最近的边缘的表示所述第二结构元素的所述一个或多个区段的模拟概率的信息。
3.根据权利要求2所述的计算机化方法，其中对于所述第一标签图中的每个给定像素，所述相对距离包括：i)所述给定像素与离其最近的边缘之间的距离，以及ii)所述给定像素相对于所述最近的边缘的相对位置。
4.根据权利要求3所述的计算机化方法，其中所述相对位置指示所述给定像素是位于轮廓包含所述最近的边缘的给定第二结构元素之内，还是位于所述给定第二结构元素之外。
5.根据权利要求1所述的计算机化方法，其中所述第一标签图基于以下各项中的至少一项来生成：所述设计数据、所述图像、和所述第一概率图。
6.根据权利要求1所述的计算机化方法，其中所述生成包含：组合所述第一概率图和所述第二概率图以获得组合的概率图；以及使用解析器处理所述组合的概率图，从而产生所述第二标签图。
7.根据权利要求6所述的计算机化方法，其中所述组合使用预定权重因子来执行，所述预定权重因子指示所述图像的分割的灵敏度和可重复性之间的期望折衷水平。
8.根据权利要求6所述的计算机化方法，其中所述解析器从包含下列的群组中选择：密集条件随机场、图割和隐马尔可夫模型。
9.根据权利要求6所述的计算机化方法，其中所述解析器是密集条件随机场解析器，并且其中所述组合的概率图基于一元项和成对项处理。
10.根据权利要求9所述的计算机化方法，其中所述成对项基于外观核和平滑核构造。
11.根据权利要求10所述的计算机化方法，其中所述外观核是保边降噪器，所述保边降噪器基于给定像素的类似相邻像素来确定所述给定像素的标签，并且所述平滑核基于给定像素的相邻像素来确定所述给定像素的标签。
12.根据权利要求1所述的计算机化方法，其中所述图像是从复查工具获得的所述样本的高分辨率复查图像。
13.根据权利要求1所述的计算机化方法，其中与由所述第一概率图生成的标签图相比，所述第二标签图具有增强的可重复性。
14.一种对所制造的半导体样本的图像进行分割的计算机化***，所述***包含处理器和存储器电路，所述处理器和存储器电路配置为：
获得对应于所述图像的第一概率图，所述第一概率图表示所述所制造的半导体样本的至少一部分并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率，其中通过使用深度学习模型处理所述图像来生成所述第一概率图；
获得第一标签图，所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述一个或多个区段相关联的标签的信息，其中所述第二结构元素在表征所述至少部分的设计数据中呈现，并且其中等效的第二结构元素与相同标签相关联；
对所述第一标签图执行模拟以获得第二概率图，所述第二概率图指示所述第一标签图中的像素对应于表示所述第二结构元素的所述一个或多个区段的模拟概率；以及
基于所述第一概率图和所述第二概率图生成第二标签图，其中所述第二标签图提供表示所述第一结构元素的一个或多个区段以及与其相关联的标签的信息，并且其中等效的第一结构元素与相同标签相关联，所述第二标签图可用于以增强的可重复性对所述图像进行分割。
15.根据权利要求14所述的计算机化***，其中所述处理器和存储器电路配置为通过下列步骤执行所述模拟：
基于所述第一标签图中的每个给定像素与离其最近的边缘之间的相对距离来对所述第一标签图执行距离转换以获得距离图；以及
将所述距离图转换成所述第二概率图，所述第二概率图提供所述第一标签图中的所述像素对应于相对于所述最近的边缘的表示所述第二结构元素的所述一个或多个区段的模拟概率的信息。
16.根据权利要求15所述的计算机化***，其中对于所述第一标签图中的每个给定像素，所述相对距离包括：i)所述给定像素与离其最近的边缘之间的距离，以及ii)所述给定像素相对于所述最近的边缘的相对位置。
17.根据权利要求16所述的计算机化***，其中所述相对位置指示所述给定像素是位于轮廓包含所述最近的边缘的给定第二结构元素之内，还是位于所述给定第二结构元素之外。
18.根据权利要求14所述的计算机化***，其中所述处理器和存储器电路配置为通过下列生成第二标签图：组合所述第一概率图和所述第二概率图以获得组合的概率图；以及使用解析器处理所述组合的概率图，从而产生所述第二标签图。
19.根据权利要求18所述的计算机化***，其中所述组合使用预定权重因子来执行，所述预定权重因子指示所述图像的分割的灵敏度和可重复性之间的期望折衷水平。
20.一种有形地体现指令程序的非暂时性计算机可读存储介质，所述指令当由计算机执行时使所述计算机执行对所制造的半导体样本的图像进行分割的方法，所述方法包含：
获得对应于所述图像的第一概率图，所述第一概率图表示所述所制造的半导体样本的至少一部分并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率，其中通过使用深度学习模型处理所述图像来生成所述第一概率图；
获得第一标签图，所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述一个或多个区段相关联的标签的信息，其中所述第二结构元素在表征所述至少部分的设计数据中呈现，并且其中等效的第二结构元素与相同标签相关联；
对所述第一标签图执行模拟以获得第二概率图，所述第二概率图指示所述第一标签图中的像素对应于表示所述第二结构元素的所述一个或多个区段的模拟概率；以及
基于所述第一概率图和所述第二概率图生成第二标签图，其中所述第二标签图提供表示所述第一结构元素的一个或多个区段以及与其相关联的标签的信息，并且其中等效的第一结构元素与相同标签相关联，所述第二标签图可用于以增强的可重复性对所述图像进行分割。
CN202110539235.8A 2020-06-30 2021-05-18 半导体样本的图像分割 Active CN113947561B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/917,692 US11631179B2 (en) 2020-06-30 2020-06-30 Segmentation of an image of a semiconductor specimen
US16/917,692 2020-06-30

Publications (2)

Publication Number Publication Date
CN113947561A CN113947561A (zh) 2022-01-18
CN113947561B true CN113947561B (zh) 2023-12-26

Family

ID=79031273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110539235.8A Active CN113947561B (zh) 2020-06-30 2021-05-18 半导体样本的图像分割

Country Status (5)

Country Link
US (1) US11631179B2 (zh)
JP (1) JP2022013667A (zh)
KR (1) KR20220002084A (zh)
CN (1) CN113947561B (zh)
TW (1) TW202217997A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103262119A (zh) * 2010-12-08 2013-08-21 阿尔卡特朗讯公司 用于对图像进行分割的方法和***
CN104094315A (zh) * 2012-02-01 2014-10-08 皇家飞利浦有限公司 对象图像标示装置、方法和程序
CN109272507A (zh) * 2018-07-11 2019-01-25 武汉科技大学 基于结构随机森林模型的相干光断层图像的层分割方法
CN109872374A (zh) * 2019-02-19 2019-06-11 江苏通佑视觉科技有限公司 一种图像语义分割的优化方法、装置、存储介质及终端
CN110378438A (zh) * 2019-08-07 2019-10-25 清华大学 标签容错下的图像分割模型的训练方法、装置及相关设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8170330B2 (en) * 2007-10-30 2012-05-01 Siemens Aktiengesellschaft Machine learning for tissue labeling segmentation
US9070047B2 (en) * 2011-12-27 2015-06-30 Microsoft Technology Licensing, Llc Decision tree fields to map dataset content to a set of parameters
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US10223615B2 (en) * 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
CN107274428B (zh) * 2017-08-03 2020-06-30 汕头市超声仪器研究所有限公司 基于仿真和实测数据的多目标三维超声图像分割方法
CA3074064A1 (en) * 2019-03-01 2020-09-01 The Regents Of The University Of California Systems, methods, and media for automatically segmenting and diagnosing prostate lesions using multi-parametric magnetic resonance imaging data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103262119A (zh) * 2010-12-08 2013-08-21 阿尔卡特朗讯公司 用于对图像进行分割的方法和***
CN104094315A (zh) * 2012-02-01 2014-10-08 皇家飞利浦有限公司 对象图像标示装置、方法和程序
CN109272507A (zh) * 2018-07-11 2019-01-25 武汉科技大学 基于结构随机森林模型的相干光断层图像的层分割方法
CN109872374A (zh) * 2019-02-19 2019-06-11 江苏通佑视觉科技有限公司 一种图像语义分割的优化方法、装置、存储介质及终端
CN110378438A (zh) * 2019-08-07 2019-10-25 清华大学 标签容错下的图像分割模型的训练方法、装置及相关设备

Also Published As

Publication number Publication date
US11631179B2 (en) 2023-04-18
JP2022013667A (ja) 2022-01-18
US20210407093A1 (en) 2021-12-30
TW202217997A (zh) 2022-05-01
KR20220002084A (ko) 2022-01-06
CN113947561A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
US11199506B2 (en) Generating a training set usable for examination of a semiconductor specimen
US11010665B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
US12007335B2 (en) Automatic optimization of an examination recipe
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
US11423529B2 (en) Determination of defect location for examination of a specimen
US20230230349A1 (en) Identification of an array in a semiconductor specimen
CN113947561B (zh) 半导体样本的图像分割
US11854184B2 (en) Determination of defects and/or edge roughness in a specimen based on a reference image
US20230306580A1 (en) Machine learning based examination of a semiconductor specimen and training thereof

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