CN114930260A - 确定检验样品的缺陷位置 - Google Patents
确定检验样品的缺陷位置 Download PDFInfo
- Publication number
- CN114930260A CN114930260A CN202080091929.3A CN202080091929A CN114930260A CN 114930260 A CN114930260 A CN 114930260A CN 202080091929 A CN202080091929 A CN 202080091929A CN 114930260 A CN114930260 A CN 114930260A
- Authority
- CN
- China
- Prior art keywords
- data
- regions
- semiconductor sample
- att
- thickness
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 128
- 238000012360 testing method Methods 0.000 title description 6
- 238000007689 inspection Methods 0.000 claims abstract description 144
- 239000004065 semiconductor Substances 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 74
- 230000002596 correlated effect Effects 0.000 claims abstract description 8
- 230000003287 optical effect Effects 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 32
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 230000002950 deficient Effects 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 8
- 238000010894 electron beam technology Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004630 atomic force microscopy Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004626 scanning electron microscopy Methods 0.000 description 2
- 125000003821 2-(trimethylsilyl)ethoxymethyl group Chemical group [H]C([H])([H])[Si](C([H])([H])[H])(C([H])([H])[H])C([H])([H])C(OC([H])([H])[*])([H])[H] 0.000 description 1
- 101100001669 Emericella variicolor andD gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- 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
- G03F7/70681—Metrology strategies
- G03F7/706833—Sampling plan selection or optimisation, e.g. select or optimise the number, order or locations of measurements taken per die, workpiece, lot or batch
-
- 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
- G03F7/706835—Metrology information management or control
- G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
- G03F7/706841—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- 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
- G06T7/001—Industrial image inspection using an image reference 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37224—Inspect wafer
-
- 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
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10152—Varying illumination
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
提供了一种方法和***，其经配置成获取由检验工具所获得的半导体样品的一个或多个第一区域的图像；确定提供一个或多个第一区域中的缺陷性的信息的数据Datt；至少基于一个或多个第一区域中的Datt的演变或与Datt相关的数据的演变来确定怀疑存在缺陷的半导体样品的一个或多个第二区域；以及选择一个或多个第二区域以供由检验工具进行检查。
Description
技术领域
当前所公开的主题总体上涉及样品检验的领域，并且更具体地，涉及使样品检验自动化。
背景技术
当前对与所制造器件的超大规模集成电路相关联的高密度和高性能的需求要求亚微米特征、增加的晶体管和电路速度以及改善的可靠性。这些要求需要以高精度和高均匀性形成器件特征，这进而需要对制造过程进行仔细监视，其包括在器件仍处于半导体晶片形式时自动检验器件。
在半导体制造期间的各个步骤处使用检验工艺以检测和分类样品上的缺陷。可通过使(多个)工艺自动化为例如自动缺陷分类(ADC)和自动缺陷审查(ADR)等来提高检验的有效性。
发明内容
根据当前所公开的主题的某些方面，提供了一种检验半导体样品的***，所述***包括处理器和存储器电路***(PMC)，所述***经配置为获取由检验工具获得的半导体样品的一个或多个第一区域的图像；确定提供在一个或多个第一区域中的缺陷性的信息的数据Datt；至少基于一个或多个第一区域中的Datt的演变或与Datt相关的数据的演变来确定怀疑存在缺陷的半导体样品的一个或多个第二区域；以及选择一个或多个第二区域以供由检验工具进行检查。
根据一些实施例，一个或多个第二区域的确定是基于对Datt的极值的搜寻。
根据一些实施例，***经配置为确定表示在提供在一个或多个第一区域中的缺陷性的信息的数据Datt与表示半导体样品在一个或多个第一区域中的厚度的数据之间的相关性的Dcorrel；确定怀疑存在缺陷的半导体样品的一个或多个第二区域，其中基于Dcorrel或其表示的数据以及表示半导体样品的厚度的数据来确定一个或多个第二区域，以及选择一个或多个第二区域以供由检验工具进行检查。
根据一些实施例，***经配置为从i等于1开始重复执行(1)、(2)、(3)和(4)，直到满足停止标准为止：(1)获得由检验工具获得的半导体样品的一个或多个区域Ai的图像；(2)确定提供一个或多个区域Ai中的缺陷性的信息的数据Datt；(3)至少基于一个或多个区域Ai中的Datt的演变来确定怀疑存在缺陷的半导体样品的一个或多个区域Ai+1；以及(4)回复到(1)，i增加1。
根据一些实施例，***经配置为针对半导体样品的图像中存在的像素的多个子集中的每一者产生在每个子集处存在缺陷的概率，其中至少基于所述概率来选择第二区域，其中所述概率是基于(i)和(ii)中的至少一者：(i)提供在一个或多个第一区域中的缺陷性的信息的数据Datt；以及(ii)数据Dcorrel以及表示半导体样品的厚度的数据，所述数据Dcorrel表示在提供在一个或多个第一区域中的缺陷性的信息的数据Datt与表示一个或多个第一区域中的半导体样品的厚度的数据之间的相关性。
根据一些实施例，一个或多个第一区域中的数据Datt包括以下各项中的至少一项：表示在一个或多个第一区域中存在的元素的形状的数据，以及表示在一个或多个第一区域中存在的元素与在一个或多个第一区域的参考图像中存在的元素之间的差异的数据。
根据一些实施例，如果数据Dcorrel包括函数F，所述函数F取决于表示在范围R上的半导体样品的厚度的数据，则***经配置为将第二区域选择为满足(i)、(ii)和(iii)中的至少一者：
(i)表示第二区域中的半导体样品的厚度的数据在范围R内符合函数F；
(ii)表示第二区域中的半导体样品的厚度的数据允许在不同于R的范围R’上测试函数F；以及
(iii)选择表示第二区域中的半导体样品的厚度的数据，以试图朝函数F的输出的极值移动。
根据一些实施例，基于由至少一种光学检验工具获得的图像中的像素强度来获取表示一个或多个第一区域中的半导体样品的厚度的数据和表示半导体样品的厚度的数据中的至少一者。
根据一些实施例，基于由至少一种光学检验工具获得的多个图像中的像素强度来获取表示一个或多个第一区域中的半导体样品的厚度的数据和表示半导体样品的厚度的数据中的至少一者，其中多个图像根据光学检验工具的照明光学信号的波长而不同。
根据一些实施例，***经配置为基于表示在半导体样品上存在缺陷的概率的第一概率图来选择一个或多个第一区域，其中第一概率图是基于以下各项中的至少一者来构建的：由光学检验工具获得的半导体样品的图像；基于由光学检验工具获得的半导体样品的图像的缺陷位置的估计；有关缺陷位置的历史数据；通过电子束检验工具获得的半导体样品的图像；半导体样品的仿真图像；半导体样品的合成图像；以及半导体样品的制造数据。
根据一些实施例，表示一个或多个第一区域中的半导体样品的厚度的数据和表示半导体样品的厚度的数据中的至少一者是基于由至少一种光学检验工具获得的图像中的像素强度来获取的。
根据一些实施例，基于由至少一种光学检验工具获得的多个图像中的像素强度来获取表示一个或多个第一区域中的半导体样品的厚度的数据和表示半导体样品的厚度的数据中的至少一者，其中多个图像根据光学检验工具的照明光学信号的波长而不同。
根据当前所公开的主题的某些方面，提供了一种检验半导体样品的方法，所述方法包括通过处理器和存储器电路***(PMC)执行的以下步骤：获得由检验工具获得的半导体样品的一个或多个第一区域的图像；确定提供在一个或多个第一区域中的缺陷性的信息的数据Datt；至少基于一个或多个第一区域中的Datt的演变或与Datt相关的数据的演变来确定怀疑存在缺陷的半导体样品的一个或多个第二区域；以及选择一个或多个第二区域以供由检验工具进行检查。
根据当前所公开的主题的其他方面，提供了一种包括指令的非瞬时计算机可读介质，所述指令在由计算机执行指令时使计算机执行上述方法。
根据一些实施例，所提出的解决方案允许对包括小型结构的样品进行有效的检验，(例如，在通过光学检验工具获得的图像中的)所述小型结构的噪声比是低的。根据一些实施例，所提出的解决方案妥善处理以下矛盾的要求：在有限的时间和预算内高效地使用低速高分辨率的检验工具来检验样品(特别需要此工具用于检验小型结构，但在合理时间中只能检查样品很小的区域)。根据一些实施例，所提出的解决方案允许以聪明且高效的方式将检验工具引导至样品的相关区域。根据一些实施例，所提出的解决方案优化了检查样品所需的时间和成本。
附图说明
为了理解本公开并了解如何在实践中进行实施，现在将仅通过非限制性示例的方式参考附图来描述实施例，在附图中：
图1示出了根据当前所公开的主题的某些实施例的检验***的通用框图。
图2示出了构建第一概率图的方法的一般流程图，第一概率图提供了样品中感兴趣的位置的信息。
图3示出了确定样品中感兴趣的位置以供由检验工具进行检查的方法的一般流程图。
图3A示出了在样品上使用图3的方法的非限制性示例。
图4示出了确定样品中感兴趣的位置以供由检验工具进行检查的迭代方法的一般流程图。
图5示出了图3的方法的另一种可能的实施例的一般流程图。
图5A示出了基于相差至少一个获得参数的多个图像来确定表示样品厚度的数据的方法的一般流程图。
图5B示出了将指示在区域中存在缺陷的数据与像素强度(表示厚度)相关联的函数的示例。
图5C示出了将指示在区域中存在缺陷的数据与像素强度(表示厚度)相关联的函数的另一示例。
图6示出了迭代地应用的图5的方法的一般流程图。
具体实施方式
在下文的详细描述中，阐述了许多具体细节以提供对本公开的透彻理解。然而，本领域技术人员将理解，可在没有这些具体细节的情况下实施当前所公开的主题。在其他情况下，未详细描述众所周知的方法、过程、组件和电路，以免模糊当前所公开的主题。
除非另有明确说明，否则从以下讨论中可明显看出，在整个说明书讨论中所使用的诸如“处理”、“获取”、“选择”、“确定”、“产生”、“输出”等术语是指计算机的(多个)动作和/或(多个)处理，(多个)动作和/或(多个)处理将数据操纵和/或转换成其他数据，所述数据表示为物理(诸如电子)数量和/或所述数据表示实体对象。应将术语“计算机”广义地解释为包含任何种类的具有数据处理能力的基于硬件的电子器件，作为非限制性示例，其包括本申请中所公开的***103及其各个零件。
应将本文使用的术语“非瞬时存储器”和“非瞬时存储介质”广义地解释为包含适合于当前所公开的主题的任何易失性或非易失性计算机存储器。
应将在本说明书中使用的术语“样品”广义地解释为包含用于制造半导体集成电路、磁头、平板显示器和/或其他半导体制品的任何种类的晶片、掩模和其他结构、上述各项的组合和/或零件。
应将在本说明书中使用的术语“检验”广义地解释为包含任何种类的与计量相关的操作以及与在样品制造过程中样品中的缺陷的检测和/或分类有关的操作。在要检验的样品制造过程期间或之后，通过使用非破坏性检验工具进行检验。作为非限制性示例，检验过程可包括运行时扫描(以单次或多次扫描)、采样、审查、测量、分类和/或针对样品或其部分使用相同或不同的检验工具所提供的其他操作。同样地，可在制造要检验的样品之前提供检验，且检验可包括例如产生(多个)检验配方和/或其他设置操作。应注意，除非另有特别说明，否则本说明书中使用的术语“检验”或其衍生词对检查区域的分辨率或大小没有限制。作为非限制性示例，各种非破坏性检验工具包括扫描电子显微镜、原子力显微镜、光学检查工具等。
作为非限制性示例，运行时检验可采用两阶段过程，例如，检查样品之后审查潜在缺陷的采样位置。在第一阶段期间，以高速和相对较低的分辨率检查样品的表面。在第一阶段中，产生缺陷图以展示在样品上具有高缺陷概率的可疑位置。在第二阶段期间，对可疑位置的至少部分以相对较高的分辨率进行更彻底的分析。在一些情况下，可由相同的检查工具来实施这两个阶段；而在其他情况下，这两个阶段可由不同的检查工具来实现。
应将在本说明书中使用的术语“缺陷”广义地解释为包含在样品上或样品内形成的任何种类的异常或不期望的特征。
应将在本说明书中使用的术语“设计数据”广义地解释为包含指示样品的分层物理设计(布局)的任何数据。设计数据可由相应的设计师提供和/或可从物理设计中得出(例如，通过复杂的模拟、简单的几何和布尔运算等)。可用不同的格式(诸如，作为非限制性示例，GDSII格式、OASIS格式等)来提供设计数据。可用向量格式、灰阶强度图像格式或其他方式呈现设计数据。
应当理解，除非另外特别说明，否则在单独的实施例的上下文中所描述的当前所公开的主题的某些特征也可在单个实施例中组合提供。反过来说，在单个实施例的上下文中描述的当前所公开的主题的各种特征也可单独地或以任何合适的子组合来提供。在下文的详细描述中，阐述了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，请注意图1，图1示出了根据当前所公开的主题的某些实施例的检验***的功能框图。作为样品制造过程的一部分，图1所示的检验***100可用于检验(例如晶片和/或其部分的)样品。所示的检验***100包括基于计算机的***103，基于计算机的***103能够使用在样品制造期间获取的图像来自动确定与计量有关和/或与缺陷有关的信息。***103可以操作地连接到一个或多个低分辨率检验工具101和/或一个或多个高分辨率检验工具102和/或其他检验工具。检验工具经配置为捕获图像和/或审查捕获的(多个)图像和/或实现或提供与捕获的(多个)图像有关的测量。***103可进一步操作地连接到CAD服务器110和数据存储库109。
***103包括处理器和存储器电路***(PMC)104，处理器和存储器电路***(PMC)104操作地连接到基于硬件的输入接口105和基于硬件的输出接口106。PMC104经配置为提供如在下文中进一步详细描述的操作***103所需的所有处理(参见图3至图5中描述的方法，其可至少部分地由***103执行)，且PMC 104包括处理器(未单独示出)和存储器(未单独示出)。PMC 104的处理器可经配置为根据实现在被包括在PMC中的非瞬时计算机可读存储器上的计算机可读指令来执行几个功能模块。这类功能模块在下文中被称为被包括在PMC中。被包括在PMC 104中的功能模块包括深度神经网络(DNN)112。DNN 112经配置为使用机器学习算法实现数据处理，以基于样品图像来输出与应用相关的数据。
作为非限制性示例，可根据卷积神经网络(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)架构或其他方式来组织DNN 112的各层。可选地，可将这些层中的至少一些层组织在多个DNN子网中。DNN的每一层可包括多个在本领域中通常称为维度、神经元或节点的基本计算元素(CE)。
一般来说，给定层的计算元素可与前一层和/或后一层的CE连接。前一层的CE和后一层的CE之间的每个连接与权重值相关联。给定的CE可经由相应连接从前一层的CE接收输入，每个给定的连接与权重值相关联，所述权重值可应用于给定连接的输入。权重值可确定连接的相对强度，从而确定相应输入对给定CE输出的相对影响。给定CE可经配置为计算激励值(例如，输入的加权和)且通过将激励函数应用于所计算的激励来进一步导出输出。激励函数可以是例如恒等函数、确定性函数(例如，线性、S形、阈值等)、随机函数或其他合适的函数。可经由相应连接将给定CE的输出传输到后续层的CE。同样地，如上所述，在CE的输出处的每个连接可与权重值相关联，所述权重值可在作为后续层的CE的输入被接收之前应用于CE的输出。除了权重值之外，还可有与连接和CE相关联的阈值(包括限制函数)。
可在训练之前初始选择DNN 112的权重值和/或阈值，且可在训练期间进一步迭代地调整或修改DNN 112的权重值和/或阈值，以获得经训练的DNN的最佳权重值和/或阈值集。在每次迭代之后，可确定DNN 112产生的实际输出和与相应的训练数据集相关联的目标输出之间的差异(也称为损失函数)。可将差异称为误差值。当指示误差值的成本或损失函数小于预定值时，或当实现迭代之间的性能的有限变化时，可确定训练已完成。可选地，在训练整个DNN之前，可单独训练DNN子网(如果有)中的至少一些DNN子网。
***103经配置为经由输入接口105接收输入数据。输入数据可包括由检验工具产生的数据(和/或其衍生物和/或与其相关联的元数据)和/或在一个或多个数据存储库109中和/或在CAD服务器110和/或另一相关数据存储库中所产生和/或存储的数据。应注意，输入数据可包括图像(例如，所捕获的图像、从所捕获的图像衍生的图像、仿真图像、合成图像等)和相关联的数值数据(例如，元数据、手工制定的属性等)。进一步要注意的是，图像数据可包括与样品的感兴趣的层和/或一个或多个其他层有关的数据。
***103进一步配置为处理接收到的输入数据中的至少一部分，并经由输出接口106将结果(或其部分)发送到存储***107、(多个)检验工具、用于呈现结果的基于计算机的图形用户界面(GUI)108、和/或外部***(例如，半导体代工厂的产量管理***(YMS))。GUI 108可进一步配置为启用与操作***103有关的用户指定的输入。
作为非限制性示例，可通过一个或多个低分辨率检验机器101(例如，光学检查***、低分辨率SEM等)检验样品。可将提供样品的低分辨率图像的信息的结果数据(以下称为低分辨率图像数据121)直接或经由一个或多个中间***传输至***103。替代地或附加地，可通过高分辨率机器102检验样品(例如，可通过扫描电子显微镜(SEM)或原子力显微镜(AFM)来审查经选择用于审查的潜在缺陷位置的子集)。可将提供样品的高分辨率图像的信息的结果数据(以下称为高分辨率图像数据122)直接或经由一个或多个中间***传输至***103。
应注意，可用不同的分辨率捕获样品上期望位置的图像。作为非限制性示例，期望位置的所谓“缺陷图像”可用于区分缺陷和错误警报，而期望位置的所谓“类图像”以更高的分辨率获得且可用于缺陷分类。在一些实施例中，相同位置(具有相同或不同分辨率)的图像可包括在其间配准的若干图像(例如，从给定位置捕获的图像和与给定位置相对应的一个或多个参考图像)。
应注意，可用与图像数据相关联的元数据(例如，像素大小、缺陷类型的文本描述、图像捕获过程的参数等)一起接收和处理图像数据。
一旦处理输入数据(例如，低分辨率图像数据和/或高分辨率图像数据，可选地还有如例如设计数据、合成数据等的其他数据)，***103就可将结果(例如，与指令相关的数据123和/或124)发送到(多个)检验工具中的任一者，将结果(例如，缺陷属性、缺陷分类等)存储在存储***107中，经由GUI 108呈现结果和/或发送到外部***(例如，发送到YMS)。
本领域技术人员将容易理解，当前所公开的主题的教导不受图1所示***的约束；等效和/或经修改的功能可用另一种方式来合并或分割，且可用软件与固件和/或硬件的任何适当组合来实施。
在不以任何方式限制本公开的范围的情况下，还应当注意，可将检验工具实施为各种类型的检查机器(诸如光学成像机、电子束检查机等)。在一些情况下，相同的检验工具可提供低分辨率图像数据和高分辨率图像数据。在一些情况下，至少一种检验工具可具有计量功能。
应注意，可在分布式计算环境中实施图1所示的检验***，其中图1所示的前述功能模块可分布在若干本地和/或远程装置上，且可通过通信网络链接。还应注意，在其他实施例中，至少一些检验工具101和/或102、数据存储库109、存储***107和/或GUI 108可在检验***100的外部且经由输入接口105和输出接口106与***103进行数据通信。可将***103实施为与检验工具结合使用的(多个)独立计算机。替代地，***的各个功能可至少部分地与一个或多个检验工具整合。
现在注意图2，其描绘了确定半导体样品中感兴趣位置的方法。方法包括以下步骤：(操作200)获得表示缺陷位置的数据。根据一些实施例，数据可包括由光学检验工具(参见例如附图标记101)获得的半导体样品的图像。具体来说，根据一些实施例，可产生半导体样品的光学图像与参考图像之间的差异图像，且其中像素强度的差异高于阈值的差异图像的位置可指示感兴趣位置(其可包括缺陷)。如上所述，在各种应用中，光学信号具有低分辨率，并且因此差异图像本身通常不足以检测任何缺陷。在一些实施例中，参考图像是另一样品的图像，所述另一样品的类型与被检验样品的类型相同(实际上，可将缺陷的分布建模为随机分布；因此，如果两个相同类型的样品之间存在明显的像素强度差异，则这可指示缺陷)。在一些实施例中，参考图像是被认为没有缺陷的样品的图像(仿真图像或真实图像)。
根据一些实施例，数据可包括关于缺陷位置的历史数据(特别是针对正在检验的样品类型)。根据一些实施例，数据可包括由光学检验工具(参见例如附图标记101)获得的样品的图像。实际上，在一些实施例中，尽管光学检验工具没有提供具有足以检测缺陷的分辨率的图像(例如，在小型结构的情况下)，但由光学检验工具提供的数据仍可包括其中怀疑存在(多个)缺陷的区域的第一估计(从而减小了检测缺陷的方法的后续操作中要考虑的区域的大小)。在一些实施例中，由光学检验工具提供的数据可对应于使用照明光束的不同波长获取的图像。根据一些实施例，数据可包括由电子束检验工具(参见例如附图标记102)获得的半导体样品的图像。根据一些实施例，数据可包括在半导体样品的一个或多个区域上的临界尺寸均匀性(CDU)。在制造过程期间，在基板中形成多个图案特征。临界尺寸(CD)包括例如栅极宽度、线的最小宽度或制造样品时允许的两条线之间的最小间距。CDU表征了样品区域中临界尺寸的变化。
根据一些实施例，数据可包括半导体样品的仿真图像。具体来说，这可包括诸如(例如由使用者所提供的)CAD数据之类的设计数据，所述设计数据可包括有关存在于样品中的结构化元素的信息，对于这些结构化元素，存在缺陷的可能性很高(“(多个)CAD热点”)。根据一些实施例，数据可包括半导体样品的合成图像。根据一些实施例，数据可包括半导体样品的制造数据(例如温度、压力、气体类型、制造工具的类型)。实际上，制造数据可影响半导体样品中缺陷的位置。一般来说，制造数据的变化对样品的影响具有大于光学检验工具的分辨率的尺寸。
方法可包括以下步骤：使用(210)数据来构建表示样品上存在缺陷的概率的第一概率图。在一些实施例中，可将数据馈送到经训练的深度神经网络(诸如DNN 112)，所述经训练的深度神经网络可针对样品的每个像素或像素区域输出存在缺陷的第一概率。可使用监督学习对深度神经网络进行预训练以提供所需的图。在监督学习期间，将由操作员提供的、指示缺陷存在的标签与包括在操作200中获取的数据的训练集一起使用。使用深度神经网络产生第一概率图只是可能的示例，并且可使用其他方法，诸如物理建模(其涉及使用一个或多个统计模型)。基本此第一概率图，可获取应进一步检验的样品中感兴趣位置(这些位置可对应于第一概率图中缺陷存在的概率高于阈值的位置)的第一估计。
根据一些实施例，可通过检验工具(诸如光学检验工具101)来获得样品的多个图像，其中所述图像相差至少一个获得参数(acquisition parameter)，诸如波长。如上文所解释的，可在样品的图像和参考图像之间产生差异图像。每个波长的差异图像以及表示缺陷位置的其他数据可用于构建每个波长的第一概率图。在一些实施例中，可构建经聚合的第一概率图(例如，通过获取所有波长的概率的最大值；可使用其他聚合来聚合多个第一概率图)。
现在注意图3。方法可包括以下步骤：获取(305)由检验工具获得的样品的第一区域的图像。在一些实施例中，检验工具可以是高分辨率检验工具(参见图1中的附图标记102)。根据一些实施例，可基于已根据图2的方法计算出的第一概率图来选择第一区域。具体来说，可将第一区域选择为概率图指示存在缺陷的概率高于阈值的区域。
根据一些实施例，操作305可包括：获取由检验工具(诸如检验工具102)获得的半导体样品的多个第一区域中的每一者的图像。可基于根据图2的方法计算出的概率图来选择多个第一区域。根据一些实施例，多个第一区域被选择为使得这些第一区域充分地分散(特别是沿着样品的径向方向)。根据一些实施例，多个第一区域被选择为使得样品的厚度演变在第一区域中的至少一些第一区域之间是不同的，和/或使得样品的厚度在第一区域中的至少一些第一区域中演变且不是恒定的(诸如下文所解释的，光学图像中的像素强度与厚度相关且可用于表征样品的厚度)。这允许增加所处理信息的多样性。
对于给定的第一区域，方法可包括以下步骤：(310)确定提供给定区域中的缺陷性的信息的数据Datt(即，提供(多个)缺陷的存在的信息的数据)。下文提供了针对一个或多个属性的此类数据的各种示例。如下文所解释的，Datt可以特别之处在于，对于与Datt的极值相对应的Datt值，倾向于存在缺陷。
根据一些实施例，基于一个或多个第一区域的多个光学图像来确定一个或多个第一区域中的每一者中的数据Datt。多个光学图像可根据照明光学信号的波长而不同。因此，对于每个波长，可获取不同的数据Datt。
可使用各种方法来获得提供一个或多个第一区域中的缺陷性的信息的数据。
根据一些实施例，可获取表示存在于一个或多个第一区域中的元素(例如，诸如触点、晶体管之类的结构化元素)的形状的数据。这可包括例如表示元素轮廓的数据(例如，线边缘粗糙度LER，其指的是样品中存在的元素的边缘的不光滑度)、表示元素表面的数据、表示元素周长的数据和表示元素大小的数据。在一些实施例中，此数据可包括临界尺寸均匀性(CDU)。
在操作305处，可基于先前由光学检验工具(诸如检验工具101)获得的光学图像和/或基于由检验工具(其可以特别是检验工具102)获得的图像来获得这些各种数据。可将这些数据与参考数据(诸如CAD数据之类的设计数据，或无缺陷的样品的参考图像)进行比较。如果差异高于阈值，则可指示缺陷的存在。
更一般地，表示一个或多个第一区域中存在的结构化元素与给定的第一区域的参考图像中存在的结构化元素之间的差异的数据可用于检测缺陷。这可包括例如一个或多个第一区域中的结构化元素相对于一个或多个第一区域的参考图像的位置(或方向)的差异。
在一些实施例中，可在一个或多个第一区域内分析表示结构化元素的形状的数据的演变。例如，如果所有结构化元素都具有相似的形状(例如，圆形)，且一个结构化元素具有的形状正变得不同于共同的平均形状或已具有不同的形状(例如，椭圆形)，则这可指示缺陷。更一般地，对于可指示缺陷的其他属性，可计算属性的值在一个或多个第一区域中的分布且可检测与平均值的偏差。
方法可进一步包括以下步骤：确定(320)怀疑有缺陷存在的半导体样品的一个或多个第二区域，其中至少基于一个或多个第一区域中的Datt(或与Datt相关的数据，如下文所解释的)来确定给定的第二区域。
一般来说，提供缺陷性的信息的数据Datt(诸如CDU、LER等)使得存在找到缺陷的概率最高的极值(取决于属性，所述极值可以是最大值、或最小值或这两者)。因此，可试图找到此极值，或者至少趋向于此极值。由于已获得了多个Datt值(例如，对于样品上的一个或多个区域)，因此可选择第二区域以试图朝Datt的极值移动。根据一些实施例，一个或多个第二区域的选择可依赖于诸如(但不限于)梯度下降法、牛顿法、探索/利用算法之类的方法。
在图3A中示出了一个简单的(且非限制性的)示例。假设对于样品的九个不同区域(区域331至区域339)针对给定属性已获得提供缺陷性的信息的Datt。假设Datt在区域334到区域339具有恒定值，但Datt的值从区域331到区域332减小，随后从区域332到区域333再次增大。因此，如果已知已计算出Datt的特定属性，最小值对应于发现缺陷的高概率，这指示应在区域331和区域332之间执行进一步的获得。具体来说，可重复方法以在区域340和区域341处获得更多的Datt值(更精细的采样)，直到发现缺陷为止。
参照图2已提到，可构建第一概率图，第一概率图指示有缺陷存在的(巨大)可能性的感兴趣位置。根据一些实施例，操作320可包括基于Datt更新第一概率图。具体来说，预期Datt具有与极值相对应的值的区域(基于在操作310中在一个或多个第一区域中发现的Datt的趋势)可增加其概率，而其他区域可降低其概率。可基于更新的第一概率图来确定和选择一个或多个第二区域。
根据一些实施例，在操作310处针对多个不同属性中的每个属性分别确定一个或多个第一区域中的Datt(例如，Datt,1对应于CDU，Datt,2对应于LER等)。每个属性可在晶片上遵循其自身的趋势。作为结果，对于每个属性，可获得在给定位置处存在缺陷的不同概率。可例如通过将针对所有属性确定的所有概率相乘(这不是限制性的，可使用其他统计公式)：P＝∏P属性(其中P属性是针对给定属性找到缺陷的概率)，来针对每个像素或像素区域计算聚合概率P。在一些实施例中，由于可针对多个不同的波长计算Datt，因此可获取多个在给定位置处存在缺陷的概率。作为结果，如上文所解释的，可使用任何适合的统计公式来产生聚合概率。
一旦已识别出一个或多个第二区域，就可将其选择(操作330)以供由检验工具进行检查。具体来说，根据一些实施例，操作330可包括产生用于检验工具的指令，这些指令指示检验工具获得一个或多个第二区域的图像。基于一个或多个第二区域的图像，可检测第二区域是否包括缺陷。例如，如果检验工具是高分辨率检验工具(诸如电子束显微镜102)，则其可输出关于是否存在缺陷的明确确定。
根据一些实施例，可迭代地重复图3的方法，直到满足停止标准为止。这在图4中示出。
方法包括以下步骤：选择(操作400)半导体样品的至少一个区域Ai以供检验工具进行检查，以及获取(操作405)由检验工具获得的至少一个区域Ai的图像。操作405类似于操作305。在第一迭代(i＝1)处，可基于如参考图2所解释地所计算的第一概率图来选择Ai。
方法包括以下步骤：确定(操作410)提供在一个或多个区域Ai中的缺陷性的信息的数据Datt。操作410类似于操作310。在一些实施例中，方法可包括以下步骤：基于Datt更新(415)(当前正在使用的)概率图。
方法包括以下步骤：确定(操作420)一个或多个区域Ai+1。这可基于例如概率图(和/或基于Datt)来执行。操作420可类似于操作320。接着可选择一个或多个区域Ai+1以供由检验工具进行检查。
接着可重复方法(参见附图标记440)。在下一迭代处，一个或多个区域Ai+1的Datt被计算，且有助于确定针对一个或多个区域Ai中的Datt确定的趋势是否在新选择的(多个)区域Ai+1中继续。
因此，根据图4的方法，执行第一粗略采样以检测样品上(针对一个或多个属性的)Datt的总体趋势，且在随后的迭代期间，在样品的特定区域上执行对Datt值的更精细的采样，以试图趋向于有高概率发现缺陷的Datt的极值(最小值和/或最大值，这取决于属性)。
根据一些实施例，在操作415处的概率图的更新(以获得针对概率图的每个像素或像素区域的经更新概率P新)可包括执行先前概率(在先前迭代“i”处获取的P先前)与当前概率(在迭代“i+1”处获取的P当前)的加权组合。根据一些实施例，可使用以下公式(这不是限制性的；α是例如由操作员选择的权重)：
P新＝αP先前+(1-α)P当前
在图4的方法的迭代期间，期望在某个阶段，检验工具的输出指示在所选区域Ak(k的某个值)中存在缺陷。换句话说，使用Datt对于收敛并发现缺陷已取得了***的成果。
现在注意图5，其描述了图3的方法的另一种可能的实现。具体来说，在图3中，已提到可基于与Datt相关的数据来执行对一个或多个第二区域的选择。图5示出了此方法的可能实施例。
方法包括以下步骤：获取样品的至少一个给定的第一区域(或多个给定的第一区域)的图像(操作505，类似于操作305)。
方法进一步包括以下步骤：确定(操作510)表示在提供给定的第一区域中的缺陷性的信息的数据Datt与表示在给定的第一区域中的样品的厚度的数据之间的相关性的数据Dcorrel。在一些实施例中，可在多个给定的第一区域上或在所有给定的第一区域上执行操作310。已为Datt提供了各种示例，且可在此方法中使用。
根据一些实施例，特别地基于由光学检验工具(例如，参见附图标记101)获得的给定的第一区域的图像，可获取表示给定的第一区域中的样品的厚度的数据。实际上，样品(其可包括一个或多个层)的厚度对光学信号的衍射有影响，因此对光学图像中的像素强度也有影响。在一些情况下，取决于照明光学信号的波长，样品的厚度越厚，光学图像中的(多个)对应像素的强度(“灰阶”)就越高(正相关)；在其他情况下，样品厚度越薄，光学图像中的(多个)对应像素的强度(“灰阶”)就越高(负相关)。
由于样品的光学图像中的像素强度与样品厚度相关，因此像素强度可用作表示样品厚度的数据。不必确定像素强度与样品厚度之间的关系，因为这种关系不是必需已知的或可用的：知道光学图像中的像素强度表示样品厚度就足够了。
根据一些实施例，基于给定的第一区域的多个光学图像来确定表示给定的第一区域中的样品的厚度的数据。这在图5A中示出。(在操作340处获得的)多个光学图像可根据照明光学信号的波长而不同。在多个光学图像的每一者中的给定的第一区域的像素强度的分布通常是不同的。实际上，由于每个光学信号具有不同的波长，因此获得了不同的衍射水平，并且因此，对于每个波长，获得了不同的像素强度分布，每个像素强度分布表示厚度分布。
如上所述，操作510包括确定第一数据(提供给定的第一区域中的缺陷性的信息的数据)和第二数据(表示在给定的第一区域中的半导体样品的厚度的数据；实际上，如上所述，光学图像中的像素强度可用于表征样品的厚度)之间的数据Dcorrel。确实，可预期的是，样品的厚度与存在缺陷的概率之间存在相关性。已通过实验观察到此相关性。
假设提供给定的第一区域中的缺陷性的信息的数据Datt由变量Z表示，光学图像中的像素强度由变量Y表示，并且表示给定的第一区域中的半导体样品的厚度的数据由变量X表示。确定数据Dcorrel的步骤可包括确定函数F，诸如Z＝F(Y)。由于已知Y与X相关，因此这等效于确定Z＝G(X)。如下文所解释的，对于某些类型的属性Z，Z的值越高，发现缺陷的概率就越高；对于其他类型的属性Z，Z的值越低，发现缺陷的概率就越高。
根据一些实施例，可使用例如诸如插值之类的方法(非限制性示例包括线性回归)或其他统计方法来确定F。假设对于表示给定的第一区域中的缺陷的给定属性(例如，CDU)，可获取多对值(Z＝属性的值；Y＝像素强度)。作为结果，可获取针对此属性的函数F。根据一些实施例，对于表示缺陷的每个属性，可分别确定函数F属性。
方法可进一步包括以下步骤：确定(520)怀疑有缺陷存在的半导体样品的一个或多个第二区域，其中基于Dcorrel(或其表示的数据，诸如基于Dcorrel产生的缺陷概率)和表示样品厚度的数据来确定所述一个或多个第二区域。实际上，如上所述，厚度的值通常不能直接获得，且光学图像中的像素强度可用来表示厚度。
实际上，作为Dcorrel的一部分的F(或F属性)可用于确定哪些像素强度的值(进而厚度的值)和/或哪些像素强度的演变(进而厚度的演变)有概率在给定位置处存在缺陷。例如，如果属性使得属性的高值对应于发现缺陷的高概率，则可确定与F属性的高值相关联的像素强度，且可将所述像素强度用于选择第二区域。例如，如果属性是CDU，则预期CDU的值越高，发现缺陷的概率就越高。这不是限制性的，且对于其他属性来说，属性的低值可对应于发现缺陷的高概率。
由于可获得表示样品厚度的数据(例如，基于样品的光学图像)，且Dcorrel表征了样品厚度(通过像素强度)与提供缺陷性的信息的数据之间的关系，因此可将第二区域选择为期望像素强度(并且因此样品的厚度)反映缺陷存在的区域。可选择(操作530)第二区域以供由检验工具进行检查，以确认第二区域是否包括缺陷。
已参考图2提到了可建立第一概率图，所述第一概率图指示有缺陷存在的(巨大)可能性的感兴趣位置。根据一些实施例，操作520可包括基于Dcorrel和表示样品厚度的数据来更新第一概率图。换句话说，Dcorrel可用于计算存在缺陷的概率(即使区域尚未被检验工具102获得)。具体来说，具有Dcorrel指示高概率存在缺陷的像素强度(例如，像素强度的值和/或像素强度演变)的区域将增加其概率，而具有Dcorrel指示低概率存在缺陷的像素强度的区域将降低其概率。可基于经更新的概率图来确定和选择一个或多个第二区域。
例如，假设对于像素强度的特定值(例如，在[Y1；Y2]范围中)，Dcorrel指示高概率有缺陷。接着，可选择第二区域，使得其像素强度位于此范围中。在一些实施例中，可基于像素强度将(属于第一概率图的)像素聚类为多个群集，并且因此，最接近所选范围像素强度的像素群集将得到高概率。
如上所述，根据一些实施例，针对多个属性中的每一者来确定表示属性的值(表示缺陷的位置)和像素强度之间的相关性的函数F(或F属性)。第一概率图的更新可包括针对图的每个像素或像素区域，基于F属性和像素强度(表示样品的厚度)来确定存在缺陷的概率P属性。概率建模的一个非限制性示例可包括：
在此表达式中，Y是光学图像中的像素强度(表示厚度)。可基于针对此属性所获取的F属性来确定μ。例如，如果F属性指示对于像素强度的给定值Y*发现缺陷的概率高(且当移动远离Y*时，发现缺陷的概率降低)，则可将μ选择为使得μ＝Y*。
可例如通过将针对所有属性确定的所有概率相乘(这不是限制性的，并且可使用其他统计公式)：P＝∏P属性，来针对每个像素或像素区域计算聚合概率P。
根据一些实施例，可选择第二区域以测试在先前迭代(对于第一区域)中获取的函数F(或F属性)。例如，如果函数F指示在像素强度(表示厚度)的范围R中高概率有缺陷，则可用此范围中的像素强度来选择第二区域。在其他示例中，如果函数F指示在像素强度(表示厚度)的范围R中高概率有缺陷，则可用不同于范围R的范围R’(例如，R’可包含R)的像素强度来选择第二区域。
如上文所解释的，通常来说，指示缺陷的存在的数据(诸如CDU、LER等)使得发现缺陷的概率最高的极值(极值可以是最大值和/或最小值，这取决于属性)。因此，可试图找到此极值或至少趋向于此极值。可选择第二区域以试图朝函数F的输出的极值移动。例如，对于CDU，预期CDU在有缺陷区域中将具有高值，因此将找到最大值。
假设函数F指示当像素强度从Y1增加到Y1+5时缺陷存在的高概率(由Z＝F(Y)的值表示)(参见图5B的示例——在此示例中，属性值越高，出现缺陷的概率就越高)。可试图通过选择像素强度从Y1+5演变为Y1+10的第二区域和/或通过选择像素强度已等于Y1+10的区域来检查这种趋势是否确实表示缺陷。换句话说，试图检查在先前迭代中识别出的趋势是否正确，以便希望达到Z的极值(在图5B中为Zmax)。
在一些实施例中，可增加(在如上所述的概率图中的)分配给像素强度遵循上述关系的像素区域的概率，从而增加在下次迭代中将选择这些区域的可能性。
类似地，假设针对另一个属性的函数F指示当像素强度从Y1减小到Y1-5时缺陷存在的高概率(由Z＝F(Y)的值反映)(参见图5C——在此示例中，属性的值越低，出现缺陷的概率就越高)。可试图通过选择像素强度从Y1-5演变为Y1-10的第二区域和/或通过选择厚度已等于Y1-10的区域来检查此趋势是否确实表示缺陷。换句话说，试图检查在先前迭代中识别出的趋势是否正确，以希望达到Z的极值(在图5C中为Zmin)。
根据一些实施例，第二区域的选择(以检查在方法的先前迭代中确定的相关函数的有效性)可依赖于诸如梯度下降法、牛顿法、探索/利用算法(当函数包括多个局部极值时，探索/利用算法特别有用)之类的方法。
参照图5A已提到，根据一些实施例，可获得根据至少一个获得参数(诸如波长)而不同的多个图像。因此，对于每个获得参数，获取像素强度的不同分布，且可针对每个获得参数独立地计算Dcorrel。根据一些实施例，可针对每个获得参数获取不同的概率图，且可将第二区域选择为例如所有不同概率图中概率最高的区域。
一旦已识别出第二区域，就可选择(操作530)第二区域以供由检验工具进行检查，如参考操作330所解释的。
根据一些实施例，可迭代地重复图5的方法，直到满足停止标准为止。这在图6中示出。
方法包括以下步骤：选择(操作600)由检验工具进行检查的半导体样品的至少一个区域Ai，以及获得(操作605)由检验工具获得的至少一个区域Ai的图像。操作605类似于操作505。在第一迭代(i＝1)处，可基于如参考图2所解释地所计算的第一概率图来选择Ai。
方法包括以下步骤：确定(操作610)表示提供区域Ai中的缺陷性的信息的数据Datt与表示区域Ai中的样品厚度的数据(具体来说，像素强度表示区域Ai中样品的厚度)之间的相关性的数据Dcorrel,i。操作610类似于操作610。在一些实施例中，方法可包括以下步骤：基于Dcorrel,i来更新(615)(当前正在使用的)概率图。
方法包括以下步骤：确定(操作620)至少一个区域Ai+1。可基于例如概率图(和/或基于Dcorrel,i和表示样品厚度的数据)来执行此步骤。操作620可类似于操作520。随后可选择区域Ai+1以供检验工具检查。
接着可重复方法(参见附图标记640)。在下一次迭代处，区域Ai+1的Dcorrel,i+1被计算且有助于确定在Dcorrel,i中确定为表示缺陷的趋势(和/或像素强度的特定值)是否正确。
例如，假设Dcorrel,i指示对于像素强度的范围[Y1；Y2]来说，有高概率发现缺陷，且Dcorrel,i+1确认了此假设。接着可更新概率图(操作615)以进一步增加分配给厚度位于此范围内的像素区域的概率。
在另一个示例中，假设Dcorrel,i指示对于像素强度的范围[Y3；Y4]来说，有高概率发现缺陷，且Dcorrel,i+1与此假设矛盾。接着可更新概率图(操作615)以减少分配给像素强度位于此范围内的像素区域的概率。
在另一个示例中，假设Dcorrel,i指示像素强度(进而厚度)中的特定梯度或趋势指示缺陷。如上所述，可选择Ai+1以测试像素强度的这种梯度或趋势是否实际上指示缺陷。
如果Dcorrel,i+1(其表示指示区域Ai+1中存在缺陷的数据与表示在区域Ai+1中样品的厚度的数据之间的相关性)确认Dcorrel,i中存在的像素强度(进而厚度)中的梯度或趋势指示缺陷，则可更新概率图(操作615)以增加分配给像素强度遵循如Dcorrel,i和Dcorrel,i+1中所述的梯度或趋势的像素区域的概率。
如果Dcorrel,i+1(其表示指示区域Ai+1中存在缺陷的数据与表示在区域Ai+1中样品的厚度的数据之间的相关性)指示Dcorrel,i中存在的像素强度中的梯度或趋势未指示缺陷，则可更新概率图(操作615)以减少分配给像素强度遵循如Dcorrel,i中所述的梯度或趋势的像素区域的概率。例如，在几次后续迭代之后，可找到指示缺陷的正确梯度或趋势。
根据一些实施例，在操作615处的概率图的更新(以获得针对概率图的每个像素或像素区域的经更新的概率P新)可包括执行先前概率(在先前迭代“i”处获得的P先前)和当前概率(在迭代“i+1”获得的P当前)的加权组合，如已参考图4所解释的。
在图6的方法的迭代期间，期望在某个阶段，检验工具的输出指示在所选区域Ak(k的某个值)中存在缺陷。换句话说，使用Dcorrel对收敛并发现缺陷已取得了***的成果。根据一些实施例，表示此区域Ak的厚度的数据DAk可用于更新概率图。具体来说，由于已在此区域Ak中检测到缺陷，因此可更新概率图，使得像素强度包括与DAk类似的值和/或演变得类似于DAk(例如，根据相似性准则，DAk可包含阈值)的像素的任何区域分配有高概率(例如，接近一)。作为结果，在方法的将来迭代期间(参见描绘这种迭代的附图标记640)，将选择这些像素区域(操作600)以供由检验工具进行检查，从而增加了确定附加缺陷的可能性。
根据一些实施例，检验工具可获得的区域数量受到限制。此限制可能是由于例如时间和/或成本限制。特别是对于高分辨率检验工具(诸如检验工具102(例如，电子束显微镜))会遇到此限制。作为结果，并非所有区域都可通过检验工具获得。由于已基于Dcorrel和表示一个或多个区域中的半导体样品的厚度的数据计算了概率图，因此可输出一个或多个区域包括缺陷的概率而无需由检验工具获得一个或多个区域的图像。具体来说，可输出存在缺陷的概率高于阈值的一个或多个区域(尽管实际上高分辨率检验工具尚未获取这些区域的图像)。
根据一些实施例，可对第一样品确定Dcorrel和/或概率图，且可将所述Dcorrel和/或概率图用于其他样品(这些其他样品类似于第一样品，例如相同类型的晶片或相同的制造过程)以选择由检验工具(例如102)进行检验的位置。在一些实施例中，可在随后的类似样品中检验已在第一样品中发现缺陷的高概率的位置。在一些实施例中，Dcorrel和/或概率图提供基于像素强度(其反映厚度演变)的存在缺陷的概率的信息。因此，有可能基于像素强度的分布来确定后续相似样品中的感兴趣位置，而无需通过检验工具(例如102)获得整个样品。
应当理解，本发明的应用不限于在本文中所包含的描述中阐述或在附图中示出的细节。
将进一步理解，可至少部分地在适当编程的计算机上实施根据本发明的***。类似地，本发明考虑了可由用于执行本发明的方法的计算机所读取的计算机程序。本发明进一步考虑了非瞬时计算机可读存储器，其有形地体现可由计算机执行的程序指令，以执行本发明的方法。
本发明能够具有其他实施例，且能够以各种方式实践和执行本发明。因此，应当理解，本文采用的措词和术语是出于描述的目的，而不应被认为是限制性的。因此，本领域技术人员将认识到，本公开所基于的概念可容易地用作设计用于实现当前所公开的主题的若干目的的其他结构、方法和***的基础。
本领域技术人员将容易理解，可在不脱离在所附权利要求中限定的且由所附权利要求限定的本发明范围的情况下，将各种修改和改变应用于如前所述的本发明的实施例。
Claims (20)
1.一种检验半导体样品的***，所述***包括处理器和存储器电路***(PMC)，所述***经配置为：
-获取由检验工具获得的半导体样品的一个或多个第一区域的图像，
-确定提供在所述一个或多个第一区域中的缺陷性的信息的数据Datt，
-至少基于所述一个或多个第一区域中的Datt的演变或与Datt相关的数据的演变来确定怀疑存在缺陷的所述半导体样品的一个或多个第二区域，以及
-选择所述一个或多个第二区域以供由所述检验工具进行检查。
2.如权利要求1所述的***，其中所述一个或多个第二区域的确定是基于对Datt的极值的搜寻。
3.如权利要求1所述的***，所述***经配置为：
-确定表示以下各项之间的相关性的Dcorrel：
o提供在所述一个或多个第一区域中的缺陷性的信息的数据Datt，以及
o表示在所述一个或多个第一区域中的所述半导体样品的厚度的数据，
-确定怀疑存在缺陷的所述半导体样品的一个或多个第二区域，其中基于Dcorrel或其表示的数据以及表示所述半导体样品的厚度的数据来确定所述一个或多个第二区域，以及
-选择所述一个或多个第二区域以供由所述检验工具进行检查。
4.如权利要求1所述的***，所述***经配置为从i等于1开始重复执行(1)、(2)、(3)和(4)，直到满足停止标准为止：
-(1)获取由检验工具获得的半导体样品的一个或多个区域Ai的图像，
-(2)确定提供所述一个或多个区域Ai中的缺陷性的信息的数据Datt，
-(3)至少基于所述一个或多个区域Ai中的Datt的演变来确定怀疑存在缺陷的所述半导体样品的一个或多个区域Ai+1，以及
-(4)回复到(1)，i增加1。
5.如权利要求1所述的***，所述***经配置为从i等于1开始重复执行(1)、(2)、(3)和(4)，直到满足停止标准为止：
-(1)获取由检验工具获得的半导体样品的区域Ai的图像，
-(2)确定表示以下各项之间的相关性的数据Dcorrel：
o提供所述区域Ai中的缺陷性的信息的数据Datt，以及
o表示所述区域Ai中的所述半导体样品的厚度的数据，
-(3)确定怀疑存在缺陷的所述半导体样品的一个或多个区域Ai+1，其中至少基于Dcorrel,i或其表示的数据以及表示所述半导体样品的厚度的数据来确定所述一个或多个区域Ai+1，以及
-(4)回复到(1)，i增加1。
6.如权利要求1所述的***，所述***经配置为针对所述半导体样品的所述图像中存在的像素的多个子集中的每一者产生在每个子集处存在缺陷的概率，其中至少基于所述概率来选择所述第二区域，其中所述概率是基于(i)和(ii)中的至少一者：
(i)提供在所述一个或多个第一区域中的缺陷性的信息的数据Datt；以及
(ii)数据Dcorrel以及表示所述半导体样品的厚度的数据，所述数据Dcorrel表示在提供在所述一个或多个第一区域中的缺陷性的信息的数据Datt与表示所述一个或多个第一区域中的所述半导体样品的厚度的数据之间的相关性。
7.如权利要求1所述的***，其中提供在所述一个或多个第一区域中的缺陷性的信息的数据Datt包括以下各项中的至少一者：
-表示在所述一个或多个第一区域中存在的元素的形状的数据，以及
-表示在所述一个或多个第一区域中存在的元素与在所述一个或多个第一区域的参考图像中存在的元素之间的差异的数据。
8.如权利要求3所述的***，其中如果数据Dcorrel包括函数F，所述函数F取决于表示在范围R上的所述半导体样品的厚度的数据，则所述***经配置为将所述第二区域选择为满足(i)、(ii)和(iii)中的至少一者：
(i)表示所述第二区域中的所述半导体样品的厚度的数据在所述范围R内符合所述函数F；
(ii)表示所述第二区域中的所述半导体样品的厚度的数据允许在不同于R的范围R’上测试所述函数F；以及
(iii)选择表示所述第二区域中的所述半导体样品的厚度的数据，以试图朝所述函数F的输出的极值移动。
9.如权利要求3所述的***，其中表示所述一个或多个第一区域中的所述半导体样品的厚度的数据和表示所述半导体样品的厚度的数据中的至少一者是基于由至少一种光学检验工具获得的图像中的像素强度来获取的。
10.如权利要求3所述的***，其中表示所述一个或多个第一区域中的所述半导体样品的厚度的数据和表示所述半导体样品的厚度的数据中的至少一者是基于由至少一种光学检验工具获得的多个图像中的像素强度来获取的，其中所述多个图像根据所述光学检验工具的照明光学信号的波长而不同。
11.如权利要求1所述的***，所述***经配置为基于表示在所述半导体样品上的缺陷的存在的概率的第一概率图来选择所述一个或多个第一区域，其中所述第一概率图是基于以下各项中的至少一者来构建的：
-由光学检验工具获得的所述半导体样品的图像；
-基于由光学检验工具获得的所述半导体样品的图像的缺陷位置的估计；
-有关缺陷位置的历史数据；
-通过电子束检验工具获得的所述半导体样品的图像；
-所述半导体样品的仿真图像，
-所述半导体样品的合成图像，以及
-所述半导体样品的制造数据。
12.如权利要求3所述的***，所述***经配置为基于表示所述半导体样品或另一个半导体样品在一个或多个区域中的厚度的数据来输出表示所述半导体样品或所述另一个半导体样品的所述一个或多个区域中存在缺陷的概率的数据，而不需要通过所述检验工具获得所述一个或多个区域的图像。
13.一种检验半导体样品的方法，所述方法包括通过处理器和存储器电路***(PMC)执行的以下步骤：
-获取由检验工具获得的半导体样品的一个或多个第一区域的图像，
-确定提供在所述一个或多个第一区域中的缺陷性的信息的数据Datt，
-至少基于所述一个或多个第一区域中的Datt的演变或与Datt相关的数据的演变来确定怀疑存在缺陷的所述半导体样品的一个或多个第二区域，以及
-选择所述一个或多个第二区域以供由所述检验工具进行检查。
14.如权利要求13所述的方法，其中所述一个或多个第二区域的确定是基于对Datt的极值的搜寻。
15.如权利要求13所述的方法，包括以下步骤：从i等于1开始重复执行(1)、(2)、(3)和(4)，直到满足停止标准为止：
-(1)获取由检验工具获得的半导体样品的一个或多个区域Ai的图像，
-(2)确定提供所述一个或多个区域Ai中的缺陷性的信息的数据Datt，
-(3)至少基于所述一个或多个区域Ai中的Datt的演变来确定怀疑存在缺陷的所述半导体样品的一个或多个区域Ai+1，以及
-(4)回复到(1)，i增加1。
16.如权利要求13所述的方法，包括以下步骤：从i等于1开始重复执行(1)、(2)、(3)和(4)，直到满足停止标准为止：
-(1)获取由检验工具获得的半导体样品的区域Ai的图像，
-(2)确定表示以下各项之间的相关性的数据Dcorrel,i：
o提供所述区域Ai中的缺陷性的信息的数据Datt，以及
o表示所述区域Ai中的所述半导体样品的厚度的数据，
-(3)确定怀疑存在缺陷的所述半导体样品的一个或多个区域Ai+1，其中至少基于Dcorrel,i或其表示的数据以及表示所述半导体样品的厚度的数据来确定所述一个或多个区域Ai+1，以及
-(4)回复到(1)，i增加1。
17.如权利要求13所述的方法，包括以下步骤：针对所述半导体样品的所述图像中存在的像素的多个子集中的每一者产生在每个子集处存在缺陷的概率，其中至少基于所述概率来选择所述第二区域，其中所述概率是基于(i)和(ii)中的至少一者：
(i)提供在所述一个或多个第一区域中的缺陷性的信息的数据Datt；以及
(ii)数据Dcorrel以及表示所述半导体样品的厚度的数据，所述数据Dcorrel表示在提供在所述一个或多个第一区域中的缺陷性的信息的数据Datt与表示所述一个或多个第一区域中的所述半导体样品的厚度的数据之间的相关性。
18.如权利要求13所述的方法，其中在所述一个或多个第一区域中的数据Datt包括以下各项中的至少一者：
-表示在所述一个或多个第一区域中存在的元素的形状的数据，以及
-表示在所述一个或多个第一区域中存在的元素与在所述一个或多个第一区域的参考图像中存在的元素之间的差异的数据。
19.如权利要求16所述的方法，其中基于由至少一种光学检验工具获得的多个图像中的像素强度来获取表示所述区域Ai中的所述半导体样品的厚度的数据和表示所述半导体样品的厚度的数据中的至少一者，其中所述多个图像根据所述光学检验工具的照明光学信号的波长而不同。
20.一种非瞬时计算机可读介质，其包括指令，所述指令在由处理器执行时使所述处理器执行包括以下各项的操作：
-获取由检验工具获得的半导体样品的一个或多个第一区域的图像，
-确定提供所述一个或多个第一区域中的缺陷性的信息的数据Datt，
-至少基于所述一个或多个第一区域中的Datt的演变或与Datt相关的数据的演变来确定怀疑存在缺陷的所述半导体样品的一个或多个第二区域，以及
-选择所述一个或多个第二区域以供由所述检验工具进行检查。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/794,172 | 2020-02-18 | ||
| US16/794,172 US11423529B2 (en) | 2020-02-18 | 2020-02-18 | Determination of defect location for examination of a specimen |
| PCT/IL2020/051144 WO2021165947A1 (en) | 2020-02-18 | 2020-11-04 | Determination of defect location for examination of a specimen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114930260A true CN114930260A (zh) | 2022-08-19 |
Family
ID=73455770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080091929.3A Pending CN114930260A (zh) | 2020-02-18 | 2020-11-04 | 确定检验样品的缺陷位置 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11423529B2 (zh) |
| EP (1) | EP4107593A1 (zh) |
| JP (1) | JP7454057B2 (zh) |
| KR (1) | KR20220143644A (zh) |
| CN (1) | CN114930260A (zh) |
| TW (1) | TW202202957A (zh) |
| WO (1) | WO2021165947A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022114331A (ja) * | 2021-01-26 | 2022-08-05 | 日東電工株式会社 | 検査システム、検査方法及び検査プログラム |
| TWI836708B (zh) * | 2022-11-08 | 2024-03-21 | 環球晶圓股份有限公司 | 訊號處理的方法及異音檢測系統 |
| WO2024099710A1 (en) * | 2022-11-11 | 2024-05-16 | Asml Netherlands B.V. | Creating a dense defect probability map for use in a computational guided inspection machine learning model |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3678133B2 (ja) | 2000-10-30 | 2005-08-03 | 株式会社日立製作所 | 検査システムおよび半導体デバイスの製造方法 |
| US20020156550A1 (en) * | 2001-02-28 | 2002-10-24 | Langford Rick Edward | Robust windowing method using the poisson yield model for determining the systematic and random yield of failing circuits on semiconductor wafers |
| US7271891B1 (en) * | 2003-08-29 | 2007-09-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for providing selective defect sensitivity |
| US10234401B2 (en) * | 2016-02-22 | 2019-03-19 | Qoniac Gmbh | Method of manufacturing semiconductor devices by using sampling plans |
| JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
| US10551827B2 (en) * | 2017-07-25 | 2020-02-04 | Kla-Tencor Corporation | Hybrid inspection system for efficient process window discovery |
| JP2019138660A (ja) * | 2018-02-06 | 2019-08-22 | 東芝メモリ株式会社 | 欠陥検査装置および欠陥検査方法 |
| KR102453077B1 (ko) | 2018-11-12 | 2022-10-11 | 주식회사 히타치하이테크 | 결함의 발생을 추정하는 시스템, 및 컴퓨터 가독 매체 |
-
2020
- 2020-02-18 US US16/794,172 patent/US11423529B2/en active Active
- 2020-11-04 CN CN202080091929.3A patent/CN114930260A/zh active Pending
- 2020-11-04 EP EP20808209.9A patent/EP4107593A1/en active Pending
- 2020-11-04 WO PCT/IL2020/051144 patent/WO2021165947A1/en unknown
- 2020-11-04 KR KR1020227023228A patent/KR20220143644A/ko not_active Application Discontinuation
- 2020-11-04 JP JP2022546408A patent/JP7454057B2/ja active Active
- 2020-11-05 TW TW109138566A patent/TW202202957A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220143644A (ko) | 2022-10-25 |
| EP4107593A1 (en) | 2022-12-28 |
| US11423529B2 (en) | 2022-08-23 |
| JP7454057B2 (ja) | 2024-03-21 |
| TW202202957A (zh) | 2022-01-16 |
| JP2023514104A (ja) | 2023-04-05 |
| US20210256687A1 (en) | 2021-08-19 |
| WO2021165947A1 (en) | 2021-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110945528B (zh) | 产生可用于检查半导体样品的训练集的方法及其*** | |
| CN109598698B (zh) | 用于对多个项进行分类的***、方法和非暂时性计算机可读取介质 | |
| 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 | |
| JP7454057B2 (ja) | 試料の試験のための欠陥位置の決定 | |
| US20220222806A1 (en) | Machine learning-based classification of defects in a semiconductor specimen | |
| TW202036475A (zh) | 取樣檢驗的方法及其系統 | |
| CN114219749B (zh) | 样本的模拟图像的确定 | |
| TW202146884A (zh) | 檢查樣本的方法和其系統 | |
| US20230230349A1 (en) | Identification of an array in a semiconductor specimen | |
| US10504805B2 (en) | Method of examining defects in a semiconductor specimen and system thereof | |
| CN113947561B (zh) | 半导体样本的图像分割 | |
| CN114841912A (zh) | 基于参考图像来确定样本中的缺陷和/或边缘粗糙度 |
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 |