CN115023731A - 半导体样本的检查 - Google Patents
半导体样本的检查 Download PDFInfo
- Publication number
- CN115023731A CN115023731A CN202080094814.XA CN202080094814A CN115023731A CN 115023731 A CN115023731 A CN 115023731A CN 202080094814 A CN202080094814 A CN 202080094814A CN 115023731 A CN115023731 A CN 115023731A
- Authority
- CN
- China
- Prior art keywords
- image
- design
- structural element
- based structural
- layer
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
- G01N21/9503—Wafer edge 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- 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
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Immunology (AREA)
- Quality & Reliability (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
提供了使用检查配方来检查半导体样本的***和方法。所述方法包括以下步骤:获得配准的图像对;针对与给定层相关联的每个基于设计的结构元件:计算边缘属性;使用经训练的分类器来确定基于设计的结构元件的类别;以及产生可用于确定配准的图像对的有效性的层分数。还提供了产生可用于检查半导体样本的检查配方的***和方法。
Description
技术领域
一般而言,当前公开的主题涉及检查样本领域,并且更具体地涉及使用检查配方来检查半导体样本。
背景技术
当前对与制造的器件的超大规模集成相关联的高密度和高性能的需求需要亚微米特征、增加的晶体管和电路速度、以及改善的可靠度。此类需求需要用高精确度和高均匀性形成器件特征,这进而需要仔细监测制造过程,包括在器件仍然处于半导体晶片的形式的同时自动检查器件。
通过非限制性示例的方式,运行时检查可以采用两阶段程序,例如检验样本,然后复查潜在缺陷的采样位置。在第一阶段期间,在高速及相对低的分辨率下检验样本的表面。在第一阶段中,产生缺陷地图以显示样本上具有高缺陷可能性的可疑位置。在第二阶段期间,用相对高的分辨率更全面地分析可疑位置中的至少一些。在一些情况下,两个阶段都可以由相同的检验工具所实施,且在一些其他的情况下,这两个阶段由不同的检验工具所实施。
在半导体制造期间的各种步骤使用检查过程以检测和分类样本上的缺陷,以及执行计量相关的操作。检查效率可以通过将(多个)过程自动化为例如自动缺陷分类(ADC)、自动缺陷复查(ADR)、图像分段等等来增加。
发明内容
依据当前公开的主题的某些方面,提供了一种使用检查配方来检查半导体样本的***,所述***包括处理器和存储器电路***(PMC),所述处理器和存储器电路***(PMC)被配置为:获得配准的图像对,所述配准的图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表所述半导体样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息;针对与给定层相关联的每个基于设计的结构元件:计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;以及使用被包括在所述检查配方中的经训练的分类器基于与所述基于设计的结构元件相关联的所述边缘属性,来确定所述基于设计的结构元件的类别,所述类别指示在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;以及针对所述给定层基于与所述给定层相关联的每个基于设计的结构元件的所述类别来产生层分数,所述分数可用于基于所述检查配方中所预定的层阈值来确定所述配准的图像对的有效性。
除了上述特征以外,依据当前公开的主题的此方面的***还可以用技术上可能的任何所需的组合或排列包括下面所列出的特征(i)到(vi)中的一者或多者:
(i)所述第一图像可以是由复查工具所捕获的高分辨率图像。
(ii)所述第二图像可以通过对所述设计数据执行仿真来产生。
(iii)所述PMC可以被进一步配置为,针对与所述给定层相关联的每个基于设计的结构元件:在所述第一图像中与所述第二图像中的所述基于设计的结构元件的位置相对应的位置处沿着一个或多个特定方向计算一个或多个灰阶轮廓;以及计算与所述基于设计的结构元件相关联的一个或多个轮廓属性,且每个轮廓属性指示所述基于设计的结构元件的相应的灰阶轮廓与被包括在所述检查配方中的相应的基线灰阶轮廓之间的差异,所述相应的基线灰阶轮廓是针对所述基于设计的结构元件所属的基于设计的结构元件族沿着相应的特定方向计算的;其中所述使用经训练的分类器来确定类别的步骤是基于与所述基于设计的结构元件相关联的所述边缘属性和所述一个或多个轮廓属性来进行的。
(iv)所述PMC可以被配置为通过以下步骤来计算所述边缘属性:在来自所述第一图像中的所述基于设计的结构元件的所述边缘的两侧的两个像素群体之间应用统计测试,并基于所述统计测试的结果来确定所述两个像素群体之间的分隔。
(v)所述层分数可以是被分类为有效地配准的所述基于设计的结构元件的百分比。
(vi)所述第二图像可以提供与多个层相关联的一个或多个基于设计的结构元件的信息,且针对所述多个层中的每一者执行所述计算步骤、所述使用步骤、以及所述产生步骤,从而产生多个层分数,且其中所述PMC被进一步配置为基于所述多个层分数以及所述检查配方中所预定的多个层阈值来确定所述配准的图像对的有效性。
依据当前公开的主题的其他方面,提供了一种使用检查配方来检查半导体样本的方法,所述方法由处理器和存储器电路***(PMC)执行,所述方法包括以下步骤:获得配准的图像对,所述配准的图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表所述半导体样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息;针对与给定层相关联的每个基于设计的结构元件:计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;以及使用被包括在所述检查配方中的经训练的分类器基于与所述基于设计的结构元件相关联的所述边缘属性,来确定所述基于设计的结构元件的类别,所述类别指示在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;以及针对所述给定层基于与所述给定层相关联的每个基于设计的结构元件的所述类别来产生层分数,所述分数可用于基于所述检查配方中所预定的层阈值来确定所述配准的图像对的有效性。
在作必要的修改之后,所公开的主题的此方面可以用技术上可能的任何所需的组合或排列包括上文关于***所列出的特征(i)到(vi)中的一者或多者。
依据当前公开的主题的其他方面,提供了一种包括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,使得所述计算机执行使用检查配方来检查半导体样本的方法,所述方法由处理器和存储器电路***(PMC)执行,所述方法包括以下步骤:获得配准的图像对,所述配准的图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表所述半导体样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息;针对与给定层相关联的每个基于设计的结构元件:计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;以及使用被包括在所述检查配方中的经训练的分类器基于与所述基于设计的结构元件相关联的所述边缘属性,来确定所述基于设计的结构元件的类别,所述类别指示在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;以及针对所述给定层基于与所述给定层相关联的每个基于设计的结构元件的所述类别来产生层分数,所述分数可用于基于所述检查配方中所预定的层阈值来确定所述配准的图像对的有效性。
在作必要的修改之后,所公开的主题的此方面可以用技术上可能的任何所需的组合或排列包括上文关于***所列出的特征(i)到(vi)中的一者或多者。
依据当前公开的主题的某些方面,提供了一种产生可用于检查半导体样本的检查配方的***,所述***包括处理器和存储器电路***(PMC),所述处理器和存储器电路***(PMC)被配置为:获得训练集,所述训练集包括:i)第一子集,所述第一子集包括一个或多个第一图像对,每个第一图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第一图像和所述第二图像有效地配准,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应的层的信息;以及ii)第二子集,所述第二子集包括一个或多个第二图像对,每个第二图像对通过以下步骤来产生:修改所述第一子集中的相应的第一图像对中的所述第一图像和所述第二图像中的至少一者,使得产生的所述第二图像对无效地配准;将所述训练集的每个图像对的第二图像中的一个或多个基于设计的结构元件中的每一者与指示配准有效性的标签相关联;针对每个基于设计的结构元件,计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;使用和与给定层相关联的每个基于设计的结构元件相关联的所述边缘属性以及所述基于设计的结构元件的所述标签来训练分类器,以确定在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;使用经训练的所述分类器来确定与每个图像对的所述给定层相关联的每个基于设计的结构元件的类别,所述确定基于与所述基于设计的结构元件相关联的所述边缘属性来进行,并基于每个基于设计的结构元件的确定的所述类别来产生所述给定层的层分数;基于所述训练集的每个图像对的所述给定层的所述层分数来产生层阈值;以及将与所述给定层相关联的经训练的所述分类器和所述层阈值包括在所述检查配方中。
除了上述特征以外,依据当前公开的主题的此方面的***还可以用技术上可能的任何所需的组合或排列包括下面所列出的特征(i)到(vi)中的一者或多者:
(i)可以通过修改第一图像对中的所述第一图像的内容来产生至少一个第二图像对。
(ii)可以通过修改第一图像对中的所述第一图像与所述第二图像之间的相对位置来产生至少一个第二图像对。
(iii)所述PMC可以被配置为基于以下项目中的至少一者来执行所述关联步骤:对应的图像对的所述配准有效性,以及在所述对应的图像对是第二图像对的情况下的修改。
(iv)所述PMC可以被进一步配置为:在所述第一图像中与所述第二图像中的所述基于设计的结构元件的位置相对应的位置处沿着特定方向计算每个基于设计的结构元件的灰阶轮廓;沿着所述特定方向,计算有效地配准的基于设计的结构元件之中的每个基于设计的结构元件族的基线灰阶轮廓,所述计算基于所述族中的每个基于设计的结构元件的所述灰阶轮廓来进行;以及针对每个基于设计的结构元件,计算轮廓属性,所述轮廓属性与所述基于设计的结构元件相关联且指示所述基于设计的结构元件的所述灰阶轮廓与所述基线灰阶轮廓之间的差异,且其中所述训练分类器的步骤和所述使用经训练的所述分类器的步骤是基于与所述基于设计的结构元件相关联的所述边缘属性和所述轮廓属性来进行的。所述检查配方可以进一步包括所述基线灰阶轮廓。
(v)可以沿着多个特定方向针对每个族计算多个基线灰阶轮廓,并将所述多个基线灰阶轮廓包括在所述检查配方中。
(vi)每个图像对中的所述第二图像可以提供与多个层相关联的一个或多个基于设计的结构元件的信息,且可以针对所述多个层中的每一者执行所述关联步骤、所述计算步骤、所述训练步骤、所述使用步骤、以及所述包括步骤,从而产生与所述多个层相对应的多个检查配方。
依据当前公开的主题的其他方面,提供了一种产生可用于检查半导体样本的检查配方的方法,所述方法包括以下步骤:获得训练集,所述训练集包括:i)第一子集,所述第一子集包括一个或多个第一图像对,每个第一图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第一图像和所述第二图像有效地配准,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应的层的信息;以及ii)第二子集,所述第二子集包括一个或多个第二图像对,每个第二图像对通过以下步骤来产生:修改所述第一子集中的相应的第一图像对中的所述第一图像和所述第二图像中的至少一者,使得产生的所述第二图像对无效地配准;将所述训练集的每个图像对的第二图像中的一个或多个基于设计的结构元件中的每一者与指示配准有效性的标签相关联;针对每个基于设计的结构元件,计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;使用和与给定层相关联的每个基于设计的结构元件相关联的所述边缘属性以及所述基于设计的结构元件的所述标签来训练分类器,以确定在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;使用经训练的所述分类器来确定与每个图像对的所述给定层相关联的每个基于设计的结构元件的类别,所述确定基于与所述基于设计的结构元件相关联的所述边缘属性来进行,并基于每个基于设计的结构元件的确定的所述类别来产生所述给定层的层分数;基于所述训练集的每个图像对的所述给定层的所述层分数来产生层阈值;以及将与所述给定层相关联的经训练的所述分类器和所述层阈值包括在所述检查配方中。
在作必要的修改之后,所公开的主题的此方面可以用技术上可能的任何所需的组合或排列包括上文关于***所列出的特征(i)到(vi)中的一者或多者。
依据当前公开的主题的其他方面,提供了一种包括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,使得所述计算机执行产生可用于检查半导体样本的检查配方的方法,所述方法包括以下步骤:获得训练集,所述训练集包括:i)第一子集,所述第一子集包括一个或多个第一图像对,每个第一图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第一图像和所述第二图像有效地配准,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应的层的信息;以及ii)第二子集,所述第二子集包括一个或多个第二图像对,每个第二图像对通过以下步骤来产生:修改所述第一子集中的相应的第一图像对中的所述第一图像和所述第二图像中的至少一者,使得产生的所述第二图像对无效地配准;将所述训练集的每个图像对的第二图像中的一个或多个基于设计的结构元件中的每一者与指示配准有效性的标签相关联;针对每个基于设计的结构元件,计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;使用和与给定层相关联的每个基于设计的结构元件相关联的所述边缘属性以及所述基于设计的结构元件的所述标签来训练分类器,以确定在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;使用经训练的所述分类器来确定与每个图像对的所述给定层相关联的每个基于设计的结构元件的类别,所述确定基于与所述基于设计的结构元件相关联的所述边缘属性来进行,并基于每个基于设计的结构元件的确定的所述类别来产生所述给定层的层分数;基于所述训练集的每个图像对的所述给定层的所述层分数来产生层阈值;以及将与所述给定层相关联的经训练的所述分类器和所述层阈值包括在所述检查配方中。
在作必要的修改之后,所公开的主题的此方面可以用技术上可能的任何所需的组合或排列包括上文关于***所列出的特征(i)到(vi)中的一者或多者。
附图说明
为了了解本公开内容并查看其可以如何在实践中实现,现在将仅通过非限制性示例的方式参照附图来描述实施例,在附图中:
图1A示出依据当前公开的主题的某些实施例的配方产生***的功能模块图。
图1B示出依据当前公开的主题的某些实施例的检查***的功能模块图。
图2示出依据当前公开的主题的某些实施例产生可用于检查半导体样本的检查配方的概括流程图。
图3示出依据当前公开的主题的某些实施例使用检查配方来检查半导体样本的概括流程图。
图4示出依据当前公开的主题的某些实施例的示例性图像配准过程。
图5示出依据当前公开的主题的某些实施例的无效配准的图像对的几个示例。
图6示出依据当前公开的主题的某些实施例基于第一图像对而人工产生的第二图像对的几个示例。
图7示意性地示出依据当前公开的主题的某些实施例如何将边缘属性用于测试边缘存在。
图8示出依据当前公开的主题的某些实施例计算GL轮廓和基线GL轮廓的示例。
图9示出依据当前公开的主题的某些实施例的曲线属性的几个示例。
图10是依据当前公开的主题的某些实施例使用基于设计的结构元件的属性和标签来训练分类器的示意图。
图11示出依据当前公开的主题的某些实施例产生层阈值的示意图。
图12示意性地示出依据当前公开的主题的某些实施例使用检查配方来对样本进行运行时检查的示例。
具体实施方式
在以下的详细说明中,阐述了许多具体细节以提供对本公开内容的透彻了解。然而,本领域中的技术人员将了解到,可以在没有这些具体细节的情况下实践当前公开的主题。在其他的实例中,未详细描述众所周知的方法、程序、元件、以及电路,以便不模糊当前公开的主题。
除非另有具体陈述,否则从以下讨论可以清楚看出,应理解,在整份说明书内,利用诸如“检查”、“获得”、“计算”、“使用”、“产生”、“确定”、“相关联”、“训练”、“包括”、“修改”、“执行”等等的术语的讨论是指操控数据和/或将数据转换成其他数据的计算机的(多个)动作和/或(多个)过程,所述数据被表示为物理(诸如电子)量和/或所述数据表示实物。应将术语“计算机”广义地解释为涵盖具有数据处理能力的任何种类的基于硬件的电子器件,通过非限制性示例的方式,包括本申请中所公开的检查***、配方产生***及其相应部分。
应将本文中所使用的术语“非暂时性存储器”和“非暂时性存储介质”广义地解释为涵盖适于当前公开的主题的任何易失性或非易失性计算机存储器。
应将此说明书中所使用的术语“样本”广义地解释为涵盖任何种类的晶片、掩模和其他结构及其组合和/或部分,其用于制造半导体集成电路、磁头、平板显示器、以及其他半导体制造的制品。
应将此说明书中所使用的术语“检查”广义地解释为涵盖任何种类的计量相关的操作以及与在样本的制造期间检测和/或分类所述样本中的缺陷相关的操作。检查通过在制造要检查的样本期间或之后使用非破坏性检查工具来提供。通过非限制性示例的方式,检查过程可以包括运行时扫描(用单次或多次扫描的方式)、采样、复查、测量、分类、和/或关于样本或其部分使用相同或不同的检验工具来提供的其他操作。同样地,可以在制造要检查的样本之前提供检查,且检查可以包括例如产生(多个)检查配方和/或其他的设置操作。应注意,除非另有具体陈述,否则此说明书中所使用的术语“检查”或其派生词对于检验区域的分辨率或尺寸没有限制。通过非限制性示例的方式,各种非破坏性检查工具包括扫描电子显微镜、原子力显微镜、光学检验工具等等。
应将此说明书中所使用的术语“缺陷”广义地解释为涵盖形成于样本上或内的任何种类的异常或不良特征。
应将本说明书中所使用的术语“设计数据”广义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的设计师所提供,和/或可以根据物理设计导出(例如,通过复杂的仿真、简单的几何和布尔运算等等来导出)。可以用不同的格式来提供设计数据,通过非限制性示例的方式,例如GDSII格式、OASIS格式等等。可以用向量格式、灰阶强度图像格式、或用其他方式呈现设计数据。
应理解,除非另有具体陈述,否则也可以将当前公开的主题的在单独的实施例的上下文中描述的某些特征用组合方式提供在单个实施例中。相反地,也可以将当前公开的主题的在单个实施例的上下文中描述的各种特征单独地或用任何合适的子组合来提供。在以下的详细说明中,阐述了许多具体细节以提供对方法和装置的透彻了解。
牢记这一点,注意力转到图1A,其示出依据当前公开的主题的某些实施例的配方产生***的功能模块图。
图1A中所示出的配方产生***100可以用于产生可由检查***130(如图1B中所示出)用于检查半导体样本(例如,晶片和/或其部分)的检查配方。如将于下文更详细地参照图2来描述的,所示出的***100可以是能够基于训练集来自动产生检查配方的基于计算机的***,所述训练集包括代表样本的至少部分的图像对。依据当前公开的主题的某些实施例,***100可以操作地连接到配置为捕获样本的一个或多个图像的一个或多个检查工具120。参照图1B来更详细地描述检查工具及由其捕获的图像的细节。依据某些实施例,***100可以进一步操作地连接到配置为存储和提供表征样本的设计数据的设计数据服务器110(例如,CAD服务器)。样本的设计数据可以呈以下格式中的任一者:样本的物理设计布局(例如,CAD片段)、栅格图像、以及从设计布局导出的仿真图像。可以将样本的图像和设计数据预先收集并存储在存储单元122中,且可以用于产生训练集。
***100包括处理器和存储器电路***(PMC)102,处理器和存储器电路***(PMC)102操作地连接到基于硬件的I/O接口126。PMC 102被配置为提供如参照图2进一步详述的操作***101所需的所有处理,且包括处理器(未单独示出)和存储器(未单独示出)。可以将PMC 102的处理器配置为依据实施在被包括在PMC中的非暂时性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。此类功能模块在下文中称为被包括在PMC中。
依据当前公开的主题的某些实施例,被包括在PMC 102中的功能模块可以包括训练集产生器103、属性产生器104、训练模块105、分类器106、以及配方产生器107。可以将训练集产生器103配置为获得训练集,所述训练集包括第一子集和第二子集,所述第一子集包括一个或多个第一图像对,所述第二子集包括一个或多个第二图像对。每个第一图像对包括两个正确/有效地配准的图像:由检查工具所捕获且代表样本的至少部分的第一图像,以及基于表征样本的所述至少部分的设计数据来产生的第二图像。每个第二图像对基于对应的第一图像对来人工/合成地产生(例如,通过修改第一图像对中的第一图像和第二图像中的至少一者来产生),使得产生的第二图像对中的两个图像无效地配准。在一些情况下,可以将训练集预先产生并存储在存储单元122中,且可以由训练集产生器103从存储单元122检取。在一些其他的情况下,训练集可以由***100产生。举例来说,可以将训练集产生器103配置为经由I/O接口126从检查工具120接收捕获的图像以及从设计数据服务器110接收对应的设计数据,并在它们之间执行图像配准。可以将训练集产生器103进一步配置为产生图像对的第二子集。下文参照图2更详细地描述图像配准以及第二子集的产生。
每个第二图像可以提供设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息。可以将训练集产生器103进一步配置为将训练集的每个图像对的第二图像中的一个或多个基于设计的结构元件中的每一者与指示配准有效性的标签相关联。
针对每个基于设计的结构元件,可以将属性产生器104配置为计算与基于设计的结构元件相关联的边缘属性,所述边缘属性指示在第二图像中的基于设计的结构元件的边缘的位置处的第一图像中的基于图像的结构元件的边缘的估算存在。可以将训练模块105配置为使用每个基于设计的结构元件的标签以及与所述基于设计的结构元件相关联的边缘属性来训练分类器106,以确定在基于设计的结构元件的位置处的第一图像与第二图像之间的配准有效性。
可以将配方产生器107配置为:使用经训练的分类器来确定与每个图像对的给定层相关联的一个或多个基于设计的结构元件中的每一者的类别,所述确定基于与所述基于设计的结构元件相关联的边缘属性来进行;以及基于一个或多个基于设计的结构元件的所确定的类别来产生给定层的层分数。可以将配方产生器107进一步配置为基于训练集的每个图像对的给定层的层分数来产生层阈值,并将经训练的分类器和层阈值包括在检查配方中。
将参照图2进一步详述***100、PMC 102及其中的功能模块的操作。
依据某些实施例,***100可以包括存储单元122。存储单元122可配置为存储操作***100所需的任何数据(例如,与***100的输入和输出相关的数据),以及由***100所产生的中间处理结果。举例来说,存储单元122可配置为存储由检查工具120所产生的训练图像和/或其衍生物。存储单元122也可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,存储单元122可配置为存储如上所述的预先产生的训练集。因此,可以从存储单元122检取存储的数据并将其提供到PMC 102以供进一步处理。
在一些实施例中,***100可以可选地包括基于计算机的图形用户界面(GUI)124,图形用户界面(GUI)124被配置为实现与***100相关的用户指定的输入。例如,可以(例如,通过形成GUI 124的部分的显示器)向用户呈现样本的视觉表示,所述视觉表示包括样本的图像数据和/或设计数据。可以通过GUI将限定某些操作参数(例如,训练配置参数)的选项提供给用户。用户也可以在GUI上检视操作结果(诸如例如训练结果等等)。
本领域中的技术人员将容易理解,当前公开的主题的教示不受图1A中所示出的***的约束;可以将等效和/或修改的功能性用另一种方式合并或划分且可以用软件与固件和/或硬件的任何适当组合实施。
注意,可以将图1A中所示出的配方产生***实施在分布式计算环境中,在所述分布式计算环境中,图1A中所示的上述功能模块可以分布在几个本地设备和/或远程设备上,且可以通过通信网络来链接。进一步注意,在其他的实施例中,存储单元122和/或GUI 124中的至少部分可以在***100的外部且操作为经由I/O接口126与***100进行数据通信。可以将***100实施为要与检查工具结合使用的(多个)独立计算机。替代地,在一些情况下,***100的相应功能可以至少部分地与一个或多个检查工具120集成在一起。
注意力转向图1B,其示出依据当前公开的主题的某些实施例的检查***的功能模块图。
图1B中所示出的检查***130可以用于检查半导体样本(例如,晶片和/或其部分的半导体样本)作为样本制造过程的一部分。***130可以使用由如图1A中所示出的配方产生***100所产生的检查配方来检查样本。所示出的检查***130可以包括基于计算机的***131,***131能够使用在样本制造期间所获得的图像(在下文中称为制造过程(FP)图像或图像)和表征样本的设计数据来自动确定检查相关信息。一般而言,可以将***131称为FPEI(制造过程检查信息)***。依据当前公开的主题的某些实施例,如将在下文更详细地参照图3来描述的,***131可配置为确定图像对的配准有效性。***131可以操作地连接到一个或多个检查工具120。检查工具120被配置为捕获FP图像和/或复查(多个)捕获的FP图像和/或实现或提供与(多个)捕获的图像相关的测量结果。***131可以进一步操作地连接到设计数据服务器110和存储单元142。
举例来说,FP图像(在本文中也称为图像)可以选自在制造过程期间所捕获的样本(例如,晶片或其部分)的多个图像、由各种预处理阶段所获得的捕获的图像的衍生物(例如,由SEM或光学检验***所捕获的晶片或光掩模的一部分的图像、大致以要由ADC分类的缺陷为中心的SEM图像、在其中有要由ADR定位的缺陷的较大区域的SEM图像、与同一掩模位置对应的不同检查模态的配准的图像、分段的图像、高度图图像等等)。应注意,在一些情况下,图像可以包括图像数据(例如,捕获的图像、处理的图像等等)和相关联的数字数据(例如,元数据、手工制作的属性等等)。进一步注意,图像数据可以包括与关心的层和/或样本的一个或多个层相关的数据。
应将本文中所使用的术语“检查工具”广义地解释为涵盖可以用在检查相关的过程中的任何工具,通过非限制性示例的方式,包括成像、扫描(用单次或多次扫描的方式进行)、采样、复查、测量、分类、和/或关于样本或其部分所提供的其他过程。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,检查工具120中的至少一者可以是配置为扫描样本(例如,整个晶片、整个管芯(die)、或其部分)以捕获检验图像(通常,用相对高的速度和/或低的分辨率来捕获)以供检测潜在缺陷的检验工具。在一些情况下,检查工具120中的至少一者可以是复查工具,所述复查工具被配置为捕获由检验工具所检测到的缺陷中的至少一些的复查图像以供确定潜在的缺陷是否确实是缺陷。此类复查工具通常被配置为一次一个地检验管芯的片段(通常,用相对低的速度和/或高的分辨率来检验)。检验工具和复查工具可以是位于相同或不同位置处的不同工具,或用两种不同模式操作的单个工具。在一些情况下,至少一个检查工具可以具有计量能力。
不以任何方式限制本公开内容的范围的情况下,也应注意,可以将检查工具120实施为各种类型的检验机器,诸如光学成像机、电子束检验机等等。在一些情况下,相同的检查工具可以提供低分辨率的图像数据和高分辨率的图像数据。
***131包括操作地连接到基于硬件的I/O接口136的处理器和存储器电路***(PMC)132。PMC 132被配置为提供如参照图3进一步详述的操作***131所需的所有处理,且包括处理器(未单独示出)和存储器(未单独示出)。PMC 132的处理器可配置为依据实施在被包括在PMC中的非暂时性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。此类功能模块在下文中称为被包括在PMC中。
依据某些实施例,被包括在PMC 132中的功能模块可以包括属性产生器134、分类器135、以及有效性确定模块138。可以将PMC 132配置为在运行时(即,生产时间/阶段)中经由I/O接口136获得配准的图像对,所述配准的图像对包括由检查工具所捕获且代表半导体样本的至少部分的第一图像以及基于表征样本的所述至少部分的设计数据来产生的第二图像。第二图像可以提供设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息。在一些实施例中,在经由I/O接口136从检查工具120接收到捕获的图像以及从设计数据服务器110接收到对应的设计数据之后,***131就可以执行第一图像与第二图像之间的图像配准。替代地,可以在外部执行(例如,由在***131外部的***执行)图像配准或其功能性的至少一部分,且可以将配准结果(即,配准的图像对)提供到***131以供进一步处理。
针对与给定层相关联的每个基于设计的结构元件,可以将属性产生器134配置为计算与基于设计的结构元件相关联的边缘属性,所述边缘属性指示在第二图像中的基于设计的结构元件的边缘的位置处的第一图像中的基于图像的结构元件的边缘的估算存在。被包括在检查配方中的分类器135(即,经训练的分类器)可以用来基于与基于设计的结构元件相关联的边缘属性来确定基于设计的结构元件的类别。类别指示在基于设计的结构元件的位置处的第一图像与第二图像之间的配准的有效性。有效性确定模块138可配置为基于与给定层相关联的每个基于设计的结构元件的类别来产生给定层的层分数。所述分数可用于基于检查配方中预定的阈值来确定配准的图像对的有效性。
将参照图3进一步详述***130、***131、PMC 132及其中的功能模块的操作。
依据某些实施例,***130可以包括存储单元142。存储单元142可配置为存储操作***130所需的任何数据(例如,与***130的输入和输出相关的数据),以及由***130所产生的中间处理结果。举例来说,存储单元142可配置为存储由检查工具120所产生的图像和/或其衍生物。存储单元142也可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,存储单元142可配置为存储如上所述的预先产生的配准的图像对。因此,可以从存储单元142检取存储的数据并将其提供到PMC 132以供进一步处理。
在一些实施例中,***130可以可选地包括基于计算机的图形用户界面(GUI)144,图形用户界面(GUI)144被配置为实现与***130相关的用户指定的输入。例如,可以(例如,通过形成GUI 144的部分的显示器)向用户呈现样本的视觉表示,所述视觉表示包括样本的图像数据和/或设计数据。可以通过GUI将限定某些操作参数的选项提供给用户。用户也可以在GUI上检视操作结果(诸如例如检查结果等等)。在一些情况下,***131可进一步配置为经由I/O接口126向存储单元142、和/或(多个)检查工具120、和/或外部***(例如,FAB的良率管理***(YMS))发送结果(或其部分)。
依据某些实施例,***131可以操作地与分段网络112连接,分段网络112被配置为对***131的检查结果执行分段。分段网络112可以是深度学习模型,诸如深度神经网络(DNN),其包括依据相应的DNN架构来组织的层。通过非限制性示例的方式,可以依据卷积神经网络(CNN)架构、循环(recurrent)神经网络架构、递归(recursive)神经网络架构、生成对抗网络(GAN)架构、或用其他方式来组织DNN的层。可选地,可以将层中的至少一些层组织在多个DNN子网络中。DNN的每个层可以包括多个基本计算元件(CE),基本计算元件(CE)在本领域中通常称为维度、神经元、或节点。
一般而言,可以将给定层的计算元件与前一层和/或后一层的CE连接在一起。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。给定的CE可以经由相应的连接从前一层的CE接收输入,每个给定的连接与加权值相关联,所述加权值可以应用于给定连接的输入。加权值可以确定连接的相对强度,且因此确定相应输入对给定CE的输出的相对影响。给定的CE可配置为计算激活值(例如,输入的加权总和)并进一步通过将激活函数应用于所计算的激活来导出输出。应注意,当前公开的主题的教示不受DNN的特定架构的约束。
在一些实施例中,***131可以进一步包括分段网络112或其部分。换言之,可以至少部分地将分段网络112的相应功能集成在***131内。
除了***131以外,检查***100还可以包括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/或计量相关的模块和/或其他的检查模块。此类检查模块可以将***131的输出和/或分段网络112的输出用于检查半导体样本。在一些情况下,可以将所述一个或多个检查模块至少部分地与一个或多个检查工具120集成在一起。
本领域中的技术人员将容易理解,当前公开的主题的教示不受图1B中所示出的***的约束;可以将等效和/或修改的功能性用另一种方式合并或划分且可以用软件与固件和/或硬件的任何适当组合实施。
注意,可以将图1B中所示出的配方产生***实施在分布式计算环境中,在所述分布式计算环境中,图1B中所示的上述功能模块可以分布在几个本地设备和/或远程设备上,且可以通过通信网络来链接。进一步注意,在另外的实施例中,检查工具120、存储单元142、和/或GUI 144中的至少一些可以在***130的外部且操作为经由I/O接口126与***130进行数据通信。可以将***130实施为要与检查工具结合使用的(多个)独立计算机。替代地,在一些情况下,可以将***130的相应功能至少部分地与一个或多个检查工具120集成在一起,由此促进和增强检查相关的过程中的检查工具120的功能性。
如上文参照图1B所描述,可以将包括(多个)检查工具120的检查***130配置为捕获样本的一个或多个图像并执行检查相关的操作,诸如例如缺陷检测、和/或缺陷复查、和/或计量相关的操作等等。依据某些实施例,可以将检查***配置为获得由(多个)检查工具所捕获的图像以及对应的设计数据(例如,CAD数据),并在图像与CAD数据之间执行配准,以执行进一步的检查操作,诸如例如分段和计量测量等等。
现在参照图4,示出了依据当前公开的主题的某些实施例的示例性图像配准过程。
FP图像402(在本文中也称为第一图像)可以从检查工具获得并且代表晶片的一部分。表征晶片的同一部分的设计数据404(例如,CAD片段)可以从CAD服务器获得。如本示例中所示,CAD片段404呈现两种类型的基于设计的结构元件(例如,多边形):第一层中的柱形多边形,以及第二层中的正方形多边形。可以基于CAD数据来产生基于设计的图像406(在本文中也称为第二图像)。例如,可以对CAD片段404进行仿真,从而产生仿真的CAD图像406。在一些情况下,此类仿真可以考虑基于设计的结构元件与对应的基于图像的结构元件之间的差异。例如,在一些情况下,由于诸如例如制造过程的变动(例如,通过光学平版印刷工具将设计图案印刷在晶片上)和/或设计工具的约束条件等等的因素,基于设计的结构元件(诸如例如正方形多边形)可能实际上以椭圆形的形状出现在图像中,如仿真的CAD图像406中所示出。仿真可以考虑此类差异,并产生仿真图像,所述仿真图像包括具有如将在图像中出现的那样的仿真形状的结构元件。如所见,与CAD数据404相比,仿真的CAD图像406中的多边形形状与捕获的图像402中的多边形形状更一致。
可以将FP图像402和仿真的CAD图像406配准以将CAD图像与FP图像对准。举例来说,可以执行全局配准,其将两个图像依据其间的相对位置全局地对准。CAD图像与FP图像之间的相对位置可能是例如由捕获FP图像时的检查工具的导航问题所造成。作为另一个示例,在一些情况下,可以在两个阶段中执行配准:如上所述的全局配准,以及在样本的每个层中分别对准多边形的每层配准。图4示出此类两阶段配准过程。如所示出,在全局配准之后,经全局配准的图像对示于408中,其中柱形多边形正确地配准(例如,两个图像中的对应多边形匹配),而在两个图像中的椭圆形多边形的位置之间存在差异(例如,相对偏移)。在本示例中,这可能是由例如制造过程期间的叠置问题所造成,与设计相比,这导致制造的样本中的两个层之间的相对偏移。
在每层配准执行之后,仿真的CAD图像406的第二层中的椭圆形多边形相应地偏移,以便与FP图像中的对应多边形匹配,从而产生配准的图像对410。
依据本公开内容的某些实施例,在配准(例如,如上所述的全局配准或两阶段配准)之后,其中FP图像和对应的基于设计的图像对准且两个图像之间的每层结构元件匹配(例如,满足预定义的匹配准则)的图像对在本文中称为有效/正确地配准(此类图像对也称为“良好图像对”)。在对有效配准的图像对执行进一步检查操作(诸如例如分段和计量测量等等)时,用户可以确保并确信获得的检查结果(例如,诸如叠置、CD等等的测量结果)是准确且可以信任的。
然而,在一些情况下,即使在如上所述的配准过程之后,图像对也没有正确配准,即,在配准之后,在FP图像与对应的基于设计的图像之间仍然存在失配或差异(例如,不满足预定义的匹配准则)。此类图像对在本文中称为无效/不正确地配准的图像对(也称为“有错误的图像对”)。现在参照图5,示出了依据当前公开的主题的某些实施例的无效配准的图像对的几个示例。
在502中,示出了由于导航误差而引起的FP图像与CAD之间的失配。例如,检查工具可能被不正确地导航,因此从错误的位置捕获与CAD数据不对应的FP图像。在504中,示出了由于聚焦问题而引起的FP图像与CAD之间的失配。如图所示,504中的FP图像被失焦地捕获(例如,图像多边形具有模糊的边缘),因此不与CAD多边形匹配。506示出某个层中的多边形错误配准的示例。具体而言,FP图像和CAD中的椭圆形多边形未正确地配准。508和510示出错误图案化的两个不同的示例,其中FP图像和CAD中的图案不匹配。例如,由于可能的制造误差,与CAD数据相比,在508中,FP图像中缺少一些多边形,而在510中,图像中的图案与设计完全不同。512示出裸FP图像的示例,与CAD数据相比,其并未捕获任何图案。
如上所例示的图像与CAD数据之间的失配/差异可能是由各种原因所引起的,诸如例如检查***问题(例如,聚焦问题、导航误差)、算法困难(例如,配准失败)、和/或制造过程失败(例如,错误图案化、裸图像)。在不知道存在失配问题的情况下对此类无效地配准的图像对执行进一步的检查操作(诸如例如分段和计量测量等等)可能导致向用户报告无意义的结果。此类结果可能提供用于调整制造过程的误导性信息,因此在一些情况下造成严重损害并减少用户对检查***的信心。举例来说,(由于图像对之间的无效配准所引起的)不正确的叠置测量可能误导未来的制造过程,由此产生有错误的生产晶片。
依据某些统计数据,显示出晶片上约5%的位点可能与图像与对应的设计数据之间的此类失配/差异问题相关联。此类位点在本文中也称为低置信度位点。某些检查***不会在检查过程期间提供过滤机制来检测此类问题。为了减轻此类问题,用户可以手动地在检查之前检验晶片上的所有位点,或在检查之后检验整个晶片的检查结果以寻找异常值,这两种措施都极度耗时、低效、以及无效。在一些情况下,用户必须迭代检查配方的校准过程许多次,直到这些情况变得稀少为止,这会显著增加配方时间(Time-to-Recipe,TtR)。
依据当前公开的主题的某些实施例,如参照图2和图3更详细描述的,提出了产生能够检测此类无效配准问题的检查配方的方法,以及使用如此产生的检查配方来检查样本的方法。这些方法是基于机器学习的,具有最少的用户校准和互动。
参照图2,示出了依据当前公开的主题的某些实施例产生可用于检查半导体样本的检查配方的概括流程图。
可以获得训练集(202)(例如由训练集产生器103经由I/O接口126或从存储单元122获得)。训练集可以包括第一子集204和第二子集206,第一子集204包括一个或多个第一图像对,第二子集206包括一个或多个第二图像对。第一子集中的每个第一图像对包括两个有效地配准的图像:由检查工具所捕获且代表样本的至少部分的第一图像,以及基于表征样本的所述至少部分的设计数据来产生的第二图像。举例来说,第一图像可以是由检查工具所捕获的FP图像。在一些情况下,第一图像是由复查工具所捕获的高分辨率图像,诸如例如由扫描电子显微镜(SEM)机器所捕获的SEM图像。
第二图像可以是通过对设计数据执行仿真来产生的仿真图像,诸如例如CAD仿真图像。如上所述,仿真可以考虑基于设计的结构元件与对应的基于图像的结构元件之间的差异,并产生包括具有如将在图像中出现的那样的仿真形状的结构元件的仿真图像。
第二图像可以包括与设计数据中的设计层对应的一个或多个层。第二图像可以提供设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息。每个层可以被视为二进制图像,其中基于设计的结构元件与背景分离。第一图像与第二图像有效地配准。可以用与上文参照图4所描述的方式类似的方式执行第一图像与第二图像之间的图像配准。
本文中所使用的结构元件可以指图像数据或设计数据上具有带有轮廓的几何形状或几何结构的任何原始物体。在一些情况下,结构元件可以指形成图案的多个组合物体。定位/呈现在图像数据上的结构元件可以称为基于图像的结构元件(也称为图像结构元件或图像多边形)。定位/呈现在设计数据上的结构元件可以称为基于设计的结构元件(也称为设计结构元件或设计多边形或CAD多边形)。如图4中所例示,可以例如用多边形的形式呈现结构元件。结构元件可以由用户所限定,或可以例如使用基于规则的技术或机器学习技术来自动限定。
每个基于设计的结构元件可以与所述元件所在的相应层相关联。在一些情况下,给定层可以包含多于一种类型的结构元件(例如,每种类型与相应的设计图案相对应)。在此类情况下,每个基于设计的结构元件可以进一步与指示其类型的标签相关联。
被包括在第一子集中的第一图像对是(例如由用户)从训练数据库预先选定的有效地配准的图像对。如上所述,用户可以选定和确认多个位点的有效性,以确保在图像与对应的CAD数据之间不存在不期望的差异。
因为一般而言,无效/有错误的图像对在晶片中很少见,所以本公开内容提出了人工/合成地产生此类图像对(即,如本文中所指的第二图像对)以构成训练集的一部分的方法。依据某些实施例,可以基于对应的第一图像对来人工地产生第二图像对。举例来说,可以通过修改第一图像对中的第一图像和第二图像中的至少一者来产生第二图像对,使得产生的第二图像对中的两个图像无效地配准。举例来说,可以通过修改第一图像对中的第一图像的内容来产生至少一个第二图像对。作为另一个示例,可以通过修改第一图像对中的第一图像与第二图像之间的相对位置来产生至少一个第二图像对。在一些实施例中,可以针对每个第一图像对产生一个或多个第二图像对。
现在参照图6,示出了依据当前公开的主题的某些实施例的基于第一图像对来人工地产生的第二图像对的几个示例。
在602中所示出的第二图像对中,第一图像对的原始FP图像的内容被修改了(例如,由裸图像(例如,仅由随机噪声组成的图像)替换),而CAD仿真图像保持原样。在604和606中,修改了FP图像与CAD仿真图像(或其部分)之间的相对位置。具体而言,CAD仿真图像的某个层中的基于设计的结构元件相对于FP图像偏移,而FP图像不变。例如,在604中,一个层中的柱形多边形朝向左侧偏移,而另一个层中的椭圆形多边形不移动。在606中,椭圆形多边形朝向左侧偏移,而另一个层中的椭圆形多边形不移动。因此,在本示例中,针对一个第一图像对产生了三个不同的第二图像对。
应注意,图6中所示的示例是出于示例性的目的而示出的,且不应将其视为以任何方式限制本公开内容。附加于或替代于上述内容,可以使用其他可能的修改第一图像和/或第二图像的方式(诸如例如修改某个层中的基于设计的结构元件中的一者或多者的尺寸和/或形状、例如通过用高斯核对图像进行卷积来劣化FP图像的聚焦、用随机噪声替换FP图像的一部分等等)。
在一些实施例中,可以将训练集预先产生并存储在存储单元122中,且可以在训练期间由训练集产生器103检取。在此类情况下,可以在***100的外部且在如图2中所描述的当前提出的配方产生方法之前执行图像配准和/或产生第二子集的功能性(或其至少部分)。在一些其他的实施例中,此类功能性可以由***100执行(例如由训练集产生器103执行),且因此可以被视为图2的当前流程的一部分。
继续图2的说明,一旦获得了包括第一子集和第二子集的训练集,就可以(例如,通过训练集产生器103)将训练集的每个图像对的第二图像中的一个或多个基于设计的结构元件中的每一者与指示配准有效性的标签相关联(208)。
依据某些实施例,可以基于以下因素中的至少一者来执行标记:对应的图像对的配准有效性,以及在对应的图像对是第二图像对的情况下的修改。举例来说,针对第一子集中被用户选定并确认为有效地配准的图像对的第一图像对中的每一者,将所述第一图像对的第二图像中的基于设计的结构元件标记为有效地配准的结构元件。
作为另一个示例,对于第二子集中被人工地产生为无效地配准的图像对的第二图像对而言,标记取决于对所述第二图像对应用的特定修改。例如,在修改了FP图像的内容(诸如例如用裸图像替换FP图像)的情况下,将其第二图像中的基于设计的结构元件全都标记为无效地配准的结构元件。在另一个示例中,在修改了第一图像与第二图像之间的相对位置(诸如例如相对于第一图像偏移第二图像的特定层中的多边形)的情况下,将特定层中的偏移的多边形标记为无效地配准的结构元件,而仍然将其他层中的多边形标记为有效地配准的结构元件。以这种方式,训练集中的所有基于设计的结构元件都与指示其配准有效性的相应标签相关联。
可以计算基于设计的结构元件的一个或多个属性,所述一个或多个属性跟与基于设计的结构元件相关联的标签一起用于训练分类器。现在于下文参照框210描述属性的计算。
针对每个基于设计的结构元件,可以(例如,通过属性产生器104)计算与基于设计的结构元件相关联的边缘属性(210)。边缘属性可以指示在第二图像中的基于设计的结构元件的边缘的位置处的第一图像中的基于图像的结构元件的边缘的估算存在。
边缘属性被用作在仿真的CAD图像中的CAD多边形的边缘的位置处对FP图像中的灰阶边缘(例如,图像多边形的边缘)的存在的度量。依据某些实施例,可以通过以下步骤来计算边缘属性:在来自第一图像中的基于设计的结构元件的边缘的两侧的两个像素群体之间应用统计测试,并基于统计测试的结果来确定两个像素群体之间的分隔。分隔可以指示FP图像中在所估算的位置(例如,CAD多边形边缘的位置)处是否确实存在边缘。
参照图7,示意性地示出了依据当前公开的主题的某些实施例如何将边缘属性用于测试边缘存在。
如702、704以及706的示例中所示,从FP图像中的估算的边缘的两侧截取了像素带(示出为来自估算的边缘位置的内侧和外侧的两条虚线),并在两个像素群体之间应用统计测试以测试这两个像素群体之间的分隔:分隔越好,估算的位置中存在边缘的可能性越高。可以应用的一个可能的测试是科莫戈洛夫-斯米尔诺夫(Kolmogorov-Smirnov;K-S)测试。K-S测试量化分布函数(如本示例中所示出的归一化累积分布函数(CDF))之间的最大距离,并且所述距离可以指示两个群体之间的分隔。
例如,图像702显示,在图像多边形边缘与CAD多边形边缘匹配(即,FP图像中在CAD多边形边缘的位置处确实存在边缘)的情况下,由K-S测试所计算出的边缘属性显示两个群体之间的大间隔(例如,所示出的垂直线701与对应的图表703中的两条曲线之间的最大距离对应)。而在图像704(其中示出了FP图像中估算的边缘与实际的边缘之间的错误配准)和图像706(其中示出了不具有多边形和边缘的裸图像)中,由K-S测试所计算出的边缘属性显示两个群体之间的小分隔或没有分隔(例如,与两条曲线之间的最大距离对应的垂直线708显示对应的图表705中的两条曲线之间的微小分隔,而两条曲线在对应的图表707中几乎重叠)。
因此,通过使用如此计算出的边缘属性,可以估算FP图像中在CAD多边形边缘的位置处是否确实存在边缘。
依据某些实施例,可选地,针对与给定层相关联的每个基于设计的结构元件,除了边缘属性以外,还可以计算与基于设计的结构元件相关联的一个或多个轮廓属性。
具体而言,在一些实施例中,可以在第一图像中与第二图像中的基于设计的结构元件的位置相对应的位置处沿着特定方向计算每个基于设计的结构元件的灰阶(GL)轮廓。一旦针对每个基于设计的结构元件获得了GL轮廓,就可以针对有效地配准的基于设计的结构元件中的每个基于设计的结构元件族计算基线GL轮廓。基于族中的每个基于设计的结构元件的GL轮廓,可以沿着第一图像中的特定方向计算基线。例如,可以通过对族中的每个基于设计的结构元件的GL轮廓求平均来计算基线。基于设计的结构元件族包括共享同一设计图案的等效的基于设计的结构元件。例如,图4的406中的椭圆形多边形属于一个族,而柱形多边形属于另一个族。在一些情况下,给定层可以包含一个或多个基于设计的结构元件族。
一旦产生了基线GL轮廓,就可以针对每个基于设计的结构元件计算轮廓属性,所述轮廓属性指示所述基于设计的结构元件的灰阶轮廓与基线灰阶轮廓之间的差异。
现在参照图8,示出了依据当前公开的主题的某些实施例计算GL轮廓和基线GL轮廓的示例。
在802中,例示了单个椭圆形多边形的FP图像。因为应依据CAD仿真图像中的基于设计的结构元件的位置来确定FP图像中用来计算GL轮廓的位置,所以在本示例中假设,多边形在图像与CAD数据之间有效地配准,即图像多边形的位置与CAD多边形的位置匹配。因此,应在图像多边形的位置处计算GL轮廓。如图所示,选定了特定的方向/角度804(示出为平行弦),沿方向/角度804计算轮廓属性。应注意,多边形的图像已经通过遮住被来自原始FP图像中的上层的另一个多边形(例如,柱形多边形)重叠的重叠部分来进行处理。沿着方向804针对椭圆形多边形计算GL轮廓,例如通过沿着平行弦对多边形内的GL值求平均来计算。所得的GL轮廓示出在图表806中(在忽略无信息的弦(即,遮住的部分)之后)。
一旦针对来自给定族的所有等效多边形计算出GL轮廓(诸如如图表808中所示,其中获得了三个多边形的GL轮廓),就可以基于等效多边形的GL轮廓来计算基线GL轮廓。例如,如图表810中所示,可以通过对三个多边形的GL轮廓求平均来获得基线GL轮廓。在一些情况下,可以在求平均之前在尺寸(即,点的数量)和强度(即,灰阶)方面独立地归一化GL轮廓。
现在参照图9,示出了依据当前公开的主题的某些实施例的轮廓属性的几个示例。
一旦产生了基线GL轮廓,就可以针对每个基于设计的结构元件计算轮廓属性。举例来说,可以将轮廓属性计算为其灰阶轮廓与基线灰阶轮廓之间的差异。例如,差异可以是GL轮廓与基线GL轮廓之间的L2距离。继续上文的基线GL轮廓的示例,图9中示出了三个多边形,其中针对所述多边形计算了相应的轮廓属性。在902(其中多边形有效地配准)中,将针对多边形计算出的GL轮廓与如图8中所描述的获得的基线GL轮廓一起示出在图表903中。可以看出,两条曲线之间的差异相对较小,这由计算为0.13的轮廓属性所证明。在904(其中多边形在图像与CAD之间错误配准)中,如图表905中所示,计算出的GL轮廓远离基线GL轮廓,且指示差异的轮廓属性相对较大(例如,3.46)。类似地,在906(其中FP图像是具有随机噪声的裸图像)中,如图表907中所示,计算出的GL轮廓是随机曲线,且轮廓属性被计算为3.80,这也相对较大。
应注意,在一些情况下,可以沿着多个特定方向针对每个基于设计的结构元件计算多个灰阶轮廓。所述多个特定方向可以由用户定义。因此,可以沿着所述多个特定方向针对每个多边形族计算多个基线GL轮廓。将多个基线GL轮廓包括为检查配方的一部分。
继续图2的说明,一旦获得了基于设计的结构元件的(多个)属性(例如,边缘属性和/或一个或多个轮廓属性),就可以(例如,通过训练模块105)使用与给定层相关联的(如参照框208获得的)每个基于设计的结构元件的标签以及与所述基于设计的结构元件相关联的(多个)属性来训练分类器(212),以确定基于设计的结构元件的位置处的第一图像与第二图像之间的配准的有效性。
应将本文中所称的术语“分类器”或“分类模型”广义地解释为涵盖能够基于训练数据集来识别新的实例属于一组类型/类别中的哪一个的任何学习模型。可以将分类器实施为各种类型的机器学习模型,诸如例如线性分类器、支持向量机(SVM)、神经网络、决策树等等。在一些情况下,由分类器所使用的学习算法可以是监督式学习。在此类情况下,训练集可以包含训练实例,所述训练实例具有指示其类型的标签。图2示出此类训练过程的示例。在一些其他的情况下,分类器可以使用无监督或半监督式学习算法。当前公开的主题不限于与其一起实施的特定类型的分类器和/或分类器的学习算法。
每个基于设计的结构元件可以由与其相关联的(多个)属性表示,诸如例如如上所述的边缘属性和/或一个或多个轮廓属性。可以将基于设计的结构元件投影到由(多个)属性表征的属性空间中。可以基于训练集中的基于设计的结构元件的属性和与其相关联的标签来训练分类器。举例来说,可以将分类器实施为二元分类器(诸如例如SVM模型),其可以用来确定属性空间中的决策边界,由此将有效地配准的结构元件与无效地配准的结构元件分离。
现在参照图10,示出了依据当前公开的主题的某些实施例的使用基于设计的结构元件的属性和标记来训练分类器的示意图。
针对每个基于设计的结构元件,假设获得了与其相关联的两个属性:边缘属性和轮廓属性。产生属性空间并将其在图10中示出为坐标***,其中边缘属性作为X轴而轮廓属性作为Y轴。属性空间中的每个点表示基于设计的结构元件,所述基于设计的结构元件由其特定属性所表征。如所例示,由圆点标记的点表示有效地配准的结构元件,而其余的点表示无效地配准的结构元件,包括表示由裸图像所造成的无效情况的由五角形标记的点以及表示由错误配准所造成的无效情况的由三角形标记的点。可以将基于设计的结构元件的属性馈送到SVM模型中,且可以将SVM模型的预测与实况(ground truth)(例如,基于设计的结构元件的标签)进行比较,以便迭代地调整和修改SVM模型的参数,直到经训练的模型能够确定属性空间中的决策边界1002为止,决策边界1002可以将有效地配准的结构元件(例如,由圆圈标记的点)与满足预定义的准则的无效地配准的结构元件(例如,其余的点)分离。
应注意,如上所述的分类器是基于给定层中的基于设计的结构元件来训练的。因此,分类器也称为每层分类器。将每个层的每层分类器包括为检查配方的一部分。
因为分类器被训练为用于在多边形级别进行分类,且必须针对每个层作出有效性决策,所以计算层分数和层阈值。具体而言,经训练的分类器可以用来(214)确定与每个图像对的给定层相关联的每个基于设计的结构元件的类别,所述确定基于与所述基于设计的结构元件相关联的属性来进行。可以基于每个基于设计的结构元件的所确定的类别来产生给定层的层分数。可以(例如,通过配方产生器107)基于训练集的每个图像对的给定层的层分数来产生层阈值(216)。可以将每个层的层阈值包括为检查配方的一部分。
现在参照图11,示出了依据当前公开的主题的某些实施例的产生层阈值的示意图。
在本示例中,可以将给定层的经训练的分类器应用于第一子集中的十个第一图像对(即,有效地配准的图像对)以及第二子集中所产生的对应的人工图像对(即,无效地配准的图像对)(假设针对每一个第一图像对产生一个或多个人工图像对)的给定层的多边形。举例来说,可以将层i的层分数(L)计算为例如通过的多边形(即,分类为有效配准)在给定层的多边形总数中的百分比:Li=N通过/N多边形
针对图像对中的每一者的给定层产生层分数。十个有效地配准的图像对的层分数应相对较高且接近1,如由图11中的圆圈所表示,其值范围介于80%到100%之间。另一方面,无效地配准的图像对的层分数应相对较低,如由图11中的正方形所表示,其值范围介于0%到20%之间。
可以基于图像对的层分数来产生层阈值。例如,可以确定层阈值,使得维持分类的准确率。在本示例中,将阈值确定为稍微大于无效图像对的层分数,以便不会漏掉任何有效地配准的图像对。
可以(例如,通过配方产生器107)将与给定层相关联的经训练的分类器和层阈值包括在检查配方中(218)。
依据某些实施例,每个图像对中的第二图像(例如,CAD仿真图像)提供与多个层相关联的一个或多个基于设计的结构元件的信息。因此,针对多个层中的每一者执行多边形的标记、属性计算、分类器的训练、层分数和层阈值的产生、以及配方产生,从而产生与多个层相对应的多个检查配方。如将于下文参照图3描述的,如此产生的(多个)检查配方可以用于检查样本。
现在参照图3,示出了依据当前公开的主题的某些实施例的使用检查配方来检查半导体样本的概括流程图。
可以在运行时获得包括第一图像和第二图像的配准的图像对。依据某些实施例,可以例如通过在运行时由检查工具捕获来获得第一图像(302)。第一图像可以代表半导体样本的至少部分。可以基于表征样本的所述至少部分的设计数据来产生第二图像(304)。第二图像可以提供设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息。
如上文参照图2所描述,第一图像可以是由检查工具所捕获的FP图像。举例来说,第一图像可以是由复查工具所捕获的高分辨率图像,诸如例如由扫描电子显微镜(SEM)机器所捕获的SEM图像。第二图像可以是通过对设计数据执行仿真来产生的仿真图像,诸如例如CAD仿真图像。第二图像可以包括与设计数据中的设计层相对应的一个或多个层。每个层可以被视为二进制图像,其中基于设计的结构元件与背景分离。每个基于设计的结构元件可以与所述元件所在的相应层相关联。用与上文参照图4所描述的方式类似的方式配准第一图像和第二图像(306)。
应注意,虽然框302、304以及306被示出为图3的一部分,但在一些实施例中,也可以在***131外部且在如图3中所描述的当前提出的检查方法之前执行这些过程的功能性(或其至少一部分)。在一些其他的实施例中,此类功能性可以由***131执行,且因此可以被视为当前检查流程的一部分。
针对与给定层相关联的每个基于设计的结构元件,可以(例如,通过属性产生器134)计算与基于设计的结构元件相关联的边缘属性(308)。如上所述,边缘属性可以指示在第二图像中的基于设计的结构元件的边缘的位置处的第一图像中的基于图像的结构元件的边缘的估算存在。举例来说,可以通过以下步骤来计算边缘属性:在来自第一图像中的基于设计的结构元件的边缘的两侧的两个像素群体之间应用统计测试,并基于统计测试的结果来确定两个像素群体之间的分隔。上文参照图2和图7描述了边缘属性计算的进一步细节以及将其用于确定边缘存在的使用。
在一些实施例中,附加地,可以在第一图像中与第二图像中的基于设计的结构元件的位置相对应的位置处沿着一个或多个特定方向计算一个或多个灰阶轮廓。可以计算与基于设计的结构元件相关联的一个或多个轮廓属性。每个轮廓属性指示其相应灰阶轮廓与被包括在检查配方中的相应基线灰阶轮廓之间的差异。如上文参照图2和图8以及图9所描述的,在训练阶段期间,针对基于设计的结构元件所属的基于设计的结构元件族沿着相应的特定方向计算相应的基线灰阶轮廓。
在训练阶段期间训练且被包括在检查配方中的经训练的分类器可以(例如,由有效性确定模块138)用来基于与基于设计的结构元件相关联的(多个)属性(例如,边缘属性和/或一个或多个轮廓属性)来确定基于设计的结构元件的类别(310)。类别可以指示在基于设计的结构元件的位置处的第一图像与第二图像之间的配准的有效性(也称为基于设计的结构元件的配准有效性)。
如上所述,应将本文中所称的分类器广义地解释为涵盖能够基于训练数据集来识别新的实例属于一组类型/类别中的哪一个的任何学习模型。分类器可以被实施为各种类型的机器学习模型,且可以利用不同种类的学习算法。在一些实施例中,框310中所使用的经训练的分类器可以是监督式学习模型,诸如例如如图2中所描述地产生和训练的分类器。在一些其他的实施例中,框310中所使用的经训练的分类器也可以是无监督或半监督式学习模型,诸如例如群集模型、异常检测模型等等。当前公开的主题不限于特定类型的分类器和/或与其一起实施的学习算法。
可以(例如,通过有效性确定模块138)针对给定层基于与给定层相关联的每个基于设计的结构元件的类别来产生层分数(312)。举例来说,可以将层分数计算为被分类为有效地配准的基于设计的结构元件的百分比。层分数可用于基于检查配方中预定的层阈值来确定配准的图像对的有效性。举例来说,在样本仅具有一个层的情况下,可以基于相对于层阈值的层分数来确定配准的图像对的有效性。
作为另一个示例,在样本具有多个层且第二图像提供与多个层相关联的一个或多个基于设计的结构元件的信息的情况下,针对多个层中的每一者执行(多个)属性的计算、使用经训练的分类器进行的分类、以及层分数产生,从而产生多个层分数。可以基于多个层分数和检查配方中所预定的多个层阈值来确定配准的图像对的有效性。例如,一个确定准则可以是,如果层中的任一者未有效地配准(即,如果任何层的层分数不满足关于层阈值的准则),则可以拒绝配准的图像对的有效性。换言之,如果任何层分数小于其层阈值,则将由图像对所表示的位点作为整体拒绝。另一方面,如果所有的层都有效地配准(即,如果所有层的层分数都满足关于相应的层阈值的准则),则可以确认配准的图像对的有效性。可以将层结果和/或位点结果保存在存储单元中和/或呈现在GUI上供用户复查。
现在参照图12,示意性地示出了依据当前公开的主题的某些实施例的使用检查配方来对样本进行运行时检查的示例。
假设样本如所示地具有多个层L1、L2、…、Ll。与图10的示例中类似,针对每个层中的每个基于设计的结构元件获得两个属性(边缘属性和轮廓属性),由此针对每个层产生属性空间(示出在图12中,其中边缘属性作为X轴,而轮廓属性作为Y轴)。出于示例性的目的,示出了与两个层对应的两个属性空间1202和1204。属性空间中的点表示给定层中相应的基于设计的结构元件,所述基于设计的结构元件由其特定属性所表征。
可以将给定层中的基于设计的结构元件的属性馈送到针对给定层训练的分类器中。经训练的分类器可以确定每个基于设计的结构元件的类别,所述确定基于与所述基于设计的结构元件相关联的属性来进行。类别是指示基于设计的结构元件的配准有效性的二进制类别。决策边界1206和1208表示有效地配准的结构元件与无效地配准的结构元件之间的分隔。
相应地针对每个层L1、L2、…、Ll计算层分数,且可以基于层分数以及检查配方中所预定的层阈值针对每个层作出决策。可以基于相应的层的决策来确定配准的图像对的有效性。
应注意,所示出的示例是出于说明的目的而在本文中描述的,且不应将其视为以任何方式限制本公开内容。可以附加于或替代于上述内容使用其他合适的示例。
如本文中所述的检查过程的某些实施例的优点之一是能够在执行进一步的检查操作(诸如例如分段和计量测量等等)之前,自动检测FP图像与对应的设计数据之间的失配/差异,由此允许将值得信赖的检查结果(例如诸如叠置、CD等等的测量结果)提供给用户,并避免向制造过程提供误导性的检查信息。
如本文中所述的配方产生过程的某些实施例的优点之一是提供可用于如上所述地在执行进一步的检查操作之前,自动检测FP图像与对应的设计数据之间的失配/差异的检查配方。
如本文中所述的检查过程的某些实施例的优点之一是用于检测FP图像与对应的设计数据之间的差异的自动化检查过程,其可以节省用户在检查之前人工检验晶片上的所有位点的工作量或在检查之后人工检验整个晶片的检查结果以寻找异常值的工作量。这至少通过以下步骤来实现:使用经训练的分类器基于结构元件的一个或多个属性来对结构元件执行分类,以及基于分类结果来产生对位点的指示。
如本文中所述的配方产生过程的某些实施例的优点之一是产生训练集,其包括以下步骤:通过修改有效/良好的训练子集使得提供适当标记的训练数据来产生人工/合成的有错误的训练子集。
如本文中当前所公开的检查过程可以用于不同的应用,诸如例如ADC、ADR、缺陷检测、匹配、计量、以及其他的检查任务。
要了解,本公开内容的应用不限于本文中所包含或附图中所示出的说明中所阐述的细节。
也将了解,可以将依据本公开内容的***至少部分地实施在合适地编程的计算机上。同样地,本公开内容考虑用于执行本公开内容的方法的由计算机可读的计算机程序。本公开内容进一步考虑有形地体现用于执行本公开内容的方法的由计算机可执行的指令程序的非暂时性计算机可读存储器。
本公开内容能够具有其他的实施例且能够用各种方式来实践和实现。因此,要了解,本文中所采用的词句和术语是出于说明的目的,且不应将其视为限制。因此,本领域中的技术人员将理解,可以容易将本公开内容所基于的概念用作设计用于实现当前公开的主题的若干目的的其他结构、方法、以及***的基础。
本领域中的技术人员将容易理解,在不脱离在所附权利要求中所限定且由所附权利要求所限定的本公开内容的范围的情况下,可以将各种修改及改变应用于如上所述的本公开内容的实施例。
Claims (29)
1.一种使用检查配方来检查半导体样本的计算机化***,所述***包括处理器和存储器电路***(PMC),所述处理器和存储器电路***(PMC)被配置为:
获得配准的图像对,所述配准的图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表所述半导体样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息;
针对与给定层相关联的每个基于设计的结构元件:
计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;以及
使用被包括在所述检查配方中的经训练的分类器基于与所述基于设计的结构元件相关联的所述边缘属性,来确定所述基于设计的结构元件的类别,所述类别指示在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;以及
针对所述给定层基于与所述给定层相关联的每个基于设计的结构元件的所述类别来产生层分数,所述分数可用于基于所述检查配方中所预定的层阈值来确定所述配准的图像对的有效性。
2.如权利要求1所述的计算机化***,其中所述第一图像是由复查工具所捕获的高分辨率图像。
3.如权利要求1所述的计算机化***,其中所述第二图像是通过对所述设计数据执行仿真来产生的。
4.如权利要求1所述的计算机化***,其中所述PMC被进一步配置为:针对与所述给定层相关联的每个基于设计的结构元件:
在所述第一图像中与所述第二图像中的所述基于设计的结构元件的位置相对应的位置处沿着一个或多个特定方向计算一个或多个灰阶轮廓;以及
计算与所述基于设计的结构元件相关联的一个或多个轮廓属性,每个轮廓属性指示所述基于设计的结构元件的相应的灰阶轮廓与被包括在所述检查配方中的相应的基线灰阶轮廓之间的差异,所述相应的基线灰阶轮廓是针对所述基于设计的结构元件所属的基于设计的结构元件族沿着相应的特定方向计算的;
其中所述使用经训练的分类器来确定类别的步骤是基于与所述基于设计的结构元件相关联的所述边缘属性和所述一个或多个轮廓属性来进行的。
5.如权利要求1所述的计算机化***,其中所述PMC被配置为通过以下步骤来计算所述边缘属性:在来自所述第一图像中的所述基于设计的结构元件的所述边缘的两侧的两个像素群体之间应用统计测试,并基于所述统计测试的结果来确定所述两个像素群体之间的分隔。
6.如权利要求1所述的计算机化***,其中所述层分数是被分类为有效地配准的所述基于设计的结构元件的百分比。
7.如权利要求1所述的计算机化***,其中所述第二图像提供与多个层相关联的一个或多个基于设计的结构元件的信息,且针对所述多个层中的每一者执行所述计算步骤、所述使用步骤、以及所述产生步骤,从而产生多个层分数,且其中所述PMC被进一步配置为基于所述多个层分数以及所述检查配方中所预定的多个层阈值来确定所述配准的图像对的有效性。
8.一种使用检查配方来检查半导体样本的计算机化方法,所述方法由处理器和存储器电路***(PMC)执行,所述方法包括以下步骤:
获得配准的图像对,所述配准的图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表所述半导体样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息;
针对与给定层相关联的每个基于设计的结构元件:
计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;以及
使用被包括在所述检查配方中的经训练的分类器基于与所述基于设计的结构元件相关联的所述边缘属性,来确定所述基于设计的结构元件的类别,所述类别指示在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;以及
针对所述给定层基于与所述给定层相关联的每个基于设计的结构元件的所述类别来产生层分数,所述分数可用于基于所述检查配方中所预定的层阈值来确定所述配准的图像对的有效性。
9.如权利要求8所述的计算机化方法,其中所述第一图像是由复查工具所捕获的高分辨率图像。
10.如权利要求8所述的计算机化方法,其中所述第二图像是通过对所述设计数据执行仿真来产生的。
11.如权利要求8所述的计算机化方法,进一步包括以下步骤:针对与所述给定层相关联的每个基于设计的结构元件:
在所述第一图像中与所述第二图像中的所述基于设计的结构元件的位置相对应的位置处沿着一个或多个特定方向计算一个或多个灰阶轮廓;以及
计算与所述基于设计的结构元件相关联的一个或多个轮廓属性,每个轮廓属性指示所述基于设计的结构元件的相应的灰阶轮廓与被包括在所述检查配方中的相应的基线灰阶轮廓之间的差异,所述相应的基线灰阶轮廓是针对所述基于设计的结构元件所属的基于设计的结构元件族沿着相应的特定方向计算的;
其中所述使用经训练的分类器来确定类别的步骤是基于与所述基于设计的结构元件相关联的所述边缘属性和所述一个或多个轮廓属性来进行的。
12.如权利要求8所述的计算机化方法,其中所述边缘属性是通过以下步骤来计算的:在来自所述第一图像中的所述基于设计的结构元件的所述边缘的两侧的两个像素群体之间应用统计测试,并基于所述统计测试的结果来确定所述两个像素群体之间的分隔。
13.如权利要求8所述的计算机化方法,其中所述层分数是被分类为有效地配准的所述基于设计的结构元件的百分比。
14.如权利要求8所述的计算机化方法,其中所述第二图像提供与多个层相关联的一个或多个基于设计的结构元件的信息,且针对所述多个层中的每一者执行所述计算步骤、所述使用步骤、以及所述产生步骤,从而产生多个层分数,且所述方法进一步包括以下步骤:基于所述多个层分数以及所述检查配方中所预定的多个层阈值来确定所述配准的图像对的有效性。
15.一种有形地体现指令程序的非暂时性计算机可读存储介质,所述指令程序在由计算机执行时,使得所述计算机执行使用检查配方来检查半导体样本的方法,所述方法包括以下步骤:
获得配准的图像对,所述配准的图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表所述半导体样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应层的信息;
针对与给定层相关联的每个基于设计的结构元件:
计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;以及
使用被包括在所述检查配方中的经训练的分类器基于与所述基于设计的结构元件相关联的所述边缘属性,来确定所述基于设计的结构元件的类别,所述类别指示在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;以及
针对所述给定层基于与所述给定层相关联的每个基于设计的结构元件的所述类别来产生层分数,所述分数可用于基于所述检查配方中所预定的层阈值来确定所述配准的图像对的有效性。
16.一种产生可用于检查半导体样本的检查配方的计算机化***,所述***包括处理器和存储器电路***(PMC),所述处理器和存储器电路***(PMC)被配置为:
获得训练集,所述训练集包括:i)第一子集,所述第一子集包括一个或多个第一图像对,每个第一图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第一图像和所述第二图像有效地配准,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应的层的信息;以及ii)第二子集,所述第二子集包括一个或多个第二图像对,每个第二图像对通过以下步骤来产生:修改所述第一子集中的相应的第一图像对中的所述第一图像和所述第二图像中的至少一者,使得产生的所述第二图像对无效地配准;
将所述训练集的每个图像对的第二图像中的一个或多个基于设计的结构元件中的每一者与指示配准有效性的标签相关联;
针对每个基于设计的结构元件,计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;
使用和与给定层相关联的每个基于设计的结构元件相关联的所述边缘属性以及所述基于设计的结构元件的所述标签来训练分类器,以确定在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;
使用经训练的所述分类器来确定与每个图像对的所述给定层相关联的每个基于设计的结构元件的类别,所述确定基于与所述基于设计的结构元件相关联的所述边缘属性来进行,并基于每个基于设计的结构元件的确定的所述类别来产生所述给定层的层分数;
基于所述训练集的每个图像对的所述给定层的所述层分数来产生层阈值;以及
将与所述给定层相关联的经训练的所述分类器和所述层阈值包括在所述检查配方中。
17.如权利要求16所述的计算机化***,其中至少一个第二图像对是通过修改第一图像对中的所述第一图像的内容来产生的。
18.如权利要求16所述的计算机化***,其中至少一个第二图像对是通过修改第一图像对中的所述第一图像与所述第二图像之间的相对位置来产生的。
19.如权利要求16所述的计算机化***,其中所述PMC被配置为基于以下项目中的至少一者来执行所述关联步骤:对应的图像对的所述配准有效性,以及在所述对应的图像对是第二图像对的情况下的修改。
20.如权利要求16所述的计算机化***,其中所述PMC被进一步配置为:
在所述第一图像中与所述第二图像中的所述基于设计的结构元件的位置相对应的位置处沿着特定方向计算每个基于设计的结构元件的灰阶轮廓;
沿着所述特定方向,计算有效地配准的基于设计的结构元件之中的每个基于设计的结构元件族的基线灰阶轮廓,所述计算基于所述族中的每个基于设计的结构元件的所述灰阶轮廓来进行;以及
针对每个基于设计的结构元件,计算轮廓属性,所述轮廓属性与所述基于设计的结构元件相关联且指示所述基于设计的结构元件的所述灰阶轮廓与所述基线灰阶轮廓之间的差异,且其中所述训练分类器的步骤和所述使用经训练的所述分类器的步骤是基于与所述基于设计的结构元件相关联的所述边缘属性和所述轮廓属性来进行的,
其中所述检查配方进一步包括所述基线灰阶轮廓。
21.如权利要求20所述的计算机化***,其中沿着多个特定方向针对每个族计算多个基线灰阶轮廓,并将所述多个基线灰阶轮廓包括在所述检查配方中。
22.如权利要求16所述的计算机化***,其中每个图像对中的所述第二图像提供与多个层相关联的一个或多个基于设计的结构元件的信息,且针对所述多个层中的每一者执行所述关联步骤、所述计算步骤、所述训练步骤、所述使用步骤、以及所述包括步骤,从而产生与所述多个层相对应的多个检查配方。
23.一种有形地体现指令程序的非暂时性计算机可读存储介质,所述指令程序在由计算机执行时,使得所述计算机执行产生可用于检查半导体样本的检查配方的方法,所述方法包括以下步骤:
获得训练集,所述训练集包括:i)第一子集,所述第一子集包括一个或多个第一图像对,每个第一图像对包括第一图像和第二图像,所述第一图像由检查工具所捕获且代表样本的至少部分,所述第二图像基于表征所述样本的所述至少部分的设计数据来产生,所述第一图像和所述第二图像有效地配准,所述第二图像提供所述设计数据中所呈现的一个或多个基于设计的结构元件以及与每个基于设计的结构元件相关联的相应的层的信息;以及ii)第二子集,所述第二子集包括一个或多个第二图像对,每个第二图像对通过以下步骤来产生:修改所述第一子集中的相应的第一图像对中的所述第一图像和所述第二图像中的至少一者,使得产生的所述第二图像对无效地配准;
将所述训练集的每个图像对的第二图像中的一个或多个基于设计的结构元件中的每一者与指示配准有效性的标签相关联;
针对每个基于设计的结构元件,计算边缘属性,所述边缘属性与所述基于设计的结构元件相关联且指示在所述第二图像中的基于设计的结构元件的边缘的位置处的所述第一图像中的基于图像的结构元件的边缘的估算存在;
使用和与给定层相关联的每个基于设计的结构元件相关联的所述边缘属性以及所述基于设计的结构元件的所述标签来训练分类器,以确定在所述基于设计的结构元件的所述位置处的所述第一图像与所述第二图像之间的配准的有效性;
使用经训练的所述分类器来确定与每个图像对的所述给定层相关联的每个基于设计的结构元件的类别,所述确定基于与所述基于设计的结构元件相关联的所述边缘属性来进行,并基于每个基于设计的结构元件的确定的所述类别来产生所述给定层的层分数;
基于所述训练集的每个图像对的所述给定层的所述层分数来产生层阈值;以及
将与所述给定层相关联的经训练的所述分类器和所述层阈值包括在所述检查配方中。
24.如权利要求23所述的非暂时性计算机可读存储介质,其中至少一个第二图像对是通过修改第一图像对中的所述第一图像的内容来产生的。
25.如权利要求23所述的非暂时性计算机可读存储介质,其中至少一个第二图像对是通过修改第一图像对中的所述第一图像与所述第二图像之间的相对位置来产生的。
26.如权利要求23所述的非暂时性计算机可读存储介质,其中所述关联步骤是基于以下项目中的至少一者来执行的:对应的图像对的所述配准有效性,以及在所述对应的图像对是第二图像对的情况下的修改。
27.如权利要求23所述的非暂时性计算机可读存储介质,其中所述方法进一步包括以下步骤:
在所述第一图像中与所述第二图像中的所述基于设计的结构元件的位置相对应的位置处沿着特定方向计算每个基于设计的结构元件的灰阶轮廓;
沿着所述特定方向,计算有效地配准的基于设计的结构元件之中的每个基于设计的结构元件族的基线灰阶轮廓,所述计算基于所述族中的每个基于设计的结构元件的所述灰阶轮廓来进行;以及
针对每个基于设计的结构元件,计算轮廓属性,所述轮廓属性与所述基于设计的结构元件相关联且指示所述基于设计的结构元件的所述灰阶轮廓与所述基线灰阶轮廓之间的差异,且其中所述训练分类器的步骤和所述使用经训练的所述分类器的步骤是基于与所述基于设计的结构元件相关联的所述边缘属性和所述轮廓属性来进行的,以及
其中所述检查配方进一步包括所述基线灰阶轮廓。
28.如权利要求27所述的非暂时性计算机可读存储介质,其中沿着多个特定方向针对每个族计算多个基线灰阶轮廓,并将所述多个基线灰阶轮廓包括在所述检查配方中。
29.如权利要求23所述的非暂时性计算机可读存储介质,其中每个图像对中的所述第二图像提供与多个层相关联的一个或多个基于设计的结构元件的信息,且针对所述多个层中的每一者执行所述关联步骤、所述计算步骤、所述训练步骤、所述使用步骤、以及所述包括步骤,从而产生与所述多个层相对应的多个检查配方。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/836,606 | 2020-03-31 | ||
US16/836,606 US11022566B1 (en) | 2020-03-31 | 2020-03-31 | Examination of a semiconductor specimen |
PCT/IL2020/051145 WO2021199018A1 (en) | 2020-03-31 | 2020-11-04 | Examination of a semiconductor specimen |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115023731A true CN115023731A (zh) | 2022-09-06 |
Family
ID=73449136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080094814.XA Pending CN115023731A (zh) | 2020-03-31 | 2020-11-04 | 半导体样本的检查 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11022566B1 (zh) |
EP (1) | EP4128141A1 (zh) |
JP (1) | JP2023519517A (zh) |
KR (1) | KR20220162121A (zh) |
CN (1) | CN115023731A (zh) |
WO (1) | WO2021199018A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11307150B2 (en) | 2020-08-17 | 2022-04-19 | Applied Materials Israel Ltd. | Automatic optimization of an examination recipe |
TWI798650B (zh) * | 2021-02-25 | 2023-04-11 | 環球晶圓股份有限公司 | 自動光學檢測方法、自動光學檢測系統及記錄媒體 |
KR20240033343A (ko) * | 2022-09-05 | 2024-03-12 | 서울대학교산학협력단 | 변환 모델 구축 장치 및 방법과 이를 이용한 이미지 매칭 장치 및 방법 |
WO2024068280A1 (en) * | 2022-09-28 | 2024-04-04 | Asml Netherlands B.V. | Parameterized inspection image simulation |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008077100A2 (en) * | 2006-12-19 | 2008-06-26 | Kla-Tencor Corporation | Systems and methods for creating inspection recipes |
JP5400882B2 (ja) | 2009-06-30 | 2014-01-29 | 株式会社日立ハイテクノロジーズ | 半導体検査装置及びそれを用いた半導体検査方法 |
US10713534B2 (en) * | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
US10290087B2 (en) * | 2017-09-11 | 2019-05-14 | Applied Materials Israel Ltd. | Method of generating an examination recipe and system thereof |
US11199506B2 (en) * | 2018-02-21 | 2021-12-14 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
CN111819583B (zh) * | 2018-03-21 | 2024-06-04 | 科磊股份有限公司 | 用于使用合成缺陷图像训练机器学习模型的方法和*** |
WO2020011648A1 (en) | 2018-07-13 | 2020-01-16 | Asml Netherlands B.V. | Pattern grouping method based on machine learning |
US11379967B2 (en) * | 2019-01-18 | 2022-07-05 | Kla Corporation | Methods and systems for inspection of semiconductor structures with automatically generated defect features |
US10963753B2 (en) * | 2019-01-28 | 2021-03-30 | Applied Materials, Inc. | Automated image measurement for process development and optimization |
US10963990B2 (en) * | 2019-01-28 | 2021-03-30 | Applied Materials, Inc. | Automated image measurement for process development and optimization |
-
2020
- 2020-03-31 US US16/836,606 patent/US11022566B1/en active Active
- 2020-11-04 JP JP2022554197A patent/JP2023519517A/ja active Pending
- 2020-11-04 CN CN202080094814.XA patent/CN115023731A/zh active Pending
- 2020-11-04 WO PCT/IL2020/051145 patent/WO2021199018A1/en unknown
- 2020-11-04 EP EP20807522.6A patent/EP4128141A1/en active Pending
- 2020-11-04 KR KR1020227025803A patent/KR20220162121A/ko not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
EP4128141A1 (en) | 2023-02-08 |
JP2023519517A (ja) | 2023-05-11 |
WO2021199018A1 (en) | 2021-10-07 |
KR20220162121A (ko) | 2022-12-07 |
TW202139133A (zh) | 2021-10-16 |
US11022566B1 (en) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11199506B2 (en) | Generating a training set usable for examination of a semiconductor specimen | |
US20220067523A1 (en) | Method of deep learining-based examination of a semiconductor specimen and system thereof | |
US10832092B2 (en) | Method of generating a training set usable for examination of a semiconductor specimen and system thereof | |
US11568531B2 (en) | Method of deep learning-based examination of a semiconductor specimen and system thereof | |
US11022566B1 (en) | Examination of a semiconductor specimen | |
KR20210087874A (ko) | 시편의 기계 학습 기반 결함 검출 | |
US12007335B2 (en) | Automatic optimization of an examination recipe | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
US20220222806A1 (en) | Machine learning-based classification of defects in a semiconductor specimen | |
TWI844746B (zh) | 半導體樣本的檢查 | |
US11854184B2 (en) | Determination of defects and/or edge roughness in a specimen based on a reference image | |
CN113947561B (zh) | 半导体样本的图像分割 | |
CN111512324B (zh) | 半导体样品的基于深度学习的检查的方法及其*** | |
KR20230140394A (ko) | 반도체 시편의 기계 학습 기반 검사 및 그의 훈련 |
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 |